TWI390421B - 用於估計一資訊封包的性能之方法與裝置 - Google Patents
用於估計一資訊封包的性能之方法與裝置 Download PDFInfo
- Publication number
- TWI390421B TWI390421B TW097128744A TW97128744A TWI390421B TW I390421 B TWI390421 B TW I390421B TW 097128744 A TW097128744 A TW 097128744A TW 97128744 A TW97128744 A TW 97128744A TW I390421 B TWI390421 B TW I390421B
- Authority
- TW
- Taiwan
- Prior art keywords
- information packet
- information
- features
- performance
- search
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Information Transfer Between Computers (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Description
本發明係與估計可在電腦網路上存取的資訊封包或模組有關的預期流量負載及/或點擊率有關。
連接廣域網路之互動式系統,(例如網際網路)已穩定發展成供社交互動與資訊分佈的活躍媒體。例如位在美國加州Sunnyvale市Yahoo!,Inc公司發行的www.yahoo.com資訊網站時常在所謂首頁上報導或預覽可取得之的內容。例如,為了要行銷Yahoo! Answers服務,Yahoo!在Yahoo! Front Page及Yahoo! Network產品中時常報導來自知名人士或其他著名人士的問題及回答。如第三圖所示,這類資訊封包或模組包括一標題連結,其係連結至額外的內容、取笑複製(tease copy)、一相片或其他影像、附屬連結、及/或簡圖。啟動資訊封包中的一或多個元件,即所謂的「點擊」,將連結至一網頁或其他資源。
隨著許多大量網站,確保適當的計算資源分配給不同網路應用程式時常是重要的,例如財務或運動網站或網站之部分。合併在具有網站特徵或資源特徵的網頁或其他網頁之資訊封包係明顯影響包括特徵項目的網路流量。未能分配足夠資源可能造成服務中斷或降級。
本發明揭示一種針對預測在例如一網頁的一網路可定址資源上提供的資訊封包或模組的性能之方法、裝
置及系統。在一些特定實施中,本發明係依利用統計計量使用者對詞句、概念及其他在一群使用者的線上搜尋活動中所顯示的使用者興趣主題計量之迴歸模型。在一特定實施中,一模型可接受對應至一資訊封包或模組(包括興趣的一或多個統計計量)而輸入的複數個特徵值;及輸出一估計點擊率。
本發明之特定具體實施例係針對預測在例如一網頁的網路可定址資源上提供的一資訊封包或模組性能之方法、裝置及系統。在一些特定實施中,本發明係依利用統計計量使用者對詞句、概念及其他在一群使用者的線上搜尋活動中所顯示的使用者興趣主題之迴歸模型。計量在一特定實施中,本發明提供一模型,其係接受對應至一資訊封包或模組(包括興趣的一或多個統計計量)而輸入的複數個特徵值;及輸出一估計點擊率。
在一特定實施中,本發明係提供一機制,以預測點擊流活動的一或多個特徵,其係與典型地在一首頁或其他資訊頁面上報導的一資訊封包或模組有關。在一些實施中,本發明可預測一與特徵資訊封包或模組有關的預期點擊率或點擊次數。一點擊就是啟動與資訊封包有關的一連結或其他控制;通常,點擊一連結將導致一遠端伺服器傳回一頁面或其他資源,包括更多與在資訊封包中所預覽之主題有關的資訊。
此預測資訊能以許多方式加以使用。例如,預測的
點擊流活動可連同與資訊封包的內容有關的伺服器資源分配決策一起使用,其中內容係直接或間接連結至資訊封包。預期的點擊率可使用以,例如確保已針對藉由使用者點擊資訊封包所建立的預期負載提供足夠的伺服器資源。此外,本發明的具體實施例可用來促進與預期點擊有關的資訊封包或模組的最佳化。例如,本發明可當作一工具使用,以幫助廣告業主配置及最佳化有關資訊、產品或娛樂網站使用的廣告(例如,橫幅廣告、文字廣告、贊助的搜尋廣告等)。本發明亦可作為工具,幫助線上新聞編輯者配置設置一特寫新聞文章的資訊封包。
在下列描述中,提出特定細節以提供對本發明之特定實施的完全瞭解。本發明之其他實施不需要下面提出的一些或特定細節亦可實施。在一些範例中,眾所周知的結構及/或處理並未詳細描述,以祈不致模糊本發明之焦點。
A.1.網路環境示例
本發明的特定實施是在廣域網路環境中操作,例如網際網路,包括多個網路可定址系統。網路雲端60通常代表一或多個互接網路,在其上此處描述的系統及主機可相互溝通。網路雲端60可包括以封包為主之廣域網路(例如網際網路)、私人網路、無線網路、衛星網路、行動電話網路、傳呼網路等。
如第一圖所示,本發明的一特定實施可在一網路環境中操作,其包含網路應用程式寄存網站20與搜尋系統70。雖然第一圖將前面的系統說明為個別系統,但是每
一系統所代表的功能可組合成其他系統。此外,每一描述系統所代表的功能可進一步分離。再者,本發明的實施可在網路環境中操作,此網路環境包括在此揭示的個別系統及網站之一或多個或其組合。此外,其他實施可在此描述的一或多個系統已省略的網路環境中操作。用戶端節點82、84操作上係經由網路服務供應商或任何其他適當方式而連接至網路環境。
A.1.a.網路應用程式寄存網站
網路應用程式寄存網站20為一網路可定址系統,其寄存在一電腦網路上可由一或多位使用者存取的一網路應用程式。網路應用程式可為一資訊網站,其中使用者可在電腦網路上請求及接收已識別的網頁及其他內容。網路應用程式亦可為一線上討論會或布落格應用,其中使用者可提交或另可配置配置顯示給其他使用者的內容。網路應用程式亦可為一社交網路應用程式,以讓使用者配置及維持個人的網頁。網路應用程式亦可為一內容配送應用,例如Yahoo! Music Engine®、Apple® iTunes®、播客伺服器,其可顯示可用的內容、及傳送內容給使用者。
在一實施例中,網路應用程式寄存網站20包含一或多個實體伺服器22和23及內容資料儲存24。一或多個實體伺服器22、23操作上係經由一路由器26以連接至電腦網路60。一或多個實體伺服器22寄存提供一網路應用程式(例如,一新聞內容網站等)給使用者之功能性。在一實施例中,一或多個實體伺服器所寄存之的功能性可包括網路或HTTP伺服器、及其他類似者。實體伺服器23
可寄寄存針對在此描述的網路流量預測機制的功能性。在一些實施中,在實體伺服器23上寄存的預測性能之功能性可由內部使用者存取,或可由外部使用者存取。尚有更進一步者,在此描述的功能性可使用一HTTP介面加以存取,或使用SOAP或其他適當協定提供為網站服務。內容資料儲存24係將內容儲存為數位內容資料物件。在特定實施中,一內容資料物件或內容物件為典型在一資料檔案或記錄中儲存或具體實施的數位資訊之個別項目。內容物件可採用許多形式,包括:文字(例如,ASCII、SGML、HTML)、影像(例如,jpeg、tif、和gif、繪圖(以向量為主或點陣圖)、音頻、視訊(例如,mpeg)或其他多媒體、及其組合。內容物件資料亦可能包括可執行程式碼物件(例如,在一瀏覽器視窗或視框中的可執行遊戲)、播客等。結構上,內容資料儲存24係指一大類型之資料儲存與管理系統。在特定實施中,內容資料儲存24可藉由任何適當實體系統實施之,其組件包括例如資料庫伺服器、大量儲存媒體、媒體程式庫系統等。
在一實施例中,網路應用程式寄存網站20提供網頁,例如首頁,其包括描述網路可定址資源的一或多個特徵之一資訊封包或模組,例如一網頁包含物件或產品描述、一可下載或資料流媒體檔案等。例如,網路應用程式寄存網站20可提供一類似第三圖的描述之網頁100,其進一步顯示在網頁100上所特載之資訊封包102。在一實施例中,網路應用程式寄存網站20係進一步維護一或多個伺服器紀錄28,其可被分析以決定包括一資訊封包或模組之一網頁的閱讀次數、與和資訊封包
或模組有關的點擊次數。在一特定實施中,閱讀次數可定義成對於一給定的網頁或其他網路可定址資源的請求次數,例如HTTP GET請求及其他存取。例如,Yahoo首頁的閱讀次數每日總數為上百萬次。HTTP或網站伺服器可配置成紀錄用戶端請求以追蹤閱讀次數。通常,網頁及其他資源會包括超文件連結或其他控制,讓使用者啟動擷取進一步的網頁或資源。使用者可使用一電腦輸入裝置「點擊」超連結以起始一擷取請求,以擷取與超連結或控制有關的資訊。HTTP或網站伺服器同樣地係紀錄這些可計入為點擊數擷取事件。此資料及有關此資料的資訊封包之特徵可用來建構發展中資訊封包的預期性能(例如點擊率)的預測模型。
