RU2633096C2 - Устройство и способ для автоматического регулирования фильтра - Google Patents

Устройство и способ для автоматического регулирования фильтра Download PDF

Info

Publication number
RU2633096C2
RU2633096C2 RU2015103735A RU2015103735A RU2633096C2 RU 2633096 C2 RU2633096 C2 RU 2633096C2 RU 2015103735 A RU2015103735 A RU 2015103735A RU 2015103735 A RU2015103735 A RU 2015103735A RU 2633096 C2 RU2633096 C2 RU 2633096C2
Authority
RU
Russia
Prior art keywords
elements
list
sympathy
attribute
processor
Prior art date
Application number
RU2015103735A
Other languages
English (en)
Other versions
RU2015103735A (ru
Inventor
Ян КОРСТ
Сервериус Петрус Паулус ПРОНК
Мауро БАРБЬЕРИ
Original Assignee
Функе Диджитал Тв Гайд Гмбх
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 Функе Диджитал Тв Гайд Гмбх filed Critical Функе Диджитал Тв Гайд Гмбх
Publication of RU2015103735A publication Critical patent/RU2015103735A/ru
Application granted granted Critical
Publication of RU2633096C2 publication Critical patent/RU2633096C2/ru

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • User Interface Of Digital Computer (AREA)
  • Digital Computer Display Output (AREA)

Abstract

Изобретение относится к устройству и способу для регулирования параметров фильтра. Технический результат заключается в возможности сортировки элементов списка. В способе предоставляют запоминающее устройство, содержащее отсортированный список элементов, содержащий множество элементов с упорядочением, при этом порядок элементов определяется посредством их ранга, процессор, формирующий графическое представление элементов в списке с упорядочением на дисплее, отвечающий физическому пользовательскому интерфейсу так, чтобы давать возможность пользователю перекомпоновывать или отбрасывать элементы в графическом представлении списка элементов, модифицирующий ранг элементов в списке согласно графическому представлению после перекомпоновки в ответе физическому пользовательскому интерфейсу, модифицирующий предысторию относительного рейтинга на основе переупорядоченного списка, и формирующий из модифицированной предыстории относительного рейтинга модифицированный набор параметров фильтра, и отвечающий физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю квалифицировать каждый элемент, как принадлежащий одному из предварительно определенного числа связанных с уровнем симпатии кластеров. 2 н. и 14 з.п. ф-лы, 3 ил.

