社交網(wǎng)絡(luò)中推薦的類型特定相關(guān)性的自動確定的制作方法
【專利摘要】本發(fā)明涉及操作推薦器系統(tǒng)的操作方法、用于推薦器系統(tǒng)（200）的過濾裝置（260）、推薦器系統(tǒng)以及對應(yīng)的計算機程序。本發(fā)明的思想在于為社交網(wǎng)絡(luò)中的用戶A自動學習關(guān)于用戶A感興趣的類型，用戶A的聯(lián)系人（其也是該社交網(wǎng)絡(luò)的成員）的哪些推薦是相關(guān)的。學習算法用于解析用戶A響應(yīng)于從他/她的聯(lián)系人接收到推薦的反饋。因此，對于聯(lián)系人和類型的每個組合，可以確定相關(guān)性品味指數(shù)。所確定的相關(guān)性品味指數(shù)接受過濾。僅將關(guān)聯(lián)的相關(guān)性品味指數(shù)滿足過濾標準的這些推薦提供給用戶A。因此，提交給用戶A的不相關(guān)的推薦的量可以大大減少。
【專利說明】社交網(wǎng)絡(luò)中推薦的類型特定相關(guān)性的自動確定
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種操作個人推薦器系統(tǒng)的方法，該個人推薦器系統(tǒng)被配置用于耦接到計算機實施的社交網(wǎng)絡(luò)。本發(fā)明還涉及對應(yīng)的計算機程序以及用于過濾推薦的過濾裝置。特別地，本發(fā)明涉及配置為向用戶呈現(xiàn)經(jīng)過濾的推薦的推薦器系統(tǒng)，所述經(jīng)過濾的推薦已被基于它們各自的相關(guān)性而過濾。
【背景技術(shù)】
[0002]推薦器系統(tǒng)被用于向用戶自動呈現(xiàn)關(guān)于網(wǎng)上可得的內(nèi)容項(諸如產(chǎn)品、視頻、雜志、TV (電視)節(jié)目、歌曲等)的推薦。當用戶面對各種數(shù)據(jù)庫提供的大量內(nèi)容項時，他/她可能對找到感興趣的內(nèi)容項存在嚴重困難。推薦器系統(tǒng)將幫助用戶檢索感興趣的內(nèi)容項，并避免對執(zhí)行復雜搜索的需要。例如，國際專利申請公布W02010/122448A1描述了這種推薦器系統(tǒng)。
[0003]存在設(shè)計推薦器系統(tǒng)的不同方法。一種方法產(chǎn)生基于內(nèi)容的推薦器系統(tǒng)，另一種方法產(chǎn)生基于協(xié)作過濾的推薦器系統(tǒng)。
[0004]基于內(nèi)容的推薦器系統(tǒng)向用戶推薦被表示為多個特征的內(nèi)容項(如果此特征表示對應(yīng)于用戶的偏好)，其中，用戶的偏好也以這些特征的方式表達。
[0005]基于協(xié)作過濾的推薦器系統(tǒng)分析相對大的用戶組的購買/觀看/收聽歷史，以便識別內(nèi)容項之間的相似性以及用戶之間的相似性。例如，內(nèi)容項數(shù)據(jù)庫中提供的類似于用戶喜歡的項的新內(nèi)容項被推薦給該用戶?；蛘?，被類似于特定用戶的某些用戶喜歡的新項被推薦給該特定用戶。通常，基于協(xié)作過濾的推薦器系統(tǒng)除了購買/觀看/收聽信息之外不需要來自用戶的關(guān)于內(nèi)容項本身的特定信息。
[0006]除了僅由推薦器系統(tǒng)自動生成的推薦之外，用戶還可以向他的一個聯(lián)系人提交個人推薦。例如，因特網(wǎng)中的內(nèi)容項的呈現(xiàn)通常伴隨稱為“告訴朋友”的按鈕，用戶可以點擊該按鈕，由此向他的一個或多個聯(lián)系人提交該內(nèi)容項的表示的鏈接(即網(wǎng)絡(luò)地址)，并最終提交個人標注(note )。
[0007]已知適配于促進這種個人推薦或半個人推薦的推薦器系統(tǒng)。例如，已知一種推薦器系統(tǒng)，如果用戶的一個聯(lián)系人已經(jīng)正面地評價了項目，則該推薦器系統(tǒng)向用戶推薦該項目。如果用戶的聯(lián)系人僅隱式地表達了他/她喜歡內(nèi)容項，則也可以生成這種半個人推薦。例如，用戶的推薦器系統(tǒng)辨識到該用戶喜歡或不喜歡特定內(nèi)容項，并將此辨識以推薦的形式轉(zhuǎn)發(fā)給用戶的所有聯(lián)系人，從而告知用戶的所有聯(lián)系人該用戶喜歡/不喜歡特定內(nèi)容項。用戶喜歡/不喜歡特定內(nèi)容項的辨識也可以基于用戶關(guān)于此特定內(nèi)容項已經(jīng)提交的顯式評價。
[0008]另一可能的推薦機制是每當用戶的聯(lián)系人中的足夠大部分已經(jīng)將特定內(nèi)容項評價得足夠高，則向該用戶推薦該特定內(nèi)容項。仍然，向用戶的這種項目推薦可以基于用戶的聯(lián)系人對該內(nèi)容項給出的顯式評價，但其也可以基于推薦器系統(tǒng)為用戶的聯(lián)系人確定的估計愛好度。[0009]參與計算機實施的社交網(wǎng)絡(luò)(諸如Facebook、MySpace、LinkedIn、Xing等)的用戶可以具有大量關(guān)聯(lián)的聯(lián)系人。因此，自動生成的半個人推薦的數(shù)目可能快速增加，使得半個人推薦的主要優(yōu)點(即，體現(xiàn)某一個人特點的推薦被認為比僅由算法作出的推薦更可信)可能變得減弱。

【發(fā)明內(nèi)容】

[0010]本發(fā)明的技術(shù)目的是提出用于自動減少呈現(xiàn)給計算機實施的社交網(wǎng)絡(luò)的用戶的半個人推薦的數(shù)量的技術(shù)手段。
