CN101589385A - 选择引擎 - Google Patents

Abstract

公开了一种方案(700)，其构造(803)由消费者(703)用于购买项目的属性；确定(803)每一属性在每一候选项目中被包含多少；估计(806)所述属性的边际成本；确立(303)消费者对各属性的偏好；确定(803)候选项目的、反映候选项目向消费者提供偏好属性的程度的效用得分，以及按照候选项目的相应效用得分，在有序列表中对候选项目进行排名。

Description

选择引擎

技术领域

本发明涉及在线数据库，并且涉及用于搜索这样的数据库的搜索引擎，或者更一般地说，用于在通过将搜索基于搜索者的偏好来增加利益的任何数据库上进行搜索的搜索引擎。

背景技术

随着在线数据库的增长以及在网络(例如因特网)上可以访问的信息量的随之增加，有效而高效的搜索机制正日益变得重要。当前的文本搜索引擎(例如)使用关键字或关键字组合执行它们的搜索功能。这种类型的搜索通常识别极其大量的结果，因此要求用户浏览大量的通常无关的选择。一般地，从用户的观点来说，使用这样的方法所识别的项目可能并不相关，更别说是优化了。

发明内容

本发明的目的在于基本克服或者至少改进现有方案的一个或更多缺点。所公开的是被称为“选择引擎”方案的方案，其设法通过执行以下一个或更多个来解决上述问题：(a)构造属性，所述属性表征由典型的消费者用以选取或购买项目的有形因素和无形因素，(b)估计候选项目的属性得分，属性得分是对每一属性在每一候选项目中被包含多少的度量，(c)估计适合于这些属性的“影子价格”(其反映消费者获得更多这样的属性而花的成本)，(d)确立特定消费者对各属性的偏好，(e)任选地指定消费者的总预算约束以及该特定消费者对于项目的适当预算(即价格范围或预期每周总成本支出)，(f)确定候选项目的效用得分(在给定估计影子价格(其反映消费者的、感兴趣属性的边际成本)和消费者的总预算约束的情况下，所述效用得分提供有关候选项目向特定消费者提供他或她的属性偏好量和组合的程度的度量)，(g)按照候选项目的相应效用得分在有序列表中对候选项目进行排名，其中，最高排名的项目是那些通过在给定的估计影子价格(其反映消费者的、感兴趣属性的边际成本)，所表达的偏好的条件下的效用最大化而具有最优效用水平的项目，(h)在给定消费者的偏好和估计影子价格(其反映消费者的、有关属性的边际成本)以及总预算约束的情况下，选择提供属性的最优组合和水平的项目，并且，在需要的情况下，(i)构造要价以辅助卖方获得给定的排名。

根据本发明的第一方面，提供一种从候选项目的集合中识别期望项目的方法，其中所述候选项目中每一个与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映直接可观察的因素，该方法包括以下步骤：

由相关因素构造表征所述候选项目的属性；

分配用户偏好的每一属性的量；

估计与所述项目中的每一个相关的每一属性的量；

确定所述属性的边际成本；

确定每一候选项目提供用户所需每一属性的量的程度；以及

按照顺序构造所述候选项目中的至少一些候选项目的列表，所述顺序反映在所述用户的分配偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足所述用户偏好，其中，所述期望项目是所述有序列表中的项目。

根据本发明的另一方面，提供一种确定待售项目的要价的方法，所述项目是候选项目的集合的可获得的成员，其中每一候选项目与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述方法包括步骤：

由所述相关因素构造表征所述集合的候选项目的属性；

估计与所述候选项目中的每一个相关的每一属性的量；

确定与所述候选项目中的每一个相关的所述属性的边际成本；

指定以下之一：(a)所述待售项目以及(b)与所述待售项目相关的直接可观察的因素和无形因素中的至少之一；

如果所述待售项目被指定，则确定与所述待售项目相关的直接可观察的因素和无形因素中的至少之一；

由与所述待售项目相关的因素构造除了要价之外的表征所述待售项目的属性；

指定(a)所述候选项目的子集，其中，要关于该子集确定期望排名，以及(b)关于所述指定子集的、所述待售项目的期望排名；

根据表征所述待售项目的所构造的属性、所述指定的候选项目子集、所述待售项目的指定排名以及每一候选项目提供表征所述待售项目的每一属性的量的程度，确定所述待售项目的应当提供用于销售的要价；其中，所述确定的要价使得所述待售项目在所述候选项目子集中的至少一些候选项目的有序列表中具有期望排名，所述列表具有反映在用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足用户偏好的顺序，其中，所述待售项目是所述有序列表中的项目。

根据本发明的另一方面，提供一种用于从候选项目的集合中识别期望项目的设备，其中所述候选项目中每一个与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述设备包括：

用于由所述相关因素构造表征所述候选项目的属性的装置；

用于分配用户偏好的每一属性的量的装置；

用于估计与所述项目中的每一个相关的每一属性的量的装置；

用于确定所述属性的边际成本的装置；

用于确定每一候选项目提供用户所需每一属性的量的程度的装置；以及

用于按照顺序构造所述候选项目中的至少一些候选项目的列表的装置，所述顺序反映在所述用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足所述用户偏好，其中，所述期望项目是所述有序列表中的项目。

根据本发明的另一方面，提供一种确定待售项目的要价的设备，所述项目是候选项目的集合的可获得的成员，其中每一候选项目与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述设备包括：

用于由所述相关因素构造表征所述集合的候选项目的属性的装置；

用于估计与所述候选项目中的每一个相关的每一属性的量的装置；

用于确定与所述候选项目中的每一个相关的所述属性的边际成本的装置；

用于指定以下之一的装置：(a)所述待售项目以及(b)与所述待售项目相关的直接可观察的因素和无形因素中的至少之一；

用于在所述待售项目被指定的情况下确定与所述待售项目相关的所述直接可观察的因素和无形因素中的至少之一的装置；

用于由与所述待售项目相关的因素构造除了要价之外的表征所述待售项目的属性的装置；

用于指定(a)所述候选项目的子集，其中，要关于该子集确定期望排名，以及(b)关于所述指定子集的、所述待售项目的期望排名的装置；以及

用于根据表征所述待售项目的所构造的属性、所述指定的候选项目子集、所述待售项目的指定排名以及每一候选项目提供表征所述待售项目的每一属性的量的程度，确定所述待售项目的应当提供用于销售的要价的装置；其中，所述确定的要价使得所述待售项目在所述候选项目子集中的至少一些候选项目的有序列表中具有期望排名，所述列表具有反映在用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足用户偏好的顺序，其中，所述待售项目是所述有序列表中的项目。

根据本发明的另一方面，提供一种从候选项目的集合中识别期望项目的设备，其中所述候选项目中每一个与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述设备包括：

用于存储程序的存储器；以及

用于执行所述程序的处理器，所述程序包括：

用于由所述相关因素构造表征所述候选项目的属性的代码；

用于分配用户偏好的每一属性的量的代码；

用于估计与所述项目中的每一个相关的每一属性的量的代码；

用于确定所述属性的边际成本的代码；

用于确定每一候选项目提供用户所需每一属性的量的程度的代码；以及

用于按照顺序构造所述候选项目中的至少一些候选项目的列表的代码，所述列表具有反映在所述用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足所述用户偏好，其中，所述期望项目是所述有序列表中的项目。

根据本发明的另一方面，提供一种确定待售项目的要价的设备，所述项目是候选项目的集合的可获得的成员，其中每一候选项目与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述设备包括：

用于存储程序的存储器；以及

用于执行所述程序的处理器，所述程序包括：

用于由所述相关因素构造表征所述集合的候选项目的属性的代码；

用于估计与所述候选项目中的每一个相关的每一属性的量的代码；

用于确定与所述候选项目中的每一个相关的所述属性的边际成本的代码；

用于指定以下之一的代码：(a)所述待售项目以及(b)与所述待售项目相关的直接可观察的因素和无形因素中的至少之一；

用于在所述待售项目被指定的情况下确定与所述待售项目相关的直接可观察的因素和无形因素中的至少之一的代码；

用于由与所述待售项目相关的因素构造除了要价之外的表征所述待售项目的属性的代码；

用于指定(a)所述候选项目的子集，其中，要关于该子集确定期望排名，以及(b)关于所述指定子集的、所述待售项目的期望排名的代码；以及

用于根据表征所述待售项目的所构造的属性、所述指定的候选项目子集、所述待售项目的指定排名以及每一候选项目提供表征所述待售项目的每一属性的量的程度，确定所述待售项目的应当提供用于销售的要价的代码；其中，所述确定的要价使得所述待售项目在所述候选项目子集中的至少一些候选项目的有序列表中具有期望排名，所述列表具有反映在用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足用户偏好的顺序，其中，所述待售项目是所述有序列表中的项目。

根据本发明的另一方面，提供一种包括计算机可读介质的计算机程序产品，在所述计算机可读介质上记录有计算机程序，所述计算机程序用于引导处理器执行用于从候选项目的集合中识别期望项目的方法，其中所述候选项目中每一个与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述程序包括：

用于由所述相关因素构造表征所述候选项目的属性的代码；

用于分配用户偏好的每一属性的量的代码；

用于估计与所述项目中的每一个相关的每一属性的量的代码；

用于确定所述属性的边际成本的代码；

用于确定每一候选项目提供用户所需每一属性的量的程度的代码；以及

用于按照顺序构造所述候选项目中的至少一些候选项目的列表的代码，所述顺序反映在所述用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足所述用户偏好，其中，所述期望项目是所述有序列表中的项目。

根据本发明的另一方面，提供一种包括计算机可读介质的计算机程序产品，在所述计算机可读介质上记录有计算机程序，所述计算机程序用于引导处理器执行用于确定待售项目的要价的方法，所述项目是候选项目的集合的可获得的成员，其中每一候选项目与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述程序包括：

用于由所述相关因素构造表征所述集合的候选项目的属性的代码；

用于估计与所述候选项目中的每一个相关的每一属性的量的代码；

用于确定与所述候选项目中的每一个相关的所述属性的边际成本的代码；

用于指定以下之一的代码：(a)所述待售项目以及(b)与所述待售项目相关的直接可观察的因素和无形因素中的至少之一；

用于在所述待售项目被指定的情况下确定与所述待售项目相关的直接可观察的因素和无形因素中的至少之一的代码；

用于由与所述待售项目相关的因素构造除了要价之外的表征所述待售项目的属性的代码；

用于指定(a)所述候选项目的子集，其中，要关于该子集确定期望排名，以及(b)关于所述指定子集的、所述待售项目的期望排名的代码；以及

用于根据表征所述待售项目的所构造的属性、所述指定的候选项目子集、所述待售项目的指定排名以及每一候选项目提供表征所述待售项目的每一属性的量的程度，确定所述待售项目的应当提供用于销售的要价的代码；其中，所述确定的要价使得所述待售项目在所述候选项目子集中的至少一些候选项目的有序列表中具有期望排名，所述列表具有反映在用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足用户偏好的顺序，其中，所述待售项目是所述有序列表中的项目。

还公开了本发明的其它方面。

附图说明

现将参照附图和附录来描述本发明一个或更多实施例，在附图和附录中：

图1描述消费者通常如何从一组候选车辆中购买项目(在所述示例中为机动车辆)；

图2描述在基于浏览器的系统中使用的所公开的选择引擎方案的功能框图；

图3更详细地描述图2的系统的单元；

图4示出用户如何操作图2的系统；

图5示出选择服务器如何处理一组用户输入；

图6示出如何能够预处理综合选择数据以减少计算复杂度的处理流程图；

图7示出如何由目标特征数据导出个人选择数据的处理流程图；

图8更详细地示出图7中确定普通综合选择数据的步骤；

图9是示出在例如图7中所使用的效用评分步骤的处理流程图；

附录A示出显式属性数据的示例；

附录B示出与感兴趣项目相关的个人权重和预算限制、以及相关属性的示例；

附录C示出经排名的选择数据的示例。

附录D示出可替选的评分机制方案。

在该说明书中描述的方案仅仅用于阐述选择引擎，而并非旨在限制本发明构思的范围。

具体实施方式

在附图的任一图或更多图中提及具有相同标号的步骤和/或特征的情况下，这些步骤和/或特征对说明书的目的来说具有相同的功能或操作，除非出现相反的意向。

该说明书描述了如何能够应用所公开的选择引擎的一个示例。该示例涉及用户对进行在线搜索以找到与用户的准则最佳匹配的机动车辆感兴趣的情形。该示例是旨在进行说明，而绝不是限制选择引擎在其它货品和服务方面的潜在应用。

图1描述消费者703通常如何从一群候选机动车辆(也称为候选项目集合)购买项目(例如机动车辆706)或者对可导致购买的机动车辆进行出价。在一个方案中，候选机动车辆可以基于Glass经销商指南(GlassDealer

)。这个指南包括针对过去数十年来所有已知机动车辆的说明。重要的是，在Glass中列出车辆并不意味着这样的车辆在市场上可实际获得。有可能这样的车辆存在但并不出售，或者，甚至这样的车辆不再存在。相应地，Glass中列出的车辆被称为“候选车辆”，而已经做广告的车辆被称为“可获得的车辆”。如果所述选择引擎方案针对其它应用，则可以从其它的相关数据集合中选择候选项目。对于每一候选机动车辆706，这是基于对可以称为“内部”直接可观察的有形因素701(例如，诸如气囊的可用性和引擎大小)的考虑的。消费者703通常还考虑与候选机动车辆706隐式相关的其它“内部”无形因素702。这样的无形因素702可以包括安全性、豪华性、性能、绿色环保等等，这些因素能够间接反映被称为“内部”因素的有形因素，例如引擎大小、功率/重量比等等。此外，存在第二类“外部”因素，其为经销渠道或方法方面，经销渠道或方法方面还可以分成有形类和无形类。这些包括无形的“信息指数”、有形的销路类型(例如在机动车辆的情况下为专业经销商或私人销售)、以及经销商品牌类型(例如著名的有信誉的经销商，无名的品牌等等)。经销商类型不仅影响由用户支付的价格，而且还影响服务的级别和质量。此外，公开经销商名称可以使得特定经销商能够建立信誉，信誉向买方传达有价值的信息。

“信息指数”是被创建来相对于已经能够给定的总量来测量已经投放的广告中包括的信息(图1中的727，其为具体数据项)的量的指数。例如，得分1将表示完全公开。因此，信息指数是可以用于对广告进行排名的外部属性，允许用户(图1中的703)对广告自身的透明性或不透明性表达偏好。

还存在由卖家(图1中的726)自己报告的第三类无形属性。特定示例是Glass、Red Book或Blue Book指南状况自我评估(Blue Book GuideCondition Self Assessment)-卖方(以及买方)可以使用对Glass、Red Book或Blue Book在评估“指南状况(Guide Condition)”中包括的项目的等级量表(1＝损坏-10＝新的)来填写表格。这允许卖方自我评估以协助他们达成要价。此外，能够访问(比方说)待售车辆的仓库中的项目的买方也可以自己评估该项目，并且对于卖方自己的自我评估得分提供意见。这也有助于买方达成出价，并且加速议价过程。自我报告的数据可以按多种方式并入图1的系统。在一个示例中，自我报告的数据是一种类型的目标特征数据709，因而驻留在目标服务器数据库708上。该信息以与任何其它目标特征数据相同的方式来访问，如箭头710所示。

前述因素(也称为因素数据)包括直接可观察的因素701和无形因素702两者，在本说明书中被称为“属性”704。属性704因而表征感兴趣的候选机动车辆706。直接可观察的因素701(例如引擎大小、具有或缺少气囊等等)也称为“特征”705。与所示车辆706相关的特征705通常由各方作为“目标特征数据”709存储在“目标服务器数据库”708中，如箭头707所示。