Description

Рекомендательные системы используются в различных областях применения для того, чтобы рекомендовать элементы (товары, телепрограммы, песни и т.д.) с тем, чтобы смягчать проблему выбора пользователей, которые сталкиваются с чрезмерно большой совокупностью элементов, из которых следует выбирать. Предусмотрено два общих подхода для того, чтобы формировать рекомендательные системы. В первом подходе, элементы представляются посредством нескольких признаков, и пользовательские предпочтения также выражаются с точки зрения этих признаков. Этот подход, в общем, упоминается в качестве рекомендации на основе контента. Альтернативно, анализируется предыстория покупок/просмотра/прослушивания большого набора пользователей (возможно с прилагаемой рейтинговой информацией) для того, чтобы идентифицировать подобие между элементами или подобие между пользователями. Эти подобия затем используются для того, чтобы рекомендовать новые элементы пользователю. Этот второй подход зачастую упоминается в качестве совместной фильтрации. Новые элементы, предложенные в подходе на основе совместной фильтрации, представляют собой новые элементы, которые являются аналогичными элементам, которые нравятся пользователю, или новые элементы, которые нравятся пользователям, которые являются аналогичными данному пользователю. Следует отметить, что этот второй подход не запрашивает конкретную информацию относительно самих элементов, за исключением информации покупок/просмотра/прослушивания нескольких пользователей.
Вообще говоря, рекомендательная система действует в качестве фильтра для фильтрации элементов, которые могут быть интересными пользователю. Чтобы адаптировать такой фильтр к ожиданиям и потребностям пользователя, известны, например, подходы на основе контента и на основе совместной фильтрации.
В подходах на основе контента и на основе совместной фильтрации известно, что затруднительно предоставлять хорошие рекомендации новым пользователям. Новый пользователь должен сначала ранжировать определенное число элементов до того, как модуль рекомендаций может изучать его предпочтения и способен предоставлять хорошие рекомендации, в которых рейтинг предусмотрен либо на двухпунктовой шкале (нравится/не нравится), либо на шкале с большим числом пунктов (например, на пятипунктовой шкале, включающей в себя такие уровни симпатии, как "сильно не нравится", "не нравится", "нейтрально", "нравится", "сильно нравится").
Проблема с созданием или адаптацией параметров фильтра таким образом, что они представляют конкретные пользовательские предпочтения, состоит в том, что машина не может взаимодействовать с пользователем для того, чтобы выяснять пользовательские предпочтения. Другая проблема состоит в том, что информация относительно пользовательских предпочтений необходима в формате, который может быть обработан посредством машины. Тем не менее такой формат не может пониматься или исправляться среднестатистическим пользователем. Следовательно, требуется пользовательский интерфейс, который может легко пониматься пользователем и который обеспечивает возможность эффективного сбора данных, которые представляют пользовательские предпочтения. Базовая техническая задача заключается в том, чтобы формировать машинообрабатываемую информацию из взаимодействий пользователя, который неспособен предоставлять эту информацию непосредственно.
Запрашивание пользователя повторно ранжировать элементы известно из патента (США) 7,836,057, который выдан 16 ноября 2010 года. В патенте (США) 7,839,057, предлагается способ/система для того, чтобы помогать пользователю выбирать товар, к примеру, при покупке автомобиля. Пользователю явно предоставляется определенное число критериев выбора, которые являются релевантными для данной категории товаров, и для каждого критерия выбора, он может задавать с помощью ползунка то, до какой степени он хочет взвешивать данный критерий в процессе выбора товара. В результате система возвращает упорядоченный список товаров, в котором упорядочение основано на взвешивании критериев выбора. Затем, если пользователь не удовлетворен упорядочением товаров, он может повторно ранжировать список товаров. Система затем указывает то, как может регулироваться взвешивание критериев выбора, чтобы реализовывать этот повторно ранжированный список.
Способ, предложенный в патенте (США) 7,836,057, имеет ряд недостатков, которые делают его менее подходящим для более сложных процессов принятия решений, таких как то, что смотреть по телевизору или что брать напрокат из репозитория видео по запросу. Изучение вкуса нового пользователя телевизионной рекомендательной системы сложнее, чем задание весовых коэффициентов нескольких критериев выбора. Если рассматривается использование подхода на основе наивной байесовской классификации, то вкус пользователя может быть представлен посредством уровней симпатии для относительно большого набора пар «признак-значение» (см. Pronk V., W. Verhaegh, A. Proidl и M. Tiemann "Incorporating User Control into Recommender systems Based on Naive Bayesian Classification", in the Proceedings of the 2007 ACM Conference on Recommender systems, RecSys 2007, стр. 73-80, Миннеаполис, Миннесота, США).
Терминология, используемая в данном документе, приспосабливается для настоящего раскрытия сущности, в частности, использование терминов «уровень симпатии», а также «коэффициент перекоса». Эти два термина связаны следующим образом. Пусть r представляет собой коэффициент перекоса. В таком случае ассоциированный уровень симпатии λ задается посредством λ=r/(1+r). Наоборот, для данного уровня симпатии λ, ассоциированный коэффициент r перекоса задается посредством r=λ/(1-λ). Уровень симпатии в 0,5 соответствует "нейтрально", поскольку он приводит к нейтральному коэффициенту перекоса 1. Диапазон возможных уровней симпатии находится между 0 и 1, тогда как диапазон возможных коэффициентов перекоса находится между 0 и бесконечностью.
Пары признак-значение могут быть связаны, например, с присутствием определенного актера в данном фильме или с конкретным жанром, или с конкретным временем широковещательной передачи, или с конкретным широковещательным каналом. Предоставление пользовательского интерфейса, который предоставляет ползунок для каждой из этих пар признак-значение, является непрактичным. Помимо этого, если вовлечено такое большое число пар признак-значение, то запоминание общего представления взвешивания всех различных пар признак-значение является невыполнимым для пользователя, и их задание вручную не является практическим вариантом. Кроме того, явную обратную связь того, как весовые коэффициенты могут регулироваться для того, чтобы реализовывать данное повторное ранжирование данного списка, в равной степени затруднительно интерпретировать пользователю.
Дополнительный недостаток патента (США) 7,836,057 заключается в том, что обратная связь относительно того, как регулировать взвешивание критериев выбора, основана только на одном повторно ранжированном списке. Чтобы захватывать предпочтения пользователя для формирования телевизионных рекомендаций, один список элементов является слишком ограничивающим для того, чтобы изучать тонкие нюансы, которые составляют вкус пользователя. Чтобы захватывать предпочтения пользователя для того, чтобы формировать телевизионные рекомендации, требуется последовательность этапов повторного ранжирования, при которой надлежащим образом выбираются последовательные списки, которые пользователь запрашивается повторно ранжировать.