[0011]根據(jù)本發(fā)明的第一方面，上述技術(shù)目的通過一種操作個人推薦器系統(tǒng)的方法來獲得，該個人推薦器系統(tǒng)被布置用于耦接到計算機實施的社交網(wǎng)絡(luò)，所述方法包括以下步驟:
[0012]a)檢測到在所述社交網(wǎng)絡(luò)的用戶A的用戶賬戶中已經(jīng)歸檔(file) 了聯(lián)系人-類型(contact-genre)元組的推薦,其中所述聯(lián)系人-類型元組的推薦與特定類型的內(nèi)容項相關(guān)，并已通過用戶A的聯(lián)系人的聯(lián)系人賬戶啟動了所述聯(lián)系人-類型元組的推薦，
[0013]b)監(jiān)視用戶A響應(yīng)于接收到所述推薦的推薦相關(guān)反應(yīng)行為，
[0014]c)對同一聯(lián)系人-類型元組的多個推薦重復步驟a)至b)，并記錄(log)多個監(jiān)視的反應(yīng)行為，用于根據(jù)所述多個監(jiān)視的反應(yīng)行為確定與所述聯(lián)系人-類型元組關(guān)聯(lián)的用戶A相關(guān)的相關(guān)性品味指數(shù)(relevance-taste index),
[0015]d)通過以下操作過濾同一聯(lián)系人-類型元組的當前推薦:僅在所述當前推薦的相關(guān)性品味指數(shù)滿足過濾標準的情況下將所述當前推薦歸檔在所述用戶賬戶中，而在不滿足所述過濾標準的情況下阻止所述當前推薦。
[0016]該方法提供了如下優(yōu)點:其可以由機器執(zhí)行，如在給出如何計算相關(guān)性品味指數(shù)的示例的優(yōu)選實施例的描述中所說明的。
[0017]本發(fā)明包括如下辨識:用戶A的聯(lián)系人和用戶A可以具有一個或多個他們都感興趣的主題領(lǐng)域，然而，在大多數(shù)情況中，聯(lián)系人和用戶A對其它主題領(lǐng)域不具有相同的觀點，并且還存在他們不都敢興趣的主題領(lǐng)域。換言之，社交網(wǎng)絡(luò)中的一對朋友可以關(guān)于一個類型的內(nèi)容項具有類似的品味，但他們對另一類型的內(nèi)容項可具有不相同的品味。對于不同類型的視頻內(nèi)容的欣賞，這通常是正確的。例如，一對朋友可能都喜歡偵探電影；然而，該對朋友中僅一個可能喜歡科幻電影，而另一個可能不喜歡科幻電影。如果用戶A和聯(lián)系人對該類型的內(nèi)容項都敢興趣，則半個人推薦僅應(yīng)該提供給用戶A。
[0018]此外，如果代表聯(lián)系人以及基于該聯(lián)系人對某一內(nèi)容項的顯式或隱式反饋而自動生成推薦，則推薦器系統(tǒng)不應(yīng)該顯式地詢問該聯(lián)系人半個人推薦應(yīng)發(fā)送給他/她的哪個聯(lián)系人。考慮到社交網(wǎng)絡(luò)的用戶可能具有大量聯(lián)系人(通常超過幾百)，這種機制對于聯(lián)系人來說將太煩人也太耗時。而且，用戶A的聯(lián)系人通常不知道他的所有聯(lián)系人究竟喜歡或不喜歡什么。
[0019]本發(fā)明通過在用戶A的用戶賬號中僅歸檔由他的朋友/聯(lián)系人或代表他的朋友/聯(lián)系人發(fā)送到用戶A的相關(guān)推薦，提供了解決日益增長的半個人推薦量的問題的方案。
[0020]通過執(zhí)行步驟a)至C)，即，通過觀察用戶A對由他的朋友/聯(lián)系人或代表他/她得聯(lián)系人推薦的內(nèi)容項的顯式或隱式反饋，對用戶A感興趣的每個類型，自動學習用戶的哪個聯(lián)系人相關(guān)。
[0021 ] 對于每個聯(lián)系人-類型元組，基于用戶A響應(yīng)于接收到推薦的反應(yīng)行為計算相關(guān)性品味指數(shù)。為了確定相關(guān)性品味指數(shù)，可以應(yīng)用學習算法。例如，確定相關(guān)性品位指數(shù)的步驟包括應(yīng)用神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯分類器和/或支持向量機。
[0022]例如，可以通過正數(shù)或負數(shù)表達所確定的相關(guān)性品味指數(shù)。在一示例中，通過值區(qū)間[-1，I](或任意其它數(shù)值區(qū)間)的數(shù)值部分來表達相關(guān)性品味指數(shù)，其中接近于-1的值指示高相關(guān)性但相反的品味，接近于O的值指示低相關(guān)性，而接近于I的值指示具有相似品味的高相關(guān)性。例如，用戶A從聯(lián)系人CUl接收與類型“體育”的內(nèi)容項相關(guān)的推薦。如果用戶A響應(yīng)于接收到這樣的推薦什么也不做，則相關(guān)性品味指數(shù)將被計算為接近O。在另一情況中，如果用戶A快速地對大多數(shù)所推薦的內(nèi)容項進行負面評價，則關(guān)于聯(lián)系人CUl和體育類型的相關(guān)性品味指數(shù)將被計算為接近-1。在另一情況中，如果用戶A快速地對大多數(shù)所推薦的內(nèi)容項進行正面評價，則相關(guān)性品味指數(shù)將被計算為接近+1。
[0023]相關(guān)性品味指數(shù)被用于估計某一類型的內(nèi)容項將被用戶A欣賞到什么程度，以及相應(yīng)地用于過濾不相關(guān)的推薦。僅將其關(guān)聯(lián)的相關(guān)性品味指數(shù)通過過濾標準的這樣的推薦歸檔到用戶A的用戶賬戶中。其它推薦最初被阻止且不被歸檔在用戶賬戶中。
