CN102812486A - 根据群体行为提供个性化信息资源推荐的方法和设备 - Google Patents
根据群体行为提供个性化信息资源推荐的方法和设备 Download PDFInfo
- Publication number
- CN102812486A CN102812486A CN2011800157021A CN201180015702A CN102812486A CN 102812486 A CN102812486 A CN 102812486A CN 2011800157021 A CN2011800157021 A CN 2011800157021A CN 201180015702 A CN201180015702 A CN 201180015702A CN 102812486 A CN102812486 A CN 102812486A
- Authority
- CN
- China
- Prior art keywords
- user
- topology
- semantic structure
- information resources
- language
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06Q30/0278—Product appraisal
-
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种根据上下文、偏好和用户所属的社区、文化、国家或它们的组合的群体行为建议信息资源的方法。推荐应用根据用户所属的社区、文化、国家或它们的组合的群体行为应用一个或多个规则以选择语言拓扑中表征的加权值。所述推荐应用根据加权的拓扑调整多个信息资源的语义结构。所述推荐应用至少部分地根据所调整的语义结构向用户建议一个或多个信息资源。
Description
背景技术
服务提供商(例如,无线、蜂窝、因特网、内容、社交网络等)和设备制造商不断面临着通过例如提供富有竞争力的网络服务和发展底层技术来为客户提供价值和便利的挑战。逐渐地,这些网络服务提供允许轻松访问庞大的在线和离线信息资源库(例如,网页、博客、讨论区、评论和评级、在线数据库、本地数据库、服务、应用等)。现有的搜索引擎和推荐引擎通常会推荐一般选择或根据用户上下文或偏好进行推荐,不会考虑不同社区、文化、国家等中的社交行为差异。在许多情况下,用户很容易因为可用信息量和可用信息范围太庞大而觉得无所适从,尤其是当用户使用数据输入、显示区域、处理能力、数据存储等相对有限的移动终端(例如,移动手机、智能手机等)的情况下。因此,服务提供商和设备制造商在为各个用户推荐感兴趣的且与每个单独用户相关的信息资源方面面临着严峻的技术挑战。
发明内容
因此,需要一种根据群体行为提供个性化信息资源推荐的方法。
根据一个实施例,一种方法包括:根据用户所属的社区、文化、国家或它们的组合的群体行为,应用一个或多个规则以选择语言拓扑中表征的加权值。所述方法还包括根据加权拓扑调整多个信息资源的语义结构。所述方法进一步包括至少部分地根据调整的语义结构向用户建议一个或多个信息资源。
根据另一实施例,一种设备包括至少一个处理器,以及包括计算机程序代码的至少一个存储器,所述至少一个存储器和计算机程序代码被配置为,通过所述至少一个处理器至少部分地使所述设备:根据用户所属的社区、文化、国家或它们的组合的群体行为,应用一个或多个规则以选择语言拓扑中表征的加权值。所述设备还被引起根据加权拓扑调整多个信息资源的语义结构。所述设备进一步被引起,至少部分地根据调整的语义结构向用户建议一个或多个信息资源。
根据另一实施例,一种计算机可读存储介质承载一个或多个指令的一个或多个序列,所述一个或多个指令当被一个或多个处理器执行时,将至少部分地使设备根据用户所属的社区、文化、国家或它们的组合的群体行为应用一个或多个规则以选择语言拓扑中表征的加权值。所述设备还被导致根据加权拓扑调整多个信息资源的语义结构。所述设备进一步被导致至少部分地根据调整的语义结构向用户建议一个或多个信息资源。
根据另一实施例,一种设备,包括用于根据用户所属的社区、文化、国家或它们的组合的群体行为应用一个或多个规则以选择语言拓扑中表征的加权值的部件。所述设备还包括用于根据加权拓扑调整多个信息资源的语义结构的部件。所述设备进一步包括用于至少部分地根据调整的语义结构向用户建议一个或多个信息资源的部件。
对于本发明的各种实例实施例,以下内容适用:
一种方法包括:
便利对(1)数据和/或(2)信息和/或(3)至少一个信号的处理,和/或处理(1)数据和/或(2)信息和/或(3)至少一个信号:
所述(1)数据和/或(2)信息和/或(3)至少一个信号至少部分地基于本申请中公开的与本发明的任何实施例相关的方法(或过程)的任何一种或任何组合(或至少部分地由此得到)。
对于本发明的各种实例实施例,以下内容适用:
一种方法,包括便利访问被配置为允许访问至少一个服务的至少一个接口,所述至少一个服务被配置为执行本申请中公开的网络或服务提供商方法(或过程)的任何一个或任何组合。
对于本发明的各种实例实施例,以下内容适用:
一种方法,包括便利创建和/或便利修改:(1)至少一个设备用户接口元素和/或(2)至少一个设备用户接口功能;
所述(1)至少一个设备用户接口元素和/或(2)至少一个设备用户接口功能至少部分地基于以下:
从本申请中公开的与本发明的任何实施例相关的方法或过程的一个或任何组合得到的数据和/或信息,和/或
从本申请中公开的与本发明的任何实施例相关的方法(或过程)的一个或任何组合得到的至少一个信号。
对于本发明的各种实例实施例,以下内容适用:
一种方法,包括创建和/或修改:(1)至少一个设备用户接口元素和/或(2)至少一个设备用户接口功能;
所述(1)至少一个设备用户接口元素和/或(2)至少一个设备用户接口功能至少部分地基于以下:
从本申请中公开的与本发明的任何实施例相关的方法(或过程)的一个或任何组合得到的数据和/或信息,和/或
从本申请中公开的与本发明的任何实施例相关的方法(或过程)的一个或任何组合得到的至少一个信号。
在各种实例实施例中,所述方法(或过程)可以在服务提供商侧或在移动设备侧或在服务提供商和移动设备之间在两侧执行的操作的任何共享方式来完成。
由下面的详细描述,通过对数个具体实施例和实现方式的说明,包括为实现本发明而构想的最佳模式,可容易地理解本发明的更多其它方面、特征和优点。本发明也适用于其它和不同的实施例,并且可以在各种明显的方面修改其多个细节,这些都不偏离本发明的精神和范围。因此,所述附图和描述在本质上是示例性的,并不作为限制。
附图说明
通过实例而非限制的方式,在附图中示出本发明的实施例:
图1是根据一个实施例能够基于群体行为提供个性化信息资源推荐的系统图;
图2是根据一个实施例的图1中的系统的示意图;
图3是根据一个实施例的推荐应用的组件图;
图4是根据一个实施例基于群体行为提供个性化信息资源推荐的过程的流程图;
图5示出根据一个实施例包括多个语言表征的群体行为结构的图形表示;
图6是根据一个实施例示出全球主要捕鱼社区的图;
图7是根据一个实施例示出捕鱼社区中群体行为表征间的加权值的实例;
图8是根据一个实施例基于拓扑调整信息资源的语义结构的过程的流程图;
图9是根据一个实施例的推荐引擎的组件图;
图10是根据一个实施例表示信息资源的用户接口的图;
图11是可用于实现本发明的实施例的硬件图;
图12是可用于实现本发明的实施例的芯片组的图;以及
图13是可用于实现本发明的实施例的移动终端(例如,手机)的图。
具体实施方式
公开了根据群体行为提供个性化信息资源推荐的方法、设备和计算机程序实例。在下面的描述中,为了进行阐述,列出多个具体细节以便于详细理解本发明的实施例。但是对于本领域的技术人员显而易见的是,本发明的实施例在实现时可以不使用这些具体细节,或者通过等效布置实现。在其它实例中,公知的结构和设备以框图的形式示出,以便避免不必要地混淆本发明的实施例。
如在此使用的那样,术语“信息资源”是指在信息系统(例如,因特网、专用网、本地设备存储、网络存储等)中可找到或可识别的任何实体或对象。例如,所述信息资源可以包括网页、文档、音频、视频、多媒体文件、图像、服务、应用、电影、电视、图书、新闻、影像等。在一个实施例中,所述信息资源使用可涵盖统一资源定位器(URL)和/或统一资源名称(URL)的统一资源标识符(URI)进行识别。也可以构想使用任何网络命名或标识系统来识别信息资源。
如在此使用的那样,术语“社区”是指在地理区域中主要由居民构成的居住区(例如,街坊、城镇、城市等)。所述社区可以包括一群具有共同的人种、文化、宗教特征并占据同一地理区域的人。在特定实施例中,还可以认为社区是指一般意义上的一群人。
如在此使用的那样,术语“文化”是指在特定时间和地理区域内共享态度、行为、知识、价值和其它特征的特定人群。
如在此使用的那样,术语“国家”是指居住在一个国家或国界内的人,所述国家或国界是确定边界的特定地理区域(通常服从某种特定目的或通过其人民、文化或地域进行区分)。一般而言,而非总是,国家与主权领土一致并与政体、民族或政府关联。
如在此使用的那样,术语“偏好结构”是指用户的离散偏好数据的映射,例如用于记录和反映用户偏好或不喜欢的方面(包括例如食物、衣服、住宅、汽车、学习、娱乐等分类)的用户条目和/或在线交互。在组织用户偏好数据的努力中,偏好结构插入有包含可通过例如数据挖掘或其它查询过程发现的可能关系的实例和事件。例如,所述偏好结构允许对个别用户的偏好数据和/或与用户组关联的偏好数据的特征和特性进行检查和数据挖掘。可通过同化远端和近端偏好的特性来积累个人和/或群体偏好知识。
如在此使用的那样,术语“上下文结构”是指用户和/或用户终端的离散上下文特征/数据(例如,与用户关联的时间、位置、当前活动、天气等)的映射。在组织用户上下文数据的努力中,上下文结构插入有包含可通过例如数据挖掘或其它查询过程发现的可能关系的实例和事件。例如,所述上下文结构允许对个别用户的上下文数据和/或与用户组关联的上下文数据的特征和特性进行检查和数据挖掘。可通过同化远端和近端上下文的特性来积累个人和/或群体上下文知识。在另一实施例,所述偏好结构被合并到所述上下文结构中,并且新的结构也被称为上下文结构。
图1是根据一个实施例能够基于群体行为提供个性化信息资源推荐的系统图。需要指出,现有Web搜索引擎在传统上被设计为搜索因特网上的信息,并且在网页、图像、视频和其它文件类型的列表中呈现搜索结果。有些搜索引擎调查或挖掘公共和/或专用数据库中可用的数据和用户条目,以收集用户偏好数据(例如,兴趣点分类等)。但是,搜索引擎经常需要用户的积极参与,并且这些传统搜索的结果高度依赖于用户对特定搜索引擎的技巧以及熟悉程度。关于推荐引擎,它们一般将用户的简档与某些参考特征进行比较,并预测用户将赋予信息资源的潜在“评价”。例如,这些特征可以通过基于内容的方法从信息资源提取或者从同类用户组中提取(即,协作过滤方法)。多数推荐引擎为特定于信息资源类型的,例如推荐电影、音乐或书籍。有些推荐引擎是特定于网站的,以便于它们仅跟踪整个网站上的用户在线行为,并且通过特定网站为用户提供可用提议。需要推荐引擎将上下文和偏好个性化信息资源(例如,URL列表)列表推送到用户设备接口。URL列表为动态列表并且反映在用户附近可用的或者与用户个人、社会和地理上下文匹配的服务。目前,没有任何推荐引擎在将相同的后端数据应用到全世界所有用户时,将社区、文化、国家等群体行为差异考虑在内地提供个性化信息资源推荐。
为了解决这些问题,系统100引入基于规则的群体行为建模框架,以支持信息资源推荐服务。所述框架考虑了在特定使用上下文和情形下,特定数据类别的重要性。而且,所述框架考虑了特定于社区、文化和国家的差异,而信息资源推荐服务的目标是在全球展开。系统100通过在维护推荐平台的通用性的同时,借助规则集对群体行为的不同方面进行建模,以动态方式生成数据权重。在一个实施例中,URL列表被每周七天每天24小时地更新,并可供用户查看,无需用户采取任何动作。可选地,系统100应用用户简档(包括用户偏好和不喜欢的方面,例如,食物、衣服、住宅、汽车、学习、娱乐等)以增强信息资源推荐。
系统100包括泛拓扑,该泛拓扑包括所有语言的语言表征(languagetoken)。在该上下文中,“表征”是公共数据点的泛拓扑内的单个数据点或变量。泛拓扑基本是词典或语言模型。语言模型可以以任何信息表示格式或结构进行表示,例如资源描述框架(RDF)图。RDF图表示决策图并通过类别、特性和值来描述资源。节点/表征/资源是可以由统一资源标识符(URI)指向的任何对象,特性是节点属性,并且值可以是属性的原子值或其它节点。RDF图解提供描述特定于应用的类别和特性的框架。RDF图解中的类别是面向对象编程语言中的相同类别。这样允许将表征定义为类别实例和类别的子类别。
系统100可以在Web服务平台上构建上下文结构或从用户终端接收上下文结构。上下文结构包括一种或多种反映当前用户上下文和偏好的表征。在一个实施例中,系统100考虑群体行为地设置泛/语言拓扑中表征的加权值。在另一实施例中,系统100仅提取一部分与上下文结构对应的拓扑,然后考虑群体行为仅设置上下文结构中的表征的加权值。
系统100根据用户组研究和行为研究制定用于将表征值应用于拓扑的规则。在一个实施例中,所述规则可以通过统计方式定义,或者可以动态地在推送URL列表时构建。系统100然后在推送URL列表时判定哪些规则适用于用户所属的特定社区、文化或国家。系统100应用每个适用规则以选择拓扑或上下文结构中每个表征的加权值,然后将每个表征的所有适用规则的加权值聚合为表征的权重。表征的权重通过对应的上下文表征、联系表征值以及不同适用规则与表征关联的加权值来确定。系统101因此获取特定社区、文化或国家的加权上下文结构或加权拓扑。系统然后从加权上下文结构或拓扑分析权重和关联的表征。拓扑的权重依赖于社区动态以及社区/规则被如何建模而随时间变化。例如,镇中心附近最近建成的托儿所吸引了大量年轻家庭从社区中心内的旧托儿服务转移到新托儿所。镇中心附近的交通模式以及父母亲的购物路线因新托儿所的存在而改变。因此,规则和拓扑的权重相应地发生变化。
系统100进一步构建包括多个信息资源中每个信息资源的一个或多个语言表征的语义结构。系统100将每个信息资源的语义结构与上下文结构或拓扑进行匹配。对于使矩阵与上下文结构或拓扑的矩阵匹配的每个语义结构,系统100以上下文结构或拓扑矩阵中的对应权重增加语义结构矩阵中的每个表征值。系统100收集聚合矩阵值大于其它信息资源的预定数量的信息资源,并将它们推荐给列表中的用户。
本发明在反映任何特定社区、文化或国家的行为模式时,针对全球展开重复使用相同的拓扑、规则以及几乎所有后端处理。推荐基于用户偏好、上下文和群体行为模式,同时使用相同的后端数据。后端保持推荐引擎的通用特性,同时引入一个附加模块,该模块以标量方式对社区/文化/国家行为进行建模。此弹性反映在加权拓扑的三个内部模块中:拓扑本身、规则集以及加权值。系统100因此适用于对不同社区、文化和国家的几乎所有群体行为进行建模。
为了在数据存储和计算能力的约束下提供上下文相关的帮助,系统100进一步将所推荐的信息资源列表的表示简化为将由用户选择的图标、按钮或类似元素,从而可按需触发对列表的呈现。此外,系统100仅显示/维护最突出的信息资源。例如,如果用户移到新社区或搬到新城市,则系统100便会提取该特定社区或城市的一般上下文结构。
系统100进一步通过标记用户访问的位置来支持用户类别或上下文数据种类,以便于用户显式表达用户偏好。此外,假如用户隐式表达他们在浏览信息资源时的偏好,则系统100便将用户与信息资源列表内的位置的交互标记为用户隐式偏好。系统100进一步根据用户的标记和浏览活动来增强推荐。
如图1所示,系统100包括通过通信网络105与个人计算机101b、Web服务平台103a和通信平台103b连接的用户设备(UE)101a。UE 101a、个人计算机101b、Web服务平台103a和通信平台103b中的每个都包含推荐应用107和用于存储信息的数据库109。具体而言,UE 101a和个人计算机101b分别包含用于存储偏好和上下文信息的数据库109a和109b。Web服务平台103a和通信平台103b分别包含用于存储规则和加权值信息的数据库109c和109d。