Еще один другой недостаток патента (США) 7,836,057, для изучения вкуса телезрителя, заключается в том, что пользователи запрашиваются повторно ранжировать все элементы, присутствующие в списке. Для вариантов применения, в которых число возможных элементов, из которых следует выбирать, является очень обширным, как в случае телезрителя, который может выбирать из телешоу, в данный момент передаваемых в широковещательном режиме, контента видео по запросу, YouTube-фильмов и т.д., достаточно вероятным является то, что данный список, который пользователь запрашивается повторно ранжировать, содержит один или более элементов, которые не знает пользователь. Даже если предоставляется дополнительная информация в отношении элементов, такая как жанр, то пользователю по-прежнему затруднительно ранжировать их. Следовательно, предлагается, что пользователь сначала удаляет элементы из списка, которые он не знает (например, для замены на другие элементы) до того, как список должен быть повторно ранжирован пользователем.
Еще один другой недостаток патента (США) 7,836,057 заключается в том, что, по сути, невозможно явно указывать то, какие элементы в списке не нравятся пользователю. Имеется вероятность того, что ему нравятся все из них, ни один из них или только первые m, где 0<m<n. Следовательно, другой аспект предпочтительного варианта осуществления изобретения заключается в том, что пользователь может размещать в списке между любой парой последовательных элементов, перед первым или после последнего элемента, разделитель, указывающий границу между нравящимися и ненравящимися элементами.
Задача изобретения заключается в том, чтобы предоставлять устройство и способ, которые обеспечивают возможность удобного для пользователя создания или адаптации фильтра для фильтрации элементов в зависимости от конкретных потребностей и/или ожиданий пользователя.
Согласно первому аспекту изобретения, эта задача решается посредством устройства для регулирования параметров фильтра, при этом устройство содержит или может соединяться с дисплеем, физическим пользовательским интерфейсом и запоминающим устройством. Устройство содержит процессор, который функционально соединяется с дисплеем, физическим пользовательским интерфейсом и запоминающим устройством. Запоминающее устройство содержит (множество) отсортированный список(ки) элементов, содержащий множество элементов с упорядочением, при этом порядок элементов определяется посредством их ранга. Процессор выполнен с возможностью формировать графическое представление элементов в списке с упорядочением на дисплее. Процессор дополнительно выполнен с возможностью отвечать физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю переупорядочивать (перекомпоновывать) и/или отбрасывать элементы в графическом представлении списка элементов. Процессор дополнительно выполнен с возможностью модифицировать ранг элементов в списке согласно графическому представлению после перекомпоновки в ответе физическому пользовательскому интерфейсу. Процессор дополнительно выполнен с возможностью модифицировать предысторию относительного рейтинга на основе переупорядоченного списка и формировать из модифицированной предыстории относительного рейтинга модифицированный набор параметров фильтра.
Модифицированный набор параметров фильтра, например, может задавать модифицированный пользовательский профиль для модуля рекомендаций.
Начальный отсортированный список элементов может сортироваться посредством некоторого ранга по умолчанию, который может создаваться произвольно. Альтернативно, начальный отсортированный список может сортироваться согласно предполагаемому или устаревшему пользовательскому профилю, который должен быть обновлен или индивидуализирован. Преимущество этого подхода, предлагаемого в данном документе, заключается в том, что пользователь видит и понимает элементы, которые отображаются, без необходимости знать то, какие признаки/пары значений или другая машинообрабатываемая информация ассоциированы с отображенными элементами, в то время как процессор может сразу обрабатывать информацию, ассоциированную с элементами, вместе с информацией, которая кодируется в порядке переупорядоченного или пересортированного списка, который вытекает из пользовательского взаимодействия.
Предпочтительно, процессор дополнительно выполнен с возможностью отвечать физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю квалифицировать каждый элемент как принадлежащий одному, по меньшей мере, из двух кластеров, например, как нравящийся или ненравящийся. Таким образом, элементы, показанные пользователю, могут разделяться на два кластера, и может формироваться предыстория (абсолютного) рейтинга. Эта предыстория (абсолютного) рейтинга затем может дополнительно обрабатываться посредством любого из нескольких способов классификации (совместная фильтрация, наивная байесовская классификация, методы опорных векторов и т.д.), который должен быть использован в качестве фильтра элементов (модуля рекомендаций). Эти фильтры элементов представляют собой классификаторы, которые типично компонуют пользовательский профиль или модель, которые выступают в качестве параметров фильтрации. Аналогично, предыстория относительного рейтинга может разбиваться, скажем, на 5 кластеров, в силу чего каждый кластер представляет рейтинг по шкале от 1 до 5 (в ожидаемом порядке). Она также может, и даже более надлежащим образом, использоваться в окружении совместной фильтрации.
Предоставление пользовательского интерфейса, который обеспечивает возможность кластеризации элементов, представляет собой средство для того, чтобы извлекать еще больше информации из простого пользовательского взаимодействия, при этом информация, извлеченная таким способом, является совместимой с внутренним представлением пользовательских предпочтений в устройстве.
Согласно предпочтительному варианту осуществления, процессор дополнительно выполнен с возможностью разбивать предысторию относительного рейтинга на два кластера: первые n элементов становятся нравящимися элементами, остальные - ненравящимися. Как подробнее указано ниже, это может предпочтительно достигаться посредством предпочтительного варианта осуществления процессора, который выполнен с возможностью разрешать пользователю размещать разделитель в перекомпонованном списке между любой парой последовательных элементов, перед первым или после последнего элемента, при этом разделитель указывает границу между нравящимися и ненравящимися элементами. Такой разделитель задает пороговое значение принятия решения. Такой предпочтительный вариант осуществления процессора может содержать или может соединяться с интерфейсным модулем, который обеспечивает возможность отображения и перемещения разделителя. Процессор затем выполнен с возможностью использовать позицию разделителя в качестве входного значения для формирования списка параметров фильтрации. Поскольку разделитель может быть размещен перед первым или после последнего элемента, пользователь имеет возможность отмечать все отображенные элементы в списке как "нравящиеся" или "ненравящиеся", соответственно.
В предпочтительном варианте осуществления, каждый элемент отличается посредством, по меньшей мере, одной пары признак-значение, которая представляет значение признака элемента. Согласно этому, процессор предпочтительно дополнительно выполнен с возможностью определять коэффициент индикации уровня симпатии, по меньшей мере, для некоторых пар признак-значение, отличающих элементы в переупорядоченном списке, так что произведение коэффициентов индикации уровня симпатии пар признак-значение для конкретного элемента совпадает с рангом элемента в переупорядоченном списке по сравнению с произведением коэффициентов индикации уровня симпатии пар признак-значение других элементов в переупорядоченном списке.