[0024]通過過濾當前推薦，用戶A面對更少的推薦，并僅面對對于用戶A而實際具有相關(guān)性的這樣的推薦。因此，經(jīng)由用戶賬號瀏覽因特網(wǎng)對用戶A而言更方便。此外，因為更少的推薦被歸檔到用戶賬號中，并且用戶A因此必須處理更少的推薦，所以整個網(wǎng)絡(luò)負載被降低。因為需要管理更少的推薦，所以減少了存儲空間。關(guān)于推薦的每個用戶交互在用戶側(cè)是耗時的，并且在推薦器側(cè)和/或網(wǎng)絡(luò)側(cè)是耗費能量和資源的。如果根據(jù)所建議的操作方法操作多個個人推薦器系統(tǒng)，則如全球所關(guān)心的，將大大降低網(wǎng)絡(luò)負載，并因此大大降低功耗。此外，將有助于整個社交網(wǎng)絡(luò)的管理，因為網(wǎng)絡(luò)負載被降低。而且，可以大大減少自動生成的半個人推薦的散布。
[0025]要操作的個人推薦器系統(tǒng)可以是基于內(nèi)容的推薦器系統(tǒng)、基于協(xié)作過濾的推薦器系統(tǒng)、基于內(nèi)容和基于協(xié)作過濾的組合推薦器系統(tǒng)、或者根據(jù)另一推薦機制操作的推薦器系統(tǒng)。
[0026]在本發(fā)明的描述的范圍內(nèi)，詞語“用戶”是指在計算機實施的社交網(wǎng)絡(luò)上具有用戶賬號的人。這樣的用戶通常具有多個所謂的聯(lián)系人(也稱為“朋友”)，其中這些聯(lián)系人/朋友也是在同一或另一計算機實施的社交網(wǎng)絡(luò)上具有用戶賬號(也稱為“聯(lián)系人帳戶”)的用戶。
[0027]下面，詞語“推薦”是指包括對內(nèi)容項的正面推薦(例如建議訂購該內(nèi)容項)、或者與內(nèi)容項相關(guān)的負面的所謂警示(例如用戶A的聯(lián)系人的指示該聯(lián)系人不喜歡該內(nèi)容項的評論)的電子消息。這樣的電子消息可以是例如電子郵件、短信服務(wù)消息、電子彈出以及它們的衍生物。推薦可以包括發(fā)送者標識符(例如姓名和/或聯(lián)系人的照片)以及與所推薦的內(nèi)容項相關(guān)的信息(例如，指向呈現(xiàn)所推薦的內(nèi)容項的網(wǎng)站的鏈接和/或所推薦的內(nèi)容項的描述(諸如圖片))。此外，從用戶直接提交到另一用戶/該用戶的聯(lián)系人的推薦稱為“個人推薦”。自動(即沒有發(fā)送者的顯式交互)發(fā)送給用戶但包括對接收用戶的聯(lián)系人的暗示的推薦稱為“半個人推薦”。
[0028]計算機實施的社交網(wǎng)絡(luò)被理解為遵循其在信息和通信【技術(shù)領(lǐng)域】中的標準定義。因此，計算機實施的社交網(wǎng)絡(luò)是允許多個用戶的參與的計算機網(wǎng)絡(luò)，其中每個用戶可以設(shè)立個人聯(lián)系人列表，其中這種列表的每個聯(lián)系人也是同一或另一社交網(wǎng)絡(luò)的參與者。
[0029]通過聯(lián)系人賬戶啟動推薦意味著與該聯(lián)系人賬戶關(guān)聯(lián)的聯(lián)系人已經(jīng)顯式地向他的聯(lián)系人之一(例如用戶A)發(fā)送了對某一內(nèi)容項的推薦，或者可以由耦接到該聯(lián)系人賬戶的推薦器系統(tǒng)自動執(zhí)行推薦的啟動，如引言中所說明的。
[0030]用戶A響應(yīng)于接收到由聯(lián)系人啟動的推薦的反應(yīng)可以被直接或間接(S卩，顯式或隱式)地進行，如上文所說明的。相應(yīng)地執(zhí)行這種反應(yīng)的監(jiān)視。監(jiān)視該反應(yīng)行為的步驟可以包括存儲推薦的歸檔與反應(yīng)(諸如通過追隨推薦中呈現(xiàn)的鏈接而關(guān)心所推薦的內(nèi)容項)之間的時延、以及/或者存儲指示反應(yīng)是正面還是負面的數(shù)值。
[0031]例如，過濾標準被表達為固定閾值，其中當前推薦的相關(guān)性品味指數(shù)的絕對值必須大于或等于該固定閾值，以便被歸檔在用戶賬戶中。過濾標準也可以由根據(jù)所監(jiān)視的用戶響應(yīng)于接收到推薦的反應(yīng)而動態(tài)調(diào)整的閾值表達。例如，過濾標準被定義為使得對于每個類型g，至少k個聯(lián)系人的推薦不被濾除，其中k是適當選擇的整數(shù)值。過濾標準也可以被計算為使得k取決于類型g。在這種情況中，對于一個類型，用戶A可以比另一個類型具有更多的其推薦被通過的聯(lián)系人。
[0032]如果當前推薦的相關(guān)性品味指數(shù)的絕對值大于固定的或動態(tài)調(diào)整的閾值，則過濾標準例如由當前推薦的相關(guān)性品味指數(shù)實現(xiàn)。
[0033]將當前推薦歸檔在用戶賬戶中意味著用戶A具有以通常方式覺察當前推薦的可能性。阻止當前推薦意味著用戶A最初將不面對被阻止的當前推薦。
[0034]在操作方法的優(yōu)選實施例中，已被發(fā)送到用戶賬號但已被阻止并因此未被提供給用戶A的當前推薦被緩沖，并且，如果所緩沖的推薦中的至少一個滿足經(jīng)調(diào)整的過濾標準，則將該至少一個推薦歸檔在用戶賬戶中。該實施例具有如下優(yōu)點:到達用戶賬戶的第一推薦可能被阻止，因為當前過濾標準不被滿足。然而，因為過濾標準可以被動態(tài)調(diào)整，所以被阻止的推薦可以在以后的時間點滿足經(jīng)調(diào)整的過濾標準。如果這樣，所緩沖的最初已被阻止的推薦現(xiàn)在被歸檔在用戶賬戶中，使得用戶A可以覺察該推薦。在任何情況中，最初被阻止的推薦不會丟失，而是被緩沖一定量的時間，并因此可用于以后的其它目的。
[0035]在另一實施例中，該方法包括附加步驟:
[0036]-將被阻止的與共同內(nèi)容項y相關(guān)的推薦進行分組，
[0037]-通過將與經(jīng)分組的推薦中的每個關(guān)聯(lián)的相關(guān)性品味指數(shù)相加來確定累加的相關(guān)性品味指數(shù)，
[0038]-如果所述累加的相關(guān)性品味指數(shù)滿足所述過濾標準，則將所述經(jīng)分組的推薦作為單個組合推薦歸檔在用戶賬戶中。
[0039]在此實施例中，發(fā)送給用戶A的針對給定內(nèi)容項的第一推薦可能被阻止，但到來的推薦的相關(guān)性品味指數(shù)被與關(guān)于聯(lián)系人的對應(yīng)信息、內(nèi)容項y和內(nèi)容項的類型一起存儲，使得在某一時間點，該組推薦可以例如通過超過閾值而集體地滿足過濾標準，。
[0040]在另一優(yōu)選實施例中，該方法附加地包括步驟:
[0041]-識別經(jīng)分組的推薦的發(fā)送者F(A)，其中每個發(fā)送者F(A)具有鏈接到用戶A的用戶賬戶的關(guān)聯(lián)的聯(lián)系人賬戶，
[0042]-對于每個所識別的發(fā)送者F(A)，確定對共同內(nèi)容項y的愛好度λ(B，y)，愛好度λ (B, y)指示相應(yīng)發(fā)送者B對該共同內(nèi)容項y感興趣或不感興趣，
[0043]-根據(jù)所確定的愛好度以及累加的相關(guān)性品味指數(shù)計算歸一化的(normalized)累加的相關(guān)性品味指數(shù)，其中歸一化的累加的相關(guān)性品味指數(shù)對應(yīng)于采用的愛好度λ (A，y),愛好度λ (A, y)指示用戶A對共同內(nèi)容項y感興趣或不感興趣，以及
[0044]-如果歸一化的累加的相關(guān)性品味指數(shù)滿足過濾標準，則將對于共同內(nèi)容項y的推薦歸檔在用戶賬戶中。
[0045]該實施例具有如下優(yōu)點:僅將用戶A可能具有正面興趣的推薦歸檔在用戶A的用戶賬號中。該實施例包括辨識到:可以通過利用確定的相關(guān)度品味指數(shù)對通常在協(xié)作過濾機制內(nèi)確定的愛好度進行加權(quán)，來實現(xiàn)由于推薦器系統(tǒng)基于協(xié)作過濾而已被生成的半個人推薦的散布的減少。例如，根據(jù)如下公式計算歸一化的累加的相關(guān)性品味:
[0046]λ (A, y) = Σ B e F(A)r (B, g(y)).λ (B, y) / Σ B e F⑷ | r (B, g (y)) |，
[0047]其中SBeF(A)r(B，g(y))是累加的相關(guān)性品味指數(shù)。
[0048]因此，如果附加地存在與聯(lián)系人和共同內(nèi)容項的類型關(guān)聯(lián)的高相關(guān)度品味指數(shù)，則該聯(lián)系人關(guān)于共同內(nèi)容項的高愛好度僅促進將共同內(nèi)容項的推薦歸檔到用戶A的用戶賬戶中。
[0049]為了允許用戶A在過濾的和未過濾的推薦之間區(qū)分，在優(yōu)選實施例中，該方法包括步驟:
[0050]-通過采用顏色編碼對每個所呈現(xiàn)的推薦的相應(yīng)采用的愛好度進行編碼，來通過與個人推薦器系統(tǒng)耦接的用戶接口的顯示將過濾的推薦呈現(xiàn)給用戶A。
[0051]在實施例中，顏色疊加(overlay)用于顯示經(jīng)過濾的推薦，以便指示相應(yīng)采用的愛好度λ (Α，χ)，其中用于疊加給定內(nèi)容項的顏色飽和度作為λ (A, x)的函數(shù)。這樣，用戶A不需要面對來自單獨聯(lián)系人/朋友的推薦，而是面對指示朋友的子集的集體推薦的微妙的顏色疊加。例如，當一定數(shù)目的朋友喜歡共同項并且已經(jīng)相應(yīng)地向用戶A發(fā)送了推薦，并且當朋友的此數(shù)目超過了預定數(shù)目(諸如5、10或15)時，通過使用顏色疊加將這樣的項目突顯在用戶A的用戶接口中。
[0052]替代地或附加地，如果基于單一朋友的推薦得分足夠好，則通過顏色疊加突顯基于單一朋友的推薦。在實施例中，這些推薦被補充以啟動推薦的朋友的小圖像。在另一實施例中，僅在選擇的社區(qū)的足夠大的子集的愛好度是已知的和/或所選擇的社區(qū)足夠大的情況下才表達顏色疊加。因此，隱私問題可以得到尊重。此外，用戶A可以在社區(qū)的最小愛好度在疊加中變得可見之前對社區(qū)的最小愛好度設(shè)置閾值，使得僅社區(qū)的清晰偏好變?yōu)楸槐磉_。
[0053]在該方法的優(yōu)選實施例中，確定相關(guān)性品味指數(shù)的步驟包括應(yīng)用學習算法，諸如應(yīng)用神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯分類器或支持向量機。
[0054]還優(yōu)選的是，應(yīng)用學習算法的步驟包括考慮已被提交到聯(lián)系人賬戶的與內(nèi)容項相關(guān)的警示，其中該警示指示聯(lián)系人不喜歡該內(nèi)容項。警示可以是例如從聯(lián)系人到用戶A的指示該聯(lián)系人特別不喜歡某一內(nèi)容項的消息。這還可以使用在學習算法中，以便建立用戶A和聯(lián)系人之間對某一類型的相似性或不相似性。例如，通過學習算法可以發(fā)現(xiàn)不被聯(lián)系人喜歡的某一類型的項目通常被用戶A欣賞，換言之，可能確立:對于給定類型，用戶A和聯(lián)系人具有相反品味。在這種情況下，該方法可以包括將聯(lián)系人提交給用戶A的與某一內(nèi)容項相關(guān)的警示轉(zhuǎn)換為關(guān)于與同一內(nèi)容項相關(guān)的推薦、以及將經(jīng)轉(zhuǎn)換的警示歸檔在用戶賬戶中。在這些情況中，聯(lián)系人-類型元組對于向用戶A進行推薦仍然可以具有高相關(guān)性。
[0055]此外，其它方面可以影響過濾步驟，S卩，是否實際將當前推薦歸檔在用戶A的用戶賬戶中的決定。例如，在操作方法的另一實施例中，如果用戶A最近已經(jīng)觀看了視頻，則與該已消費的內(nèi)容項相關(guān)的推薦將被阻止。這種被阻止的推薦可以被緩沖或刪除，如上文已說明的。
[0056]本申請的第一方面的方法特別適合于實施在個人推薦器系統(tǒng)內(nèi)。此外，該操作方法可以應(yīng)用在由個人計算機、機頂盒等構(gòu)成的計算機實施的社交網(wǎng)絡(luò)的背景中。本發(fā)明的第一方面的操作方法還增加推薦器系統(tǒng)的可用性和用戶滿意度。此外，操作方法可被整合到個人頻道概念中。下面簡要說明這樣的概念:
[0057]個體的個人頻道可被存儲在存儲器中，并包含個人數(shù)據(jù)，該個人數(shù)據(jù)提供關(guān)于該個體喜歡或不喜歡的線性和/或非線性內(nèi)容項的信息。例如，一組特定電視(TV)節(jié)目被捆綁為個人頻道。代替在所有可得的廣播節(jié)目/頻道上跳換(zap)，該個體可以在他的個人頻道上跳換。例如，該個體已經(jīng)設(shè)立了個人新聞頻道、個人卡通頻道和/或個人電影頻道。由于可得內(nèi)容項的量繼續(xù)增加，這樣的個人頻道變?yōu)樵絹碓街匾墓ぞ撸驗槠涮峁┝丝焖僬业礁信d趣的內(nèi)容項的可能性。個人頻道可以具有例如在多個手動添加的“種子”內(nèi)容項或者由多個析取項(di sjunct)構(gòu)成的布爾表達式方面的規(guī)范，其可以限定什么內(nèi)容項可以被自動添加到個人頻道。個人頻道還可以具有接收的或(要)記錄的內(nèi)容項的集合，其中根據(jù)“種子”內(nèi)容項或根據(jù)布爾表達式接收/記錄所述接收的或(要)記錄的內(nèi)容項。用戶可以在所接收/記錄的內(nèi)容項上跳換，其中所記錄的項通常存儲在操作地連接到個人頻道的硬盤上。特別地，個人頻道的概念允許例如采用硬盤技術(shù)的記錄器的一個或多個用戶獨立地定義多個頻道，其類似于現(xiàn)有的廣播頻道但通常被填充以記錄的廣播內(nèi)容、下載的因特網(wǎng)內(nèi)容、或?qū)上螺d或可流化的因特網(wǎng)內(nèi)容的鏈接。
[0058]這樣的個人頻道被個人化，這不僅由于個體/用戶創(chuàng)建他自己的個人頻道、還由于這樣的個人頻道可以配備推薦器系統(tǒng)、尤其是根據(jù)本發(fā)明操作的推薦器系統(tǒng)。這樣的推薦器系統(tǒng)可以通過用戶顯式或隱式的反饋學習用戶對頻道的品味(如上所述)，并可以用于精細調(diào)節(jié)頻道的內(nèi)容。
[0059]例如，通過由用戶簡單地從電子節(jié)目指南(EPG)選擇節(jié)目以及指示他/她想要利用此節(jié)目創(chuàng)建新的個人頻道來完成創(chuàng)建個人頻道。此初始節(jié)目用作種子，并且將根據(jù)所建議的操作方法選擇和/或推薦更多的類似節(jié)目，用于添加到個人頻道中。因此，存在幾種個人頻道如何增長的可能性:用戶可以手動添加新內(nèi)容項，用戶可以在推薦器系統(tǒng)推薦時添加新內(nèi)容項，或者個人頻道管理器向個人頻道自動添加在某些方面類似于已經(jīng)出現(xiàn)在個人頻道中的內(nèi)容項的新內(nèi)容項，例如其與手動添加的內(nèi)容項匹配。因為由根據(jù)所建議的操作方法操作的推薦器系統(tǒng)提供的推薦的相關(guān)性大大提高，所以個人頻道的個人化因此也可以被提高，這由于推薦的內(nèi)容項的自動添加或者由于在接收到對應(yīng)推薦時手動添加的內(nèi)容項。
[0060]代替社交網(wǎng)絡(luò)的用戶之間的推薦，根據(jù)前述，該操作方法還可以用在社交網(wǎng)絡(luò)中的用戶的個人頻道之間的推薦的背景中。例如，個人頻道通常被限制為幾個類型，并且相關(guān)性可以限定在這幾個類型的背景內(nèi)。[0061]根據(jù)本發(fā)明的第二方面，上述技術(shù)目的通過一種用于操作推薦器系統(tǒng)的計算機程序?qū)崿F(xiàn)，該計算機程序包括程序代碼部件，當計算機程序運行在控制該推薦器系統(tǒng)的計算機上時，該程序代碼部件用于使推薦器系統(tǒng)執(zhí)行本發(fā)明的第一方面的方法的步驟。
[0062]根據(jù)本發(fā)明的第三方面，上述技術(shù)目的通過一種過濾裝置實現(xiàn)，該過濾裝置被布置用于耦接到用于計算機實施的社交網(wǎng)絡(luò)的用戶A的推薦器系統(tǒng)，該過濾裝置包括以下組件:
[0063]-檢測器，配置為檢測到在所述社交網(wǎng)絡(luò)的用戶A的用戶賬戶中已經(jīng)歸檔了聯(lián)系人-類型元組的推薦，其中所述聯(lián)系人-類型元組的推薦與特定類型的內(nèi)容項X相關(guān)，并已通過用戶A的聯(lián)系人CUl的聯(lián)系人賬戶啟動了所述聯(lián)系人-類型元組的推薦，
[0064]-監(jiān)視單元，配置為監(jiān)視用戶A響應(yīng)于接收到所述推薦的推薦相關(guān)反應(yīng)行為，
[0065]-數(shù)據(jù)記錄器，配置為記錄與同一聯(lián)系人-類型元組的多個推薦相關(guān)的多個監(jiān)視的反應(yīng)行為，
[0066]-分析器，配置為根據(jù)所述多個監(jiān)視的反應(yīng)行為確定與所述聯(lián)系人-類型元組關(guān)聯(lián)的用戶A相關(guān)的相關(guān)性品味指數(shù)，
[0067]-推薦過濾器，配置為通過以下操作過濾同一聯(lián)系人-類型元組的當前推薦:僅在所述當前推薦的相關(guān)性品味指數(shù)滿足過濾標準的情況下將所述當前推薦歸檔在所述用戶賬戶中，而在不滿足所述過濾標準的情況下阻止所述當前推薦。
[0068]主要地，本發(fā)明的第三方面的過濾裝置共享本發(fā)明的第一方面的操作方法的優(yōu)點。特別地，過濾裝置具有對應(yīng)于上述操作方法的優(yōu)選實施例的附加步驟的優(yōu)選實施例。
[0069]根據(jù)本發(fā)明的第四方面，上述技術(shù)目的通過一種推薦器系統(tǒng)實現(xiàn)，該推薦器系統(tǒng)包括根據(jù)本發(fā)明的第三方面的過濾裝置。
[0070]在優(yōu)選實施例中，推薦器系統(tǒng)附加地包括用于向用戶A呈現(xiàn)經(jīng)過濾的推薦的用戶接口。可以用顏色疊加來編碼過濾器推薦，以便允許用戶A在過濾的推薦和未過濾的推薦之間區(qū)分。在另一優(yōu)選實施例中，推薦器系統(tǒng)附加地包括個人推薦器引擎，其耦接到該用戶接口并配置為提供基于引擎的推薦。在優(yōu)選實施例中，架構(gòu)的用戶接口部分整合了由聯(lián)系人/朋友作出的推薦以及個人推薦器引擎為用戶A作出的推薦。
[0071]個人推薦器引擎可以是基于內(nèi)容的推薦器引擎或基于協(xié)作過濾的推薦器引擎或者它們的組合或者遵循另一操作方法的推薦器引擎。
[0072]用戶接口可以是TV屏幕、計算機的監(jiān)視器、移動設(shè)備的顯示器、或者用于向用戶A呈現(xiàn)推薦的任何其它合適接口。
[0073]在特別優(yōu)選的實施例中，推薦器系統(tǒng)附加地包括配置為存儲被阻止的推薦的存儲器。例如，這種被阻止的推薦可以在以后的時間點被呈現(xiàn)給用戶A，或者將某些被阻止的推薦進行分組并確定累加的相關(guān)性品味指數(shù)。
[0074]本發(fā)明的所有方面可以被應(yīng)用在個人頻道概念的背景中。例如，如果一個人或一個家庭使用多個個人頻道來與TV推薦器交互，則上述本發(fā)明的方面可以被嵌入在個人頻道的背景中。因此，社會網(wǎng)絡(luò)中的人的個人頻道之間的相關(guān)性可以被用于從用戶A的聯(lián)系人的個人頻道向用戶A的個人頻道進行有效的推薦。
[0075]本發(fā)明的所有方面還可以應(yīng)用在由PC、機頂盒等構(gòu)成的社交網(wǎng)絡(luò)的背景中。在這樣的設(shè)備上可以安裝推薦器技術(shù)。本發(fā)明的方面的應(yīng)用提高了這種推薦器的可用性和用戶滿意度。更具體地，它們可以整合到個人頻道概念中，個人頻道概念被認為是提供了用戶習慣的方便使用。代替社交網(wǎng)絡(luò)中的朋友之間的推薦，本發(fā)明的方面還可以被用在社交網(wǎng)絡(luò)中的朋友的個人頻道之間的推薦的背景中。在該情況中，個人頻道通常被限制到幾個類型，并且相關(guān)性可以限定在這幾個類型的背景內(nèi)。
[0076]應(yīng)該理解，本發(fā)明的第一方面的操作方法、本發(fā)明的第二方面的計算機程序、本發(fā)明的第三方面的過濾裝置以及本發(fā)明的第四方面的推薦器系統(tǒng)具有類似和/或相同的優(yōu)選實施例，特別是如從屬權(quán)利要求中所限定的。
[0077]應(yīng)該理解，本發(fā)明的優(yōu)選實施例還可以是從屬權(quán)利要求與相應(yīng)獨立權(quán)利要求的任
意組合。
[0078]參照下面描述的實施例說明本發(fā)明的這些或其它方面，并且根據(jù)下面描述的實施例，本發(fā)明的這些和其它方面將明顯。
【專利附圖】

【附圖說明】
[0079]在下面的附圖中:
[0080]圖1示出了圖示根據(jù)本發(fā)明的第一方面的操作個人推薦器系統(tǒng)的操作方法的實施例的流程圖，以及
[0081]圖2示出了示例性地圖示嵌入在根據(jù)本發(fā)明的第四方面的推薦器系統(tǒng)中的過濾裝置的實施例的示意框圖。
【具體實施方式】
[0082]圖1示出了圖示操作被布置用于耦接到計算機實施的社交網(wǎng)絡(luò)的個人推薦器系統(tǒng)的操作方法100的流程圖。方法100用于降低呈現(xiàn)給用戶A并來源于用戶A的一個或多個聯(lián)系人的不相關(guān)推薦的量的目的。用戶A參與該社交網(wǎng)絡(luò)并具有一個或多個作為用戶而也參與了該社交網(wǎng)絡(luò)的聯(lián)系人。特別地，通過過濾步驟150來實現(xiàn)降低提供給用戶A的推薦的量，其中檢查當前推薦是否滿足特定過濾標準。僅在滿足過濾標準的情況下才將當前推薦呈現(xiàn)給用戶A。
[0083]在第一步驟110中，檢測到在社交網(wǎng)絡(luò)的用戶A的用戶賬戶中已經(jīng)歸檔了聯(lián)系人-類型元組(⑶1，g)的推薦。聯(lián)系人-類型元組(⑶1，g)的推薦與特定類型(g=g(X))的內(nèi)容項X相關(guān)，并且已通過用戶A的聯(lián)系人⑶I的聯(lián)系人賬戶被啟動了。在下一步驟120中，監(jiān)視用戶A響應(yīng)于接收到聯(lián)系人CUl啟動的推薦而如何反應(yīng)。這樣的反應(yīng)可以直接或間接、或者隱式或顯式地發(fā)生。例如，用戶A可以評價所推薦的內(nèi)容項X，并可以在步驟120中監(jiān)視該評價。例如,如果內(nèi)容項X是視頻,則用戶A還可以消費該內(nèi)容項X。同樣，可以監(jiān)視這樣的反應(yīng)行為。在另一示例中，如果用戶A不采取動作，則也在步驟120中監(jiān)視這樣的無動作。如果內(nèi)容項X在網(wǎng)上可得，則用戶A還可以訂購該內(nèi)容項X。
[0084]針對同一聯(lián)系人-類型元組的多個推薦重復檢測步驟110和監(jiān)視步驟120，并且記錄多個監(jiān)視的反應(yīng)行為，用于在步驟130中根據(jù)所述多個監(jiān)視的反應(yīng)行為確定與聯(lián)系人-類型元組(⑶l，g)關(guān)聯(lián)的用戶A相關(guān)的相關(guān)性品味指數(shù)r=r ((⑶l，g))。這樣的重復導致學習過程，其中可以確定用于多個聯(lián)系人-類型元組的精確相關(guān)性品味指數(shù)。這樣的學習過程可以包括應(yīng)用新網(wǎng)絡(luò)、樸素貝葉斯分類器和/或支持向量機。[0085]相關(guān)性品味指數(shù)指示特定聯(lián)系人-類型元組的推薦的相關(guān)性以及與內(nèi)容項X的類型相關(guān)的用戶A的采用品味兩者。例如，相關(guān)性品味指數(shù)r是-1至+1之間(或任何其它數(shù)值區(qū)間)的數(shù)。相關(guān)性品味指數(shù)r可以被確定，以使得負值指示該類型的高相關(guān)性和用戶A的不喜歡。例如，如果用戶A響應(yīng)于接收到這樣的推薦而快速反應(yīng)、并例如通過負面地評價內(nèi)容項X而表達對該內(nèi)容項X的不喜歡,則相關(guān)性品味指數(shù)r被確定為接近于-1。例如，如果用戶A響應(yīng)于接收到這樣的推薦而完全沒有反應(yīng)，則相關(guān)性品味指數(shù)r被確定為接近
O。如果用戶A響應(yīng)于接收到這樣的推薦而正面反應(yīng)(例如通過完整地觀看所推薦的視頻，或者正面地評價內(nèi)容項X，或者訂購內(nèi)容項X)，則相關(guān)性品味指數(shù)r被確定為接近+1。
[0086]根據(jù)優(yōu)選實施例，相關(guān)性品味指數(shù)可以被如下確定:
[0087]首先，讓我們考慮到達社交網(wǎng)絡(luò)的用戶A的聯(lián)系人-類型元組(見權(quán)利要求1的步驟a)。這些元組被存儲在類似于下表的數(shù)據(jù)結(jié)構(gòu)，其中(Ui, gi)表示從用戶Ui接收的具有內(nèi)容類型gi的元組。我們還將考慮(不失一般性)η個不同的類型:gl，…gn。
[0088]
【權(quán)利要求】
1.一種操作個人推薦器系統(tǒng)的方法(100)，所述個人推薦器系統(tǒng)被布置用于耦接到計算機實施的社交網(wǎng)絡(luò)，所述方法(100)包括以下步驟: a)檢測(110)到在所述社交網(wǎng)絡(luò)的用戶A的用戶賬戶中已經(jīng)歸檔了聯(lián)系人-類型元組(CUl，g)的推薦，其中所述聯(lián)系人-類型元組(CUl，g)的推薦與特定類型(g=g(x))的內(nèi)容項X相關(guān)，并且已通過所述用戶A的聯(lián)系人CUl的聯(lián)系人賬戶啟動了所述聯(lián)系人-類型元組(CU1，g)的推薦， b)監(jiān)視(120)用戶A響應(yīng)于接收到所述推薦的推薦相關(guān)反應(yīng)行為， c)對同一聯(lián)系人-類型元組(⑶l，g)的多個推薦重復步驟a)至b)，并記錄多個監(jiān)視的反應(yīng)行為，用于根據(jù)所述多個監(jiān)視的反應(yīng)行為確定(130)與所述聯(lián)系人-類型元組(CU1，g)關(guān)聯(lián)的用戶A相關(guān)的相關(guān)性品味指數(shù)r=r ((⑶1，g))， d)過濾(150)同一聯(lián)系人-類型元組(⑶l，g)的當前推薦(112)，所述過濾(150)通過如下進行:僅在所述當前推薦的相關(guān)性品味指數(shù)滿足過濾標準的情況下將所述當前推薦歸檔(152)在所述用戶賬戶中，而在不滿足所述過濾標準的情況下阻止(154)所述當前推薦。
2.如權(quán)利要求1所述的方法(100)，包括以下附加步驟: -緩沖(160)已被發(fā)送到所述用戶賬戶但已被阻止并因此未被提供給用戶A的當前推薦，以及 -如果所緩沖的推薦中的至少一個推薦滿足經(jīng)調(diào)整的過濾標準，則將所述至少一個推薦歸檔(152)在所述用戶賬戶中。
3.如權(quán)利要求1或2所述的方法(100)，包括以下附加步驟: -將與共同內(nèi)容項I相關(guān)的被阻止的推薦進行分組(170)， -通過將與所分組的推薦中的每個關(guān)聯(lián)的相關(guān)性品味指數(shù)相加來確定(180)累加的相關(guān)性品味指數(shù)， -如果所述累加的相關(guān)性品味指數(shù)滿足所述過濾標準，則將所分組的推薦作為單個組合推薦歸檔(152)在所述用戶賬戶中。
4.如權(quán)利要求3所述的方法(100)，還包括以下步驟: -識別所分組的推薦的發(fā)送者F(A)，其中每個所述發(fā)送者F (A)具有鏈接到用戶A的用戶賬戶的關(guān)聯(lián)聯(lián)系人賬戶， -對于每個所識別的發(fā)送者F(A)，確定對共同內(nèi)容項y的愛好度λ (B，y)，所述愛好度λ (B, y)指示相應(yīng)發(fā)送者B對共同內(nèi)容項y感興趣或不感興趣， -根據(jù)所確定的愛好度以及所述累加的相關(guān)性品味指數(shù)計算歸一化的累加的相關(guān)性品味指數(shù)，其中所述歸一化的累加的相關(guān)性品味指數(shù)對應(yīng)于采用的愛好度λ (A，y)，所采用的愛好度λ (A, y)指示用戶A對共同內(nèi)容項I感興趣或不感興趣，以及 -如果所述歸一化的累加的相關(guān)性品味指數(shù)滿足所述過濾標準，則將對共同內(nèi)容項I的推薦歸檔(152)在所述用戶賬戶中。
5.如權(quán)利要求4所述的方法(100)，其中根據(jù)以下公式計算所述歸一化的累加的相關(guān)性品味指數(shù)λ (A, y):
λ (A, y) = Σ B e F⑷ r (B, g(y)).λ (B, y) / Σ B e F⑷ | r (B, g (y)) |， 其中SBeF(A)r(B，g(y))是所述累加的相關(guān)性品味指數(shù)。
6.如權(quán)利要求4或5所述的方法(100)，還包括如下步驟:-通過采用顏色編碼對每個所呈現(xiàn)的推薦的相應(yīng)采用的愛好度進行編碼，來通過與所述個人推薦器系統(tǒng)耦接的用戶接口的顯示將經(jīng)過濾的推薦呈現(xiàn)(190)給用戶A。
7.如前述權(quán)利要求之一所述的方法(100)，其中確定所述相關(guān)性品味指數(shù)的步驟包括應(yīng)用學習算法，諸如應(yīng)用神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯分類器、或者支持向量機。
8.如權(quán)利要求7所述的方法(100)，其中應(yīng)用所述學習算法包括考慮已通過所述聯(lián)系人賬號提交的與內(nèi)容項相關(guān)的警示，所述警示指示聯(lián)系人對所述內(nèi)容項的不喜歡。
9.用于操作推薦器系統(tǒng)的計算機程序，所述計算機程序包括程序代碼部件，當所述計算機程序運行在控制所述推薦器系統(tǒng)的計算機上時，所述程序代碼部件用于使所述推薦器系統(tǒng)執(zhí)行前述權(quán)利要求中所述的方法之一的步驟。
10.一種過濾裝置(260)，所述過濾裝置被布置用于耦接到用于計算機實施的社交網(wǎng)絡(luò)(300)的用戶A的推薦器系統(tǒng)(200)，所述過濾裝置(260)包括以下: -檢測器(210)，配置為檢測到在所述社交網(wǎng)絡(luò)(300)的用戶A的用戶賬戶中已經(jīng)歸檔了聯(lián)系人-類型元組(⑶l，g)的推薦(212)，其中所述聯(lián)系人-類型元組(⑶l，g)的推薦(212)與特定類型(g=g(x))的內(nèi)容項X相關(guān)，并且已通過用戶A的聯(lián)系人⑶I的聯(lián)系人賬戶啟動了所述聯(lián)系人-類型元組(⑶l，g)的推薦(212)， -監(jiān)視單元(220)，配置為監(jiān)視用戶A響應(yīng)于接收到所述推薦(212)的推薦相關(guān)反應(yīng)行為(222)， -數(shù)據(jù)記錄器(240)，配置為記錄與同一聯(lián)系人-類型元組(⑶l，g)的多個推薦相關(guān)的多個監(jiān)視的反應(yīng)行為， -分析器(230)，配置為根據(jù)所述多個監(jiān)視的反應(yīng)行為(242)確定與所述聯(lián)系人-類型元組關(guān)聯(lián)的用戶A相關(guān)的相關(guān)性品味指數(shù)r=r ((⑶1，g))， -推薦過濾器(250)，配置為過濾同一聯(lián)系人-類型元組(⑶l，g)的當前推薦(302)，所述過濾通過如下進行:僅在所述當前推薦(302)的相關(guān)性品味指數(shù)滿足過濾標準的情況下將所述當前推薦歸檔在所述用戶賬戶中，而在不滿足所述過濾標準的情況下阻止所述當前推薦。
11.一種推薦器系統(tǒng)(200)，其用于計算機實施的社交網(wǎng)絡(luò)(300)的用戶A，所述推薦器系統(tǒng)(200)包括如權(quán)利要求10所述的過濾裝置。
12.如權(quán)利要求11所述的推薦器系統(tǒng)(200)，還包括用戶接口(270)，用于向用戶A呈現(xiàn)經(jīng)過濾的推薦。
13.如權(quán)利要求12所述的推薦器系統(tǒng)(200)，還包括個人推薦器引擎(280)，其耦接到所述用戶接口(270)并被配置為提供基于引擎的推薦。
14.如權(quán)利要求11至13之一所述的推薦器系統(tǒng)(200)，還包括存儲器(290)，其被配置為存儲被阻止的推薦。
【文檔編號】G06Q50/00GK103703485SQ201280036384
【公開日】2014年4月2日 申請日期:2012年7月13日 優(yōu)先權(quán)日:2011年7月22日
【發(fā)明者】J.科斯特, M.巴別里, S.P.P.普龍克 申請人:阿克塞爾斯普林格數(shù)字電視指導有限責任公司