CN102625940A - 互联网偏好学习工具 - Google Patents
互联网偏好学习工具 Download PDFInfo
- Publication number
- CN102625940A CN102625940A CN2010800358261A CN201080035826A CN102625940A CN 102625940 A CN102625940 A CN 102625940A CN 2010800358261 A CN2010800358261 A CN 2010800358261A CN 201080035826 A CN201080035826 A CN 201080035826A CN 102625940 A CN102625940 A CN 102625940A
- Authority
- CN
- China
- Prior art keywords
- user
- preference
- computer program
- program according
- party
- 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
- 230000013016 learning Effects 0.000 title claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims description 158
- 238000004590 computer program Methods 0.000 claims description 68
- 238000010586 diagram Methods 0.000 claims description 29
- 230000000694 effects Effects 0.000 claims description 29
- 238000003058 natural language processing Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000008685 targeting Effects 0.000 abstract 1
- 235000019640 taste Nutrition 0.000 description 159
- 238000000034 method Methods 0.000 description 84
- 239000000047 product Substances 0.000 description 74
- 238000003860 storage Methods 0.000 description 37
- 230000008569 process Effects 0.000 description 36
- 230000015654 memory Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 15
- 238000011835 investigation Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 238000001914 filtration Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 230000008878 coupling Effects 0.000 description 10
- 238000010168 coupling process Methods 0.000 description 10
- 238000005859 coupling reaction Methods 0.000 description 10
- 230000036541 health Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000006854 communication Effects 0.000 description 9
- 230000000295 complement effect Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 239000003814 drug Substances 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 230000001413 cellular effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 235000013305 food Nutrition 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 230000003796 beauty Effects 0.000 description 4
- 230000009194 climbing Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 3
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 description 3
- 235000016213 coffee Nutrition 0.000 description 3
- 235000013353 coffee beverage Nutrition 0.000 description 3
- 239000002537 cosmetic Substances 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 235000015114 espresso Nutrition 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 230000003997 social interaction Effects 0.000 description 3
- 210000003371 toe Anatomy 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 206010000496 acne Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 235000021168 barbecue Nutrition 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 208000035231 inattentive type attention deficit hyperactivity disease Diseases 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 210000000088 lip Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000002874 Acne Vulgaris Diseases 0.000 description 1
- 206010001606 Alcohol problem Diseases 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 208000030814 Eating disease Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 208000019454 Feeding and Eating disease Diseases 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- XQFRJNBWHJMXHO-RRKCRQDMSA-N IDUR Chemical compound C1[C@H](O)[C@@H](CO)O[C@H]1N1C(=O)NC(=O)C(I)=C1 XQFRJNBWHJMXHO-RRKCRQDMSA-N 0.000 description 1
- 244000188472 Ilex paraguariensis Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- 240000007643 Phytolacca americana Species 0.000 description 1
- 208000000453 Skin Neoplasms Diseases 0.000 description 1
- 108010057266 Type A Botulinum Toxins Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 239000002386 air freshener Substances 0.000 description 1
- 208000028505 alcohol-related disease Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000008452 baby food Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 229940089093 botox Drugs 0.000 description 1
- 235000013532 brandy Nutrition 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 235000013351 cheese Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229940112822 chewing gum Drugs 0.000 description 1
- 235000015218 chewing gum Nutrition 0.000 description 1
- 235000019219 chocolate Nutrition 0.000 description 1
- 235000019506 cigar Nutrition 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000002316 cosmetic surgery Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 235000014632 disordered eating Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000007876 drug discovery Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000013350 formula milk Nutrition 0.000 description 1
- 235000012396 frozen pizza Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 208000013403 hyperactivity Diseases 0.000 description 1
- 230000000147 hypnotic effect Effects 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000007443 liposuction Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000009245 menopause Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229940124641 pain reliever Drugs 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 235000019615 sensations Nutrition 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 201000000849 skin cancer Diseases 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 235000015096 spirit Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000475 sunscreen effect Effects 0.000 description 1
- 239000000516 sunscreening agent Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
- 235000013529 tequila Nutrition 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 235000013522 vodka Nutrition 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 235000015041 whisky Nutrition 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
- Compositions Of Macromolecular Compounds (AREA)
- Medicinal Preparation (AREA)
- Information Transfer Between Computers (AREA)
Abstract
在本发明的实施例中,通过利用用户偏好学习工具通过使用计算工具来确定用户的偏好,针对返回到用户的基于网络的响应,描述改进的性能。
Description
相关申请的交叉引用
本申请要求下列申请的优先权:2009年8月12日递交的美国临时申请U.S.61/233,326;2010年2月2日递交的美国临时申请U.S.61/300,511;和2009年6月12日递交的美国申请No.12/483,768,上述每个申请通过引用整体结合于本说明书中。
本申请还与下列美国专利相关:作为2009年6月12日递交的美国申请No.12/483,768的续接案的2009年7月15日递交的美国申请No.12/503,263和2009年7月15日递交的美国申请No.12/503,334,上述每个申请通过引用整体结合于本说明书中。
技术领域
本发明涉及集体知识***,更具体地涉及基于通过用户交互的机器学习来提供基于自然语言计算机的话题建议。
背景技术
话题建议的在线搜索代表对例如通过互联网提供的计算机资源的重要应用。计算机用户当前会采用各种搜索工具来对具体话题搜索建议,但是这么做会需要使用搜索引擎的专门知识,并且会产生需要花时间来筛选、解释和比较的大量搜索结果。人们习惯于以口头自然语言向其他人寻求建议,因此更加接近的模仿人们如何彼此交互的基于计算机的建议工具是有用的。此外,对话题的建议会随着时间改变,建议的任何统计数据库会很快过时。因此,需要适于使用自然语言的改进的话题建议搜索性能(capability),其提供持续的内容改进。
发明内容
本发明可以由计算工具(facility)(例如,机器学习工具)组成,该计算工具可以问用户问题,并根据用户的回答,***可以提供决定,例如,推荐、判断、结论、建议等。在内部,***可以使用机器学习来优化提问哪个问题、并且在问答对话结束时作出什么决定。***可以通过对所提供决定的用户提供反馈(包括确定该决定是否有用)来学习。有用的决定可以增强,并且与以此方式提问的问题和回答相关联。当用户表示决定有用时,***会记忆其提问了哪个问题、每个问题的回答是什么,并且***可以将这些问题和回答与最终决定相关联。在实施例中,这些关联是机器学习的基础,该机器学习会随着时间来学习在下次用户访问***时提问哪个问题。
在实施例中,本发明可以通过使用机器学习工具来帮助用户作出决定。过程可以开始于由机器学习工具从用户接收的初始问题。可以通过搜索界面来接收初始问题,其中最终决定根据初始搜索词、与用户的问题和回答对话、在***中的训练等。然后,可以向用户提供对话,该对话由来自机器学习工具的问题和由用户提供的回答组成。然后,机器学习工具可以根据对话向用户提供适合于初始问题的决定,例如,推荐、判断、结论、建议等。在实施例中,可以通过由用户所提供的反馈,来改进由机器学习工具所提供的未来问题和决定。
在实施例中,由用户提出的初始问题可以是客观问题、主观问题等。可以从广泛的话题范围提供问题,例如,属于产品、个人信息、个人健康、经济健康、商业、政治、教育、娱乐、环境等的话题。问题可以是多项选择问题、是非问题、评分、图像选项、个人问题等形式。问题可以关于用户、由另一用户提供、由专家提供等。问题可以根据先前回答,例如来自与用户的当前对话、来自存储的与用户的先前对话、来自存储的与另一用户的先前对话。问题可以是伪随机问题,例如,测试问题、探索考察问题等,所述探索考察问题帮助选择伪随机决定以期望伪随机决定结果是有用的。问题可以包括至少一个图像作为问题的一部分。问题可以沿着心理统计方面。在实施例中,问题可以不是直接提问用户,而是例如通过IP地址、用户的位置、用户的位置的天气、域名、与路径信息相关的、与当前下载相关的、与当前网络访问相关的、与当前文件访问相关的等,从前后关联信息确定的。
在实施例中,对话可以持续直到机器学习工具对缩减的决定组(例如显示给用户的缩减的决定组、显示给用户的单一决定)产生出高度信心。由机器学习工具所提供的决定可以独立于对话的问题的顺序。当省略对话中的至少一个问题时,决定可以提供替代决定,其中根据机器学习工具具有来自用户的更少信息,替代决定可以不同。决定可以显示决定选项的排名,例如,沿着非传统特征方面对决定进行排名。决定可以显示与决定相关的至少一个图像。决定可以是伪随机决定,以期望伪随机决定结果是有用的,例如伪随机决定是探索考察***的一部分,其中探索考察***可以提高***的有效性、机器学习工具可以从探索考察学习、等等。
在实施例中,所提供的反馈可以有关或来源于用户如何回答对话中的问题、用户如何响应于由机器学习工具所提供的决定、等等。在实施例中,反馈可以是从用户征求的。
在实施例中,用户可以通过输入新信息来对机器学习工具的学习进行扩展,其中新信息可以是他们自己的话题、问题、回答、决定等。机器学习工具可以使用新信息来确定该新信息对于用户是否有用。
在实施例中,专家用户可以通过输入新信息来对机器学习工具的学习进行扩展,其中新信息可以是他们自己的话题、问题、回答、决定等。专家用户输入新问题、回答或决定可以指定当未来用户对问题给出具体回答时***应当怎样排列决定。专家用户还可以指定何时应该提问新问题的前提条件/依赖性。专家用户还可以选择性的输入问题的重要性。
在实施例中,***可以实现为一系列的动态决定树。在与用户的问题和回答对话过程中,给出用户已经提供的回答,***可以查看哪个问题与提问、相关。当用户输入新问题、回答或决定时,他们可以指定哪个问题与哪个回答相关、并且回答如何影响各种决定的相对排列。
在实施例中,***可以根据多个独立因素(例如,决定与在问题和回答对话中由用户指定的客观需求匹配得如何好、和决定与用户的主观需求(例如,用户的品味偏好)匹配的如何好)来推荐决定
在实施例中,用户界面可以被提供用于用户与机器学习工具的交互,例如,用网站界面、即时通讯、语音通信、手机、用SMS等进行连接。
在实施例中,本发明可以通过使用机器学习工具来帮助用户作出决定。过程可以开始于由机器学习工具从用户接收的初始问题,其中初始问题可以与广泛的话题分类(例如,产品、个人、健康、商业、政治、教育、娱乐、环境等)当中的一个相关联。然后,可以向用户提供对话,该对话由来自机器学习工具的问题和由用户提供的回答组成。然后,机器学习工具可以根据对话向用户提供适合于初始问题的决定,例如,推荐、判断、结论、建议等。在实施例中,可以通过由用户所提供的反馈,来改进由机器学习工具所提供的未来问题和决定。
在实施例中,本发明可以通过使用计算工具来帮助用户作出决定。过程可以开始于由计算工具从用户接收的初始问题。然后,可以向用户提供对话,该对话由来自计算工具的问题和由用户提供的回答组成。然后,计算工具可以根据来自多个用户的集合反馈来向用户提供决定。在实施例中,计算工具可以根据从用户接收的反馈来对由计算工具提供的未来问题和决定进行改进。