Ранг элемента в переупорядоченном списке коррелируется с уровнем симпатии и в силу этого с коэффициентом индикации уровня симпатии упомянутого элемента в том, что элементы с более высоким рангом, вероятно, больше нравятся конкретному пользователю, чем элементы с более низким рангом. В предпочтительном варианте осуществления, устройство определяет коэффициенты индикации уровня симпатии пар признак-значение таким образом, что порядок произведений коэффициентов индикации уровня симпатии пар признак-значение для каждого элемента (или, по меньшей мере, некоторых элементов) соответствует порядку, заданному посредством рангов элементов.
Процессор может быть дополнительно выполнен с возможностью модифицировать ранг элементов в списке согласно графическому представлению после перекомпоновки в ответ на пользовательское взаимодействие через физический пользовательский интерфейс. Атрибут имеет три состояния, которые описывают то, что происходило с элементом во время переупорядочения, а именно: (элемент) удален, (элемент) перемещен вверх, (элемент) перемещен вниз.
Устройство согласно изобретению обеспечивает возможность пользователю быстро указывать свои предпочтения удобным для пользователя способом и за счет этого эффективно формировать фильтр для фильтрации элементов.
Таким образом, изобретение предоставляет новый подход для того, чтобы иметь возможность быстро изучать вкус нового пользователя посредством запрашивания пользователя повторно ранжировать несколько надлежащим образом выбранных списков элементов.
Предпочтительно, коэффициент индикации уровня симпатии представляет собой коэффициент перекоса для конкретной пары признак-значение, и произведение коэффициентов перекоса пар признак-значение, отличающих конкретный элемент, представляет собой коэффициент перекоса упомянутого элемента. Поскольку элемент отличается посредством одной или более пар признак-значение, и уровень симпатии ассоциирован с элементом, уровни симпатии пар признак-значение, отличающих конкретный элемент, и уровни симпатии этого элемента взаимосвязаны. Если наивная байесовская классификация используется для того, чтобы определять уровни симпатии, пара признак-значение имеет коэффициент r перекоса, и коэффициент r(x) перекоса элемента x задается посредством произведения Πi∈F(x)ri коэффициентов перекоса пар F(x) признак-значение, отличающих упомянутый элемент. В таком варианте осуществления, процессор предпочтительно выполнен с возможностью решать набор линейных неравенств Σi∈F(x_j)ρi>Σi∈F(x_(j+1)) ρi, где ρi является логарифмом log(ri) коэффициента ri перекоса элемента i, и где обозначение x_j используется для того, чтобы указывать xj.
В дополнительном предпочтительном варианте осуществления, запоминающее устройство содержит множество упорядоченных списков элементов, при этом процессор выполнен с возможностью последовательно формировать графические представления элементов в каждом списке с упорядочением на дисплее. В таком варианте осуществления, процессор дополнительно выполнен с возможностью отвечать физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю перекомпоновывать и/или отбрасывать элементы в графическом представлении списков элементов и модифицировать ранг и атрибут элементов в списках согласно графическому представлению после перекомпоновки в ответе физическому пользовательскому интерфейсу.
В общем, предпочтительно, чтобы множество элементов имело, по меньшей мере, общий поднабор пар признак-значение, при этом уровни симпатии назначаются каждому элементу и каждой паре признак-значение таким образом, что уровень симпатии элемента задается посредством коэффициента индикации уровня симпатии (например, коэффициента перекоса), который является произведением коэффициентов индикации уровня симпатии пар признак-значение, отличающих упомянутый элемент. В этом отношении, дополнительно предпочтительно, чтобы процессор был выполнен с возможностью вычислять уровни симпатии пар признак-значение из ранга элементов после перекомпоновки упорядоченного списка элементов в ответ на вводы, которые вводятся пользователем через физический пользовательский интерфейс.
Запоминающее устройство предпочтительно содержит множество отсортированных списков элементов, с тем чтобы давать возможность определения уровней симпатии большего числа пар признак-значение без необходимости для пользователя сталкиваться с чрезмерно большим списком элементов. Если второй список элементов должен быть представлен пользователю, предпочтительно, чтобы порядок (ранг) элементов определялся на основе уровней симпатии пар признак-значение, как определено в предыдущем процессе регулирования фильтра.
Запоминающее устройство предпочтительно выполнено как база данных.
Предпочтительно, устройство выполнено с возможностью применять исходный элемент, который, например, выбирается пользователем через пользовательский интерфейс, и процессор выполнен с возможностью формировать отсортированный список элементов на основе степени подобия между исходным элементом и дополнительными элементами, сохраненными в этом запоминающем устройстве.
Согласно дополнительному аспекту изобретения, предоставляется способ регулирования параметров фильтрации. Способ содержит этапы:
- предоставления отсортированного списка элементов, содержащего множество элементов с упорядочением, при этом порядок элементов определяется посредством их ранга, и каждый элемент отличается посредством, по меньшей мере, одной пары признак-значение, которая представляет значение признака элемента,
- формирования графического представления элементов в списке с упорядочением на дисплее,
- ответа физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю переупорядочивать (перекомпоновывать) и/или отбрасывать элементы в графическом представлении списка элементов,
- модификации ранга элементов в списке согласно графическому представлению после перекомпоновки в ответе физическому пользовательскому интерфейсу, и
- модификации предыстории относительного рейтинга на основе переупорядоченного списка, и
- формирования из модифицированной предыстории относительного рейтинга модифицированного набора параметров фильтрации.
Согласно предпочтительному или альтернативному варианту осуществления, способ дополнительно содержит этапы определения коэффициента индикации уровня симпатии, по меньшей мере, для некоторых пар признак-значение, отличающих элементы в переупорядоченном списке, так что произведение коэффициентов индикации уровня симпатии пар признак-значение для конкретного элемента совпадает с рангом элементов в переупорядоченном списке по сравнению с произведением коэффициентов индикации уровня симпатии пар признак-значение других элементов в переупорядоченном списке.
Согласно предпочтительному варианту осуществления, способ дополнительно содержит этапы:
- применения исходного элемента, и
- формирования отсортированного списка элементов на основе степени подобия между исходным элементом и дополнительными элементами, сохраненными в этом запоминающем устройстве.
Дополнительно предпочтительно, если способ дополнительно содержит этап:
- формирования нового отсортированного списка элементов на основе определенных уровней симпатии пар признак-значение, отличающих элементы.