用户设备(UE)101通过通信网络105与推荐应用107c交换上下文和偏好信息。为了简洁,图1在系统100中仅示出单个UE 101和个人计算机101b。但是,可以构想系统100能够支持任意数量的用户终端,最多可达通信网络105的最大容量。例如,网络容量可以根据可用带宽、可用连接点和/或类似元素来确定。如上参考系统100所述,推荐应用107c使用用户上下文和偏好信息来自动生成潜在相关的信息资源(例如,URL)的推荐,以便在UE 101上呈现。在图1的实例中,推荐应用107c将上下文、偏好和/或资源信息存储在数据库109c中。例如,资源信息包括一个或多个标识符、元数据、访问地址(例如,诸如URI、URL、URN或网际协议地址之类的网络地址,或者诸如UE 101的存储器中的文件或存储位置之类的本地地址)、描述、种类、偏好信息或与信息资源关联的类似元素。在一个实施例中,一个或多个信息资源可以由包括一个或多个信息资源(例如,网页、文档、文件、媒体等)的Web服务平台103a和/或包括服务(例如,音乐服务、映射服务、视频服务、社交网络服务、内容广播服务等)的通信平台103b来提供。
在特定实施例中,Web服务平台103a的推荐应用107c与UE 101a的推荐应用107a交互,以自动显示信息资源推荐。推荐应用107a例如显示用户接口,该接口示出信息资源和/或到信息资源的链接(例如,通过对应的URI来识别)的列表,当用户和/或UE 101的上下文更改时,所述列表也发生变化。在一个用例中,用户只需检查关于列表的用户接口,并选择(通过点击、触摸等)适当的那个信息资源来访问资源,并且如果必要,则调用相应的应用或服务。例如,如果信息资源是网页,则对资源的选择会调用UE 101上的浏览器应用(未示出)以显示网页。在一个实施例中,推荐应用107a可在通用Web Runtime(WRT)平台上作为推荐应用107c的客户端应用而运行。作为替代或补充,推荐应用107a可以通过包括Java、Qt等之类的另一编程语言或开发工具来实现。
UE 101还包括用于检测或感应一个或多个与装置关联的上下文特征(例如,时间、位置、当前活动等)的上下文传感器应用117a。该上下文信息然后可以被传输到推荐应用107a,以构建供推荐应用107a在生成信息资源的建议列表时使用的上下文结构。例如,上下文传感器应用117a可以包括用于确定位置的一个或多个全球定位系统(GPS)接收器、用以确定移动或倾斜角的加速计、用以确定方向指南的磁力计、用以确定周围环境噪音的麦克风、光传感器、摄像机和/或类似器件。作为替代或补充,推荐应用107c可以从一个或多个Web服务(例如,天气服务、位置跟踪服务、社交网络服务等)获取上下文信息。
例如,UE 101是任何类型的移动终端、固定终端或便携式终端,包括移动手机、移动电话、移动通信装置、站、单元、装置、多媒体平板电脑、数字图书阅读器、游戏装置、音频/视频播放器、数字相机/摄录像机、定位装置、电视、无线广播接收机、因特网节点、通信器、桌面计算机、膝上型计算机、个人数字助理(PDA)或它们任何组合。在该实例中,UE 101采用无线链路(例如,蜂窝无线电链路)接入通信网络105和/或推荐应用107c。作为替代或补充,可以构想UE 101还可以采用到网络105和/或推荐应用107c的有线连接(例如,有线以太网连接)。还可以构想UE 101a、101b可以支持任何类型的到用户的接口(例如,“穿戴式”电路等)。
此外,在某些实施例中,系统100的通信网络105包括一个或多个网络,例如数据网络(未示出)、无线网络(未示出)、电话网络(未示出)或它们的组合。可以构想数据网络可以是任何局域网(LAN)、城域网(MAN)、广域网(WAN)、公共数据网络(例如,因特网)或其它任何适当的分组交换网络,例如商业上拥有的专属分组交换网络,例如专属电缆或光纤网络。此外,无线网络例如可以是蜂窝网络并且可以采用各种技术,包括增强型全球数据演进速率(EDGE)、通用分组无线业务(GPRS)、全球移动通信系统(GSM)、网际协议多媒体子系统(IMS)、全球移动电信系统(UMTS)等,以及其它任何适当的无线介质,例如,全球微波互联接入(WiMAX)、长期演进技术(LTE)网络、码分多址(CDMA)、宽带码分多址(WCDMA)、无线高保真(WiFi)、卫星、移动自组网络(MANET)等。
例如,UE 101a、个人计算机101b、Web服务平台103a和通信平台103b使用熟知的、新开发的或仍在开发中的协议,相互通信以及与通信网络105的其它组件通信。在该上下文中,协议包括一组定义通信网络105内的网络节点如何根据通信链路上发送的信息来彼此交互的规则。协议在每个节点内的不同操作层起作用,从生成和接收各种类型的物理信号,到选择用于传递这些信号的链路,到这些信号所指示的信息格式,到识别计算机系统上执行的哪些软件应用发送或接收信息。用于在网络上交换信息的概念不同的协议层在开放式系统互连(OSI)参考模型中描述。
网络节点之间的通信通常通过交换离散数据分组来实现。每个分组一般包括:(1)与特定协议关联的报头信息,以及(2)跟随报头信息并包含可能被独立于该特定协议地处理的信息的有效载荷信息。在一些协议中,分组包括(3)跟随有效载荷并指示有效载荷信息的结束的尾信息。报头包括诸如分组的源、其目的地、有效载荷的长度和协议使用的其它特性之类的信息。通常,特定协议的有效载荷中的数据包括与OSI参考模型的不同的更高层关联的不同协议的报头和有效载荷。特定协议的报头通常指示其有效载荷中包含的下一协议的类型。较高层协议被生成将被封装在较低层协议中。包含在穿越诸如因特网之类的多个异构网络的分组中的报头通常包括OSI参考模型定义的物理(第1层)报头、数据链路(第2层)报头、互联网络(第3层)报头和传输(第4层)报头,以及各种应用报头(第5层、第6层和第7层)。
在一个实施例中,Web服务平台103a的推荐应用107c和UE 101a的推荐应用107a可以根据客户端-服务器模型来彼此交互。根据客户端-服务器模型,客户端过程将包括请求的消息发送到服务器过程,服务器过程通过提供服务(例如,提供地图信息)来做出响应。服务器过程还可以向客户端过程返回具有响应的消息。通常,客户端过程和服务器过程在被称为主机的不同计算机装置上执行,并且使用一种或多种网络通信协议经由网络通信。术语“服务器”在传统上用于指代提供服务的过程,或运行所述过程的主机计算机。类似地,术语“客户端”在传统上用于指代做出请求的过程,或运行所述过程的主机计算机。如在此使用的那样,术语“客户端”和“服务器”指代过程而非主机计算机,除非从上下文看明显不是这样。此外,出于包括可靠性、可扩展性和冗余等原因,服务器执行的过程可以分解成在多个主机(有时被称为层)上的多个过程。
图2是根据一个实施例图1的系统的示意图200。在一个实施例中,系统100部署全球信息资源推荐平台201,其通过将用户偏好207、用户上下文209和用户所属的社区、文化、国家的群体行为11等考虑在内,根据同一后端数据205生成每个用户203的个性化信息资源列表。
用户203可以是个人、企业和法律实体等。后端数据205包括从现有全球在线和离线信息源收集的原始拓扑,所述信息源例如是在线或离线调查、公共记录(例如,出生证明、学校记录、驾驶执照、税收记录、不动产记录、犯罪记录等)、事务处理(例如,飞机票、电影票、CD/DVD/图书购买、餐厅/商店/医院/健身房逗留、汽车/住宅/教育贷款、信用卡债务、电话/水电/供暖账单、因特网浏览行为等)、活动(例如,篮球队、垂钓、演唱会等)、逗留(例如,医院、健身房、公园、餐厅、博物馆等)、交互(例如,博客、论坛、社交网简档、在线游戏、通过化身实现的虚拟生活等)、通信内容项(例如,电子邮件、SMS、MMS、电话、媒体会议等)、成员资格(例如,高尔夫俱乐部、航空常旅客、演讲局等)或它们的组合。
用户偏好207包括对于每个用户而言都是多面的用户信息和偏好数据结构。典型的用户信息元素包括用户标识符(例如,电话号码)、用户装置模型(例如,为了识别装置功能)、年龄、民族、语言偏好、兴趣领域、登录凭据(为了访问列出的外部链接的信息资源)。在一个实施例中,偏好数据结构由系统100从后端数据205和/或外部信息源自动生成。在另一实施例中,根据用户个人数据、在线交互和与特定主题、兴趣点或位置等有关的相关活动,在UE 101a上记录偏好数据结构。可以构想用户可以定义要包括在偏好结构中的任意数量的偏好元素和表征。作为补充或替代,推断引擎可以决定选择什么参数或属性来表示用户兴趣或偏好。然后,选择特定的偏好结构来表示偏好表征和所指定的表征值。
用户上下文209包括每个用户在任意给定时刻的多面的上下文数据结构。在一个实施例中,上下文数据结构由系统100从后端数据205和/或外部信息源自动生成。在另一实施例中,在任意给定时刻,根据用户个人数据、在线交互和与特定主题、兴趣点或位置等有关的相关活动,在UE 101a上记录上下文数据结构。
该上下文数据元素可以包括位置(用户/UE在哪里是可应用的,其中上下文信息源是可应用的等)、活动日期(用户/UE和/或上下文信息源可用的日期范围)、子标识符(与不同位置和/或可用上下文信息源关联的每个子标识符)、事件类型(与用户/UE关联的事件信息)、时间(涉及用户/UE的事件的时间)、可应用的上下文(其中上下文信息源是可应用的)、上下文源(什么传感器、服务、应用等可以提供相关的上下文信息),以及可选地包括偏好元素(与什么偏好数据元素关联)等。
例如,系统100分析上下文信息源中引用的上下文特征(例如,时间、位置、当前活动、历史活动等),来使用例如反映用户上下文的数据挖掘技术(例如,跟随字解析的对解析后的字的概率分析,从而对上下文信息源进行分类)构建上下文结构。然后,与上下相关术语相匹配的表征被包括在用户的上下文结构中。包括在上下文结构中意味着表征描述上下文条件(例如,时间、地点、位置、活动等)、上下文源(例如,提供该上下文特征以确定特定的上下文条件的服务或传感器)和/或与用户关联的其它上下文相关信息。还可以使用相同的数据挖掘技术来确定和分析与用户偏好特征(例如,食物、衣服、住宅、车辆、学习、娱乐等)关联的信息,以构建用户的偏好结构。
用户所属的社区、文化、国家的群体行为211包括特定社区、文化或国家的多面行为结构。在一个实施例中,所述行为数据结构由系统100从外部信息源生成,然后用后端数据205进行训练/细化。例如,系统100根据某些行为影响元素,使用统计集群分析将目标区域分为典型的社区类型,以便将重要的空间聚合识别为社区。系统100然后测试这些元素对每个社区类型内成员在不同行为种类(例如,乘车上下班、购买食物、锻炼等)方面的行为决策的影响。例如,通行选择和乘车上下班行为方面的行为影响元素包括位置、人口密度、街道设计、通行进入、高速路进入等。行为影响元素被用作乘车上下班行为结构中的表征。
需要指出,大量相关用户活动实际上在用户离线(即,未连接到因特网)时发生。因此,系统100引入了记录和跟踪离线活动的能力,例如,用户访问兴趣点(例如,社区中心、办公室、超市、餐厅等)。系统100可以跟踪用户的离线活动,离线活动包括用户创建的有关社区中心等的:(1)指示用户实际前往社区中心的GPS数据,(2)用户实际前往社区中心的账单/收据等,(3)用户在用户日历约会中提及社区中心,(4)用户在社区中心内的呼叫,(5)用户对社区中心或社区中心内的设施投票为重要(例如,在调查中),(6)现实世界媒体项(在博客、网页上等发布的文章、音乐、视频、照片等)。系统100也可以查找用户创建的文本或音频消息中提及的社区中心的名称。在这种情况下,系统100通过查看GPS位置和数据文件中的标题数据,确定哪个社区中心出现在文章、音乐、视频、照片中。系统100可以对用户的通信(例如,文本或音频消息等)进行内容分析,以查看对于社区中心的个人重要程度表达,例如“我真是太喜欢疯马社区中心了,只要有空便会去那里”,“我每次都会在疯马社区中心就餐”等。系统100可以通过访问存储有关用户住在哪里、在哪里工作以及在哪里有会员资格(例如,社区中心内的健身房等)的数据的数据库,以及存储有关用户好友或联系人住在哪里(社区中心),在哪里(社区中心)工作以及在哪里有会员资格的数据的数据库等,来探求用户和社区中心之间的关联。优选地,系统100收集所有原始用户活动和群体行为信息。
全球信息资源推荐平台201根据群体行为结构调整信息源的语义结构,从而向用户建议信息资源的列表。所述列表然后在用户装置上显示并且随着UE上下文特征的改变而被自动更新。此方法的优点是,在没有特定的用户干预的情况下,始终对用户呈现与用户上下文或偏好相关的信息资源的更新列表。此外,个性化信息资源推荐甚至在用户简档不可用或未更新的情况下也始终是可用的。例如,由于用户没有太多的(如果有的话)在线活动(例如,发展中国家的新用户),或者用户按照隐私法律和政策故意退出数据共享,所以用户简档可能不可用。在这些情况下,系统100根据社区模型提供信息资源推荐,然后随着用户变得参与更多在线活动根据用户行为逐渐细化信息资源推荐。
在一个实施例中,列表提供到信息资源的直接链接(例如,通过URL),并且用户只需选择链接便可迅速访问所推荐的信息资源。进一步地,系统100可以存储与推荐信息资源有关的登录凭据和/或其它访问信息,以便于快速访问信息资源。通过这种方式,用户不需要辛苦地输入访问信息或搜索与资源对应的信息。
在另一实施例中,全球信息资源推荐平台201允许第三方(例如,用户社区、社交网络群体、非盈利组织、企业、广告商等)指定或促成系统100从中做出建议的预定信息资源集。启用此功能有利地允许用户利用具有类似兴趣的其它方最喜欢的信息资源、偏好和/或上下文,从而使用户无需定义信息资源。例如,这些第三方还可以包括根据用户偏好和/或上下文标记和分类信息资源(例如,网页)的外部书签服务(例如, 等)。当第三方是广告商时,所述广告商可以通过提供折扣、优惠券、免费样品/礼物等方式激励系统100或用户消费广告商品。
全球信息资源推荐平台201可以直接从第三方,而非UE 101导入用户的偏好结构和上下文结构。在另一实施例中,全球信息资源推荐平台201将来自第三方的偏好结构和上下文结构与来自UE 101的偏好结构和上下文结构进行合并。
图3是根据一个实施例的推荐应用的组件图300。例如,Web服务平台103a的推荐应用107c包括用于根据上下文、偏好和群体行为信息建议信息资源的一个或多个组件。可以构想,这些组件的功能可以被组合到一个或多个组件中或者由具有等效功能的其它组件来执行。在该实施例中,推荐应用107c包括至少一个控制逻辑301,该逻辑执行至少一种用于执行推荐应用107c的功能的算法。例如,控制逻辑301与结构处理模块303交互,以处理用户的上下文结构以及信息资源的语义结构。
在一个实施例中,结构处理模块303触发例如在UE 101上执行的用户接口,以监视用户输入,从而确定用户的上下文结构。作为补充或替代,结构处理模块303提供用于对每个信息资源的检索信息的基于Web的接口或门户,并生成每个信息资源的语义结构。此外,结构处理模块303触发用户接口以允许用户指定与每个信息资源关联的个人偏好或其它数据(例如,登录凭据或其它访问凭据)。可以构想,信息资源可以是外部站点、其它程序(例如,Web浏览器)或服务(例如,社交网络服务)。结构处理模块303然后在例如数据库109c中存储用户的上下文和偏好结构以及信息资源的语义结构。
在另一实施例中,结构处理模块303支持Web服务平台以便监视用户、用户的社区或群体和/或其它第三方(例如,企业、服务提供商、网络运营商、内容提供商等)的输入,以确定用户的上下文结构。
在存储上下文和偏好结构以及信息资源的语义结构之后,控制逻辑301与群体行为模块305交互,以将在地理上定义的群体的群体行为集合到对用户的推荐中。例如,群体行为模块305根据用户所属的社区、文化、国家或它们的组合,应用一个或多个规则以选择用户的上下文结构或泛拓扑中每个表征的加权值。所述上下文结构包括反映用户的当前上下文(例如,时间、位置、事件等)的语言表征。群体行为模块305从加权拓扑提取加权值和对应的表征。
控制逻辑301与匹配模块307交互,以将信息资源的语义结构与拓扑进行匹配,从而根据所提取的对应表征的加权值来调整多个信息资源的语义结构。例如,对于具有与拓扑的矩阵相匹配的矩阵的每个语义结构,控制逻辑301以拓扑矩阵中的对应权重来增加语义结构矩阵中的每个表征值。控制逻辑301还包括至少部分地根据所增加的语义结构的表征值而向用户建议信息资源的列表的资源建议模块309。
图4是根据一个实施例基于群体行为提供个性化信息资源推荐的过程的流程图。在一个实施例中,Web服务平台103a的推荐应用107c执行图4的过程400,并且例如在包括图12中示出的处理器和存储器的芯片组中实现。在步骤401,推荐应用107c根据用户所属的社区、文化、国家或它们的组合的群体行为应用一个或多个规则以选择语言拓扑中表征的加权值。推荐应用107c提供基于规则的群体行为建模框架以支持信息资源推荐服务,如下所述。语言拓扑中的表征可以包括拓扑中的所有表征,或仅包括组成反映用户的当前上下文的上下文结构的表征。当过程根据拓扑中的所有表征而被实现时,结果将更全面。当过程仅根据构成当前上下文结构的表征而被实现时,过程将加速。