A.1.b.搜尋系統
搜尋系統70為一網路可定址資源,其可提供搜尋結果以回應從遠端主機傳送的查詢。在特定實施中,搜尋系統70係在搜尋結果清單中提供內容或其他網路資源的一或多個連結。搜尋系統70可提供搜尋結果,包括通往贊助及/或非贊助資源的連結。在一些實施中,搜尋系統70包括一或多個實體伺服器72、73與資料儲存74、75。在一些實施中,搜尋系統70包括至少兩類型的伺服器,其中兩類型有具HTTP、HTTPS、SSL、FTP、及/或其他功能性,允許在網路的遠端存取。一第一伺服器類型可為一帳戶管理伺服器72。帳戶管理伺服器72係連結帳戶管理資料儲存74來操作。帳戶管理資料儲存74包含廣告業主帳戶資訊。在用戶端節點82上執行的通用瀏覽器或特殊目的用戶端應用程式可用來存取在帳戶管
理資料儲存74中儲存的廣告業主帳戶資訊。透過帳戶管理伺服器72與在帳戶管理資料儲存74上存在的帳戶,一廣告業主可參與廣告業主的公開競標程序。一廣告業主可競標與例如廣告業主網站內容有關的任何數量之搜尋詞句。
一第二伺服器類型可為一搜尋引擎伺服器73。一搜尋引擎伺服器73可執行一或多個搜尋引擎程式,以在使用者導覽該搜尋引擎網站伺服器URL、或在可提交查詢給搜尋引擎伺服器73的其他網站伺服器上的網站時,允許其輸入查詢以搜尋想要的網路資源。在一特定實施中,搜尋引擎伺服器73可產生搜尋結果清單,其至少部分包括連結到帳戶管理伺服器22所進行競標程序的結果所獲得及所格式化的相關項目。搜尋引擎伺服器73可產生至文件或其他資源的超文字連結之一清單,其包含與使用者所輸入搜尋詞句有關的資訊。搜尋引擎伺服器73係以一網頁形式傳送此清單給網路使用者,其中該清單可顯示在用戶端節點82、84上執行的瀏覽器或其他用戶端應用程式。
在特定實施中,搜尋引擎伺服器73係與一包括有可用以回應使用者查詢而產生搜尋結果的搜尋清單記錄的搜尋資料儲存74連結操作查詢。此外,搜尋引擎伺服器73亦連接至帳戶管理伺服器72。在一些實施中,一或多個搜尋清單係對應至一搜尋詞句競標配對,且包含進行線上競標程序的資訊。在一些實施中,每一搜尋清單包含一搜尋詞句、一網站描述、一URL、一競標金額、與一標題。搜尋詞句可包含一或多個關鍵字,其可為英文(或任何其他語言)的通用字詞。每一關鍵字係依序包
含一字元串。搜尋詞句為線上競標程序程序的標的。廣告業主可選擇一搜尋詞句來競標有關廣告業主網站的內容。理想上,廣告業主可選擇一搜尋詞句以標定為最可能被搜尋廣告業主的網站上資訊之搜尋者輸入的詞句,雖然亦可選擇較不常見的搜尋詞句來確保能廣泛地涵蓋競標的相關搜尋詞句。網站描述可為廣告業主網站的短的文本描述,並可在搜尋結果清單中顯示為廣告業主的進入(entry)加以顯示。搜尋清單亦可包含網站的標題,其可顯示為通往搜尋結果清單中廣告業主的進入之超連結標題。URL包含廣告業主網站的統一資源定位器位址。當使用者點擊在廣告業主的搜尋結果清單項目中提供的超連結時,URL係提供給瀏覽器程式。瀏覽器程式依序透過在此討論的重新導向機制以存取廣告業主的網站。URL亦可顯示作為在搜尋結果清單中的廣告業主的部分項目。
一競標金額可為廣告業主為被列入清單所投標的金額。此金額係從廣告業主的預付金額扣除,或為廣告業主帳戶的記錄,這些廣告業主帳戶係作為使用者每次執行對應搜尋詞句之搜尋的請款對象,且搜尋結果清單超連結係作為將搜尋者轉介給廣告業主的網站之用。
當執行使用廣告業主所競標的搜尋詞句之搜尋時,投標價額較高者通常能在搜尋引擎伺服器73產生的搜尋結果清單頁面上取得有更有利的放置位置。在一特定實施中,一廣告業主的競標金額包含每次經由搜尋結果清單頁面上的超連存取廣告業主的網站時,從廣告業主的帳戶扣除的金額。使用者使用一電腦輸入裝置「點擊」超連結以啟動一擷取請求以擷取有關廣告業主超連
結的資訊。在一些實施中,每一存取或「點擊」一搜尋結果清單超連結會重新導向至搜尋引擎網站伺服器73,以建立「點擊」與廣告業主的帳戶識別器的關聯。在一實施例中,在存取廣告業主的URL之前,此重新導向動作係存取編碼入搜尋結果連結的帳戶識別器資訊。帳戶識別資訊係連同來自作為擷取請求事件的擷取請求之資訊一起記錄在廣告業主的帳戶。透過此機制獲得的資訊係將一帳戶識別符與一URL相比對,及維護帳戶扣款記錄。除了每次點選費用(Pay-Per-Click)方案之外,其他金錢處理方案是可能的,例如每顯示費用(Pay-Per-Impression)。
在特定實施中,搜尋結果清單亦包括不會放置在廣告業主競標結果的非非付費或非贊助清單,且其係由演算法搜尋引擎產生。在一實施例中,非付費搜尋結果清單在搜尋結果頁面上係接續或相鄰付費或贊助廣告業主清單而加以提供。
在一實施例中,當一使用者存取由搜尋引擎伺服器73提供的一搜尋查詢頁面,及執行一搜尋請求時,一實施例搜尋引擎伺服器73係產生及顯示一搜尋結果清單,其中在每一搜尋清單上每個搜尋清單之搜尋詞句欄位之標準化進入係符合由遠端搜尋者所輸入的標準化搜尋詞句查詢查詢。標準化查詢與搜尋清單中所使用的搜尋詞句化係移除搜尋與網站贊助者所輸入搜尋詞句的一般性不規則性,例如大寫字母與複數化,以產生相關的結果。然而,用於決定搜尋清單的搜尋詞句欄位與由遠端搜尋者所輸入的搜尋詞句查詢是否相符替代性方案仍屬於本發明範圍。例如,習知之字串比對演算法
可用來產生配對,其中搜尋清單搜尋詞句之關鍵字及搜尋詞句查詢可具有相同的字根但並非完全相同,例如computing及computer。或者,搜尋引擎伺服器73可使用同義字典資料庫,以為具有同義字的一搜尋詞句產生配對。
搜尋結果清單項目亦可顯示廣告業主的搜尋清單的排序值。排序值是一序數值,其較佳係為搜尋引擎伺服器73產生及指定給搜尋清單的一數值。在一些實施中,排序值係透過在競標金額、等級與搜尋清單的搜尋詞句之間建立一關聯的程序加以指定。該程序係收集符合一特定搜尋詞句的搜尋清單、從最高至對低競標金額的順序予以分類清單,並依序指定一排序值給每一搜尋清單。最高競標金額係接受最高的排序值,下一最高競標金額接受其次高排序值,程序進行到最低競標金額,其係接受最低的排序值。在一些實施中,只有最前面N個排列搜尋清單是在搜尋結果的第一頁中提供傳回給使用者。
搜尋系統70亦維持使用者活動的一或多個紀錄。搜尋系統70係例如維持查詢紀錄與頁面點擊次數紀錄。如特定資料收集操作範例所示,假設數以千位使用者連接至一搜尋伺服器,並使用片語「當地氣候」來搜尋。搜尋伺服器72可藉由提供使用者包括相關氣候與當地氣候有關頁面連結的結果頁面以回應此一片語(其中地點可從使用者偏好或其他方法推論出)。搜尋伺服器係紀錄搜尋查詢本身,且可能在查詢紀錄中的查詢時間、與來自在頁面點擊次數紀錄中結果頁面的點擊頁面。為當使用者注意在結果頁面上的對某頁面的轉介參考,並從結
果頁面選擇該轉介參考時,一頁面為一「點擊」頁面。在許多HTTP系統中,這些動作的效果為使用者的瀏覽器(或其他HTTP用戶端)從在參考中所示的伺服器請求參考的頁面,且該參考的伺服器係以參考的頁面來回應請求。如下所述,以時間基礎來維持這些統計允許搜尋紀錄資料以時間窗框及/或趨勢來分析。
在一實施例中,為了要允許搜尋系統70追蹤使用者點擊,一實施例結果頁面的搜尋連結包括對應至搜尋系統70的URL,但是亦包括編碼的資訊,其係映射至基本網路資源的URL,例如一廣告業主網站、一文件資料儲存等。因此,在一實施例中,搜尋系統70可在對於搜尋結果的頁面中的一或多個URL的編碼產生URL識別符,並將這些編碼URL識別符作為參數加入可識別搜尋系統70的一重新導向網址URL。例如,編碼的URL識別符可為一或多個字串,且包括在下列範例中:http://search.yahoo.com/_rdrct=UJASf4&SIG=11aygd。在一實施例中,搜尋系統70係儲存與稍後使用的對應連結有有關的編碼URL識別符。在產生包括在搜尋結果中的一或多個編碼URL之後,搜尋系統70可傳送結果給一請求的用戶端節點。
在特定實施中,重新導向通常指將訊息從一伺服器傳送至一用戶端應用程式,例如無需終端使用者的介入或動作即可致用戶端應用程式存取另一伺服器或資源。重新導向能以許多不同方式完成。例如,關於HTTP,重新導向訊息可使用重新更換後設標籤(meta tag)重新更換予以實施,例如:
<html><head> <meta http-equiv="refresh" content="0;url=http://www.yahoo.com/">.
此外,重新導向訊息可使用HTTP重新更換標題予以實施。
HTTP/1.1 200 ok Refresh:0;url=http://www.yahoo.com/ Content-type:text/html Content-length:78
遵循<a href="http://www.yahoo.com/">link</a>.
重新導向可藉由傳送一HTML頁面完成,其包括可操作完成重新導向的JavaScript碼。其他適當重新導向方法可用於其他協定環境。
如下面詳細討論,搜尋系統70可操作以分析其查詢及/或頁面點擊次數紀錄,以計算在一或多個關鍵字、主題及/或類目之興趣計量。如下面更詳細描述的流量預測伺服器23可將資訊封包的一或多個特徵映射至此關鍵字、主題及/或類目,決定關於資訊封包的預期性能之預測模型使用的於一或多個特徵之興趣計量。
A.1.c.用戶端節點
用戶端節點為一電腦或計算裝置,其包括用以在一電腦網路上通信的功能性。一用戶端節點可為一桌上型
電腦82、筆記型電腦、以及行動裝置84,例如行動電話與個人數位助理。一用戶端節點可執行一或多個用戶端應用程式,例如一網頁瀏覽器,以存取及檢視在一電腦網路上的內容。在特定實施中,用戶端應用程式允許使用者輸入擷取特定網路資源的位址。這些位址可為統一資源定位器(URL,“Uniform Resource Locator”)。此外,一旦擷取一頁面或其他資源,當使用者「點擊」其他資源的超連結時,用戶端應用程式可提供對其他頁或記錄的存取。在一些實施中,這類超連結是位在網頁中,並能以自動方法提供給使用者,以輸入另一頁面的URL,及擷取該頁面。頁面或資源可為資料記錄,包括純文字資訊的內容、或更複雜的數位編碼多媒體內容,例如軟體程式或其他程式碼物件、繪圖、影像、音頻訊號、視訊等。
A.2.協定環境示例
在此描述的網路系統可在使用任何適當通信協定的網路60上通信。例如,用戶端節點82以及在此描述系統的不同伺服器可包括傳輸控制協定/網際網路協定(TCP/IP,“Transport Control Protocol/Internet Protocol”)網路堆疊,以提供資料傳送運輸功能。當然,可利用任何其他適當網路與傳輸層協定。
此外,在此描述的主機或終端系統可使用多種較高層的通信協定,包括主從式(或請求-回應)協定(例如超文字傳輸協定(HTTP,“HyperText Transfer Protocol”))、與其他通信協定(例如HTTP-S、FTP、SNMP、TELNET、與一些其他協定)。此外,在一互動內文中的一伺服器可
為在另一互動內文中的用戶端。再者,在特定實施中,在主機之間傳送的資訊可為超文字標誌語言(HTML,“HyperText Markup Language”)文件格式。其他結構化文件語言或格式可使用,例如XML等。
在一些主從式協定(例如在HTTP的HTML使用)中,一伺服器通常傳送對用戶端之請求之一回應。該回應可包括一或多個資料物件。例如,該回應可包含一第一資料物件,接著為隨後傳送的資料物件。在一實施例中,例如,一用戶端請求可導致一伺服器以一第一資料物件來回應,例如HTML頁面,其本身係參照到其他資料物件。當一用戶端應用程式(例如一瀏覽器)分析或處理第一資料物件時,其將會請求這些額外資料物件。
行動用戶端節點84可使用其他通信協定與資料格式。例如,在一些實施例中,行動用戶端節點84可包括無線傳輸通訊協定(WAP,“Wireless Application Protocol”)功能性與一WAP瀏覽器。使用其他無線或行動裝置協定組合亦可能,例如NTT DoCoMo的i-mode無線網路服務協定組合。此外,網路環境亦可包括協定轉換閘道器、代理或其他系統,以使行動用戶端節點84能夠例如存取其他網路協定環境。例如,一使用者可能使用一行動用戶端節點84取得一影像,並在電信網路上將影像上傳給連接至網際網路的內容網站。
A.2.計算系統結構示例
在此描述的用戶端與伺服器主機系統可在廣泛系列計算系統與結構中實施。下面只是說明而非限制示例性計算結構。
第四圖說明一示例性計算系統結構,其可用來實施一實際的伺服器。在一具體實施例中,硬體系統200包含針對在此描述功能的一處理器202、一快取記憶體204及一或多個軟體應用程式與驅動程式。此外,硬體系統200包括一高性能輸入/輸出(I/O)匯流排206與一標準I/O匯流排208。一主機橋接器210係耦合處理器202至高性能I/O匯流排206;然而,I/O匯流排橋接器212係耦合兩匯流排206和208至彼此。一系統記憶體214與一網路/通信介面216係耦合至匯流排206。硬體系統200可進一步包括視訊記憶體(其未在圖顯示);與一顯示裝置,其係耦合至視訊記憶體。大量儲存器218、與I/O連接埠220係耦合至匯流排208。硬體系統200可選擇性包括一鍵盤與一指向裝置、與一顯示裝置(其未在圖顯示),其係耦合至匯流排208。整體上,這些元件係代表廣泛類型的電腦硬體系統,包括(但未限於)由位於美國加州Santa Clara市Intel Corporation公司所製造的x86相容處理器、與位在加州Sunnyvale市Advanced Micro Devices(AMD),Inc.公司所製造的x86相容處理器、以及任何其他適當處理器的通用電腦系統。
硬體系統200的元件是在以下更為詳細描述。特別地係,網路介面216提供在硬體系統200和廣域網路之任一者之間的通信,例如乙太網路(例如,IEEE 802.3)網路等。大量儲存器218提供資料與程式指令的永久儲存,以執行在位置伺服器22中實施的上述功能;而當被處理器202執行時,系統記憶體214(例如,DRAM)可提供資料與程式指令的暫時儲存。I/O連接埠220為
一或多個串列及/或並列通信埠,其係提供在額外周圍裝置之間的通信,且該等周圍裝置係耦合至硬體系統200。
硬體系統200可包括多種系統結構;且可以重新配置硬體系統200的不同元件。例如,快取記憶體204可為晶片處理器202。或者,快取記憶體204與處理器202可包裝成為一「處理器模組」,且處理器202稱為「處理器核心」。此外,本發明的特定具體實施例可不需要包括所有上述組件。例如,顯示耦合至標準I/O匯流排208的周圍裝置可耦合至高性能I/O匯流排206。此外,在一些具體實施例中,只存在一單匯流排,且硬體系統200的組件係耦合至單一匯流排。此外,硬體系統200可包括額外的組件,例如額外的處理器、儲存裝置或記憶體。
如下面討論,在一實施例中,在此描述的一或多個實體伺服器的操作係以由硬體系統200執行的一連串軟體常式加以實施。這些軟體常式包含由硬體系統中的一處理器執行的複數個或連續指令,例如處理器202。最初,一連串指令可儲存在一儲存裝置,例如大量儲存器218。然而,一連串指令可儲存在任何適當的儲存媒體,例如一磁片、CD-ROM、ROM、EEPROM等。此外,一連串指令可不需要在本地儲存,並可經由網路/通信介面216而從一遠端儲存裝置接收,例如在網路上的一伺服器。指令可從例如大量儲存器218的儲存裝置複製到記憶體214,且然後由處理器202存取及執行。
一作業系統係管理及控制硬體系統200的操作,包括對於於軟體應用程式(其未在圖顯示)的資料之輸入與輸出。作業系統係提供在系統上執行的軟體應用程式與
系統的硬體組件之間的一介面。根據本發明之一具體實施例,作業系統可為Windows® 95/98/NT/XP作業系統,其是由位於美國華盛頓州Redmond市Microsoft Corporation公司提供。然而,本發明可與其他適當作業系統一起使用,例如Apple Macintosh程序系(其是由位於美國加州Cupertino市Apple Computer Inc.公司提供)、UNIX作業系統、Linux作業系統等。當然,其他實施是可能的。例如,在此描述的伺服器功能可藉由在基板上通信的複數個刀鋒型伺服器實施。
在此揭示的動態計價模型操作上係與取得目前集合資訊的一或多個資訊源有關,集合的資訊係關於從線上搜尋活動的記錄及分析所顯示的網際網路使用者偏好及行為之興趣。例如Yahoo! Inc.(search.yahoo.com)公司提供的演算法搜尋引擎係每天註冊百萬關鍵字搜尋查詢。大多數網際網路使用者通常有賴搜尋引擎找到想要的Web網站、資訊與商業項目。因此,由於搜尋引擎操作者取得數百萬個使用者查詢,所以可取得關於在特定時間點上關於何種主題將產生較多或較少興趣的豐富資料儲存。例如,搜尋引擎維護的查詢紀錄可包括一或多個項目,其包括一查詢字串與一時間記錄。查詢紀錄項目亦可包含額外特徵,例如使用者特定的搜尋片段(例如,影像、地方消息、購物等)。這類查詢紀錄可集合成產生關於多種資訊的統計,包括查詢字串的頻率、查詢字串中的一或多個關鍵字、查詢的概念或類目等。此外,一旦回應給定查詢(使用者行為)而傳回相關搜尋