Согласно дополнительному предпочтительному варианту осуществления, способ дополнительно содержит этапы:
- формирования графического представления элементов в новом отсортированном списке элементов с упорядочением на дисплее,
- ответа физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю переупорядочивать (перекомпоновывать) и/или отбрасывать элементы в графическом представлении нового отсортированного списка элементов,
- модификации ранга элементов в новом отсортированном списке согласно графическому представлению после перекомпоновки в ответе физическому пользовательскому интерфейсу, и
- определения уровня симпатии, по меньшей мере, для некоторых пар признак-значение, отличающих элементы в переупорядоченном новом списке, так что произведение коэффициентов индикации уровня симпатии пар признак-значение для конкретного элемента совпадает с рангом элементов в переупорядоченном списке по сравнению с произведением коэффициентов индикации уровня симпатии пар признак-значение других элементов в переупорядоченном списке.
Вышеуказанные и другие аспекты, признаки и преимущества настоящего изобретения должны становиться очевидными из нижеприведенного более подробного описания, представленного в сочетании с нижеприведенными чертежами, на которых:
Фиг. 1 является схематичным представлением устройства для автоматического регулирования параметров фильтра;
Фиг. 2 является схематичным представлением устройства по фиг. 1, в котором элементы переупорядочиваются; и
Фиг. 3 является схематичным представлением альтернативного устройства для автоматического регулирования параметров фильтра.
Устройство 10 для автоматического регулирования параметров фильтра, проиллюстрированных на фиг. 1, соединяется с дисплеем 12 и физическим пользовательским интерфейсом 14, таким как мышь, сенсорная панель и т.п. Устройство содержит или соединяется с запоминающим устройством 16, которое содержит отсортированный список элементов x, содержащий множество элементов с упорядочением, при этом порядок элементов определяется посредством их ранга. Каждый элемент отличается посредством, по меньшей мере, одной пары i признак-значение, которая представляет значение признака элемента. Обычно, элемент x отличается посредством множества пар признак-значение (i1, i2, i3, ...). Дополнительно, уровень симпатии λ назначается каждому элементу x. Уровень симпатии элемента x задает ранг этого элемента. Запоминающее устройство 16 может быть неотъемлемой частью устройства 10 или может быть базой данных, с которой устройство 10 соединяется.
Устройство 10 дополнительно содержит модуль 18 пользовательского интерфейса, процессор 20 и модуль 22 интерфейса отображения.
Модуль 18 пользовательского интерфейса выполнен с возможностью принимать сигналы из физического пользовательского интерфейса 14 и перенаправлять соответствующие сигналы в процессор 20.
Процессор 20 соединяется с запоминающим устройством 16 и за счет этого может осуществлять доступ к одному или более отсортированных списков элементов, как описано выше. Процессор 20 дополнительно инструктирует модулю 22 интерфейса отображения формировать сигналы, которые приводят к графическому представлению отсортированного списка элементов на дисплее 12. Процессор 20 выполнен с возможностью работать в качестве модуля регулирования фильтра, как раскрыто ниже.
Фиг. 2 является представлением устройства 10 для автоматического регулирования фильтра, в котором пользователь переупорядочивает или перекомпонует элементы на дисплее 12. Перекомпоновка элементов на дисплее 12 изменяет ранги элементов. Поскольку ранг элемента коррелируется с его уровнем симпатии, различный ранг наиболее вероятно приводит к различному уровню симпатии элемента. Поскольку уровень симпатии элемента зависит от уровней симпатии пар признак-значение, отличающих этот элемент, изменение ранга элемента в конечном счете приводит к переоценке уровней симпатии пар признак-значение, как подробнее раскрыто ниже.
На фиг. 3, проиллюстрирована альтернативная компоновка, в которой запоминающее устройство 16 является не неотъемлемой частью устройства 10' для автоматического регулирования фильтра, а частью удаленной базы данных. Соответственно, предоставляется интерфейс 24 передачи данных, который обеспечивает возможность процессору 20 осуществлять доступ к запоминающему устройству 18 в удаленной базе данных.
Далее описывается работа устройства 10.
Базовая идея данного изобретения состоит в том, чтобы предоставлять для нового пользователя телевизионной рекомендательной системы или аналогичной рекомендательной системы простой и удобный подход для того, чтобы указывать свои предпочтения (и за счет этого регулировать фильтр элементов) посредством предложения, в интерактивном сеансе, последовательности последовательных списков элементов, при этом для каждого из последовательных списков элементов пользователь запрашивается выполнять следующие этапы.
1. Пользователь удаляет элементы, которые он не знает достаточно хорошо, чтобы ранжировать их, при этом возможно удаленный элемент заменяется посредством другого элемента.
2. Пользователь повторно ранжирует результирующий список элементов в порядке уменьшения пользовательских предпочтений.
3. Дополнительно, пользователь может размещать в списке между любой парой последовательных элементов, перед первым или после последнего элемента, разделитель, указывающий границу между нравящимися и ненравящимися элементами.
Устройство использует информацию, содержащуюся в упорядочении повторно ранжированного списка, для того, чтобы регулировать уровень симпатии надлежащих пар признак-значение, при этом информация из текущего повторно ранжированного списка может быть комбинирована с информацией из предыдущих повторно ранжированных списков. Отрегулированные параметры фильтра рекомендательной системы затем используются для того, чтобы определять надлежащий следующий список элементов, при этом типично последовательные списки все лучше и лучше совпадают со вкусом пользователя.
Чтобы повторно ранжировать список, пользователь просто перетаскивает элементы из данной позиции в списке первых n элементов в новую требуемую позицию в списке первых n элементов. Таким образом, он просто должен указывать относительные пользовательские предпочтения для элементов в первых n элементах. Из психологических исследований известно то, что пользователю проще предоставлять относительное ранжирование данного набора элементов, чем предоставлять абсолютные пользовательские предпочтения для набора элементов, для которых он должен задавать рейтинг по одному за раз.
Процедура удаления и повторного ранжирования выполняется определенное число раз, начиная с повторного ранжирования тщательно составленного начального списка первых n элементов, который еще не настроен на персональный вкус пользователя. На основе этого первого повторно ранжированного списка, модуль рекомендаций предоставляет следующий список первых n элементов, который уже пытается представлять вкус пользователя в некоторой степени лучше. Повторное ранжирование этого второго списка первых n элементов предоставляет в модуль рекомендаций дополнительную информацию относительно вкуса пользователя, приводя к еще лучшему списку первых n элементов в следующей итерации. Такие итерации повторного ранжирования могут повторяться до тех пор, пока пользователь не будет удовлетворен результирующим следующим списком первых n элементов или последовательностью следующих списков первых n элементов. Чтобы непрерывно улучшать модуль рекомендаций, последовательные списки первых n элементов могут быть выбраны таким образом, что один элемент появляется самое большее один раз в этих последовательных списках. Помимо этого, последовательные списки также не должны содержать элементы, которые являются почти идентичными друг другу, например, с точки зрения их ассоциированных пар признак-значение.