除了技术特征(例如具有气囊)之外，例如车辆的“要”价和车辆交易的实际价格等特征也作为目标数据709被存储在目标服务器数据库708中。

如处理711和虚线箭头710所示，所公开的选择引擎方案获取所选择的目标数据709，并且如虚线箭头712所示将该数据作为“属性输入数据项”714存储在“选择服务器数据库”713中。对于用户使用所述选择引擎方案来选择机动车辆的情况，属性输入数据项包括例如款式、型号、里程表读数、具有或缺少气囊、关于安全性的汽车杂志观点、车辆的要价或实际价格、以及目标服务器数据库708中存储的其它直接可观察的因素等特征。

在可替选的应用中，目标数据库可以包括(比方说)报纸报道，并且所构造的主观属性可以是针对每一新闻报道的主题(例如商业、时事、犯罪、体育、庆典、闲聊、政治、丑闻、分析等等)的得分。

如箭头715和处理716所示，选择引擎方案处理属性输入数据项714以产生普通综合选择数据718，该普通综合选择数据718被存储在数据库713中。普通综合选择数据718涉及典型的机动车辆(例如典型的1990Toyota

)。普通综合选择数据718因此包括但不限于与选择机动车辆时的消费者偏好有关的属性、与这些属性相关的影子价格、典型车辆的属性得分等等，这些得分表示典型车辆中实现的每一属性的估计量。

选择引擎方案接收具体项目数据727，具体项目数据727在图1的示例中由机动车辆的卖家726提供。对于当前可获得的具体机动车辆，可以例如以广告的形式提供具体项目数据。如箭头723和处理722所示，选择引擎方案使用具体项目数据727处理普通综合选择数据项718，以产生具体综合选择数据724，该具体综合选择数据724被存储在数据库713中。具体综合选择数据724例如涉及具体项目数据727中的、由Smith先生拥有并且在广告中指定的特定1990 Toyota

这个车辆明显具有具体里程表读数以及其它具体特征。具体综合选择数据724包括但不限于有关的具体车辆的属性得分。

在一个方案中，步骤722通过搜索普通综合选择数据项718以获得与具体项目数据727的匹配，由普通综合选择数据项718导出具体综合选择数据724。这种匹配不管是恰好在预定余量内或者接近于在预定余量内，都产生具体综合选择数据724。

用户703将他或她的产品或服务说明提供给选择引擎方案，在选择引擎方案上，处理720对具体综合选择数据724进行操作，以将“个人选择数据”101(见图2)提供给用户703，如箭头721所示。在所述方案中，这种个人选择数据被呈现为具体车辆的列表，其中具体车辆关于具体车辆的能力进行排名以向消费者提供他或她偏好的属性量。(在有些选择引擎方案中，也可以向用户呈现候选车辆的列表而非具体车辆的列表，其中候选车辆关于候选车辆的能力进行排名以向消费者提供他或她偏好的属性量。)这种经排名车辆的列表可以基于预定项目预算(在该示例中为消费者已经指定的关于车辆的每时段支出或者预算范围)，但这是任选的。对于相同的支出，涉及不同属性级别的任何其它机动车辆将是次级别的。通常，无论预算是关于该机动车辆的预期支出来表示的还是关于拥有且操作这样的机动车辆的等同每时段成本来表示的，如果由用户提供某机动车辆预算，则要价(或者至少是预期购买价格)处于该机动车辆预算或在该机动车辆预算内。

用户可以选择不提供预算范围，因为这并不是严格需要的。降低他或她或个人的对于属性的偏好得分将导致选择引擎在排名量表上将能够以较低的成本提供所偏好的属性的特定机动车辆列到高得多的排名。通常，这些机动车辆将较便宜。如果向用户呈现的列表包括太昂贵以至于用户不予考虑的车辆，则价格过滤器可以消除这些非最优选择。

术语“特征”、“因素”和“属性”在说明书中具有不定的意义，并且可以根据上下文确定具体意义。

在说明书中使用若干术语，并且其中有些术语在以下术语表中定义。

术语表

·用户：(例如703)使用所公开的选择引擎方案来找到“最佳”可获得的机动车辆(在本示例中)的人员(例如消费者703)；

·特征：(例如705)适合于货品或服务或者与货品或服务相关的直接可观察的部分、特性、杂志观点或部件。例如，在车辆的情况下，特征包括具有或缺少空调、电动助力转向等等，以及里程表读数和车辆的年龄。要价通常也可从网站或分类广告获得。

·属性：(例如704)被用户认为是重要的项目的特性品质，其可以是直接可观察的或者不是直接可观察的。在跑车的潜在买方的眼中，有些直接可观察的特征，例如引擎大小，可以是属性。其它属性例如安全性、豪华性、性能等等是由具有或缺少具体特征而引起的隐式品质。例如，具有例如防抱死制动系统(ABS)、驾驶员和乘客气囊等特征的车辆由于配备了这样的特征，因此可以说是具有特定度量的“安全性”。由于这些有形属性和无形属性与有关项目的属性直接相关，因此被称为“内部的”。还存在与卖方描绘项目的方式相关的被称为“外部的”属性的第二类属性，例如所提供的信息量，以及经销机制。有关分类是由卖方提供的关于例如车辆状况的信息。

·属性输入数据项：(例如714)关于选择服务器数据库713中存储的项目705的特征的信息。

·目标数据：(例如709)在与目标服务器相关的第三方数据库(例如708)中存储的数据，该目标数据与有关项目的特征有关。这种数据通常包括分类广告中车辆的要价、来自

或类似来源的新的和二手的价格、以及来自由拍卖行、汽车经销商等等提供的数据库的车辆的实际交易价格；

·普通综合选择数据：(例如718)根据在例如图8中所示的处理，从目标数据709得到的、并且与典型的机动车辆(对于本示例)(例如“1990 Toyota

”车辆)有关的信息；

·具体综合选择数据：(例如724)根据在例如图8中所示的处理，当例如普通综合选择数据718与具体项目数据727(见图1)相比时从普通综合选择数据718得到的、并且与具体(实际)机动车辆(对于本示例)(例如“属于Smith先生并且在具体项目数据727中由卖家726做广告的1990 Toyota

”)有关的信息；

·个人选择数据：(例如101)根据由用户703输入的偏好，通过处理具体综合选择数据724得到的信息。

·总预算约束：(例如图9)该约束表示用户的、对包括具体项目(在该示例中为机动车辆)的所有货品和服务的总的可能支出。虽然这个量对于用户在概念上是已知的，但是选择引擎并不需要该信息，因而选择引擎并不要求该信息作为输入。

·影子价格：(例如图9步骤905)在项目价格或每单位时间的支出与属性的量的度量之间的估计的关系。其表示选择引擎用户对于属性增加所付出的估计边际成本。

图2描述在基于浏览器的数据库搜索系统中使用的所公开的选择引擎方案的功能框图100，所述基于浏览器的数据库搜索系统包括通过网络104以分布式方式操作的若干机器(102、111、107和109)。用户703使用客户机器102以通过网络104获得所选择的选择数据101。客户机器102经由连接103连接到网络104。选择服务器107运行选择数据处理软件应用220(见图3)，以从存储在一个或更多目标服务器数据库708中的目标数据709获取属性输入数据项714，属性输入数据项714其后被存储在选择数据库713中。选择服务器107处理属性输入数据项714以产生普通综合选择数据718。

卖家机器111通过连接112连接到网络104，并且具有存储具体项目数据727的相关卖家数据库113。在一个示例中，卖家机器111由运作针对机动车辆销售的报纸来操作。在该示例中，具体项目数据727是机动车辆广告。选择服务器107使用具体项目数据727处理普通综合选择数据718，以产生具体综合选择数据724。选择服务器数据库713通过连接106连接到选择服务器107。选择服务器107通过连接105连接到网络104。

在另一示例中，卖家机器111由运作针对机动车辆销售的报纸来操作。选择服务器107使用具体项目数据727处理普通综合选择数据718，以产生具体综合选择数据724，如在先前一示例中那样。但是，在该示例中，选择服务器使用来自例如Glass Dealer的源的指示价格以及消费者的所指示的偏好另外处理普通综合选择数据718并对其评分，而不参考具体项目数据727(例如实际车辆的实际广告)。当不存在等同的具体项目727时(例如在当前未对该特定车辆做广告的情况)，对普通项目718进行评分的目的在于说明消费者相对于消费者可获得的具体机动车辆而言更偏好普通机动车辆。如果消费者表示相对于具体机动车辆而言更偏好普通机动车辆，则执行以下机制，该机制生成“想要的机动车辆”广告(这是关于当前不可获得特定项目727的情形而生成的更普通的“对于具体项目的请求”的具体示例)，该广告被发送到普通机动车辆的潜在供应商，例如新车或用过的车辆的职业卖方。换句话说，如果用户703表示想要目前未做广告(即不存在对应的具体数据项727)的特定机动车辆，则有关信息可以被提供给由报纸操作的卖家机器111，以使得该报纸能够针对用户想要的具体车辆运作“想要的车辆”广告。

客户机器102运行选择浏览器213(见图3)，选择浏览器213可与选择数据处理软件应用220协作，由具体综合选择数据724导出所选择的个人选择数据101。运行选择数据处理软件应用220的选择服务器107从目标数据709获取属性输入数据项714，其中，目标数据709是由一个或更多目标服务器109存储在它们的相关目标服务器数据库708中的。目标服务器109通过连接110连接到目标服务器数据库708。

目标服务器109通过连接108连接到网络104。目标数据709通常是由选择数据处理软件应用220处理以得到属性输入数据项714的特征数据705。

图3更加详细地描述图2中的系统的单元。图3略为详细地示出客户机器102，并且不那么详细地示出选择服务器107和目标服务器109。在一个方案中，所有机器102、107和109都是通用计算机，其进行协作以实现有利的选择引擎系统200，在该选择引擎系统200上能够实践所公开的选择引擎方法。图4-图9的选择引擎处理可以被实现为软件，例如在计算机系统200内执行的应用程序220和213。具体地说，选择引擎方法步骤由被计算机102、107和109执行的软件中的指令实现。所述指令可以被形成为一个或更多代码模块，每一代码模块用于执行一个或更多特定任务。所述软件应用(例如220和213)中的每一个软件应用也可以分成两个单独的部分，其中，第一部分执行选择引擎方法，而第二部分管理第一部分与用户之间的用户接口。

如图3所示，选择浏览器软件应用213可以被实现为由辅助选择浏览器应用214所补充的传统浏览器应用215。在本示例中，选择引擎应用214、传统浏览器应用215和个人选择数据101在选择浏览器应用213中协作。也可以使用其它软件体系结构。

软件模块可以存储在计算机可读介质中，计算机可读介质例如包括以下描述的存储设备。软件从计算机可读介质被加载到计算机中，并由计算机执行。记录有这样的软件或计算机程序的计算机可读介质被称为计算机程序产品。计算机程序产品在计算机中的使用优选是实现用于实现所公开的选择引擎方案的有利系统。

客户机器102由输入设备(例如键盘211和鼠标212)以及输出设备(包括打印机201、显示设备202以及扬声器223)形成。调制器-解调器(调制解调器)收发器设备(未示出)被并入I/O接口204，以由客户机器102使用，用于通过通信网络104与选择服务器107和一个或更多目标服务器109通信。前述通信可以在因特网和其它网络(例如局域网(LAN)或广域网(WAN))上实现。

在本示例中，选择服务器107具有与客户机器102相似的体系结构，但是为了便于解释，图3仅示出选择服务器处理器222、存储器221以及在选择服务器107上运行的选择数据处理软件应用220。在本示例中，目标服务器109具有与客户机器102相似的体系结构，但是为了便于解释，图3仅示出目标服务器处理器219和存储器218。

客户机器102通常包括至少一个处理器单元209以及存储器单元216，存储器单元216例如由半导体随机存取存储器(RAM)和只读存储器(ROM)形成。客户机器102还包括若干输入/输出(I/O)接口，包括耦合到显示器202和扬声器223的音频-视频接口203、用于键盘211和鼠标212的I/O接口210、以及用于打印机201的、集成调制解调器的接口204。

通常提供有硬盘驱动器207，也提供有CD-ROM驱动器217。客户机器102的部件203、204、207、209、210、216和217通常经由互连总线208并按照产生本领域技术人员已知的互连计算机系统200的传统模式操作的方式进行通信。可以实践所述方案的计算机的示例包括IBM-PC及兼容机、Sun Sparcstation或从其演进而来的类似计算机系统。

通常，选择浏览器应用程序213驻留在硬盘驱动器207上，并且在其执行时由处理器209读取和控制。程序213以及通过网络104取得的任何数据的中间存储可以使用半导体存储器216(有可能与硬盘驱动器207协作)来实现。在某些情况下，在被编码在CD-ROM上并经由对应的驱动器217读取的情况下，选择浏览器应用程序213可以被提供给用户703，或者可替选地，可以由客户机器102通过网络104从另一来源读取选择浏览器应用程序213。此外，软件213还可以从其它计算机可读介质被加载到客户机器102中。

这里所使用的术语“计算机可读介质”指的是参与将指令和/或数据提供给选择引擎系统200以便执行和/或处理的任何存储介质或传输介质。存储介质的示例包括软盘、磁带、CD-ROM、硬盘驱动器、ROM或集成电路、磁光盘、或者计算机可读卡(例如PCMCIA卡)等等，而不管这样的设备是在计算机模块102的内部还是外部。传输介质的示例包括无线电或红外传输通道、以及到另一计算机或连网设备以及包括电子邮件传输和网站上记录的信息等等的因特网或内部网的网络连接。前述将选择浏览器软件应用213下载到客户机器102等同地应用于将选择数据处理软件应用220下载到选择服务器107。

选择引擎方法可以可替换地以专用硬件(例如执行选择引擎的功能或子功能的一个或更多集成电路)实现。这样的专用硬件可以包括图形处理器、数字信号处理器、或者一个或更多微处理器和相关存储器。

图4示出处理300的流程图，通过处理300，用户703操作图2的选择引擎系统100来实现对机动车辆的有利选择。处理300以步骤301开始，在步骤301中，用户703通过经由相关键盘211和/或鼠标212(见图3)将合适的命令提供给他的客户机器102来执行选择浏览器软件应用213。在接下来的步骤302，用户703指定感兴趣的车辆，其在本示例中是机动车辆706(见图1)。在接下来的步骤303，用户提供与车辆706相关的得分(即各个属性的权重或系数)，从而将他们的用户偏好分配给所述属性。在某些选择引擎方案中，这些权重可以由选择引擎方案的其它用户来保留和使用。这些得分可以表示针对具有偏好的消费者、以其它系数为负的“二次方程式”方式指定的线性系数，并且表示效用以所消费的每一属性的量的平方减少的速度。但是，也可有其它变型。至少在另一变型中，这些权重可以被看作该项目的消费者总预算中的、他或她愿意花费在每一属性上的比例。在附录D中更加详细地展开这种变型。

由于这种偏好权重因其对用户的效用有贡献而超过对于该属性的相关“影子价格”(即边际成本)估计，因此存在由具有该属性的最低影子价格的机动车辆707的影子价格给定的该得分的有效下界。因此，假设对于特定用户，用于(比方说)安全性的偏好权重是$1,000，但是对于一个机动车辆，安全性的影子价格是$600。从安全性观点来看，该用户将从选取该车辆中获得$400利益。但是，较贵的机动车辆可能具有$1200的安全性影子价格，造成该用户$1,000减去$1,200(或负$200)的潜在负利益。从安全性观点来看，该用户不会选择该较贵的车辆，因此，对于该车辆，来自安全性的最小利益被设置为零而不是负$200。

在步骤303的另一变型中，通过从车辆列表中选择特定车辆，用户可以通过简单地指示用户喜爱的车辆的种类来表达权重或得分。可替选地，用户可以指示针对普通或具体数据车辆之一，例如针对车辆的特定款式和型号的广告的偏好。选择引擎于是可以生成将导致选择所偏好的车辆的个人偏好权重。这些生成的权重于是可以用于对所有可获得的机动车辆进行排名。