上下文结构的语言表征从泛拓扑中提取,即从包括所有语言的字的词典中提取。所述语言拓扑允许推荐应用推断上下文结构。所述上下文结构还可以包括一个或多个反映用户特征、兴趣、偏好或它们的组合的语言表征。
所述上下文结构可以从UE 101接收或由Web服务平台103a的推荐应用107c生成。所述上下文结构例如表示在推荐应用107c准备做出推荐时包含在用户上下文中的语言表征。
例如,UE 101的推荐应用107a使用异步JavaScript将可扩展标记语言(XML)包装的上下文结构发送到推荐应用107c。本体论信息将被编码到上下文结构中,并且推荐应用107c可以使用多种方法之一获取数据。一种方法是,对Web Runtime(WRT)应用环境使用例如符合标准的万维网联盟(W3C)递送上下文客户端接口(DCCI)扩展,其中,该应用环境通过上下文对象提供上下文数据。此外,推荐应用107c可以使用上下文访问应用编程接口(API),以便直接从UE 101检索上下文信息或上下文结构。所述上下文信息可包括,例如日期、时间、位置、用户的当前活动、活动历史或它们的组合。
所述泛拓扑还允许Web服务平台103a的推荐应用107c推断信息资源的语义结构。在一个实施例中,推荐应用107c按需根据状态语言形成用来将权重应用到表征的规则。在另一实施例中,预定义多个上下文集的规则。
例如,对于每个信息资源,文本或其它信息被从预定集中的信息源提取,作为泛拓扑的语言表征(例如,每个语言表征表示字或短语)。例如,抓取并分析每个信息资源以获取文本。由于文本数据大部分是无结构的并且可以包括上万的字,因此可以使用自动主题建模来从文本定位和提取语言表征。在一个实施例中,推荐应用107c提取名词表征,然后执行直方图削减以便仅提取最少见的名词。为了提取名词表征,推荐应用107c可以部署词性标注(POTS),以标示文本中的名词。POTS是根据其定义及其上下文,将文本(语料库)中的名词标示成与特定词性对应的过程。词性标注不仅仅是具有字及其词性的列表,因为有些字在不同时刻可表示多于一种的词性。例如,“商店”通常是复数名词,但是可以作为动词。推荐应用107c然后使用泛拓扑提取名词,并存储名词表征。所获取的名词表征然后被用于通过提取具有类似概率的表征或对表征执行其它类似的概率分析,构建表示信息资源的语义结构。
在一个实例中,诸如隐含狄利克雷分配(LDA)之类的主题模型是对于文档收集的统计分析来说是很有用的工具。例如,LDA是概率生成模型以及“字袋”模型。换言之,从信息资源的文本提取的字或表征被假设为可以在其中互换。LDA模型假设每个文档的字都来自多种主题,每个主题都是词汇表上的概率分布。因此,LDA将文档表示为极高维度空间中的字数矢量,而忽略字或表征中出现的顺序。尽管针对阅读理解保留字的确切顺序很重要,但是对于自动引出语言表征集合中的广泛语义主题的有效算法而言,语言简单的可交换性假设是重要的。
建模算法的另一实例是隐含概率语义分析(PLSA)模型。PLSA是用于分析双模式和共现数据的统计技术。PLSA从隐含语义分析演化而来,并且添加了发声器概率模型。PLSA具有从文本以及相关区域进行信息检索和过滤、自然语言处理、机器学习等应用。
一旦创建了信息资源的语义结构,则推荐应用107c便可将每个语义结构与拓扑进行匹配,从而确定与所确定的用户上下文相关的建议的信息资源列表。在一个实施例中,语义结构内的语言表征和包含在拓扑中的语言表征之间的匹配导致拓扑中表征的表征值被加到语义结构中的相同表征的表征值上。因此,推荐应用107c通过改变其中的表征值,根据加权拓扑来调整多个信息资源的语义结构(步骤403)。
之后,推荐应用107c至少部分地根据调整过的语义结构向用户建议一个或多个信息资源(步骤405)。所建议的信息资源通过UE 101被呈现给用户。此外,推荐应用107c根据上下文信息中的变化,以预定的时间间隔或根据这两者的组合来更新列表。
图5示出根据一个实施例包括多个语言表征的群体行为结构的图形表示。系统100考虑了特定于社区、文化和国家的差异的重要性,同时还提供可以在全球实现的通用平台。为了实现这些目的,推荐应用107c通过结合图4介绍的基于规则的行为建模框架,以动态方式生成表征权重,同时维持推荐平台201的通用性。通过根据用户所属的社区、文化、国家或它们的组合来应用一个或多个规则以选择每个拓扑表征的加权值,来从泛拓扑提取群体行为结构500。如上所述,基于社区/文化/国家研究和行为研究来设置规则。
群体行为结构500被实现为数据文件,被按照数据结构来组织,以便可被容易地解释、分析、重构或解构。在该数据文件内,具有一个或多个代表性群体行为主题,其中,每个主题是综合表征。因此,包括群体行为结构的表征集定义固定的但可扩展的潜在群体行为主题集。为了清晰起见,术语“表征”和“主题”将被看作同义的术语,因为拓扑数据文件的计算或语义处理最终导致将主题抽象为一个或多个表征。
一般而言,表征可以是关键字、运算符、标点符号或包括输入字符串或输入文档的字和/或字符的任何组合。在本实例的上下文中,每个顶级主题501、503至523都表示预定义数量的名词表征-即,1500个顶级表征。因此,给定表征的每个描述符变量在语义上被看作名词/行为,即,“乘车上下班”、“食物购买”等。每个主题被进一步分为一个或多个子类,以便进一步组织为子主题。预定的群体行为结构500因此按层级排列,以便定义/控制数量的顶级主题表征501、503和523(例如,主题)具有相应的子类别507、511、513、515、517和521(例如,子主题)。层级内给定主题501、503和523的子类可以下行多个深度和级别(进一步的子类),表示例如30至50个表征之间的任意位置,这取决于顶级种类的性质。
在知道这些之后,群体行为的主题和子主题的群体行为结构500表示至少7500个表征或主题的超集(super-set)就不罕见了。一般而言,群体行为将属于一个或多个(如5个)顶类(例如,主题、种类),然后属于系统100所选的每个类下的若干个子类。按照社区/文化/国家的群体行为的分类可以由研究者和/或计算机通过从诸如社会研究论文和研究、调查、人口调查、公共记录等之类具有所要求的粒度和精确度的不同信息源提取信息而手动执行。此外,所呈现的7500个数量的表征只是举例,并非任何限制。表征的数量将随着主题粒度的增加以及随时间识别出或细化的新的类型而增长。因此,此处提供了用于在手动催生例如一个或多个顶级主题之后自动化该过程的部件。
现在再次参考图5,群体行为结构500内的每个表征都还与对应的参考表征集关联。参考表征集表示从分配给泛拓扑的每个主题和子主题的参考信息源(例如,研究论文、购物网站、超市调查等)提取的一个或多个表征。每个参考信息源都是被确定为与对应主题所表示的主旨紧密匹配的资源。因此,参考信息源提供了允许主题表征和其实际语义使用之间的群体行为关联的方式。因此,例如,行为“驾驶(乘车上下班)”的表征507具有两个关联的活动网络摄像头/数据库509,它们与华盛顿特区市中心交通灯/拥挤主题和首都环线上高速路交通拥挤主题有关。行为“乘坐公共交通工具上下班”的表征511具有行为“乘坐火车上下班”行为的一个子表征513。
作为另一实例,行为“在线(食物购买)”的表征517具有两个关联的网站519,它们与有机食物主题和超市链主题相关。例如,文档519可以从提供相关主题文档的一个或多个在线文档库(例如,农会或其它任何源)来指定。行为“食物购买”表征503具有另一行为“在超市(购买食物)”的子表征521。
在一个实施例中,推荐应用107c从每个参考信息源提取参考表征集,以建立规则,所述规则作为按社区/文化/国家对泛拓扑应用所取的值的基础。在另一实施例中,推荐应用107c按需生成对应于用户的当前上下文结构的群体行为结构500。
结合地,从每个单独的群体行为参考信息源提取的代表性表征充当语言模型,提供可用于按社区/文化/国家导出代表群体行为的上下文准确和相关的表征的特定信息。尽管图中示出与给定表征关联的各种群体行为信息源,但实际上这也包含了补充参考表征的映射。
图6是根据一个实施例示出全球主要捕鱼社区的图600。例如,通过与社区居民/用户601交谈,推荐应用107c探求全球607的捕鱼社区603、渔民、海洋环境和渔业文化605之间的联系。群体行为结构500和规则捕捉这些城镇和城市中从事商业捕鱼和休闲捕鱼以及其它海洋相关职业的捕鱼社区男女601的文化、生活方式、经历。例如,日本北海道北部地区及其周围岛屿是阿伊努人及其社区609的居住环境。他们的文化与严峻的自然环境共存,以打猎、捕鱼、采集和农耕作为生活来源。由于沿海水域捕鱼量减少,日本渔业向北太平洋和南极附近的南冰洋发出捕鲸船进行捕捞。
居住在加拿大、丹麦、俄罗斯和美国的北极地区611的一群土著社区的各种因纽特人群中也有少部分人从事捕鱼业。捕获的肉类在将鱼肉作为传统饮食的一部分的北部社区的商店和超市售卖。每个捕鱼社区都有其自己的群体行为模式,这些模式可被转换为不同的加权值,以反映社区对社区用户的影响。
图7示出根据一个实施例捕鱼社区中的群体行为表征701间的加权值702的实例700。该实例针对因纽特人捕鱼社区构建。例如,天气(5)、灵魂崇拜(5)、捕鱼(4)、打猎(3)和狗拉雪橇(3)是社区中前五个群体行为。加权值允许推荐应用107c通过并入社区/文化/国家差异,根据拓扑或上下文结构(例如,行为的时间、日期、位置等)调整信息资源的语义结构。
图8是根据一个实施例基于拓扑调整信息资源的语义结构的过程的流程图。在一个实施例中,推荐应用107c执行图8的过程800,并且在例如包括图12中示出的处理器和存储器的芯片组中实现。在步骤801,推荐应用107c将语义结构与拓扑进行匹配,其中每个语义结构都包括一个或多个语言表征并对应于其中一个信息资源。表征值矩阵是矩形表征值阵列,例如
该矩阵具有条目1、9、13、20、55和4。可对条目增加和减去同样大小的矩阵。针对具有与上下文结构的表征值矩阵相匹配的表征值矩阵的每个语义结构,推荐应用107c都以拓扑矩阵中对应的加权值来增加语义结构矩阵中的每个表征值(步骤803)。推荐应用107c至少部分地根据语义结构的增加的表征值,向用户建议信息资源(步骤805)。在一个实施例中,每个建议的信息资源都具有满足阈值的聚合矩阵值。在另一实施例中,将聚合矩阵值比其它信息资源的大的预定数量的信息资源建议给用户。之后,推荐应用107c根据当前上下文更新/计算拓扑的加权值(步骤807)。例如,中午的社区行为(例如,食用工作午餐、进行个人差事等)不同于早上的行为(例如,送孩子上学、乘车上下班等),使得可应用的规则不同。所以,加权值也相应地改变。
图9是根据一个实施例的推荐引擎组件的图。例如,推荐引擎900包括一个或多个用于根据上下文、偏好和群体行为信息来建议信息资源的组件。可以构想,这些组件的功能可以被组合到一个或多个组件中或者由具有等效功能的其它组件来执行。在该实施例中,推荐引擎900组合偏好结构和上下文结构(例如,从外部UE 101a接收),以构建组合后的针对用户的数据结构。例如,UE 101a、101b(未示出)上的用户偏好和/或上下文引擎监视用户从事的活动和/或用户出现在哪里(位置、电话号码、GPS坐标等),并针对个人偏好和上下文执行高级数据挖掘。推荐引擎900然后使用该组合后的结构,以便导出/计算与从每个信息资源(例如,网站)导出的每个语义结构相匹配的度量。具有最多或较多匹配度量的网站被选择并推送给UE 101a。
在另一实施例中,推荐引擎900在偏好结构和上下文结构中间添加一层,以构建反映特定社区/文化/国家的某些表征的重要性的更好的匹配度量。
根据基于规则的群体行为建模框架,系统100将表征的泛拓扑制成加权拓扑,该加权拓扑在构建度量时被系统100的推荐引擎考虑在内。所述框架包含像下文中那样彼此交互的上下文处理器910、加权拓扑引擎(WTE)920和匹配引擎930。
上下文处理器910从UE 101a和过程上下文数据911导入上下文结构。上下文数据结构被传输给匹配引擎930和WTE 920。WTE 920包括拓扑管理器(TM)921、原始语义拓扑(ST)923、规则处理器(RP)925、规则库927以及按社区/文化/国家的加权分数/值(WS)929。加权分数929对于每种社区类型和每种文化/国家类型都不同,并且加权分数929反映每个主题的特定加权值,所述加权值是加权分数描述的社区/文化/国家所给予的重要性。加权分数929通过用户研究和行为研究来确定。通过这种方式,推荐引擎900可以改变对应于不同社区/文化/国家的行为的加权分数929,同时使多数规则保持不变。在另一实施例中,推荐引擎900可以更改规则。
规则处理器925包含根据不同的上下文(例如,捕鱼、购物、乘车上下班等)确定按照社区/文化/国家采用哪些加权分数929的规则集。规则根据状态语言被动态地构建,或者被静态地定义为要应用于特定上下文集。如果一个或两个上下文关键字的值落在特定界限之间,则选择特定规则。每个规则于是按照社区/文化/国家来选择适当的加权分数。推荐引擎900针对特定社区/文化/国家为语义拓扑923中的每个表征计算加权值。拓扑中每个表征的加权值都是通过上下文数据、其具有上下文结构的表征值以及加权分数929来确定。这些值被根据规则来使用,然后计算加权拓扑。拓扑923不是仅受与拓扑中的每个表征关联的权重的影响。一旦加权拓扑完成,便将其传递到匹配引擎930。
匹配引擎930还从URL语义结构库940接收提取自每个信息资源(例如,URL)的多个语义结构。匹配引擎930将上下文数据结构与语义结构进行匹配,并将匹配结果发送给决策引擎950,以查找与用户偏好、上下文,以及用户所属的社区/文化/国家的群体行为高度相关的特定URL集。
在一个实施例中,匹配引擎930解析经过加权的拓扑,并存储所有加权值和值大于阈值(例如,1)的关联表征。当计算矩阵分数(按照URL)时,通过在上面增加上下文数据结构的匹配度量的那些加权值,来调整包含值大于经过加权的拓扑中的阈值(例如,1)的那些表征的所有URL语义结构。因此,在添加了特定社区/文化/国家的加权值之后,与不包含上下文结构表征的其它表征相比,具有高表征值的URL语义结构中的那些表征得到甚至更高的值。如果加权值不是起初就被应用,则具有高表征值的URL结构中的那些表征仍将被赋予较高的分数。这意味着被赋予权重的群体行为方面反映在最终的匹配取值中,使得上下文和行为模式在如此确定的URL列表中得以反映。
例如,推荐引擎900为在北京早上乘出租车的人推荐30分钟的新闻视频片段,同时为如果在赫尔辛基的同一用户推荐简单的国际新闻RSS馈送。这是基于两个社区中估计的乘车上下班时间。这样导致在各地重用推荐引擎(包括规则集)的几乎所有功能,但是即使是所有上下文方面都是相同的,原始拓扑中不同表征的不同度量也会导致不同的匹配。因此,推荐引擎900提供高适应性后端和可扩展的高效信息资源推荐服务。
图10是根据一个实施例表示信息资源的用户接口1000的图。用户接口可以是LCD屏,例如触摸屏等。在该实施例中,系统100自动更新用户上下文,并持续更新信息资源列表。顶栏1001指示当前位置(伊魁特、NU、加拿大)、温度(-29℃)、时间(1:00pm)、风力(强)、湿度(45%)和日期(2010年3月23日,周二)。信息资源的列表始终准备好被用户调用。用户可以选择(通过触摸、点击等)图标1003,以显示系统100推荐的信息资源1005的列表。在这种情况下,用户不必采取选择按钮1003以取得个性化推荐列表之外的任何动作。此特征使得移动终端的新用户(例如,对信息装置了解或经验有限的发展中国家的人)可以容易地得到推荐。
在一个实施例中,每个信息资源都列有对资源的简要描述。例如,GriseFiord Inuit Co-operative为社区提供包括零售商店、有线电视、物业出租和市政服务合同的服务。可选地,可以列出信息资源的URL。在另一实施例中,一个或多个被列出的信息资源以短文提供。通过选择希望的信息资源,短文被高亮显示和/或放大,使得用户可以选择“更多/继续”图标/按钮1007,以显示信息资源的更详细描述或浏览对应的URL。用户可以通过选择“网页收藏”1009来收藏信息资源。用户可以通过选择“返回”1011来移回到之前的屏幕。
用户的选择或其它反馈作为有关所选信息资源的隐式相关反馈,由UE101的推荐应用107a监视。在另一实施例中,用户可以通过在用户兴趣栏1013中上移和下移兴趣控制杆1015,来明确地指示用户关于信息资源的兴趣。当用户在列表中选择信息资源和/或对信息资源评价高时,该信息资源可能与用户的偏好、上下文和/或群体行为匹配。系统100增加所选信息资源的相关表征值,并将其向回反馈以调整存储的取值和/或规则。另一方面,如果用户不选择列表中的某些信息资源和/或对信息资源的评价低,则所述信息资源不与用户的偏好、上下文和/或群体行为匹配。系统100减小所选信息资源的相关表征值,并将其向回反馈以调整存储的取值和/或规则。因此,系统100细化/训练其本身以提供满足用户需要和兴趣的更佳推荐列表。