Таким образом, пользователь многократно получает обратную связь относительно того, насколько хорошо модуль рекомендаций изучил его вкус. Эта процедура считается более предпочтительной, чем простой рейтинг отдельных элементов, по одному за раз, без дополнительной обратной связи относительно того, насколько хорошо модуль рекомендаций изучил вкус пользователя. Поскольку предпочтительнее (вследствие повторной обратной связи) и проще повторно ранжировать вместо индивидуального рейтинга элементов, пользователь сохраняет мотивацию для того, чтобы продолжать предоставлять обратную связь. Как результат, модуль рекомендаций должен иметь возможность предоставлять значимые рекомендации на более ранней стадии.
На третьем этапе, пользователь может задавать разделитель между элементами, по которым он хочет получать рекомендации, и элементами, который он не считает достаточно интересными для рекомендации. Таким образом, пользователь не только имеет возможность предоставлять относительное ранжирование данного набора элементов, он также имеет возможность указывать свои предпочтения в абсолютном выражении. В ответ на размещение разделителя между двумя последовательными элементами i и i+1 в упорядоченном списке, процессор 20 задает пороговое значение t принятия решения равным (λ_i+λ_(i+1))/2. В случае если разделитель размещается перед первым элементом, процессор 20 задает пороговое значение t принятия решения равным (1+λ_1)/2. В случае если разделитель размещается после последнего элемента, скажем, элемента n, процессор 20 задает пороговое значение t принятия решения равным λ_n/2. Это пороговое значение принятия решения может быть использовано посредством классификатора для того, чтобы проводить различие между нравящимися и ненравящимися элементами. Например, наивный байесовский классификатор, реализованный посредством процессора, может задавать положительную априорную вероятность, например, равной 1-t. Таким образом, разделитель обеспечивает возможность надлежащего задания априорных вероятностей, присутствующих в наивном байесовском классификаторе, позволяя классификатору также проводить различие между нравящимися и ненравящимися элементами.
Чтобы регулировать "пользовательский профиль" (который представляет собой фильтр, фильтрующий элементы) на основе повторно ранжированного списка первых n элементов, предлагается следующий вариант осуществления. В этом варианте осуществления, предполагается рекомендательная система, которая использует наивный байесовский подход, в котором непосредственно регулируются уровни симпатии пар признак-значение, которые являются релевантными для элементов, которые появляются в списке первых n элементов.
РЕГУЛИРОВАНИЕ УРОВНЕЙ СИМПАТИИ ПАР ЗНАЧЕНИЙ ПРИЗНАКОВ
Для простоты, предполагается, что упорядочение данных n элементов основано на уровне симпатии, которую модуль рекомендаций присваивает для каждого из n элементов. Пусть набор всех возможных пар значений признаков задается посредством F={1, 2, ..., N}. Теперь, элемент x может отличаться посредством поднабора F(x)⊆F.
Для каждой пары признак-значение i∈F, вещественное значение ri∈[0,∞) указывает коэффициент перекоса этой пары признак-значение таким образом, что коэффициент r(x) перекоса элемента x задается посредством Πi∈F(x)ri. Ассоциированный и более интуитивный уровень симпатии задается посредством λ(x) и задается посредством r(x)/(1+r(x)).
Теперь, с учетом повторно ранжированного списка n элементов, обозначаемых посредством x1, x2, ..., xn, вопрос заключается в этом, можно или нет выбирать уровни симпатии пар i признак-значение, которые находятся в комбинированном наборе пар признак-значение F(x1)∪F(x2) ∪...F∪ (xn) для пар признак-значение, таким образом, что порядок уровней симпатии элементов λ(x1)>λ(x2)>...>λ(xn) совпадает с порядком, заданным посредством ранга в переупорядоченном (или перекомпонованном) списке элементов. Поскольку преобразование между уровнем симпатии и коэффициентом перекоса монотонно увеличивается, альтернативно можно сформулировать это как то, можно или нет выбирать коэффициенты перекоса пар i признак-значение, которые находятся в F(x1)∪F(x2)∪...F∪(xn), таким образом, что r(x1)>r(x2)>...>r(xn).
Затем, с использованием того, что логарифм является монотонно возрастающей функцией, эта проблема может быть упрощена до решения набора линейных неравенств следующим образом. Если обозначать log(ri) посредством ρi, то неравенство r(xj)>r(xj+1) может повторно выражаться как Σi∈F(x_j) ρi>Σi∈F(x_(j+1)) ρi, где обозначение x_j используется для того, чтобы указывать xj.
Эта проблема может выражаться в качестве набора линейных уравнений с ограничениями, решение для которого, если оно существует, может быть эффективно определено, например, посредством использования симплекс-метода. Если такое решение не существует, может осуществляться поиск для того, чтобы находить решение, например, с минимальным числом неудовлетворенных ограничений.
Эта процедура может повторяться для нескольких надлежащим образом выбранных списков таким образом, что покрывается относительно большая часть пространства признак-значение, и создается более полный профиль пользователя. Предусмотрено несколько способов формировать новые списки элементов с высоким рейтингом, например, посредством использования профиля, сформированного ранее, для того чтобы создавать ранжированный список произвольно выбранных новых элементов. Альтернативно, может выбираться набор программ, который является более однородным с точки зрения, например, жанра. Еще одна другая альтернатива заключается в том, чтобы детализировать один или более отличительных признаков профиля, созданного ранее, например, признаков, которые выделяются с точки зрения высоких уровней симпатии.
В контексте персональных каналов (см. Pronk, V., J. Korst, M. Barbieri и A. Proidl "Personal television channels: Simply zapping through your PVR content", in the Proceedings of the 1st International Workshop on Recommendation-based Industrial Applications, совместно с 3rd ACM Conference on Recommender systems, RecSys 2009 год, Нью-Йорк, Нью-Йорк), обычная практика для пользователя заключается в том, чтобы формировать определенное число этих персональных каналов. Создание персонального канала типично начинается посредством выбора пользователем так называемой исходной программы. Теперь, этот процесс изучения вкуса, который соответствует новому сформированному персональному каналу, может быть реализован в соответствии с текущим вариантом осуществления, в котором выбранная исходная программа используется для того, чтобы управлять формированием последовательных списков элементов таким образом, что в эти списки главным образом добавляются элементы, которые являются аналогичными (близко или удаленно) к данной исходной программе.
Изобретение может применяться в любом контексте, в котором могут использоваться модули рекомендаций, например, в контексте книг, песен, прокатных видео и т.д. Помимо этого, оно может быть использовано в контексте персональных каналов. Отдельный модуль рекомендаций может быть ассоциирован с каждым каналом, и проблема нового пользователя, более надлежащим образом называемая "проблемой нового канала", может встречаться несколько раз.