例如，Smith先生可以使用选择引擎来表达对无力购买的

型号的偏好。独立地，假设性能和安全性二者是

的相关属性，Jones先生将性能和安全性二者都排名较高，该

车辆对于Jones先生可以被识别为最佳车辆。就性能和安全性而言，Smith先生因此可以使用Jones先生偏好的结果(即，对

车辆的识别，以及来自该选择的Jones先生偏好的推断)来对所有车辆(包括较便宜的车辆)进行排名。

在一种变型下，在该用户的选择的每一属性上的花费可以理解为该属性的估计“影子价格”(即边际成本)与该属性的量的乘积，使得各个属性支出之和等于该用户的该车辆的价格(即预算或支出)加上表示车辆价格或每周成本的“未说明的”分量的系数。在这种方案中，车辆包括一组指定的属性加上由截距(intercept)项或常数项以及来自估计回归“说明”价格或预算的“残差”捕获的未指定的属性。但是，这样的、在组成有关项目的各个属性方面的构想支出的线性系统并非是唯一的可能规格。包括非线性说明的各种其它方案以及包括乘法项或“互作用”项也是可能的。

在一种方案中，选择引擎系统100通过关于步骤302将车辆的列表呈现在视频显示器202上，协助用户703与选择浏览器213进行交互，用户703可以从视频显示器202挑选指定的车辆。该列表例如可以是包括医疗保险产品、家庭抵押、普通保险、家具、不动产、机动车辆等等产品的分级列表。实际上是可以为其获得数据的任何产品或服务。

关于接下来的步骤303，一旦用户已经在步骤302指定了机动车辆，则在一种方案中选择引擎系统能够在视频显示器202上显示若干可替选的权重或得分集合，从中用户703选择特定集合。这在用户仅对于指定车辆的特定属性感兴趣并希望忽略车辆的其它属性的情况下可能是适用的。例如，如果

是Smith先生指定的车辆，则他可能仅对该车辆的性能和安全性方面感兴趣。而事实上，可能存在某些其它用户(例如Jones先生)关心的的很多其它属性。可替选地，或者另外地，选择引擎系统可以呈现隐式体现权重或得分集合的多个机动车辆，用户从中选择一个车辆。

通过这种方式，选择引擎系统能够限制用户可以选择的定制排列(customised permutation)的数量，从而限制系统的所需计算复杂度。这被称为综合选择数据预处理方法，并且结合图6更详细地进行描述。

用户还可以指定他或她愿意在车辆上花费的每时间段支出，或者指定各种预设预算或价格范围中的哪一个适合他或她。作为该情形的变型，他或她感兴趣的、并且他或她已经指定的车辆价格范围可以被转换为每单位时间段的预算范围。用户对支出或预算范围的指定是任选的，因为用户指定相对于这些属性的影子价格的高个人属性得分或低个人属性得分的意愿将确定选择引擎按排名顺序返回相对昂贵的车辆还是返回较便宜的车辆。

在步骤303的另一变型中，得分可以被表达为在与车辆706相关的该属性的估计“影子价格”之上的余量，从而按照与估计影子价格成比例的方式将他们的用户偏好分配给属性。因此，例如，用户可以对安全性属性打出在影子价格之上30％余量(0.3)的得分、在属性“性能”的影子价格之上60％余量(0.6)的得分、以及关于其它属性的其它得分。虽然这种变型可以在某些情况下使得更容易得到关于用户偏好的信息，但这通常是不推荐的，因为这可能意味着在估计影子价格方面的变化并未完全反映在针对具有不同的属性影子价格的各种车辆而计算的总效用得分中。这样的简单评分方法的另一问题在于其隐含以下情况：用户把由昂贵的机动车辆以高边际成本提供的属性评价为高，若非如此，也比能够提供具有更低影子价格的属性的更经济的车辆所提供的属性更高。

一旦用户已在步骤303中将需要的信息提供给系统，则选择服务器107在运行选择数据处理软件应用220的情况下在接下来的步骤304中使用用户信息来处理普通综合选择数据718，以得到一组候选机动车辆的效用得分。甚至当不存在与普通综合选择数据718的特定成员对应的候选机动车辆(例如广告)时，在一个变型中，至少普通车辆可以替代缺少的候选车辆被进行评分，使得若普通车辆得分超过可获得的候选机动车辆，则产生“想要的”广告。这在题为“效用评分”的部分更详细地描述。一旦完成该处理步骤304，则选择服务器107在接下来的步骤305中在客户机器102的视频显示器202上显示机动车辆的有序列表，该列表按照最优性的降序以车辆的对应的效用得分的顺序来反映车辆。

在包括在线分类广告(OCA)的车辆广告被直接评分的某些应用中，可以显示广告的有序列表。在至少一个可替选应用中，基于不存在具体选择车辆数据的、但是潜在地可能是优良的未做广告的实际车辆或潜在车辆的普通选择数据，经排名的广告可以与经排名的“潜在广告”一起显示。对这些经评分的普通车辆之一表达偏好可以生成针对预期卖方的“想要的”广告。

相应地，在本方案中，在步骤305，向用户呈现满足其需求的车辆广告的有序列表。所呈现的信息可以包括价格或预算范围(在一个方案中，用户可以在步骤303已经指定该价格或预算范围)，并且可以包括针对类似款式、型号和车龄、和/或具有类似里程表读数的车辆的多个广告。

当呈现类似的车辆(因此具有类似的效用得分)(但是通常具有较低“要”价的车辆排名较高)时，独立表明良好车辆状况的广告比没有这些优点的车辆排名高。因此，例如，携带(例如由国家道路和驾驶者协会(National Roads and Motorists Association，)颁发的)机械专家评估或者视觉专家评估的证书的车辆在列表中通常排名较高。此外，如果用户将车辆的状况指定为他或她关心的东西，则具有更高的自我报告状况排名的车辆将排名较高。

在接下来的步骤306，用户703确定是否已显示合适的机动车辆，并且如果已显示，当用户经由键盘211和/或鼠标212指示时，则处理300遵循从步骤306至步骤307的“是”箭头，其中，步骤307执行机动车辆接受处理。在涉及对普通机动车辆的评分的更全面的说明中，当等同的具体机动车辆不可获得时，用户可以进入步骤307，步骤307在普通机动车辆替代具体机动车辆而被选取时也执行机动车辆接受处理。但是，在这种情况下，由于当前没有“实际的”供应商或广告商，所以可以将“想要的”广告发送到预期供应商。

机动车辆接受处理307可以涉及在用户703和与所选择的机动车辆相关的卖家(或者在“想要的”广告的情况下为预期卖家)(例如726)之间的直接电子邮件联系。另一方面，可以使用其它机制(例如在线拍卖)来实现机动车辆接受处理307。

一旦完成了机动车辆接受处理307，处理300就进入步骤309，在步骤309中，用户703有机会使用选择引擎系统100搜索新的机动车辆。如果用户703选择搜索新的机动车辆，则处理300遵循从步骤309返回到步骤302的“是”箭头。另一方面，如果用户选择终止选择选取处理300，则处理300遵循从步骤309到“停止”步骤310的“否”箭头。

回到步骤306，如果在视频显示器202上的输出列表上没有显示合适的机动车辆，则处理300遵循从步骤306到步骤308的“否”箭头。在步骤308，选择浏览器213向用户703提供机会来通过调整步骤303中由用户提供的权重、或者通过选择将权重基于另一显示的机动车辆而隐式地调整权重来细化他们的选取。

用户还可以有机会关于他或她初始选取作为权重所基于的机动车辆的机动车辆，将权重增加或减少某个指定的百分比。例如，如果用户初始选取最高性能的

型号作为期望的车辆，则如果要求更多的性能，用户可以选择将该得分增加10％。

如果用户选择细化选项，则处理300遵循从步骤308回到步骤303的“是”箭头。另一方面，如果用户703选择终止目前的选择处理300，则处理300遵循从步骤308到步骤309的“否”箭头。

图5示出选择系统200如何处理用户输入的处理600，其中用户输入已在图4的处理300中由步骤303提供。处理600以步骤601开始，在步骤601中，选择服务器107确定是否已接收到来自用户703的请求。如果未收到，则处理600遵循从步骤601回到步骤601的环回方式中的“否”箭头。另一方面，如果已接收到来自用户703的请求，则处理600遵循从步骤601到步骤602的“是”箭头。在步骤602，选择服务器107接收如图4的步骤302中提供的对感兴趣的机动车辆的指定。换句话说，在步骤602，向选择服务器107通知：用户703对机动车辆感兴趣。此后，在步骤603中，选择服务器108接收根据图4中的步骤303由用户提供的个人权重。

如果具体综合选择数据724经过了预处理(见图6)，则在后续步骤604中，选择服务器107使用在步骤603中从用户接收到的个人权重作为索引，搜索选择服务器数据库713中的经过预处理的具体综合选择数据724。

此后，在步骤605中，选择服务器107在显示器202上按每一列出的机动车辆的效用得分的顺序、以有序列表的形式呈现所得到的个人选择数据(见图4的305)。在接下来的步骤606中，选择服务器107确定用户703是否已提供肯定输入，指示接受所显示的机动车辆之一。如果情况如此，则处理600遵循从步骤606到步骤607的“是”箭头。步骤607构成如先前结合图4中的步骤307所描述的机动车辆接受处理。此后，处理600进入步骤609，在步骤609中，选择服务器107确定用户是否希望开始新的选择选取。如果接收到了“再次开始”请求，则处理600遵循从步骤609回到步骤602的“是”箭头。另一方面，如果用户不希望开始新的选择搜索，则处理600遵循从步骤609到“停止”步骤610的“否”箭头。

回到步骤606，如果没有接收到肯定的用户输入，表示用户在图4的步骤304中尚未在所显示的有序列表中找到合适的机动车辆，则处理600遵循从步骤606到步骤608的“否”箭头。在步骤608中，选择服务器107确定用户是否希望细化他们的、如图4的步骤303确定的选择准则。如果情况如此，则处理600遵循从步骤608回到步骤603的“是”箭头。另一方面，如果用户不希望细化他们的选择，则处理600遵循从步骤608到步骤609的“否”箭头。

图6示出能够如何预处理具体综合选择数据724以减少所公开的选择引擎方案的计算复杂度的处理400，从而改进系统的响应速度。处理400以步骤401开始，在步骤401中，选择服务器107生成属性权重集合。

注意，在本示例中描述的属性权重可以采用比可以与每一项目的每一属性的估计“影子”价格比较的简单线性金钱价值量更复杂的形式，以反映用户的偏好。比特定车辆的属性“安全性”的影子价格估计更高的利益级别将意味着该属性向该用户提供净利益(盈余)。因此，对于(比方说)“安全性”的个人偏好权重越高，越有可能安全性更高但成本(影子价格)更大的较昂贵的车辆将排名很高。除了采用线性形式之外，这些利益(即偏好)指示符也可以采用其它形式，例如非线性形式。通过用户指示期望的项目(例如期望的车辆)，还能够推断消费者偏好。该方法在以下关于效用评分的部分中更详细地阐述。

事实上，当可以将提供这些属性的估计成本考虑在内时，可以使用保证用户“效用”在通过属性定义时为最大的任何偏好关系。此外，如果计算影子价格估计是不可行的，或者甚至是无关的，则评分系统也根本不需要影子价格估计。例如，如果来自(比方说)报纸文章的主题作为属性被进行评分，但访问所有报纸报道的成本是相同的，则尝试计算影子价格是没有意义的。用户可能仍然需要提供他们的个人偏好权重，于是效用评分机制在影子价格被设置为零的情况下仍然能够以相同的方式操作。

可以使用可能涉及分数或更高次幂和乘法互作用(multiplicativeinteraction)项的其它更繁杂的偏好关系，尽管这些偏好关系往往更加复杂。只要存在最优，就仍然有可能关于具有这样的较高复杂度的消费者选择进行优化。在某些情况下，对于消费者的优化问题找到隐式解而不是显式解，但是仍然有可能在这些更加普遍的条件下应用选择引擎方法。

回到本示例，由选择服务器107在步骤401中生成的权重属于允许的定制权重排列的预定集合。在接下来的步骤402，选择服务器107确定所考虑的机动车辆等级中的候选机动车辆的效用得分。

如将关于图8更详细地描述的那样，对于每一候选机动车辆，步骤402针对从用户103的观点来看是最优的、表征机动车辆的一组属性确定效用得分。该效用得分是利用偏好得分和在由该消费者提供的属性上定义的估计影子价格来构造的。该方法保证对于关于所有货品和服务的任何给定的总预算，选择引擎系统提供属性的最优组合，以及任一给定属性在其它属性的量已给定的情况下的最大量。

实际上，对于反映属性选择的用户的给定利益，选择引擎系统选取反映潜在影子价格(即边际成本估计)的、属性的最优的成本最小的组合。或者，对于给定的成本，在给定该用户的偏好以及由有关影子价格所指示的获得属性的估计成本的情况下，选择引擎系统选取属性的最优混合，该最优混合使消费者的效用最大。从任一观点来看，机动车辆是根据符合这些机动车辆的效用或“消费者”盈余(即，提供必要属性的估计成本的测量净值)被进行排名的。

在其最简单的形式中，个人得分由用户在步骤303(图4)中输入，并且在步骤603(图5)中被接收。因此，在知道每一属性的影子价格、对于该属性的偏好得分、每一机动车辆中每一属性的量、以及如有必要将限制用户所考虑的可行机动车辆集合的、消费者对机动车辆的期望预算的情况下，选择引擎计算该消费者期望的每一属性的最优量。每一属性的适当价格或相对成本是通过该属性的估计影子价格(见图8的步骤806)被给定的。这关于图9更加详细地予以描述。

特定车辆将根据其中实现的属性的影子价格和量、以及给定用户的所表达的偏好而获得得分。但是，该车辆可能排名很高或者排名很低。排名最高的一个项目(或多个项目)将保证消费者的、超过且大于消费者对提供适当的一组期望属性付出的成本的最高可能盈余。这样的一个或多个机动车辆对于该用户将具有最高的可能效用得分。不满足这种最优性条件的、在给定任何建议预算(如果存在的话)的情况下可行的机动车辆将具有更低的效用得分，这取决于它们距理想情况多远。在给定用户的所表达的偏好的情况下，这种评分处理使得用户能够到达对于他或她理想的车辆或车辆广告。

在最想要的车辆未被包括在具体选择项目数据中的情况下，于是“想要的”广告将告诫预期卖方：当经评分的普通选择项目被选中时，具体选择项目数据中缺少最有利的项目。

图6中的处理400从而按照根据如下(a)和(b)的顺序对候选项目进行排名：(a)向用户提供期望效用最大化级别以及每一属性的量的这些候选项目，以及(b)在给定他或她的偏好的情况下获得对于他或她理想的每一属性所需量的最低可能目标成本、以及如有关影子价格中反映的获得这些属性的隐式成本。因此，这是针对具有指定偏好的用户以及在给定估计影子价格的情况下产生有关机动车辆的理想或接近理想的排名的最优的、或至少是接近最优的处理。甚至在计算影子价格根本不相关或者不可行的情况下，从用户的观点来看，选择引擎方法仍然是适用的且是最优的。

举例来说，假设两个车辆具有相同的要价和所有权的每周成本，但以不同比例体现两个属性——安全性和性能。在客观上，基于车辆中嵌入的这两个属性的估计“影子价格”和量，这两个车辆的总成本是相同的。但是，一个车辆(私家轿车)与另一车辆(跑车)相比实现更高的安全性和更差的性能。对于属性“安全性”表达较高的主观属性得分而在属性“性能”上表达较低得分(尽管其它偏好方面相同)的用户将把更安全但性能较低的私家轿车的排名高于更快但较不安全的跑车。对于偏好较安全的车辆的消费者，私家轿车的效用或盈余将较高，并且类似地，相对于安全性而更偏好性能的消费者将偏好跑车。这两个用户都将被呈现以最佳表达他们的偏好的车辆，偏好安全性的用户选取更安全的私家轿车，而偏好性能的用户选取跑车。