在此描述的用于根据群体行为提供个性化信息资源推荐和根据上下文和偏好建议信息资源的过程可以有利地通过软件、硬件、固件或软件和/或固件和/或硬件的组合来实现。例如,在此描述的过程(包括提供与服务可用性关联的用户接口导航信息)可以有利地通过处理器、数字信号处理(DSP)芯片、专用集成电路(ASIC)、现场可编程门阵列(FPGA)等来实现。下面将详细描述此类用于执行所述功能的示例性硬件。
图11示出可实现本发明的实施例的计算机系统1100。尽管相对于特定装置或装备示出计算机系统1100,但是可以构想,图11中的其它装置或装备(例如,网络元件、服务器等)可以部署所示的系统1100的硬件和组件。计算机系统1100被编程(例如,通过计算机程序代码或指令)为如此处所述根据群体行为提供个性化信息资源推荐,并包括通信机制,例如用于在计算机系统1100的其它内部和外部组件之间递送信息的总线1110。信息(也被称为数据)被表示为可测量现象的物理表达,通常为电压,但在其它实施例中包括诸如磁、电磁、压力、化学、生物、分子、原子、亚原子和量子交互之类的现象。例如,南北磁场或零和非零电压表示二进制位(比特)的两个状态(0,1)。其它现象可以表示更高基的位。测量之前多个同时量子状态的叠加表示量子位(qubit)。一个或多个位的序列组成用于表示字符数字或代码的数字数据。在某些实施例中,被称为模拟数据的信息由特定范围内的近连续可测量值表示。计算机系统1100或其一部分构成用于执行根据群体行为提供个性化信息资源推荐的一个或多个步骤的部件。
总线1110包括一个或多个并行信息导体,使得信息在与总线1110耦合的多个装置间被快速传递。一个或多个用于处理信息的处理器1102与总线1110耦合。
处理器(或多个处理器)1102如与根据群体行为提供个性化信息资源推荐有关的计算机程序代码所指定的那样,对信息执行一组操作。计算机程序代码是一组指令或语句,它们为处理器和/或计算机系统的操作提供指令,以执行指定功能。例如,所述代码可以被写在被编译为处理器的本地指令集的计算机编程语言中。所述代码还可以直接使用本地指令集(例如,机器语言)来编写。所述操作集包括从总线1110引入信息,以及将信息放在总线1110上。所述操作集通常还包括比较两个或多个信息单元,移动信息单元的位置,以及组合两个或多个信息单元,例如通过加法或乘法或诸如OR、异或(XOR)和与之类的逻辑运算。处理器可以执行的操作集的每个操作都通过被称为指令(例如,一个或多个位的操作码)的信息表达给处理器。诸如操作码序列之类的要由处理器1102执行的操作序列构成处理器指令,也被称为计算机系统指令,或者简称为计算机指令。处理器可以单独地或组合地实现为机械、电、磁、光、化学或量子组件等。
计算机系统1100还包括与总线1110耦合的存储器1104。诸如随机存取存储器(RAM)或其它动态存储装置之类的存储器1104存储包括处理器指令的信息,以便根据群体行为提供个性化信息资源推荐。动态存储器允许计算机系统1100更改其中存储的信息。RAM允许被存储在称为内存地址的位置上的信息单元独立于邻近地址上的信息地被存储和检索。存储器1104还被处理器1102用来在执行处理器指令期间存储临时值。计算机系统1100还包括只读存储器(ROM)1106或其它与总线1110耦合以存储包括指令在内的静态信息的静态存储装置,所述静态信息不会被计算机系统1100更改。有些存储器由易失性存储组成,当断电时,其丢失其上存储的信息。诸如磁盘、光盘或闪存卡之类的非易失性(永久)存储装置1108也耦合到总线1110以存储包括指令在内的信息,所述信息即使在计算机系统1100关闭或断电时也是永久的。
信息,包括用于根据群体行为提供个性化信息资源推荐的指令在内,被从诸如键盘(包含由人类用户操作的数字字母键)或传感器之类的外部输入装置1112提供给总线1110,以便由处理器使用。传感器检测附近的状况并将这些检测转换为与用于表示计算机系统1100中的信息的可测量现象兼容的物理表达。耦合到总线1110并主要用于与人类交互的其它外部装置包括用于呈现文字或图像的显示装置1114(例如,阴极射线管(CRT)或液晶显示屏(LCD)或等离子屏幕或打印机),以及诸如鼠标或轨迹球或鼠标方向键或动作传感器之类的点选设备1116,所述点选设备用于控制呈现在显示装置114上的小光标图像的位置和发出与呈现在显示装置1114上的图形元素关联的命令。在某些实施例中,例如在计算机系统1100无需人类输入就自动执行所有功能的实施例中,省略一个或多个外部输入装置1112、显示装置1114和点选装置1116。
在所示实施例中,诸如专用集成电路(ASIC)1120之类的专用硬件耦合到总线1110。专用硬件被配置为为了实现专门目的而足够迅速地执行处理器1102不执行的操作。
专用IC的实例包括,用于生成显示装置1114的图像的图形加速器卡、用于对网络上发送的消息、语音识别进行加密和解密的密码板,以及对特殊外部装置(例如,重复执行某些可以在硬件中更有效地实现的复杂操作序列的机械臂和医疗扫描设备)的接口。
计算机系统1100还包括一个或多个耦合到总线1110的通信接口1170的实例。通信接口1170提供耦合到使用其自己的处理器来运行的各种外部装置(例如打印机、扫描仪和外挂盘)的单向或双向通信。一般而言,所述耦合具有网络链路1178,该网络链路与使用其自己的处理器的各种外部装置连接到的本地网络1180相连。例如,通信接口1170可以是个人计算机上的并行端口或串行端口或通用串行总线(USB)端口。在某些实施例中,通信接口1170是综合业务数字网络(ISDN)卡或数字用户线路(DSL)卡或提供到对应电话线类型的信息通信连接的电话调制解调器。在某些实施例中,通信接口1170是将总线1110上的信号转换为用于同轴电缆上的通信连接的信号或转换为用于在光纤电缆上的通信连接的光信号的电缆调制解调器。作为另一实例,通信接口1170可以是提供到诸如以太网之类的兼容LAN的数据通信连接的局域网(LAN)卡。还可以实现无线链路。对于无线链路,通信接口1170发送或接收,或者既发送也接收携带诸如数字数据之类的信息流的电、声或电磁信号(包括红外信号和光信号)。例如,在诸如移动电话(例如蜂窝电话)之类的无线手持装置中,通信接口1170包括被称为无线电收发机的无线电频带电磁发射机和接收机。在某些实施例中,通信接口1170可用于实现到通信网络105的连接,以便根据群体行为提供个性化信息资源推荐。
如在此使用的那样,术语“计算机可读介质”是指参与将信息提供到处理器1102的任何介质,所述信息包括待执行指令。此类介质可以采取多种形式,包括但不限于计算机可读存储介质(例如,非易失性介质、易失性介质)和传输介质。诸如非易失性介质之类的非临时介质例如包括光盘或磁盘,例如存储装置1108。易失性介质包括例如动态存储器1104。传输介质例如包括同轴电缆、铜线、光纤电缆和不使用电线或电缆在空间传输的载波,例如声波和电磁波,包括无线电波、光波和红外波。所述信号包括通过传输介质传输的振幅、频率、相、极化或其它物理特性中的人为瞬变。计算机可读介质的一般形式例如包括软磁盘、软盘、硬盘、磁带、其它任何磁介质,CD-ROM、CDRW、DVD、其它任何光介质、穿孔卡、纸带、光标示表单、其它任何带有孔状图案或光可识别标记的物理介质、RAM、PROM、EPROM、FLASH-EPROM、其它任何存储芯片或卡式磁带、载波或计算机可读取的其它任何介质。术语计算机可读存储介质在此用于指传输介质以外的任何计算机可读介质。
在一个或多个有形介质中编码的逻辑包括计算机可读存储介质和诸如ASIC 1120之类的专用硬件之一或两者上的处理器指令。
网络链路1178通常使用传输介质,通过一个或多个网络将信息通信传输给使用或处理该信息的其它装置。例如,网络链路1178可以通过本地网络1180提供到主机计算机1182或到因特网服务提供商(ISP)运行的装备1184的连接。ISP装备1184则通过公共、网络的全球分组交换通信网络(现在一般被称为因特网1190)提供数据通信业务。
与因特网连接的被称为服务器主机1192的计算机宿主这样的过程,该过程响应于通过因特网接收的信息而提供服务。例如,服务器主机1192宿主提供表示用于呈现在显示装置1114上的视频数据的信息的过程。可以构想,系统1100的组件可以以各种配置部署在诸如主机1182和服务器1192之类的其它计算机系统中。
本发明的至少某些实施例与使用计算机系统1100实现在此描述的部分或全部技术相关。根据本发明的一个实施例,这些技术由计算机系统1100响应于处理器1102执行存储器1104中包含的一个或多个处理器指令的一个或多个序列来执行。此类也被称为计算机指令、软件和程序代码的指令可以从诸如存储装置1108或网络链路1178之类的另一计算机可读介质读入存储器1104。执行存储器1104中包含的指令序列可使处理器1102执行在此描述的一个或多个方法步骤。在备选实施例中,诸如ASIC 1120之类的硬件可以替代软件或与软件结合实现本发明。因此,本发明的实施例不限于硬件和软件的任何特定组合,除非在此另外明确指出。
在网络链路1178和其它网络上通过通信接口1170传输的信号承载区网和来自计算机系统1100的信息。计算机系统1100可通过网络1180、1190等,通过网络链路1178和通信接口1170发送和接收包括程序代码在内的信息。在使用因特网1190的实例中,服务器主机1192通过因特网1190、ISP装备1184、本地网络1180和通信接口1170,发送从计算机1100发送的消息所请求的特定应用的程序代码。所接收的代码可以在收到时由处理器1102执行,或者可以存储在存储器1140和/或存储装置1108和/或其它非易失性存储中以便于以后执行。通过这种方式,计算机系统1100可以获取处于载波上信号形式的应用程序代码。
可以使用各种形式的计算机可读介质将指令和/或数据的一个或多个序列承载到处理器1102以便执行。例如,所述指令和数据最初可以是携带在诸如主机1182之类的远程计算机的磁盘上。远程计算机将所述指令和数据加载到其动态存储器中,并使用调制解调器通过电话线发送所述指令和数据。计算机系统1100的本地调制解调器接收电话线上的指令和数据,并使用红外发射机将指令和数据转换为充当网络链路1178的红外载波上的信号。充当通信接口1170的红外检测器接收红外信号中承载的指令和数据,并将表示指令和数据的信息放到总线1110上。总线1110将信息携带给存储器1104,处理器1102使用随指令发送的某些数据从该存储器检索和执行指令。在存储器1104中接收的指令和数据可以在被处理器1102执行之前或之后,选择性地存储在存储装置1108上。
图12示出可以实现本发明的实施例的芯片组或芯片1200。芯片组1200被编程为如在此所述根据群体行为提供个性化信息资源推荐,并且包括例如结合图11描述的、并入一个或多个物理封装(例如,芯片)中的处理器和存储器组件。例如,物理封装包括位于结构化组件(例如,基板)上的一个或多个材料、组件和/或线路的布置,以提供诸如物理强度、尺寸保持和/或电交互限制之类的一个或多个特征。可以构想,在某些实施例中,芯片组1200可以实现为单个芯片。可以进一步构想,在某些实施例中,芯片组或芯片1200可以实现为单个“片上系统”。可以进一步构想,在某些实施例中,例如不使用单独的ASIC,并且在此公开的所有相关功能将由一个或多个处理器执行。芯片组或芯片1200或它们的一部分构成用于执行提供与服务可用性关联的用户接口导航信息的一个或多个步骤的部件。芯片组或芯片1200或它们的一部分,构成用于执行根据群体行为提供个性化信息资源推荐的一个或多个步骤的部件。
在一个实施例中,芯片组或芯片1200包括通信机制,例如用于在芯片组1200的各组件之间传递信息的总线1201。处理器1203具有到总线1201的连通性,以执行例如在存储器1205中存储的指令和处理信息。处理器1203可以包括一个或多个处理核,其中每个核都被配置为独立地执行操作。多核处理器允许在单个物理封装内的多处理。多核处理器的实例包括双核、四核、八核或更多数量的处理核。作为替代或补充,处理器1203可以包括通过总线1201串联配置的一个或多个微处理器,以便使得能够独立地执行指令、流水线和多线程。处理器1203还可以带有一个或多个专用组件以执行某些处理功能和任务,例如带有一个或多个数字信号处理器(DSP)1207,或一个或多个专用集成电路(ASIC)1209。DSP 1207通常被配置为独立于处理器1203实时处理真实世界信号(例如,声音)。类似地,ASIC 1209可以被配置为执行较为通用的处理器无法轻易执行的专用功能。在此描述的其它帮助执行发明功能的专用组件可以包括一个或多个现场可编程门阵列(FPGA)(未示出)、一个或多个控制器(未示出)或一个或多个其它专用计算机芯片。
在一个实施例中,芯片组或芯片1200仅包括一个或多个处理器和一些支持一个或多个处理器和/或与一个或多个处理器相关和/或用于一个或多个处理器的一些软件和/或固件。
处理器1203和附带组件通过总线1201具有与存储器1205的连通性。存储器1205包括用于存储可执行指令的动态存储器(例如,RAM、磁盘、可写光盘等)和静态存储器(例如,ROM、CD-ROM等),所述指令当执行时,可以执行在此描述的发明步骤以根据群体行为提供个性化信息资源推荐。存储器1205还存储与发明步骤的执行关联或通过发明步骤的执行生成的数据。
图13是根据一个实施例用于通信的移动终端(例如,手机)的示例性组件的图,所述移动终端可以在图1的系统中运行。在一些实施例中,移动终端1300或其一部分构成用于执行根据群体行为提供个性化信息资源推荐的一个或多个步骤的部件。一般而言,无线电接收机经常在前端和后端特征方面进行定义。接收机的前端包括所有射频(RF)电路,而后端则包括所有基带处理电路。如本申请中使用的那样,术语“电路”指以下两者:(1)仅硬件实现(例如,在仅模拟和/或数字电路中的实现),以及(2)电路和软件(和/或固件)的组合(例如,如果适用于特定上下文,则指协同工作的包括数字信号处理器的处理器、软件和存储器的组合,其引起诸如移动电话或服务器之类的设备执行各种功能)。此“电路”的定义应用于本申请中(包括任何权利要求中)所有对此术语的使用。作为进一步的实例,如在本申请中使用的那样,如果适用于特定上下文,则术语“电路”还涵盖仅处理器(或多个处理器)以及它(或它们)的附属软件和/或固件的实现。如果适用于特定上下文,术语“电路”还涵盖例如移动电话中的基带集成电路或应用处理器集成电路,或者蜂窝网络装置或其它网络装置中的类似集成电路。
电话的相关内部组件包括主控制单元(MCU)1303、数字信号处理器(DSP)1305和包括麦克风增益控制单元和扬声器增益控制单元的接收机/发射机单元。主显示单元1307向用户提供提供显示,其支持各种应用和执行或支持根据群体行为提供个性化信息资源推荐的步骤的移动终端功能。显示器1307包括被配置为显示移动终端(例如,移动电话)的用户接口的至少一部分的显示电路。此外,显示器1307和显示电路被配置为便利用户对移动终端的至少一些功能的控制。音频功能电路1309包括麦克风1311和放大输出自麦克风1311的语音信号的麦克风放大器。输出自麦克风1311的经过放大的语音信号被馈送到编码器/解码器(CODEC)1313。
无线电部分1315放大功率并转换频率,以便通过天线1317与包含在移动通信系统中的基站通信。如本领域公知的那样,功率放大器(PA)1319和发射机/调制电路在操作上响应于MCU 1303,PA 1319的输出耦合到双工器1321或循环器或天线开关。PA 1319还耦合到电池接口和功率控制单元1320。
在使用中,移动终端1301的用户对着麦克风1311讲话,他或她的声音与任何检测到的背景噪音一起被转换为模拟电压。模拟电压然后通过模拟-数字转换器(ADC)1323被转换为数字信号。控制单元1303将数字信号路由到DSP 1305中以在那里进行处理,例如执行语音编码、信道编码、加密和交织。在一个实施例中,经过处理的语音信号由未单独示出的单元使用蜂窝传输协议进行编码,所述蜂窝传输协议例如是全球演进(EDGE)、通用分组无线业务(GPRS)、全球移动通信系统(GSM)、网际协议多媒体子系统(IMS)、全球移动电信系统(UMTS)等,以及其它任何适当的无线介质,例如,微波接入(WiMAX)、长期演进(LTE)网络、码分多址(CDMA)、宽带码分多址(WCDMA)、无线高保真(WiFi)、卫星等。