結果之清單,搜尋引擎操作者可取得關於使用者導覽這類Web網站的即時資訊。因此,搜尋引擎所產生的關於使用者查詢與導覽模式的資料可提供非常具有證據力的關於大量上網使用者人口的集合需求與偏好的有用資訊需求,以獲得或存取包括繪圖或其他豐富數位內容的特定類型資訊。此等集合的資訊對於瞭解使用者對於不同產品、服務及項目及包括數位內容的娛樂之潛在興趣之程度提供絕佳的方法。需求。此等能反映不斷變化的使用者偏好之集合資訊可有利地用來預測在一網頁上提供的資訊封包之性能。
在一特定具體實施例中,在此揭示的預測模型對於查詢及演算法及/或贊助搜尋引擎的其他紀錄提供資源,作為反映使用者偏好及興趣之集合資訊的來源。在其他實施中,在此揭露的預測模型係存取從演算法及/或付費搜尋引擎的查詢及/或頁面點擊次數記錄的分析所取得的後處理資訊。然而應該瞭解的是,可使用任何反映使用者偏好的相對目前資訊之儲存庫。
在一實施例中,該等網際網路使用者行為資訊的資料儲存之一者為一搜尋引擎的查詢紀錄,例如搜尋系統70。在一特定實施例中,可分析查詢與頁面點擊次數紀錄以決定在一給定項目、主題及/或類目之興趣統計計量。例如,搜尋系統70可實施以引用方式併入本文參考的美國專利第7,146,416號中所揭示之動態監督及興趣評分功能。搜尋系統70可使用此技術來計算及維持項目、主題、及/或類目之統計計量或分數。此外,搜尋系統70亦可追蹤在變動指標值中的變化或趨勢。例如,一「指標」值可代表一對一物件的興趣程度,例如一電
影、一個人、產品、場所或事件、文化現象等,且指標值的變化可為趨勢的指示。在一特定實施中,指標值能夠以特別數量的使用者搜尋在入口網站或一組入口網站上任何地方之主題、或檢視有關在入口網站或一組入口網站上任何地方的主題之內容頁加以計算。一指標值亦可計算,而與計數的每一事件是否為由一特別使用者所發起無關。
指標值可用來識別文化趨勢,追蹤興趣特定品牌,衡量市場活動的效力等。對於購買事件的指標事件而言,槽(bin)的增加量計數可能為購買量的函數,所以大量購買比小量購買在產品的指標上有較大的效果。在一特定實施中,有關一特定期間或類目之指標值係使用此項目搜尋、或檢視關於此項目的頁面之使用者數量除以搜尋的使用者總數,其中該總數可為在類目中的全部子類目上搜尋的使用者之總數、或在網站上的任何地方搜尋的所有使用者之總數。後者之正常化可用於析出因數在傳輸流量上的時間基數,例如週日-週末模式、季模式等。一正常化因數可施加於待比較的所有條件,以便可容易地代表指標值。例如,若在一目錄中有四個項目,總數百萬特別使用者中有100位特別使用者點擊這四個項目(分別是25、30、40和5),100,000的正常化因數可應用,所以指標值為2.5、3、4和0.5,而不是0.000025、0.00003、0.00004和0.000005。當決定與在一特定市場區隔或產品類目中的其他公司或產品的指標相比較的一公司或產品之指標值時,亦可使用正常化。
在一些實施中,趨勢值亦可計算。例如,一趨勢值可基於從一天至次日的一給定項目、主題或類目的指標
值之間的變化加以計算。基於較長或較短時段的其他趨勢值亦可計算。在一些情況中,一主題的指標值可為與主題有關的電子商務交易之表率表率指示符。例如,可提升項目「裝飾物」的指標值,且是在伴隨著裝飾物線上購買之增加。此資訊在此描述的預測模型中是很有用。
在一實施例中,流量預測伺服器23可將資訊封包的一或多個特徵分別映射至一項目、主題及/或類目,其具有興趣的統計計量,並使用在一迴歸模型中的映射值來預測與點擊率或總點擊數有關的資訊封包的性能。例如,在一實施例中,在資訊封包中特徵的名人之識別可映射至一主題。主題的指標值、及/或主題的指標值之趨勢可用來預測資訊封包的點擊率。
在一特定實施中,預測模型係一以迴歸為主之預報模型,其係使用關於先前資訊封包的過去性能之歷史性行為數據、與流量圖案數據,包括閱讀與點擊資料。通常,迴歸分析涉及將一資訊封包細分解成一或多個特徵,而且(或者)選擇從資訊封包的直接特徵取得的一或多個特徵。例如,資訊封包的一直接特徵可包括在資訊封包所特定的發言人,而一取得的特徵可為發言人最普遍有關的主題。(即使它沒有與資訊封包的標的有關聯)。隨後可以決定一或多個特徵值的指標值(數值,其特徵為如線上搜尋活動所顯示的項目、主題、人或概念的興趣程度)。特徵、指標值與時間參數係為資訊封包的性能的預測模型的輸入。其他特徵可包括在一贊助搜尋
系統上對於映射至資訊封包的不同特徵一或多個項目的目前競標價。
迴歸分析係檢查一依變數或回應變數與一或多個自變數(解釋變數)的關係。一迴歸方程式包含一或多個未知迴歸參數或係數的估計,其係量化地連結依變數與自變數。參數係從依變數與自變數之給定實現加以估計。在一實施例中,迴歸之依變數(回應)係點擊率。一工具可藉由將點擊率乘以預期的閱讀次數而可取得預期點擊次數。亦可計算其他例如每分鐘點擊次數的計量。再者,一資訊封包或模組的性能特徵計量包括頁面檢視次數、點擊、時間、使用者、使用者轉換數、購買交易等。
迴歸模型可為一般模型,或可特定地調適成一或多個資訊封包類型,例如Yahoo! Answers、橫幅廣告等。例如,在廣告上下文中,迴歸模型可包括一般產品類目、以及產品的更詳細特徵的一般興趣程度的一指標值。迴歸模型亦可包括提案人或發言人的指標值、以及該份廣告或吸引人產品的特徵。迴歸模型可基於與包括時間特徵的一或多個選擇特徵有關的歷史性數據、與作為點擊率的預測程式之指標索引值而構成。
迴歸分析可產生特徵值的係數、以及模型如何配合歷史性數據(例如,R平方與p值)的統計計量。迴歸模型的特徵或輸入可固定或基於執行一樣本組數據的手動啟發式處理而決定,以決定有統計意義之點擊率預測的這類特徵。在一實施例中,在識別一組有統計意義的特徵、與模型的R平方值處於或超過一臨限值之前,迴歸模型可藉由從一組候選的特徵開始,及在重複過程中除
去最不具統計意義的特徵而構成。在一實施例中,一工具可配置成從資訊封包的一群候選的特徵動態選擇統計上有意義的特徵。
迴歸的自(解釋性)變數可改變,此係高度取決於資訊封包的類型。對於特徵為Yahoo! Answers區段的資訊封包而言,自變數可基於在資訊封包、開始時間、結束時間、禮拜幾、Buzz值、與類似「Is the celebrity’s question aligned with the source of his/her notoriety(yes/no)?」與「Does the question inspire practical/applicable knowledge or aspirational/theoretical knowledge?」的主觀評量中所識別的一或多個人的性別。在一特定實施中,為Yahoo! Answers而配置的迴歸模型包括下列輸入:
.Start Time
:When will the information package start on the Front Page?
.End Time
:When will package move or end rotation?
.Day of Week
:What day of the week will the package run?
.Gender
:Is the notable person featured in the package male or female?
.Type
:Is the notable an entertainer(i.e. in front of camera ergo“Entertainer”)or not?
.Asking or Answering
:Is the notable asking or answering a question?
.Celebrity Buzz
:What is the buzz value for the notable?(e.g.“William Shatner”)
.TV/Media Buzz
:What is the buzz value for notable’s show?(例如“Show Me the Money)
.Affinity Buzz
:What is the buzz value for which he/she is best known?(例如“Star Trek”)