在图6的步骤402之后，在步骤403中，选择服务器107存储例如由步骤401中定义的主观相对属性得分的集合进行索引的经评分的机动车辆。在接下来的步骤404中，选择服务器107确定是否另外的权重集合尚待进行预处理。如果另外的权重集合尚待进行预处理，则处理400遵循从步骤404回到步骤401的“是”箭头。如果相反，没有另外的权重集合要考虑，则处理400遵循从步骤404到“停止”步骤405的“否”箭头。

注意，执行处理400是相对于具体综合选择数据724来执行的。实际上，在一种方案中，这意味着由卖家726在具体项目数据727中提供的每一广告通过处理400与效用得分集合相关。因此，借助于处理400，Smith先生所拥有的、并且由卖家726做广告的Toyota

的广告具有每个都与步骤401所生成的主观相对属性得分集合相关的效用得分的集合。当用户703直接地或者通过在图4的步骤303中指出想要的或期望的项目来提供主观相对属性得分集合时，这些主观相对属性得分被用于构造与针对用户703的广告相关的效用得分。

广告的这些特定效用得分对于以用户表达的主观相对属性得分的形式的“主观”信息和以该广告的属性量、属性的估计影子价格和用户的总预算的形式的、可用于评分的“客观”信息二者都是具体的。在某些情况下，如果用户提交了预算范围，则用户的、对于机动车辆提出的预算也可以是有关的。在所述一种方案中，即使当具有相同属性的类似车辆将落入相同的预算范围内时，得分也确实取决于该广告的“要”价。通常，对于给定的款式、型号、年龄、可信的自我报告的状况报告、以及里程表读数，要价越低，排名就越高。

图7示出从目标特征数据709如何得到个人选择数据101的处理流程图。处理500以步骤711开始，在步骤711中，选择服务器107从目标数据库708获取属性输入数据714。考虑到机动车辆，可以通过以下来执行步骤711：对于新车和二手车辆，从

或

获得车辆的市场价格，并且对于二手要价、里程表读数、车辆分类及其它来解析在线广告。从针对车辆的在线分类网站(OCM)获取非常多的广告，该信息被解析以获得内容，并且该内容与

中的代码数据进行匹配。在可替选方案中，在线因特网分类广告提供商直接提供每一广告中集成的细节而无需解析。

代码于是提供每一做了广告的用过的车辆的相应技术特性(即特征)。还存在关于来自全球提供汽车说明数据的源(例如JATO)的技术车辆说明的数据的其它可能的源。通常，在广告中提供足够的信息，以使得能够基于车辆的款式、型号和特殊发布，与由比方说Glass Dealer

提供的主数据库连同已经相符的任何重要的任选额外信息进行匹配。

在接下来的步骤716，选择服务器确定普通综合选择数据718，如关于图8更详细描述的那样。此后，在步骤503中，选择服务器接收具体项目数据，如图1的箭头727所述，并且在步骤722确定具体综合选择数据724。在接下来的步骤400中，选择服务器执行具体综合选择数据724的预处理效用评分，如关于图6所述。

在接下来的步骤603中，选择服务器从用户接收个人主观相对属性得分，其定义用户的属性偏好(另外参见图5的步骤603)。在接下来的步骤508中，选择服务器搜索经过预处理的具体综合选择数据724以识别适当的候选机动车辆(在一个指定中，因为尚未对车辆的每一可能的款式和型号投放广告以及用户可能希望投放“想要的”广告，所以当具体选择项目数据不可用时，还有更综合的一般选择项目数据)并对其进行排名，所述候选机动车辆构成图2中的个人选择数据101。

图8更详细地示出图7中确定普通综合选择数据的步骤716。处理716以步骤801开始，在步骤801中，选择服务器107从选择服务器数据库713得到属性输入数据项714，该数据项714在图7的步骤711中被存储在选择服务器数据库713中。

处理800在步骤801之后遵循两个并行路径，一个路径涉及对有关项目的所有权的成本的估计(即步骤805)，而另一个路径涉及对有关项目的属性的标识、构造和评分(步骤802-803)。标识和估计所有权的成本是任选的，并且取决于关于车辆的修理、保养和操作成本的数据的可用性。当这样的综合数据不可用时，则可以用项目的价格(例如车辆的要价)来代替。

关于所有权的成本的确定，其与特定的时间段有关，在步骤805中，选择服务器107从

Dealer Guide获得新车和二手车辆价格或等同数据，其现在被存储为属性输入数据项714，并且选择服务器107通过依据生活成本(CPI)指数进行调整来将价格更新到当前时段。可以将来自经解析的广告的任选额外因素加到新的价格上，以便进行比较。选择服务器107于是估计车辆分段分类(vehicle segment class)内的每一款式和型号的相对剩余价值(RRV)，其为相对于经过调整的新价格的“二手”要价(可以从来自于(比方说)发动机注册、车辆拍卖数据或其它的机动车辆和税收统计获得“二手”价格)。于是从RRV可以推断表示每一款式和型号的值的改变的折旧表。这种估计是依据每一车辆的指定的制造年期(年龄)和相关里程表读数(即车辆行驶的公里)来执行的。

步骤805使用采用普通最小二乘法(OLS)的回归分析，或者相当的统计技术，以对于每一车辆分段、对于车辆分段的款式和不同款式全面估计折旧表。还可能使用估计的其它更复杂的统计方法，例如最大似然(ML)或一般化动差法(General Method of Moments，GMM)。在每种情况下，使用最详尽的或粒度的估计。由于二手车辆价格经常改变，并且从在线分类广告(OCA)站点不断获得车辆要价的新的值，所以可以连续更新前述折旧表。执行步骤805的前述方法仅仅是说明性的，并且可以通过其它方式来完成步骤805。

此后，步骤805估计对于有关项目的“花费意愿”，例如，在机动车辆的情况下为所有权的每周或年度总成本(即用户费用)。对于有限数量的车辆，这种估计是利用例如从NRMA(或其它源)所提供的数据外推出的、对于所有款式和型号的操作和保养成本，基于范围从比方说10,000到50,000km的每年行驶距离来完成的，并且被存储为属性输入数据项714。将这些成本加上折旧(如上所述那样获得并且基于RRV随车龄的改变)以及反映在每个年中时段投入的基金的机会成本的资本成本。资本成本通常被设置为每年10％，但是，可以适当地使用其它比率。

总之，使用回归分析和计算出的折旧费能够估计以下分量：车辆的用户费用，相对于新车的、为车龄(制造年期)和里程表读数的函数的剩余价值。根据由商业卖家(例如NRMA)所提供的数据能够估计对于不同每周或年度公里的保养、修理、注册、保险、燃料和行驶成本。通过应用隐式费用(例如在时段期间的车辆平均价值的10％)来估计在车辆中投入的资本的机会成本。

回到涉及步骤802-803的并行处理路径，在步骤802中，选择服务器及其操作者通过标识在以统计上显著的方式影响每时段的花费或支出的意义上用户关心的属性或者用户准备为有关项目支付的价格，标识和/或更新被认为相关的属性。

通常，用户关心且昂贵的属性具有正的且相当高的影子价格。例如，只要因为制造较安全且较高性能的车辆对于提供商较昂贵，则较安全或者较高性能的车辆可以预期具有较高的价格。选择引擎方案提供高效的机制以供用户输入他们对属性的偏好以及对这些偏好进行适当“折衷”，在考虑到满足这些偏好的估计成本的情况下使得消费者/用户能够进行最优选择。

选择引擎(703)的用户(我们以i对其进行索引(标识))将他或她的、用于所有项目的总预算(即用于所有可能的总花费或支出)$yⁱ在属性1(其在所述项目为(比方说)车辆的情况下可能表示车辆的“安全性”)的品质q₁和属性2(“性能”)的品质q₂的项之间进行分配，对其，他或她在竞争市场中最多购买一个单位的项目(车辆)并且支付$p(项目具体预算，即项目价格)，其中，他或她的总预算的剩余部分花费在“所有其它货品”xⁱ上，其单位价格为$1。

这种模型可以从两个扩展到任何数量(n)的属性。这种简单的说明意味着忽略了消费者的总收入对于他/她的涉及有关项目的选择的影响(缺少收入影响)。

在涉及机动车辆的所述示例中，被标识为对于用户703尤其重要的属性是：(a)安全性、(b)豪华性、(c)性能、(d)绿色(环保)、(e)空间、(f)城市、(g)牵引、(h)经济、以及(i)越野。

在步骤803，选择服务器和/或其操作者根据在步骤801中已获取的有关特征来构造前述属性中的每一个属性。因此，例如，在本示例中“安全性”是由59个特征构造的属性，这59个特征为可观察的因素，例如具有或缺少气囊以及气囊的数量、车辆重量、碰撞测试得分、车辆类型的定义和已知的具有很低事故率或死亡率的“安全”车辆类型、具有或缺少四轮盘式制动器等等。

使用因素分析(作为可以使用的统计技术的一个示例)，对所构造的属性进行提炼。因素分析是一种使用特征数据的相关性结构来减少维度的统计工具。例如，有可能将构成“安全性”因素的变量的数量从潜在的数百个特征减少到一个或更多特征。构成安全性因素的很多特征是高相关的，因而包含基本相同的信息，而提炼的特征是彼此“正交”的，即不相关的。包含大量解释力(explanatory power)的前两个因素分为“避免”因素和“改善”因素。可以使用矩阵的“特征向量”将这两个因素或前“n”个因素一起“加权”，或者根据它们的解释力而对其进行加权，以创建单个“安全性”得分。

假设由于安全性是“好的”而非“不好的”，所以只有正值是可接受的。此后，对许多机动车辆款式和型号检查安全性得分，以保证针对更有限的款式和型号集合，安全性排名有意义并与汽车新闻工作者等等的排名一致。如果有数据缺失，或者某些结果似乎不合理或难以置信，则可能需要再次进行整个处理，直到结果是可接受的。只有具有大于预定阈值的解释力的这些属性需要保留，并且在不实质影响选择引擎结果的情况下可以丢弃落到阈值之下的那些属性。

对于感兴趣的每一候选机动车辆，选择服务器107于是确定每一属性该候选机动车辆具有多少。候选机动车辆包含的特定属性的量被称为“属性得分”。因此，例如考虑到安全性属性和部件特征(例如具有或缺少气囊和气囊的数量、车辆重量、碰撞测试得分、车辆类型的定义和“安全”车辆类型、具有或缺少四轮盘式制动器)，对每一候选机动车辆给定属性得分。因此，关于气囊，具有气囊的候选车辆将被赋予指示符值“1”，而没有气囊的车辆将被赋予指示符值“0”。该方法连同统计技术(例如因素分析)被用于每一属性以创建属性得分，因此每一候选车辆由属性得分的定量矢量来表示。

一旦完成步骤805和步骤802-803，处理800进入步骤806，在步骤806中，选择服务器107执行两个不同但有关的任务，即(a)对于每一候选机动车辆，确定与属性相关的影子价格，以及(b)测试属性的每一组合的解释力。步骤(a)确定购买给定属性的额外“单元”在客观上花费多少，其中，影子价格反映与有关属性对应的成本的增量。给定“理想的”信息使得对每一属性的品质的度量也是“理想的”，则特定属性的影子价格独立于所考虑的候选车辆。在这种情况下，由于“安全性”的度量在所有车辆上都将相同，将花费例如$550购买任何候选车辆中的“安全性”的额外单元。但是，由于信息并非理想的(例如，

中使用的盘式制动器与Toyota

中的盘式制动器相比具有更大的制动力并且更可靠)，因此影子价格随各候选车辆可能变化。例如，通常特定属性(例如“性能”或“安全性”)在豪华的或高性能的车辆中将更昂贵。

例如，“安全性”单元的影子价格在价值$250,000的车辆中比在价值$15,000的车辆中花费更多。这是因为例如在中具有盘式制动器这一特征通常不等同于在相对便宜的车辆中具有盘式制动器。通过使得估计的影子价格取决于车辆类别(例如“小型”或“豪华”)，或者通过对于每一汽车类别或对于车辆的每一款式分别估计影子价格，可以改进这样的问题。在关于固定偏好得分的车辆类别间的、这些影子价格或边际成本估计的基本差异意味着针对每一用户得出适当的偏好得分是重要的。关于偏好得分的较高价格车辆的特定属性的高影子价格意味着用户将偏好购买较低价格的车辆，因为其提供该属性更便宜。用户并不充分评价高成本的属性以考虑较高价格的车辆。

步骤(b)确定在步骤802中标识的属性与在步骤803中构造的属性的关联(即，正确)的程度。通过所添加的每一属性对处理800作出的递增解释贡献来指示正确性的度量。换句话说，使用有关统计过程的递归分析或变型，通过这些创建的属性来“解释”具有变化的年度公里的机动车辆的每一款式和型号的所有权的每周(或者月度、或者年度)成本，或者更简单地说，是各个新的和二手“要价”。

如果所公开的选择引擎方案应用于较低成本项目(例如MP3播放器、

或大众数码相机)，或者在难以估计每时段成本的组成的情况下，购买价格可以用作所有权的“每时段”成本的代替品。在此，解释力是就解释项目的购买价格(即成本)的统计过程的能力而言的。

回到选择引擎方案的车辆应用，“安全性”的系数(其应当是在统计上显著并且为正的)被解释为安全性的“影子价格”。尽管这种回归描述了用户成本与这些因素的量之间的线性关系，但是如果非线性关系更适合该数据，则也有可能是非线性关系。所描述的特定示例假定线性关系，并且假设所估计的线性关系反映提供这些属性的制造商的技术成本。一旦以比方说80％或更多的合理高的显著性(R平方)总水平创建了统计上显著并且为正的因素价格的合理集合，则因素创建以及使用回归分析来估计影子价格的这个过程中止。

接下来的步骤807使用关于步骤806描述的解释测试，使得具有低的或可忽略的解释力的这些属性能够从分析中被排除，因此减少了需要考虑的特征和属性的数量。如虚线箭头810所示，处理800能够环回到步骤802，以使得能够提炼属性。

接下来的步骤808将前述影子价格和属性得分作为普通综合选择数据718的一部分存储。如箭头809所示，处理800于是回到步骤801，并且以周期性或连续的方式执行这样的处理。

注意，图8的处理716基于从图1的目标特征数据709得到的市场数据输出用于典型假想车辆的普通综合选择数据718。这样的假想车辆例如为1990 Toyota

图7的步骤722使用具体项目数据727(其可以采用针对具体机动车辆的广告的形式)将该普通综合选择数据718映射到具体综合选择数据724，具体综合选择数据724与“真实的”或“实际的”车辆有关。这样的真实的车辆例如为Smith先生拥有的1990 Toyota

图9是示出效用评分处理900的流程图，效用评分处理900例如用于图7中。处理900以步骤901开始，在步骤901中，选择服务器107限定用户的效用目标关系(即效用函数)，该效用目标关系是通过在有关项目的一个单元(虽然原则上可以存在多于一个单元)中包含的属性(其在图8的步骤802中确定)和个人偏好权重(其由用户在图4的步骤303中提供)、以及用户在除了有关货品或服务的一个项目之外的所有其它货品和服务上的(构想)花费而被指定的。不需要导入或提供关于所有其它费用的这样的信息。在以下等式(1)中提供了这种效用目标关系的简单的两个属性的示例。

在接下来的步骤903，选择服务器107确定总预算约束以及这个(再一次构想的)约束如何等于用户在有关项目上的支出加上关于所有其它货品和服务的所有其它项目的花费，其中，通过作为属性(在该示例中为机动车辆)的量的某个函数的项目价格给定用户在有关项目上的支出。再次对于具有两个属性的项目的简单情况，由以下等式(2)给定该步骤的数值示例。

此后，在步骤905，选择服务器107确定与每一项目相关的属性的影子价格(即边际成本)(在图8的步骤806中确定)，在该示例中，所述属性例如为车辆的款式和型号。在以下等式(3)至(8)中给定该步骤的数值示例。

在步骤907中，选择引擎使得包括相应的属性影子价格的效用目标最大化。由以下等式(7)至(25)给定该步骤的数值示例。

最后，在步骤909中，选择服务器107对被给定属性的指定量、偏好权重以及每一候选项目的相应影子价格的候选项目进行评分。在等式(24)和(26)中给定了如何执行该评分的数值示例。