编码信号然后被路由到均衡器1325,以补偿在通过空气传输期间发生的任何频率相关损失,例如相位和振幅失真。均衡比特流之后,调制器1327将信号与RF接口1329中生成的RF信号进行组合。调制器1327通过频率或相位调制生成正弦波。为了准备待传输信号,上变频器1331将输出自调制器1327的正弦波与通过合成器1333生成的另一个正弦波组合,以达到所希望的传输频率。然后通过PA 1319发送信号以将信号增加到适当的功率水平。在实际系统中,PA 1319充当可变增益放大器,其增益由DSP1305通过从网络基站接收的信息来控制。信号然后在双工器1321内被过滤,并且可选地被发送到天线耦合器1335以匹配阻抗,从而提供最大功率传输。最后,通过天线1317将信号传输到本地基站。可以提供自动增益控制(AGC)以控制接收器的最后阶段的增益。可以将信号从那里转发到远程电话,此电话可以是连接到公共交换电话网络(PSTN)或其它电话网络的另一部蜂窝电话、其它移动电话或陆地线路。
传输到移动终端1301的语音信号通过天线1317接收,并立即通过低噪声放大器(LNA)1337放大。下变频器1339降低载波频率,而解调器1341除去RF仅保留数字比特流。信号然后通过均衡器1325并由DSP 1305进行处理。数字-模拟转换器(DAC)1343转换信号,并且将生成的输出经扬声器1345传输给用户,所有这一切都在主控制单元(MCU)1303的控制之下,MCU 1303可以实现为中央处理单元(CPU)(未示出)。
MCU 1303从键盘1347接收包括输入信号在内的各种信号。与其它用户输入组件(例如,麦克风1311)组合的键盘1347和/或MCU 1303包括用于管理用户输入的用户接口电路。MCU 1303运行用户接口软件以便于用户控制移动终端1301的至少某些功能,从而根据群体行为提供个性化信息资源推荐。MCU 1303还分别为显示器1307和语音输出转换控制器递送显示命令和转换命令。进一步,MCU 1303与DSP 1305交换信息,并且可以访问可选地并入的SIM卡1349和存储器1351。此外,MCU 1303执行终端所需的各种控制功能。取决于实现方式,DSP 1305可以对语音信号执行各种常规数字处理功能中的任何一项。此外,DSP 1305通过麦克风1311检测的信号确定本地环境的背景噪声水平,并将麦克风1311的增益设置为选定水平,以便补偿移动终端1301的用户的自然倾向。
CODEC 1313包括ADC 1323和DAC 1343。存储器1351存储包括呼叫传入语音数据在内的各种数据,并且能够存储包括例如通过全球因特网接收的音乐数据在内的其它数据。软件模块可以驻留在RAM存储器、闪存、寄存器或本领域中已知的其它任何形式的可写存储介质中。存储器装置1351可以是但不限于单个存储器、CD、DVD、ROM、RAM、EEPROM、光存储装置或任何其它能够存储数字数据的非易失性存储介质。
可选地并入的SIM卡1349承载例如重要信息,例如蜂窝电话号码、载波供应服务、订阅细节和安全信息。SIM卡1349主要用于在无线网络上识别移动终端1301。卡1349还包含存储个人电话号码记录、文本消息和用户特定移动终端设置的存储器。
尽管结合多个实施例和实施方式描述了本发明,但本发明并不限于此,而是涵盖落在所附权利要求范围内的各种明显修改和等效布置。尽管在权利要求中以特定组合表达了本发明的特性,但可以构想,能够以任何组合和顺序布置这些特性。
Claims (62)
1.一种方法,包括:
根据用户所属的社区、文化、国家或它们的组合的群体行为应用一个或多个规则,以选择语言拓扑中表征的加权值;
根据加权的拓扑调整多个信息资源的语义结构;以及
至少部分地根据所调整的语义结构向用户建议一个或多个信息资源。
2.根据权利要求1的方法,其中,所述拓扑提取自通用字典,并且所述语言拓扑中的表征被映射到接收自用户终端并反映用户的当前上下文的上下文结构。
3.根据权利要求1的方法,其中,所述语义结构通过以下来调整:
将语义结构与拓扑进行匹配,其中,每个语义结构都包括一个或多个语言表征并对应于信息资源中的一个信息资源;以及
对于具有与拓扑的表征值矩阵匹配的表征值矩阵的每个语义结构,以拓扑矩阵中对应的加权值增加语义结构矩阵中的每个表征值,
其中,建议给用户的信息资源至少部分地根据语义结构的增加的表征值而确定。
4.根据权利要求1的方法,进一步包括预定义多个上下文集的规则,按需根据状态语言构建规则,或它们的组合。
5.根据权利要求2的方法,其中,所述上下文结构包括反映用户的用户特征、兴趣、偏好或它们的组合的表征。
6.根据权利要求1的方法,其中,所述拓扑包括所有语言的字。
7.根据权利要求1的方法,其中,每个所建议的信息资源都具有满足阈值的聚合矩阵值,或者聚合矩阵值高于其它信息资源的预定数量的信息资源被建议给用户,或它们的组合。
8.一种设备,包括:
至少一个处理器;以及
至少一个存储器,其包括一个或多个程序的计算机程序代码,
所述至少一个存储器和计算机程序代码被配置为,通过所述至少一个处理器引起所述设备至少执行以下:
根据用户所属的社区、文化、国家或它们的组合的群体行为应用一个或多个规则,以选择语言拓扑中表征的加权值;
根据加权的拓扑调整多个信息资源的语义结构;以及
至少部分地根据所调整的语义结构向用户建议一个或多个信息资源。
9.根据权利要求8的设备,其中,所述拓扑提取自通用字典,并且所述语言拓扑中的表征被映射到接收自用户终端并反映用户的当前上下文的上下文结构。
10.根据权利要求8的设备,其中,所述设备通过以下调整语义结构:
将语义结构与拓扑进行匹配,其中,每个语义结构都包括一个或多个语言表征并对应于信息资源中的一个信息资源;以及
对于具有与拓扑的表征值矩阵匹配的表征值矩阵的每个语义结构,以拓扑矩阵中对应的加权值增加语义结构矩阵中的每个表征值,
其中,建议给用户的信息资源至少部分地根据语义结构的增加的表征值而确定。
11.根据权利要求8的设备,其中,所述设备被进一步导致:预定义多个上下文集的规则,或按需根据状态语言构建规则,或它们的组合。
12.根据权利要求9的设备,其中,所述上下文结构包括反映用户的用户特征、兴趣、偏好或它们的组合的表征。
13.根据权利要求8的设备,其中,所述拓扑包括所有语言的字。
14.根据权利要求8的设备,其中,每个所建议的信息资源都具有满足阈值的聚合矩阵值,或者聚合矩阵值高于其它信息资源的预定数量的信息资源被建议给用户,或它们的组合。
15.一种承载一个或多个指令的一个或多个序列的计算机可读存储介质,所述一个或多个指令当被一个或多个处理器执行时,将使设备至少执行以下步骤:
根据用户所属的社区、文化、国家或它们的组合的群体行为应用一个或多个规则,以选择语言拓扑中表征的加权值;
根据加权的拓扑调整多个信息资源的语义结构;以及
至少部分地根据所调整的语义结构向用户建议一个或多个信息资源。
16.根据权利要求15的计算机可读存储介质,其中,所述拓扑提取自通用字典,并且所述语言拓扑中的表征被映射到接收自用户终端并反映用户的当前上下文的上下文结构。
17.根据权利要求15的计算机可读存储介质,其中,所述设备通过以下调整语义结构:
将语义结构与拓扑进行匹配,其中,每个语义结构都包括一个或多个语言表征并对应于信息资源中的一个信息资源;以及
对于具有与拓扑的表征值矩阵匹配的表征值矩阵的每个语义结构,以拓扑矩阵中对应的加权值增加语义结构矩阵中的每个表征值,
其中,建议给用户的信息资源至少部分地根据语义结构的增加的表征值而确定。
18.根据权利要求15的计算机可读存储介质,其中,所述设备被导致进一步执行:预定义多个上下文集的规则,按需根据状态语言构建规则,或它们的组合。
19.根据权利要求16的计算机可读存储介质,其中,所述上下文结构包括反映用户的用户特征、兴趣、偏好或它们的组合的表征。
20.根据权利要求15的计算机可读存储介质,其中,所述拓扑包括所有语言的字。
21.一种方法,包括:
至少部分地根据用户所属的社区、文化、国家或它们的组合的一种或多种群体行为应用一个或多个规则,以选择语言拓扑中一个或多个表征的加权值;
至少部分地根据加权的拓扑调整多个信息资源的一个或多个语义结构;以及
至少部分地根据所调整的语义结构向用户建议一个或多个信息资源。
22.根据权利要求21的方法,其中,所述拓扑提取自通用字典,并且所述语言拓扑中的表征被映射到接收自用户终端并反映用户的当前上下文的上下文结构。
23.根据权利要求21和22中的任一权利要求的方法,其中,所述语义结构通过以下来调整:
将语义结构与拓扑进行匹配,其中,每个语义结构都包括一个或多个语言表征并对应于信息资源中的一个信息资源;以及
对于具有与拓扑的表征值矩阵匹配的表征值矩阵的每个语义结构,以拓扑矩阵中对应的加权值增加语义结构矩阵中的每个表征值,
其中,建议给用户的信息资源至少部分地根据语义结构的增加的表征值而确定。
24.根据权利要求21-23中的任一权利要求的方法,进一步包括预定义多个上下文集的规则,按需根据状态语言构建规则,或它们的组合。
25.根据权利要求22-24中的任一权利要求的方法,其中,所述上下文结构包括反映用户的用户特征、兴趣、偏好或它们的组合的表征。
26.根据权利要求21-25中的任一权利要求的方法,其中,所述拓扑包括所有语言的字。
27.根据权利要求21-26中的任一权利要求的方法,其中,每个所建议的信息资源都具有满足阈值的聚合矩阵值,或者聚合矩阵值高于其它信息资源的预定数量的信息资源被建议给用户,或它们的组合。
28.一种设备,包括:
至少一个处理器;以及
至少一个存储器,其包括一个或多个程序的计算机程序代码,
所述至少一个存储器和计算机程序代码被配置为,通过所述至少一个处理器使所述设备至少执行以下:
至少部分地根据用户所属的社区、文化、国家或它们的组合的一种或多种群体行为应用一个或多个规则,以选择语言拓扑中表征的加权值;
至少部分地根据加权的拓扑调整多个信息资源的一个或多个语义结构;以及
至少部分地根据所调整的语义结构向用户建议一个或多个信息资源。
29.根据权利要求28的设备,其中,所述拓扑提取自通用字典,并且所述语言拓扑中的表征被映射到接收自用户终端并反映用户的当前上下文的上下文结构。
30.根据权利要求28和29中的任一权利要求的设备,其中所述设备通过以下来调整语义结构:
将语义结构与拓扑进行匹配,其中,每个语义结构都包括一个或多个语言表征并对应于信息资源中的一个信息资源;以及
对于具有与拓扑的表征值矩阵匹配的表征值矩阵的每个语义结构,以拓扑矩阵中对应的加权值增加语义结构矩阵中的每个表征值,
其中,建议给用户的信息资源至少部分地根据语义结构的增加的表征值而确定。
31.根据权利要求28-30中的任一权利要求的设备,其中,所述设备被进一步导致预定义多个上下文集的规则,按需根据状态语言构建规则,或它们的组合。
32.根据权利要求29-31中的任一权利要求的设备,其中,所述上下文结构包括反映用户的用户特征、兴趣、偏好或它们的组合的表征。
33.根据权利要求28-32中的任一权利要求的设备,其中,所述拓扑包括所有语言的字。
34.根据权利要求28-33中的任一权利要求的设备,其中,每个所建议的信息资源都具有满足阈值的聚合矩阵值,或者聚合矩阵值高于其它信息资源的预定数量的信息资源被建议给用户,或它们的组合。
35.一种承载一个或多个指令的一个或多个序列的计算机可读存储介质,所述一个或多个指令当被一个或多个处理器执行时,将使设备至少执行以下步骤:
根据用户所属的社区、文化、国家或它们的组合的群体行为应用一个或多个规则,以选择语言拓扑中表征的加权值;
根据加权的拓扑调整多个信息资源的语义结构;以及
至少部分地根据所调整的语义结构向用户建议一个或多个信息资源。
36.根据权利要求35的计算机可读存储介质,其中,所述拓扑提取自通用字典,并且所述语言拓扑中的表征被映射到接收自用户终端并反映用户的当前上下文的上下文结构。
37.根据权利要求35和36中的任一权利要求的计算机可读存储介质,其中,所述设备通过以下调整语义结构:
将语义结构与拓扑进行匹配,其中,每个语义结构都包括一个或多个语言表征并对应于信息资源中的一个信息资源;以及
对于具有与拓扑的表征值矩阵匹配的表征值矩阵的每个语义结构,以拓扑矩阵中对应的加权值增加语义结构矩阵中的每个表征值,
其中,建议给用户的信息资源至少部分地根据语义结构的增加的表征值而确定。
38.根据权利要求35-37中的任一权利要求的计算机可读存储介质,其中,所述设备被导致进一步执行:预定义多个上下文集的规则,按需根据状态语言构建规则,或它们的组合。
39.根据权利要求36-38中的任一权利要求的计算机可读存储介质,其中,所述上下文结构包括反映用户的用户特征、兴趣、偏好或它们的组合的表征。
40.根据权利要求35-39中的任一权利要求的计算机可读存储介质,其中,所述拓扑包括所有语言的字。
41.一种设备,包括:
用于根据用户所属的社区、文化、国家或它们的组合的群体行为应用一个或多个规则以选择语言拓扑中表征的加权值的部件;
用于根据加权的拓扑调整多个信息资源的语义结构的部件;以及
用于至少部分地根据所调整的语义结构向用户建议一个或多个信息资源的部件。
42.根据权利要求41的设备,其中,所述拓扑提取自通用字典,并且所述语言拓扑中的表征被映射到接收自用户终端并反映用户的当前上下文的上下文结构。
43.根据权利要求41和42中的任一权利要求的设备,其中,所述语义结构通过以下来调整:
将语义结构与拓扑进行匹配,其中,每个语义结构都包括一个或多个语言表征并对应于信息资源中的一个信息资源;以及
对于具有与拓扑的表征值矩阵匹配的表征值矩阵的每个语义结构,以拓扑矩阵中对应的加权值增加语义结构矩阵中的每个表征值,
其中,建议给用户的信息资源至少部分地根据语义结构的增加的表征值而确定。
44.根据权利要求41-43中的任一权利要求的设备,进一步包括用于预定义多个上下文集的规则的部件,用于按需根据状态语言构建规则的部件,或它们的组合。
45.根据权利要求42-44中的任一权利要求的设备,其中,所述上下文结构包括反映用户的用户特征、兴趣、偏好或它们的组合的表征。
46.根据权利要求41-45中的任一权利要求的设备,其中,所述拓扑包括所有语言的字。
47.根据权利要求41-46中的任一权利要求的设备,其中,每个所建议的信息资源都具有满足阈值的聚合矩阵值,或者聚合矩阵值高于其它信息资源的预定数量的信息资源被建议给用户,或它们的组合。
48.一种包括一个或多个指令的一个或多个序列的计算机程序产品,所述一个或多个指令当被一个或多个处理器执行时,使设备至少执行根据权利要求21-27中的任一权利要求的方法步骤。
49.一种方法,包括便利访问至少一个接口以允许通过至少一个网络访问一种服务,所述服务被配置为:
根据用户所属的社区、文化、国家或它们的组合的群体行为应用一个或多个规则以选择语言拓扑中表征的加权值;
根据加权的拓扑来调整多个信息资源的语义结构;以及
至少部分地根据所调整的语义结构向用户建议一个或多个信息资源。
50.根据权利要求49的方法,其中,所述拓扑提取自通用字典,并且所述语言拓扑中的表征被映射到接收自用户终端并反映用户的当前上下文的上下文结构。
51.根据权利要求49和50中的任一权利要求的方法,其中,所述语义结构通过以下来调整:
将语义结构与拓扑进行匹配,其中,每个语义结构都包括一个或多个语言表征并对应于信息资源中的一个信息资源;以及
对于具有与拓扑的表征值矩阵匹配的表征值矩阵的每个语义结构,以拓扑矩阵中对应的加权值增加语义结构矩阵中的每个表征值,
其中,建议给用户的信息资源至少部分地根据语义结构的增加的表征值而确定。
52.根据权利要求49-51中的任一权利要求的方法,其中,所述服务被进一步配置为:预定义多个上下文集的规则,按需根据状态语言构建规则,或它们的组合。
53.根据权利要求50-52中的任一权利要求的方法,其中,所述上下文结构包括反映用户的用户特征、兴趣、偏好或它们的组合的表征。
54.根据权利要求49-53中的任一权利要求的方法,其中,所述拓扑包括所有语言的字。
55.根据权利要求49-54中的任一权利要求的方法,其中,每个所建议的信息资源都具有满足阈值的聚合矩阵值,或者聚合矩阵值高于其它信息资源的预定数量的信息资源被建议给用户,或它们的组合。
56.一种包括一个或多个指令的一个或多个序列的计算机程序产品,所述一个或多个指令当被一个或多个处理器执行时,使设备至少执行根据权利要求21-27中的任一权利要求的方法步骤。
57.根据权利要求28-34中的任一权利要求的设备,其中,所述设备是移动电话,进一步包括:
被配置为便利用户通过使用显示器对移动电话的至少一些功能的控制以及被配置为对用户输入进行响应的用户接口电路和用户接口软件;以及