.Topic Buzz
:What isthe buzz value for the notable’s topic?(例如“game shows”)
為了迴歸分析的目的,對應至性別、禮拜幾與布林值的特徵值可映射至數值。例如,「男性」可映射至數值1,而「女性」可映射至數值2。同樣地,「真」或「是」可映射至1,而「假」或「否」可映射至2。再者,禮拜幾亦可映射至對應的數值。
資訊封包的時間特徵(包括一天的時間、開始時間、與結束時間)可當作迴歸模型的輸入使用,並可用來決定預期的閱讀次數。例如,可看出一星期中不同日可能具有不同的總流量負載。此外,開始時間與結束時間可決定資訊封包可呈現的時間長度,其亦與資訊封包所會接受的閱讀次數有關。在一實施例中,預測工具可基於這些時間參數與歷史性流量資料時間表來估計閱讀次數,此歷史性流量資料時間係維持資訊封包將顯示的一給定頁(例如首頁)的最後M(例如,6個星期)的每小時間隔上觀察到的閱讀次數。可集合在資料封包執行的整個時間上的星期之每天的結果以傳回估計的閱讀次數。對於不落在每小時交界的開始與結束時間而言,為了分析目的,可假設小時間隔上的閱讀均勻分佈。
如上述,為了要獲得一或多個項目的指標值,工具可存取搜尋系統70。在一實施例中,可平均最後N(例如,7)天的指標值。此外,部分的比對可用來傳回搜尋
詞句或查詢組。使用者然後可選擇任一項目及使用對應的指標值。額外細節係遵循有關決定Celebrity Buzz
、TV/Media Buzz
、Affinity Buzz
、和Topic Buzz
變數的指標值。例如,為了要獲得一名人指標值,使用者可輸入名人或著名人士的全名(例如,「Oprah Winfrey」)。若使用部分比對,搜尋系統70可傳回下列假設結果:Oprah=49.16;Oprah Winfrey=12.67;及Oprah Winfrey Show=2.85。在一實施例中,最高值可選擇及使用在預測模型。對於TV/Media Buzz
而言,使用者可輸入電視秀或目前電影(例如「Oprah Winfrey Show顯示」)的結果,若存在,否則使用者可對TV/Media Buzz標輸入0。對於Affinity Buzz
而言,使用者可輸入著名人士眾所周知的一或多個主題或題目;(即是無須輔助即有的認識);選取的主題然後映射至指標值。例如,若William Shatner為在資訊封包中特徵值得注意的人,公眾可將他結合「Star Trek」或「Captain Kirk」。在一實施例中,可選擇最常見的類似概念的指標值。主題指標係取得資訊封包的一般主題或題目。對於Yahoo! Answers而言,其為著名人士說明他/她的問題或回答的一般主題。
第二圖係說明根據本發明之一可能實施之處理流程,其係針對預測一資訊封包的點擊率與點擊總次數。在一實施例中,流量預測伺服器23係接收一給定資訊封包(150)的輸入參數,並存取上述的時間表資訊,決定預期的閱讀(152)次數。流量預測伺服器23然後基於過去資訊封包(154)的一組樣本歷史性數據以動態計算或擷取輸入參數的係數。例如,預測模型讓使用者選擇可用來構成迴歸模型的一組樣本過去資訊封包與相關的資
料。預期的點擊率(CTR)可藉由將每一輸入參數(MVi)的值乘以對應的迴歸係數(Ci)及加總所有(N個)輸入參數(156)的結果值而加以計算。總點擊次數可藉由CTR乘以預測的閱讀(158)次數加以計算。藉由考慮閱讀資料的時間表亦可計算其他計量,例如每分鐘點擊次數、高峰值點擊率等。
在此描述的預測模型能以不同方式使用。例如,使用者可使用工具來比較類似資訊封包的特徵,以評估編輯與廣告複本與影像的創造力,及分析過去資訊封包的性能,以更瞭解如何及為什麼一資訊封包可如其之表現。此外,一使用者可使用預測的預報工具來先看到項目、概念等的指標值,其具有高的指標值,並使用此資訊來協助構成資訊封包(例如尋找內容或建立有關選擇項目、概念等的內容)。
本發明的特定實施係提供許多內在及外在的新優點以供選擇、程式化、及改良編輯內容、以及銷售創造力。如前所示,在Yahoo!的Front Page上的編輯封包是由一大標題連結、一相片、引人廣告本與子連結所組成。每一個編輯者所達成有關如何撰寫該廣告本或選擇一相片的決策會影響資訊封包的CTR。在此描述的預測性預報工具之使用可揭露此微妙的事件。預測工具可在資訊封包中用來幫助編輯者選擇大標題或其他廣告本的語言、以及在傳達概念的相片與關於封包的其他資訊之間的選擇。如一範例所示,為說明目的假設Yahoo! Answers從Queen Rania of Jordan接收了問題。該資訊封包的大標題已使用任何許多方式撰寫。大標題可讀取「Her Royal Highness asks...」,而不是說「Jordan’s
Queen Rania ask...」。當開發此封包的預測時,編輯者可能注意到項目「queen」具有7.09的指標分數,而項目「royal」"只有0.90的指標分數,且「royalty」只有0.26的指標分數。此洞察幫助選擇以明顯的方式使用字詞「queen」。類似方法可由編輯者用來使關於戲弄複本、相片與子連結的其他選擇予以最佳化,其均可塑造資訊封包的風尚或方針。
再者,新聞或其他資訊網站的編輯者時常具有除了投擲自其他團體的一些想法之外還有的跨新聞線上之大批故事。在這些故事之間的選擇時常為一主觀上本能之事。在此情況中,透過預測工具執行資訊封包或考慮的封包有助於編輯者選擇要編程的故事。例如,假設Yahoo! Answers有機會選擇兩資訊封包,一者係來自唐納德.霍爾(新的美國桂冠詩人)、另一者係來自備受稱讚的作者瓊.蒂蒂安。指標值的分析顯示了雖然瓊.蒂蒂安具有比唐納德.霍爾更佳的名字知名度,但是詩(作為主題)具有甚至更大的感染力。上述的方法及原理亦可用來最佳化線上搜尋廣告的顯示。例如,Yahoo! TV最近已改變其廣告策略,以使其顯示廣告內文能貼近讀者興趣。如此,而不是顯示使用者廣告,說是:「從Yahoo! TV查看新的清單特徵,並排定您的TiVo」,一廣告可能說:「查看美國偶像的清單,然後從Yahoo! TV排程您新的TiVo」。再者,預測工具可用來分析不同人口統計的點擊流資料,以讓內容可為不同的人口統計群組或其他使用者個人資料群組而加以自訂。
本發明已經解釋關於特性具體實施例。例如,雖然本發明之具體實施例已描述有關HTML和HTTP的操
作,但是本發明能可使用在任何適當協定環境中。對於熟諳此項技術人士,其他具體實施例是可以明瞭的。是以本發明除如文後申請專利範圍所示之外並不受到限制。
20‧‧‧網路應用程式寄存網站
22‧‧‧伺服器
23‧‧‧流量預測伺服器
24‧‧‧內容資料儲存
26‧‧‧路由器
28‧‧‧伺服器紀錄
60‧‧‧網路雲端
70‧‧‧搜尋系統
72‧‧‧伺服器
73‧‧‧伺服器
74‧‧‧資料儲存
75‧‧‧資料儲存
82‧‧‧用戶端節點
84‧‧‧行動用戶端節點
100‧‧‧網頁
102‧‧‧資訊封包
202‧‧‧處理器
204‧‧‧快取記憶體
206‧‧‧I/O匯流排
208‧‧‧I/O匯流排
210‧‧‧主機橋接器
212‧‧‧I/O匯流排橋接器
214‧‧‧系統記憶體
216‧‧‧網路/通信介面
218‧‧‧大量儲存器
220‧‧‧I/O連接埠
第一圖為說明可操作本發明之特定實施的一網路環境之示意圖。
第二圖係顯示針對預測一資訊封包或模組性能的示範性方法之流程圖。
第三圖係說明一示範性網頁與資訊封包或模組。
第四圖係說明可用來實施一或多個實體伺服器的一計算系統結構之示意圖。
202‧‧‧處理器
204‧‧‧快取記憶體
206‧‧‧高性能輸入/輸出
(I/O)匯流排
208‧‧‧標準I/O匯流排
210‧‧‧主機橋接器
212‧‧‧I/O匯流排橋接器
214‧‧‧系統記憶體
216‧‧‧網路/通信介面
218‧‧‧大量儲存器
220‧‧‧I/O連接埠
Claims (21)
- 一種用於估計一資訊封包的性能之方法,其包含:利用一或多個計算裝置,接收一資訊封包的個別特徵的一或多個值;利用該一或多個計算裝置,對於一或多個特徵之至少一者而言,獲得一指標值,其係描述基於線上使用者搜尋活動分析的特徵之興趣程度之特徵;及利用該一或多個計算裝置,提供一或多個特徵及一或多個指標值,作為一迴歸模型的輸入參數,以產生一數值,其係描述該資訊封包的估計性能特徵,其中該迴歸模型係基於與一或多個特徵有關的一組先前資訊封包的歷史性能,並提供該等輸入參數的係數給該資訊封包的估計性能。