确定效用得分的数值示例

在一个示例中，效用得分的确定(其在步骤604(图5)、步骤402(图6)和处理400(图6和图7)中提及)可以如下所述那样执行。

最初相对于仅仅两个属性，我们采用简单二次函数说明作为我们的示例。稍后，这被扩展到任意数量(n)个属性。消费者拥有表示如下的简单二次效用函数(或者对于简单二次效用函数的某种近似)：

$u(q_1,q_2)=a_0^i+a_{11}^i{q}_1-\frac{a_{12}^i}{2}{q}_1^2+a_{21}^i{q}_2-\frac{a_{22}^i}{2}{q}_2^2+x^i,---\left(1\right)$

其中，a₀是加法常数项，a₁₁ ⁱ表示特定于消费者i的、他或她给予属性1的线性偏好得分或“效用权重”，其乘以属性1的量q₁(实际上，为该属性的品质)，是二次(平方)项q₁ ²的负系数。类似地，适用于第二属性q₂的量的系数a₂₁ ⁱ以及对于q₂的平方(q₂ ²)的负权重

表示对于第二属性(在这里为“性能”)的系数。因此，相对于属性2(“性能”)而对属性1(“安全性”)设置较高值的用户将具有偏好值 $a_{11}^i>a_{12}^i,$ 并且如果出现要满足安全性，安全性相对于性能具有更高的属性级别，则 $\frac{a_{12}^i}{2}<\frac{a_{22}^i}{2}.$ 这种情形意味着，虽然任何属性的对于用户的边际估值将随着在任何给定项目(例如机动车辆)中包括更多属性而下降，但安全性相对于性能的下降速率较慢。随着车辆质量的提高，具有更高的安全性和更高的性能，该用户选取的车辆相对于性能将倾向于改善安全性。以下描述用于确立这些值的若干机制。

根据一个方案，在以上方程(1)中，“所有其它货品”xⁱ的表示以简单线性的方式出现。或者，以使得找到最优方案更加复杂为代价，可以引入如以下二次表达式的函数形式，其中该二次表达式在“所有其它货品”xⁱ方面为正的和线性的，并且在“所有其它货品”的平方(xⁱ)²方面为负的，并且与属性的项类似。但是，所提出的简单方法的优点之一在于，总预算约束yⁱ和在“所有其它货品”上的花费xⁱ二者都不需要由选择引擎的用户(703)知道或提供。

存在若干方法，通过所述方法，能够以近似的形式来获得用于属性q₁和q₂中的每一个的这些线性属性系数(分别为a₁₁ ⁱ和a₂₁ ⁱ)。在第一方案中，这可以通过自我报告(例如，使用鼠标212点击屏幕202上的、对项目的不同属性进行排名的特定方框，项目的不同属性用于构造上述系数的估计)的形式来完成。以下更详细地讨论这类方案以及关于它的变型。在可替选的方案中，作为关于输入用户的偏好的第一步骤，用户可以点击他们所喜欢的特定项目(例如，对于该用户期望的想要的车辆)。其后用户有机会修改这些偏好。以下更详细地描述该方法。方程(1)并不直接用于选择引擎计算。此外，用于确立选择引擎的方法继续如下：

用户使得在他或她的总预算约束的条件下的个性化效用表达式(1)最大化，该总预算约束表示如下：

$y^i=p(q_1^i,q_2^i)+x^i,---\left(2\right)$

其中，yⁱ表示他或她的总收入或预算，并且p(q₁ ⁱ，q₂ ⁱ)是包含q₁ ⁱ单元的属性1和q₂ ⁱ单元的属性2的项目(例如机动车辆)的价格。因此，在这个简单示例中，仅选取一个项目。

使用方程(2)来求解“所有其它货品”xⁱ的量，并且代入方程(1)产生用于效用的以下表达式(为了简化，省略属性量的上标)：

$u(q_1,q_2)=y^i+a_0+a_{11}^i{q}_1-\frac{a_{12}^i}{2}{q}_1^2+a_{21}^i{q}_2-\frac{a_{22}^i}{2}{q}_2^2-p(q_1,q_2),---\left(3\right)$

其中，观察到的实际价格或要价从总收入项yⁱ和涉及属性的偏好项中扣除。也可以从等式(3)省略该项yⁱ，常数项a₀也能够省略，因为它们没有其它作用。它们不随项目(例如车辆)的属性或价格而变化。

除了由以上方程(1)和(3)所描述的表示选择引擎的用户(703)的效用目标函数之外，有关项目(在所述示例中为机动车辆)的生产商还需要关于项目的什么特性在市场上是实际可获得的而进行选择。假设生产商在什么属性使得他们的制造、进口或经销活动的收益性最大化时决定在项目中包括所述属性。他们的机会由取决于集成到项目中的属性q₁和q₂的简单线性收益函数π(q₁，q₂)来描述。除了对于q₁和q₂为线性的项(即b₁和b₂)之外，该收益函数还可以包含属性之间的乘法互作用项，如简单的两个属性关系的以下示例中所示：

π(q₁，q₂)＝p(q₁，q₂)-(b₀+b₁q₁+b₂q₂+b₁₂q₁q₂)，     (4)

其中，p(q₁，q₂)是生产商/供应商接受的关于包含q₁单元的属性1和q₂单元的属性2的项目的价格，并且也是有关项目的要价，b₀是常数项，b₁是属性1的线性函数系数或影子价格，而b₂是属性2的系数或影子价格，并且b₁₂是乘法互作用项，描述了生产/提供一个属性的成本如何随有关项目的另一属性的提供而变化。乘法互作用项是任选的。

虽然在等式(4)中未示出，但是该等式的右边可以包括一大堆“控制”变量，例如车辆的款式和型号、车辆的年龄或制造年期、型号的寿命(如果其为当前型号)，描述车辆状况(例如引擎、传动装置、悬挂、转向、制动、轮胎、车体、内饰、注册时段剩余、销售价格的性质(例如经销商、私人、零售、拍卖等等))的各种变量。

由等式(4)所表示的收益函数都不是由生产商/提供商来索引的(也就是说，假设b₀、b₁、b₂和b₁₂对于各提供商如Ford、General Motors、Toyota、Mercedes等等是相同的，或者至少是相当相似的，或者这些变化被考虑在内)，这表示在此所做的简化假设：各生产商/提供商之间的技术的差异远非选择引擎的各用户之间的偏好的差异那么大。如果情况并非如此，则存在可以用于标识成本或技术参数并且将它们与偏好参数分离的估计技术。

制造商/提供商通过适当选取属性(在该简单情况下仅为q₁和q₂)的量(实际上即它们的品质)使等式(4)中的收益π(q₁，q₂)最大化，其中，以下两个一阶条件给定对项目可以售出的价格减去增加这些属性的递增成本的递增影响，其中，符号

表示分子的、关于分母的小量变化的变化：

$\frac{\&PartialD;\mathrm{\&pi;}(q_1,q_2)}{\&PartialD;q_1}=\frac{\&PartialD;p(q_1,q_2)}{\&PartialD;q_1}-(b_1+b_{12}{q}_2)=0,---\left(5\right)$

以及

$\frac{\&PartialD;\mathrm{\&pi;}(q_1,q_2)}{\&PartialD;q_2}=\frac{\&PartialD;p(q_1,q_2)}{\&PartialD;q_2}-(b_2+b_{12}{q}_1)=0.---\left(6\right)$

此外，假设有提供有关项目的竞争性市场(有可能放松这种假设并允许供应商拥有市场支配力)。这保证价格函数p(q₁，q₂)与由关系b₀+b₁q₁+b₂q₂+b₁₂q₁q₂所描述的成本/技术函数相同，从而，在将定价等式的表达式代入等式(3)时，用户目标(效用)函数变为：

$u(q_1,q_2)=y^i+a_0+a_{11}^i{q}_1-\frac{a_{12}^i}{2}{q}_1^2+a_{21}^i{q}_2-\frac{a_{22}^i}{2}{q}_2^2-(b_0+b_1{q}_1+b_2{q}_2+b_{12}{q}_1{q}_2).---\left(7\right)$

注意，由于通常我们不具有(或者对于该事务而言不需要)关于在线分类广告站点的用户的消费者总预算或收入的信息，因此我们可以省略等式(7)中的总收入或预算项yⁱ。但是，它在该数据可用的情形下(例如，自我报告的、调查或普查数据)可以容易地被保留。此外，如果我们希望的话，可以在某阶段省略这两个常数项(a₀和b₀)以及附加“控制”项的系数，因为它们不随项目中包含的属性的水平而变化。

为了数学上的简便，在以下回归方程(方程(8))中的属性q₁至q_n被限定为表示具有正号的“正品质”而非“负品质”，在这种情况下，仅正品质出现在等式(1)的右边(RHS)。在图8的步骤806中限定的相关影子价格b₁至b_n也被限定为正的。因此，例如，如果第j属性得分q_j是不可靠性的度量，则应该变换该变量使得“不存在不可靠性”(即，(比方说)可靠性性)变为该度量。

用于变换变量的一种方式是取倒数。例如，如果最初q_j是连续变量(并非虚变量)即车辆制造年期(年龄)，其具有回归系数b_j＜0，则将“制造年期”重新限定为(比方说)“制造年期倒数”或“崭新度”

新车被指定为制造年期“1”，小于1年的被指定为“2”、1-2年的被指定为“3”等等。

前述步骤使用基于消费者效用最大化的评分系统。在一个示例中，这是基于具有n个(在本示例中为9个)属性q₁至q_n的线性形式使用回归而被确定的，其中，如在图8的步骤803中确定的那样，n个属性q₁至q_n为(a)“安全性”、(b)“豪华性”、(c)“性能”、(d)“绿色”(环保)、(e)“空间”、(f)“城市”、(g)“牵引”、(h)“经济”、以及(i)“越野”。

必须使用传统回归技术、根据对有关项目的观察价格以及属性q₁、q₂等等的很多观察来估计等式(7)中出现的、以线性形式表示的价格函数p(q₁，q₂)＝b₀+b₁q₁+b₂q₂+b₁₂q₁q₂。注意，往往建议对于(比方说)每一类车辆(如果有关项目是车辆)估计分立的关系。将有关项目的价格或要价作为依赖变量(或者，所有权的每周成本)，产生以下形式的普通最小二乘法(OLS)(或类似的统计技术)回归方程：

p(q₁，q₂)＝b₀+b₁q₁+b₂q₂+b₁₂q₁q₂+ε，(8)

其中：

·ε为误差项(对于关于(比方说)价格的特定观察，实际值(即p(q₁，q₂))与预测值(即b₀+b₁q₁+b₂q₂+b₁₂q₁q₂)之间的差)，假设该误差项为具有零期望值的正态分布；

·p(q₁，q₂)＞0为对有关项目的金钱支出，例如，具有不同属性规格的每一特定车辆的车辆所有权的每周成本，或者具有不同属性的新车和二手车辆的价格，或者不同款式和型号的机动车辆(新的和二手的机动车辆)的实际交易价格(有可能是要价)；

·q₁至q_n为在图8的步骤803中对于每一项目限定的属性的量，在方程(8)中n被设置为等于2；

·n为属性的数量，但在该示例中被设置为n＝2；

·q_i是第i因素(即属性)的量；

·b₁至b_n是来自回归的估计系数，所述估计系数被作为提供属性的影子价格或边际成本，其中，b₀为“常数”项或每单位时间段的支出的未说明部分，而第j属性与第k属性之间的互作用项b_jk反映了提供一个属性的边际成本受另一属性影响的方式，其中，只要对于期望属性的量的最优解(见以下等式(12)和(13))为非负的(q_j ^*i≥0)，则互作用项b_jk可以是正的或负的。

除了普通最小二乘法(OLS)之外，用于回归方程的其它合适的估计技术包括最大似然(ML)和款式/型号固定效应(FE)。在FE回归中，针对机动车辆的所有款式和型号而非其中之一包括指示符变量(截距)。

还建议在估计回归之前对多个变量进行变换。例如，应当通过根据最高定价(或用户成本)的车辆进行缩小来将每一车辆的价格或用户成本在0到1范围上进行定标，并且对于整个数据库，也将每一属性在0到1范围上进行定标。

如果车辆已经开了k公里(根据里程表读数)并且具有“崭新度”j(比方说，制造年期的倒数)，则估计价格函数系数可以是b_j＞0，b_k＞0以及任何符号(正或负)的b_jk。因素的模型和规格的优势或弱点主要取决于所构造的因素的、解释所有项目的价格或“用户”成本与每一项目中实施的属性的量之间的回归方程(8)的能力。

例如，如果属性设计或者构造不佳，则它们将不能“解释”来自使用所述属性(q₁和q₂)的回归方程(8)的项目支出(p(q₁，q₂))或成本上的很多变化。不仅影子价格b₁至b₂可能是统计上显著的，而且该方程的总体拟合可能较差，具有低解释力(即低R²)。因此，任何新的因素(例如，车辆的“叫好”因素)应当是统计显著的，并且增加总体解释力。由于影子价格的回归方程估计可能并非总是表现良好，如以下方程(26)中指出的那样，因此，尤其重要的是在评分等式中包括残差值(项目的要价与其预测值之间的差)。

所公开的选择引擎方案的针对十个标准车辆分段的当前实现示例导致等式(1)与基于市场的车辆价格的大约80％的拟合。

如方程(7)所示，通过适当选取属性q₁和q₂的量以得出最大化问题的以下一阶条件，现在可以使集成价格回归的系数、进而集成“影子价格”系数的分类广告站点(或类似物)的用户的效用函数最大化：

$\frac{\&PartialD;u(q_1,q_2)}{\&PartialD;q_1}=u(q_1,q_2)=a_{11}^i-a_{12}^i{q}_1-(b_1+b_{12}{q}_2)=0,---\left(9\right)$

以及

$\frac{\&PartialD;u(q_1,q_2)}{\&PartialD;q_2}=u(q_1,q_2)=a_{21}^i-a_{22}^i{q}_2-(b_2+b_{12}{q}_1)=0,---\left(10\right)$

其中，用户的线性偏好系数是关于以上等式(1)限定的a₁₁ ⁱ和a₂₁ ⁱ，a₁₂ ⁱ和a₂₂ ⁱ(也是在等式(1)中限定)是二次属性量q₁ ²和q₂ ²的用户偏好系数，并且其余系数是由方程(8)限定和估计的估计“影子”价格或边际成本b₁、b₂和b₁₂。

注意，最大值的充分条件要求在关于两个属性变量的递增影响的最优点处边际效用比边际成本下降更快。关于第一和第二属性变量的条件如下：

$\frac{{\&PartialD;}^{2}u(q_1,q_2)}{\&PartialD;q_1^2}=-a_{12}^i{q}_1<0;\frac{{\&PartialD;}^{2}u(q_1,q_2)}{\&PartialD;q_2^2}=-a_{21}^i{q}_2<0.---\left(11\right)$

在求解关于q₁和q₂的一阶条件(等式(9)和等式(10))时， $q_1=q_1^{*}$ 的最优解表示如下：

$q_1^{*i}=\frac{a_{22}^i(a_{11}^i-b_1)-b_{12}(a_{21}^i-b_2)}{a_{12}^i{a}_{22}^i-b_{12}^2}\&GreaterEqual;0,---\left(12\right)$

而对于 $q_2=q_2^{*}$ 表示如下：

$q_2^{*i}=\frac{a_{12}^i(a_{21}^i-b_2)-b_{12}(a_{11}^i-b_1)}{a_{12}^i{a}_{22}^i-b_{12}^2}\&GreaterEqual;0.---\left(13\right)$

这些表达式(12)和(13)在缺少技术(边际成本)互作用效应(被设置为零，b₁₂≡0)的情况下说明，对于第i消费者， $q_1^{*i}=\frac{a_{11}^i-b_1}{a_{12}^i}$ 并且 $q_2^{*i}=\frac{a_{21}^i-b_2}{a_{22}^i},$ 使得对于第j属性 $q_j^{*i}=\frac{a_{j1}^i-b_j}{a_{j2}^i}.$