在实施例中,本发明可以通过使用机器学习工具来帮助用户作出决定。过程可以开始于由机器学习工具从用户接收的初始问题。然后,可以向用户提供对话,该对话由来自机器学习工具的问题和由用户提供的回答组成,其中通过对话提供的问题和回答的数量可以确定决定的质量。然后,机器学习工具可以根据对话向用户提供适合于初始问题的决定,例如,推荐、判断、结论、建议等。在实施例中,可以通过由用户所提供的反馈,来改进由机器学习工具所提供的未来问题和决定。在实施例中,当问题和回答的数量大时(例如,多于10个问题、多于15个问题、多于10个问题等),质量高。在实施例中,当问题1320和回答1322的数量小时(例如,少于10个问题、少于5个问题、少于3个问题、一个问题等),质量低。
在实施例中,本发明可以通过使用机器学习工具来帮助用户作出决定。***可以包括机器学习工具,机器学习工具可以从用户接收初始问题,机器学习工具内的对话工具向用户提供问题并从用户接收回答,机器学习工具将来自决定工具的决定提供至用户,等等。在实施例中,提供至用户的决定可以根据用户和机器学习工具之间的交流,并且适合于初始问题。此外,机器学习工具可以通过从用户接收反馈,来改进由机器学习工具所提供的未来问题和决定。
根据对优选实施例的下列详细描述和附图,对于本领域技术人员,本发明的这些和其他***、方法、目标、特征和优点将显而易见。在本说明书中提到的所有文献都通过引用结合于本说明书中。
附图说明
通过参考下列附图可以理解本发明及其特定实施例的下列详细描述。
图1示出用户可以获得决定的***中的话题的列表。
图2示出***会提问用户的示例问题。
图3示出***会提问用户的示例图片问题。
图4示出***在作出具体决定时显示给用户的信息类型的示例。
图5示出相机的排行列表的示例。
图6示出相机的排行列表的第二示例。
图7示出用户主页的实施例。
图8和8A示出用户的记忆回答的实施例。
图9示出用户向专门知识贡献的选择。
图10示出用户问题的示例。
图11和图11A示出回答格式的实施例。
图12示出话题中的所有决定的示例列表。
图13示出本发明的实施例处理流程。
图14示出本发明的实施例处理流程。
图15示出本发明的框图的实施例。
图16示出实施例贡献者/专家界面主页。
图17示出对于寻求帮助作出决定的用户的实施例客观问题。
图18示出表示具体推荐决定的决定结果的实施例。
图19示出用于用户在属性和决定结果之间设置关联的实施例界面。
图20示出表示用户如何编辑决定结果的实施例。
图21示出表示两个先前修订版本之间对内容和改变的先前修订版本的实施例。
图22示出表示由用户编辑的问题的实施例。
图23示出表示属性的修订历史的实施例。
图24示出可以显示建议的新增领域的操作界面的实施例。
图25示出***提问用户主观问题以学习用户的偏好的实施例。
图26示出显示贡献者的最近活动的活动播报的实施例。
图27示出根据多个方面显示结果的实施例。
图28示出表示响应于用户的非结构化输入的多个问答结果的实施例。
图29示出表示向用户询问其偏好的示例问题的实施例。
图30示出在本发明的实施例中确定的新闻人物Glenn Beck的类似形象。
图31示出在本发明的实施例中确定的人物Martha Steward的类似形象。
图32示出使用第三方API来帮助了解用户的实施例。
图33示出使用第三方API来帮助了解用户并且从用户询问返回到用户的响应定位目标。
图34示出通过使用互联网社交图示来确定未知用户的偏好的实施例。
图35示出用户品味和偏好描绘的改进的实施例。
尽管结合特定优选实施例描述了本发明,但是本领域技术人员可以了解其他实施例并将其他实施例包含在本说明书中。
特此通过引用将本说明书中参考的所有文献结合于本说明书中。
具体实施方式
本发明向用户1314提问问题1320,并根据用户的回答,***可以提供决定,例如,推荐、判断、结论、建议等。在内部,***可以使用机器学习来优化提问哪个问题1320、并且在过程结束时作出什么决定1310。***可以通过对最终决定的用户提供反馈(该决定1310是否有用)来学习。有用的方案可以增强,并且与以此方式提问的问题1320和回答1322相关联。当用户1314认为决定1310有用时,***会记忆其提问了哪个问题1320、每个问题1320的回答1322是什么,并且***可以将这些问题1320和回答1322与最终决定相关联。这些关联是机器学习的基础,该机器学习会随着时间来学习在下次用户1314访问***时提问哪个问题1320。
例如,用户1314可以尝试获得挑选要访问的酒吧。***可以提出问题“你多大了?”并获得回答“30多岁”。最后,***可以向用户1314显示决定“Kelley’s Irish酒吧”。假设用户1314认为这个决定有帮助。***将增加问题“你多大了?”、回答“30多岁”和决定“Kelley’s Irish酒吧”之间的关联。下次用户1314访问网站寻求对酒吧的建议时,***将很有可能提问用户1314“你多大了?”的问题1320,因为过去这个问题1320在帮助用户时有用。如果用户1314以和先前用户1314相同的方式回答问题1320(回答“30多岁”),则***将增加最终决定是“Kelley’sIrish酒吧”的信念。
***可以建立每个用户的品味(taste)、审美偏好等的档案(profile),并通过哪种类型的人喜欢哪个决定1310的反馈来学习。可替换地,专家用户可以指定哪种类型的人喜欢哪种类型的决定1310。可以通过从具体话题中由***提问的问题1320和回答1322的对话的独立处理来引起学习用户的品味档案。例如,用户1314可以通过经具体设计用以理解用户的审美偏好的不同的问答对话,来分别告诉***其品味选择。
用户1314可能不希望花费时间来将他们的全部品味偏好教给***,所以相反在用户1314作出一个具体决定1310的情况下,***可以学习、或专家可以指定全部品味问题1320当中的哪些是要提问的最重要的品味问题。在所有问题的范围之外,***知道找出品味档案,例如,***可能已经学到当用户1314试图找到低于$25,000的轿车时存在最适合的三个具体问题1320。可替换地,要提问对超过$45,000的SUV感兴趣的用户1314,会有完全不同组的三个品味问题。
用户1314可以只告诉***他们的品味偏好,而不告诉任何具体客观问题。在这种情况下,***可以纯粹根据品味在建议领域中提供所有决定1310的排列。所以并不是用户1314说出他们想要$200的傻瓜型(point-and-shot)相机,实际上用户1314要做的是说出他们想要的是喜欢计算机胜过运动的其他都市35岁男子想要的相机。用户1314可以通过使用搜索界面并选择明确标有“适合三十多岁都市男子的相机”的建议领域、而不是“我应当买哪个相机”的建议领域,来指示这个偏好。可替换地,用户1314可以指示他们对就相机作出决定1310感兴趣,然后选择不回答来自***的Q&A对话中的任何问题,因此***将只具有用于向用户1314推荐相机的关于用户1314的主观信息。可替换地,用户1314可以回答对话中的主观和客观问题1320,然后***可以根据组合的关于相机的客观数据和关于相机的主观数据来推荐相机。
用户还可以输入新问题、回答和最终决定。然后***可以用未来用户测试新问题1320,看看问题1320结果在帮助这些用户时是否有用。例如,酒吧推荐服务的用户1314可以贡献问题“你想要喧闹的地方还是安静舒适环境”。***可以决定在未来使用酒吧推荐服务时提问这个问题1320,并且通过上述处理来观察这个问题1320的回答与用户认为有用的推荐之间的相关性。另一方面,用户1314会贡献对帮助用户没有价值的问题1320。例如,用户1314可能贡献问题“你有没有Canon相机”。***会对未来用户测试这个问题1320,没有发现对这个问题1320的回答与用户认为有用的酒吧推荐之间的任何相关性。在这种情况下,问题1320会变得更少被提问,因为这对一个推荐或另一推荐是否有用没有预测性。
***会持续提出问题1320,直到***感觉其非常有信心作出尽可能少的决定。如果***感觉好像其已经提问了太多问题1320并且有使用户烦恼的风险,则***还可以及时停止。***也可以提问至少最小数量的问题1320,以避免用户1314感觉***不可能提问足够多来作出智能决定。
***可以具有容忍来自用户的错误回答的机制。错误回答可能由不理解问题、不理解回答1322或不知道对问题的回答1322的用户1314造成。如果由用户1314给出的大多数回答支持特定决定,则***可以做出决定1310,即使并非用户的全部回答支持该决定。
在实施例中,本发明可以提供***和用户之间的问题1320和回答1322、对用户的决定、和用于改进决定的机器学习当中的至少一项。***可以提供用以产生问题1320和回答1322的改进方法、用以向用户提供决定的改进方法、用以利用机器学习来改进问题1320和由***提供的决定的方法等,其中这些性能当中的任一项可以独立的或组合的用作独立***或结合于第三方***中作为改进性能。在实施例中,这些改进性能当中的每一个可以使用本说明书中描述的机器学习的某种形式。例如,***可以通过学习用户1314在哪种情况下寻求某种信息,来执行与用户1314的问题1320和回答1322对话。例如,***可以学习到天气是一条件,在该条件下用户根据时刻和天气条件而具有不同偏好。当在白天的下雨时刻、并且用户1314寻找电影时,用户1314会更有可能寻找电影票和电影上映的地点。当在夜晚的下雨时刻、并且用户1314寻找电影时,用户1314会更有可能寻找对电影的描述。在另一示例中,***会提供用以向用户提供决定的改进方法,例如,学习用户在白天时相比在夜晚时更喜欢某些格式、与根据年龄的单一决定1310相比提供多个选择、在根据用户的地理位置提出决定1310之前更喜欢更多数量的问题1320等。在另一示例中,***可以提供用以学习用户选择哪个决定1310的改进方式,例如,根据年龄和教育来使用更专业的信息、与在用户1314年长时更多使用传统实践相比当话题时尚且用户1314年轻时更多使用流行选择、当话题个人化时提出关于用户在朋友中的选择的更多问题1320等。
在实施例中,本发明可以提供问题1320和回答的组合、提供决定、并学习提供什么决定,其中一个元素可以不是由***所提供的,例如,当该元素由第三方***提供时。例如,第三方搜索引擎网络应用可以改进他们用于提供来自用户的搜索查询的排序列表的性能,所以会想要利用本发明的用于产生问题1320和回答1322的工具,以增强他们的关键词搜索和排序算法。在这种情况下,第三方搜索引擎提供者可能对本发明的用于产生决定的工具不感兴趣,因为他们的服务在于提供排序列表的业务,而不是有限组的决定。但是,本发明可以搜索引擎提供者提供的重要的新性能在于,本发明的不断改进对用户的问题1320和回答1322的能力,可以使得搜索引擎提供者能够根据本发明的性能来改进他们给用户的排序结果。
在实施例中,可以通过搜索界面来指定建议的初始领域的主题。例如,搜索“意大利的浪漫蜜月”的用户1314会被引导至帮助用户1314决定在意大利哪里度蜜月的网络页面,而不是首先提问用户关于他们想去哪里度假、他们寻找哪种类型的假期等问题。或者用户1314可以搜索意大利的具体地点并被引导至网络页面,该网络页面1)帮助用户1314决定该具体地点是否是适合他们需求的一个好地点(例如,显示出像“这个地点适合蜜月和浪漫之旅、不适合家庭度假”的事项)、并且2)邀请开始对话以帮助用户1314找到替换的和潜在的用以度假的更好意大利的地点。或者,用户1314可以搜索具体产品,然后进入对话来缩小到这些产品中的哪个最适合他们。在情况#1和#2中,所示信息可以基于其他用户在决定作出对话中如何回答问题、然后向该决定提供正反馈。所以如果使用“我应该去哪里度假”话题的很多人对问题“你是否想要浪漫假期”回答“是”、然后对“意大利”给出正反馈,则***将显示意大利是对于通过搜索引擎进入的用户1314的浪漫目的地。可替换地,将决定“意大利”或问题“你是否想要浪漫假期”加入***的用户1314可以明确指示出对问题“你是否想要浪漫假期”的回答“是”应当与意大利关联,因此向通过搜索引擎进入的用户1314显示出意大利是浪漫假期。
在实施例中,本发明提供提出问题、作出决定、和学习以作出更好决定的一些子集的其他组合,例如,使用本发明的工具以作出更好的决定,但是只使用来自专家的输入;不向特定用户提供问题1320和回答1322对话,而是利用前一用户1314与***的交互来提供决定;向用户1314提出问题1320和回答1322以使得***联合未来决定进行学习,但是向用户1314提供奖励而不是决定;提出问题1320和回答并作出决定1310、而不进行任何学习,例如简单的过滤出结果;利用本发明的能力来学习如何作出更好的决定,但是向专家***而不是通过问题1320和回答1322界面向用户提供性能;等等。在实施例中,***可以提供问题1320和回答1322的用户1314对话的全部元素、向用户提供决定、并学习如何改进决定。
在实施例中,输入问题1320的用户1314可以选择性的指定问题的依赖性(dependency)和重要性。依赖性可以控制何时可以提出问题。重要性可以指定不同问题1320之间用于权衡用户1314的回答的相对重要性。如果因为没有一个决定1310结果匹配由用户1314指定的所有回答1322,所以***必须进行权衡,则***可以尝试推荐与优先于较低重要性问题的高重要性问题相匹配的决定结果。***还可以对提问优先于低重要性问题的高重要性问题排出先后次序。例如,输入类似“你想要去美国的哪里度假”的新问题的用户1314依赖性,该依赖性要求在可以提问新问题“你想要去美国的哪里度假”之前、已经对诸如“你想要去世界上哪里”的现有问题回答“美国”。
在实施例中,本发明可以提供具有用户1314界面的***,用户1314可以通过该用户界面与***的工具进行交互。***可以包括多个部分,一些部分可以是网站、管理***(supervisor)、和微件(widget)集合。微件可以是收集、处理和呈现(render)网站上的单项内容的代码的集合。网站可以由用于终端用户、职员、和注册用户来获得决定、编辑决定、和查看***性能报告的界面。管理***可以是用于运行微件的载体,以在用户1314要求显示该内容之前使得微件可以执行耗时的数据收集和处理。
例如,微件可以从互联网收集关于决定的视频。管理***中的微件可以对网络进行抓取(crawl)以搜索关于每个决定1310的视频,并将其找到的视频存储在数据库中。当用户1314访问网站并获得具体决定时,网站可以请求视频微件呈现出自身,并显示出视频微件之前找到的任意视频。
管理呈现的多个例子可以在多个计算机上运行,以按比例扩大微件的处理。每个微件可以在其自己的计算机上运行。类似的,很多计算机可以通过网络服务器、即时通讯、语音网关、电子邮件、程序化API、通过嵌入在第三方网站中等向***提供界面。
在实施例中,属性(attribute)可以是问题1320和对该问题的一个具体回答1322的组合。例如,如果问题1320是“你多大了?”而对该问题1320的回答是“18以下”、“20-30”和“超过30”,则属性将是“你多大了?18以下”。***可以通过学习属性和决定之间的关系来运作。当***提出问题1320并且用户1314给出回答1322时,***可以采用该属性并查看哪个决定与该属性相关联。
在实施例中,***可以了解一些属性代表连续值,而其他的代表离散值。当使用连续属性时,***能够进行更智能的权衡,例如,了解推荐价格低于用户1314要求的产品经常可被接收、但是提供价格高于用户1314要求的产品很少被接收。
在实施例中,可以从用户学习属性和决定之间的关系,该关系被明确提供给***或两者的某些组合灯。例如,根据来自专家、商业网站/API等的数据,“你想要花费多少?低于$200”的价格属性可以明确地与落入该价格范围内的相机联系起来。但是,可以完整的学习属性“你如何使用相机?在度假中”与可能的度假目的地之间的关系。
当输入新问题1320、回答1322和结果时,用户1314可以选择性地执行属性和决定结果之间的关系。例如,如果用户1314将在“我应该购买哪个相机”话题中输入问题1320“你想要花费多少?”,则用户1314还可以向***指定回答“低于$200”应当与相机X和Y关联、而不与相机Z关联。然后,如果未来用户使用“我应该购买哪个相机”话题、并对“你想要花费多少”问题回答答案“低于$200”,用户1314有更大的几率被推荐优先于相机Z的相机X和Y。
在从***寻找建议并接收决定结果之后,还可以从***向用户1314给出为什么推荐该具体决定结果的理由。如果用户1314认为***错误地推荐决定结果,则这种解释还使得用户1314能够改变用于决定结果的属性。
通常,所学习的关系涉及来自用户、转矩、雇员、来自第三方的自动化数据传送(data feeds)、或某些组合。
在实施例中,存在***可以推荐方案、并选择下一问题1320来问用户的各种方式。可能的机器学习***可以是如最近邻(nearest neighbors)和支持向量机(support vector machines)的几何***;概率***;如遗传算法、决策树(decision tree)、神经网络、决策树关联、贝叶斯推断(Bayesian inference)、随机森林、助推法(boosting)、逻辑回归、多面导航(faceted navigation)、查询优化、查询扩展、奇异值分解等的进化***。这些***可以基于来自完全策略运筹(game plays)(例如,在获得绝对之前由用户1314给出的所有属性)的学习、对个别问题的回答/策略运筹的子集、只有正反馈、只有负反馈或两者的某些组合。此外,***可以将用户1314的先前交互考虑在内,例如,记住先前回答的问题、用户1314喜欢或不喜欢的决定、用户1314先前在哪个建议领域中寻找建议等。此外,***可以将由用户1314隐含提供的因素考虑在内,例如,用户1314使用***的时刻和日期、用户1314的IP地址、客户端类型(例如,Firefox、IE、手机、SMS等)、或其他类似数据。
在实施例中,本发明可以提供机器学习***,该***远超过协同过滤(collaborative filtering)的性能,例如,通过明确提问问题1320而不是根据用户的行为隐含学习,该***会更加强大,因为不是交由***来试着推断用户的意图、情绪等。此外,根据用户已经回答了什么来选择要提问用户1314的问题1320,可以使得本发明可以将焦点集中于其他方法将忽略的细微差别。本发明可以具有解释决定的能力,例如,提供超出简单外推形式过往行为(例如“其他购买了X、Y和Z的人还喜欢产品A”)的决定。相反,本发明能够告诉用户1314应当“购买A,因为用户1314认为他们想要X、喜欢Y并且信任Z”。此外,本发明可以使得用户能够共享可能有用的新问题1320,然后自动学习在哪种情况(如果存在的话)下问题1320有用。在另一不同方面,本发明的机器学习技术能够在各种各样的用户1314兴趣领域中提供决定,而协同过滤很难应用于非产品/媒体应用。例如,协同过滤不易于用来帮助用户1314对高度个人化的话题(例如,他们是否应该拥有刺青)或罕见问题1320(例如,在用户的纳税申报表上是否可以减去特别花费)作出决定1310。本发明能够用于这些应用。在实施例中,本发明能够使用与从一群用户学习到的建议内部混合的预编程的专家建议,来向用户做出决定。
在实施例中,***可以具有用于编辑***上的所有数据的维基(wiki)网络界面。网络界面可以用于编辑/创建/删除问题、回答、属性和方案。每个方案还具有与其相关联的多种信息,该信息可以在推荐该方案时显示在决定页面上。例如,当推荐在坎昆(Cancun)度假时,推荐页面可以显示关于坎昆的视频。与方案有关的所有这种辅助数据也可以是可通过维基编辑的。
在实施例中,维基可以用于编辑由在管理***中运行的微件所收集的数据。这使得微件可以提前收集数据,然后使得人工质量保证流程来检查和改变所收集的数据。
在实施例中,***可以保存由微件或人工所进行的所有改变的历史。例如,该历史的一个应用可以是对由所雇佣的进行内容质量保证的承包商所完成的工作进行检查。该历史的另一应用可以保证微件不会重做由人工所完成的工作。例如,如果微件收集具体视频,由于该视频不合适而人工删除该视频,则微件可以使用历史,以不会在未来某个时刻再次添加该视频。最后,如果数据损坏或被错误删除,则历史可以实现恢复方法。
在实施例中,当微件找到新内容时,向用于确认和编辑该内容的人工工作流排列任务。
在实施例中,为了学习,***可以有时作出随机或半随机决定,以期待推荐***不期望有用的某事项,但是该事项结果是有用的。如果***希望使用其已经学习到的内容,则***不会对提问哪个问题1320和作出哪个决定1310进行随机选择。在使用已知内容(也称作开发利用(exploitation))和潜在学习的某项新内容(也称作探索考察(exploration))之间存在权衡。探索考察可以使用户更满意,而探索考察可以使得***更智能。
在实施例中,当选择向用户1314提问的问题1320时进行这种权衡的一种方法是,提问***确信对作出决定1310有用的问题1320、然后挑选少数随机问题1320进行提问。进行这种权衡的另一方法是在每个用户1314交互中有固定安排,其中固定集合的问题1320基于开发利用、并且下一集合基于探索考察。
在实施例中,还可以对决定进行开发利用和探索考察。如果***想要学***衡。在实施例中,当***通过开放利用对比探索考察来提问问题1320或作出决定时,***可以对用户1314进行识别或不进行识别。
在实施例中,***可以被认为向用户调查有关***推荐的各种事项。例如,***可以向用户1314提问关于Canon SD1000相机的问题1320。这可以提供关于每个相机的丰富的数据组,以使得***可以开始建立什么类型的用户1314有可能喜欢该相机的列表。***可以对每个属性建立决定的排序列表,例如,在给定该属性下从最有可能被喜欢的到最不可能被喜欢的。例如,***可以建立相机的列表,以使得说出“你多大了?超过50”的人有可能喜欢。这可以由***显示为针对超过50的用户的前10位相机。根据***的数据,可以构造众多的这些前10位列表。这些列表还可以结合形成新列表。例如,给出对于属性“你多大了?超过50”的相机排序列表和对于属性“你为什么要购买相机?旅游”的另一列表,***可以构造对于“想要旅游相机的超过50岁的年长用户”的相机的新排序列表。这些排行列表的组合可以预先产生、通过渐进地提问用户1314来选择新排行列表而根据需要产生等。
在实施例中,这些“排行列表”可以用于各种用途。有些用户不想要在收到决定之前回答一系列的问题1320。相反,他们能够浏览这些列表,并找到相关决定。***可以具有大量的排行列表,例如数千或数万,每个排行列表可以具有其自己的网络页面。此外,这些页面可以包括由搜索引擎进行索引的大量内容,并且将用户引导至***的网站。可替换地,用户1314可以使用***自身的搜索界面,来找到用户希望决定所处于的建议领域。各种排行列表可以用于通过根据排行列表明确回答对话中的某些问题1320来缩短对话。例如,在对来自“度假”对话的多个问题1320已经回答了:“你想去哪里?欧洲”、“你想去欧洲的哪里?意大利”、“你是否在特别场合下进行旅行?是”、“你的特别场合是什么?蜜月”之后,可以存在称作“度假”的建议领域、和称作“意大利的浪漫蜜月度假”的排行列表,该建议领域和排行列表用作进入“度假”话题的捷径或入口。这可以用作对于用户1314通过传统搜索界面而不参与问题回答对话来寻找建议的替换界面。
在实施例中,网站上的各种液面可以具有称作微件的独立信息显示。例如,决定页面可以具有微件,该微件显示出喜欢这个问题1320的其他人如何回答各种问题、关于决定的视频/图片、到具有关于决定的信息的其他网站的链接、根据用户1314如何回答问题而对这个决定1310的个人化利弊得失、其他类似决定的列表、对问题1320进行不同回答而将作出的其他决定的列表、这个决定的奖励/荣誉的列表(例如,Consume Reports推荐的)等。
在实施例中,***可以使得用户能够通过决定的领域(例如,相机、度假目的地等)、沿着通常不会使用的方面进行导航。例如,并不显示出相机并只让用户1314表达“给我显示出更贵/更便宜的相机”,***可以让用户表达“给我显示出年轻人更喜欢的相机”、“给我显示出更适合旅行且没那么新潮的相机”等。如“风格”、“适合旅行”、“不适合年轻人”等方面可以作为通过提问用户问题1320、然后学习在给出这些回答下什么是好的决定1310的副作用而产生。
在实施例中,沿着替代方面进行导航可以用作用户1314的起始点,代替用户1314选择寻找建议的领域、然后参与对话。用户1314可以通过使用搜索界面或外部搜索引擎来搜索特定决定结果(例如,产品名称或旅行目的地)而开始与***交互。然后,***将向用户显示关于特定决定结果的信息,并使得用户1314可以导航至其他决定结果、参与对话来改进用户1314寻找的内容,或者***可以向用户1314显示***学习到的(通过机器学习、专家建议或某些组合)关于该特定决定结果的信息。例如,用户1314可以使用搜索界面来导航至显示关于Canon SD1100相机的信息的网络页面。***可以显示出寻找Canon SD1100的人还喜欢的其他相机,使得用户1314可以沿着非传统特征方面找到类似相机(例如,更适合对运动赛事拍摄图片的相机),以及显示出***知道的关于CanonSD1100的内容,例如,“极其适合于旅行”、“不适合学习摄影的人”、“低于$200可得到”、“考虑他们的设计意识的人更偏爱”等。
在实施例中,其他可能的界面可以向用户显示出决定列表,并显示出对为何做出每个决定1310的简单解释。例如,当推荐相机时,***可以显示出三个相机,并认为一个“更便宜”、一个具有“更长变焦”、另一个“更适合旅行”。这可以帮助用户1314查看他们在其他方法中不会看到的替代选择,其他方法根据他们如何回答问题1320直至产生决定1310。
在实施例中,可以向用户提问不同类型的问题,例如,关于所推荐的事项的问题1320(价格、颜色等)、关于用户自身的问题1320等。***可以沿着不同方面(例如,心理方面、个人背景方面等)区分用户。预测性的用户的特性可以包括用户的年龄、性别、婚姻状况、他们是否生活在农村/都市地区、前往教堂的频率、政治立场、审美偏好、讽刺感/幽默感、社会经济背景、品味、对整洁/凌乱生活方式的偏好、他们提前计划的程度等。
在实施例中,很难直接提出问题1320,相反,***可以尝试衡量替代相关的事项。例如,替代询问收入,***可以提问用户1314更喜欢去哪里购物(例如,Wal-Mart、Target、Saks等)。可以通过显示艺术品、起居室、衣服等的图片并提问用户1314更喜欢哪种风格来确定审美。在实施例中,图片可以代替问题(和回答可以有关你对这些图片有怎样的反应),或者图片可以代替对问题1320(例如,下列哪个与你喜欢穿的衣服最类似)的回答。
在实施例中,***可以通过问题是关于所推荐事项的还是关于用户的,来对问题1320进行分组。***可以解释其提问的什么类型的问题1320,以帮助用户1314理解所提问的如不然将令人惊讶和有可能冒犯的问题1320的价值。***还可以在提出问题的同时向用户1314显示其他类型的信息,例如,告诉用户1314还剩余多少问题1320、通过表达***已经可以猜到作出哪个决定1310来嘲弄用户1314等。
在实施例中,即时通讯(IM)***可以向***的问题1320和回答1322对话提供自然界面。例如,用户1314可以将我们的***邀请到他们的“好友列表”,然后通过IM发起对话以获得决定1310。***可以向用户即时通讯第一问题1320,然后用户1314可以将他们问题1320即时通讯回路,等等,直到最终***向用户1314即时通讯对决定的链接、或直接向用户即时通讯决定1310的名称。在实施例中,还可以使用其他形式的通讯,例如,手机、SMS、电子邮件等。
在实施例中,***(例如,以应用的形式)可以被嵌入在第三方网站中。例如,***可以被放置在出售相机的网站上,并提供向用户推荐相关相机。可替换地,在用户1314搜索相机、并且得到他们感兴趣的潜在相机的列表之后,***可以提出问题1320,以帮助用户1314在相机列表当中作出决定。例如,如果用户1314考虑的所有相机都适合于旅行,则***将不会提问用户1314想要如何使用相机,但是***可以实现提问是否期望有可更换的镜头,以用于推荐优先于其他的一个相机。
在实施例中,***可以在多个话题领域中作出决定,例如:产品(例如,相机、TV、GPS/导航、家用音响、笔记本电脑、洗浴和美容类、婴儿类、花园/户外类、汽车、珠宝、手表、服装、鞋等)、旅行(例如,去哪里、住在哪里、参观哪个地区、在那里做些什么等)、财务(例如,哪个抵押、是否再提供资金、哪个***、是否可以在税收上减去某事项、存入什么类型的IRA(个人退休金账户)、什么类型的用于投资的资产配置等)、用于各种假日和场合的礼品、其他基于数据的决定(万圣节化装成什么等)、个人事务(例如,关于用户的个性、关于他们的关系、他们的职业等)、推荐适当的宠物、夜生活的饮品和其他方面、书籍、电影、影片/音乐、音乐会、电视节目、视频游戏、去哪吃、预定什么、与名人相关(例如,用户1314最熟悉哪个名人)、推荐礼物、住在什么地段、在电视上看什么等。
在实施例中,例如在技术/IT(例如,计算机、软件、打印机、家用网络、无线网、商用网络、性能问题等)、医疗/健康、汽车、关系或人际问题、居家和建筑问题等领域中,***可以用于判断问题。
在实施例中,***的用户可以是匿名用户或登录用户。登录用户1314可以是已经在网站上创建账号的用户。登录用户还可以具有关于他们的档案页面。档案页面上的内容可以包括关于该用户的基本信息(昵称、图片等)、他们收到和喜欢的决定、***预测用户1314将喜欢的决定(即使用户1314没有在该话题领域中回答问题1320)、关于用户1314的实际情况的列表(该实际情况由用户1314给出,以使得他们不需要每次在用户1314为决定而使用***时被重复)(例如,用户的年龄、或他们的审美偏好可以一次被给出,并在用户使用***的不同时刻被记起)、***认为用户1314可以有资格和有兴趣通过维基进行的任务的列表(例如,检查新用户1314提交的内容、修改用户1314提交的内容中的拼写错误、检查由微件所发现的新内容等)、对问题具有类似回答的其他用户等。
在实施例中,用户还可以具有会影响他们在***上可以做的事情的各种称号、排名或等级。例如,可以给予某些用户在具体话题中的“主持人(moderator)”称号,这将使得这些用户可以编辑这些话题的某些方面。排名和称号可以手动或通过自动装置来指定,例如包括根据他们给出多少决定、他们想***贡献了多少新问题1320或方案、他们使用维基完成了多少任务、他们在各种话题中对某些问题1320的回答1322有多好等。
在实施例中,非登录用户不会具有利用已经被输入到他们的档案中的基于审美或品味的偏好的大量选择来使用***的益处。根据来自登录用户1314的学习或手动训练,当非登录用户在具体话题领域中寻求建议时,***可以在问题对话中选择提问某些审美问题。例如,根据登录用户回答关于他们自身的品味问题、然后对关于他们喜欢和不喜欢哪个汽车给出反馈,***可以学习到,关于用户是否享受美食的问题1320对于提问试着在Toyota和Lexus之间做出决定的非登录用户是有用的。使用所学习的或由登录用户手动指定的属性关联,***然后可以调整其向非登录用户推荐Toyota还是Lexus。
在实施例中,***可以从对决定的用户提交反馈进行学习。某些用户会有意的或无意的给出错误反馈。例如,供应商会试着欺骗(game)***,以使得他们的产品被高度推荐。可替换地,对视频游戏知道不多的用户1314可能推荐实际上并非优秀视频游戏的视频游戏。***可以通过各种方法试着过滤掉来自这些用户的反馈。***可以限制给定用户1314可以提交的反馈的数量(并且如果用户1314是登录的或具有高排名/称号,则具有更高的限制界限)。***还可以根据用户1314在问题1320和回答1322阶段中对某些“测试”问题1320回答得如何以测试用户的主题知识,来限制或权衡反馈,并且相比于无知识的用户,对来自有知识的用户的反馈权重更高。在用户的反馈被计入或用户获得决定之前,***还可以要求用户1314通过“验证码测试”(全自动区分计算机和人类的图灵测试)。***还可以考虑由用户1314给出的一系列回答,并根据这一系列的回答来权衡用户的反馈。例如,如果用户1314总是点击第一回答1322或者用户1314以非常难以置信的方式点击,则***会使用户的反馈权重较低。最后,***可以改变用户的反馈的权重、或者决定不显示出基于先前策略运筹的历史的决定1310。例如,在用户第十次试着获得相机决定1310时,相比于第九次,***可以使他们的反馈权重更小。
在实施例中,***可以包括搜索引擎优化(SEO)、改进***在主搜索引擎内的网站排名的处理。该处理可以被分解成多个几乎全部自动化的步骤,例如,找到用户搜索的关键词、理解搜索引擎中的竞争以使得当用户搜索这些词时出现网站的页面、理解搜索引擎如何对网站进行排名、理解需要对***的网站进行什么改变以对于普通搜索提高网站的排名等。
在实施例中,可以通过不同的方法实现找到用户会搜索的关键词,例如,使用关键词建议工具(例如Google和Yahoo提供的关键词建议工具)、使用与从第三方数据提供者许可的历史搜索有关的数据、并在其他网站进行抓取以查看他们使用什么关键词等。一旦找到这些关键词,***可以以很多方法使用数据,例如,通过搜索引擎营销(SEM)对这些关键词进行竞价(bidding on)、对***的网站上关于这些关键词的内容进行开发以期望在未来获得搜索流量(search traffic)、查看我们的竞争者如何使用这些相同的关键词等。
在实施例中,***通过借由搜索引擎来运行关键词、并查看谁在对每个关键词进行广告和对于每个关键词最前面的自然搜索结果是什么,可以理解其他网站在做什么、他们在搜索引擎中的排名如何。可以对通过这个处理所发现的网站进行抓取,以发现更多潜在的关键词。***还可以决定开发新内容、或避开根据该竞争性信息的市场。如果在内容领域中很少有高排名的网站,则***可以在该领域中开发内容。
在实施例中,***可以理解在网站上的建议的一个话题领域中、将用户1314引导至网站的付费广告相对便宜,而在另一个中昂贵。***因此可以尝试为低成本流量做广告,帮助这些用户1314作出他们的决定,然后推荐这些用户1314在做广告和买入流量成本高的话题领域中使用***。例如,***可以对想要解决他们应该买什么犬种的人发布广告,帮助这些用户1314决定什么犬种适合他们,然后引导他们来解决他们应当去哪购买他们的宠物药品。后一话题领域是由于昂贵的广告费对***来说引起流量进入成本高的领域,而前一话题领域可以相对便宜,所以很少的商家会对想要关于获得哪种类型的狗的建议的消费者展开竞争。
在实施例中,***通过研究在完成搜索时出现的网站与这些网站的要素(factor)之间的关系,可以理解搜索引擎如何对他们的自然(非赞助)搜索结果进行排序。可以与出现的具有高排名的网站相关联的可能要素可以是,诸如网站的内容、链接到该网站的其他网站的数量和质量、这些其他链接网站上的内容的类型等的要素。从先前步骤,***可以产生网站要素的列表,该列表按照网站要素提高在搜索引擎中的网站排名的能力等进行排序。然后,***可以使用该排序列表对网站进行改变,以提高网站整体上、或网站上的某些页面可以在搜素引擎中排名高的可能性。
搜索引擎通常可以利用关键词索引来找到与用户的查询相关的文档。在实施例中,本发明可以利用“决定索引”,该决定索引还可以将用户输入映射到相关文档。索引可以自动建立,转矩可以手动建立索引,索引可以通过来自暗含或明确地决定对***进行训练的不同类型用户的反馈而学习到,等等。使用决定索引的搜索的结果可以显示为文档列表、单一文档等。
参考图1,显示出***中的话题102的列表的实施例,用户可以从该***获得决定,该列表包括相机、蜂窝电话、咖啡和浓咖啡、饮品、最喜欢的名人、GPS装置、烧烤架、万圣节、笔记本电脑、个人事项、脚趾环(toe ring)、电视、假期、视频游戏、手表等。此外,可以有指示器,该指示器关于从用户评分所学习到的决定的数量104,例如,从43,921个用户评分所学习到。
参考图2,提供***可以提问用户1314的示例问题1320的实施例。在本示例中,用户1314寻求与购买相机相关的决定1310,问题1320是“你愿意花费多少?”。用户1314现在可以从选项204中选择,例如,在低于$200、多达$300、多达$500、超过$500、我不知道等之间进行选择。此外,可以存在对于会提问多少问题1320的指示202,例如“在10个或更少问题中,获得与你相似的人首选的相机决定”。在实施例中,用户还可以提供他们自己的问题、他们自己的回答、他们自己的决定等,其中***可以在当前或将来的决定对话中利用该信息。在实施例中,用户1314可以选择跳过问题1320,其中,可以根据从用户获得的数量减少的信息立刻向用户1314提供替代决定、***可以提问用户替代问题1320以弥补跳过的问题208、问题1320可以是测试问题并将不会影响结果决定1310、等等。
参考图3,***会提问用户1314的示例图片问题1320的实施例。在本示例中,***可以提问问题1320,该问题的回答1322可以更好的使***能够确定用户1314的个人特征。例如,如图所示的问题1320提问“这些当中的哪一个最引起你关注?”,其中图片选择304表示出某些话题,例如,污染、金融、国防、健康等。该问题1320可以针对当前用户、或者是被***作为试验性问题。在实施例中,可以通知用户1314该问题1320是试验性问题302,例如图3用写着“最后,请回答由其他用户所提交的试验性问题”的标题所示。
参考图4,显示出在作出具体决定1310时、***可以向用户1314显示出的信息402的类型的示例的实施例。例如,决定1310可以是用于某一相机,其中提供关于相机的信息,例如描述、谁使用它、相机的最佳成本、它与其他相机相比404如何、等等。在实施例中,例如用相对排名408、通过打分、通过百分比匹配等等,可以提供其他决定1310。用户1314还可以被询问反馈1312,例如,被问到决定1310是否是好的决定。此外,可以向用户1314提供找到更多关于决定1310的机会,例如,更多关于产品410、最佳价格发现者412、给出更多建议的网站等。
参考图5和图6,可以向用户1314提供与这里所描述的话题相关联的各种排行列表502,例如,显示出与决定相关联的、与用户的查看排行列表的要求相关联的、等等。
在实施例中,本发明可以向用户提供主页面700,该主页面700包括用户1314标识702、个人表述、过去所作出的决定、供考虑的未来话题、今天714要作出的决定1310等。图7提供用户主页面700的示例,例如,用户1314在登录到***账号时看到的内容。这里,可以显示***推荐的最近决定、获得决定的流行话题的列表708、找到话题的搜索界面710、关于为***作出贡献而获得益处的用户1314的状态更新、最近的活动704、访问用户档案712等。
图8和8A提供用户的档案712页面的示例,该页面示出关于用户和他们的账号的信息。用户1314可以管理用户信息802,例如,用户的电子邮件地址、密码等。他们还可以回答关于他们自身的问题1320,并使得这些问题1320被记住810并在他们使用***中的作出决定话题时被自动利用。用户1314还可以接受奖励804(例如,“徽章”),看到这些奖励在响应于帮助其他用户、对***作出贡献等而接收到时被显示出来。这些奖励当中的某些可以根据用户的贡献的质量、根据贡献的数量等等。此外,用户可以被归属于类似地回答关于他们自身的问题1320的人的个人背景组808。
在实施例中,例如在“教导***”模式中,用户能够决定他们想要向***贡献专门知识902。图9示出可以让用户1314作出贡献(例如对***进行关于各种决定的训练、对图片和用户贡献的文章的质量进行评分、找出重复的项目和问题、贡献新的决定作出话题、对现有话题贡献新问题1320、等等)的各种链接/页面的示例。
在实施例中,用户在选择以供***作出决定的话题之后,用户会被提问问题。图10提供如何将问题1320显示给用户的示例。如图所示,向问题1320显示给用户1314可以提供不同的元素,例如,话题标题1002、与话题相关联的图片或图示1004、问题、一组回答选项等。
在回答问题之后,可以向用户1314提供与用户的原始问题相关联的回答1322或决定1310。图11和11A示出如何将决定1310显示给用户,并且可以包括主要决定、对决定进行总结的信息、替代决定、对决定的改变等。此外,可以向用户1314提供向***提出反馈1312的机会,例如,用户1314是否同意决定1310。例如,根据当前话题、提供的回答、回答的历史、用户的档案、用户的问题历史、其他用户认为有用的话题等,还可以向用户1314提供其他建议的话题1102。
图12示出话题中的决定列表1200的示例。对于产品话题,如图所示,“决定”可以是购买什么产品。对于其他话题,决定1310可以是“是,甩掉他”或“不,不要弄刺青”。根据决定对用户的实质作用、根据用户如何回答问题、根据用户1314如何回答话题中的问题1320等,可以对决定进行排序和排列。此外,可以按照价格、按照名称等对项目进行排序。
图16示出示出贡献者/专家界面主页面1600的示例,该页面示出最近对***的贡献1602、其他用户作出的贡献1604。在右上角,是学习用户的品味偏好的问题1608。
在这种情况下,对于寻找帮助来决定给他们新的小狗起什么名字的用户,图17示出在提问客观问题1700的与***的对话中的问题的示例。
图18示出决定结果的示例,该决定结果示出具体推荐的决定1800(在这种情况下,给你们的狗起名叫Rusty)、来自其他用户的关于该决定的评论1802(它可以被例如与该用户类似的这些用户排在什么位置)、是/否按钮1804(例如,用于接收对该决定的反馈、显示出用户肯可能喜欢的其他决定领域等)、建议的话题1808。在本示例中,在#2标签1810和#3标签1812下列出***的第二和第三最佳推荐的决定。***还可以通过还推荐“外卡(wild card)”决定来参与探索考察,该外卡决定可以是通过随机性部分挑选的决定。根据***认为这些话题对用户的相关性如何、和/或***认为其从用户使用这些其他决定领域能够产生多少利润,可以选择建议的话题1808。
图19示出用户设置属性与决定结果之间的关联的界面1900的示例。在本示例中,决定结果“Rusty”应当与属性“该名字是用于雄性或雌性的狗?雌性”相关联。
图20示出用户可以如何对***中的内容进行编辑的示例2000。在本示例中,用户能够编辑决定结果:它的名字、描述、获得更多信息的URL等。
图21示出可由用户编辑的内容如何还可以具有界面2100,该界面用于查看对内容的先前修订版本、并且示出两个先前修订版本之间的改变。如果这些改变被认为无关或没有帮助,则用户还可以回复由其他用户所作出的改变。在这种情况下,示例显示出对决定结果的两个修订版本之间的差别,其中对结果的描述被改变了。
图22示出显示由用户编辑的问题的示例2200。可以增加新问题,现有问题可以重新排列,可以编辑问题和回答文本本身,等等。例如通过挂锁图标2202所指示,问题可以选择性的被“锁定”,以防止其他用户改变这些问题。
图23示出显示对属性的编辑可以像其他可编辑内容一样具有修订历史的示例2300。该示例示出决定结果“Rusty”和属性“你想要名字具有多少个音节?不超过2或3、或更多也可以”之间的属性关联的两个修订版本之间的差别。
图24示出显示“操作区”画面2400的示例,在该操作区画面中可以首先显示出新增加的建议领域。在实施例中,专家用户可以在这里进行增加,而不让普通用户看到进行中的工作。被认为有异议的、不相关的、或低质量的内容可以经过表决并从***移除。
图25示出显示提问用户品味/主观问题以从用户学习品味和主观偏好的***2500的示例。在回答这些问题之后,***可以显示出对有多少其他用户回答相同的问题进行的统计。
图26示出贡献者在整个网站上的最近活动的活动播报(activityfeed)2600的示例,该网站显示出新增加的内容和专家训练。
在实施例中,本发明可以提供用于提供改进方式的工具,该改进方式在广泛的话题分类中利用问题1320向用户1314提供决定,该话题分类包括产品、个人、健康、商业、政治、教育、娱乐、环境等。例如,***可以对从用户1314是否应该与他们的男朋友分手、到你是否应该拥有刺青、到除了产品决定之外你是否可以在你的税收上减去某事项等的每件事提供决定。在实施例中,***可以对用户1314会具有的任意兴趣提供决定。
在实施例中,本发明可以提供决定***,该决定***是柔性的并且能够改变和成长。这可以部分地通过***使用问题1320和回答对话来做出决定、然后从用户1314获得反馈以使得***可以改进来实现。在实施例中,这个方法会相当作用大,因为***可以提问任何问题1320并因此从用户1314获得更好的关于他们的需求的信息。此外,用户可以通过输入他们自己的问题1320和回答以用于***提问、输入供***作出的新决定等,来扩展***。然后,***可以自动地试验新输入的信息看该信息是否有用,并且可能停止提问/使用对用户没有帮助的问题/决定。在实施例中,这个方法可以提供针对潜在的任何话题来建立基于群体智慧的决定作出***。
在实施例中,本发明还可以通过在非传统特征方面进行排名而提供决定,来向用户1314提供改进的决定工具。例如,替代只按照价格或尺寸对相机进行排序,***可以根据退休人员有多喜欢这些相机、他们看起来有多吸引人等对相机进行排序。***然后可以帮助用户在这些方面巡览。例如,并不是用户只能说出“我喜欢这个相机,但是想要更便宜的相机”,***可以让用户作出如说出“我喜欢这个相机但是想要更适合学习摄影的相机”或“我喜欢这个假期,但是想要具有更活跃的社会场景的假期”的事情。
在实施例中,本发明可以将其自身引导至各种不同的用户界面,例如,网络界面、即时通讯、声音、语音、SMS/即时通讯、第三方应用(例如,第三方上的微件、出售给第三方的网络服务)等。例如,语音界面可以很好地适合于***,因为在***必须认识的非常有限的词汇表(例如,仅仅是对每个问题的可能回答)。以这种方式,如果***不能理解用户响应,则***可以只是转移到另一问题1320,而不是通过反复要求用户重复他们的回答而令用户1314厌烦。在另一示例中,本发明可以集成到第三方网站,例如在电子商务网站上搜索电视,其中本发明是帮助用户1314减少结果的微件,或使用本发明作为与房地产网站相关联的微件,以为用户1314建立MLS查询来找到很匹配他们的房子。在实施例中,本发明可以提供用户界面,该用户界面既在物理界面方面,又在显示出问题、回答和决定的方面,向用户1314提供明显改进的用以对各种话题获得决定的方式。
在实施例中,以例如得以改进第三方的用户界面和用户满意度的方式,本发明可以集成到第三方产品。例如,某些网站服务通过过去的购买历史来提供预测。在这种情况下,本发明能够例如通过提问明确的问题,来探索考察用户的心情和意图。对于搜索引擎,本发明能够检测用户1314什么时候试着作出决定1310,然后开始提问用户接下来的问题。对于论坛网站、邮件列表、新闻小组等,本发明可以提供改进的通向决定的路径、和由与用户类似的人所作出的决定。例如,本发明能够查遍所有的论坛帖子以找到与用户处于相同情形的人,并向用户提供论坛社区推荐的决定1310。
在实施例中,本发明能够扩展电子商务网站应用用户界面。例如,用户1314可以用关键词搜索开始产品搜索,然后提问问题1320来将结果减少到对于用户的最佳决定1310。一旦用户1314点击分类页面,本发明能够提供用于挑选产品的Q&A界面。例如,在网站上点击相机之后,用户1314可以看到第一问题。本发明能够在根据用户如何回答问题的方面对产品排序。例如,根据多少人对问题“你想要相机干什么?”回答“旅游”、然后他们对具体相机给出正反馈还是负反馈,可以从最佳到最差“旅游相机”对相机进行排序。这可以使得电子商务网站能够排列出从最佳到最差旅游相机的相机关键词搜索结果的列表。
在实施例中,根据来自关键词搜索的搜索结果、提问后续问题1320来对结果进行减少或重排、提问问题1320以建立关键词搜索查询或改善搜索查询、根据用户在被提问问题之后点击哪个链接来学习等,本发明能够提供改进的搜索引擎性能,例如,检测用户1314什么时候试着作出决定1310、并转换到Q&A界面。此外,本发明可以隐含的了解用户1314,并根据这些隐含的实际情况(例如,他们在一天当中的什么时刻使用***、他们在世界上什么地方、他们使用什么类型的浏览器、他们所在地的天气等)来改变排名。
在实施例中,本发明可以提供由用户收集和利用信息的方式。例如,***(Wikipedia)是用户贡献信息、以使得终端用户1314必须在某种程度上自己验证随后提供给他们的信息的精确性的方式。以类似方式,本发明可以寄存(host)利用用户贡献信息的网络应用。例如,并不学习相机的价格是什么,该网络应用可以让用户输入相机的价格,然后使得其他用户能够自己验证这些所声称的事项。以此方式,贡献信息的范围可以随着用户与***的交互而有机地增长。
在实施例中,某些电子商务应用可以提供与个人偏好相关联的产品和/或服务,所以可以从本发明获益。例如,当前有几个电影出租网络服务,其中用户1314选择电影以将这些电影通过邮寄运送到用户的家。还根据用户1314过去选择了什么来向用户1314提供决定。但是,选择电影会涉及到在出租时不能由过去的选择决定的的个人兴趣,例如,心情、意图、天气、他们是要独处还是与某人在一起、他们当前的个人关系等。这些类型的兴趣可以通过提问而用本发明进行探索考察,并且就此而言,可以提供对出租时用户的兴趣的更个性化的匹配。
在实施例中,通过使用本发明可以改进本地搜索应用。例如,如果用户1314想要对于去哪里吃晚餐的决定1310,则用户可以搜索“纽约的晚餐”并找到具有针对该查询的建议的网站。但是,在用户1314对于包括什么关键词没有清晰想法时,这个交互作用达不到要求。例如,用户1314可能不知道食物的关键选项,不会想到搜索“纽约的埃塞俄比亚食物”。本发明可以具有能够解决应当提问什么问题1320以减少可能性的优点。在实施例中,本发明可以辅助建立搜索查询。
在实施例中,本发明可以提供使用户和专家相匹配、使用户和基于用户的其他知识相匹配等的改进方式。例如,可以提供服务,以在不同话题上收集用户和专家。然后,用户可以访问该服务的网络界面,并进入确定最佳匹配的Q&A对话。由于这些问题,***可以提供决定,其中提供专家或其他用户1314的档案,并且其中用户1314会被提问他们是否同意所推荐的个人。在实施例中,可以向用户1314提供主页面,在该主页面中先前的匹配和交流可以被保留、转发给朋友、被专家评分等。
在实施例中,本发明可以提供用于基于社区的问题1320和回答1322应用的平台。例如,用户可以将用户1314贴到***,其他用户可以回应。在这样的***中,用户1314可以接收来自单一用户、多个用户、自动化***等的回答,其中用户1314可以选择他们感觉正确的回答1322。该回答1322可以保密、贴出来供其他人查看、贴出作为正确回答、提供给***等。在实施例中,***可以使用问题1320和回答来进一步开发***、向用户提供更精确的回答、对提供给用户的回答进行分类、对提供给用户的回答进行过滤等。此外,***的用户可以对由其他用户提供的回答给出反馈、贡献用于消除不正确回答的过滤标准等。
在实施例中,本发明可以通过这里描述的机器学习性能而用作娱乐。例如,用户1314可以提供输入或想个主意(例如,话题、关键词、分类、问题、感觉等),***可以通过一系列的问题1320和回答来对该输入是什么进行猜测。例如,用户1314可以想个物体(例如,棒球),***可以利用机器学习性能(例如,几何***)来向用户提供问题1320。通常的问题1320可以关于尺寸,例如“它是否比烤面包机大”。然后,可以由用户例如通过多项选择、填空、判断对/错、自由回应等来回答。***然后可以继续问题1320和回答1322序列直到***有一个猜测,并将该猜测提供给用户。在实施例中,这个过程可以持续固定数量的问题、随机数量的问题、用户1314指定数量的问题、***确定数量的问题、***指定数量的问题等。在实施例中,例如通过借由网站的互联网、通过独立计算装置、通过移动计算装置、通过电话装置、通过语音接口、与即时通讯服务相关联、通过文本信息等,***可以向用户1314提供用户界面。在实施例中,可以将***提供至第三方,例如到另一网站的微件、作为到第三方应用的API等。在实施例中,本发明可以使用用于娱乐应用的非神经网络(例如,玩游戏)。
在实施例中,本发明可以提供辅助发现新药品的***,其中该***可以在制成新药品中的分子的选择和组合中提供辅助。例如,***可以提问用户1314关于与化学参数(例如,溶解度、反应率、毒性等)相关联的信息,并将这些信息与问题1320组合以测试用户在识别分子结构方面的专门知识。在问题1320和回答1322的序列过程中,***可以向用户1314提供对于哪个分子结构可以是稳定的和合成的见解。在实施例中,该过程可以持续直到用户1314已经对什么分子结构可以产生新药品具有提高的意识、直到新探索路线的选择可用于展现给用户、直到确认了新的潜在药物等。
在实施例中,本发明可以提供图像查找器应用,其中可以在对满足用户不需要明确知道的某些主观标准的图像进行识别方面辅助用户1314。例如,用户1314可以参与公司的手册的开发,其中他们具有手册的文本,但是需要选择图片来支持该文本试图表达的观点和感情。在这种情况下,用户1314可以对于需要什么类型的相片具有主观想法,但是不需要知道他们可以用关键词指定搜索的范围。相反,用户1314可以首先指定图片的来源,例如来自文件、数据库、网站服务、来自Google图片、来自广告商图片库等。然后,用户1314会被提问一系列问题、或给显示出供选择的一系列图片。然后,用户1314选择的回答和/或选择可以被利用于改进选择,这些选择之后显示给用户,并且从这些选择可以提供进一步的问题1320和/或图像选项。在实施例中,该过程可以持续直到用户1314找到供选择作为最终图像的图像。此外,***可以取得用户的“最终选择”,并选择一组其他类似图像以显示给用户,在这时用户1314可以选择继续进行选项改进的过程。
在实施例中,本发明可以用于婴儿起名应用,其中用户1314可以只具有他们可能喜欢的名字的模糊感觉。用户1314可以首先被提问不同类型的问题1320,这些问题意在向***提供信息以辅助学习用户的偏好,例如关于家庭、朋友、教育、遗传、地理位置、出生地、兴趣爱好、读过的书、看过的电影等的问题1320。然后,***可以通过以多种方式显示出与名字偏好有关联的问题1320来继续学习,例如,对名字评分、从名字列表中选择、回答与名字有关的问题1320等。在实施例中,该过程可以持续直到用户1314找到供选择作为最终名字的名字。此外,***可以获得用户的“最终选择”,并选出一组其他类似名字以显示给用户,在这时用户1314可以选择继续进行选项改进的过程。
在实施例中,本发明可以提供对于多个话题的决定,这些话题包括但不限于视频游戏、笔记本电脑、假期、相机、一般个性、饮品、手机、电视、烧烤架、手表、咖啡机、脚趾环、万圣节、GPS装置、最红的名人、你的个人英雄、总统选举、婴儿玩具、博客、摄像机、汽车、你是哪个星球大战角色、***、头发护理、皮肤护理、欲望城市、我是否应该拥有刺青、职业、多少零用钱、居住的城市、犬种、香水、纽约、邻居选择、软件、台式计算机、DVD播放器和记录器、雪茄、慈善机构、百老汇表演、扬声器、家庭影院***、MP3播放器、计算机网络服务、耳机、存储卡、杂志、书籍、Oprah挑选的书籍、***畅销书、商务休闲服装、特许权、灶具、玩具、教育玩具、运动服装、浓缩咖啡机、我是否应该去希腊、我是否应该出去拜访我的父母、我是否应该要求加薪、我是不是有酗酒问题、我是否应该用药治疗我的注意缺陷障碍/注意缺陷多动障碍孩子、真空吸尘器、洗衣机和干衣机、在初创公司工作是否适合我、加湿器、你是不是良好的朋友、发展成糖尿病的风险、我应该学***餐具组、宠物携带器和狗舍、奶酪、厨房水龙头、休闲鞋、盛装鞋、美容电子产品、我是否为退休存下足够的钱、共同基金选择、牛排切割、我的D&D阵营是什么、痤疮和丘疹药物、浴室水龙头、家庭室外照明、景观照明、割草机、餐前酒、法国白兰地、杜松子酒、朗姆酒、苏格兰威士忌、龙舌兰伏特加、威士忌、拉斯维加斯表演、防晒霜、跑步鞋、美国MBA项目、露台和户外家具、厨房刀具、你是否是真的爱好者、汽车保险、个人法律服务、我是否应该雇佣理财顾问、室内植物选择、快递服务、我可以扣除它吗、泳池加热器、沙发、门牌号、隐形眼镜、生日礼物、我的职业生涯是否处在高峰、电子书、门把手和锁具组、除雪装置、绿色家居改进、儿童服装和泳衣、摩托车头盔、自行车头盔、榨汁机、高尔夫俱乐部、冰箱、酒类冷却器、炉灶和灶具、空调、圣诞礼物、分手阶段、唇疱疹药物、糖尿病监测装置、戒烟、我对我后面的头发做些什么、抵制更年期的荷尔蒙、徒步旅行背包、上学背包、获得网站/域名、电子邮件服务、网页寄存、地毯、电动工具、瓷砖、水加热器、室外粉刷、窗户处理、壁炉罩、室内灯、小公司法律服务、早餐配方、吊顶扇、床垫、拉斯维加斯旅馆和赌场、萨尔萨舞、情人节的爱情测验、在客户礼物上花费多少、周年礼物、户外外套、休闲外套、旅游帐篷、睡袋、轮胎、探险度假、音乐下载、视频下载、婚纱、婚礼主题、曼哈顿健身房、经济型连锁酒店、高尔夫球场、滑雪度假、美国温泉、ETF基金、设计师手袋、我是否应该宣告破产、401k作为房屋的首付款、我是否应该看心理医生、自我防卫、餐具、洗碗机、政党、新年的决心、游轮航线、家庭度假、婴儿食品、婴儿健康护理产品、我是否应该剃头、T恤、在线图片服务、购买毕业戒指、暑期工作/实习、去哪做志愿者、家庭警报***、判断你的关系问题、她/他对我是否有吸引力、我是否应该收养、我的年迈父母是否应该驾车、在线银行账户、烧烤酱、速冻披萨、配方查找、我是否应该将其转赠、健身器材、家庭锻炼装置、我需要睡多少小时、我是否应该考虑整形外科、关节炎的风险、心脏病的风险、骨质疏松的风险、我是否具有赌博问题、要学习的最佳舞蹈、自行车、猫粮、狗粮、爱好推荐、武术、海报艺术、室外花卉选择、你是哪个提线木偶、儿童活动、你的道德如何、我是否应该为我的孩子施洗礼、迈阿密酒店、美国国家公园、汽车用油、汽车视频、女式衬衫、外套、套裙、眼镜框、针织品、面试服装、夹克、便装、裤子、衬衫、裙子、帽子、固定电话线、牛排餐厅、哪种生产方法适合你、夏令营推荐、疯狂三月赛程选择、婴儿配方奶粉、纽约面包店、部分喷气式飞机所有权、我的自信如何、数字相框、我是否需要会计、我的孩子是否有注意缺陷障碍/注意缺陷多动障碍、碎纸机、婴儿监护器、绿色家居改进、会议电话机等。
在实施例中,如图13所示,本发明可以通过使用机器学习工具1302来帮助用户1314作出决定1310。过程可以开始于由机器学习工具1318从用户1314接收1304的初始问题1320。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,例如,推荐、判断、结论、建议等。在实施例中,可以通过由用户1314所提供的反馈1312,来改进由机器学习工具1318所提供的未来问题1320和决定1310。
在实施例中,由用户1314提出的初始问题1304可以是客观问题、主观问题等。可以从广泛的话题范围提供问题1320,例如,属于产品、个人信息、个人健康、经济健康、商业、政治、教育、娱乐、环境等的话题。问题1320可以是多项选择问题、是非问题、评分、图像选项、个人问题等形式。问题1320可以关于用户1314、由另一用户提供、由专家提供等。问题1320可以根据先前回答,例如来自于用户1314的当前对话1308、来自存储的与用户1314的先前对话、来自存储的与另一用户的先前对话1308。问题1320可以是伪随机问题,例如,测试问题、探索考察问题等,所述探索考察问题帮助选择伪随机决定1310以期望伪随机决定1310结果是有用的。问题1320可以包括至少一个图像作为问题的一部分。问题1320可以沿着心理统计方面。在实施例中,问题1320可以不是直接提问用户1314,而是例如通过IP地址、用户的位置、用户的位置的天气、域名、与路径信息相关的、与当前下载相关的、与当前网络访问相关的、与当前文件访问相关的等,从前后关联信息确定的。
在实施例中,对话1308可以持续直到机器学习工具1318对缩减的决定组(例如显示给用户的缩减的决定组、显示给用户的单一决定1310)产生出高度信心。由机器学习工具1318所提供的决定1310可以独立于对话1310的问题的顺序。当省略对话中的至少一个问题1320时,决定1310可以提供替代决定1310,其中根据机器学习工具1318具有来自用户1314的更少信息,替代决定1310可以不同。决定1310可以显示决定选项的排名,例如,沿着非传统特征方面对决定进行排名。决定1310可以显示与决定1310相关的至少一个图像。决定1310可以是伪随机决定,以期望伪随机决定1310结果是有用的,例如伪随机决定是探索考察***的一部分,其中探索考察***可以提高***的有效性、机器学习工具1318可以从探索考察学习、等等。
在实施例中,所提供的反馈1312可以有关或来源于用户1314如何回答对话1308中的问题1320、用户1314如何响应于由机器学习工具1318所提供的决定1310、等等。在实施例中,反馈1312可以是从用户1314征求的。
在实施例中,用户1314可以通过输入新信息来对机器学习工具1318的学习进行扩展,其中新信息可以是他们自己的话题、问题、回答、决定等。机器学习工具1318可以使用新信息来确定该新信息对于用户是否有用。
在实施例中,用户界面可以被提供用于用户与机器学习工具1318的交互,例如,用网站界面、即时通讯、语音通信、手机、用SMS等进行连接。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户作出决定1310。过程可以开始于由机器学习工具1318从用户1314接收的初始问题1304,其中初始问题1304可以与广泛的话题分类(例如,产品、个人、健康、商业、政治、教育、娱乐、环境等)当中的一个相关联。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,例如,推荐、判断、结论、建议等。在实施例中,可以通过由用户1314所提供的反馈1312,来改进由机器学习工具1318所提供的未来问题1320和决定1310。
在实施例中,如图14所示,本发明可以通过使用计算工具1402来帮助用户作出决定1310。过程可以开始于由计算工具1418从用户1314接收的初始问题1304。然后,可以向用户1314提供对话1408,该对话由来自计算工具1402的问题1320和由用户1314提供的回答1322组成。然后,计算工具1418可以根据来自多个用户1314的集合反馈1428来向用户1314提供决定1310。在实施例中,计算工具1418可以根据从用户接收的反馈1412来对由计算工具1418提供的未来问题1320和决定1310进行改进。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户作出决定1310。过程可以开始于由机器学习工具1318从用户1314接收的初始问题1304。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成,其中通过对话1308提供的问题1320和回答1322的数量可以确定决定1310的质量。然后,机器学习工具1318可以根据对话1308向用户提供适合于初始问题1304的决定1310,例如,推荐、判断、结论、建议等。在实施例中,可以通过由用户1314所提供的反馈1312,来改进由机器学习工具1318所提供的未来问题1320和决定1310。在实施例中,当问题1320和回答1322的数量大时(例如,多于10个问题、多于15个问题、多于10个问题等),质量高。在实施例中,当问题1320和回答1322的数量小时(例如,少于10个问题、少于5个问题、少于3个问题、一个问题等),质量低。
在实施例中,如图15所示,本发明可以通过使用机器学习工具1318来帮助用户作出决定1310。***可以包括机器学习工具1318,机器学习工具1318可以从用户1314接收的初始问题1304,机器学习工具1318内的对话工具1502向用户1314提供问题1320并从用户接收回答1322,机器学习工具1318将来自决定工具1504的决定1310提供至用户1314,等等。在实施例中,提供至用户1314的决定1310可以根据用户1314和机器学习工具1318之间的对话1308的交流,并且适合于初始问题1304。此外,机器学习工具1318可以通过反馈工具1508从用户1314接收反馈1312,来改进由机器学习工具1318所提供的未来问题1320和决定1310。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户作出决定1310。过程可以开始于由机器学习工具1318通过第三方(例如,搜索应用、社交网络、服务提供商、比较购物引擎、媒体公司的网络娱乐等)从用户1314接收的初始问题1304。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,例如,推荐、判断、结论、建议等。在实施例中,可以通过由用户1314所提供的反馈1312,来改进由机器学习工具1318所提供的未来问题1320和决定1310。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户作出决定1310。过程可以开始于由机器学习工具1318通过第三方搜索应用从用户1314接收的初始问题1304,其中用户1314在第三方搜索应用上开始关键词搜索,然后向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,其中例如以排序列表的形式,可以将决定1310提供回第三方搜素应用
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户1314作出决定1310。过程可以开始于由机器学习工具1318从用户1314接收的初始问题1304。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成,其中机器学习工具1318可以利用第三方信息、功能、实用程序等。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,例如,推荐、判断、结论、建议等。在实施例中,第三方信息、功能、实用程序等可以包括应用程序接口(API),该应用程序接口能够收集成本信息、产品信息、个人信息、话题信息等。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户1314作出决定1310。过程可以开始于由机器学习工具1318通过第三方搜索应用从用户1314接收的初始问题1304,其中用户1314在第三方搜索应用上开始关键词搜索,然后向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,例如,推荐、判断、结论、建议等。在实施例中,至少部分地根据协同过滤,可以将决定1310提供回第三方搜索应用。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户1314作出决定1310。过程可以开始于由机器学习工具1318从用户1314接收的初始问题1304。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的具有决定1310(例如,推荐、判断、结论、建议等)的至少一个图像。在实施例中,图像可以是相片、绘图、视频图像、广告等。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户1314作出决定1310。过程可以开始于由机器学习工具1318从用户1314接收的初始问题1304。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成,其中可以至少部分地根据从机器学习工具1318的其他用户学习来确定问题1320。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,例如,推荐、判断、结论、建议等。在实施例中,决定1310可以至少部分地根据从由机器学习工具1318的其他用户所提供给的决定1310进行的学习。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户1314作出决定1310。过程可以开始于由机器学习工具1318从用户1314接收的初始问题1304。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,例如,推荐、判断、结论、建议等。在实施例中,决定1310可以至少部分地根据协同过滤。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户1314作出决定1310。过程可以开始于由机器学习工具1318从用户1314接收的初始问题1304。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,例如,推荐、判断、结论、建议等。在实施例中,决定1310可以至少部分地根据协同过滤。在实施例中,决定1310可以至少部分地根据协同过滤,通过对话1308(例如,至少一个为协同过滤提供背景情况的问题)来提供所述协同过滤的背景情况。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户1314作出决定1310。过程可以开始于由机器学习工具1318从用户1314接收的初始问题1304。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,例如,推荐、判断、结论、建议等。在实施例中,决定1310可以至少部分地根据协同过滤。在实施例中,决定1310可以仅仅根据通过机器学习工具1318的多个用户1314所收集的适合于初始问题1304的信息,其中,机器学习工具1318的多个用户1314中的至少一个可以是与对话1308相关联的用户1314。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户1314作出决定1310。过程可以开始于由机器学习工具1318从用户1314接收的初始问题1304。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,并且向用户1314提供有关初始问题1304的主题的有限的初始机器学习工具1318的知识。在实施例中,有限的初始机器学习工具1318的知识可以是种子知识(seed knowledge),可以限制于与初始问题1304的主题相关联的基本知识,可以限制于与初始问题1304的主题相关联的基本知识(其中基础知识是专门知识)。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户1314作出决定1310。过程可以开始于由机器学习工具1318从用户1314接收的初始问题1304。然后,可以向用户1314提供对话1308,该对话由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后,机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的决定1310,例如,推荐、判断、结论、建议等,其中,决定1310可以根据从专家和用户输入的结合进行的学习。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户1314作出决定1310。处理可以开始于由机器学习工具1318从用户1314接收的初始问题1304。然后可以向用户1314提供对话1308,该对话1308由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的基于分类的决定1310,例如,推荐、判断、结论和建议等。
在实施例中,本发明可以通过使用机器学习工具1318来帮助用户1314作出决定1310。处理可以开始于由机器学习工具1318从用户1314接收的初始问题1304。然后可以向用户1314提供对话1308,该对话1308由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成。然后机器学习工具1318可以向用户1314提供决定1310,其中机器学习工具1318可以利用来自机器学习工具1318的多个用户1314的响应来沿着心理统计和个人背景(demographic)方面(dimensions)当中的一个进行分类并提供决定1310。
在实施例中,本发明可以通过使用机器学习工具1318来向用户1314提供响应。可以向用户1314提供对话1308,该对话1308由来自机器学习工具1318的问题1320和由用户1314提供的回答1322组成,其中来自机器学习工具1318的问题1320可以与应用相关,例如,娱乐应用、药物发现应用、婴儿名字应用等。然后机器学习工具1318可以根据对话1308向用户1314提供适合于初始问题1304的响应,例如,推荐、判断、结论和建议等。在实施例中,由机器学习工具1318所提供的未来问题1320和决定1310可以通过由用户1314所提供的反馈1312来改进。
在实施例中,本发明可以根据多个方面来提供结果,例如,根据来自用户输入的背景情况匹配、根据用户的品味档案等的结果。图27示出显示用户查询“fios”的示例搜索界面。在本示例中,排名是根据首先找到作为对于用户查询的良好文本匹配的决定和决定结果(推荐)、然后其次按照***所具有的关于用户的品味档案的知识对决定结果进行排名。在本示例中,“fios”是对于作为针对“我应该使用哪个ISP”2702和“我应该得到什么样的美国卫星/有线服务提供商”2704的推荐的决定结果“Verizon FIOS”的良好文本匹配,并且两者都是根据用户的品味偏好的用户#1排名的结果。
在实施例中,本发明可以响应于用户的非结构化输入而提供多个问题和回答“结果”。例如,图28示出用户的查询是“suv”的情况。第一结果针对话题“我应该购买什么样的新汽车?”2802,但是对于问题“你想购买什么类型的汽车?”已经回答“suv”。这可以提供非结构化搜索和***存储的结构化Q&A数据之间的桥梁。此外,如本示例所示,用户的前3个结果是根据他们的品味档案而个性化显示的。有效地,用户进行关键词搜索,并获得结果,而没有通过传统的Q&A界面明确回答任何问题,例如对于所示示例提供的其他问题“我应该购买哪个BMW”2804、“我应该购买什么样的新款二手车”2808、和“我应该在我的汽车或卡车上使用什么轮胎”2810。
在实施例中,当用户对互相抵触、互相排斥、或者各自独立地对用于用户的结果的排名具有戏剧性影响的问题给出回答时,本发明可以要求用户来表达他们的偏好。例如,用户可以开始“我应该购买什么样的新汽车”话题,并回答他们想要低于$18,000并且实用而不奢华的SUV。***想要获得用户的偏好,关于车辆是SUV或低于$18,000当中什么更重要。图29示出对用户的问题的示例,询问他们的偏好。
在实施例中,***可以学习到一组问题重要性,该问题重要性按照用户、按照决定结果、按照根据决定结果的问题的回答等。例如,***可以学习到用户A在购买小相机时相比价格更关心重量,但是在购买汽车时更关心价格而非其他任何事项。
在实施例中,用户可以通过增加新决定结果来扩展***。这些新决定结果可以选择性的包括到达用以阅读更多关于决定结果的网络页面的链接。***可以自动地将这些链接转变成会员链接(affiliate links),以使得***从链接指向的网站收取佣金。此外,根据由用户提交的链接,***可以识别出这是哪种链接,并且理解如何从例如Amazon.com解析出诸如产品价格的信息,或者解析出产品代码以使得可以进行供应商指定的API调用,以根据产品代码来查找产品信息。
在实施例中,使用降维技术(例如,基于奇异值分解(SVD)、特征向量等的方法),可以将用户群集成群组。***可以显示关于为什么一群用户聚在一起的信息。这样做的一个方法是找到集群在整体上最大的不同在于群体平均的低纬度空间中的前X纬度。来自子空间中的每个纬度上的总体分布的回答的集群分布的发散性,可以用于在他们对于有关每个集群唯一的是什么的解释有多好方面,对纬度进行排序。
在实施例中,子空间中的纬度不易描述或解释,由于他们由很多不同的特征(例如,多少人回答问题或他们喜欢哪个决定结果)组成。解释每个纬度表示什么的一个方法是找到与纬度的不同极端最相关的问题和回答,并用这些问题/回答来标注该纬度。
在实施例中,使用户群集的一个方法是挑选初始随机分组的用户,在集群之间迭代的移动用户以使得在他们自己的集群中彼此不同的用户的数量最小。在某一迭代次数之后,过程停止,或过程可以持续直到已经达到误差的阈值量。
在实施例中,本发明可以通过用户相似性来促进匹配。给定的用户名、电子邮件地址、数值用户标识等以某种方式提供类似或不类似的其他用户的列表。例如,给定的Facebook用户名提供全部的或以某种具体方式(例如,在电子设备方面)具有相似品味的其他Facebook用户的排名列表。此外,该列表可以选择性的限制为例如在社交图中与第一用户相距一度的其他用户(例如,通过我的朋友与我的相似性来对我在Facebook上的朋友进行排序,以使得我可以向最类似我的一个朋友提问问题)。在实施例中,可以通过提问用户关于他们自身的问题、查看他们的社交图、使用如他们的地点的背景情况、IP地址、时间等来计算用户类似性。根据在用户名、电子邮件地址、名字、姓氏、生日、地址、性别和其他类似信息上的启示,可以通过将社交图中的用户映射到其他数据组中的已知用户来使用社交图。可以在社交图中搜索相邻的人,以将更多的人考虑在内,即使这些人更多地从你试图进行“三角测量(triangulate)”的人中移除。例如,结合来自Facebook的具有在Amazon上写有评论的用户的社交图,以在Facebook上找到最像我的用户,然后查看他们倾向于喜欢Amazon上的什么笔记本电脑,以向我给出笔记本电脑推荐。在另一示例中,根据与你类似的人,可以在诸如Yelp、Tripadvisor、Amazon等网站上对评论进行过滤。然后,可以使用该信息来帮助用户,例如,向用户推荐Facebook上的“朋友”、在Twitter上“关注”等。图30和图31提供了可以由本发明提供的类似性档案的示例。
在实施例中,本发明通过替代地推荐转而喜欢/不喜欢某事项的人,可以提供推荐之间的间接标准。本发明可以根据类似用户在Amazon上购买了什么来推荐要购买的物品,根据在Yelp、Zagat、Foursquare等上的类似用户来推荐吃饭的地方,根据类似的人点击了什么来推荐在Google搜索中点击的事项,等等。例如,考虑推荐Twitter的新用户应该关注哪个用户的问题。本发明可以查看Twitter上的所有用户和谁关注他们,并根据用户所回答的关于他们自身的问题,将这些追随者中的某些与本发明关于每个用户的已知事项的数据组相匹配。这还可以将追随者与其他用户(例如,Amazon用户、Yelp用户等)相匹配,以学习有关他们的事项。据此,本发明可以对具体用户(例如Twitter用户)的追随者作出推断。现在,可以向新用户询问他们自身,并找到该新用户与哪个现有用户的追随者最相像。然后,可以产生推荐,以用于新Twitter用户关注追随者与该新用户最相像的现有Twitter用户。
在实施例中,本发明可以促进实时的个性化(real-timepersonalization),例如,作出立即反映来自用户的新信息的推荐,立即使用他们的社交图、关于他们的新实际情况、他们的背景情况(例如,改变位置)等来对推荐重新排序或以其他方式改进结果。
在实施例中,本发明可以根据背景情况(例如,位置、时间、天气、社交图等)来进行匹配,例如,暗含地使用位置来显示出用户可能喜欢去吃饭喝酒的地点、他们可能喜欢去浏览的网站、喜欢做的事等。例如,然后,这个过程可以用于具有通过GPS来访问位置数据的入口的移动应用。可选地,可以通过用户的背景情况的其他部分来告知推荐,例如,当前天气(例如,如果下雨,则不推荐人们只是由于露台而喜欢的地点)、当前时间(例如,不在上午十点推荐***)、日历(例如,了解用户什么时候忙碌和他们未来要求哪里)、社交图(例如,推荐用户的朋友所位于的其他都一样的地点)等。
在实施例中,本发明可以提供自然语言问题和回答界面,以例如能够实现来自用户的关于他们想要受帮助的决定或推荐的、自由形式或非结构化的输入。可以通过提问用户、使其他用户检查该问题、使用类似自然语言处理的自动化技术(即,“这个问题是关于电子装置、旅行、汽车还是某些其他话题?”)等任意一项,来对输入进行分类。
在实施例中,本发明可以找到与请求用户类似的在问题的分类中具有专门知识的用户。例如,用户会想要从在酒店方面具有类似品味并且对L.A.的酒店有所了解(例如,自称的知识、或根据他们的行动而证实的知识)的人,得到关于L.A.的酒店的建议。例如,然后,本发明可以向这些类似用户通告新问题,并请求他们帮助解决该问题。可以考虑他们已经先前被发送了多少问题/通告、他们已经响应了多少、他们的响应有多大帮助等。可以使得类似用户参见与请求用户的对话,以帮助了解请求用户的决定或推荐问题。发生的对话可以被存储以供其他用户使用,并鼓励类似用户将对话索引编入到结构化形式,以辅助其他请求用户之后再调用。
本发明可以提供第三方网站,该第三方网站具有例如独立于同***的直接用户交互之外的了解他们的用户、找到类似用户、并作出推荐的能力。在实施例中,本发明可以提供品味和偏好API,第三方(例如,第三方寄存他们自己的网站)可以使用该品味和偏好API来了解用户的品味、偏好、喜欢的、不喜欢的和其他属性,其中用户不参与同本发明的计算工具的直接对话或交互。例如,用户可以访问网站(例如,Amazon.com)并查询产品。在这种情况下,Amazon可以寄存本发明的API,该API能够生成或增强用户的品味和偏好档案以更好的确定用户的品味、偏好等,因而使得第三方能够对于用户的查询改进返回到用户的有意义的目标响应(target response)。在实施例中,第三方可以使用API例如通过借助与用户的先前交互来确定用户的品味和偏好来确定用户的品味、偏好等,而需要用户交互,其中这些先前交互可以来自第三方网站(例如,在本示例中是Amazon)上的先前交互、或来自与寄存类似API的其他网站的先前交互、或通过与本发明的工具的直接交互。在实施例中,可以通过多个用户来使用API,以使得与这些用户的交互可以用于识别其他类似用户,并且因而使用这些其他类似用户的选择、决定、挑选、推荐等来帮助本用户选择推荐。在实施例中,这些其他类似用户可以与寄存有API的第三方相关联、或来自另一寄存API网站、或来自本发明的工具。在实施例中,对于与用户的品味、偏好、喜欢的、不喜欢的、属性等相关的推荐,使用由第三方网站所寄存的本发明的API可以向第三方网站提供显著优点。
在实施例中,可以通过其他用户(例如,其他类似用户、在社交网络中与用户联系的其他用户、通过个人或专业活动而相关联的其他用户、属于朋友或家人的其他用户等)来确定或补充用户的品味和偏好。在实施例中,这可以不需要提问用户问题而完成。例如,用户可以具有如通过本发明所建立的现有品味和偏好档案,可以通过收集或推断有关在社交网络、家庭、商业场所等中的其他用户的信息来改进该档案。在实施例中,通过推断来自其他类似用户、或显示出与该用户具有某些联系的用户(例如通过社交网络)的附加品味和偏好,可以改进用户的档案。在实施例中,通过由其他类似用户例如在产品挑选、推荐等中所作出的选择,可以改进用户的档案。在实施例中,***可以通过已知用户对他们喜欢和不喜欢的事项进行评分、或通过使用自然语言处理来了解用户的品味档案(例如,通过分析用户对他们的用户档案如何标注来推断品味档案)。
参考图32,在实施例中,本发明提供在计算机可读介质中具体化的计算机程序产品,当在一个或多个计算机上执行时,该计算机程序产品通过执行下列步骤帮助第三方网站通过使用计算工具3202来了解用户:(1)向第三方网站3220提供用户偏好学习API,以确定如适用于第三方市场的用户3218的偏好,其中偏好学习API执行作为计算工具3204的扩展;(2)接收与第三方市场相关的第三方信息3208;(3)收集用户3218的偏好,并将这些偏好存储作为用户偏好档案3210;(4)在第三方网站3220接收来自用户的与第三方市场相关联的查询3212;和(5)根据用户偏好档案和第三方信息来向第三方提供推荐,以帮助第三方回答所接收的查询3214。在实施例中,可以通过使用自然语言处理来确定偏好。计算工具可以是机器学习工具。第三方信息可以由来自产品制造商的产品信息、来自网络零售商的产品信息、来自其他网站的价格信息、来自其他网站的可得性信息、来自零售商的价格信息、来自零售商的可得性信息、评论、注解和评分当中的至少一项组成。偏好学习API可以收集成本信息、产品信息、个人信息和话题信息当中的至少一项。此外,用户档案偏好可以附加地根据从用户的社交网络推断的信息,其中用户可以不接受用户与计算工具之间的附加对话。
参考图33,本发明可以提供使用品味和偏好API,以针对返回到用户的目标响应,例如,用于目标广告、显示来自类似用户的评论、推荐产品或服务、显示社交网络上的类似的人、根据类似用户最多点击哪个结果来对搜索结果排序等。在实施例中,本发明可以提供在计算机可读介质中具体化的计算机程序产品,当在一个或多个计算机上执行时,该计算机程序产品通过执行下列步骤通过使用计算工具3302来帮助返回到用户的目标响应:(1)向第三方网站3320提供用户偏好学习API,以确定如适用于第三方市场的用户的偏好,其中偏好学习API执行作为计算工具3304的扩展;(2)接收与第三方市场相关的第三方信息3308;(3)收集用户3318的偏好,并将这些偏好存储作为用户偏好档案3310;(4)在第三方网站接收来自用户3318的查询3312;和(5)在用户偏好学习API中使用与第三方市场相关的第三方信息、和存储在用户偏好档案中的用户3318的偏好,以提供与来自用户3314的查询相关的返回到用户3318的响应。在实施例中,计算工具可以是机器学习工具。
响应可以向用户提供广告,其中广告可以根据被存储在用户偏好档案中的用户的偏好。广告由计算工具提供、能够通过从计算工具提供至第三方的偏好而通过第三方提供、传送到用户的社交网络中的其他用户、等等。响应可以提供与第三方市场相关的产品、服务等的推荐。收集至少第二用户的偏好可以形成用于第二用户的用户偏好档案,根据对偏好档案的对比来确定第二用户与该用户类似。响应可以提供由第二用户作出的推荐。对第二用户的偏好的收集可以获取自基于互联网的社交结构,响应向用户提供信息,该信息显示第二用户作为该结构上的类似的人,其中基于互联网的社交结构可以是社交网络。收集至少第二用户的偏好可以包括搜索结果选择,查询可以是搜索请求,响应可以是根据至少第二用户的搜索结果选择所排序的搜索结果。选择可以来自由用户所作出的推荐、购买和搜索结果选择。选择可以来自表现出用户的位置行为的来源。来源可以是例如来自网络服务foursquare,yelp,Google,Gowalla,Facebook等的用户位置信息。来源可以是来自网络提供商的用户位置信息。第三方信息可以由来自产品制造商的产品信息、来自网络零售商的产品信息、来自其他网站的价格信息、来自其他网站的可得性信息、来自零售商的价格信息、来自零售商的可得性信息、评论、注解和评分当中的至少一项组成。可以通过使用自然语言处理来确定偏好。API可以实现收集价格信息、产品信息、个人信息、话题信息等。收集可以来自在基于互联网的社交结构中所表现的用户的交互,其中基于互联网的社交结构可以是社交网络。响应可以是按照评论作者与阅读评论的用户的类似性所分类的评论的列表。收集用户的偏好可以通过第三方网站。可以通过抓取第三方网站来进行收集。
在实施例中,本发明可以利用品味和偏好API,第三方(例如,第三方寄存他们自己的网站)可以使用该品味和偏好API来根据用户的偏好向用户投放目标广告,其中用户不参与同本发明的计算工具的直接对话或交互。例如,用户可能先前已经经过与***的问题和回答的对话,通过该对话,***可以开发出用户的品味和偏好档案。在实施例中,可以直接用本发明的工具、或通过由本发明提供的第三方API来提供对话。可替换地,用户可能从来没有与本发明的工具交互,其中可以通过用户的交互、响应、推荐、评论等来生成并更新用户的品味和偏好档案。在实施例中,***可以通过已知用户对他们喜欢和不喜欢的事项进行评分、或通过使用自然语言处理来了解用户的品味档案(例如,通过分析用户对他们的用户档案如何标注来推断品味档案)。然后,用户的品味和偏好档案可以用于向用户投放目标广告,例如投放与用户的品味和偏好相匹配的广告。例如,第三方品味和偏好API可以与户外商店网站(例如,L.L.Bean,REI,EMS等)相关联,其中户外商店试着改进他们向他们的顾客投放广告的目标。然后,顾客可以访问户外商店网站,并查询产品(例如,登山鞋)。然后,品味和偏好API可以能够查看用户的品味和偏好,以建立广告位置与用户的浏览器的匹配。在本示例中,用户的品味和偏好档案可以表示出用户喜欢到新西兰旅行、喜欢宿营、拥有带小孩的家庭等。结果,与网站相关联的广告工具可以选择广告,该广告利用用户查询中的信息(在这种情况下是登山鞋)和来自用户的品味和偏好档案的信息。这种情况下的广告适合在White Mountains上住宿,该广告结合了用户的登山鞋查询与用户对在新西兰旅行的偏好。此外,因为用户喜欢家庭旅行和反映出用户的偏好的属性,所以宿可以是家庭住宿。在实施例中,第三方品味和偏好API可以使得第三方能够改进他们向用户投放广告的目标,以使得他们能够增加来自广告赞助商的在给定广告位置上所产生的佣金。在实施例中,因为聚焦在用户的即时查询上,所以用户品味和偏好档案可以实时发展。例如在随后改进的产品搜索过程中、在购买时等,可以搜集品味和偏好,以更好的向用户投放目标广告。
在实施例中,根据通过用户的社交网络推断出的品味和偏好,广告可以目标针对用户或与用户相关联的一群个体。例如,由第三方所使用的品味和偏好API可以用于建立例如在用户的社交网络中的群组、节点群集(node cluster)等的品味和偏好。在实施例中,从社交网络推断的品味和偏好可以利用先前例如通过第三方网站或通过与本发明直接关联的工具所形成的品味和偏好档案。然后,这些品味和偏好可以用于更好的向用户、或用户的社交网络中的成员投放目标广告。在示例中,第三方会想要向用户投放目标广告,其中用户已经建立了存储在本发明的工具中的品味和偏好档案。然后,第三方可以利用用户的档案中的信息来投放目标广告。可替换地,第三方可以附加地利用从用户作为其中一部分的社交网络推断出的信息,例如,适合于社交网络的话题的信息、在社交网络中与该用户相关联的用户的共同兴趣等。例如,用户可以具有表示出用户是中年、政治上保守、农村生活等的品味和偏好档案,并且该用户与社交网络中的以打猎作为主要兴趣的用户相关联。在这种情况下,第三方可以投放用于打猎装备、打猎旅行等的目标广告,其中广告是根据用户的现有品味和偏好、加上来自用户的社交网络的推断所选择的。在实施例中,这可以不需要使用户参与本说明书中描述的对话,而是例如在第三方网站上、通过第三方网站提供的信息、在本发明具有第三方API的其他网站上等间接通过用户的交互来完成。在实施例中,第三方还可以利用来自用户的品味和偏好来向用户的社交网络的其他成员投放目标广告。
在实施例中,根据具有类似品味和偏好的用户的产品选择、推荐等,可以将对用户投放广告作为目标。例如,第一用户可以与第二用户具有类似品味和偏好,其中第一用户具有现有品味和偏好档案、并且已经做出某些产品选择、推荐等。然后,根据第一用户的决定,广告可以目标针对第二用户。例如,第一用户可以具有表示出他们是年长、退休、生活在California、喜欢旅行等的档案,其中他们先前已经对于行李箱做出产品选择。然后,根据两个用户的品味和偏好的类似性,可以向第二用户提供类似行李箱的推荐。在实施例中,这可以不需要使任一用户参与对话而执行。
在实施例中,本发明可以提供在计算机可读介质中具体化的计算机程序产品,当在一个或多个计算机上执行时,该计算机程序产品通过执行下列步骤通过使用计算工具来向用户投放目标广告:(1)向第三方网站提供用户偏好学习API,以确定如适用于第三方市场的用户的偏好,其中偏好学习API执行作为计算工具的扩展;(2)接收与第三方市场相关的第三方信息;(3)收集用户的偏好,并将这些偏好存储作为用户偏好档案;(4)在第三方网站接收来自用户的与第三方市场相关联的查询;和(5)向用户提供广告,其中广告根据用户的确定的偏好。在实施例中,可以通过使用自然语言处理来确定偏好。可以通过计算工具来提供广告。能够通过从计算工具提供至第三方的偏好,可以通过第三方来提供广告。API可以实现收集价格信息、产品信息、个人信息、话题信息。决定也可以根据从用户的社交网络推断的信息。例如通过社交网络,可以将广告发送至与该用户相关联的其他用户。
在实施例中,本发明可以提供品味和偏好API,第三方可以使用该品味和偏好API向用户提供来自类似用户的评论,其中用户和类似用户可以不需要参加直接与本发明的计算工具的对话或交互。例如,品味和偏好API可以使得本发明能够收集用户的品味和偏好信息、向第三方提供来自先前建立的品味和偏好档案的用户的品味和偏好信息、根据用户的近期行为来向第三方提供用户的品味和偏好信息等。在实施例中,用户可能从来没有与本发明的工具交互,其中可以通过用户的交互、响应、推荐、评论等来生成并更新用户的品味和偏好档案。在实施例中,***可以通过已知用户对他们喜欢和不喜欢的事项进行评分、或通过使用自然语言处理来了解用户的品味档案(例如,通过分析用户对他们的用户档案如何标注来推断品味档案)。在这种情况下,类似用户可以具有先前建立的品味和偏好档案,并就此而言可以具有与用户相匹配的品味和偏好档案。此外,这些类似用户可以具有与他们的档案相关联的评论。***现在可以将用户匹配到类似用户,然后向用户提供相关评论。例如,用户可以利用***(例如,直接利用计算工具或通过至少一个第三方API)而具有现有品味和偏好档案,并且会想要知道其他类似用户对某些产品、服务、人、事情等有什么考虑。然后,***可以在本用户感兴趣的主题上搜索类似用户的品味和偏好档案。以这种方式,***现在可以向本用户提供来自类似用户的评论等,因此根据他们的品味和偏好来帮助本用户确定他们会想要做什么。例如,用户会访问利用本发明的品味和偏好API的产品网站,并且对数码相机的评论感兴趣。第三方现在可以找到类似用户,然后搜索这些类似用户的数码相机评论,并将评论提供给当前用户。在实施例中,评论可以存在于第三方工具上、另一第三方工具上、本发明的工具上等。在实施例中,显示出类似用户的评论的能力可以使得用户能够以更有时间效率的方式访问更多的相关评论,并且API的第三方用户可以向他们的用户提供提供更有针对性和相关的支持。
在实施例中,本发明可以提供品味和偏好API,第三方可以使用该品味和偏好API来向用户提供来自类似用户的评论,其中通过本发明将用户确定为类似的并不需要类似用户参与对话。例如,可以通过社交网络、朋友、家人、工作等来将类似用户识别为类似的。在示例中,用户可以通过社交网络与第二用户相关联,通过这种关联,例如通过年龄、兴趣等用户可以被确定为“类似的”。然后,类似用户可以提供例如对于产品、活动等的评论。然后,可以将该评论提供给通过与其他用户的类似性而相关的用户。在实施例中,可以通过在其他话题上的类似推荐并例如结合其他因素,来确定类似用户,其中其他因素可以是社会交往。
在实施例中,本发明可以提供在计算机可读介质中具体化的计算机程序产品,当在一个或多个计算机上执行时,该计算机程序产品通过执行下列步骤通过使用计算工具来帮助用户找到类似用户的评论:(1)向第三方网站提供用户偏好学习API,以确定用户的偏好,其中偏好学习API执行作为计算工具的扩展;(2)收集多个用户的偏好,其中多个用户包括该用户;(3)将用户的偏好存储在品味和偏好数据库中,该品味和偏好数据库包括多个品味和偏好档案;(4)通过第三方品味和偏好学习API,接收用户对于来自具有类似品味和偏好的用户的话题评论的请求;(5)在品味和偏好数据库中对用户的偏好与至少一个其他用户的偏好进行匹配;(6)搜索来自匹配的其他用户当中的与话题评论请求相关的评论;和(7)将评论提供给用户。在实施例中,可以通过使用自然语言处理来确定偏好。可以在计算工具、第三方的工具等内找到评论。计算工具可以是机器学习工具。偏好学习API可以实现收集价格信息、产品信息、个人信息、话题信息等。可以通过不具有品味和偏好档案的类似用户来提供评论,其中可以通过社会交往来确定该用户是类似的,其中社会交往可以是社交网络。
在实施例中,本发明可以提供品味和偏好API,第三方可以使用该品味和偏好API来推荐产品、服务等。例如,用户可以访问第三方网站,以搜索对于产品的推荐,然后第三方网站可以利用品味和偏好API来更好的理解用户通常更喜欢什么,并根据该偏好,推荐产品。在示例中,用户1314可以访问音频商店网站,以查找对于用于从他们的iPhone播放音乐的音频***的推荐。然后,第三方可以通过API利用用户的现有品味和偏好。在本示例中,用户的品味和偏好可以表示出他们是大学生,并且在他们的社交生活中经常奔波。根据该信息,第三方现在可以做出推荐,例如,推荐便携、小巧、强劲等的音频***。可替换地,第三方可以使用品味和偏好API来确定用户在查询时他们的品味和偏好,例如目标针对查询、第三方的背景情况、总体上适合用户等。第三方可以单独地、或与通过本发明的先前品味和偏好档案相结合地来使用该新品味和偏好信息,以作出推荐。如通过第三方建立的品味和偏好现在可以被存储在本发明的工具中,以例如再次地、或与通过其他第三方API产生的新品味和偏好相结合地、或通过本发明的工具直接地来使用。在实施例中,使用品味和偏好API的能力可以改进通过第三方网站作出的对于产品、服务等的推荐。
在实施例中,本发明可以提供品味和偏好API,第三方可以使用该品味和偏好API来根据类似用户的行为向用户推荐产品、服务等。例如,两个用户可以具有先前使用本发明建立的品味和偏好档案,其中一个用户已经选择了产品、服务等,其中第三方现在可以根据他们的类似性(例如通过他们的档案所确定)向另一用户提供推荐。在示例中,两个用户可以通过他们的品味和偏好档案(例如,通过他们的年龄、位置、政治观点、社会活动等)而被确定为类似。然后,第一用户可以选择产品(例如汽车)。在第二类似用户例如通过搜索、广告选择、向本发明的明确问题等而对汽车表示出兴趣的情况下,由于他们的类似性,本发明可以向第二用户提供汽车选择作为潜在的符合。在实施例中,这可以通过不向一个或两个用户提供对话而完成。
在实施例中,本发明可以提供在计算机可读介质中具体化的计算机程序产品,当在一个或多个计算机上执行时,该计算机程序产品通过执行下列步骤通过使用计算工具来帮助用户找到推荐:(1)向第三方网站提供用户偏好学习API,以确定如适用于第三方的产品和服务的用户的偏好,其中偏好学习API执行作为计算工具的扩展;(2)接收与第三方的产品和服务相关的第三方信息;(3)收集用户的偏好,并将这些偏好存储作为用户偏好档案,其中收集的来源来自用户在互联网上的交互;(4)在第三方网站接收来自用户的查询,该查询与第三方的产品和服务当中的至少一项相关联;和(5)从计算工具向用户提供对于产品和服务当中的至少一项的推荐,其中推荐根据用户的查询和确定的偏好。在实施例中,可以通过使用自然语言处理来确定偏好。收集可以来自于互联网上的第三方网站;互联网上的多个第三方网站;由用户作出的推荐、购买和搜索结果选择当中的至少一项;等等。计算工具可以是机器学习工具。第三方信息可以由来自产品制造商的产品信息、来自网络零售商的产品信息、来自其他网站的价格信息、来自其他网站的可得性信息、来自零售商的价格信息、来自零售商的可得性信息、评论、注解和评分组成。偏好学习API可以收集成本信息、产品信息、个人信息和话题信息等。可以从第二类似用户的行动得出偏好,其中可以通过用户和第二类似用户的品味和偏好档案来确定类似性。第二类似用户的行动可以是对产品和服务当中的至少一项的选择。
在实施例中,本发明可以提供品味和偏好API,第三方社交网站可以使用该品味和偏好API以向用户显示出在社交网络上与他们类似的人。可以作为列表、作为相片、按照区域、按照年龄、按照性别等来显示这些类似的人。例如,用户可以访问社交网站,并要求查看或被连接到与他们类似的人。然后,社交网站可以利用品味和偏好API来向用户提供对话,以确定他们例如通常对于社交场合、对于社交网络、对于活动、对于音乐、对于个人等的品味和偏好。可替换地,用户可能已经具有直接通过本发明的工具、通过另一第三方API、通过社交网站等所确定的品味和偏好档案。然后,社交网络可以使用该信息,例如通过其他人先前确定的品味和偏好档案、通过可借助社交网络获得的关于其他人的可获得信息等,来将用户与社交网络上的其他人进行匹配。例如,用户的品味和偏好可以表示出他们年轻并且喜欢去纽约市的俱乐部。社交网站现在可以例如通过列表、相片、通过分类、通过城市的区域等,将用户与社交网络上的类似的人进行匹配。在实施例中,利用社交网络的品味和偏好API可以向试图找到供交往的其他类似的人的用户,提供改进的匹配经验。
在实施例中,本发明可以提供在计算机可读介质中具体化的计算机程序产品,当在一个或多个计算机上执行时,该计算机程序产品通过执行下列步骤通过使用计算工具来帮助用户在社交网站上找到类似用户:(1)通过第三方社交网站API接收来自用户的初始请求,其中初始请求是在社交网络上找到与他们类似的其他用户;(2)通过社交网站API来确定用户的偏好;(3)将用户偏好与在社交网络上与该用户具有类似偏好的其他用户进行匹配;和(4)将匹配结果提供给用户,该匹配结果包括与用户的偏好相匹配的其他用户。在实施例中,可以通过使用自然语言处理来确定偏好。匹配结果可以向用户表现为类似用户的列表。匹配结果向用户表现为类似用户的档案。匹配结果可以向用户表现为在社交网络内访问类似用户的链接。计算工具可以是机器学习工具。
在实施例中,本发明可以提供品味和偏好API,第三方社交网站可以使用该品味和偏好API以根据类似用户选择最多的结果对搜索结果进行排列。例如,搜索工具可以向用户提供对通过品味和偏好档案如何列出搜索结果的关联性进行改进的机会,通过本发明的品味和偏好API来提供该品味和偏好档案。然后,品味和偏好档案数据库等可以被聚积并保持,搜索工具可以从该品味和偏好档案数据库将用户的搜索结果排列到由其他类似用户先前选择的结果。在示例中,用户可以具有显示出喜欢驾驶帆船并且有一点冒险精神的退休男性的品味和偏好档案。当用户搜索Caribbean度假目的地时,搜索工具可以用这些首先列出的品味和偏好属性(例如,岛上的帆船租赁套餐、岛上步行、非传统目的地等)对搜索结果进行排列。在实施例中,使用提供至搜索工具的品味和偏好API可以改进排列的搜索结果与用户的关联性。
在实施例中,本发明可以提供在计算机可读介质中具体化的计算机程序产品,当在一个或多个计算机上执行时,该计算机程序产品通过执行下列步骤通过使用计算工具来帮助排列搜索结果:(1)通过第三方搜索工具接收来自用户的搜索请求;(2)确定用户的偏好,其中来自用户的确定的偏好生成用户的品味和偏好档案、并被存储在品味和偏好存储工具中,该品味和偏好存储工具包括多个其他用户品味和偏好档案,其中,档案还包括在先前搜索中由其他用户选择的搜索结果的历史;(3)将用户与具有类似品味和偏好档案的其他用户匹配;(4)确定对于用户的搜索请求的搜索结果组;(5)将搜索结果组与由具有类似品味和偏好档案的其他用户所选择的搜索结果的历史相匹配;和(6)将搜索结果提供给用户,其中根据由具有类似品味和偏好档案的其他用户所选择的匹配结果,来排列搜索结果。在实施例中,可以通过使用自然语言处理来确定偏好。计算工具可以是机器学习工具。搜索工具可以是搜索引擎。
参考图34,本发明通过找到在基于互联网的社交结构中间通往具有已知品味偏好的人的路径,可以利用社交图来推断未知用户的品味和偏好。以此方式,本发明可以提供获得***之前从来不知道的用户数据的方式。在实施例中,本发明可以提供在计算机可读介质中具体化的计算机程序产品,当在一个或多个计算机上执行时,该计算机程序产品通过执行下列步骤、通过在计算工具上使用基于互联网的社交图示3402来帮助确定未知用户的偏好:(1)确定作为基于互联网的社交结构的一部分的多个用户的偏好,其中多个用户成为多个已知用户3404;(2)确定3408多个已知用户的基于互联网的社交图示3412;和(3)根据在图示内未知用户和多个已知用户之间的关系,推断3410存在于多个已知用户的基于互联网的社交图示3412中的未知用户的偏好。在实施例中,基于互联网的社交图示可以是社交网络、社交图、社交图表等。未知用户可以在基于互联网的社交图示中与最接近的已知用户相距三度、五度等。未知用户的推断偏好可以使得未知用户成为新已知用户,新已知用户可以用于对推断第二未知用户的偏好作出贡献。偏好可以包括与用户的交互相关联的个人信息、话题信息等,其中交互可以通过基于互联网的社交图示。交互可以通过提供至第三方网站的API。可以连同在用户的基于互联网的社交结构中与该用户相关的其他已知用户,来提供推断。可以通过使用自然语言处理来确定偏好。计算工具可以是机器学习工具。推断的偏好可以用于向位置用户投放目标广告、与未知用户分享评论。推断的偏好可以用于向未知用户推荐产品、服务等。推断的偏好可以用于辅助对于未知用户的搜索结果进行排列。非常靠近未知用户的已知用户可以在推断算法中带有更高的权重。可以通过来其他来源的信息对推断的偏好进行改进,其中其他来源可以包括第三方来源、由多个已知用户作出的推荐、多个已知用户的搜索查询、多个已知用户当中的一个的搜索结果选择、通过多个已知用户当中的至少一个的网络交互所确定的个人品味等。其他来源可以包括第三方偏好学习API。
在实施例中,通过找到在社交网络中间通往具有已知品味的人,本发明可以利用社交网络图、图表、图示等来推断未知用户的品味和偏好,反之亦然。社交图表一般来讲是多个用户和他们如何相关的映射。通过使用社交图表,已知和未知用户的品味和偏好可以从他们在图表内的相互关系来确定。例如,具有已知品味和偏好档案的用户可以直接与多个其他用户相关联,例如在社交图表中所示。对于第一近似值,可以假设这些多个其他用户与用户类似,并因而具有类似的品味和偏好。然后,可以向这些其他用户提供改进的服务,该改进的服务利用知道的用户的品味和偏好,如在本说明书中所述。例如,具有已知品味和偏好档案的用户表示他们是攀岩者,可以假设在用户的社交图表的第一链接内的用户也是攀岩者。实际上,这可以证明是过于笼统的假设。但是,好的假设可以是用户没有与其他攀岩者关联,所以***可以到社交图表中间寻找喜欢攀岩的其他已知用户。在本示例中,可以发现例如在距离三个链接处存在另一已知用户,该用户也喜欢攀岩,该用户被发现处于连接到第一用户的集群中。由此,好的假设可以是该集群是攀岩者的群组,攀岩者应当彼此共同具有类似的品味和偏好的集合。在实施例中,品味和偏好可以从社交网络图表内的联系推断出,并且就此而言,可以如本说明书所述从本发明获益。
在实施例中,本发明可以提供在计算机可读介质中具体化的计算机程序产品,当在一个或多个计算机上执行时,该计算机程序产品通过执行下列步骤、通过在计算工具上使用社交网络图示来帮助确定未知用户的品味和偏好:(1)确定用户的偏好,其中用户成为已知用户;(2)确定已知用户的社交网络图示;和(3)确定在已知用户的社交网络图示内存在其他未知用户;和(4)未知用户和已知用户和根据网络图示内的其他未知用户之间的相互关系,推断出存在于已知用户的社交网络图示中的未知用户的偏好。在实施例中,可以通过使用自然语言处理来确定偏好。社交网络图示可以是社交图、社交图表等。计算工具可以是机器学习工具。
在实施例中,本发明可以结合如通过两个或多个第三方API所确定的用户的品味和偏好,以改进通过两个或多个第三方API提供的推荐。例如,可以有通过多于单一第三方API所建立的品味和偏好档案,通过由本发明将这些不同的品味和偏好档案结合,可以产生结合的品味和偏好档案。此外,在通过第三方API产生附加品味和偏好档案时,他们可以用于持续更新用户的结合品味和偏好档案。然后,第三方可以利用结合的品味和偏好档案来改进他们的推荐。当不同的第三方将品味和偏好档案侧重于不同领域(例如,产品、个人关系、服务、名人等)时,尤其如此。可以理解,将多个更具体的档案合并成结合的档案可以提供更丰富的品味和偏好档案,然后可以通过更具体的档案当中的任一个来产生。此外,用户可以随着时间改变他们的品味和偏好,所以结合在一个第三方API上的较新的用户档案交互,可以使用户最近没有进行交互的另一第三方受益,而其中其他的第三方想要保持他们的用户档案是最新的。
参考图35,在实施例中,本发明可以提供在计算机可读介质中具体化的计算机程序产品,当在一个或多个计算机上执行时,该计算机程序产品通过执行下列步骤通过使用计算工具来提供改进的品味和偏好档案:(1)通过用户与第一第三方网站3514的交互,通过第一偏好学习第三方API生成3504用户3512的第一品味和偏好档案;(2)通过第二第三方API,通过第二第三方网站3514收集3508附加用户交互信息;和(3)将附加用户交互信息与品味和偏好档案结合,以改进3510品味和偏好档案。在实施例中,可以通过使用自然语言处理来确定用户偏好,而生成第一品味和偏好档案。计算工具可以是机器学习工具。API可以实现收集成本信息、产品信息、个人信息和话题信息当中的至少一项
通过在处理器上执行计算机软件、程序代码和/或指令的机器,可以部分地或整体上利用本说明书描述的方法和***。可以将本发明实施作为机器上的方法、作为机器的一部分的或有关机器的***或装置、或作为在一个或多个机器上执行的在计算机可读介质中具体化的计算机程序产品。处理器可以是服务器、客户端、网络基础设施、移动计算平台、固定计算平台、或其他计算平台的一部分。处理器可以是能够执行程序指令、代码、二进制指令等的任意类型的计算或处理装置。处理器可以是或者包括可以直接或间接促进执行上面存储的程序代码或程序指令的信号处理器、数字处理器、嵌入式处理器、微处理器或诸如协作处理器的任意变化形式(数学协作处理器、图形协作处理器、通信协作处理器等)等。此外,处理器可以实现执行多个程序、线程和代码。多个线程可以同时执行,以增强处理器的性能并促进应用的同时操作。通过实施,这里所述的方法、程序代码、程序指令等可以在一个或多个线程中实施。线程可以产生(spawn)指定与他们相关联的优先级的其他线程;处理器可以根据优先级或基于程序代码中提供的指令上的任何其他顺序,来执行这些线程。处理器可以包括存储器,该存储器存储本说明书和其他地方所述的方法、代码、指令和程序。处理器可以通过接口访问存储介质,该存储介质可以存储本说明书和其他地方所述的存储方法、代码和指令。与处理器相关联的存储介质可以包括但不限于CD-ROM、DVD、存储器、硬盘、闪存驱动器、RAM、ROM、缓存等当中的一项或多项,该存储介质用于存储能够由计算或处理装置所执行的方法、程序、代码、程序指令或其他类型指令。
处理器可以包括可以增加多处理器的速度和性能的一个或多个核心。在实施例中,处理器可以是双核处理器、四核处理器、结合了两个或多个独立核心(称作内核)的其他芯片级多处理器等。
可以通过在服务器、客户端、固件、网关、集线器、路由器、或其他类似计算机和/或网络硬件上执行计算机软件的机器,来部分地或整体上利用本说明书所述的方法和***。软件程序可以与服务器相关联,该服务器可以包括文件服务器、打印服务器、域名服务器、互联网服务器、内联网服务器、和诸如副服务器、主服务器、分布式服务器等的其他变化形式。服务器可以包括一个或多个存储器、处理器、计算机可读介质、存储介质、端口(物理的和虚拟的)、通信装置、和接口等,该接口能够通过有线或无线介质访问其他服务器、客户端、机器和装置。可以通过服务器来执行本说明书和其他地方所述的方法、程序或代码。此外,执行本申请中所述的方法所需要的其他装置可以认为是与服务器相关联的基础结构的一部分。
服务器可以提供到其他装置的接口,所述其他装置不受限制地包括客户端、其他服务器、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器等。此外,该耦接和/或连接可以促进在网络上远程执行程序。这些装置中的某些或全部的网络可以促进在一个或多个位置并行处理程序或方法,而不脱离本发明的范围。此外,通过接口连接到服务器的任意装置可以包括能够存储方法、程序、代码和/或指令的至少一个存储介质。***库可以提供要在不同装置上执行的程序指令。在本实施方式中,远程资料库可以用作程序代码、指令和程序的存储介质。
软件程序可以与客户端相关联,该客户端可以包括文件客户端、打印客户端、域名客户端、互联网客户端、内联网客户端和诸如副客户端、主客户端、分布式客户端的其他变化形式等。客户端可以包括一个或多个存储器、处理器、计算机可读介质、存储介质、端口(物理的和虚拟的)、通信装置、和接口等,该接口能够通过有线或无线介质访问其他客户端、服务器、机器和装置。可以通过客户端来执行本说明书和其他地方所述的方法、程序或代码。此外,执行本申请中所述的方法所需要的其他装置可以认为是与客户端相关联的基础结构的一部分。
客户端可以提供到其他装置的接口,所述其他装置不受限制地包括服务器、其他客户端、打印机、数据库客户端、打印服务器、文件服务器、通信服务器、分布式服务器等。此外,该耦接和/或连接可以促进在网络上远程执行程序。这些装置中的某些或全部的网络可以促进在一个或多个位置并行处理程序或方法,而不脱离本发明的范围。此外,通过接口连接到客户端的任意装置可以包括能够存储方法、程序、应用程序、代码和/或指令的至少一个存储介质。***库可以提供要在不同装置上执行的程序指令。在本实施方式中,远程资料库可以用作程序代码、指令和程序的存储介质。
可以通过网络基础设施来部分地或整体上利用本说明书所述的方法和***。网络基础设施可以包括部件,该部件例如是计算装置、服务器、路由器、集线器、固件、客户端、个人计算机、通信装置、路由装置和其他有源和无源装置、本领域中已知的模块和/或组件。与网络基础设施相关联的计算和/或非计算装置出其他除其他组件之外,可以包括存储介质(例如,快闪存储器、缓冲存储器、存储栈、RAM、ROM等)。可以通过一个或多个网络基础设施部件来执行本说明书和其他地方所述的处理、方法、程序代码、指令。
可以在具有多个蜂窝设备(cell)的蜂窝网络上执行在本说明书和其他地方所述的方法、程序代码和指令。蜂窝网络可以是频分多址(FDMA)网络或码分多址(CDMA)网络。蜂窝网络可以包括移动装置、蜂窝站、基站、中继器、天线、塔等。蜂窝网络可以是GSM、GPRS、3G、EVDO、mesh、或其他网络类型。
可以在移动装置上或通过移动装置来执行在本说明书和其他地方所述的方法、程序代码和指令。移动装置可以包括导航装置、蜂窝电话、移动电话、移动个人数字助理、笔记本电脑、掌上电脑、上网本、寻呼机、电子书阅读器、音乐播放器等。这些装置除了其他组件之外,可以包括存储介质(例如,快闪存储器、缓冲存储器、存储栈、RAM、ROM)和一个或多个计算装置。与移动装置相关联的计算装置可以执行上面存储的程序代码、方法、和指令。可替换地,移动装置可以构造成与其他装置合作来执行指令。移动装置可以与基站通信并构造成执行程序代码,该基站与服务器接合。移动装置可以点对点网络、网状网络、或其他通信网络上通信。程序代码可以被存储在与服务器相关联的存储介质上,并通过嵌入在服务器内的计算装置来执行。基站可以包括计算装置和存储介质。存储装置可以存储由与基站相关联的计算装置所执行的程序代码和指令。
计算机软件、程序代码、和/或指令可以在机器可读介质上存储和/或访问,该机器可读介质可以包括:保存用于持续计算一定时间间隔的数字数据的计算机组件、装置和记录介质;称作随机存取存储器(RAM)的半导体存储器;通常用于更永久存储的大容量存储器(例如,光盘;类似硬盘、磁带、磁鼓、卡片和其他类型的磁性存储形式);处理器寄存器;高速缓冲存储器;非易失性存储器;光学存储器(例如,CD、DVD);可移动介质(例如,快闪存储器(例如,USB盘或密匙)、软盘、磁带、纸带、冲孔卡、独立RAM盘、Zip驱动器、可移动大容量存储器、离线等);其他计算机存储器(例如,动态存储器、静态存储器、读/写存储器、可变(mutable)存储器、只读随机存取、顺序存取、位置可寻址、文件可寻址、内容可寻址、网络连接存储器、存储区域网、条形码、磁性墨水等)。
本说明书所述的方法和***可以将物理和/或无形项目从一个状态转变成另一状态。本说明书所述的方法和***还可以将表示物理和/或无形项目的数据从一个状态转变成另一状态。
本说明书所述和图示(包括在全部附图的流程图和框图中)的元件暗示元件之间的逻辑边界。但是,根据软件或硬件工程实践,图示的元件和其功能可以通过计算机可执行介质在机器上实现,该机器具有能够执行上面存储的程序指令的处理器,该程序指令作为单片机软件结构;作为独立软件模块;或作为利用外部例程、代码、服务等的模块;或上述各项的任意组合,所有这些实施方式都在本发明的范围内。上述机器的示例可以包括但不限于个人数字助理、笔记本电脑、个人计算机、移动电话、其他手持计算装置、医疗设备、有线或无线通信装置、换能器、芯片、计算器、卫星、平板电脑、电子书、微件、电子装置、具有人工智能的装置、计算装置、网络设备、服务器、路由器等。此外,流程图和框图中所示的元件或任意其他逻辑组件可以在能够执行程序指令的机器上实现。因此,尽管上述附图和说明书展现出所公开***的功能方面,但是除非明确指出或其他地方根据上下文显而易见,否则从这些描述没有暗示用于实施这些功能方面的软件的具体布置。类似的,应当理解,上面确定和描述的各种步骤可以改变,步骤的顺序可以适应于本说明书公开的技术的具体应用。所有这些改变和修改都落入本发明的范围。如此,对各种步骤的顺序的图示和/或描述不应当被认为是必须要执行这些步骤的具体顺序,除非具体应用所需要、或明确说明或在其他地方从上下文显而易见。
上述方法和/或处理及其步骤可以在适合于具体应用的硬件、软件、或硬件和软件的任意组合中实现。硬件可以包括通用计算机和/或专用计算装置、或特定计算装置、或特定计算装置的具体方面或组件。处理可以实现于一个或多个微处理器、微控制器、嵌入式微控制器、可编程数字信号处理器、或其他可编程装置、连同外部和/或内部存储器中。处理还可以或替代地具体实现在应用专用集成电路、可编程门阵列、可编程阵列逻辑、或可以构造成处理电子信号的任何其他装置或装置的组合中。还应当理解,一个或多个处理可以实现为能够在机器可读介质上执行的计算机可执行代码。
使用可以被存储、编译或解释以在其中一个上述装置上运行的结构化编程语言(例如,C)、面向对象编程语言(例如C++)、或任何其他高级或低级编程语言(包括汇编语言、硬件描述语言、数据库编程语言和技术);以及处理器、处理器架构的异构组合;或不同硬件和软件的组合;或能够执行程序指令的任何其他机器,可以生产计算机可执行代码。
因此,在一个方面,上述每个方法及其组合可以在计算机可执行代码中具体实现,当在一个或多个计算装置上执行时,该计算机可执行代码执行方法的步骤。在另一方面,方法可以在执行方法的步骤的***中具体实现,并且***可以以多种方式沿着装置分布,或者所有的功能可以集成在专用的独立装置或其他硬件中。在另一方面,用于执行与上述处理相关联的步骤的装置可以包括上述任意的硬件和/或软件。所有这些布置和组合都落入本发明的范围。
尽管结合详细示出和描述的优选实施例来描述本发明,但是对于本领域技术人员来说,对实施例的各种修改和改进将是显而易见的。因此,本发明的精神和范围不限于上述示例,而是应当在法律允许的最广泛意义中理解。
本说明书引用的所有文件通过引用结合于本说明书中。
Claims (45)
1.一种在计算机可读介质中具体实现的计算机程序产品,当在一个或多个计算机上执行,所述计算机程序产品通过执行下列步骤、通过使用计算工具来帮助返回到用户的目标响应:
向第三方网站提供用户偏好学习API,以确定与第三方的市场相关的用户的偏好,其中所述偏好学习API执行作为所述计算工具的扩展;
接收与所述第三方的市场相关的第三方信息;
选择用户的偏好,并将这些偏好存储作为用户偏好档案;
在第三方网站接收来自用户的查询;并且
在所述用户偏好学习API中,使用与所述第三方的市场相关的所述第三方信息、和存储在所述用户偏好档案中的用户的偏好,来提供与来自用户的查询相关的、返回到用户的响应。
2.根据权利要求1所述的计算机程序产品,其中,所述计算工具是机器学习工具。
3.根据权利要求1所述的计算机程序产品,其中,所述响应是向用户提供广告,其中,所述广告根据在所述用户偏好档案中存储的用户的偏好。
4.根据权利要求3所述的计算机程序产品,其中,所述广告是由所述计算工具提供。
5.根据权利要求3所述的计算机程序产品,其中,能够通过从所述计算工具提供至所述第三方的偏好,通过所述第三方提供所述广告。
6.根据权利要求3所述的计算机程序产品,其中,所述广告被传送到用户的社交网络中的其他用户。
7.根据权利要求1所述的计算机程序产品,其中,所述响应提供对与所述第三方的市场相关的产品和服务当中的至少一项的推荐。
8.根据权利要求1所述的计算机程序产品,还收集至少第二用户的偏好以形成至少第二用户的用户偏好档案,根据对偏好档案的对比,来确定与用户类似的第二用户。
9.根据权利要求8所述的计算机程序产品,其中,所述响应是提供所述第二用户作出的推荐。
10.根据权利要求8所述的计算机程序产品,其中,可以从基于互联网的社交结构来获取对于至少第二用户的偏好的收集,并且所述响应向用户提供显示出至少第二用户作为在所述社交结构上的类似的人的信息。
11.根据权利要求10所述的计算机程序产品,其中,所述基于互联网的社交结构是社交网络。
12.根据权利要求8所述的计算机程序产品,其中,收集至少第二用户的偏好包括搜索结果选择,所述查询是搜索请求,并且所述响应是根据至少第二用户的所述搜索结果选择而排列的搜索结果。
13.根据权利要求1所述的计算机程序产品,其中,从由所述用户作出的推荐、购买和搜索结果选择当中的至少一项来进行收集。
14.根据权利要求1所述的计算机程序产品,其中,从用户的显示出位置行为的来源来进行收集。
15.根据权利要求14所述的计算机程序产品,其中,所述来源是来自网络服务ursquare、yelp、Google、Gowalla、和Facebook当中的至少一个的用户位置信息。
16.根据权利要求14所述的计算机程序产品,其中,所述来源是来自服务提供商的用户位置信息。
17.根据权利要求1所述的计算机程序产品,其中,所述第三方信息由来自产品制造商的产品信息、来自网络零售商的产品信息、来自其他网站的价格信息、来自其他网站的可得性信息、来自零售商的价格信息、来自零售商的可得性信息、评论、注解和评分当中的至少一项组成。
18.根据权利要求1所述的计算机程序产品,其中,通过使用自然语言处理来确定偏好。
19.根据权利要求1所述的计算机程序产品,其中,所述API能够实现收集成本信息、产品信息、个人信息和话题信息当中的至少一项。
20.根据权利要求1所述的计算机程序产品,其中,从在基于互联网的社交结构中所表示出的用户的交互来进行收集。
21.根据权利要求20所述的计算机程序产品,其中,所述基于互联网的社交结构是社交网络。
22.根据权利要求1所述的计算机程序产品,其中,所述响应可以是按照由评论作者与阅读评论的用户的类似性所分类的评论的列表。
23.根据权利要求1所述的计算机程序产品,还包括通过第三方网站来收集用户的偏好。
24.根据权利要求23所述的计算机程序产品,其中,通过抓取第三方网站来进行收集。
25.一种在计算机可读介质中具体实现的计算机程序产品,当在一个或多个计算机上执行,所述计算机程序产品通过执行下列步骤、通过在计算工具上使用基于互联网的社交图示来帮助确定未知用户的偏好
确定作为基于互联网的社交结构的一部分的多个用户的偏好,其中所述多个用户成为多个已知用户;
确定所述多个已知用户的基于互联网的社交图示;并且
根据在图示内未知用户和所述多个已知用户之间的相互关系,推断存在于所述多个已知用户的基于互联网的社交图示中的未知用户的偏好。
26.根据权利要求25所述的计算机程序产品,其中,所述基于互联网的社交图示是社交网络。
27.根据权利要求25所述的计算机程序产品,其中,所述基于互联网的社交图示是社交图。
28.根据权利要求25所述的计算机程序产品,其中,所述基于互联网的社交图示是社交图表。
29.根据权利要求25所述的计算机程序产品,其中,未知用户在所述基于互联网的社交图示中与最接近的已知用户相距至少三度。
30.根据权利要求25所述的计算机程序产品,其中,未知用户在所述基于互联网的社交图示中与最接近的已知用户相距至少五度。
31.根据权利要求25所述的计算机程序产品,其中,未知用户的推断的偏好使得未知用户成为新已知用户,并新已知用户用于对推断第二未知用户的偏好作出贡献。
32.根据权利要求25所述的计算机程序产品,其中,偏好包括与用户的交互相关的个人信息和话题信息当中的至少一项。
33.根据权利要求32所述的计算机程序产品,其中,通过基于互联网的社交图示来进行交互。
34.根据权利要求32所述的计算机程序产品,其中,通过提供至第三方网站的API来进行交互。
35.根据权利要求25所述的计算机程序产品,其中,连同在用户的基于互联网的社交结构中与用户相关的其他已知用户,来提供推断。
36.根据权利要求25所述的计算机程序产品,其中,通过使用自然语言处理来确定偏好。
37.根据权利要求25所述的计算机程序产品,其中,所述计算工具是机器学习工具。
38.根据权利要求25所述的计算机程序产品,其中,使用推断的偏好,来向未知用户投放目标广告。
39.根据权利要求25所述的计算机程序产品,其中,使用推断的偏好,来与未知用户分享评论。
40.根据权利要求25所述的计算机程序产品,其中,使用推断的偏好,来向未知用户推荐产品和服务当中的至少一项。
41.根据权利要求25所述的计算机程序产品,其中,使用推断的偏好,来辅助对于未知用户的搜索结果进行排列。
42.根据权利要求25所述的计算机程序产品,其中,非常靠近未知用户的已知用户在推断算法中带有更高的权重。
43.根据权利要求25所述的计算机程序产品,其中,通过来自其他来源的信息对推断的偏好进行改进。
44.根据权利要求43所述的计算机程序产品,其中,所述其他来源包括下列至少一项:第三方来源、由多个已知用户当中的至少一个作出的推荐、多个已知用户当中的至少一个的搜索查询、多个已知用户当中的至少一个的搜索结果选择、通过多个已知用户当中的至少一个的网络交互所确定的个人品味。
45.根据权利要求43所述的计算机程序产品,其中,所述其他来源包括第三方偏好学习API。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/483,768 | 2009-06-12 | ||
US12/483,768 US8032480B2 (en) | 2007-11-02 | 2009-06-12 | Interactive computing advice facility with learning based on user feedback |
US23332609P | 2009-08-12 | 2009-08-12 | |
US61/233,326 | 2009-08-12 | ||
US30051110P | 2010-02-02 | 2010-02-02 | |
US61/300,511 | 2010-02-02 | ||
PCT/US2010/038259 WO2010144766A1 (en) | 2009-06-12 | 2010-06-11 | Internet preference learning facility |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102625940A true CN102625940A (zh) | 2012-08-01 |
Family
ID=43309236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010800358261A Pending CN102625940A (zh) | 2009-06-12 | 2010-06-11 | 互联网偏好学习工具 |
Country Status (8)
Country | Link |
---|---|
EP (1) | EP2441039A4 (zh) |
KR (2) | KR101704887B1 (zh) |
CN (1) | CN102625940A (zh) |
AU (1) | AU2010260010B2 (zh) |
CA (1) | CA2767688C (zh) |
IN (1) | IN2012DN00306A (zh) |
RU (1) | RU2012100619A (zh) |
WO (1) | WO2010144766A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104737082A (zh) * | 2012-08-17 | 2015-06-24 | 电子湾有限公司 | 基于可穿戴传感器的推荐 |
CN105205689A (zh) * | 2015-08-26 | 2015-12-30 | 深圳市万音达科技有限公司 | 推荐商户的方法及*** |
CN105701498A (zh) * | 2015-12-31 | 2016-06-22 | 腾讯科技(深圳)有限公司 | 一种用户分类方法及服务器 |
CN107527186A (zh) * | 2017-08-14 | 2017-12-29 | 广州阿里巴巴文学信息技术有限公司 | 电子阅读管理方法、装置和终端设备 |
CN112823360A (zh) * | 2013-05-21 | 2021-05-18 | 幸福公司 | 训练***和方法-人工智能分类器 |
CN113366470A (zh) * | 2019-01-15 | 2021-09-07 | Ami控股有限公司 | 选择性地提示匹配的个体发起当面会面 |
CN116127199A (zh) * | 2023-04-17 | 2023-05-16 | 昆明理工大学 | 一种针对服装序列推荐的用户偏好建模方法 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11263543B2 (en) | 2007-11-02 | 2022-03-01 | Ebay Inc. | Node bootstrapping in a social graph |
US8666909B2 (en) | 2007-11-02 | 2014-03-04 | Ebay, Inc. | Interestingness recommendations in a computing advice facility |
US7958066B2 (en) | 2007-11-02 | 2011-06-07 | Hunch Inc. | Interactive machine learning advice facility |
US8032480B2 (en) | 2007-11-02 | 2011-10-04 | Hunch Inc. | Interactive computing advice facility with learning based on user feedback |
US9159034B2 (en) | 2007-11-02 | 2015-10-13 | Ebay Inc. | Geographically localized recommendations in a computing advice facility |
US8494978B2 (en) | 2007-11-02 | 2013-07-23 | Ebay Inc. | Inferring user preferences from an internet based social interactive construct |
US8484142B2 (en) | 2007-11-02 | 2013-07-09 | Ebay Inc. | Integrating an internet preference learning facility into third parties |
US20120254142A1 (en) * | 2011-03-31 | 2012-10-04 | Smart Technologies Ulc | Information display method and system employing same |
KR20140004290A (ko) * | 2012-06-29 | 2014-01-13 | 이선웅 | 소셜 네트워크에서 음악적 관심사를 이용한 친구추천방법 및 동적 커뮤니티 생성방법 |
US20190129941A2 (en) | 2013-05-21 | 2019-05-02 | Happify, Inc. | Systems and methods for dynamic user interaction for improving happiness |
CN105474289A (zh) | 2013-05-21 | 2016-04-06 | 本·珂奇·托马 | 用于提供在线服务的***和方法 |
CN103473315B (zh) * | 2013-09-11 | 2017-05-17 | 北京思特奇信息技术股份有限公司 | 一种基于信息增益的手机阅读推荐方法及装置 |
US10666735B2 (en) | 2014-05-19 | 2020-05-26 | Auerbach Michael Harrison Tretter | Dynamic computer systems and uses thereof |
US9742853B2 (en) | 2014-05-19 | 2017-08-22 | The Michael Harrison Tretter Auerbach Trust | Dynamic computer systems and uses thereof |
US10305748B2 (en) | 2014-05-19 | 2019-05-28 | The Michael Harrison Tretter Auerbach Trust | Dynamic computer systems and uses thereof |
WO2016168703A1 (en) * | 2015-04-16 | 2016-10-20 | The Regents Of The University Of California | Preference learning with clustering |
CN107609927A (zh) * | 2017-07-20 | 2018-01-19 | 深圳市盛路物联通讯技术有限公司 | 基于物联网的信用数据管理方法及设备 |
ES2697060A1 (es) * | 2017-07-21 | 2019-01-21 | Augusto Bellini S L | Proceso para determinar preferencias de un grupo de personas objetivo |
CN107360079A (zh) * | 2017-07-24 | 2017-11-17 | 深圳市盛路物联通讯技术有限公司 | 基于物联网的用户管理方法及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070143281A1 (en) * | 2005-01-11 | 2007-06-21 | Smirin Shahar Boris | Method and system for providing customized recommendations to users |
US20090119234A1 (en) * | 2007-11-02 | 2009-05-07 | Hunch Inc. | Interactive machine learning advice facility |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030046768A (ko) * | 2001-12-06 | 2003-06-18 | (주)와이솔루션즈 | 인공지능 전문가시스템의 추론 이론을 바탕으로 한 웹사이트 관리 시스템 및 웹 사이트 관리 방법 |
KR20050043917A (ko) * | 2002-08-19 | 2005-05-11 | 초이스스트림 | 통계적 개인화된 추천 시스템 |
US20080214204A1 (en) * | 2005-11-01 | 2008-09-04 | Jorey Ramer | Similarity based location mapping of mobile comm facility users |
US20070192461A1 (en) * | 2005-11-03 | 2007-08-16 | Robert Reich | System and method for dynamically generating and managing an online context-driven interactive social network |
WO2007106089A1 (en) * | 2006-03-14 | 2007-09-20 | Spherical Dynamics, Inc. | System for and method for psychological assessment |
US7885902B1 (en) * | 2006-04-07 | 2011-02-08 | Soulsearch.Com, Inc. | Learning-based recommendation system incorporating collaborative filtering and feedback |
-
2010
- 2010-06-11 IN IN306DEN2012 patent/IN2012DN00306A/en unknown
- 2010-06-11 KR KR1020147008643A patent/KR101704887B1/ko active IP Right Grant
- 2010-06-11 CN CN2010800358261A patent/CN102625940A/zh active Pending
- 2010-06-11 WO PCT/US2010/038259 patent/WO2010144766A1/en active Application Filing
- 2010-06-11 AU AU2010260010A patent/AU2010260010B2/en active Active
- 2010-06-11 KR KR1020127000960A patent/KR20120050965A/ko active Search and Examination
- 2010-06-11 EP EP10786888.7A patent/EP2441039A4/en not_active Withdrawn
- 2010-06-11 CA CA2767688A patent/CA2767688C/en active Active
- 2010-06-11 RU RU2012100619/08A patent/RU2012100619A/ru unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070143281A1 (en) * | 2005-01-11 | 2007-06-21 | Smirin Shahar Boris | Method and system for providing customized recommendations to users |
US20090119234A1 (en) * | 2007-11-02 | 2009-05-07 | Hunch Inc. | Interactive machine learning advice facility |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11869061B2 (en) | 2012-08-17 | 2024-01-09 | Ebay Inc. | System and methods for recommendations based on wearable sensors |
CN104737082A (zh) * | 2012-08-17 | 2015-06-24 | 电子湾有限公司 | 基于可穿戴传感器的推荐 |
US10956956B2 (en) | 2012-08-17 | 2021-03-23 | Ebay Inc. | System, method, and computer readable medium for recommendations based on wearable sensors |
CN112823360A (zh) * | 2013-05-21 | 2021-05-18 | 幸福公司 | 训练***和方法-人工智能分类器 |
CN105205689A (zh) * | 2015-08-26 | 2015-12-30 | 深圳市万音达科技有限公司 | 推荐商户的方法及*** |
CN105701498A (zh) * | 2015-12-31 | 2016-06-22 | 腾讯科技(深圳)有限公司 | 一种用户分类方法及服务器 |
CN105701498B (zh) * | 2015-12-31 | 2021-09-07 | 腾讯科技(深圳)有限公司 | 一种用户分类方法及服务器 |
CN107527186A (zh) * | 2017-08-14 | 2017-12-29 | 广州阿里巴巴文学信息技术有限公司 | 电子阅读管理方法、装置和终端设备 |
CN107527186B (zh) * | 2017-08-14 | 2021-11-26 | 阿里巴巴(中国)有限公司 | 电子阅读管理方法、装置和终端设备 |
CN113366470B (zh) * | 2019-01-15 | 2022-11-22 | Ami控股有限公司 | 选择性地提示匹配的个体发起当面会面 |
CN113366470A (zh) * | 2019-01-15 | 2021-09-07 | Ami控股有限公司 | 选择性地提示匹配的个体发起当面会面 |
US11895563B2 (en) | 2019-01-15 | 2024-02-06 | AMI Holdings Limited | Selectively prompting matched individuals to initiate an in-person meeting |
CN116127199A (zh) * | 2023-04-17 | 2023-05-16 | 昆明理工大学 | 一种针对服装序列推荐的用户偏好建模方法 |
CN116127199B (zh) * | 2023-04-17 | 2023-06-16 | 昆明理工大学 | 一种针对服装序列推荐的用户偏好建模方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20120050965A (ko) | 2012-05-21 |
EP2441039A4 (en) | 2014-08-13 |
RU2012100619A (ru) | 2013-07-27 |
KR20140049087A (ko) | 2014-04-24 |
IN2012DN00306A (zh) | 2015-05-08 |
EP2441039A1 (en) | 2012-04-18 |
CA2767688C (en) | 2016-08-09 |
KR101704887B1 (ko) | 2017-02-08 |
WO2010144766A1 (en) | 2010-12-16 |
AU2010260010A1 (en) | 2012-02-02 |
AU2010260010B2 (en) | 2013-09-26 |
CA2767688A1 (en) | 2010-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200401918A1 (en) | Interestingness recommendations in a computing advice facility | |
US9754308B2 (en) | Inferring user preferences from an internet based social interactive construct | |
US10318534B2 (en) | Recommendations in a computing advice facility | |
US11263543B2 (en) | Node bootstrapping in a social graph | |
CN102625940A (zh) | 互联网偏好学习工具 | |
CA2823693C (en) | Geographically localized recommendations in a computing advice facility | |
US8032480B2 (en) | Interactive computing advice facility with learning based on user feedback | |
AU2013202429B2 (en) | Internet preference learning facility | |
CA2933175C (en) | Internet preference learning facility | |
AU2015203486A1 (en) | Internet preference learning facility |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120801 |