- 如申請專利範圍第1項之方法,其中該估計的性能包含該資訊封包的點擊率。
- 如申請專利範圍第2項之方法,其更包含基於該估計點擊率與一估計閱讀次數,以決定一預期的點擊次數。
- 如申請專利範圍第3項之方法,其中該等一或多個特徵包含時間資訊,其係描述將據以呈現該資訊封包之時間參數特徵;而且其中該方法更包含存取頁面閱讀資訊的資料儲存,以估計該資訊封包的閱讀次數。
- 如申請專利範圍第1項之方法,其中該等一或多個特徵包含時間資訊,其係描述將據以呈現該資訊封包之時間參數特徵;而且其中該方法更包含存取該頁面閱讀資訊的資料儲存,以估計該資訊封包的閱讀次數。
- 如申請專利範圍第1項之方法,其更包含該等一或多 個特徵的每一值乘以由該迴歸模型所提供的對應係數,以產生一調整值,並加總每一特徵的調整值,以產生該資訊封包的預期性能。
- 如申請專利範圍第1項之方法,其更包含基於評估哪些特徵為資訊封包性能具統計意義之預測者,以建構該迴歸模型,及選擇一或多個特徵供分析。
- 如申請專利範圍第1項之方法,其中該資訊封包為一網路可存取資訊封包。
- 如申請專利範圍第1項之方法,其更包含基於該估計的性能以最佳化該資訊封包的一或多個特徵。
- 如申請專利範圍第1項之方法,其中該獲得步驟包含:存取一搜尋系統,該搜尋系統對於複數個項目、主題或類目維持興趣統計計量;映射該資訊封包的一或多個特徵至個別的項目、主題或類目;及獲得該等一或多個映射特徵之興趣統計計量。
- 一種用於估計一資訊封包的性能之裝置,其包含:一記憶體;一或多個處理器;及一性能預測程式模組,其包含實體儲存在該記憶體的電腦可讀指令,其可操作以造成該一或多個處理器執行下列:接收一資訊封包的個別特徵之一或多個值;對於該等一或多個特徵之至少一者而言,獲得一指標值,其係描述基於線上使用者搜尋活動分析的特徵之興趣程度之特徵; 藉由應用一或多個特徵與指標值至一迴歸模型,以計算該資訊封包的估計性能,其中該迴歸模型係基於與該等一或多個特徵有關的一組先前資訊封包的歷史性能。
- 如申請專利範圍第11項之裝置,其中該估計的性能包含該資訊封包之點擊率。
- 如申請專利範圍第12項之裝置,其中該性能預測程式模組係更包含指令,其基於該估計的點擊率與估計的閱讀次數可操作以使一或多個處理器決定預期的點擊次數。
- 如申請專利範圍第13項之裝置,其中該等一或多個特徵包含時間資訊,其係描述將據以呈現該資訊封包之時間參數特徵;而且其中該性能預測程式模組係更包含指令,其可操作使該等一或多個處理器存取頁面閱讀資訊的資料儲存,以估計該資訊封包的閱讀次數。
- 如申請專利範圍第11項之裝置,其中該等一或多個特徵包含時間資訊,其係描述將據以呈現該資訊封包之時間參數特徵;而且其中該性能預測程式模組係更包含指令,其可操作使該等一或多個處理器存取頁面閱讀資訊的資料儲存,以估計該資訊封包的閱讀次數。
- 如申請專利範圍第11項之裝置,其中該性能預測程式模組係更包含指令,其可操作使該等一或多個處理器執行下列:將該等一或多個特徵的每一值乘以由該迴歸模型提供的對應係數,以產生一調整值;及 加總每一特徵的該等調整值,以產生該資訊封包的預期性能。
- 如申請專利範圍第11項之裝置,其中該性能預測程式模組係更包含指令,其可基於評估哪些特徵為資訊封包性能具統計意義之預測者,操作以使該等一或多個處理器建構該迴歸模型,及選擇該等一或多個特徵供分析。
- 如申請專利範圍第11項之裝置,其中該資訊封包為一網路可存取的資訊封包。
- 如申請專利範圍第11項之裝置,其中該性能預測程式模組係更包含指令,其可操作使該等一或多個處理器基於該估計的性能,以最佳化該資訊封包的一或多個特徵。
- 如申請專利範圍第11項之裝置,其中該性能預測程式模組係更包含指令,其可操作使該等一或多個處理器執行下列:存取一搜尋系統,該搜尋系統針對複數個項目、主題或類目維持興趣統計計量;將該資訊封包的一或多個特徵映射至個別的項目、主題或類目;及獲得該等一或多個映射特徵之興趣統計計量。
- 一種用於估計並最佳化一資訊封包的性能之方法,其包含:利用一或多個計算裝置,定義一資訊封包的個別特徵之一或多個值;利用該一或多個計算裝置,對於該等一或多個特徵之至少一者而言,獲得一指標值,其係描述基於線 上使用者搜尋活動分析的特徵之興趣程度之特徵;提供一或多個特徵及一或多個指標值,當作一迴歸模型的輸入參數,以產生該資訊封包的一估計點擊率,其中該迴歸模型係基於與該等一或多個特徵有關的一組先前資訊封包的歷史點擊率性能;及提供該等輸入參數的係數給該資訊封包的估計點擊率;及利用該一或多個計算裝置,藉由反覆地重新定義該資訊封包的個別特徵之一或多個值、及應用該等重新定義的特徵值與對應的指標值至該迴歸模型,直到達成想要的估計點擊率,以最佳化該資訊封包。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11/831,075 US7987261B2 (en) | 2007-07-31 | 2007-07-31 | Traffic predictor for network-accessible information modules |
Publications (2)
Publication Number | Publication Date |
---|---|
TW200925909A TW200925909A (en) | 2009-06-16 |
TWI390421B true TWI390421B (zh) | 2013-03-21 |
Family
ID=40305206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW097128744A TWI390421B (zh) | 2007-07-31 | 2008-07-30 | 用於估計一資訊封包的性能之方法與裝置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US7987261B2 (zh) |
TW (1) | TWI390421B (zh) |
WO (1) | WO2009018141A2 (zh) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080114737A1 (en) * | 2006-11-14 | 2008-05-15 | Daniel Neely | Method and system for automatically identifying users to participate in an electronic conversation |
US8126881B1 (en) | 2007-12-12 | 2012-02-28 | Vast.com, Inc. | Predictive conversion systems and methods |
US7925743B2 (en) * | 2008-02-29 | 2011-04-12 | Networked Insights, Llc | Method and system for qualifying user engagement with a website |
US8543592B2 (en) * | 2008-05-30 | 2013-09-24 | Microsoft Corporation | Related URLs for task-oriented query results |
US8171156B2 (en) | 2008-07-25 | 2012-05-01 | JumpTime, Inc. | Method and system for determining overall content values for content elements in a web network and for optimizing internet traffic flow through the web network |
US8001131B2 (en) * | 2008-12-17 | 2011-08-16 | Demand Media Inc. | Method and system for ranking of keywords for profitability |
US20120020216A1 (en) * | 2010-01-15 | 2012-01-26 | Telcordia Technologies, Inc. | Cognitive network load prediction method and apparatus |