因此，对于要获得的关于第j属性的正的最优属性得分或值 $(q_j^{*}>0),$ 第i消费者的边际偏好加权超过估计边际成本，即 $a_{j1}^i>b_j.$ 此外，每一属性的第i消费者的二次偏好项(a_j2 ⁱ)的绝对值越小，第i用户或消费者将选取越多的第j属性，q_j ^*i越大。

将具有单个属性的等式(3)中的价格p(q₁)由也具有单个属性的等效线性回归方程(8)来代替，产生以下等式：

$u^i\left(q_1\right)=a_0^i+a_{11}^i{q}_1-\frac{a_{12}^i}{2}{q}_1^2+y^i-(b_0+b_1{q}_1+\mathrm{\&epsiv;}),---\left(14\right)$

$=y^i+a_0^i-b_0-\mathrm{\&epsiv;}+(a_{11}^i-b_1)q_1-\frac{a_{12}^i}{2}{q}_1^2,$

其中，ε是具有零期望值的同分布的误差项。

对于n个属性的更普通的表达式表示如下：

$u^i=y^i+a_0^i-b_0-\mathrm{\&epsiv;}+(a_{11}^i-b_1)q_1+...+(a_{n1}^i-b_n)q_n-\frac{a_{12}^i}{2}{q}_1^2-\frac{a_{22}^i}{2}{q}_2^2-...-\frac{a_{n2}^i}{2}{q}_n^2.---\left(15\right)$

关于q₁(或品质属性的向量)的优化产生第i消费者的最优品质q₁ ^*i(或者跨n个属性的品质向量q₁ ^*i，q₂ ^*i，...，q_n ^*i)的内部解，使得效用最大化。

$q_1^{*i}=\frac{a_{11}^i-b_1}{a_{12}^i},$

$q_2^{*i}=\frac{a_{21}^i-b_2^i}{a_{22}^i},---\left(16\right)$

$q_n^{*i}=\frac{a_{n1}^i-b_n}{a_{n2}^i}.$

由等式(16)给定的这n个解(每一个解用于n个属性中的一个属性)只是比以上两个属性的情况下提供的解(以上等式(12)和等式(13))更加简单，因为技术/成本说明中不包括互作用项。

二次效用函数保证对于品质属性中的每一个属性存在最优内部解。品质以线性用户权重系数a₁₁ ⁱ，a₂₁ ⁱ，…，a_n1 ⁱ增加、以表示提供该项目的该(这些)品质属性的边际成本的该品质项的“影子”价格(边际成本)回归系数b₁ ⁱ，b₂ ⁱ，…，b_n ⁱ减小，并且以二次效用系数a₁₂ ⁱ，a₂₂ ⁱ，a_n2 ⁱ下降，其中，效用函数中的负号表示边际效用随品质的增加而减少。因此，对于每一属性，消费者/用户能够很快变得满足，并且偏好至少一点某些其它属性。

把由(16)给定的解(或解向量)代入效用的简单单个属性表达式(等式(14))，得到如下：

$u^{*i}=y^i+a_0^i-b_0-{\mathrm{\&epsiv;}}^{*}+\frac{{(a_{11}^i-b_1)}^2-\frac{1}{2}{(a_{11}^i-b_1)}^2}{a_{12}^i},$

$=y^i+a_0^i-b_0+\frac{1}{2}\frac{{(a_{11}^i-b_1)}^2}{a_{12}^i}-{\mathrm{\&epsiv;}}^{*},---\left(17\right)$

对于单个属性的情况，其中，上标项(*)表示最优解。优化后效用的多属性解表示如下：

$u^{*i}=y^i+a_0^i-b_0+\frac{1}{2}\frac{{(a_{11}^i-b_1)}^2}{a_{12}^i}+\frac{1}{2}\frac{{(a_{21}^i-b_2)}^2}{a_{22}^i}+...+\frac{1}{2}\frac{{(a_{n1}^i-b_n)}^2}{a_{n2}^i}-{\mathrm{\&epsiv;}}^{*}.---\left(18\right)$

因此，如果该项目对于第i用户是最优的，如上标*所示，则关于品质(或品质向量)的边际成本和利益是相等的并且效用得分以总收入yⁱ(其将被分配给所有预算项目)增加，并且以第i消费者的边际利益a_j1 ⁱ与边际成本b₁之间的差的平方(以速率a_j2 ⁱ缩小)增加，其中，边际效用对于第j属性以速率a_j2 ⁱ下降。

应该从效用得分中减去来自最优项目的回归方程(8)的估计残余误差ε^*。这个估计残差误差等于项目的实际价格或“要”价与由估计方程(在两个属性的简单情况下为方程(8))给定的其预测价格之间的差，所述实际价格或“要价”例如可以显示在分类广告网站上。这保证在获得用于最优项目的合适得分时扣除有关项目的完全要价或实际价格。

对于非最优的所有项目(例如，由分类广告表示的车辆)，效用得分将较低：uⁱ≤u^*i并且，因此车辆排名在有序顺序中也将较低。

对于每个消费者(选择引擎工具703的用户)，对于第j属性存在两个未知数：线性系数a_j1 ⁱ和二次系数a_j2 ⁱ，并且对于第i用户关心的每个品质属性具有类似的项。因此，以简单、快捷且有效的方式获得这些未知数似乎是艰难的任务。

在使用基于属性偏好自我报告的方法的情况下，存在能够获得必要偏好信息的若干方式。由于效用对于特定属性不能是为负的，因此，无论何时特定项目的第j属性(例如，车辆的款式和型号)的“影子”价格边际成本估计b_j超过由第i用户赋予该属性的该属性的边际估价a_j1 ⁱ，期望属性值都被设置为零。因此，无论何时 $b_j{\&GreaterEqual;a}_{j1}^i,$ q_j ⁱ为零。因此，可以如前面针对作为一个方案的等式(1)那样，继续直接向选择引擎的用户请求a_j1 ⁱ系数的值。

可替选地，而通常不适当地，可以向用户请求基于边际成本估计b_j、以百分比或比例余量的形式指定的第j主观偏好权重的估计，如下：

$a_{j1}^i=(1+{\mathrm{\&alpha;}}_j^i)b_j,---\left(19\right)$

其中，α系数α_j ⁱ是线性偏好权重a_j1 ⁱ与影子价格估计b_j相差的比例。但是，对于具有高边际成本的昂贵项目的属性(例如，

的“性能”属性)，估计b_j可能很高，使其对于第i用户力所不及。在这样的情况下，比例α_j ⁱ在

的情况下将最优为零。因此，由方程(19)给定的简单比例方式的问题在于，没有理由认为，仅仅因为影子价格b_j对于昂贵车辆或昂贵类别的车辆(例如，豪华跑车)高，所以第j属性的a_j1 ⁱ偏好权重将更高。

如果缺少关于用户如何响应于增加受特定属性的影响的其它信息，各二次系数项a_j2全部被设置成全等于1(即，可以被设置为单位一)，则知道a_j1 ⁱ偏好的向量以及估计边际成本(影子价格)估计b_j，足以指定对于第i消费者的第j属性的最优量如下：

对于所有的j， $q_j^{*i}=a_{j1}^i-b_j,$ j∈(1，n)      (20)

用户还可能需要对于该类型项目(例如车辆)滤除超过他或她的预算限制的项目，或者报告用于该类型项目的预算范围并且使选择引擎报告满足预先施加的限制的项目的经过滤的列表。

虽然预先评分的广告可以包含各种可能预算范围，但最终以一种形式或另一种形式，由用户指示他或她感兴趣的可能的每周、每月或年度预算的范围。这可以在图4的步骤303中由用户来提供。或者，在图4的步骤303中用户可以提供他选择的车辆的价格范围。通常，在用户在图4的步骤303中指出他的个人偏好属性权重的同时指定他偏好的价格/预算范围。由于选择引擎方案通常从最高到最低反映用户的偏好来排名所有车辆，并且该顺序通常将是从较昂贵的车辆到较不昂贵的车辆，因此，用户此时还通过滤除具有超出其考虑设置的价格的车辆而自由选取适当的车辆。因此，可能不需要预先指定关于车辆的最大支出。

如关于图4的步骤303所述，用户需要对于j∈(1，n)指定他自身的偏好权重a_j1 ⁱ集合。通过针对网页上的每一属性在屏幕202上显示可选择的(比方说)低、中和高偏好权重(a_j1 ⁱ)值点击方框，可以获得计算针对每一消费者的最优属性水平和偏好而需要的信息。根据这些响应，在最低值超过该属性的最低影子价格估计的情况下和最高值超过该属性的最高或最贵影子价格估计的情况下，可以用低、中和高得分代替各值。

在这种显示中，并且与每一得分相关，可以呈现具有低、中和高范围中的属性得分a_j ^L，M，orH的(比方说)车辆的示例。最相关的属性可以被预先配备(pre-populate)典型值，这产生具有可随用户意愿改变的这些值的最流行的车辆选择。如果具体综合选择数据724(根据图6的处理)被预先处理，则这等效于选取已包括在具体综合选择数据724中的特定的权重a_j1 ⁱ集合。此外，除了知道他们自己的权重是例如低、中或高或则在低或高十分之一范围中之外，用户不需要明白在选择引擎方案中所使用的实际评分系统。

因此，在一个方案中，预定权重a_j1 ⁱ可以由选择服务器107(见图3)在显示器202上呈现给用户，并且要求用户703选取所显示的预定权重集合之一。在另一(预处理的)方案中，用户可以输入他们的期望权重a_j1 ⁱ，但是，系统200将选择预定具体综合选择数据724中最接近的预定权重集合。

作为可能更有效的方法，我们如下继续进行：我们要求用户(使用鼠标212在显示器202上的呈现中选择适当的勾选框)从列表中勾选项目(例如款式和型号以及制造年期)，该项目是他或她最初喜爱的并且潜在地是他或她偏好的购买物，但也可能由于预算原因而在他或他的直接考虑集合之外。

在适当的网站上，可以潜在地以该方式编码每个广告。

假设第i用户选取由i索引的项目。由于已经在图8的步骤803中计算出每个项目(包括第i项目)的属性得分集合q₁，q₂，...，q_n，并且已经图8的步骤806中使用方程(8)的通用版本计算出该项目的n个计算出的品质属性中的每一个属性的估计回归(边际成本)系数b₁，b₂，...，b_n，因此选择引擎系统求解解向量(等式(20)，或者更一般地，为等式(16))的集合，以获得将车辆i作为其期望选择的该消费者/用户的该属性的主(正)系数的解，其在使用等式(20)代替a_j1 ⁱ时表示如下：

$a_{j1}^i=q_j^{*i}+b_j,$ j∈(1，n)，       (21)

换句话说，主观偏好得分等于与第i用户选取的车辆有关的最优属性量加上其估计影子价格。

使用该方法，选择引擎系统获得与针对该项目具有的属性同样多的用户权重a₁₁ ⁱ，a₂₁ ⁱ，...，a_n1 ⁱ。由于二次属性项的n个权重a₁₂ ⁱ至a_n2 ⁱ的值无法求出，因此在一个示例中，我们将这些n个值的集合中的每一个值设置为任意数量(例如1)，如先前在以上等式(20)和(21)中所做的那样。或者，可以与线性权重a₁₁ ⁱ，a₂₁ ⁱ，a_n1 ⁱ同时从用户得到这些值。利用等式(18)和(21)，以仅仅一个属性q_j进行最优选择的该消费者(表示为i)的效用得分现在变为以下：

$u^{*i}=y^i+a_0^i-b_0+\frac{1}{2}{\left(q_j^{*i}\right)}^2-{\mathrm{\&epsiv;}}^{*},---\left(22\right)$

并且对于两个或更多属性，为如下：

$u^{*i}=y^i+a_0^i-b_0+\frac{1}{2}[{\left(q_1^{*i}\right)}^2+{\left(q_2^{*i}\right)}^2+...+{\left(q_n^{*i}\right)}^2]-{\mathrm{\&epsiv;}}^{*}.---\left(23\right)$

由于效用得分取决于平方属性值之和，因此在利用方程(8)计算回归系数b₁，b₂，..，b_n之前应当将它们在(比方说)0到1范围标准化(q_j∈(0，1))。类似地，在执行方程(8)中指定的回归之前也应当将车辆价格(或者，为用户成本)在0到1范围标准化。标准化保证最优属性得分以及在偏好权重与影子价格之间的差二者都落入0到1范围： $0\&le;q_j^{*i}=a_{j1}^i-b_j\&le;1.$

值得注意的是，即使对于相同的款式、型号、里程表读数以及年份，效用得分也随分类广告而不同，因为效用得分取决于特定广告的预测误差的负面影响。如果存在相同规格和年龄的两个车辆，则具有较低要价的车辆将排名较高。常数项yⁱ+a₀ ⁱ实质上是可以被设置为正足够大以使得效用得分在来自回归方程的预测误差无论为负多少(-ε_j ^*)的情况下都为正数的任意常数。

将 $a_{j1}^i=b_j+q_j^{*i}$ 的优化值和 $a_{j2}^i=1$ (对于所有车辆)代入源自等式(15)并且通过设置项 $a_{j2}^i=1$ 得到的效用得分方程中：

$u^i=y^i+a_0^i-b_0-\mathrm{\&epsiv;}+(a_{11}^i-b_1-\frac{1}{2}{q}_1)q_1+...+(a_{n1}^i-b_n-\frac{1}{2}{q}_n)q_n,---\left(24\right)$

提供对于第i消费者的排名，其中，他的期望选择(第i个)在顶部或者接近顶部。针对初始认为第i项目可能理想的用户来估计等式(24)，可以相对于由效用函数得分给定的如下最优或最大得分u^i*对每个广告评分：

$u^{*i}=y^i+a_0^i-b_0-\mathrm{\&epsiv;}+(b_1-b_1+q_1^{*j})q_1^{*j}+...+(b_n-b_n+q_n^{*j})q_n^{*j}-\frac{1}{2}(q_1^{*2}+...+q_n^{*2})$

$=y^i+a_0^i-b_0-\mathrm{\&epsiv;}+\frac{1}{2}{q}_1^{*2}+\frac{1}{2}{q}_2^{*2}+...+\frac{1}{2}{q}_n^{*2}=y^i+a_0^i-b_0-\mathrm{\&epsiv;}+\frac{1}{2}(q_1^{*2}+q_2^{*2}+...+q_n^{*2})---\left(25\right)$

其中，项ε^*表示针对具有必要最优属性集合q₁ ^*，...，q_n ^*(其具有相对于特定项目(例如，车辆的款式和型号)的预测价格最低的要价)的具体候选项目(例如，做广告的车辆)的、来自回归方程(8)的残差值。因此，最优残差回归值ε^*可以适当为负，指示要价与可比较的项目相比是低的。该过程能够保证具有与其它项目可比的属性得分的最低要价项目具有最高得分，并且因此具有最高排名。如果没有具体项目，则可以代以通用项目。

等式(25)缩减到包括第i投资者的该最优项目的平方属性得分之和的一半的指数。其仅应用于最优选择。但是，一旦对于最优选择提取了系数a₁₁ ⁱ，a₂₁ ⁱ，...，a_n1 ⁱ，则现在可以(比方说)对于该用户使用等式(24)计算数据库713中的每个其它类似项目的得分，并且相对于最优项目对它们进行排名。

第i消费者于是可以选取恰好实施其偏好的车辆。于是，能够很好地选取可以通过比他的期望选择更低的价格购买的较低排名的车辆。

消费者/用户于是能够(不管计算问题)将n个计算出的最优权重 $a_{j1}^i=b_j^i+q_1^{*i}$ 系数的集合中的任意一个上调或下调一成比例的量(比方说10％)，并且重新进行排名。假设为了简化，对于(比方说)“安全性”和“性能”，用户一次仅能更新一个具体权重。对于这些变量中的任意一个变量，将出现对于包含更多该属性的项目具有更高得分的广告的另一排名，并且相同处理全部再次重新开始。作为又一变型，用户可以将他或她不感兴趣的某些属性水平设置为零并重新进行排名。