被配置为显示移动电话的用户接口的至少一部分的显示器和显示器电路,所述显示器和显示器电路被配置为便利用户对所述移动电话的至少一些功能的控制。
58.一种设备,包括用于执行根据权利要求21-27中的任一权利要求的方法的部件。
59.一种方法,包括便利访问被配置为允许访问至少一种服务的至少一个接口,所述至少一种服务被配置为执行根据权利要求21-27中的任一权利要求的方法。
60.一种方法,包括便利对(1)数据和/或(2)信息和/或(3)至少一个信号的处理,和/或处理(1)数据和/或(2)信息和/或(3)至少一个信号,所述(1)数据和/或(2)信息和/或(3)至少一个信号至少部分地基于根据权利要求21-27中的任一权利要求的方法。
61.一种方法,包括便利创建和/或便利修改(1)至少一个装置用户接口元素和/或(2)至少一个装置用户接口功能,所述(1)至少一个装置用户接口元素和/或(2)至少一个装置用户接口功能至少部分地基于根据权利要求21-27中的任一权利要求的方法。
62.一种方法,包括创建和/或修改(1)至少一个装置用户接口元素和/或(2)至少一个装置用户接口功能,所述(1)至少一个装置用户接口元素和/或(2)至少一个装置用户接口功能至少部分地基于根据权利要求21-27中的任一权利要求的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/731,785 | 2010-03-25 | ||
US12/731,785 US20110238608A1 (en) | 2010-03-25 | 2010-03-25 | Method and apparatus for providing personalized information resource recommendation based on group behaviors |
PCT/FI2011/050177 WO2011117463A1 (en) | 2010-03-25 | 2011-03-03 | Method and apparatus for providing personalized information resource recommendation based on group behaviors |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102812486A true CN102812486A (zh) | 2012-12-05 |
Family
ID=44657498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011800157021A Pending CN102812486A (zh) | 2010-03-25 | 2011-03-03 | 根据群体行为提供个性化信息资源推荐的方法和设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20110238608A1 (zh) |
EP (1) | EP2550610A4 (zh) |
CN (1) | CN102812486A (zh) |
WO (1) | WO2011117463A1 (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324720A (zh) * | 2013-06-25 | 2013-09-25 | 百度在线网络技术(北京)有限公司 | 根据用户状态进行个性化推荐的方法和系统 |
CN105593889A (zh) * | 2013-10-03 | 2016-05-18 | 国际商业机器公司 | 基于社交信息对产品推荐的呈现 |
CN105608121A (zh) * | 2015-12-14 | 2016-05-25 | 东软集团股份有限公司 | 一种个性化推荐方法及装置 |
CN105765479A (zh) * | 2013-11-08 | 2016-07-13 | 微软技术许可有限责任公司 | 用于行为预测和分类的分层统计模型 |
CN108090782A (zh) * | 2016-11-21 | 2018-05-29 | 华为技术有限公司 | 一种网游推荐方法及服务器 |
CN109815987A (zh) * | 2018-12-27 | 2019-05-28 | 北京卓思天成数据咨询股份有限公司 | 一种人群分类方法和分类系统 |
CN110059316A (zh) * | 2019-04-16 | 2019-07-26 | 广东省科技基础条件平台中心 | 一种基于数据感知的动态科技资源语义分析方法 |
CN110059315A (zh) * | 2019-04-16 | 2019-07-26 | 广东省科技基础条件平台中心 | 一种科技资源感知融合决策方法 |
CN110097278A (zh) * | 2019-04-28 | 2019-08-06 | 广东省科技基础条件平台中心 | 一种科技资源智能共享融合训练系统和应用系统 |
CN110337648A (zh) * | 2016-10-10 | 2019-10-15 | Cch澳大利亚有限公司 | 用于高效地分发提醒消息的系统和方法 |
US10504029B2 (en) | 2015-06-30 | 2019-12-10 | Microsoft Technology Licensing, Llc | Personalized predictive models |
CN110866768A (zh) * | 2018-08-27 | 2020-03-06 | 阿里巴巴集团控股有限公司 | 一种评价方法及装置 |
CN112154471A (zh) * | 2018-09-21 | 2020-12-29 | 乐思罗博有限公司 | 源代码及模块推荐系统及模块组件 |
CN112528148A (zh) * | 2020-07-03 | 2021-03-19 | 口碑(上海)信息技术有限公司 | 资源信息展示、配置方法及装置 |
CN117421459A (zh) * | 2023-12-14 | 2024-01-19 | 成都智慧锦城大数据有限公司 | 应用于数字城市的数据挖掘方法及系统 |
Families Citing this family (86)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8930350B1 (en) | 2009-03-23 | 2015-01-06 | Google Inc. | Autocompletion using previously submitted query data |
US8244749B1 (en) * | 2009-06-05 | 2012-08-14 | Google Inc. | Generating sibling query refinements |
US8583675B1 (en) | 2009-08-28 | 2013-11-12 | Google Inc. | Providing result-based query suggestions |
US9319390B2 (en) * | 2010-03-26 | 2016-04-19 | Nokia Technologies Oy | Method and apparatus for providing a trust level to access a resource |
US20110257957A1 (en) * | 2010-04-15 | 2011-10-20 | Htc Corporation | Personalized information service method and information platform |
US8645554B2 (en) * | 2010-05-27 | 2014-02-04 | Nokia Corporation | Method and apparatus for identifying network functions based on user data |
US8359311B2 (en) * | 2010-06-01 | 2013-01-22 | Microsoft Corporation | Federated implicit search |
US8775400B2 (en) * | 2010-06-30 | 2014-07-08 | Microsoft Corporation | Extracting facts from social network messages |
US20120180107A1 (en) * | 2011-01-07 | 2012-07-12 | Microsoft Corporation | Group-associated content recommendation |
FI20115184A0 (fi) * | 2011-02-24 | 2011-02-24 | Teknologian Tutkimuskeskus Vtt Oy | Menetelmä ja laite yksiköiden yhteenkuuluvuuden mittaukseen |
US8826313B2 (en) | 2011-03-04 | 2014-09-02 | CSC Holdings, LLC | Predictive content placement on a managed services systems |
US8893033B2 (en) * | 2011-05-27 | 2014-11-18 | Microsoft Corporation | Application notifications |
CN102317941A (zh) * | 2011-07-30 | 2012-01-11 | 华为技术有限公司 | 信息推荐方法、推荐引擎及网络系统 |
US10068257B1 (en) * | 2011-08-23 | 2018-09-04 | Amazon Technologies, Inc. | Personalized group recommendations |
CN102957727A (zh) * | 2011-08-26 | 2013-03-06 | 腾讯科技(深圳)有限公司 | Sns网络中好友动态提示方法、系统、客户端及服务器 |
US8170971B1 (en) | 2011-09-28 | 2012-05-01 | Ava, Inc. | Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships |
US10467677B2 (en) | 2011-09-28 | 2019-11-05 | Nara Logics, Inc. | Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships |
US10789526B2 (en) | 2012-03-09 | 2020-09-29 | Nara Logics, Inc. | Method, system, and non-transitory computer-readable medium for constructing and applying synaptic networks |
US11151617B2 (en) | 2012-03-09 | 2021-10-19 | Nara Logics, Inc. | Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships |
US8732101B1 (en) | 2013-03-15 | 2014-05-20 | Nara Logics, Inc. | Apparatus and method for providing harmonized recommendations based on an integrated user profile |
US11727249B2 (en) | 2011-09-28 | 2023-08-15 | Nara Logics, Inc. | Methods for constructing and applying synaptic networks |
US8612414B2 (en) * | 2011-11-21 | 2013-12-17 | Google Inc. | Grouped search query refinements |
US8868655B2 (en) * | 2011-12-09 | 2014-10-21 | Kabam, Inc. | User affiliations spanning multiple virtual spaces |
US8843557B2 (en) | 2011-12-19 | 2014-09-23 | Kabam, Inc. | Communications among users belonging to affiliations spanning multiple virtual spaces |
US9578094B1 (en) | 2011-12-19 | 2017-02-21 | Kabam, Inc. | Platform and game agnostic social graph |
US8734243B2 (en) | 2012-01-04 | 2014-05-27 | Kabam, Inc. | System and method for facilitating access to an online game through a plurality of social networking platforms |
US9275403B2 (en) * | 2012-01-31 | 2016-03-01 | Google Inc. | Experience sharing system and method |
US9491131B1 (en) | 2012-02-13 | 2016-11-08 | Urban Airship, Inc. | Push composer |
US9369988B1 (en) | 2012-02-13 | 2016-06-14 | Urban Airship, Inc. | Push reporting |
US20130257877A1 (en) * | 2012-03-30 | 2013-10-03 | Videx, Inc. | Systems and Methods for Generating an Interactive Avatar Model |
US8856168B2 (en) | 2012-04-30 | 2014-10-07 | Hewlett-Packard Development Company, L.P. | Contextual application recommendations |
US8938412B2 (en) * | 2012-05-04 | 2015-01-20 | Infotech Soft, Inc. | Resource community topic modeling with spreading activation |
US8881181B1 (en) | 2012-05-04 | 2014-11-04 | Kabam, Inc. | Establishing a social application layer |
US9477757B1 (en) * | 2012-06-14 | 2016-10-25 | Google Inc. | Latent user models for personalized ranking |
US9037577B1 (en) | 2012-06-19 | 2015-05-19 | Microstrategy Incorporated | Filtering posts |
US20130346840A1 (en) | 2012-06-26 | 2013-12-26 | Digital Turbine, Inc. | Method and system for presenting and accessing content |
CN103514204B (zh) * | 2012-06-27 | 2018-11-20 | 华为技术有限公司 | 信息推荐方法和装置 |