Claims (42)

1. Устройство для регулирования параметров фильтра, причем устройство содержит или может соединяться с
дисплеем, физическим пользовательским интерфейсом и запоминающим устройством,
причем упомянутое устройство дополнительно содержит процессор, который функционально соединяется или может функционально соединяться с дисплеем, физическим пользовательским интерфейсом и запоминающим устройством,
при этом запоминающее устройство содержит:
отсортированный список элементов, содержащий множество элементов с упорядочением, при этом порядок элементов определяется посредством их ранга, и
при этом процессор выполнен с возможностью формировать графическое представление элементов в списке с упорядочением на дисплее,
при этом процессор дополнительно выполнен с возможностью отвечать физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю перекомпоновывать и/или отбрасывать элементы в графическом представлении списка элементов, чтобы таким образом формировать переупорядоченный список,
при этом процессор дополнительно выполнен с возможностью модифицировать ранг элементов в списке согласно графическому представлению после перекомпоновки в ответе физическому пользовательскому интерфейсу, и
при этом процессор дополнительно выполнен с возможностью модифицировать предысторию относительного рейтинга на основе переупорядоченного списка и формировать из модифицированной предыстории относительного рейтинга модифицированный набор параметров фильтра; и
причем процессор дополнительно выполнен с возможностью отвечать физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю квалифицировать каждый элемент как принадлежащий одному из предварительно определенного числа связанных с уровнем симпатии кластеров.
2. Устройство по п. 1, в котором каждый элемент отличается посредством, по меньшей мере, одной пары признак-значение, которая представляет значение признака элемента, при этом процессор дополнительно выполнен с возможностью определять коэффициент индикации уровня симпатии, по меньшей мере, для некоторых пар признак-значение, отличающих элементы в переупорядоченном списке, так что произведение коэффициентов индикации уровня симпатии пар признак-значение для конкретного элемента совпадает с рангом элемента в переупорядоченном списке по сравнению с произведением коэффициентов индикации уровня симпатии пар признак-значение других элементов в переупорядоченном списке.
3. Устройство по п. 2, в котором коэффициент индикации уровня симпатии представляет собой коэффициент перекоса для конкретной пары признак-значение, при этом произведение коэффициентов перекоса пар признак-значение, отличающих конкретный элемент, представляет собой коэффициент перекоса упомянутого элемента.
4. Устройство по п. 3, в котором процессор выполнен с возможностью решать набор линейных неравенств Σi∈F(x_j)ρi>Σi∈F(x_(j+1))ρi, где ρi является логарифмом log(ri) коэффициента ri перекоса элемента i, и где обозначение x_j используется для того, чтобы указывать xj.
5. Устройство по п. 1, в котором запоминающее устройство содержит множество упорядоченных списков элементов, при этом процессор выполнен с возможностью последовательно формировать графические представления элементов в каждом списке с упорядочением на дисплее,
при этом процессор дополнительно выполнен с возможностью отвечать физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю перекомпоновывать и/или отбрасывать элементы в графическом представлении списков элементов и модифицировать ранг элементов в списках согласно графическому представлению после перекомпоновки в ответе физическому пользовательскому интерфейсу.
6. Устройство по п. 2, в котором множество элементов имеет, по меньшей мере, общий поднабор пар признак-значение, при этом коэффициенты индикации уровня симпатии назначаются каждому элементу и каждой паре признак-значение таким образом, что коэффициент индикации уровня симпатии элемента задается посредством произведения коэффициентов индикации уровня симпатии пар признак-значение, отличающих упомянутый элемент.
7. Устройство по п. 6, в котором процессор выполнен с возможностью вычислять коэффициенты индикации уровня симпатии пар признак-значение из ранга элементов после перекомпоновки упорядоченного списка элементов в ответ на вводы через физический пользовательский интерфейс.
8. Устройство по п. 1, при этом устройство выполнено с возможностью применять исходный элемент, и процессор выполнен с возможностью формировать отсортированный список элементов на основе степени подобия между исходным элементом и дополнительными элементами, сохраненными в этом запоминающем устройстве.
9. Устройство по п. 1, в котором запоминающее устройство выполнено как база данных.
10. Устройство по п. 1, при этом устройство выполнено с возможностью разрешать ввод разделителя в отсортированном списке между любой парой последовательных элементов, перед первым или после последнего элемента, и при этом процессор выполнен с возможностью задавать пороговое значение t принятия решения в ответ на размещение разделителя между любой парой последовательных элементов, перед первым или после последнего элемента.
11. Способ для регулирования параметров фильтра, при этом способ содержит этапы, на которых:
предоставляют запоминающее устройство, содержащее отсортированный список элементов, содержащий множество элементов с упорядочением, при этом порядок элементов определяется посредством их ранга,
процессор, формирующий графическое представление элементов в списке с упорядочением на дисплее,
процессор, отвечающий физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю перекомпоновывать и/или отбрасывать элементы в графическом представлении списка элементов,
процессор, модифицирующий ранг элементов в списке согласно графическому представлению после перекомпоновки в ответе физическому пользовательскому интерфейсу,
процессор, модифицирующий предысторию относительного рейтинга на основе переупорядоченного списка, и
формирующий из модифицированной предыстории относительного рейтинга модифицированный набор параметров фильтра, и
процессор, отвечающий физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю квалифицировать каждый элемент, как принадлежащий одному из предварительно определенного числа связанных с уровнем симпатии кластеров.
12. Способ по п. 11, при этом способ дополнительно содержит этап, на котором определяют коэффициент индикации уровня симпатии, по меньшей мере, для некоторых пар признак-значение, отличающих элементы в переупорядоченном списке, так что произведение коэффициентов индикации уровня симпатии пар признак-значение для конкретного элемента совпадает с рангом элементов в переупорядоченном списке по сравнению с произведением коэффициентов индикации уровня симпатии пар признак-значение других элементов в переупорядоченном списке.
13. Способ по п. 11 или 12, при этом способ дополнительно содержит этапы, на которых:
применяют исходный элемент, и
формируют отсортированный список элементов на основе степени подобия между исходным элементом и дополнительными элементами, сохраненными в этом запоминающем устройстве.
14. Способ по п. 11, при этом способ дополнительно содержит этап, на котором:
формируют новый отсортированный список элементов на основе модифицированных параметров фильтра.
15. Способ по п. 12, при этом способ дополнительно содержит этап, на котором:
формируют новый отсортированный список элементов на основе упомянутых определенных коэффициентов индикации уровня симпатии пар признак-значение, отличающих элементы.
16. Способ по п. 14 или 15, при этом способ дополнительно содержит этапы, на которых:
формируют графическое представление элементов в новом отсортированном списке элементов с упорядочением на дисплее,
отвечают физическому пользовательскому интерфейсу таким образом, чтобы давать возможность пользователю переупорядочивать и/или отбрасывать элементы в графическом представлении нового отсортированного списка элементов,
модифицируют ранг элементов в новом отсортированном списке согласно графическому представлению после перекомпоновки в ответе физическому пользовательскому интерфейсу, и
модифицируют предысторию относительного рейтинга на основе переупорядоченного списка и формируют из модифицированной предыстории относительного рейтинга модифицированный набор параметров фильтра, и/или
определяют коэффициенты индикации уровня симпатии, по меньшей мере, для некоторых пар признак-значение, отличающих элементы в переупорядоченном новом списке, так что произведение коэффициентов индикации уровня симпатии пар признак-значение для конкретного элемента совпадает с рангом элементов в переупорядоченном списке по сравнению с произведением коэффициентов индикации уровня симпатии пар признак-значение других элементов в переупорядоченном списке.
RU2015103735A 2012-07-06 2013-07-05 Устройство и способ для автоматического регулирования фильтра RU2633096C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP12175382.6A EP2682910A1 (en) 2012-07-06 2012-07-06 Device and method for automatic filter adjustment
EP12175382.6 2012-07-06
PCT/EP2013/064314 WO2014006209A1 (en) 2012-07-06 2013-07-05 Device and method for automatic filter adjustment