所述选择引擎方法具有若干好处，包括以下：

1)首先，用户不需要指定他或她的偏好或最优权重。对于他/她全部能够自动完成，实际上，用户不需要看到评分系统。当偏好权重被简单编码为低、中或高时，情况也是如此。

2)第二，一旦计算(理想的是预先对于所有广告预先指定)，用户不需要看到得分，仅仅看到排名。

3)第三，由于用户不需要指定或观察偏好权重，因此不需要将计算的数量人为限制为很少。可以在回归方程中计算和包括数十个(如果不是数百个)属性。

4)第四，如果用户不完全满意在列表顶部的满足其预算约束的(比方说)头十个项目中的任一个项目，则他/她可以点击这些项目之一并且全部再次开始。现在会出现最接近该项目的(比方说)十个，而该处理可以继续进行，直到用户完全满意他或她的选择。

5)第五，如果在点击偏好项目时一旦(比方说)出现了头十个列表，用户希望具有更多的某些属性(例如，安全性)，则他/她简单点击标记了“安全性”的方框。用户对于安全性的权重 $(a_{S1}^i=b_S^i+q_S^{*i})$ 现在上升比方说10％，并且出现项目的新排名，其中具有对于安全性的更高的偏好。

6)第六，点击标签(“安全性”)原则上可以带来“安全性”的多个不同特性(避免事故的能力、在碰撞情况下的存活性等等)。具有这种类型的菜单，使得能够在分析中将在菜单标题下所组织的很多变量包括在内。

7)第七，所需处理中的大多数是预处理，由此在显示广告之前可以处理所需信息中的大多数信息。

在执行任一以上分析之前，用户703需要能够指定车辆类别和所需的车体类型二者。这在用户点击他或她的、指定车辆类别和车体类型二者的初始偏好选择时自动进行。搜索(以自动生成的(比方说)头十个相关项目的形式)通常是在进行了这些过滤后执行的。

由于效用得分以消费者的“盈余”(即，用户支出的净值)或来自分类广告的要价来表示，因此效用得分实际上是净效用得分。这些除以二的、求和的平方属性得分实际上是针对构成可以由给定消费者或用户所考虑的项目的每一属性而计算的三角消费者盈余度量。

当要求用户通过在预先指定的向量(a_j1 ⁱ)的值上点击鼠标来指示偏好权重时，表达式(等式(15))形成用于对每一项目(在该示例中为车辆)进行评分和排名的基础。将用户提供的偏好权重a_j ⁱ代入等式(15)产生如下简化的二次说明：

$u^i=y^i+a_0^i-b_0-\mathrm{\&epsiv;}+(a_1^i-b_1-\frac{1}{2}{q}_1)q_1+...+(a_n^i-b_n-\frac{1}{2}{q}_n)q_n,---\left(26\right)$

对于每一单独项目，通过插入该项目的属性得分(q₁，q₂，...，q_n)可以估计该二次说明。当得分不同于由来自等式(20)的 $q_j^{*i}=a_{j1}^i-b_j$ 给定的最优值时，标识较低排名的项目。

明显的是，基于方程(26)来实现项目的排名在计算上强度大。除非提供足够的计算能力，否则这种计算复杂度可能导致系统响应慢，这可能减少用户703使用所公开的选择引擎方案的动力。这个潜在问题可以通过如关于图6所述那样对具体综合选择数据724进行预处理来解决。即使预处理方法也通常不是针对相对主观效用权重a_j ⁱ的每一可能的组合都被实现，并且优选地，在预处理中仅仅使用允许的定制权重排列的有限集合。

通过数值示例而言，用户希望购买特定车辆分段内花费不超过(比方说)$25,000的车辆。在以$1,000表示的该分段中的所有新车和二手车辆价格上的两个偏好因素(“安全性”S和“性能”P)的回归导致(比方说)以下影子价格(边际成本)系数估计：

p(q₁，q₂)＝18.3+0.7q_S+0.4q_P。   (27)

这里，系数0.7是安全性的影子价格，而0.4是性能的影子价格。如果该用户指示 $a_S^i=5.7$ 的安全性偏好权重以及 $a_P^i=8.4$ 的性能偏好权重，则将这些值代入等式(20)产生安全性的、5.7-0.7＝5的最优得分以及性能的、8.4-0.4＝8的最优得分。

将安全性和性能的得分代入等式(27)产生18.3+0.7×5+0.4×8＝25(或$25,000)的预测价格。对于各种车辆估计等式(26)(其中，观察不到的值的和yⁱ+a₀ ⁱ被任意设置为零)会产生具有最大值-18.3+0.5×5²+0.5×8²＝29.2(其从等式(25)或等式(26)计算出)的效用得分的范围。回顾在实际价格回归中，价格和属性量将全部在0到1范围被标准化。

因此，列表头部的、该消费者最期望的车辆具有5单位的安全性、8单位的性能、29.2的效用得分以及$25,000的要价。只有具有$25,000或更少的要价的车辆出现在列表中，并且出现在有序列表上的所有其它车辆具有小于29.2的效用得分。

举例而言，假设另一型号具有7单位的安全性，但具有仅仅4.5单位的性能。再一次，该车辆也满足$25,000的期望支出，如下：

18.3+0.7×7+0.4×4.5＝25，

但良好性或效用的水平较低，如下：

-18.3+(5-0.5×7)×7+(4.5-0.5×4.5)×4.5＝18.075＜29.2。

总之，基于在服从总预算约束并且由属性量和影子价格的乘积构成的属性上的消费者选择的消费者效用最大化，分别在图8的步骤803和步骤806中计算出的每一属性的量和影子价格分别被输入到图5、图6中的评分系统处理604、402中。提供关于有关项目的用户总预算约束或者甚至是指示性价格范围的真实信息对于用户任选的。用户可以指示其偏好的性质。这可以采用经由简单系统或简单地通过在显示的车辆上点击鼠标而输入的主观偏好权重的形式。选择引擎方案以有关项目的排名(例如，在线分类机动车辆广告)来进行响应，通过对包括估计影子价格的用户偏好给予指定的主观加权来满足。

用户可以直接致电卖方，或者可以向卖方发送提供未来买家的出价的电子邮件。购买出价可以被放置在在线拍卖机制中，卖方也基于限价委托以可为成功销售支付的佣金将待售项目放置在该在线拍卖机制中。也可以由卖方对对其用于销售/拍卖的项目进行的评分支付佣金，并且未来买方也可能为使用选择引擎而支付佣金。

在汽车示例中的所提出的选择引擎方案至此已被说明来为用户(其为未来买方)提供项目的优化排名。但是，由用于最优项目和所有项目的等式(25)和等式(26)提供的对于消费者和未来买方的效用评分机制分别对于未来卖方或卖家可以是同样有价值的。例如，如果卖方(726)希望他或她的项目被特定类的买方排名最高，则相对简单的是求解方程(25)得出残差回归项ε，该残差回归项ε是项目的要价与回归方程(8)所预测的价格之间的差。因此，可以求解该关系以找到卖方的价格折扣，该折扣将使该项目对于具有给定偏好的卖方排名最高。

将选择引擎机制从从买方偏好的角度以要价来对项目进行排名的机制改变为确定从卖方角度看为最优的卖方要价的机制的方式遵行以下线路。卖家(726)指定用于销售的候选项目但不再指定要价。反之，他或她指定该项目的目标市场以及所在该目标市场中的指定排名。例如，候选项目可能是已有两年的Toyota

所指定的市场可能是对于已有一年或两年的Toyota

的未来买方集合。通过使用等式(21)以及已有两年的Toyota

的属性得分和估计影子价格来求解最优偏好权重的集合，能够找到将把这样的车辆排名为第一(即，从这样的车辆的未来买方的角度来看为最优)的偏好。获得最优偏好权重集合所需的步骤经历与图9相同的步骤，除了不由卖家在一开始输入要价之外。

将使卖家的车辆具有期望的最高排名的要价的值由下式给定：

p^Ask Rank1≤p^Predicted+ε^*       (28)

其中，p^Ask Rank1是具有指定属性的项目的用于获取最高排名的所需最优要价的上界，p^Predicted是基于回归方程(8)的、项目的预测价格，而ε^*是来自回归方程的最优残差并且由以下表达式给定：

${\mathrm{\&epsiv;}}^{*}=y^i+a_0^i-b_0-u^{*i}+\frac{1}{2}(q_1^{*2}+q_2^{*2}+...+q_n^{*2}),---\left(29\right)$

其源自以上等式(25)并且将通常为负的。如果需要较低排名而非最高排名，则要价将较高，并且一旦指定了期望排名就可以通过求解等式(26)得出最优残差值来得到。如果与已经请求了要价的具体项目相比，更广类别的项目请求期望排名，则在估计等式(25)或等式(29)时，可以使用该类别的项目的平均属性得分来代替该项目的实际属性得分。

当未来买方对透明性和更多信息表达很高偏好时，还能够以更具信息的广告会获得的较高排名的形式提供由在广告中提供更多信息的卖方会获得的优点。

不仅可以反转(逆向工程)针对选择引擎取得的评分机制以辅助卖方吸引适当的未来买方，而且选择引擎机制能够直接辅助卖方定位特定买方。例如，普通数据可以包括人群段的花费模式以及社会经济和人口统计特征。根据该数据，可以创建未来买方的属性(各种“未来买方”倾向)并对其评分。现在可以基于不同未来买方属性(例如，过去购买过类似项目、距卖方的距离、年龄类别、性别、收入、未来买方提供他或她自己的偏好、在项目位于可访问的位置的情况下提供他或她自己的条件评分、给项目付押金的意愿等等)的偏好权重，利用等式(26)来创建卖方效用得分和排名。

正如所公开的那样，选择引擎方案能够用于辅助直接卖方或卖家(726)找到意愿买方、设置适当的要价并且更好地设计广告内容，这些方案也能够将大量有用的信息提供给项目的设计者、制造商、进口商和经销商。通过记录和存储由选择引擎的用户提供的关于他们的对于所有属性的偏好的信息(图4的步骤303)以及在图8的步骤806中估计的影子价格，能够辅助所有以上团体重新设计有关项目以从选择引擎获得更高的效用得分(图9的步骤909和等式(26))。通过更好的产品或服务，设计者、制造商、进口商等等可以更好地服务于消费者的利益而同时赚取更高的利润。

工业应用性

从以上可知，所描述的方案可应用于数据处理产业。

前面仅描述本发明的某些实施例，而在不脱离本发明范围和精神的情况下，可以对其进行修改和/或改变，这些实施例是说明性而非限制性的。

本文描述的优选方法的原理对于基于因特网的选择引擎具有普通的可应用性，但是可能的应用并不限于这种类型的方案。但是，为了便于解释，参照机动车辆的选择来描述优选方法的步骤。但是，目的并非在于将本发明限制为所描述的方法。因此，所公开的选择引擎方案可以应用于对候选不动产财产、机动车辆以及多个其它货品和服务的选择。

附录A

属性输入数据项的示例(由直接可观察的特征数据导出的)。

	汽车1	汽车2	汽车3
				年龄(月)	0	12	24
里程表(km)	0	10,000	20,000
				新车价格($’000)	35	22	16
四轮盘式制动器	是	是	否
				ABS制动器	是	否	否

附录B

与感兴趣的项目有关的个人权重、相关属性和估计影子价格的示例。

属性	权重	影子价格估计
			安全性	0.7143	0.7
性能	20	0.4

附录C

经排名的选择数据的示例(预算限制是每周$300)。

车号	建议价格
		17	$19,800
23	$17,000
		84	$16,900

附录D

可替选的评分方法

在可替选说明中，简单示例是这样的一个示例，在该示例中，属性是用户(其由上标i表示)准备将其用于项目的预算(由项目的价格p(q₁，q₂，...，q_n)给定)的一部分(α_j ⁱ)花费在其上的有价值的那些东西q_j ⁱ，其中，p(q₁，q₂，...，q_n)是个人希望花费在有关项目上的钱数。因此，如果以简单线性方式来处理“客观”影子价格系数估计b₁至b_n(而它们可以以更复杂的方式被进行处理)，则在第i属性上的总金钱花费是α_j ⁱ p(q₁，q₂，...，q_n)，其中，α_j ⁱ是由该用户提供的主观预算权重。该钱数由第j估计影子价格b_j与对于该用户最优的第j属性的量指数q_j ^*i的乘积给定，以得到 ${\mathrm{\&alpha;}}_j^{i}p(q_1,...,q_n)=b_j{q}_j^{*i}.$ 等同地，预算份额 ${\mathrm{\&alpha;}}_j^i=\frac{b_j{q}_j^{*i}}{p(.)},$ 其中，α_j ⁱ和p(q₁，q₂，..，q_n)已由用户指定，影子价格b_j已被估计，因而特定 $q_j^i=q_j^{*i}$ 值从该用户的观点看是最优的。

在一个可替选示例中，效用得分的确定(其在步骤604(图5)、步骤402(图6)和400(图6和图7)中提及)可以如下所述执行。

前述步骤使用也基于消费者效用最大化的评分系统。在一个示例中，这是基于属性q₁至q_n的线性说明使用回归分析而被确定的，其中，如在图8的步骤803中确定的那样，属性q₁至q_n为(a)“安全性”、(b)“豪华性”、(c)“性能”、(d)“绿色”(环保)、(e)“空间”、(f)“城市”、(g)“牵引”、(h)“经济”、(i)“越野”。

花费、价格或支出回归变为线性形式(注意，只要存在最优解，不必是线性的)：

p＝b₀+b₁q₁+b₂q₂+b₃q₃+b₄q₄+...+b_nq_n+ε   (A.1)

其中：

·p是在有关项目上的金钱支出，例如，机动车辆的每一款式、型号和制造年期的价格；

·q₁至q_n为在图8的步骤803中对于每一项目限定的属性的量；

·n是属性的数量；

·q_j是第j因素(即属性)的量；

·ε是具有零期望值的正态分布误差项；

·b₁至b_n是来自回归的估计系数，所述估计系数被作为影子价格或边际成本，其中，b₀是“常数”项或每单位时间段的支出的未说明部分。

回归方程可以如以下关系式那样被重写为固定支出的预算或技术约束净值：p-b₀＝b₁q₁+b₂q₂+...+b_nq_n是净值或“经说明的”预算支出，其中：

·b₀是回归方程中的常数项，并且表示无论如何都要发生的费用(例如车辆登记)；而第j属性(表示具有属性得分q₁至q_n的属性1至n之一)的影子价格由b_j表示。

在最简单的情况下，可以按照效用目标函数来表示对于消费者(选择引擎用户703)的效用u，其中，该效用目标函数使用前述预定因素q_j作为感兴趣的项目(例如，机动车辆)的“良好”属性的乘法索引，其中常数加法权重表示为幂，如下：

$u=q_1^{{\mathrm{\&alpha;}}_1}{q}_2^{{\mathrm{\&alpha;}}_2}...q_n^{{\mathrm{\&alpha;}}_n},---(A.2)$

其中，α_j ⁱ是个人偏好权重，其在该可替选配置中可以在图4的步骤303中由通过i表示的用户703提供。每一权重α_j ⁱ假定表示消费者用于项目的预算中的、他或她愿意花费在量为q_j的第j属性上的比例，使得和 $\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_j^i=1.$ 注意，某些权重可以被指定为零，在这种情况下，该属性不参与车辆的选择。通常，在这个可替选形式中，按照幂来表示的等式能够用来对各个项或车辆进行评分。