US10218751B2 (en) * | 2012-08-07 | 2019-02-26 | Paypal, Inc. | Social sharing system |
US9569801B1 (en) | 2012-09-05 | 2017-02-14 | Kabam, Inc. | System and method for uniting user accounts across different platforms |
US8663004B1 (en) | 2012-09-05 | 2014-03-04 | Kabam, Inc. | System and method for determining and acting on a user's value across different platforms |
CN102821357B (zh) * | 2012-09-07 | 2016-09-14 | 腾讯科技(深圳)有限公司 | 一种sns系统的应用提示方法、装置及终端 |
WO2014040266A1 (en) | 2012-09-14 | 2014-03-20 | Nokia Corporation | Method and apparatus for constructing latent social network models |
US20140089092A1 (en) * | 2012-09-27 | 2014-03-27 | Livingsocial, Inc. | Client-Based Deal Filtering and Display |
US20140108961A1 (en) * | 2012-10-17 | 2014-04-17 | Frederick Sundsten | System and method for establishing cultural connections within an online computer system social media platform |
US20140136295A1 (en) | 2012-11-13 | 2014-05-15 | Apptio, Inc. | Dynamic recommendations taken over time for reservations of information technology resources |
US9928047B2 (en) | 2012-12-18 | 2018-03-27 | Digital Turbine, Inc. | System and method for providing application programs to devices |
US9928048B2 (en) | 2012-12-18 | 2018-03-27 | Digital Turbine, Inc. | System and method for providing application programs to devices |
US10192238B2 (en) * | 2012-12-21 | 2019-01-29 | Walmart Apollo, Llc | Real-time bidding and advertising content generation |
CN103902538B (zh) * | 2012-12-25 | 2017-03-15 | 中国银联股份有限公司 | 基于决策树的信息推荐装置及方法 |
US8612470B1 (en) | 2012-12-28 | 2013-12-17 | Dropbox, Inc. | Application recommendation using stored files |
US8983494B1 (en) | 2013-02-08 | 2015-03-17 | Urban Airship, Inc. | Processing location information |
US9774696B1 (en) | 2013-02-08 | 2017-09-26 | Urban Airship, Inc. | Using a polygon to select a geolocation |
US9553838B1 (en) | 2013-02-08 | 2017-01-24 | Urban Airship, Inc. | Querying for devices based on location |
US9972042B2 (en) * | 2013-03-15 | 2018-05-15 | Sears Brands, L.L.C. | Recommendations based upon explicit user similarity |
US9501762B2 (en) * | 2013-04-23 | 2016-11-22 | Dropbox, Inc. | Application recommendation using automatically synchronized shared folders |
US10049656B1 (en) * | 2013-09-20 | 2018-08-14 | Amazon Technologies, Inc. | Generation of predictive natural language processing models |
US9916362B2 (en) | 2013-11-20 | 2018-03-13 | Toyota Jidosha Kabushiki Kaisha | Content recommendation based on efficacy models |
US11244364B2 (en) | 2014-02-13 | 2022-02-08 | Apptio, Inc. | Unified modeling of technology towers |
EP3687205A1 (en) * | 2014-02-21 | 2020-07-29 | Huawei Technologies Co. Ltd. | Saving ue context data based on data distribution policy |
US10769672B2 (en) | 2014-03-17 | 2020-09-08 | Transform Sr Brands Llc | System and method providing personalized recommendations |
CN105100165B (zh) * | 2014-05-20 | 2017-11-14 | 深圳市腾讯计算机系统有限公司 | 网络服务推荐方法和装置 |
US20160132907A1 (en) * | 2014-11-07 | 2016-05-12 | Laura DITOMASSO | Methods, systems, and apparatus for data forecasting |
CN105898200A (zh) * | 2014-12-01 | 2016-08-24 | 支录奎 | 一种对嫌疑目标定位轨迹跟踪的网络摄像机及系统 |
CN104519057B (zh) * | 2014-12-12 | 2018-06-19 | 小米科技有限责任公司 | 资格授予方法、资格获取方法及装置 |
CN104580394A (zh) * | 2014-12-17 | 2015-04-29 | 惠州Tcl移动通信有限公司 | 移动终端及其生活服务信息推送方法 |
WO2017003496A1 (en) * | 2015-06-30 | 2017-01-05 | Apptio, Inc. | Infrastructure benchmarking based on dynamic cost modeling |
US10387815B2 (en) | 2015-09-29 | 2019-08-20 | Apptio, Inc. | Continuously variable resolution of resource allocation |
CN105468771B (zh) * | 2015-12-09 | 2019-03-05 | 北京奇虎科技有限公司 | 推荐软件的方法及装置 |
US10726367B2 (en) | 2015-12-28 | 2020-07-28 | Apptio, Inc. | Resource allocation forecasting |
CN105898484A (zh) * | 2015-12-28 | 2016-08-24 | 乐视致新电子科技(天津)有限公司 | 一种顶栏主页的呼出管理方法、装置、系统及智能电视 |
CN105709418A (zh) * | 2015-12-31 | 2016-06-29 | 联想(北京)有限公司 | 电子设备及其信息处理方法和信息处理装置 |
CN105975529A (zh) * | 2016-04-29 | 2016-09-28 | 维沃移动通信有限公司 | 一种信息的处理方法及移动终端 |
US10459970B2 (en) * | 2016-06-07 | 2019-10-29 | Baidu Usa Llc | Method and system for evaluating and ranking images with content based on similarity scores in response to a search query |
US20180032874A1 (en) * | 2016-07-29 | 2018-02-01 | Ca, Inc. | Document analysis system that uses process mining techniques to classify conversations |
US10474974B2 (en) | 2016-09-08 | 2019-11-12 | Apptio, Inc. | Reciprocal models for resource allocation |
US10936978B2 (en) | 2016-09-20 | 2021-03-02 | Apptio, Inc. | Models for visualizing resource allocation |
US10482407B2 (en) | 2016-11-14 | 2019-11-19 | Apptio, Inc. | Identifying resource allocation discrepancies |
CN107424090A (zh) * | 2017-06-23 | 2017-12-01 | 深圳市盛路物联通讯技术有限公司 | 一种智能楼宇监控方法及装置 |
CN108089923A (zh) * | 2017-12-15 | 2018-05-29 | 中国民航信息网络股份有限公司 | 基于加权Voronoi图的用户接入区域划分方法和装置 |
US11775552B2 (en) | 2017-12-29 | 2023-10-03 | Apptio, Inc. | Binding annotations to data objects |
CN111199412B (zh) * | 2018-11-19 | 2023-05-05 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
US20210110306A1 (en) * | 2019-10-14 | 2021-04-15 | Visa International Service Association | Meta-transfer learning via contextual invariants for cross-domain recommendation |
CN111241394B (zh) * | 2020-01-07 | 2023-09-22 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读存储介质及电子设备 |
CN112784153B (zh) * | 2020-12-31 | 2022-09-20 | 山西大学 | 融合属性特征注意力与异质类型信息的旅游景点推荐方法 |
CN113779419B (zh) * | 2021-11-15 | 2022-04-01 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、电子设备及存储介质 |
CN115099542B (zh) * | 2022-08-26 | 2023-02-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 跨城通勤出行生成和分布预测方法、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020173971A1 (en) * | 2001-03-28 | 2002-11-21 | Stirpe Paul Alan | System, method and application of ontology driven inferencing-based personalization systems |
EP1524611A2 (en) * | 2003-10-06 | 2005-04-20 | Leiki Oy | System and method for providing information to a user |
US20090037355A1 (en) * | 2004-12-29 | 2009-02-05 | Scott Brave | Method and Apparatus for Context-Based Content Recommendation |
CN101529865A (zh) * | 2006-09-11 | 2009-09-09 | 国际商业机器公司 | 用于推荐快捷方式以便使导航拓扑内的导航容易和加快的方法 |
US20100049770A1 (en) * | 2008-06-26 | 2010-02-25 | Collarity, Inc. | Interactions among online digital identities |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6385619B1 (en) * | 1999-01-08 | 2002-05-07 | International Business Machines Corporation | Automatic user interest profile generation from structured document access information |
JP3347088B2 (ja) * | 1999-02-12 | 2002-11-20 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 関連情報検索方法およびシステム |
US6327590B1 (en) * | 1999-05-05 | 2001-12-04 | Xerox Corporation | System and method for collaborative ranking of search results employing user and group profiles derived from document collection content analysis |
US6353398B1 (en) * | 1999-10-22 | 2002-03-05 | Himanshu S. Amin | System for dynamically pushing information to a user utilizing global positioning system |
CA2407849A1 (en) * | 2000-05-01 | 2001-11-08 | Netoncoure, Inc. | Large group interactions |