US8954404B2 (en) * | 2010-02-24 | 2015-02-10 | Demand Media, Inc. | Rule-based system and method to associate attributes to text strings |
WO2011137505A1 (en) * | 2010-05-07 | 2011-11-10 | Rogers Communications Inc. | System and method for monitoring web content |
US9465884B2 (en) * | 2010-05-07 | 2016-10-11 | Rogers Communications Inc. | System and method for monitoring web content |
US9798696B2 (en) | 2010-05-14 | 2017-10-24 | International Business Machines Corporation | Computer system, method, and program |
GB2495417B (en) | 2010-05-14 | 2017-11-29 | Ibm | A method for dynamically changing the configuration of a system |
US8230062B2 (en) * | 2010-06-21 | 2012-07-24 | Salesforce.Com, Inc. | Referred internet traffic analysis system and method |
US8909623B2 (en) | 2010-06-29 | 2014-12-09 | Demand Media, Inc. | System and method for evaluating search queries to identify titles for content production |
CN102346745B (zh) | 2010-08-02 | 2014-04-02 | 阿里巴巴集团控股有限公司 | 单词的用户行为数的预测方法和装置 |
US9049229B2 (en) * | 2010-10-28 | 2015-06-02 | Verisign, Inc. | Evaluation of DNS pre-registration data to predict future DNS traffic |
US20120151479A1 (en) * | 2010-12-10 | 2012-06-14 | Salesforce.Com, Inc. | Horizontal splitting of tasks within a homogenous pool of virtual machines |
US20120158456A1 (en) * | 2010-12-20 | 2012-06-21 | Xuerui Wang | Forecasting Ad Traffic Based on Business Metrics in Performance-based Display Advertising |
US8578028B2 (en) * | 2011-01-06 | 2013-11-05 | International Business Machines Corporation | Techniques for provisioning cloud computing environment resources based on social media analysis |
US9104960B2 (en) * | 2011-06-20 | 2015-08-11 | Microsoft Technology Licensing, Llc | Click prediction using bin counting |
US10353738B2 (en) * | 2012-03-21 | 2019-07-16 | International Business Machines Corporation | Resource allocation based on social networking trends in a networked computing environment |
US9465873B1 (en) | 2013-03-07 | 2016-10-11 | Vast.com, Inc. | Systems, methods, and devices for identifying and presenting identifications of significant attributes of unique items |
US10007946B1 (en) | 2013-03-07 | 2018-06-26 | Vast.com, Inc. | Systems, methods, and devices for measuring similarity of and generating recommendations for unique items |
US9104718B1 (en) | 2013-03-07 | 2015-08-11 | Vast.com, Inc. | Systems, methods, and devices for measuring similarity of and generating recommendations for unique items |
US9830635B1 (en) | 2013-03-13 | 2017-11-28 | Vast.com, Inc. | Systems, methods, and devices for determining and displaying market relative position of unique items |
US10902067B2 (en) | 2013-04-24 | 2021-01-26 | Leaf Group Ltd. | Systems and methods for predicting revenue for web-based content |
US10031970B1 (en) * | 2013-09-12 | 2018-07-24 | Intuit Inc. | Search engine optimization in social question and answer systems |
US10127596B1 (en) | 2013-12-10 | 2018-11-13 | Vast.com, Inc. | Systems, methods, and devices for generating recommendations of unique items |
US10268704B1 (en) | 2017-10-12 | 2019-04-23 | Vast.com, Inc. | Partitioned distributed database systems, devices, and methods |
US10887427B1 (en) * | 2018-11-14 | 2021-01-05 | Amazon Technologies, Inc. | System for automatic scaling to process requests |
WO2020118375A1 (en) * | 2018-12-14 | 2020-06-18 | Newsouth Innovations Pty Limited | Apparatus and process for detecting network security attacks on iot devices |
EP4010839A4 (en) | 2019-08-05 | 2023-10-11 | AI21 Labs | SYSTEMS AND METHODS FOR CONTROLLABLE NATURAL LANGUAGE GENERATION |