如关于图4的步骤303所述，用户需要指定其自己的权重α_j ⁱ的集合，j＝1，2，...，n。如果(根据图6的处理)预先处理具体综合选择数据724，则这等效于选取已包括在具体综合选择数据724中的权重α_j ⁱ的特定集合。因此，在一个方案中，预定权重α_j ⁱ可以由选择服务器107(见图3)在显示器202上呈现给用户，并且要求用户703选取所显示的预定权重集合中的一个。在另一(预处理的)方案中，用户可以输入他们的期望权重α_j ⁱ，但是，系统200将选择预定的具体综合选择数据724中的预定权重的最接近的集合。如果例如用户关注安全性，则他或她对表示安全性的权重α_j ⁱ的指定相对于分配给豪华性属性、声誉属性和其它属性的权重将较大。

使受到来自等式(A.1)的、按照估计影子价格集合来指定的预算或技术约束( $p^k=b_0+b_1{q}_1^k+b_2{q}_2^k+...+b_n{q}_n^k,$ 其中，上标k表示消费者对于项目给定的期望预算p^k，而q_j ^k表示要选取的属性的量)限制的功率效用目标(第k消费者的等式(A.2))最大化，会关于任何特定属性q_j产生以下条件：属性q_j的消费边际替代率(marginal rate of substitution in consumption)等于相对α偏好份额权重与估计影子价格比率的乘积。因此，属性的相对选择由以下关系式来表征：

对于所有消费者k和属性i和j(i≠j)， $\frac{q_i^k}{q_j^k}=\frac{{\mathrm{\&alpha;}}_i^k}{{\mathrm{\&alpha;}}_j^k}\frac{b_j}{b_i}.$

在该可替选方法中，如果存在n个属性，则以上等式表示n-1个联立方程的集合。求解受到预算约束(其表示用于项目的最大支出)限制的这些方程，将产生第k消费者的最优属性需求，其正向取决于残差预算p^k-b₀、由消费者提供的主观花费份额权重α_j ^k以及“影子价格”b_j的倒数，如下：

对于所有的j(j＝1，...，n)， $q_j^{*k}=\frac{{\mathrm{\&alpha;}}_j^k(p^k-b_0)}{b_j},$

其中，p^k-b₀是由价格回归方程说明的、第k消费者的支出的部分，并且如前面那样，p^k是项目的价格或“用户成本”(即，可以由用户在图4的步骤303中设置的预算限制)，p-b₀是在考虑到固定的和未说明的支出之后支出的剩余量。

以上等式示出在该可替选说明中第k消费者如何以给定预选约束选取每一属性的最优量。将可以简单地搜索所有项目，直到为具有给定预算的该类型的消费者找到最密切匹配最优指定(q_j的集合，(j＝1，...，n)，在所有属性q_j上具有正α权重)的项目。

将第k消费者的属性的最优量代入幂效用函数(power utilityfunction)，将产生可由具有这些表达的偏好和预算分配的该消费者获得的最优的、因而是最大的效用，由以下给定：

$u_{\mathrm{optimum}}^{*k}=(p^k-b_0){\mathrm{Kb}}_1^{-{\mathrm{\&alpha;}}_1^k}{b}_2^{-{\mathrm{\&alpha;}}_2^k}...b_n^{-{\mathrm{\&alpha;}}_n^k},---(A.3)$

其中，常数 $K={\left({\mathrm{\&alpha;}}_1^k\right)}^{{\mathrm{\&alpha;}}_1^k}{\left({\mathrm{\&alpha;}}_2^k\right)}^{{\mathrm{\&alpha;}}_2^k}...{\left({\mathrm{\&alpha;}}_n^k\right)}^{{\mathrm{\&alpha;}}_n^k}.$ 效用得分取决于消费者的预算、估计影子价格的集合(消费者已对其指示了该属性的正的权重α_j ^k)、以及正的α权重的集合。对于具有该预算的该消费者最优的项目是被使用该效用进行了评分的项目。由于在给定预算和偏好的情况下最终方程仅参照最优得分，因此不能直接用于对项目进行评分。由该方程给定的效用得分仅仅可以被附于精确匹配消费者偏好和预算的项目。

对于给定的所指定的预算或预期支付p^k以及在所述示例中，所公开的选择引擎从最终方程给定的最高效用得分开始并往下操作，使用等式(A.2)来对满足预算条件p^k的所有项目或所有车辆进行排名。最高排名的车辆是优选选择。从功率效用方程的观点来看为最优的项目或车辆将具有由最终方程(方程(A.3))给定的指定效用得分。

权利要求书(按照条约第19条的修改)

1.一种由计算机处理器使用计算机存储器执行的、从候选项目的集合中识别期望项目的方法，其中每个所述候选项目与直接可观察因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察因素，所述方法包括步骤：

由所述相关因素构造表征所述候选项目的属性；

分配用户偏好的每一属性的量；

估计与所述项目中的每一个相关的每一属性的量；

确定所述属性的边际成本；

确定每一候选项目提供用户所需每一属性的量的程度；以及

按照顺序构造所述候选项目中的至少一些候选项目的列表，所述顺序反映在所述用户的分配偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足所述用户偏好，其中，所述期望项目是所述有序列表中的项目。

2.根据权利要求1所述的方法，还包括步骤：

指定用于所述期望项目的用户预算，并且其中，构造有序候选项目的列表的步骤取决于所述指定的用户预算。

3.根据权利要求2所述的方法，还包括步骤：

在给定所述消费者的偏好和所述消费者的、感兴趣属性的估计边际成本以及预算的情况下，从所述有序列表中选择提供属性的最优组合和水平的项目。

4.根据权利要求1所述的方法，还包括步骤：

将可获得的项目的集合与候选项目的列表相匹配；

如果可获得的项目与所述列表中的候选项目匹配，则指定所述匹配的可获得项目作为所述期望项目；以及

如果所述可获得的项目无一与所述列表中的候选项目匹配，则生成针对所述期望项目的请求，所述请求包括所述属性中的至少一些属性和所述用户偏好的每一属性的量。

5.根据权利要求1所述的方法，其中：

Claims (17)

1.一种从候选项目的集合中识别期望项目的方法，其中每个所述候选项目与直接可观察因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察因素，所述方法包括步骤：

由所述相关因素构造表征所述候选项目的属性；

分配用户偏好的每一属性的量；

估计与所述项目中的每一个相关的每一属性的量；

确定所述属性的边际成本；

确定每一候选项目提供用户所需每一属性的量的程度；以及

按照顺序构造所述候选项目中的至少一些候选项目的列表，所述顺序反映在所述用户的分配偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足所述用户偏好，其中，所述期望项目是所述有序列表中的项目。

2.根据权利要求1所述的方法，还包括步骤：

指定用于所述期望项目的用户预算，并且其中，构造有序候选项目的列表的步骤取决于所述指定的用户预算。

3.根据权利要求2所述的方法，还包括步骤：

在给定所述消费者的偏好和所述消费者的、感兴趣属性的估计边际成本以及预算的情况下，从所述有序列表中选择提供属性的最优组合和水平的项目。

4.根据权利要求1所述的方法，还包括步骤：

将可获得的项目的集合与候选项目的列表相匹配；

如果可获得的项目与所述列表中的候选项目匹配，则指定所述匹配的可获得项目作为所述期望项目；以及

如果所述可获得的项目无一与所述列表中的候选项目匹配，则生成针对所述期望项目的请求，所述请求包括所述属性中的至少一些属性和所述用户偏好的每一属性的量。

5.根据权利要求1所述的方法，其中：

所述相关因素是由所述候选项目拥有的内部因素以及与如何将所述候选项目提供用于销售有关的外部因素之一；以及

相应的被构造的属性是由所述候选项目拥有的内部属性以及与将所述候选项目提供用于销售的方式有关的外部属性之一。

6.根据权利要求5所述的方法，其中：

用于将所述候选项目提供用于销售的方式包括为所述候选项目投放广告；以及

所述相关的外部因素与所述广告中提供的信息量有关。

7.根据权利要求1所述的方法，其中，所述无形因素包括用户的、关于候选项目的状况的报告。

8.根据权利要求1所述的方法，还包括步骤：

存储关于所述用户偏好的每一属性的量的信息；以及

在所述分配步骤之前将所述存储的信息呈现给另一用户。

9.根据权利要求1所述的方法，其中，所述属性的边际成本是零。

10.根据权利要求1所述的方法，还包括步骤：

将可获得的项目的集合与候选项目的列表相匹配；

按照顺序构造所述可获得项目中的至少一些项目的列表，所述顺序反映在所述用户的分配偏好和所述属性的给定边际成本的条件下所述列表中的每一所述可获得项目如何满足所述用户偏好。

11.一种确定待售项目的要价的方法，所述项目是候选项目的集合的可获得的成员，其中每一候选项目与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述方法包括步骤：

由所述相关因素构造表征所述集合的候选项目的属性；

估计与所述候选项目中的每一个相关的每一属性的量；

确定与所述候选项目中的每一个相关的所述属性的边际成本；

指定以下之一：(a)所述待售项目以及(b)与所述待售项目相关的直接可观察的因素和无形因素中的至少之一；

如果所述待售项目被指定，则确定与所述待售项目相关的直接可观察的因素和无形因素中的至少之一；

由与所述待售项目相关的因素构造除了要价之外的表征所述待售项目的属性；

指定(a)所述候选项目的子集，其中，要关于该子集确定期望排名，以及(b)关于所述指定子集的、所述待售项目的期望排名；

根据表征所述待售项目的所构造的属性、所述指定的候选项目子集、所述待售项目的指定排名以及每一候选项目提供表征所述待售项目的每一属性的量的程度，确定所述待售项目的应当提供用于销售的要价；其中，所述确定的要价使得所述待售项目在所述候选项目子集中的至少一些候选项目的有序列表中具有期望排名，所述列表具有反映在用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足用户偏好的顺序，其中，所述待售项目是所述有序列表中的项目。

12.一种用于从候选项目的集合中识别期望项目的设备，其中所述候选项目中每一个与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述设备包括：

用于由所述相关因素构造表征所述候选项目的属性的装置；

用于分配用户偏好的每一属性的量的装置；

用于估计与所述项目中的每一个相关的每一属性的量的装置；

用于确定所述属性的边际成本的装置；

用于确定每一候选项目提供用户所需每一属性的量的程度的装置；以及

用于按照顺序构造所述候选项目中的至少一些候选项目的列表的装置，所述顺序反映在所述用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足所述用户偏好，其中，所述期望项目是所述有序列表中的项目。

13.一种确定待售项目的要价的设备，所述项目是候选项目的集合的可获得的成员，其中每一候选项目与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述设备包括：

用于由所述相关因素构造表征所述集合的候选项目的属性的装置；

用于估计与所述候选项目中的每一个相关的每一属性的量的装置；

用于确定与所述候选项目中的每一个相关的所述属性的边际成本的装置；

用于指定以下之一的装置：(a)所述待售项目以及(b)与所述待售项目相关的直接可观察的因素和无形因素中的至少之一；

用于在所述待售项目被指定的情况下确定与所述待售项目相关的所述直接可观察的因素和无形因素中的至少之一的装置；

用于由与所述待售项目相关的因素构造除了要价之外的表征所述待售项目的属性的装置；

用于指定(a)所述候选项目的子集，其中，要关于该子集确定期望排名，以及(b)关于所述指定子集的、所述待售项目的期望排名的装置；以及

用于根据表征所述待售项目的所构造的属性、所述指定的候选项目子集、所述待售项目的指定排名以及每一候选项目提供表征所述待售项目的每一属性的量的程度，确定所述待售项目的应当提供用于销售的要价的装置；其中，所述确定的要价使得所述待售项目在所述候选项目子集中的至少一些候选项目的有序列表中具有期望排名，所述列表具有反映在用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足用户偏好的顺序，其中，所述待售项目是所述有序列表中的项目。

14.一种从候选项目的集合中识别期望项目的设备，其中所述候选项目中每一个与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述设备包括：

用于存储程序的存储器；以及

用于执行所述程序的处理器，所述程序包括：

用于由所述相关因素构造表征所述候选项目的属性的代码；

用于分配用户偏好的每一属性的量的代码；

用于估计与所述项目中的每一个相关的每一属性的量的代码；

用于确定所述属性的边际成本的代码；

用于确定每一候选项目提供用户所需每一属性的量的程度的代码；以及

用于按照顺序构造所述候选项目中的至少一些候选项目的列表的代码，所述列表具有反映在所述用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足所述用户偏好，其中，所述期望项目是所述有序列表中的项目。

15.一种确定待售项目的要价的设备，所述项目是候选项目的集合的可获得的成员，其中每一候选项目与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述设备包括：

用于存储程序的存储器；以及

用于执行所述程序的处理器，所述程序包括：

用于由所述相关因素构造表征所述集合的候选项目的属性的代码；

用于估计与所述候选项目中的每一个相关的每一属性的量的代码；

用于确定与所述候选项目中的每一个相关的所述属性的边际成本的代码；

用于指定以下之一的代码：(a)所述待售项目以及(b)与所述待售项目相关的直接可观察的因素和无形因素中的至少之一；

用于在所述待售项目被指定的情况下确定与所述待售项目相关的直接可观察的因素和无形因素中的至少之一的代码；

用于由与所述待售项目相关的因素构造除了要价之外的表征所述待售项目的属性的代码；

用于指定(a)所述候选项目的子集，其中，要关于该子集确定期望排名，以及(b)关于所述指定子集的、所述待售项目的期望排名的代码；以及

用于根据表征所述待售项目的所构造的属性、所述指定的候选项目子集、所述待售项目的指定排名以及每一候选项目提供表征所述待售项目的每一属性的量的程度，确定所述待售项目的应当提供用于销售的要价的代码；其中，所述确定的要价使得所述待售项目在所述候选项目子集中的至少一些候选项目的有序列表中具有期望排名，所述列表具有反映在用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足用户偏好的顺序，其中，所述待售项目是所述有序列表中的项目。

16.一种包括计算机可读介质的计算机程序产品，在所述计算机可读介质上记录有计算机程序，所述计算机程序用于引导处理器执行用于从候选项目的集合中识别期望项目的方法，其中所述候选项目中每一个与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述程序包括：

用于由所述相关因素构造表征所述候选项目的属性的代码；

用于分配用户偏好的每一属性的量的代码；

用于估计与所述项目中的每一个相关的每一属性的量的代码；

用于确定所述属性的边际成本的代码；

用于确定每一候选项目提供用户所需每一属性的量的程度的代码；以及

用于按照顺序构造所述候选项目中的至少一些候选项目的列表的代码，所述顺序反映在所述用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足所述用户偏好，其中，所述期望项目是所述有序列表中的项目。

17.一种包括计算机可读介质的计算机程序产品，在所述计算机可读介质上记录有计算机程序，所述计算机程序用于引导处理器执行用于确定待售项目的要价的方法，所述项目是候选项目的集合的可获得的成员，其中每一候选项目与直接可观察的因素和无形因素中的至少之一相关，所述无形因素间接反映所述直接可观察的因素，所述程序包括：

用于由所述相关因素构造表征所述集合的候选项目的属性的代码；

用于估计与所述候选项目中的每一个相关的每一属性的量的代码；

用于确定与所述候选项目中的每一个相关的所述属性的边际成本的代码；

用于指定以下之一的代码：(a)所述待售项目以及(b)与所述待售项目相关的直接可观察的因素和无形因素中的至少之一；

用于在所述待售项目被指定的情况下确定与所述待售项目相关的直接可观察的因素和无形因素中的至少之一的代码；

用于由与所述待售项目相关的因素构造除了要价之外的表征所述待售项目的属性的代码；

用于指定(a)所述候选项目的子集，其中，要关于该子集确定期望排名，以及(b)关于所述指定子集的、所述待售项目的期望排名的代码；以及

用于根据表征所述待售项目的所构造的属性、所述指定的候选项目子集、所述待售项目的指定排名以及每一候选项目提供表征所述待售项目的每一属性的量的程度，确定所述待售项目的应当提供用于销售的要价的代码；其中，所述确定的要价使得所述待售项目在所述候选项目子集中的至少一些候选项目的有序列表中具有期望排名，所述列表具有反映在用户的指定偏好和所述属性的给定边际成本的条件下所述列表中的每一所述候选项目如何满足用户偏好的顺序，其中，所述待售项目是所述有序列表中的项目。

Images