US6687696B2 (en) * | 2000-07-26 | 2004-02-03 | Recommind Inc. | System and method for personalized search, information filtering, and for generating recommendations utilizing statistical latent class models |
CA2348239C (en) * | 2001-05-18 | 2005-04-19 | Ibm Canada Limited-Ibm Canada Limitee | Culturally correct ordering of keyed records |
FI115419B (fi) * | 2001-08-20 | 2005-04-29 | Helsingin Kauppakorkeakoulu | Informaatiopalveluiden käyttäjäkohtainen personointi |
US7139757B1 (en) * | 2001-12-21 | 2006-11-21 | The Procter & Gamble Company | Contextual relevance engine and knowledge delivery system |
US7730063B2 (en) * | 2002-12-10 | 2010-06-01 | Asset Trust, Inc. | Personalized medicine service |
US7243105B2 (en) * | 2002-12-31 | 2007-07-10 | British Telecommunications Public Limited Company | Method and apparatus for automatic updating of user profiles |
US7693827B2 (en) * | 2003-09-30 | 2010-04-06 | Google Inc. | Personalization of placed content ordering in search results |
US7526464B2 (en) * | 2003-11-28 | 2009-04-28 | Manyworlds, Inc. | Adaptive fuzzy network system and method |
US9189568B2 (en) * | 2004-04-23 | 2015-11-17 | Ebay Inc. | Method and system to display and search in a language independent manner |
US7475072B1 (en) * | 2005-09-26 | 2009-01-06 | Quintura, Inc. | Context-based search visualization and context management using neural networks |
US20080098420A1 (en) * | 2006-10-19 | 2008-04-24 | Roundbox, Inc. | Distribution and display of advertising for devices in a network |
US20090089110A1 (en) * | 2007-09-27 | 2009-04-02 | Yahoo!, Inc. | Methods of ranking content for brand centric websites |
US8145643B2 (en) * | 2007-12-04 | 2012-03-27 | Yahoo! Inc. | Time based ordering of provided mobile content |
-
2010
- 2010-03-25 US US12/731,785 patent/US20110238608A1/en not_active Abandoned
-
2011
- 2011-03-03 WO PCT/FI2011/050177 patent/WO2011117463A1/en active Application Filing
- 2011-03-03 EP EP11758875.6A patent/EP2550610A4/en not_active Withdrawn
- 2011-03-03 CN CN2011800157021A patent/CN102812486A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020173971A1 (en) * | 2001-03-28 | 2002-11-21 | Stirpe Paul Alan | System, method and application of ontology driven inferencing-based personalization systems |
EP1524611A2 (en) * | 2003-10-06 | 2005-04-20 | Leiki Oy | System and method for providing information to a user |
US20090037355A1 (en) * | 2004-12-29 | 2009-02-05 | Scott Brave | Method and Apparatus for Context-Based Content Recommendation |
CN101529865A (zh) * | 2006-09-11 | 2009-09-09 | 国际商业机器公司 | 用于推荐快捷方式以便使导航拓扑内的导航容易和加快的方法 |
US20100049770A1 (en) * | 2008-06-26 | 2010-02-25 | Collarity, Inc. | Interactions among online digital identities |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324720A (zh) * | 2013-06-25 | 2013-09-25 | 百度在线网络技术(北京)有限公司 | 根据用户状态进行个性化推荐的方法和系统 |
CN105593889A (zh) * | 2013-10-03 | 2016-05-18 | 国际商业机器公司 | 基于社交信息对产品推荐的呈现 |
CN105765479A (zh) * | 2013-11-08 | 2016-07-13 | 微软技术许可有限责任公司 | 用于行为预测和分类的分层统计模型 |
US10504029B2 (en) | 2015-06-30 | 2019-12-10 | Microsoft Technology Licensing, Llc | Personalized predictive models |
CN105608121A (zh) * | 2015-12-14 | 2016-05-25 | 东软集团股份有限公司 | 一种个性化推荐方法及装置 |
CN105608121B (zh) * | 2015-12-14 | 2020-09-25 | 东软集团股份有限公司 | 一种个性化推荐方法及装置 |
US11727330B2 (en) | 2016-10-10 | 2023-08-15 | Cch Australia Limited | Systems and methods for efficiently distributing alert messages |
CN110337648B (zh) * | 2016-10-10 | 2023-12-05 | Cch澳大利亚有限公司 | 用于高效地分发提醒消息的系统和方法 |
CN110337648A (zh) * | 2016-10-10 | 2019-10-15 | Cch澳大利亚有限公司 | 用于高效地分发提醒消息的系统和方法 |
CN108090782A (zh) * | 2016-11-21 | 2018-05-29 | 华为技术有限公司 | 一种网游推荐方法及服务器 |
CN110866768B (zh) * | 2018-08-27 | 2024-04-16 | 阿里巴巴集团控股有限公司 | 一种评价方法及装置 |
CN110866768A (zh) * | 2018-08-27 | 2020-03-06 | 阿里巴巴集团控股有限公司 | 一种评价方法及装置 |
CN112154471A (zh) * | 2018-09-21 | 2020-12-29 | 乐思罗博有限公司 | 源代码及模块推荐系统及模块组件 |
CN109815987A (zh) * | 2018-12-27 | 2019-05-28 | 北京卓思天成数据咨询股份有限公司 | 一种人群分类方法和分类系统 |
CN109815987B (zh) * | 2018-12-27 | 2020-12-01 | 北京卓思天成数据咨询股份有限公司 | 一种人群分类方法和分类系统 |
CN110059316A (zh) * | 2019-04-16 | 2019-07-26 | 广东省科技基础条件平台中心 | 一种基于数据感知的动态科技资源语义分析方法 |
CN110059315B (zh) * | 2019-04-16 | 2023-07-07 | 广东省科技基础条件平台中心 | 一种科技资源感知融合决策方法 |
CN110059316B (zh) * | 2019-04-16 | 2023-07-07 | 广东省科技基础条件平台中心 | 一种基于数据感知的动态科技资源语义分析方法 |
CN110059315A (zh) * | 2019-04-16 | 2019-07-26 | 广东省科技基础条件平台中心 | 一种科技资源感知融合决策方法 |
CN110097278B (zh) * | 2019-04-28 | 2021-06-08 | 广东省科技基础条件平台中心 | 一种科技资源智能共享融合训练系统和应用系统 |
CN110097278A (zh) * | 2019-04-28 | 2019-08-06 | 广东省科技基础条件平台中心 | 一种科技资源智能共享融合训练系统和应用系统 |
CN112528148A (zh) * | 2020-07-03 | 2021-03-19 | 口碑(上海)信息技术有限公司 | 资源信息展示、配置方法及装置 |
CN117421459A (zh) * | 2023-12-14 | 2024-01-19 | 成都智慧锦城大数据有限公司 | 应用于数字城市的数据挖掘方法及系统 |
CN117421459B (zh) * | 2023-12-14 | 2024-02-23 | 成都智慧锦城大数据有限公司 | 应用于数字城市的数据挖掘方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2011117463A1 (en) | 2011-09-29 |
EP2550610A4 (en) | 2015-01-07 |
EP2550610A1 (en) | 2013-01-30 |
US20110238608A1 (en) | 2011-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102812486A (zh) | 根据群体行为提供个性化信息资源推荐的方法和设备 | |
Ye et al. | Urban function recognition by integrating social media and street-level imagery | |
CN101960795B (zh) | 用于递送扩充消息的系统和方法 | |
US8341196B2 (en) | Method and apparatus for creating a contextual model based on offline user context data | |
CN102939604B (zh) | 用于上下文索引的网络资源的方法和装置 | |
Yochum et al. | Linked open data in location-based recommendation system on tourism domain: A survey | |
US8856229B2 (en) | System and method for social networking | |
CN102687169B (zh) | 提供共创平台的方法和装置 | |
Zhang et al. | The Traj2Vec model to quantify residents’ spatial trajectories and estimate the proportions of urban land-use types | |
CN109992710A (zh) | 点击率预估方法、系统、介质和计算设备 | |
US10534815B2 (en) | Customized keyword query suggestions on online social networks | |
CN102696028B (zh) | 用于对应用中的条目进行动态分组的方法和装置 | |
CN102859967A (zh) | 用于基于用户交互数据来估计用户特征的方法和设备 | |
CN103609144A (zh) | 用于解析地理标识的方法和装置 | |
CN103430578A (zh) | 用于标识多个字符串中的对话的方法和装置 | |
US20130035996A1 (en) | Social advertising technology (so-ad-tec) system and method for advertising for and in documents, and other systems and methods for accessing, structuring, and evaluating documents | |
CN102939774A (zh) | 用于上下文索引的网络资源分段的方法和装置 | |
Mizzaro et al. | A social approach to context-aware retrieval | |
Zong et al. | Use of smartphone applications and its impacts on urban life: A survey and random forest analysis in Japan | |
Wu et al. | Event-centric tourism knowledge graph—a case study of hainan | |
CN103299300A (zh) | 提供输入建议的方法和装置 | |
CN105308591A (zh) | 来自社交交互的关系强度的动态性 | |
Koolwal et al. | A comprehensive survey on trajectory-based location prediction | |
Hang et al. | Design and implementation of an optimal travel route recommender system on big data for tourists in Jeju | |
Zhu et al. | Recognizing composite daily activities from crowd-labelled social media data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20151230 Address after: Espoo, Finland Applicant after: Technology Co., Ltd. of Nokia Address before: Espoo, Finland Applicant before: Nokia Oyj |
|
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121205 |