Publications (2)

Publication Number Publication Date
RU2015103735A RU2015103735A (ru) 2016-08-27
RU2633096C2 true RU2633096C2 (ru) 2017-10-11

Family

ID=48746559

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2015103735A RU2633096C2 (ru) 2012-07-06 2013-07-05 Устройство и способ для автоматического регулирования фильтра

Country Status (6)

Country Link
US (1) US9959316B2 (ru)
EP (2) EP2682910A1 (ru)
CN (1) CN104508692B (ru)
IN (1) IN2015DN00832A (ru)
RU (1) RU2633096C2 (ru)
WO (1) WO2014006209A1 (ru)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140317105A1 (en) * 2013-04-23 2014-10-23 Google Inc. Live recommendation generation
US10296612B2 (en) 2015-09-29 2019-05-21 At&T Mobility Ii Llc Sorting system
US10416959B2 (en) 2015-10-27 2019-09-17 At&T Mobility Ii Llc Analog sorter
US10496370B2 (en) 2015-12-02 2019-12-03 At&T Intellectual Property I, L.P. Adaptive alphanumeric sorting apparatus
US10261832B2 (en) 2015-12-02 2019-04-16 At&T Mobility Ii Llc Sorting apparatus

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5616876A (en) * 1995-04-19 1997-04-01 Microsoft Corporation System and methods for selecting music on the basis of subjective content
US6493702B1 (en) * 1999-05-05 2002-12-10 Xerox Corporation System and method for searching and recommending documents in a collection using share bookmarks
WO2006094097A2 (en) * 2005-02-28 2006-09-08 Wink Technologies, Inc. Methods of and systems for searching by incorporating user-entered information
WO2006110480A1 (en) * 2005-04-07 2006-10-19 Yahoo! Inc. Customizable filters for personalized search
US20090164929A1 (en) * 2007-12-20 2009-06-25 Microsoft Corporation Customizing Search Results
US20100205166A1 (en) * 1999-11-10 2010-08-12 Boulter Jeffrey R Internet radio and broadcast method
US7836057B1 (en) * 2001-09-24 2010-11-16 Auguri Corporation Weighted preference inference system and method
US20110145234A1 (en) * 2008-08-26 2011-06-16 Huawei Technologies Co., Ltd. Search method and system
RU2451986C2 (ru) * 2007-10-04 2012-05-27 Ксиам Текнолоджис Лимитед Системы, аппарат и способы создания рекомендаций

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0129964B1 (ko) * 1994-07-26 1998-04-18 김광호 악기선택 가능한 영상노래반주장치
US5930784A (en) * 1997-08-21 1999-07-27 Sandia Corporation Method of locating related items in a geometric space for data mining
US7937725B1 (en) * 2000-07-27 2011-05-03 Koninklijke Philips Electronics N.V. Three-way media recommendation method and system
US7757250B1 (en) * 2001-04-04 2010-07-13 Microsoft Corporation Time-centric training, inference and user interface for personalized media program guides
DE10154656A1 (de) * 2001-05-10 2002-11-21 Ibm System und Verfahren für Empfehlungen von Artikeln
US8468244B2 (en) * 2007-01-05 2013-06-18 Digital Doors, Inc. Digital information infrastructure and method for security designated data and with granular data stores
JP4941161B2 (ja) 2007-08-02 2012-05-30 ブラザー工業株式会社 動作検出装置
EP2202655A1 (en) 2008-12-23 2010-06-30 Axel Springer Digital TV Guide GmbH Biased recommender system
US8160996B2 (en) * 2009-02-02 2012-04-17 The Hong Kong Polytechnic University Sequence online analytical processing system

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5616876A (en) * 1995-04-19 1997-04-01 Microsoft Corporation System and methods for selecting music on the basis of subjective content
US6493702B1 (en) * 1999-05-05 2002-12-10 Xerox Corporation System and method for searching and recommending documents in a collection using share bookmarks
US20100205166A1 (en) * 1999-11-10 2010-08-12 Boulter Jeffrey R Internet radio and broadcast method
US7836057B1 (en) * 2001-09-24 2010-11-16 Auguri Corporation Weighted preference inference system and method
WO2006094097A2 (en) * 2005-02-28 2006-09-08 Wink Technologies, Inc. Methods of and systems for searching by incorporating user-entered information
WO2006110480A1 (en) * 2005-04-07 2006-10-19 Yahoo! Inc. Customizable filters for personalized search
RU2451986C2 (ru) * 2007-10-04 2012-05-27 Ксиам Текнолоджис Лимитед Системы, аппарат и способы создания рекомендаций
US20090164929A1 (en) * 2007-12-20 2009-06-25 Microsoft Corporation Customizing Search Results
US20110145234A1 (en) * 2008-08-26 2011-06-16 Huawei Technologies Co., Ltd. Search method and system

Also Published As

Publication number Publication date
EP2870578A1 (en) 2015-05-13
IN2015DN00832A (ru) 2015-06-12
WO2014006209A1 (en) 2014-01-09
CN104508692B (zh) 2019-10-01
EP2682910A1 (en) 2014-01-08
CN104508692A (zh) 2015-04-08
RU2015103735A (ru) 2016-08-27
US20150169585A1 (en) 2015-06-18
US9959316B2 (en) 2018-05-01

Similar Documents

Publication Publication Date Title
US20240202455A1 (en) Identifying multimedia asset similarity using blended semantic and latent feature analysis
US11669577B2 (en) Systems and methods for organizing and displaying electronic media content
US11636335B2 (en) System and method for content discovery
US8874574B2 (en) Intelligent default weighting process for criteria utilized to score media content items
US9305084B1 (en) Tag selection, clustering, and recommendation for content hosting services
CN104317835B (zh) 视频终端的新用户推荐方法
RU2633096C2 (ru) Устройство и способ для автоматического регулирования фильтра
US11379528B2 (en) Tag-based, user-directed media recommendations
EP2837199A1 (en) Client-side recommendations on one-way broadcast networks
EP2537272A1 (en) Method for providing a recommendation to a user
US20150066897A1 (en) Systems and methods for conveying passive interest classified media content
US9326033B2 (en) Movie discovery system
US11514123B2 (en) Information retrieval system, method and computer program product
KR20170079429A (ko) 사용자 속성을 고려한 클러스터링 기반의 협업 필터링 방법 및 영화 추천 시스템
EP3235260A1 (en) Content recommendation user interface
CN114513687A (zh) 服务器及媒资推荐方法
KR101563625B1 (ko) 온톨로지 기반 메타 데이터 간 연관성을 이용한 영상 콘텐츠 추천 시스템 및 방법
JP6230060B2 (ja) 少なくとも１つのメディアアイテムを選択するための方法及び装置
US20150382063A1 (en) Processing Audio-Video Data to Produce Metadata
Patil et al. A multi-attributed hybrid re-ranking technique for diversified recommendations
Scholz et al. Analyzing category correlations for recommendation system
EP3831086A1 (en) Method and system for the classification and categorization of video pathways in interactive videos
Vogl et al. Media space navigator: efficient access to video content on IPTV portals
Überall A dynamic multi-algorithm collaborative-filtering system

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20200706