CN115271669A (zh) * | 2022-08-01 | 2022-11-01 | 成都龙祥思远科技有限公司 | 一种用于erp服务器的维护方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6801501B1 (en) * | 1999-09-14 | 2004-10-05 | Nokia Corporation | Method and apparatus for performing measurement-based admission control using peak rate envelopes |
US20040230546A1 (en) * | 2000-02-01 | 2004-11-18 | Rogers Russell A. | Personalization engine for rules and knowledge |
US7146416B1 (en) | 2000-09-01 | 2006-12-05 | Yahoo! Inc. | Web site activity monitoring system with tracking by categories and terms |
CA2439565C (en) | 2001-02-28 | 2016-05-17 | Musicrebellion Com, Inc. | Digital online exchange |
US7047294B2 (en) * | 2001-05-02 | 2006-05-16 | Microsoft Corporation | Page-view recording with click-thru tracking |
US20030171990A1 (en) | 2001-12-19 | 2003-09-11 | Sabre Inc. | Methods, systems, and articles of manufacture for managing the delivery of content |
KR20050077241A (ko) | 2004-02-10 | 2005-08-01 | 엔에이치엔(주) | 검색자의 검색 요청에 응답하여 검색 결과 목록을생성하고 검색어 광고를 제공하는 방법 및 검색어 광고제공 시스템 |
KR101050041B1 (ko) | 2004-04-07 | 2011-07-19 | 엔에이치엔비즈니스플랫폼 주식회사 | 상품 정보를 제공하는 방법 및 상품 정보 제공 시스템 |
KR20060066861A (ko) | 2004-12-14 | 2006-06-19 | 박강식 | 다중 회귀를 이용한 오손도 예측 장치 및 방법 |
US20090006192A1 (en) * | 2007-06-29 | 2009-01-01 | Yahoo! Inc. | Point of Presence Sponsorship Mechanism for Digital Content Objects |
US20090037412A1 (en) * | 2007-07-02 | 2009-02-05 | Kristina Butvydas Bard | Qualitative search engine based on factors of consumer trust specification |
-
2007
- 2007-07-31 US US11/831,075 patent/US7987261B2/en not_active Expired - Fee Related
-
2008
- 2008-07-25 WO PCT/US2008/071173 patent/WO2009018141A2/en active Application Filing
- 2008-07-30 TW TW097128744A patent/TWI390421B/zh not_active IP Right Cessation
Also Published As
Publication number | Publication date |
---|---|
US7987261B2 (en) | 2011-07-26 |
WO2009018141A2 (en) | 2009-02-05 |
US20090037421A1 (en) | 2009-02-05 |
TW200925909A (en) | 2009-06-16 |
WO2009018141A3 (en) | 2009-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI390421B (zh) | 用於估計一資訊封包的性能之方法與裝置 | |
KR101104539B1 (ko) | 행위 타겟팅 시스템 | |
US9922333B2 (en) | Automated multivariate behavioral prediction | |
JP4790711B2 (ja) | データベースサーチシステム及びサーチにおけるキーワードの値を決定する方法 | |
JP4304205B2 (ja) | インターネットユーザのアクセス意図を用いたインターネット上での広告誘致および広告提供方法とそのシステム | |
KR101344434B1 (ko) | 외부 레퍼런스와 웹페이지 방문 및 컨버전의 상관 | |
US8478746B2 (en) | Operationalizing search engine optimization | |
US20110029382A1 (en) | Automated Targeting of Information to a Website Visitor | |
WO2008045899A1 (en) | Audience commonality and measurement | |
US10262339B2 (en) | Externality-based advertisement bid and budget allocation adjustment | |
US20130138507A1 (en) | Predictive modeling for e-commerce advertising systems and methods | |
US9020922B2 (en) | Search engine optimization at scale | |
US20080097891A1 (en) | Virtual Stock Market Service Based on Search Index | |
WO2013055800A1 (en) | Page layout in a flow visualization | |
US8195786B2 (en) | Network real estate analysis | |
JP2011520193A (ja) | 最もクリックされた次オブジェクトを有する検索結果 | |
KR20140058552A (ko) | 전환 타입 대 전환 타입 퍼널링 | |
KR20070029389A (ko) | 핵심 키워드를 이용한 광고 서비스 제공 방법, 시스템 및이를 구현하기 위한 프로그램이 기록된 기록매체 | |
JP2010113542A (ja) | 情報提供システム、情報処理装置及びそのプログラム | |
JP2001109777A (ja) | ワールドワイドウェブにおいて時間差別を提供する方法 | |
KR102216755B1 (ko) | 콘텐츠 및 제품을 연동시키는 태그 분석 서비스 제공 방법 | |
KR102477687B1 (ko) | 광고 관리 장치 및 이의 동작 방법 | |
US9210222B2 (en) | Browser cookie analysis and targeted content delivery | |
TW201801006A (zh) | 個人化網路行銷推薦方法 | |
Alghalith | Web Analytics: Enhancing Customer Relationship Management. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |