服務提供商和設備制造商(例如，無線、蜂窩等)不斷地受到挑戰(zhàn)以例如通過提供引人注目的網(wǎng)絡服務來為消費者傳遞價值和提供便利。一個這樣的引人注目的網(wǎng)絡服務是向用戶提供關于推薦內容的推薦的服務。特定的推薦系統(tǒng)(例如，協(xié)同推薦模型)可以使得對用戶的推薦基于其他用戶或基于各種活動與用戶相關聯(lián)的其它項目。收集關于用戶、項目和活動的信息允許推薦服務提供商收集大量信息進行處理并隨后使用以生成推薦。然而，基于處理所有信息所需要的大量計算問題，尤其是如與用戶和項目相關聯(lián)的額外活動的新信息被收集，存在由這種推薦模型導致的可擴展性問題。存在推薦模型的其它問題，例如，基于推薦源提供用戶可能更安心地依賴的推薦。因此，服務提供商和設備制造商在如下方面面臨重大技術挑戰(zhàn)：處理推薦模型的可擴展性同時維持用戶可以安心地依賴的準確推薦。

技術實現(xiàn)要素：

因此，需要一種通過應用有效的自適應矩陣分解確定一個或多個推薦的方法。

根據(jù)一個實施例，一種方法包括至少部分地使得迭代執(zhí)行以下步驟：使用當前數(shù)據(jù)集優(yōu)化用于在當前時段結束時適應當前矩陣分解模型的參數(shù)；以及基于優(yōu)化的參數(shù)，在當前時段結束時訓練當前矩陣分解模型和當前數(shù)據(jù)集，以獲得用于下一時段中的服務的適應的矩陣分解模型。

所述方法還包括：訓練當前數(shù)據(jù)集以獲得臨時矩陣分解模型；以及將當前數(shù)據(jù)集分裂為至少兩個部分，使用所述至少兩個部分中的一個用于測試并使用剩下的用于訓練，以便獲得所述參數(shù)。

根據(jù)另一實施例，一種裝置包括：至少一個處理器；以及至少一個存儲器，其包括用于一個或多個計算機程序的計算機程序代碼，所述至少一個存儲器和計算機程序代碼被配置為通過至少一個處理器至少部分地使得所述裝置迭代執(zhí)行：使用當前數(shù)據(jù)集優(yōu)化用于在當前時段結束時適應當前矩陣分解模型的參數(shù)；以及基于優(yōu)化的參數(shù)，在當前時段結束時訓練當前矩陣分解模型和當前數(shù)據(jù)集，以獲得用于下一時段中的服務的適應的矩陣分解模型。

根據(jù)另一實施例，一種計算機可讀存儲介質攜帶一條或多條指令的一個或多個序列，當被一個或多個處理器執(zhí)行時，所述指令至少部分地使得裝置迭代地執(zhí)行：使用當前數(shù)據(jù)集優(yōu)化用于在當前時段結束時適應當前矩陣分解模型的參數(shù)；以及基于優(yōu)化的參數(shù)，在當前時段結束時訓練當前矩陣分解模型和當前數(shù)據(jù)集，以獲得用于下一時段中的服務的適應的矩陣分解模型。

另外，對于本發(fā)明的各個示例性實施例，以下是適用的：一種包括促進處理和/或加工數(shù)據(jù)和/或信息和/或至少一個信號的方法，所述數(shù)據(jù)和/或信息和/或至少一個信號至少部分地基于(或至少部分地源自)在本申請中關于本發(fā)明的任意實施例公開的方法(或過程)中的任意一個或任意組合。

對于本發(fā)明的各種示例性實施例，以下也是適用的：一種包括促進訪問被配置為允許訪問至少一個服務的至少一個接口的方法，所述至少一個服務被配置為執(zhí)行在本申請中公開的網(wǎng)絡或服務提供商方法(或過程)中的任意一個或任意組合。

對于本發(fā)明的各種示例性實施例，以下也是適用的：一種包括促進創(chuàng)建和/或促進修改至少一個設備用戶接口元件和/或至少一個設備用戶接口功能的方法，所述至少一個設備用戶接口元件和/或至少一個設備用戶接口功能至少部分地基于由在本申請中關于本發(fā)明的任意實施例公開的方法或過程中的一個或任意組合生成的數(shù)據(jù)和/或信息，和/或由在本申請中關于本發(fā)明的任意實施例公開的方法(或過程)中的一個或任意組合生成的至少一個信號。

對于本發(fā)明的各種示例性實施例，以下也是適用的：一種包括創(chuàng)建和/或修改至少一個設備用戶接口元件和/或至少一個設備用戶接口功能的方法，所述至少一個設備用戶接口元件和/或至少一個設備用戶接口功能至少部分地基于由在本申請中關于本發(fā)明的任意實施例公開的方法(或過程)中的一個或任意組合生成的數(shù)據(jù)和/或信息，和/或由在本申請中關于本發(fā)明的任意實施例公開的方法(或過程)中的一個或任意組合生成的至少一個信號。

在各種示例性實施例中，所述方法(或過程)可以實現(xiàn)于服務提供商側或移動設備側，或者在服務提供商和移動設備之間通過在兩側執(zhí)行的動作以任意共享方式實現(xiàn)。

對于各種示例性實施例，以下是適用的：一種包括用于執(zhí)行原始提交的權利要求1-12、25-36以及42-44中任一項的方法的器件的裝置。

本申請?zhí)岢隽艘环N有效且新穎的協(xié)同過濾方法(例如，矩陣分解算法)并提供以下新穎性/優(yōu)點：

-顯著減小了數(shù)據(jù)存儲、存儲器占用面積，以增強處理大數(shù)據(jù)的效率；

-顯著減少了計算復雜性，以增強處理大數(shù)據(jù)的效率；

-能夠處理流式數(shù)據(jù)；

-能夠根據(jù)用戶興趣和行為轉移適應模型；

-在產(chǎn)品系統(tǒng)中實際上有價值的實現(xiàn)。

簡單地通過示出多個特定實施例和實現(xiàn)方式(包括構思用于執(zhí)行本發(fā)明的最佳模式)，可以根據(jù)下文的詳細描述容易地理解本發(fā)明的其它方面、特征和優(yōu)點。本發(fā)明還能夠進行其它的且不同的實施例，并且可以在各種明顯的方面對其若干細節(jié)進行修改，這些都不背離本發(fā)明的精神和范圍。相應地，將附圖和描述視為本質上說明性的而不是限制性的。

附圖說明

通過舉例而非限制的方式圖示了本發(fā)明的實施例，在附圖的圖中：

圖1是根據(jù)一個實施例的能夠通過應用有效的自適應矩陣分解確定一個或多個推薦的系統(tǒng)的示意圖；

圖2是根據(jù)一個實施例的增量式平臺的部件的示意圖；

圖3是根據(jù)一個實施例的通過應用有效的自適應矩陣分解確定一個或多個推薦的過程的流程圖；

圖4是根據(jù)一個實施例的用于確定用于適應矩陣分解的參數(shù)的最優(yōu)值的過程的流程圖；

圖5示出了根據(jù)一個實施例的用于確定用于適應矩陣分解的參數(shù)的最優(yōu)值的示意圖；

圖6是根據(jù)一個實施例的通過應用有效的自適應矩陣分解來確定初始推薦的過程的流程圖；

圖7是根據(jù)一個實施例的用于提供具有關聯(lián)信息的一個或多個推薦的過程的流程圖；

圖8A-8C示出了根據(jù)各種實施例的用于流式數(shù)據(jù)的基于高效矩陣分解的推薦算法的性能；

圖9是能夠用于實現(xiàn)本發(fā)明的實施例的硬件的示意圖；

圖10是能夠用于實現(xiàn)本發(fā)明的實施例的芯片組的示意圖；以及

圖11是能夠用于實現(xiàn)本發(fā)明的實施例的移動終端(例如，手機)的示意圖。

具體實施方式

公開了通過應用有效的自適應矩陣分解確定一個或多個推薦的方法、裝置和計算機程序的例子。在后續(xù)描述中，出于解釋的目的，闡述了多個具體細節(jié)以便提供對本發(fā)明實施例的透徹理解。然而，對于本領域技術人員而言顯然的是，可以在沒有這些具體細節(jié)的情況下或通過等價布置來實踐本發(fā)明的實施例。在其它實例中，以框圖形式示出了公知的結構和設備，以避免不必要地模糊本發(fā)明的實施例。

圖1是根據(jù)一個實施例的能夠通過應用有效的自適應矩陣分解確定一個或多個推薦的系統(tǒng)的示意圖。如上文所討論的，信息時代已經(jīng)生成了用戶可以電子訪問的大量信息。大量信息可能使得用戶感到超負荷，或者可能阻止用戶發(fā)現(xiàn)他們可能發(fā)現(xiàn)有用或相關的信息。為了減輕信息超負荷，服務提供商已經(jīng)創(chuàng)建了推薦模型以向用戶推薦內容。這種推薦模型可以收集關于用戶、各種項目以及在用戶、項目和/或用戶和項目之間的相關聯(lián)的活動的信息。然后，推薦模型可以使用收集到的信息來生成一個或多個推薦。舉例來說，基于用戶的協(xié)同過濾推薦模型可以確定用戶-用戶相似性來發(fā)現(xiàn)歷史上對項目和/或內容具有相似品味的用戶的給定鄰居。因此，可以將給定的用戶鄰居具有相關聯(lián)活動的項目推薦給用戶。類似地，在基于項目的協(xié)同過濾中，可以確定項目-項目相似性來發(fā)現(xiàn)歷史上吸引類似用戶的項目的給定鄰居。因此，向用戶推薦用戶喜歡的項目的鄰居。相應地，對于推薦模型(例如協(xié)同過濾推薦模型)來說，該模型的重要部分確定用戶、項目和用戶/項目之間的相似性值。

然而，隨著收集到的信息數(shù)量的增加，這種推薦模型的可擴展性成為問題。維持準確性所需的信息數(shù)量導致效率問題。隨著用戶和項目數(shù)量的增加(尤其是采用協(xié)同過濾推薦模型)，在不要求過分大的計算資源的情況下，計算要求未能按比例增加。事實上，這種推薦模型的計算要求隨著推薦系統(tǒng)內用戶和項目的數(shù)量而呈多項式增長。因此，通?？赡軆H根據(jù)趨向于忽略與用戶和項目相關聯(lián)的近期活動的固定更新時間表，來執(zhí)行計算在用戶、項目以及用戶/項目之間的相似性值以生成一個或多個推薦所必需的計算能力；并且因此，忽略了將導致更準確的推薦的信息。

現(xiàn)今，提供良好互聯(lián)網(wǎng)發(fā)現(xiàn)用戶體驗的個性化推薦服務變得越來越流行。在移動互聯(lián)網(wǎng)服務中提供個性化用戶體驗是趨勢。最需要的個性化服務可以處理以下問題：用戶興趣轉移；具有低計算復雜性和存儲器占用面積的算法(尤其是當歷史中存在越來越多的用戶內容交互數(shù)據(jù)時)；以及對大批量數(shù)據(jù)和實時流式數(shù)據(jù)進行操作是可行的。使基于協(xié)同過濾的推薦算法(例如，概率矩陣分解(PMF))能夠滿足上述要求是一種技術挑戰(zhàn)。需要一種創(chuàng)新的想法來解決上述問題，以通過允許根據(jù)長期和近期歷史數(shù)據(jù)的擬最優(yōu)模型組合來有效地根據(jù)用戶的反饋學習和適應用戶的行為。特別地，推薦可以遵循用戶的興趣轉移。更重要的是，這可以顯著降低存儲器占用面積和計算復雜性，因為當前系統(tǒng)不需要存儲長期歷史數(shù)據(jù)并在少量近期數(shù)據(jù)集上建立模型。

此外，提供給用戶的許多推薦基于由推薦系統(tǒng)收集到的一般消息。因此，例如，用于為用戶生成推薦的許多信息基于沒有以任何方式連接到該用戶的其他用戶(例如，不存在社交聯(lián)系、家庭連接等等)。此外，電子呈現(xiàn)給用戶且與一個或多個推薦不相關的一般廣告當前不能表示與用戶連接的其他用戶是否根據(jù)廣告采取行動，例如購買廣告的產(chǎn)品或推薦廣告的產(chǎn)品。因此，對于推薦的內容來說，用戶對內容的唯一信任在于用戶信任用于推薦該內容的推薦系統(tǒng)或模型。對于一般提供給用戶的廣告來說，例如不是推薦模型推薦的，用戶不可能直接或間接地信任該廣告的內容。因此，用戶不得不決定是否在沒有任何基礎的情況下遵循廣告。

由于信息的快速增長和散播，信息溢出在現(xiàn)代生活中成為不可避免的問題，因此每個用戶不得不處理不受控的網(wǎng)絡物理信息的泛濫。需要個性化的服務根據(jù)用戶的興趣來過濾用戶認為不相關的信息，以處理信息超負荷問題，從而允許用戶集中于重要的和相關的信息。在本領域中，主要的方法包括：收集用戶的(行為)數(shù)據(jù)，根據(jù)所述數(shù)據(jù)學習用戶簡檔，在用戶簡檔之間且跨用戶簡檔進行匹配，以及確定針對個性化推薦的項目。最廣泛使用的推薦算法之一是協(xié)同過濾(CF)，例如矩陣分解(MF)。迄今為止，典型的矩陣分解應用于訓練數(shù)據(jù)來訓練模型。當存在更多數(shù)據(jù)時，通常通過將所有數(shù)據(jù)(舊數(shù)據(jù)和新數(shù)據(jù))放在一起來更新模型訓練。本申請?zhí)岢隽艘环N新穎的CF/MF算法，特別是用于處理非常大的數(shù)據(jù)庫。因此，尤其需要增量式方法。根據(jù)舊模型和新數(shù)據(jù)訓練或適應新模型。結果是這應該顯著減少存儲器占用面積，所述算法應該是高效的，并且還應該能夠處理流式數(shù)據(jù)。針對用戶興趣轉移，過去的數(shù)據(jù)對于用戶行為建模是明確有用的，但是這基于假設用戶的興趣沒有轉移。

對于目前最好的知識，典型的技術主要來自以下兩個方向。大部分技術將增量式方法應用于協(xié)同過濾，而不是基于模型的矩陣分解，例如，基于項目/用戶的，如實例或k最近鄰算法。其并不應用于基于矩陣分解模型的方法。另外，基于矩陣分解表示模型的推薦算法看起來在搜索和現(xiàn)實生活服務中非常有前景。還研究了利用具有非常密集的自適應計算的新數(shù)據(jù)直接適應所有的模型參數(shù)，然而系統(tǒng)不需要在存儲設備中保存長期的歷史數(shù)據(jù)。在本提議中，系統(tǒng)反而采用新數(shù)據(jù)來獲得模型，將該模型與歷史模型自適應地組合以形成模型自適應。因此，系統(tǒng)簡單地引入甚至單個參數(shù)進行自適應，因為其用于組合模型，而不是在模型內適應每個參數(shù)。

為了解決這些問題，圖1的系統(tǒng)100引入通過應用有效的自適應矩陣分解確定一個或多個推薦的能力。在一個實施例中，系統(tǒng)100中的信息模塊收集用戶活動信息，例如歷史數(shù)據(jù)。與用戶相關聯(lián)的活動信息可以是任意類型的活動，包括但不限于：評論電子可用的項目，表明喜愛的電子可用項目(例如，在產(chǎn)品網(wǎng)站上、社交網(wǎng)絡網(wǎng)站上等)，共享項目，轉發(fā)項目，下載項目，購買項目等。所述項目可以是任意類型的電子內容，例如，網(wǎng)站、博客、社交網(wǎng)絡服務上的布告、商品和/或服務等。項目還可以表示非電子可用內容，但是其以其他方式被電子表示，例如，可用于在互聯(lián)網(wǎng)上銷售的消費者商品和/或服務。

在一個實施例中，系統(tǒng)100收集大量用戶歷史數(shù)據(jù)。需要以順序方式處理歷史數(shù)據(jù)。系統(tǒng)100中的信息模塊將所有的用戶歷史數(shù)據(jù)劃分為多個子數(shù)據(jù)集：子數(shù)據(jù)集D₁、子數(shù)據(jù)集D₂、……、子數(shù)據(jù)集D_t-1、子數(shù)據(jù)集D_t、……、子數(shù)據(jù)集D_n，其中t、n∈(2,3,4,…..)并且t≤n。子數(shù)據(jù)集D_t包括在時間t-1和t之間的時段期間收集到的所有的歷史數(shù)據(jù)。首先，系統(tǒng)使用子數(shù)據(jù)集D₁來訓練矩陣分解MF模型，表示為M₁。然后，系統(tǒng)使用M₁在D₂時段期間進行推薦。在D₂時段結束時，即，在時間t₂和t₃之間的時段，系統(tǒng)更新矩陣分解MF模型M₁。通過在時間t處重復迭代過程，在時間t-1處的當前歷史模型是矩陣分解模型M_t-1，并且系統(tǒng)使用在時段t處的子數(shù)據(jù)集(即，D_t)訓練模型M_t。在一個實施例中，在時間t處根據(jù)下式更新歷史模型：

M_t＝α×M_t-1+(1-α)×Q_t (1)

在一個實施例中，為了減少在服務器中存儲的用于形成推薦模型的歷史數(shù)據(jù)，系統(tǒng)迭代執(zhí)行下列步驟：利用當前數(shù)據(jù)集來優(yōu)化用于在當前時段結束時適應當前矩陣分解模型的參數(shù)，以及基于優(yōu)化的參數(shù)在當前時段結束時訓練當前矩陣分解模型和當前數(shù)據(jù)集，以針對下一時段中的服務獲得適應的矩陣分解模型。在迭代執(zhí)行之前，系統(tǒng)將初始數(shù)據(jù)集訓練為初始矩陣分解模型，并在當前時段將初始矩陣分解模型用作當前矩陣分解模型。

在一個實施例中，例如，系統(tǒng)存儲從2013年1月1日到2013年12月31日收集到的歷史數(shù)據(jù)。在2013年每個月中收集到的歷史數(shù)據(jù)可以被認為是子歷史數(shù)據(jù)集，例如，D3表示在2013年3月1日到2013年3月3日期間收集到的子歷史數(shù)據(jù)集。在一個實施例中，系統(tǒng)從當前時間幀窗口采用近期數(shù)據(jù)(例如，2013年4月的數(shù)據(jù))。系統(tǒng)在2013年4月結束時開始迭代地執(zhí)行MR模型的訓練。在到達數(shù)據(jù)末尾(也就是，4月30日)之后，系統(tǒng)使用該數(shù)據(jù)集訓練MF模型，并組合該MF模型與初始或基線模型。此外，系統(tǒng)使用上述數(shù)據(jù)集來優(yōu)化模型組合中的參數(shù)α。一旦確定了優(yōu)化參數(shù)α，系統(tǒng)使用參數(shù)α來重復地將模型組合為一個，作為更新后的基線模型。

在一個實施例中，在2013年4月，系統(tǒng)使用在3月1-31日期間收集到的數(shù)據(jù)集來訓練矩陣分解模型M₃，即，初始矩陣分解模型。在2013年4月期間，將矩陣分解模型M₃用作推薦模型，系統(tǒng)根據(jù)該模型向用戶推薦內容。

在一個實施例中，為了獲得最佳的MF模型(推薦模型)以在下一時段(例如，5月1-31日)使用，系統(tǒng)可以確定參數(shù)α的最佳值。系統(tǒng)使用當前數(shù)據(jù)集(在4月1-30日期間收集到的數(shù)據(jù)集)來優(yōu)化參數(shù)α，其用于在當前時段結束時(4月30日)適應當前矩陣分解模型。此外，在當前時段結束時，系統(tǒng)基于優(yōu)化的參數(shù)α訓練當前矩陣分解模型M_March和當前數(shù)據(jù)集，以針對在下一時段(5月1-31日)中的服務獲得適應的矩陣分解模型M_April。

在一個實施例中，對于參數(shù)α，系統(tǒng)訓練當前數(shù)據(jù)集(在3月1-31日期間收集到的數(shù)據(jù)集)，來獲得臨時矩陣分解模型Q_April。系統(tǒng)將當前數(shù)據(jù)集分裂成至少兩個部分，例如5個部分。系統(tǒng)使用5個部分之一進行測試，并使用5個部分的剩余部分進行訓練，以便獲得參數(shù)α的最佳值。在一個實施例中，通過使用當前矩陣分解模型和臨時矩陣分解模型Q，來獲得適應的矩陣分解模型(例如，M_April)，例如，M_April＝α×M_March+(1-α)×Q_April。

在一個實施例中，為了減少在服務器中存儲的數(shù)據(jù)，系統(tǒng)在將初始數(shù)據(jù)集訓練為初始矩陣分解模型之后刪除初始數(shù)據(jù)集。例如，在將初始數(shù)據(jù)集訓練為初始矩陣分解模型M_March之后，系統(tǒng)刪除3月1-31日期間收集到的歷史數(shù)據(jù)。在一個實施例中，當前數(shù)據(jù)集是在當前時段中收集到的活動信息的集合。在一個實施例中，系統(tǒng)使用適應的矩陣分解模型作為在下一時段期間的推薦。例如，系統(tǒng)使用MF模型M_April作為在2013年5月期間的推薦模型。在一個實施例中，系統(tǒng)使用當前數(shù)據(jù)集來在當前時段結束時驗證當前矩陣分解。

系統(tǒng)100還呈現(xiàn)當推薦或(可以通過除了推薦之外的方法向用戶呈現(xiàn)的)其它類型的廣告與(通過某種類型的識別連接而連接到用戶的)另一用戶相關聯(lián)時，向用戶提供關聯(lián)信息的能力?；陉P聯(lián)信息，用戶可以直觀地理解推薦和/或廣告以及相關聯(lián)的內容是可靠的和/或基于信任源(例如，朋友或專家/名人)推薦的。例如，視覺指示可以基于不同的背景、邊界或者與推薦或廣告相關聯(lián)的對象(和/或多個對象)，而不是一般的呈現(xiàn)連接的用戶(例如，朋友、名人或專家)的名稱。

系統(tǒng)100允許基于在用戶之間的特定關聯(lián)來確定連接的用戶。當兩個用戶可能具有關于相同項目的活動時，用戶不一定是連接的。而是，連接的用戶通過表示在用戶之間的連接的一個或多個服務、一個或多個網(wǎng)站、一個或多個數(shù)據(jù)庫、一個或多個個人偏好(例如，列表)、一個或多個指示等共享連接，其中在用戶之間的連接表示在用戶之間的特定信任級別。系統(tǒng)100然后可以修改廣告或推薦的呈現(xiàn)以向一個用戶指示其他連接的用戶根據(jù)廣告內的信息采取行動，從而所述一個用戶可以更信任推薦和/或廣告。因此，系統(tǒng)100基于連接的用戶(例如，朋友、家庭成員、專家、名人等)為用戶提供遵循項目推薦和/或廣告內容的機制。

如圖1所示，系統(tǒng)100包括用戶設備(UE)101a-101n(統(tǒng)稱為UE 101)，其具有經(jīng)由通信網(wǎng)絡105到達增量式平臺103的連接。舉例來說，系統(tǒng)100的通信網(wǎng)絡105包括一個或多個網(wǎng)絡，例如數(shù)據(jù)網(wǎng)絡、無線網(wǎng)絡、電話網(wǎng)絡或其任意組合?？梢詷嬎汲?，數(shù)據(jù)網(wǎng)絡可以是任意的局域網(wǎng)(LAN)、城域網(wǎng)(MAN)、廣域網(wǎng)(WAN)、公共數(shù)據(jù)網(wǎng)絡(例如，互聯(lián)網(wǎng))、短距離無線網(wǎng)絡、或任意其它適用的分組交換網(wǎng)絡(例如，商業(yè)上擁有的、專有分組交換網(wǎng)絡，如專有電纜或光纖網(wǎng)絡等)，或其任意組合。另外，無線網(wǎng)絡可以例如是蜂窩網(wǎng)絡，并且可以采用各種技術，包括全球演進增強型數(shù)據(jù)速率(EDGE)、通用分組無線業(yè)務(GPRS)、全球移動通信系統(tǒng)(GSM)、互聯(lián)網(wǎng)協(xié)議多媒體子系統(tǒng)(IMS)、通用移動通信系統(tǒng)(UMTS)等，以及任意其它適用的無線介質，例如，全球微波接入互操作性(WiMAX)、長期演進(LTE)網(wǎng)絡、碼分多址(CDMA)、寬帶碼分多址(WCDMA)、無線保真(WiFi)、無線LAN(WLAN)、近場通信(NFC)、互聯(lián)網(wǎng)協(xié)議(IP)數(shù)據(jù)廣播、數(shù)字無線電/電視廣播、衛(wèi)星、移動自組網(wǎng)(WAMET)等或其任意組合。

UE 101是任意類型的移動終端、固定終端或者便攜式終端，包括移動手機、站、單元、設備、移動通信設備、多媒體計算機、多媒體平板、互聯(lián)網(wǎng)節(jié)點、通信器、臺式計算機、膝上型計算機、筆記本計算機、上網(wǎng)本計算機、平板計算機、個人通信系統(tǒng)(PCS)設備、個人導航設備、個人數(shù)字助理(PDA)、音頻/視頻播放器、數(shù)字攝像機/攝影機、定位設備、電視接收器、無線電廣播接收器、電子書設備、游戲設備、或其任意組合，包括這些設備的附件和外圍部件或其任意組合。還可以構思出，UE 101可以為用戶支持到用戶的任意類型的接口(例如，“可穿戴”電路等)。

UE 101可以包括一個或多個應用111a-111n(統(tǒng)稱為應用111)，其可以在UE 101處被執(zhí)行或訪問。應用111例如可以包括一個或多個社交網(wǎng)絡應用、一個或多個導航應用、一個或多個日歷應用、一個或多個游戲應用、一個或多個娛樂應用、一個或多個生活方式應用、一個或多個購物應用、一個或多個互聯(lián)網(wǎng)瀏覽應用等。在一個實施例中，應用111中的一個或多個可以允許用戶訪問UE 101，以例如通過訪問提供額外應用的服務來下載一個或多個額外應用。應用111中的一個或多個可以根據(jù)本文討論的方法基于在一對用戶之間的相似性信息來提供一個或多個推薦。

增量式平臺103基于推薦模型的增量式更新確定一個或多個推薦，并且基于一個或多個推薦提供廣告的呈現(xiàn)，或者廣告或一些其它形式的內容，其表示在用戶和一個或多個其他用戶之間的連接(如下文詳細討論的)。

系統(tǒng)100還包括服務平臺107，其包括服務109a-109n(統(tǒng)稱為服務109)。服務109可以包括任意類型的服務，例如社交網(wǎng)絡服務、廣告提供服務、推薦服務、應用提供服務等。在一個實施例中，增量式平臺103的功能可以在服務平臺107上的一個或多個服務109中實現(xiàn)。

系統(tǒng)100還包括內容提供商113a-113n(統(tǒng)稱為內容提供商113)。內容提供商可以為UE 101、增量式平臺103和服務平臺107提供內容。舉例來說，由內容提供商提供的內容可以包括社交網(wǎng)絡內容、廣告內容、應用、多媒體、網(wǎng)站、推薦的內容等。

舉例來說，UE 101、增量式平臺103、服務平臺107和內容提供商113利用已知的、新的或仍在開發(fā)的協(xié)議彼此通信，并且與通信網(wǎng)絡105的其它部件進行通信。在該上下文中，協(xié)議包括一組規(guī)則，其定義基于通過通信鏈路發(fā)送的信息在通信網(wǎng)絡105內的網(wǎng)絡節(jié)點如何彼此交互。協(xié)議在每個節(jié)點內不同的操作層處是有效的：從生成和接收各種類型的物理信號，到選擇用于傳輸這些信號的鏈路，到由這些信號表示的信息格式，到識別在計算機系統(tǒng)上執(zhí)行的哪個軟件應用發(fā)送或接收信息。在開放系統(tǒng)互連(OSI)參考模型中描述了用于通過網(wǎng)絡交換信息的概念上不同的層的協(xié)議。

網(wǎng)絡節(jié)點之間的通信通常通過交換離散的數(shù)據(jù)分組來實現(xiàn)。每個分組通常包括與特定協(xié)議相關聯(lián)的報頭信息以及有效負荷信息，該有效負荷信息在報頭信息之后并且包含可獨立于特定協(xié)議處理的信息。在一些協(xié)議中，分組包括尾部信息，其跟隨在有效負荷之后并表示有效負荷信息的結束。報頭包括例如分組的源、其目的地、有效負荷的長度以及協(xié)議所使用的其它屬性的信息。通常，針對特定協(xié)議的有效負荷中的數(shù)據(jù)包括針對與不同的、OSI參考模型的較高層相關聯(lián)的不同協(xié)議的報頭和有效負荷。針對特定協(xié)議的報頭一般表示在其有效負荷中包含的下一協(xié)議的類型。據(jù)稱，更高層協(xié)議被封裝在較低層協(xié)議中。在遍歷多個異構網(wǎng)絡(例如，互聯(lián)網(wǎng))的分組中包含的報頭一般包括物理(層1)報頭、數(shù)據(jù)鏈路(層2)報頭、互聯(lián)網(wǎng)(層3)報頭和傳輸(層4)報頭、以及由OSI參考模型定義的各種應用(層5、層6和層7)報頭。

圖2是根據(jù)一個實施例的增量式平臺103的部件的示意圖。舉例來說，增量式平臺103包括一個或多個部件，用于通過應用有效的自適應矩陣分解來確定一個或多個推薦。已經(jīng)構思出的是，這些部件的功能可以在一個或多個部件中組合或由等價功能的其它部件執(zhí)行，例如實現(xiàn)于UE 101處的一個或多個應用111中和/或服務提供商107內的一個或多個服務109中。在該實施例中，增量式平臺103包括信息模塊201、優(yōu)化模塊203、訓練模塊205、推薦模塊207和修改模塊209。

信息模塊201收集關于用戶、項目以及與用戶和項目相關聯(lián)的活動的信息。用戶可以與推薦模型相關聯(lián)，所述推薦模型例如通過訪問網(wǎng)站、參與社交網(wǎng)絡服務、傾聽音樂、觀看視頻等(其記錄關于用戶的信息(例如，IP地址、電子郵箱地址、名稱等)以識別用戶)來與增量式平臺103相關聯(lián)。項目可以是用戶例如可以在UE 101上訪問的或者可以由一個或多個服務109、一個或多個內容提供商113等提供的任意種類的電子內容。活動信息可以是與用戶和項目相關聯(lián)的任意類型的信息(例如，評論、喜愛、查看、評價、下載、共享、喜歡、不喜歡等)。舉例來說，用戶可以從網(wǎng)站下載媒體文件，在該情況下，活動可以對應于用戶訪問網(wǎng)站、用戶查看媒體文件、以及用戶下載媒體文件。后續(xù)活動可以例如對應于用戶評價媒體文件，并與朋友共享媒體文件或到媒體文件的鏈接?；顒涌梢耘c用戶、項目或者用戶和項目相關聯(lián)。舉例來說，用戶可以與社交網(wǎng)絡網(wǎng)站上的另一用戶成為朋友，這構成了與項目獨立的用戶的活動。此外，例如通過鏈接到兩個項目(例如，在媒體文件的情況下，通過流派、類型等鏈接兩個項目)的項目的服務提供商(例如，音樂服務提供商等)，項目可以變?yōu)榕c另一項目相關聯(lián)。信息模塊201還確定活動發(fā)生的時間，并且存儲與用戶和項目相關聯(lián)的時間，以用于隨后根據(jù)時間將用戶、項目和活動分類到各個組中。

在一個實施例中，信息模塊201收集由網(wǎng)絡瀏覽器產(chǎn)生的歷史數(shù)據(jù)。例如，當用戶產(chǎn)生活動信息時，信息模塊201將信息按日期分類存儲為歷史數(shù)據(jù)。在一個實施例中，信息模塊201收集在2013年1月1日到2013年12月31日期間的所有歷史數(shù)據(jù)。在2013年每個月中收集到的歷史數(shù)據(jù)可以被認為是子歷史數(shù)據(jù)集，例如D3表示在2013年3月1日到2013年3月3日期間收集到的子歷史數(shù)據(jù)集。

優(yōu)化模塊203可以優(yōu)化用于適應當前矩陣分解模型的參數(shù)α。通過當前矩陣分解模型、臨時矩陣分解模型和參數(shù)α確定適應的矩陣分解模型。在下一時段期間適應的矩陣分解模型(即，推薦模型)是否有效主要取決于參數(shù)α。優(yōu)化模型203可以確定用于參數(shù)α的最優(yōu)值。優(yōu)化模塊203訓練當前數(shù)據(jù)集(在3月1-31日期間收集到的數(shù)據(jù)集)，以獲得臨時矩陣分解模型Q_April。優(yōu)化模塊203將當前數(shù)據(jù)集分裂為至少兩個部分，例如，5個部分。優(yōu)化模塊203使用5個部分之一來進行測試，并使用5個部分的剩余部分進行訓練，以便獲得參數(shù)α的最佳值。在一個實施例中，通過使用當前矩陣分解模型和臨時矩陣分解模型Q，獲得適應的矩陣分解模型(例如，M_April)，例如，M_April＝α×M_March+(1-α)×Q_April。

基于優(yōu)化的參數(shù)，在當前時段結束時，訓練模型205訓練當前矩陣分解模型和當前數(shù)據(jù)集，以獲得在下一時段中用于服務的適應的矩陣分解模型。在一個實施例中，訓練模塊205訓練當前數(shù)據(jù)集來獲得臨時矩陣分解模型。信息模塊201收集大量的用戶歷史數(shù)據(jù)，并以順序方式處理這些數(shù)據(jù)。信息模塊201將所有的用戶歷史數(shù)據(jù)劃分為多個子數(shù)據(jù)集：子數(shù)據(jù)集D₁、子數(shù)據(jù)集D₂、……、子數(shù)據(jù)集D_t-1、子數(shù)據(jù)集D_t、……、子數(shù)據(jù)集D_n，其中t、n∈(2,3,4,…..)并且t≤n。子數(shù)據(jù)集D_t包括在時間t-1和t之間的時段期間收集到的所有的歷史數(shù)據(jù)。訓練模塊205使用子數(shù)據(jù)集D₁來訓練矩陣分解MF模型，表示為M₁。然后，訓練模塊205使用M₁在D₂時段期間進行推薦。在D₂時段結束時，即，在時間t₂和t₃之間的時段，訓練模塊205更新矩陣分解MF模型M₁。在時間t處通過重復迭代過程，在時間t-1處的當前歷史模型是矩陣分解模型M_t-1，并且系統(tǒng)使用在時段t處的子數(shù)據(jù)集(即，D_t)訓練模型M_t。在一個實施例中，在時間t處根據(jù)如下等式更新歷史模型：M_t＝α×M_t-1+(1-α)×Q_t。

推薦模塊207基于由更新模塊205確定出的推薦模型來確定一個或多個推薦。在離線模式中，推薦模塊207基于依據(jù)上次更新時間更新的推薦模型來確定一個或多個推薦。因此，推薦模型基于直到上次更新時間的信息來確定一個或多個推薦。在在線模式中，推薦模塊207基于除了增量式更新(如果適用的話)外的推薦模型來確定一個或多個推薦，所述增量式更新基于在一對用戶內針對兩個用戶在上次更新時間之前和之后發(fā)生的活動。因此，在線模式允許用戶接收更準確的推薦，其不僅考慮用戶的近期活動而且考慮用戶對內的其他用戶的近期活動。然而，通過根據(jù)增量式更新來增量地處理推薦模型的更新，推薦模塊(和增量式平臺103)可以以較小的計算負荷執(zhí)行推薦，因為該確定基于僅以最新活動信息更新的先前計算。推薦模塊207還可以與一個或多個應用111、UE 101的一個或多個用戶接口或其組合相接，用于向UE 101的用戶呈現(xiàn)一個或多個推薦。

修改模塊209確定向用戶呈現(xiàn)的至少一個推薦和/或廣告。可以例如基于在與用戶相關聯(lián)的UE 101a處進行呈現(xiàn)而向用戶呈現(xiàn)推薦和/或廣告。廣告可以基于由增量式平臺103生成的一個或多個推薦，或者廣告可以是不基于特定推薦的一般廣告。修改模塊209還確定與推薦和/或廣告相關聯(lián)的活動，其中該推薦和/或廣告與一個或多個用戶相關聯(lián)。修改模塊209還確定具有與修改模塊209相關聯(lián)的活動的一個或多個用戶是否與呈現(xiàn)推薦和/或廣告的UE 101a的用戶相關聯(lián)或連接。如上文所討論的，在呈現(xiàn)UE 101a的用戶和與廣告相關聯(lián)的一個或多個用戶之間的連接可以例如基于通過一個或多個社交網(wǎng)絡站點、一個或多個網(wǎng)站、一個或多個組織或其組合的連接。如果在呈現(xiàn)推薦和/或廣告的用戶和另一用戶之間存在連接，則修改模塊209可以修改內容的呈現(xiàn)以表示用于推薦和/或廣告的關聯(lián)信息，從而根據(jù)連接用戶的活動，呈現(xiàn)內容的用戶可以遵循推薦和/或廣告。舉例來說，兩個用戶可以通過社交網(wǎng)絡網(wǎng)站相關聯(lián)。因此，如果用戶之一遵循在廣告和/或推薦中呈現(xiàn)的內容，則所述信息可以呈現(xiàn)給另一用戶，從而另一用戶可以遵循連接用戶的活動。此外，舉例而言，用戶可被注冊到提供對項目的專業(yè)評論的特定網(wǎng)站。因此，用戶可以通過注冊到特定網(wǎng)站而連接到各個專家和/或由專家提供的評論。如果向用戶呈現(xiàn)了如下的推薦和/或廣告：專家之一根據(jù)該推薦和/或廣告采取行動和/或遵循該推薦和/或廣告，或者該推薦和/或廣告與由專家之一評論的內容相關聯(lián)，則修改模塊209可以通過修改推薦和/或廣告向用戶提供表示這種信息的關聯(lián)信息。

圖3是根據(jù)一個實施例的通過應用有效的自適應矩陣分解確定一個或多個推薦的過程的流程圖。在一個實施例中，增量式平臺103執(zhí)行過程300，并例如實現(xiàn)于包括如圖10所示的處理器和存儲器的芯片組中。在步驟301中，增量式平臺103至少部分地使得利用當前數(shù)據(jù)集來優(yōu)化用于在當前時段結束時適應當前矩陣分解模型的參數(shù)。如上文所討論的，為了獲得最佳的MF模型(推薦模型)以在下一時段(例如，5月1-31日)中使用，優(yōu)化模塊203可以為參數(shù)α確定最佳值。優(yōu)化模塊203使用當前數(shù)據(jù)集(在4月1-30日期間收集到的數(shù)據(jù)集)來優(yōu)化參數(shù)α，其用于在當前時段結束時(4月30日)適應當前矩陣分解模型。此外，基于優(yōu)化的參數(shù)α，訓練模塊205在當前時段結束時訓練當前矩陣分解模型M_March和當前數(shù)據(jù)集，以獲得用于下一時段(5月1-31日)中的服務的適應的矩陣分解模型M_April。在一個實施例中，對于參數(shù)α來說，系統(tǒng)訓練當前數(shù)據(jù)集(在3月1-31日期間收集到的數(shù)據(jù)集)，以獲得臨時矩陣分解模型Q_April。訓練模塊205將當前數(shù)據(jù)集分裂成至少兩個部分，例如，5個部分。訓練模塊205使用5個部分之一進行測試，并使用5個部分的剩余部分進行訓練，以便獲得參數(shù)α的最佳值。在一個實施例中，通過使用當前矩陣分解模型和臨時矩陣分解模型Q，來獲得適應的矩陣分解模型(例如，M_April)，例如，M_April＝α×M_March+(1-α)×Q_April。

在步驟303中，增量式平臺103至少部分地使得基于優(yōu)化的參數(shù)在當前時段結束時訓練當前矩陣分解模型和當前數(shù)據(jù)集，以獲得用于下一時段中的服務的適應的矩陣分解模型。如上文所討論的，信息模塊201將所有的用戶歷史數(shù)據(jù)劃分為多個子數(shù)據(jù)集：子數(shù)據(jù)集D₁、子數(shù)據(jù)集D₂、……、子數(shù)據(jù)集D_t-1、子數(shù)據(jù)集D_t、……、子數(shù)據(jù)集D_n，其中t、n∈(2,3,4,…..)并且t≤n。子數(shù)據(jù)集D_t包括在時間t-1和t之間的時段期間收集到的所有的歷史數(shù)據(jù)。首先，我們使用子數(shù)據(jù)集D₁來訓練矩陣分解MF模型，表示為M₁。然后，系統(tǒng)使用M₁在D₂時段期間進行推薦。在D₂時段結束時，即，在時間t₂和t₃之間的時段，系統(tǒng)更新矩陣分解MF模型M₁。在時間t處通過重復迭代過程，在時間t-1處的當前歷史模型是矩陣分解模型M_t-1，并且系統(tǒng)使用在時段t處的子數(shù)據(jù)集(即，D_t)訓練模型M_t。鑒于此，系統(tǒng)存儲在2013年1月1日到2013年12月31日期間收集到的歷史數(shù)據(jù)。在2013年每個月中收集到的歷史數(shù)據(jù)可以被認為是子歷史數(shù)據(jù)集，例如，D₃表示在2013年3月1日到2013年3月3日期間收集到的子歷史數(shù)據(jù)集。在一個實施例中，系統(tǒng)從當前時間幀窗口采用近期數(shù)據(jù)(例如，2013年4月中的數(shù)據(jù))。假設系統(tǒng)在2013年4月結束時開始迭代地執(zhí)行對MR模型的訓練，在到達數(shù)據(jù)末尾(也就是，4月30日)之后，系統(tǒng)使用該數(shù)據(jù)集訓練MF模型，并組合該MF模型與初始或基線模型。此外，系統(tǒng)使用上述數(shù)據(jù)集來優(yōu)化模型組合中的參數(shù)α。一旦確定了最優(yōu)參數(shù)α，則系統(tǒng)使用參數(shù)α來重復地將模型組合為一個，作為更新后的基線模型。

在步驟305中，增量式平臺103至少部分地使得利用適應的矩陣分解模型作為在下一時段期間的推薦模型。

圖4是根據(jù)一個實施例的用于確定用于適應矩陣分解的參數(shù)的最優(yōu)值的過程的流程圖。在一個實施例中，增量式平臺103執(zhí)行過程400，并例如實現(xiàn)于包括如圖10所示的處理器和存儲器的芯片組中。如上文所討論的，為了獲得最佳MF模型(推薦模型)以在下一時段(例如，5月1-31日)中使用，系統(tǒng)可以確定參數(shù)α的最佳值。在步驟401中，增量式平臺103至少部分地使得訓練當前數(shù)據(jù)集來獲得臨時矩陣分解模型。在步驟403中，增量式平臺103至少部分地使得將當前數(shù)據(jù)集分裂成至少兩個部分，使用至少兩個部分中的一個進行測試，并使用剩余部分進行訓練，以便獲得參數(shù)。在步驟405中，增量式平臺103至少部分地使得通過使用當前矩陣分解模型和臨時矩陣分解模型獲得適應的矩陣分解模型。

圖5是根據(jù)一個實施例的用于確定用于適應矩陣分解的參數(shù)的最優(yōu)值的過程的流程圖。系統(tǒng)使用當前數(shù)據(jù)集(在4月1-30日期間收集到的數(shù)據(jù)集)來優(yōu)化參數(shù)α，其用于在當前時段結束時(4月30日)適應當前矩陣分解模型。此外，基于優(yōu)化的參數(shù)α，系統(tǒng)在當前時段結束時訓練當前矩陣分解模型M_March和當前數(shù)據(jù)集，以獲得用于下一時段(5月1-31日)中的服務的適應的矩陣分解模型M_April。在一個實施例中，對于參數(shù)α，系統(tǒng)訓練當前數(shù)據(jù)集(在3月1-31日期間收集到的數(shù)據(jù)集)，以獲得臨時矩陣分解模型Q_April。系統(tǒng)將當前數(shù)據(jù)集分裂成至少兩個部分，例如，5個部分。系統(tǒng)使用5個部分之一進行測試，并使用5個部分的剩余部分進行訓練，以便獲得參數(shù)α的最佳值。在一個實施例中，通過使用當前矩陣分解模型和臨時矩陣分解模型Q，來獲得適應的矩陣分解模型(例如，M_April)，例如，M_April＝α×M_March+(1-α)×Q_April。

圖6是根據(jù)一個實施例的通過應用有效的自適應矩陣分解來確定初始推薦的過程的流程圖。在一個實施例中，增量式平臺103執(zhí)行過程600，并例如實現(xiàn)于包括如圖10所示的處理器和存儲器的芯片組中。在步驟601中，增量式平臺103至少部分地使得將初始數(shù)據(jù)集訓練為初始矩陣分解模型。在2013年4月，系統(tǒng)使用在3月1-31日期間收集到的數(shù)據(jù)集來訓練矩陣分解模型M₃，即，初始矩陣分解模型。在步驟603中，增量式平臺103至少部分地使得利用初始矩陣分解模型作為在當前時段中的當前矩陣分解模型。在2013年4月，系統(tǒng)使用在3月1-31日期間收集到的數(shù)據(jù)集來訓練矩陣分解模型M₃，即，初始矩陣分解模型。在2013年4月期間，將矩陣分解模型M₃用作推薦模型，根據(jù)該模型，系統(tǒng)向用戶推薦內容。在一個實施例中，為了減少存儲于服務器中的數(shù)據(jù)，系統(tǒng)在將初始數(shù)據(jù)集訓練為初始矩陣分解模型之后刪除初始數(shù)據(jù)集。例如，在將初始數(shù)據(jù)集訓練為初始矩陣分解模型M_March之后，系統(tǒng)刪除在3月1-31日期間收集到的歷史數(shù)據(jù)。在一個實施例中，當前數(shù)據(jù)集是在當前時段中收集到的活動信息的集合。在一個實施例中，系統(tǒng)使用適應的矩陣分解模型作為在下一時段期間的推薦。例如，系統(tǒng)使用MF模型M_April作為在2013年5月期間的推薦模型。在一個實施例中，系統(tǒng)使用當前數(shù)據(jù)集來在當前時段結束時驗證當前矩陣分解。

圖7是根據(jù)一個實施例的用于提供具有關聯(lián)信息的一個或多個推薦的過程的流程圖。在一個實施例中，增量式平臺103執(zhí)行過程700，并例如實現(xiàn)于包括如圖10所示的處理器和存儲器的芯片組中。在步驟701中，在一個實施例中，增量式平臺103至少部分地基于一個或多個推薦確定至少一個廣告。舉例來說，增量式平臺103可以基于與用戶和/或項目相關聯(lián)的活動信息和與另一用戶和/或項目相關聯(lián)的活動信息的相似性來確定推薦的廣告。

在步驟703中，增量式平臺103至少部分地基于在至少一個用戶和一個或多個用戶之間通過一個或多個社交網(wǎng)絡站點、一個或多個網(wǎng)站、一個或多個組織或者其組合的一個或多個連接，來確定與至少一個用戶相關聯(lián)的一個或多個用戶。如上文所討論的，收集到的信息可以包括在用戶之間通過社交網(wǎng)絡網(wǎng)站、通過各種購物和/或消費者網(wǎng)站、各種專家網(wǎng)站等的連接，或者總計多于僅兩個的、喜歡相同項目或共享相同活動信息的用戶的任意類型的連接。舉例來說，兩個用戶可以是在同一社交網(wǎng)絡網(wǎng)站上的朋友，用戶可以訂購包括提供評論的專家的商品和服務網(wǎng)站，或者用戶可以屬于與著名的名人或運動員相關聯(lián)的粉絲團。根據(jù)所有收集到的信息，增量式平臺103確定用戶之間的連接。

在步驟705中，增量式平臺103確定相對在步驟701中確定出的至少一個廣告而與連接到用戶的一個或多個用戶相關聯(lián)的活動信息。例如，所述一個或多個其他用戶可能喜歡過一廣告，可能已經(jīng)基于推薦或廣告購買了產(chǎn)品，可能已經(jīng)評論和/或評價了與廣告相關聯(lián)的產(chǎn)品。因此，活動可以是與推薦和/或廣告相關聯(lián)的任意類型的活動。

在步驟707中，增量式平臺103至少部分地使得至少部分地基于活動信息、至少部分地基于至少一種顏色、至少一種符號、至少一種評價和/或對應于連接到呈現(xiàn)推薦和/或廣告的用戶的一個或多個用戶的至少一個標識符，來可視化指示。增量式平臺103提供在呈現(xiàn)的廣告和/或推薦內的關聯(lián)信息，其向呈現(xiàn)信息的用戶通知連接的用戶遵循或以其它方式按照向用戶呈現(xiàn)的信息采取行動。舉例來說，增量式平臺103可以修改與廣告相關聯(lián)的顏色，以區(qū)別該廣告和不與連接用戶相關聯(lián)的其它廣告。在一個實施例中，增量式平臺103可以修改與評價相關聯(lián)的顏色，以指示該評價是基于連接用戶而不是僅基于一般用戶的。在一個實施例中，增量式平臺103可以生成按名稱(例如，屏幕名稱、用戶名稱、電子郵件地址、給定名稱等)識別連接用戶的指示，從而呈現(xiàn)指示的用戶可以準確地理解誰遵循廣告和/或推薦或者以其它方式依照廣告和/或推薦采取行動。在步驟709中，增量式平臺103至少部分地使得向至少一個用戶呈現(xiàn)至少一個廣告，其包括至少部分地基于活動信息的指示。因此，用戶能夠基于表明連接用戶是否遵循或以其它方式推銷廣告的指示來更準確地判斷廣告的可信性。

圖8A-8C示出了根據(jù)各種實施例的用于流式數(shù)據(jù)的基于高效矩陣分解的推薦算法的性能。在圖8A-8C中，數(shù)據(jù)集來自網(wǎng)站，例如，www.Douban.com。用戶興趣和項目(URL)信息在低秩隱藏空間中呈現(xiàn)為向量，并且它們隨著時間改變。使用時間序列回歸模型來對用戶和項目向量進行建模。根據(jù)舊模型和新數(shù)據(jù)計算新模型。實驗結果如圖8A-8C所示：

1.圖8A示出了當前新模型(IN)的推薦準確性幾乎與傳統(tǒng)概率矩陣分解(AG)模型相同。

2.圖8B示出了新模型的運行時間幾乎不隨天數(shù)的發(fā)展而改變，而舊模型的運行時間隨著天數(shù)的增加而增長。當累積的天數(shù)有2000那么多時，計算成本與原始模型相比降低了約100倍。

3.圖8C示出了本方法和舊方法相比的存儲效率。這與時間效率的比較非常相似，并且在累積的天數(shù)有2000那么多時，與原始模型相比存儲降低了多于10000倍。

在本文中描述的基于推薦模型的增量式更新確定一個或多個推薦的過程可以有利地經(jīng)由軟件、硬件、固件或者軟件和/或固件和/或硬件的組合來實現(xiàn)。例如，本文描述的過程可以有利地經(jīng)由處理器、數(shù)字信號處理(DSP)芯片、專用集成電路(ASIC)、現(xiàn)場可編程門陣列(FPGA)等來實現(xiàn)。在下文中詳述了執(zhí)行所描述功能的這種示例性硬件。

圖9示出了可以實現(xiàn)本發(fā)明的實施例的計算機系統(tǒng)900。雖然關于特定設備或裝備描述了計算機系統(tǒng)900，但是可以構思出圖9內的其它設備或裝備(例如，網(wǎng)絡元件、服務器等)可以部署圖示的系統(tǒng)900的硬件和部件。計算機系統(tǒng)900被編程為(例如，經(jīng)由計算機程序代碼或指令)基于本文描述的推薦模型的增量式更新來確定一個或多個推薦，并且包括通信機構，例如總線910，用于在計算機系統(tǒng)900的其它內部和外部部件之間傳遞信息。信息(也稱作數(shù)據(jù))可以表示為可測量現(xiàn)象(通常是電壓)的物理表達，但是在其它實施例中包括這種現(xiàn)象：如磁、電磁、壓力、化學、生物、分子、原子、亞原子和量子交互。例如，北磁場和南磁場或者零電壓和非零電壓表示二進制數(shù)位(比特)的兩個狀態(tài)(0、1)。其它現(xiàn)象可以表示更高基數(shù)的數(shù)位。在測量之前多個同時量子狀態(tài)的疊加表示量子位(量子比特)。一個或多個數(shù)位的序列構成用于表示字符的數(shù)量或代碼的數(shù)字數(shù)據(jù)。在一些實施例中，由特定范圍內的可測量值的附近連續(xù)體表示稱為模擬數(shù)據(jù)的信息。計算機系統(tǒng)900或其一部分構成用于執(zhí)行基于推薦模型的增量式更新確定一個或多個推薦的一個或多個步驟的器件。

總線910包括信息的一個或多個平行導體，使得在耦合到總線910的設備之間快速傳輸信息。用于處理信息的一個或多個處理器902與總線910耦合。

處理器(或多個處理器)902執(zhí)行由計算機程序代碼指定的對信息的一組操作，所述計算機程序代碼涉及基于推薦模型的增量式更新確定一個或多個推薦。計算機程序代碼是一組指令或語句，其提供指令以用于操作處理器和/或計算機系統(tǒng)以執(zhí)行指定功能。例如，所述代碼可以以編譯成處理器的本機指令集的計算機編程語言來編寫。還可以直接使用本機指令集(例如，機器語言)編寫代碼。操作集合包括從總線910引入信息以及將信息放置在總線910上。操作集合通常還包括：比較兩個或更多個信息單元，轉移信息單元的位置，以及組合兩個或更多個信息單元，例如通過相加或相乘或邏輯運算，如OR、異或(XOR)和AND?？梢杂商幚砥鲌?zhí)行的操作集合中的每個操作通過信息調用指令(例如，一個或多個數(shù)位的操作代碼)呈現(xiàn)給處理器。將由處理器902執(zhí)行的操作序列(例如，操作代碼序列)構成處理器指令，也稱作計算機系統(tǒng)指令或者簡單地稱為計算機指令。處理器可以實現(xiàn)為單獨的或組合的機械、電、磁、光、化學或量子部件等。

計算機系統(tǒng)900還包括耦合到總線910的存儲器904。存儲器904(例如，隨機存取存儲器(RAM)或任意其它動態(tài)存儲設備)存儲包括處理器指令的信息，所述處理器指令用于基于推薦模型的增量式更新確定一個或多個推薦。動態(tài)存儲器允許存儲于其中的信息被計算機系統(tǒng)900改變。RAM允許存儲于稱作存儲器地址的位置處的信息單元，獨立于鄰近地址處的信息被存儲或取回。存儲器904還被處理器902用于在執(zhí)行處理器指令期間存儲臨時值。計算機系統(tǒng)900還包括只讀存儲器(ROM)906，或者耦合到總線910的任意其它靜態(tài)存儲設備，其用于存儲不被計算機系統(tǒng)900改變的靜態(tài)信息(包括指令)。一些存儲器包括易失性存儲設備，其在掉電時丟失存儲于其上的信息。耦合到總線910的還有非易失性(持久)存儲設備908，例如，磁盤、光盤或閃存卡，用于存儲即使在關閉計算機系統(tǒng)900或以其它方式掉電時仍保存的信息(包括指令)。

從外部輸入設備912(例如，包含由人類用戶操作的字母數(shù)字鍵的鍵盤，麥克風、紅外(IR)遠程遙控、操縱桿、游戲棒、手寫筆、觸摸屏或傳感器)向總線910提供由處理器使用的信息(包括用于基于推薦模型的增量式更新確定一個或多個推薦的指令)。傳感器檢測其附近的狀態(tài)，并將這些檢測變換為物理表達，該物理表達與用于表示計算機系統(tǒng)900中的信息的可測量現(xiàn)象兼容。耦合到總線910主要用于與人類交互的其它外部設備包括：顯示設備14，例如，陰極射線管(CRT)、液晶顯示器(LCD)、發(fā)光二極管(LED)顯示器、有機LED(OLED)顯示器、等離子屏幕、或用于呈現(xiàn)文本或圖像的打印機；以及，定點設備916，例如鼠標、軌跡球、光標方向鍵或運動傳感器，用于控制在顯示器914上呈現(xiàn)的小光標圖像的位置并且發(fā)布與在顯示器914上呈現(xiàn)的圖形元件相關聯(lián)的命令。在一些實施例中，例如，在計算機系統(tǒng)900在無需人類輸入的情況下自動執(zhí)行所有功能的實施例中，省略了外部輸入設備912、顯示設備914和定點設備916中的一個或多個。

在圖示的實施例中，專用硬件(例如，專用集成電路(ASIC)920)耦合到總線910。專用硬件被配置為出于特殊目的足夠快地執(zhí)行未被處理器902執(zhí)行的操作。ASIC的例子包括：圖形加速器卡，用于針對顯示器91生成圖像；密碼板，用于加密和解密通過網(wǎng)絡、語音識別和到特殊外部設備(例如，機器人臂和醫(yī)療掃描設備，其重復執(zhí)行以硬件實現(xiàn)更高效的一些復雜的操作序列)的接口發(fā)送的消息。

計算機系統(tǒng)900還包括耦合到總線910的通信接口970的一個或多個實例。通信接口970提供耦合到多個外部設備的單向或雙向通信，所述外部設備通過其自己的處理器進行操作(例如，打印機、掃描儀和外部盤)。一般而言，耦合是與連接到本地網(wǎng)絡980的網(wǎng)絡鏈路978一起的，具有其自己的處理器的多種外部設備連接到該本地網(wǎng)絡980。例如，通信接口970可以是個人計算機上的并行端口或者串行端口或通用串行總線(USB)端口。在一些實施例中，通信接口970是集成服務數(shù)字網(wǎng)絡(ISDN)卡或數(shù)字用戶線(DSL)卡或者電話調制解調器，其向對應類型的電話線提供信息通信連接。在一些實施例中，通信接口970是電纜調制解調器，其將總線910上的信號轉換為用于通過同軸電纜通信連接的信號，或轉換為用于通過光纖電纜進行通信連接的光信號。作為另一例子，通信接口970可以是局域網(wǎng)(LAN)卡，以提供到可兼容LAN(例如，以太網(wǎng))的數(shù)據(jù)通信連接。還可以實現(xiàn)無線鏈路。對于無線鏈路，通信接口970發(fā)送或接收或者即發(fā)送又接收攜帶信息流(如數(shù)字數(shù)據(jù))的電、聲或電磁信號，包括紅外信號和光信號。例如，在無線手持設備(例如移動電話，如手機)中，通信接口970包括稱作無線電收發(fā)機的無線電頻帶電磁發(fā)送器和接收器。在特定實施例中，通信接口970支持到通信網(wǎng)絡105的連接，用于基于推薦模型的增量式更新確定一個或多個推薦以提供給UE 101。

本文使用的術語“計算機可讀介質”指的是參與向處理器902提供信息的任意介質，包括用于執(zhí)行的指令。這種介質可以采取許多形式，包括但不限于計算機可讀存儲介質(例如，非易失性介質、易失性介質)以及傳輸介質。非瞬態(tài)介質(例如，非易失性介質)例如包括光盤或磁盤，例如存儲設備908。易失性介質例如包括動態(tài)存儲器904。傳輸介質例如包括雙絞線電纜、同軸電纜、銅線、光纖電纜、以及在沒有電線或電纜的情況下穿過空間的載波，例如聲波和電磁波，包括無線電波、光波和紅外波。信號包括振幅、頻率、相位、極化或通過傳輸介質傳輸?shù)钠渌锢韺傩灾械娜嗽焖沧?。計算機可讀介質的公共形式例如包括：軟盤、軟磁盤、硬盤、磁帶、任意其它磁介質、CD-ROM、CDRW、DVD、任意其它光介質、穿孔卡片、紙帶、光標示表單、具有孔圖案或其它光可識別標記的任意其它物理介質、RAM、PROM、EPROM、FLASH-EPROM、EEPROM、閃存、任意其它存儲器芯片或磁帶盒、載波、或計算機可以讀取的任意其它介質。這里所使用的術語“計算機可讀存儲介質”指的是除了傳輸介質外的任意計算機可讀介質。

在一個或多個有形介質中編碼的邏輯包括在計算機可讀存儲介質和專用硬件(例如，ASIC 920)上的處理器指令中的一者或兩者。

網(wǎng)絡鏈路978一般使用傳輸介質通過一個或多個網(wǎng)絡向使用或處理信息的其它設備提供信息通信。例如，網(wǎng)絡鏈路978可以通過本地網(wǎng)絡980向主機計算機982提供連接或向由互聯(lián)網(wǎng)服務提供商(ISP)操作的設備984提供連接。ISP設備984接著通過網(wǎng)絡的公共全球分組交換通信網(wǎng)絡(現(xiàn)今一般稱為互聯(lián)網(wǎng)990)提供數(shù)據(jù)通信服務。

連接到互聯(lián)網(wǎng)的稱作服務器主機992的計算機托管響應于通過互聯(lián)網(wǎng)接收到的信息提供服務的過程。例如，服務器主機992托管提供呈現(xiàn)視頻數(shù)據(jù)以在顯示器914處進行呈現(xiàn)的信息的過程?？梢詷嬎汲?，系統(tǒng)900的部件可以部署在其它計算機系統(tǒng)(例如，主機982和服務器992)內的各種配置中。

本發(fā)明的至少一些實施例涉及使用計算機系統(tǒng)900以用于實現(xiàn)本文描述的一些或所有技術。根據(jù)本發(fā)明的一個實施例，這些技術由計算機系統(tǒng)900響應于處理器902執(zhí)行在存儲器904中包含的一個或多個處理器指令的一個或多個序列而執(zhí)行。這種指令(也稱為計算機指令、軟件和程序代碼)可以從另一計算機可讀介質(例如，存儲設備908或網(wǎng)絡鏈路978)讀取到存儲器904內。執(zhí)行包含于存儲器904中的指令序列使得處理器902執(zhí)行本文描述的一個或多個方法步驟。在替代實施例中，硬件(例如，ASIC920)可以用來替代軟件或與軟件組合使用來實現(xiàn)本發(fā)明。因此，本發(fā)明的實施例不限于硬件和軟件的任意特定組合，除非在本文中另有明確陳述。

經(jīng)由通信接口970通過網(wǎng)絡鏈路978以及其它網(wǎng)絡，向計算機系統(tǒng)900以及從計算機系統(tǒng)900發(fā)送的信號攜帶信息。計算機系統(tǒng)900可以通過網(wǎng)絡980、990等、通過網(wǎng)絡鏈路978和通信接口970發(fā)送和接收信息，包括程序代碼。在使用互聯(lián)網(wǎng)990的例子中，服務器主機992通過互聯(lián)網(wǎng)990、ISP設備984、本地網(wǎng)絡980和通信接口970發(fā)送用于特定應用的、由從計算機900發(fā)送的消息所請求的程序代碼。接收到的代碼可以在其被接收時由處理器902執(zhí)行，或者可被存儲到存儲器904中或存儲設備908中或任意其它非易失性存儲設備中以供后續(xù)執(zhí)行，或者被執(zhí)行且存儲。以這種方式，計算機系統(tǒng)900可以獲得采用載波上的信號形式的應用程序代碼。

在輸送指令或數(shù)據(jù)或兩者的一個或多個序列到處理器902以供執(zhí)行時，可能涉及各種形式的計算機可讀介質。例如，指令和數(shù)據(jù)可以初始攜帶于遠程計算機(例如主機982)的磁盤上。遠程計算機將指令和數(shù)據(jù)加載到其動態(tài)存儲器內，并通過電話線使用調制解調器發(fā)送指令和數(shù)據(jù)。計算機系統(tǒng)900本地的調制解調器接收電話線上的指令和數(shù)據(jù)，并使用紅外線發(fā)射器來將指令和數(shù)據(jù)轉換為用作網(wǎng)絡鏈路978的紅外線載波上的信號。用作通信接口970的紅外線檢測器接收在紅外線信號中攜帶的指令和數(shù)據(jù)，并將呈現(xiàn)指令和數(shù)據(jù)的信息放置在總線910上?？偩€910輸送信息到存儲器904，處理器902利用一些與指令一起發(fā)送的數(shù)據(jù)從存儲器904取回指令并執(zhí)行指令。在存儲器904中接收到的指令和數(shù)據(jù)可以在被處理器902執(zhí)行之前或之后可選地存儲于存儲設備908中。

圖10示出了可以實現(xiàn)本發(fā)明的實施例的芯片組或芯片1000。芯片組1000被編程為如上文所述基于推薦模型的增量式更新確定一個或多個推薦，并且例如包括并入到一個或多個物理封裝(例如，芯片)內的結合圖9描述的處理器和存儲器部件。舉例來說，物理封裝包括在結構組件(例如，基板)上的一個或多個材料、部件和/電線的布置，以提供一種或多種特性，例如，物理強度、尺寸的保護和/或電交互的限制?？梢詷嬎汲?，在特定實施例中，芯片組1000可以實現(xiàn)在單個芯片中。還可以構思出，在特定實施例中，芯片組或芯片1000可以實現(xiàn)為單個“片上系統(tǒng)”。還可以構思出，在特定實施例中，例如不使用單獨的ASIC，并且本文公開的所有相關功能可以由一個或多個處理器來執(zhí)行。芯片組或芯片1000或其一部分構成用于執(zhí)行提供與功能的可用性相關聯(lián)的用戶接口導航信息的一個或多個步驟的器件。芯片組或芯片1000或其一部分構成用于執(zhí)行基于推薦模型的增量式更新確定一個或多個推薦的一個或多個步驟的器件。

在一個實施例中，芯片組或芯片1000包括通信機構(例如，總線1001)，用于在芯片組1000的部件間傳遞信息。處理器1003連接到總線1001以執(zhí)行指令并處理存儲于例如存儲器1005中的信息。處理器1003可以包括一個或多個處理核，每個核被配置為獨立地執(zhí)行。多核處理器支持在單個物理封裝內的多重處理。多核處理器的例子包括兩個、四個、八個或更多個處理核。替代地或另外，處理器1003可以包括一個或多個微處理器，其被配置為經(jīng)由總線1001串聯(lián)，以支持指令的獨立執(zhí)行、流水線和多線程。處理器1003還可以伴隨有一個或多個專用部件來執(zhí)行特定處理功能和任務，例如一個或多個數(shù)字信號處理器(DSP)1007，或者一個或多個專用集成電路(ASIC)1009。DSP 1007通常被配置為獨立于處理器1003實時地處理現(xiàn)實世界的信號(例如，聲音)。類似地，ASIC 1009可被配置為執(zhí)行不易由更通用的處理器執(zhí)行的專用功能。本文描述的幫助執(zhí)行本發(fā)明功能的其它專用部件可以包括一個或多個現(xiàn)場可編程門陣列(FPGA)、一個或多個控制器、一個或多個其它專用計算機芯片。

在一個實施例中，芯片組或芯片1000只包括一個或多個處理器以及支持和/或涉及和/或用于一個或多個處理器的一些軟件和/或固件。

處理器1003和伴隨的部件經(jīng)由總線1001連接到存儲器1005。存儲器1005包括動態(tài)存儲器(例如，RAM、磁盤、可寫光盤等)和靜態(tài)存儲器(例如，ROM、CD-ROM等)，用于存儲可執(zhí)行指令，當該可執(zhí)行指令被執(zhí)行時實現(xiàn)本文描述的發(fā)明步驟以基于推薦模型的增量式更新確定一個或多個推薦。存儲器1005還存儲與執(zhí)行發(fā)明步驟相關聯(lián)的或通過執(zhí)行發(fā)明步驟生成的數(shù)據(jù)。

圖11是根據(jù)一個實施例的能夠在圖1的系統(tǒng)中操作的用于通信的移動終端(例如，手機)的示例性部件的示意圖。在一些實施例中，移動終端1101或其一部分構成用于執(zhí)行基于推薦模型的增量式更新確定一個或多個推薦的一個或多個步驟的器件。一般而言，通常根據(jù)前端和后端特性來定義無線電接收器。接收器的前端包含所有的射頻(RF)電路，而后端包含所有的基帶處理電路。如在本申請中使用的，術語“電路”指的是以下兩種：僅硬件實現(xiàn)方式(例如，只實現(xiàn)于模擬和/或數(shù)字電路中)，以及電路和軟件(和/或固件)的組合(例如，如果可應用到特定的上下文，則是處理器的組合，包括數(shù)字信號處理器、軟件和存儲器，其一起工作以使得裝置(例如，移動電話或服務器)執(zhí)行各種功能)?！半娐贰钡脑摱x適用于在本申請中(包括在任意權利要求中)對該術語的所有使用。作為另一例子，如在該申請中使用的以及如果可應用于特定的上下文，術語“電路”還可以覆蓋僅實現(xiàn)處理器(或多個處理器)及其隨附軟件和/或固件。術語“電路”在可應用于特定的上下文時還可以覆蓋例如在移動電話中的基帶集成電路或應用處理器集成電路，或者在蜂窩網(wǎng)絡設備或其它網(wǎng)絡設備中的類似集成電路。

電話的相關內部部件包括主控制單元(MCU)1103、數(shù)字信號處理器(DSP)1105和接收器/發(fā)送器單元，其包括麥克風增益控制單元和揚聲器增益控制單元。主顯示單元1107為支持各種應用和移動終端功能的用戶提供顯示，所述功能執(zhí)行或支持基于推薦模型的增量式更新確定一個或多個推薦的步驟。顯示器1107包括顯示電路，其被配置為顯示移動終端(例如，移動電話)的用戶接口的至少一部分。另外，顯示器1107和顯示電路被配置為促進用戶控制移動終端的至少一些功能。音頻功能電路1109包括麥克風1111和放大從麥克風1111輸出的語音信號的麥克風放大器。所放大的從麥克風1111輸出的語音信號被饋送到編碼器/解碼器(CODEC)1113。

無線電部分1115放大功率并轉換頻率以便經(jīng)由天線1117與基站通信，所述基站包含于移動通信系統(tǒng)中。功率放大器(PA)1119和發(fā)送器/調制電路操作地響應于MCU 1103，來自PA 1119的輸出耦合到雙工器1121或循環(huán)器或天線開關(如本領域已知的)。PA 1119還耦合到電池接口和功率控制單元1120。

在使用中，移動終端1101的用戶對麥克風1111講話，并且他或她的語音以及任何檢測到的背景噪聲被轉換成模擬電壓。然后通過模擬-數(shù)字轉換器(ADC)1123將模擬電壓轉換為數(shù)字信號。控制單元1103將數(shù)字信號路由到DSP 1105中以在其中進行處理，例如，語音編碼、信道編碼、加密和交織。在一個實施例中，由未單獨示出的單元利用蜂窩傳輸協(xié)議以及任意其它適當?shù)臒o線介質對處理后的語音信號進行編碼，其中，蜂窩傳輸協(xié)議例如是全球演進增強型數(shù)據(jù)速率(EDGE)、通用分組無線業(yè)務(GPRS)、全球移動通信系統(tǒng)(GSM)、互聯(lián)網(wǎng)協(xié)議多媒體子系統(tǒng)(IMS)、通用移動通信系統(tǒng)(UMTS)等；任意其它適當?shù)臒o線介質例如是微波接入(WiMAX)、長期演進(LTE)網(wǎng)絡、碼分多址(CDMA)、寬帶碼分多址(WCDMA)、無線保真(WiFi)、衛(wèi)星等或其任意組合。

然后將編碼后的信號路由到均衡器1125，以補償在通過空氣傳輸期間發(fā)生的任意的依賴于頻率的損害，例如相位和振幅失真。在對比特流進行均衡之后，調制器1127組合信號與在RF接口1129中生成的RF信號。調制器1127通過頻率或相位調制生成正弦波。為了準備用于傳輸?shù)男盘?，升頻轉換器1131組合從調制器1127輸出的正弦波和通過合成器1133生成的另一正弦波，以實現(xiàn)期望的傳輸頻率。然后通過PA 1119發(fā)送信號，以將信號增加到適當?shù)墓β孰娖?。在實際系統(tǒng)中，PA 1119用作可變增益放大器，其增益由DSP 1105根據(jù)從網(wǎng)絡基站接收到的信息進行控制。然后在雙工器1121內過濾信號，并可選地將信號發(fā)送到天線耦合器1135以與阻抗匹配，從而提供最大的功率傳輸。最后，經(jīng)由天線1117將信號傳輸?shù)奖镜鼗尽？梢蕴峁┳詣釉鲆婵刂?AGC)來控制接收器的最終階段的增益?？梢詫⑿盘枏哪抢镛D發(fā)到遠程電話，其可以是另一蜂窩電話、任意其它的移動電話或者連接到公共交換電話網(wǎng)絡(PSTN)或其它電話網(wǎng)絡的陸線。

經(jīng)由天線1117接收發(fā)送到移動終端1101的語音信號，并且由低噪聲放大器(LNA)1137立即放大所述語音信號。降頻轉換器1139降低載波頻率，同時解調器1141去除RF而僅留下數(shù)位流。然后信號經(jīng)過均衡器1125并被DSP 1105處理。數(shù)字-模擬轉換器(DAC)1143轉換信號，并將結果輸出通過揚聲器1145發(fā)送給用戶，這所有都在主控制單元(MCU)1103(其可以實現(xiàn)為中央處理單元(CPU))的控制下。

MCU 1103接收各種信號，包括來自鍵盤1147的輸入信號。鍵盤1147和/或MCU 1103與其它用戶輸入部件(例如，麥克風1111)組合，包括用戶接口電路用于管理用戶輸入。MCU 1103運行用戶接口軟件，以便于用戶控制移動終端1101的至少一些功能，從而基于推薦模型的增量式更新確定一個或多個推薦。MCU 1103還分別將顯示命令和切換命令輸送給顯示器1107和語音輸出切換控制器。此外，MCU 1103與DSP 1105交換信息，并可以訪問可選地并入的SIM卡1149和存儲器1151。另外，MCU 1103執(zhí)行終端所需要的各種控制功能。DSP 1105可以取決于實現(xiàn)方式來對語音信號執(zhí)行多種傳統(tǒng)數(shù)字處理功能中的任一種。另外，DSP 1105根據(jù)由麥克風1111檢測到的信號來確定本地環(huán)境的背景噪聲水平，并將麥克風1111的增益設置為被選擇用于補償移動終端1101的用戶的自然趨勢的水平。

CODEC 1113包括ADC 1123和DAC 1143。存儲器1151存儲各種數(shù)據(jù)(包括呼入音調數(shù)據(jù))，并且能夠存儲例如經(jīng)由全球互聯(lián)網(wǎng)接收到的其它數(shù)據(jù)(包括音樂數(shù)據(jù))。軟件模塊可以駐留在RAM存儲器、閃存、寄存器或本領域已知的任意其它形式的可寫存儲介質中。存儲設備1151可以是但不限于：單個存儲器、CD、DVD、ROM、RAM、EEPROM、光存儲設備、磁盤存儲設備、閃存存儲設備、或能夠存儲數(shù)字數(shù)據(jù)的任意其它非易失性存儲介質。

可選地并入的SIM卡1149例如攜帶重要的信息，例如，蜂窩電話號碼、載波供應服務、訂閱細節(jié)以及安全性信息。SIM卡1149主要用于在無線電網(wǎng)絡上識別移動終端1101。卡1149還包含存儲器，用于存儲個人電話號碼注冊表、文本消息、以及用戶專用移動終端設置。

雖然已經(jīng)結合了多個實施例和實現(xiàn)方式描述了本發(fā)明，但是本發(fā)明不受限于此，而是覆蓋落入所附權利要求的范圍內的各種明顯修改和等價布置。雖然以權利要求之間的特定組合表達了本發(fā)明的特征，但是可以想到可以以任意組合和次序來布置這些特征。