JP7443486B2 - コンテンツアイテムの推奨 - Google Patents

Description

関連出願の相互参照
本出願は、２０１９年７月８日に出願された「Ｃｏｎｔｅｎｔ－Ｉｔｅｍ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ」と題された米国特許出願第１６／５０５，１１２号の優先権を主張するものであり、その全内容は、参照により本明細書に組み込まれる。

電子デバイス上のコンテンツアイテムの消費が急増し続けるにつれて、利用可能なコンテンツアイテムの量も急増し続けている。例えば、ストリーミングまたはダウンロードのために利用可能な歌、映画、テレビ番組、およびゲームの数は、近年大幅に増加している。利用可能なコンテンツアイテムのこの増加は、一般にユーザにとって有益であるが、個々のユーザにとって関心のあるコンテンツアイテムを識別することは困難なままである。

添付の各図を参照して、詳細な説明が記載される。各図において、参照番号の左端数字は、参照番号が最初に現れる図を識別する。異なる図における同じ参照番号の使用は、類似または同一の構成要素または特徴を示す。

様々なユーザにコンテンツアイテムを推奨するために機械学習モデルを訓練して使用するように構成されたリモートコンピューティングシステムを含む例示的な環境を示す図である。場合によっては、リモートコンピューティングシステムは、複数のモデルを訓練し、その後、ユーザの消費履歴をモデルの各々に入力して、複数のコンテンツアイテムタイトルの各々と消費履歴との間の相関を示すスコアデータを生成する。さらに、コンピューティングシステムは、１つ以上のバイアス係数を使用して結果データを生成してもよく、これを、コンピューティングシステムは、ユーザのクライアントデバイスに送信し得る。クライアントデバイスは、この結果データ、ならびに異なるユーザ入力を使用して、ユーザにコンテンツアイテム推奨を提示する順序を決定してもよい。

機械学習モデルを生成し、それらを特定のユーザの履歴データに適用し、生成された結果データをユーザのクライアントデバイスに送信し、この結果データおよび受信されたユーザ入力を使用して、ユーザにコンテンツアイテム推奨を提示する順序を決定するための動作の例示的なプロセスを示す。

モデルを生成し、結果として得られるスコアをバイアスし、モデルを特定のユーザの履歴データに適用し、この結果データおよび受信されたユーザ入力を使用して、ユーザにコンテンツアイテム推奨を提示する順序を決定するための、例示的な構成要素、およびその対話を示す。

リモートコンピューティングシステムが生成し、かつユーザのクライアントデバイスに送信し得る例示的な結果データを示す。図示されるように、結果データは、スコアのＭｘＮ行列を含み得、クライアントデバイスは、様々なユーザ入力の受信に応答して、必要に応じてスコア間を補間し得る。

コンテンツアイテム推奨に対するユーザからの要求を受信したことに応答して、クライアントデバイスが提示し得る例示的なユーザインターフェース（ＵＩ）を例示する。

ユーザが第１のパラメータ（この例では、コンテンツアイテムの人気）の値および第２のパラメータ（この例では、コンテンツアイテムの最近性）の値を変更したことに応答して、クライアントデバイスが提示し得る例示的なＵＩを示す。

リモートコンピューティングシステムが、１つ以上の訓練された機械学習モデルを生成し、ユーザにコンテンツアイテム推奨を提供する際にクライアントデバイスによって使用される結果データを生成するために採用し得る、例示的なプロセスのフロー図を示す。

ユーザのクライアントデバイスが、ユーザに１つ以上のコンテンツアイテムを提示する順序を決定するために採用し得る例示的なプロセスのフロー図を示す。

本明細書で説明されるのは、とりわけ、コンテンツアイテム推奨を生成するために使用される１つ以上の訓練された機械学習モデルを生成するための技法、デバイス、およびシステムである。また本明細書で説明されるのは、訓練されたモデルに特定のユーザの消費履歴を適用して、各コンテンツアイテムのタイトルと消費履歴との間の相関を示すスコアデータを生成するための、ならびに結果データを生成するための１つ以上のバイアス係数を使用してこのスコアデータを修正するための技法、デバイス、およびシステムである。さらに、これらの技法、デバイス、およびシステムは、１つ以上のコンテンツアイテムをユーザに提示する順序を決定するために、受信されたユーザ入力と共に、この結果データを使用し得る。例えば、これは、どのコンテンツアイテムをユーザに推奨するか、およびどの順序でそれを行うかを決定することを含み得る。

開示される技法は、少なくとも部分的に、コンテンツアイテム（例えば、ビデオゲーム、映画、テレビ番組、歌など）を、（例えば、ビデオゲームサービス、映画サービス、歌サービスの一部として）ユーザコミュニティのクライアントデバイスに配布するリモートコンピューティングシステムによって実装され得る。これらのクライアントデバイスは、リモートコンピューティングシステムから受信（例えば、ダウンロード、ストリーミングなど）されたコンテンツアイテムを実行するように構成されたクライアントアプリケーションを個別にインストールし得る。ビデオゲームサービスの例では、ビデオゲームプラットフォームにより、コミュニティの登録ユーザは、「プレイヤー」としてビデオゲームをプレイすることが可能になる。例えば、ユーザは、クライアントアプリケーションをロードし、登録ユーザアカウントでログインし、所望のビデオゲームを選択し、クライアントアプリケーションを通じて自分のクライアントマシン上でビデオゲームを実行することができる。もちろん、いくつかの例はビデオゲームタイトルに関して説明されているが、説明される技法は、上記のように、任意の他のタイプのコンテンツアイテムに適用されることを理解されたい。

一例では、個々のユーザのクライアントデバイスから典型的には離れているコンピューティングシステムは、パラメータの特定の値に各々関連付けられた、複数の訓練されたモデルを生成する。例えば、コンピューティングシステムは、第１の時間ウィンドウ（例えば、前の６ヶ月）内にリリースされたコンテンツアイテムを推奨するのに使用するための第１の訓練されたモデル、第２の時間ウィンドウ（例えば、前の年）内にリリースされたコンテンツアイテムを推奨するのに使用するための第２の訓練されたモデルなどを生成し得る。以下に説明されるように、これらのモデルは、調整されたコンテンツアイテム推奨を生成するために個々のユーザデータに適用され得る。

コンピューティングシステムは、任意の適切な方法でこれらのモデルを訓練し得るが、一例では、コンピューティングシステムは、コンピューティングシステムコミュニティに関連付けられた複数のユーザのそれぞれの消費履歴（例えば、ゲームプレイ履歴、移動履歴など）にアクセスすることによって開始する。例えば、コンピューティングシステムは、ビデオゲームサービスコミュニティの第１のユーザのゲームプレイ履歴にアクセスし得、この履歴を、第１のモデルを訓練するために使用し得る。例えば、第１のモデルが、過去６ヶ月以内にリリースされたゲームタイトルを推奨する際に使用される場合、コンピューティングシステムは、ユーザのゲームプレイ履歴から、過去６ヶ月以内にリリースされた１つのゲームタイトルを選択し得、この選択されたゲームタイトルが分類器の出力であることを第１のモデルに指示し得る。その後、コンピューティングシステムは、第１のモデルへの入力としてユーザのゲームプレイ履歴全体を提供し、かつ第１のモデルの１つ以上の内部層を訓練するための第１のモデルの出力として、選択されたゲームタイトルを提供し得る。例えば、第１のモデルが人工ニューラルネットワークを含む場合、出力としてゲームタイトルを選択し、入力としてユーザのゲームプレイ履歴に関する情報を提供することは、ニューラルネットワークの１つ以上の内部層を訓練するのに有効であり得る。ニューラルネットワークの入力および出力、ならびに使用され得る他のタイプのモデルは、リリースデータ、ジャンル、ゲームタイプなど、対応するゲームタイトルまたは他のコンテンツアイテムの特徴を含み得ることを理解されたい。さらに、モデルへの入力は、ユーザに関連付けられた地理的位置、ユーザに関連付けられた人口統計学的情報など、ユーザに関連付けられた情報を含み得る。さらに、モデルへの数個の例示的な入力が説明されたが、任意の他のタイプの入力がモデルに提供されてもよいことを理解されたい。

場合によっては、コンピューティングシステムは、機械学習モデルの出力として使用されるゲームタイトルを選択する際に、ユーザが自分の履歴内で各ゲームをプレイした時間量を考慮に入れてもよい。例えば、コンピューティングシステムは、ユーザが、ユーザのゲームプレイ履歴内で参照される各個々のゲームタイトルをプレイした時間量を最初に決定し得る。これは、絶対的に（例えば、プレイ時間に関して）、または相対的に（例えば、ゲームタイトルを同じくプレイした他のユーザに対するプレイ時間に関して）のいずれかで決定され得る。この情報は、個々のゲームタイトルに重みとして適用されてもよく、または入力としてモデルに渡されてもよい。ゲームプレイ履歴に関連付けられた各ゲームタイトルに重みを適用した後、またはこの情報をモデルに入力した後（潜在的には、ユーザによるゲームプレイ量が非常に少ないためにいくつかのゲームタイトルをフィルタリング除去した後）、コンピューティングシステムは、次いで、第１のモデルによって出力として使用される１つ（または複数）のゲームタイトルを選択し得る。そうすることによって、コンピューティングシステムは、ユーザによって最もプレイされるゲームが第１のモデルの出力として選択される可能性を増大させ、したがって、ユーザにとって興味のあるゲームをモデルが選択する可能性がより高くなるような方法で第１のモデルの内部層を訓練することになる。しかしながら、上記の説明は、モデルを訓練するための１つの方法を例示するが、コンテンツアイテム推奨を出力するための他のモデルが、任意の他の数の方法で訓練され得ることを理解されたい。

第１のモデルを訓練することに加えて、いくつかの例では、コンピューティングデバイスはまた、過去１年内にリリースされたゲームを推奨するためのモデル、過去３年以内にリリースされたゲームを推奨するためのモデルなど、複数の他のモデルを訓練してもよい。各例において、コンピューティングシステムは、ユーザのゲームプレイ履歴にアクセスし、特定のモデルへの出力として、ゲームプレイ履歴内に示され、かつ特定のモデルに関連付けられた時間量内（例えば、１年以内、３年以内など）にリリースされたゲームタイトルを選択し得る。さらに、上記の例は、複数の機械学習モデルの各々を訓練するために単一のゲームプレイ履歴にアクセスすることを説明しているが、コンピューティングシステムは、モデルを訓練するために数千以上のゲームプレイ履歴を分析できることを理解されたい。

機械学習モデルを訓練した後、次に、コンピューティングシステムは、モデルを使用して、コンテンツアイテム（例えば、ビデオゲーム）推奨を表出するためにクライアントデバイスによって使用され得るデータを生成し得る。例えば、特定のユーザが、ビデオゲーム推奨のためにクライアントデバイスを介して要求を送信することを想定する。要求を受信すると、コンピューティングシステムは、（例えば、デバイスまたはユーザ識別子を介して）ユーザを識別し得、ユーザのゲームプレイ履歴にアクセスし得る。次いで、コンピューティングシステムは、各モデルに関連付けられた利用可能なゲームに関する情報と共に、ゲームプレイ履歴を、複数の機械学習モデルの各々に入力し得る。例えば、（過去６ヶ月以内にリリースされたよりヘビーに重み付けられたゲームに対して訓練されている）第１の訓練されたモデルについて、コンピューティングシステムは、ユーザのゲームプレイ履歴、および推奨のために利用可能なゲームに関する情報を入力してもよく、（過去１年以内にリリースされたよりヘビーに重み付けられたゲームに対して訓練されている）第２の訓練されたモデルについて、コンピューティングシステムは、ユーザのゲームプレイ履歴、および推奨のために利用可能なそれらのゲームに関する情報を入力してもよい、など。すなわち、利用可能なゲームのカタログ全体が、第１のモデル、第２のモデルなどに入力され得るが、第１のモデルは、過去６ヶ月以内にリリースされたゲームを推奨する可能性が高い場合があり、第２のモデルは、過去１年以内にリリースされたゲームを推奨する可能性が高い場合がある、など。

各訓練された機械学習モデルは、複数のゲームタイトルの各々について、ユーザのゲームプレイ履歴と特定のゲームタイトルとの間の相関を示すスコアデータを出力し得る。読者が理解するように、ゲームプレイ履歴と高度に相関するそれらのゲームは、比較的高いスコアを有し、逆もまた同様である。さらに、コンピューティングシステムが「Ｎ」数のモデルを実装する場合、コンピューティングシステムは、「Ｎ」数のスコアデータを生成し得る。また、「相関」は、統計的相関ではなく、むしろ単に、対象ユーザと同じゲームプレイ履歴を有するユーザがこのゲームをプレイすることを選択し得る可能性の表現であり得ることを理解されたい。

加えて、コンピューティングシステムは、１つ以上のバイアス係数の異なる値に基づいてスコアデータをバイアスするように構成され得る。バイアス係数は、各ゲームの人気、各ゲームのコスト、各ゲームのジャンルなど、任意の数の係数を含み得る。一例では、バイアス係数は、ゲームの売上、ゲームのゲームプレイ量などによって決定されるような、各ゲームの人気を含み得る。場合によっては、（個々の訓練されたモデルによって決定される）各スコアデータは、結果として生じるバイアスされたデータが、ユーザによって所望される場合、その特定の人気レベルに対してより密接に一致するように、異なる人気レベルにおいてバイアスされてもよい。すなわち、コンピューティングシステムは、非常に人気のあるものから非常に不人気な（または非常に「ニッチ」な）ものにわたる数「Ｍ」のターゲット人気レベルにおいて、各ゲームタイトルの（および各モデルの）スコアをバイアスし得る。読者が理解するように、非常に人気のあるそれらのゲームタイトルの計算されたスコアは、「非常に高い」というターゲット人気レベルではブーストされ、「非常に低い」というターゲット人気レベルではペナルティされる。逆に、よりニッチなゲームタイトルの計算されたスコアは、「非常に高い」というターゲット人気レベルではペナルティされ、「非常に低い」というターゲット人気レベルではブーストされる。

最後に、コンピューティングシステムが今や、特定のユーザについて、「Ｎ」数の訓練されたモデルの各々についてスコアデータを計算し、「Ｍ」数の人気値を使用してこれらのスコアの各々をバイアスしたことを考慮すると、コンピューティングシステムは今や、ユーザに対して、「Ｍ×Ｎ」の量のスコア量を生成したことになり得る。例えば、コンピューティングシステムが６つのモデルおよび５つの人気レベルを利用する場合、コンピューティングシステムは、（モデルによって生成される６つのスコアデータの各々が５回バイアスされることを考慮すると）任意の特定のユーザに対して合計３０個のスコアを生成していることになる。当然のことながら、計算されるスコアデータは、任意の他の数の値を有し得、任意の他の（例えば、非線形の）方法でサンプリングされ得ることを理解されたい。さらに、この例では、（この場合、リリース日に基づいて）モデルを訓練する前の第１のパラメータの値、および（この場合、人気に基づいた）訓練後の第２のパラメータの値を入力することを説明しているが、任意の他の数のパラメータが、人気データに関して説明されるモデルへの入力および／または後処理の一部として適用されてもよい。また、後処理パラメータはバイアス係数として説明されているが、これらのバイアス係数は、モデルへの入力としてまたは後処理の一部として適用され得るパラメータを表すことに留意されたい。

このスコアデータを、行列の形式でまたはそれ以外の形式で計算すると、次いで、コンピューティングシステムは、この「結果データ」をユーザのクライアントデバイスに送信し得る。次いで、ユーザのクライアントデバイスは、この結果データ、ならびにユーザからの入力を使用して、ユーザが利用可能なゲームタイトルのうちの１つ以上を提示する順序を決定し得る。すなわち、クライアントデバイスは、結果データおよびユーザからの入力データを使用して、どのビデオゲームをユーザに推奨するか、およびユーザが異なる入力データを提供するときにこの推奨をどのように変更するかを決定し得る。

上記からの例を続けると、クライアントデバイスは、ユーザが、入力として、所望のリリース最近性の選択、および所望の人気レベルの選択を提供することを可能にし得る。すなわち、ユーザは、クライアントデバイスに対して、ユーザが、ゲーム推奨として、より最近にリリースされたゲームを見ることを好むか、より古いゲームを見ることを好むかを示し得る。さらに、ユーザは、主流である（すなわち、人気のある）ゲームの推奨を受け取りたいか、よりニッチな（すなわち、あまり人気のない）ゲームの推奨を受け取りたいかを指定することができる。以下の例は、ユーザが１つ以上のスライダを介してこの入力を提供するものとして例示および説明するが、この入力は任意の他の方法で提供されてもよいことを理解されたい。

ユーザが概してより新しくかつよりニッチなゲームの推奨を見たいことを示す入力などのユーザからの入力を受信すると、クライアントデバイスは、結果データを使用して、どのゲームをどの順序でユーザに推奨するかを決定し得る。場合によっては、クライアントデバイスは、入力から、クライアントデバイスがユーザについて受信した計算されたスコアデータのうちのどの１つ以上が、ユーザの入力データに最も近いかを識別し得る。例えば、あまり人気のない比較的新しいゲームを指定するユーザの例では、クライアントデバイスは、計算されたスコアデータからのスコアのうちのどれが、（１）この時間範囲にわたって訓練されたモデル、および（２）あまり人気のないタイトルをブーストするためにバイアスされたスコアに対応するかを識別し得る。これらのスコアを識別した後、クライアントデバイスは、個々のゲームに関連付けられたスコアを決定するために補間を使用し得、次いで、これらのスコアに基づいて、ゲーム推奨をユーザに提示し得る。例えば、クライアントデバイスは、双一次補間または任意の他の形式の補間を利用して、ゲームタイトルのスコアを計算し得、計算されたスコアに従ってこれらのゲームタイトルをソートし得、最も高いスコアを有するそれらのゲームタイトルは、リストの上部に配置される。さらに、上記の１つまたは両方のスライダを移動させることなどによって、ユーザが異なる入力データを提供する場合、クライアントデバイスは、スコアの行列または他の表現から、最も適切なスコアデータを再び識別し得、ゲームタイトルを再ランク付けするためにこのスコアデータを補間し得る。

リモートコンピューティングシステムにおいてこのスコアデータを生成し、クライアントデバイスにおいてローカルに補間を実行することによって、説明された技法は、クライアントデバイスにおいてコンテンツアイテム推奨をランク付けおよび再ランク付けするためのプロセスの流動性を大幅に改善する。すなわち、これらの技法は、単一の結果ではなく、複数のスコアデータをクライアントデバイスに送信することを伴うため、およびクライアントデバイスは、異なるユーザ入力を受信することに応答して、これらのスコアデータのリアルタイム補間を実行するように構成されるため、この技法は、リモートコンピューティングシステムへの追加のラウンドトリップ要求を必要とせずに、推奨のランク付けおよび再ランク付けを可能にする。言い換えれば、これらの技法は、ユーザが異なる入力を提供するたびにシステムに呼び出しを行い、かつシステムからの応答を待つという要件とは対照的に、リモートコンピューティングシステムへの単一の要求およびそれからの応答というコストで、コンテンツアイテム推奨を無制限に再ランク付けすることを可能にする。

加えて、本明細書に記載される技法は、非常に細かいレベルのコンテンツ推奨を提供する。ユーザが、第１のパラメータ（例えば、コスト、リリース日など）の所望の値、および第２のパラメータ（例えば、人気、コストなど）の所望の値を指定することを可能にすることによって、ならびにこれらの入力のクライアント側の補間を実行することによって、これらの技法は、高度に調整されたコンテンツアイテム推奨を提供する。

これらの技法のいくつかは、２つのパラメータ（リリースデータおよび人気）に関して本明細書で説明されているが、これらの技法は、任意の他の数のパラメータ（例えば、１、５など）および任意の他のパラメータ値（例えば、コスト、ジャンルなど）のために使用され得ることを理解されたい。また、推奨は１つ以上のＵＩ上に提示されるように説明されているが、推奨は、任意の他の方法（例えば、聴覚的、視覚的になど）で出力されてもよいことを理解されたい。

図１は、ディスプレイ１０４に関連付けられたクライアントデバイス１０２と、様々なユーザにコンテンツアイテムを推奨するために機械学習モデルを訓練して使用するように構成されたリモートコンピューティングシステム１０６とを含む例示的な環境を示す図である。場合によっては、以下でさらに詳細に説明するように、リモートコンピューティングシステム１０６は、複数のモデルを訓練し、その後、ユーザの消費履歴をモデルの各々に入力して、複数のコンテンツアイテムタイトルの各々と消費履歴との間の相関を示すスコアデータを生成する。さらに、コンピューティングシステム１０６は、１つ以上のバイアス係数を使用して結果データを生成してもよく、これを、コンピューティングシステムは、ユーザのクライアントデバイス１０２に送信し得る。クライアントデバイス１０２は、この結果データ、ならびに異なるユーザ入力を使用して、ディスプレイ１０４上でまたはそれ以外で、ユーザにコンテンツアイテム推奨を提示する順序を決定してもよい。

クライアントデバイス１０２は、ビデオゲーム、映画、歌などのコンテンツアイテムを実行するように構成された任意の適切なタイプのコンピューティングデバイスとして実装され得る。クライアントデバイス１０２は、パーソナルコンピュータ（ＰＣ）、デスクトップコンピュータ、ラップトップコンピュータ、携帯電話（例えば、スマートフォン）、タブレットコンピュータ、携帯型情報端末（ＰＤＡ）、ウェアラブルコンピュータ（例えば、仮想現実（ＶＲ）ヘッドセット、拡張現実感（ＡＲ）ヘッドセット、スマートグラスなど）、車載（例えば、車内）コンピュータ、テレビ（スマートテレビ）、セットトップボックス（ＳＴＢ）、ゲームコンソール、音楽プレイヤー、音声制御アシスタント、および／または任意の同様のコンピューティングデバイスを含み得るが、これらに限定されない。クライアントデバイス１０２は、コンピュータネットワーク１０８を介してリモートコンピューティングシステム１０６（本明細書では「コンピューティングシステム１０６」と短縮される場合もある）と通信し得る。このコンピュータネットワーク１０８は、インターネット、他のタイプのデータおよび／または音声ネットワーク、有線インフラストラクチャ（例えば、同軸ケーブル、光ファイバケーブルなど）、無線インフラストラクチャ（例えば、無線周波数（ＲＦ）、移動通信、衛星など）、および／または他の接続技術を表すか、または含み得るが、これらに限定されない。コンピューティングシステム１０６は、場合によっては、コンピュータネットワーク１０８を介して維持およびアクセスされるネットワークアクセス可能なコンピューティングプラットフォームの一部であってもよい。このようなネットワークアクセス可能コンピューティングプラットフォームは、「オンデマンドコンピューティング」、「サービスとしてのソフトウェア（ＳａａＳ）」、「プラットフォームコンピューティング」、「ネットワークアクセス可能プラットフォーム」、「クラウドサービス」、「データセンタ」などの用語を使用して言及される場合がある。

いくつかの実施形態では、コンピューティングシステム１０６は、ビデオゲーム（または任意の他のタイプのコンテンツアイテム）をクライアントデバイス１０２に配信（例えば、ダウンロード、ストリーミングなど）するようにビデオゲームサービスを実装するビデオゲームプラットフォームとして機能するか、またはそれへのアクセスを有する。一例では、クライアントデバイス１０２は各々、その上にクライアントアプリケーションをインストールし得る。インストールされたクライアントアプリケーションは、ビデオゲームクライアント（例えば、ビデオゲームをプレイするためのゲームソフトウェア）であり得る。クライアントアプリケーションがインストールされたクライアントデバイス１０２は、コンピュータネットワーク１０８を介してコンピューティングシステム１０６からプログラム（例えば、ビデオゲーム、およびそのコンテンツ）をダウンロード、ストリーミング、あるいは他の方法で受信するように構成され得る。この目的のために、プログラム（例えば、ビデオゲーム）がクライアントデバイス１０２上でのダウンロードおよび実行のために個々に購入できる直接購入モデル、サブスクリプションベースのモデル、プログラムがクライアントデバイス１０２に対してある期間の間レンタルもしくはリースされるか、ストリーミングされるか、または他の方法で利用可能になるコンテンツ配信モデルなど、任意のタイプのコンテンツ配信モデルを利用することができる。したがって、個々のクライアントデバイス１０２は、クライアントアプリケーションをロードすることによって実行可能である１つ以上のインストールされたビデオゲームを含み得る。

クライアントデバイス１０２を使用して、ビデオゲームサービスに登録し、その後、それにログインすることができる。ユーザは、この目的のためにユーザアカウントを作成し、登録ユーザアカウントに結び付けられた資格情報（例えば、パスワード、ＰＩＮ、生体認証ＩＤなど）を指定／設定し得る。複数のユーザが（例えば、登録ユーザアカウントを用いて自分のユーザ／プレイヤープロファイルにアクセスすること、それぞれのクライアントデバイス１０２上でビデオゲームをプレイすることなどによって）ビデオゲームプラットフォームと対話すると、クライアントデバイス１０２は、リモートコンピューティングシステム１０６にデータを送信する。所与のクライアントマシン１０４のために、リモートコンピューティングシステム１０６に送信されるデータは、ユーザ入力データ、ビデオゲームデータ（例えば、リモートシステムにアップロードされたゲームパフォーマンス統計）、ソーシャルネットワーキングメッセージおよび関連アクティビティ、クライアントデバイス１０２上でプレイされるビデオゲームの識別子（ＩＤ）などを含み得るが、これらに限定されない。このデータは、リアルタイム（もしくは実質的にリアルタイム）にストリーミングされ、定義された間隔でリモートシステム１０６に送信され、および／またはイベント（例えば、ビデオゲームの終了）に応答してアップロードされることが可能である。以下でさらに詳細に説明されるように、このデータは、クライアントデバイス１０２のユーザのゲームプレイ履歴を決定するために使用されてもよく、これは、ユーザにゲームタイトルを推奨するためのスコアを決定するために使用され得る。

図１は、例えば、クライアントデバイス１０２が、１つ以上のコンテンツアイテム（例えば、ビデオゲーム）をクライアントデバイス１０２のユーザに推奨するためのＵＩ１１０をディスプレイ１０４上に提示し得ることを示す。この例では、ＵＩ１１０は、２つの異なるユーザ入力を提供するための１つ以上のＵＩコントロール１１２（１）および１１２（２）を含む。例えば、第１のＵＩコントロール１１２（１）は、クライアントデバイス１０２のユーザが第１のパラメータの所望の値を提供することを可能にし得、一方、第２のＵＩコントロール１１２（２）は、ユーザが第２のパラメータの所望の値を提供することを可能にし得る。次いで、クライアントデバイスは、これらの値を使用して、推奨コンテンツアイテム１１４（１）、１１４（２）、１１４（３）、および１１４（４）のカスタムリスト１１４を生成し得る。以下でさらに詳細に説明および図示されるように、第１のＵＩコントロール１１２（１）は、ユーザが所望の人気レベルを指定することを可能にし得、一方、第２のＵＩコントロール１１２（２）は、ユーザがコンテンツアイテムの所望のレベルのリリース日最近性を指定することを可能にし得る。さらに、また、以下に考察されるように、クライアントデバイス１０２は、ユーザがＵＩコントロールを介して、かつコンピューティングシステム１０６と対話せずに入力を提供することに応答して、推奨コンテンツアイテムのリスト１１４を更新し得る。

図１はさらに、コンピューティングシステム１０６が、１つ以上のプロセッサ１１６（例えば、中央処理ユニット（ＣＰＵ）およびコンピュータ可読媒体１１８を含み得ることを示す。コンピュータ可読媒体１１８は、揮発性および不揮発性メモリ、コンピュータ可読命令、データ構造、プログラムモジュール、または他のデータなどの情報を記憶するための任意の方法または技術で実装された、取り外し可能および取り外し不可能な媒体を含み得る。そのようなメモリとしては、限定されるものではないが、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリもしくは他のメモリ技術、ＣＤ－ＲＯＭ、デジタル多目的ディスク（ＤＶＤ）もしくは他の光学ストレージ、磁気カセット、磁気テープ、磁気ディスクストレージもしくは他の磁気ストレージデバイス、ＲＡＩＤストレージシステム、または所望の情報を記憶するために使用され得、コンピューティングデバイスによってアクセスされ得る、任意の他の媒体が挙げられる。コンピュータ可読媒体１１８は、コンピュータ可読媒体１１８に記憶された命令を実行するためにプロセッサ１１６によってアクセス可能な任意の利用可能な物理媒体であり得る、コンピュータ可読ストレージ媒体（「ＣＲＳＭ」）として実装され得る。１つの基本的な実装形態では、ＣＲＳＭは、ランダムアクセスメモリ（「ＲＡＭ」）およびフラッシュメモリを含み得る。他の実装形態では、ＣＲＳＭには、読み出し専用メモリ（「ＲＯＭ」）、電気的に消去可能なプログラマブル読み出し専用メモリ（「ＥＥＰＲＯＭ」）、または所望の情報を記憶するために使用され得、プロセッサ１１６によってアクセスされ得る、任意の他の有形媒体が含まれ得るが、これらに限定されない。

図示されるように、コンピュータ可読媒体１１８は、訓練構成要素１２０、相関構成要素１２２、およびバイアス構成要素１２４を記憶するか、または別様にそれらへのアクセスを有し得る。さらに、メディア１１８は、それぞれのコンテンツアイテムの人気（例えば、売上、ゲームプレイ時間など）を示す人気データ１２６、クライアントデバイスにおいて取得するために利用可能なコンテンツアイテム１２８、および様々なユーザのそれぞれの消費履歴を示す履歴データ１３０を記憶し得る。

訓練構成要素１２０は、履歴データ１３０を使用して、１つ以上の機械学習モデル１３２（１）、１３２（２）、…、１３２（Ｎ）を訓練し得る。例えば、訓練構成要素１２０は、訓練された機械学習モデル１３２（１）～（Ｎ）を取得するための訓練データとして、サンプリングされたユーザアカウントのセットに関連付けられた履歴データ１３０の一部分を使用して、複数の機械学習モデルの各々を訓練し得る。

訓練された機械学習モデル１３２は、単一のモデル、または基本レベルの機械学習モデルのアンサンブルを表し得、任意のタイプの機械学習モデル１３２として実装され得る。例えば、本明細書に記載の技法およびシステムで使用するのに好適な機械学習モデル１３２には、これらに限定されないが、ニューラルネットワーク、ツリーベースモデル、サポートベクターマシン（ＳＶＭ）、カーネル法、ランダムフォレスト、スプライン（例えば、多変量適応回帰スプライン）、隠れマルコフモデル（ＨＭＭ）、カルマンフィルタ（または拡張カルマンフィルタ）、ベイズネットワーク（またはベイズ信念ネットワーク）、期待値最大化、遺伝的アルゴリズム、線形回帰アルゴリズム、非線形回帰アルゴリズム、ロジスティック回帰ベースの分類モデル、あるいはこれらのアンサンブルがある。「アンサンブル」には、加重平均または投票を使用するなどによって、出力（予測）が組み合わされた機械学習モデル１３２の集合を含むことができる。アンサンブルの個々の機械学習モデルは専門知識が異なる可能性があり、アンサンブルは、アンサンブルの個々の機械学習モデルよりも集合的に「スマート」な個々の機械学習モデルのコミッティーとして動作することができる。

各機械学習モデル１３２を訓練するために使用される訓練データは、様々なタイプのデータを含み得る。一般に、機械学習のための訓練データは、特徴およびラベルという２つの構成要素を含むことができる。しかしながら、いくつかの実施形態では、機械学習モデル１３２を訓練するために使用される訓練データは、ラベル付けなしであり得る。したがって、機械学習モデル２１６は、教師あり学習、教師なし学習、半教師あり学習、強化学習など、任意の好適な学習技法を使用して訓練可能であり得る。訓練データに含まれる特徴は、訓練データの属性に関する定量化可能な情報のｎ次元特徴ベクトルの形式など、特徴のセットで表すことができる。以下は、本明細書で説明される機械学習モデル１３２を訓練するための訓練データに含めることができる例示的な特徴のリストである。ただし、以下の特徴のリストは網羅的ではなく、訓練において使用される特徴は、本明細書に記載されていない追加の特徴、および場合によっては、本明細書に記載される特徴のすべてではないが一部分を含み得ることを理解されたい。訓練データに含まれる例示的な特徴は、限定はされないが、リリース日、コンテンツアイテム、コンテンツアイテムのジャンル、コンテンツアイテムのタイトル、コンテンツアイテムの長さ、コンテンツアイテムの評価、コンテンツアイテムを消費したユーザなどを含み得る。さらに、訓練プロセスの一部として、訓練構成要素１２０は、機械学習のための重みを設定し得る。これらの重みは、履歴データ１３０から導出されるとき、訓練データに含まれる特徴のセットに適用され得る。いくつかの実施形態では、訓練プロセス中に設定される重みは、機械学習モデルの内部にあるパラメータ（例えば、ニューラルネットワークの隠れ層内のニューロンに対する重み）に適用され得る。機械学習モデルのこれらの内部パラメータは、特徴のセットのうちの個々の入力特徴と１対１でマッピングされても、またはマッピングされなくてもよい。重みは、任意の所与の特徴またはパラメータが、訓練された機械学習モデル１３２によって出力されるスコアに及ぼす影響を示すことができる。

場合によっては、訓練構成要素１２０は、ユーザの個々の消費履歴にアクセスし、モデルの出力としてそれぞれの履歴によって示される特定のコンテンツアイテムを選択し、モデルへの入力として消費履歴を入力し、モデルの１つ以上の内部層を訓練することによって、個々のモデルを訓練してもよい。例えば、上述したように、訓練構成要素は、第１のユーザの消費履歴にアクセスし得、この履歴を第１のモデル１３２（１）の訓練のために使用し得る。例えば、第１のモデル１３２（１）が、過去６ヶ月間にリリースされたコンテンツアイテムのタイトルを推奨する際に使用される場合、訓練構成要素１２０は、ユーザの履歴から、過去６ヶ月間にリリースされた１つのゲームタイトルを選択し得、この選択されたタイトルがモデルの出力であることを第１のモデル１３２（１）に指示し得る。その後、訓練構成要素１２０は、第１のモデル１３２（１）への入力としてユーザの消費履歴全体を提供し、かつ第１のモデル１３２（１）の１つ以上の内部層を訓練するための第１のモデル１３２（１）の出力として、選択されたコンテンツアイテムタイトルを提供し得る。例えば、第１のモデル１３２（１）が人工ニューラルネットワークを含む場合、出力としてコンテンツアイテムタイトルを選択し、入力としてユーザの消費履歴に関する情報を提供することは、ニューラルネットワークの１つ以上の内部層を訓練するのに有効であり得る。ニューラルネットワークの入力および出力、ならびに使用され得る他のタイプのモデルは、リリースデータ、ジャンル、ゲームタイプなど、対応するゲームタイトルまたは他のコンテンツアイテムの特徴を含み得ることを理解されたい。

場合によっては、訓練構成要素１２０は、機械学習モデル１３２（１）の出力として使用されるタイトルを選択する際に、ユーザが自分の履歴内で各コンテンツアイテムを消費した時間量を考慮に入れてもよい。例えば、訓練構成要素１２０は、ユーザが、ユーザの消費履歴内で参照される各個々のタイトルを消費した時間量を最初に決定し得る。これは、絶対的に（例えば、時間に関して）、または相対的に（例えば、タイトルを同じく消費した他のユーザに対する時間に関して）のいずれかで決定され得る。この情報は、個々のコンテンツアイテムのタイトルに対する重みとして適用され得る。履歴に関連付けられた各タイトルに重みを適用した後、またはこの情報をモデルに入力した後（潜在的には、ユーザによる消費量が非常に少ないためにいくつかのタイトルをフィルタリング除去した後）、訓練構成要素１２０は、次いで、第１のモデル１３２（１）によって出力として使用される１つ（または複数）のコンテンツアイテムタイトルを選択し得る。そうすることによって、訓練構成要素１２０は、ユーザによって最も消費されるコンテンツアイテムが第１のモデル１３２（１）の出力として選択される可能性を増大させ、したがって、ユーザにとって興味のあるコンテンツアイテムをモデルが選択する可能性がより高くなるような方法で第１のモデルの内部層を訓練することになる。

第１のモデル１３２（１）を訓練することに加えて、いくつかの例では、訓練構成要素１２０はまた、過去１年以内にリリースされたゲームを推奨するためのモデル１３２（２）、過去３年以内にリリースされたゲームを推奨するためのモデル１３２（３）など、複数の他のモデルを訓練してもよい。各例において、訓練構成要素１２０は、ユーザの消費履歴にアクセスし、特定のモデルへの出力として、履歴内に示され、かつ特定のモデルに関連付けられた時間量内（例えば、１年以内、３年以内など）にリリースされたタイトルを選択し得る。さらに、上記の例は、複数の機械学習モデルの各々を訓練するために単一の履歴にアクセスすることを説明しているが、訓練構成要素１２０は、モデル１３２を訓練するために数千以上の履歴を分析できることを理解されたい。

一方、相関構成要素１２２は、これらの個々のユーザから推奨要求を受信することに応答して、個々のユーザについて相関スコアを生成するように機能し得る。例えば、例示されるように、クライアントデバイス１０２は、１つ以上のプロセッサ１３４と、１つ以上のクライアントアプリケーション１３８および補間構成要素１４０を記憶するかまたは他の方法でそれらにアクセスし得るコンピュータ可読媒体１３６とを含み得る。場合によっては、クライアントデバイス１０２のユーザは、ＵＩ１１０をレンダリングするためのデータを要求するためなど、コンピューティングシステム１０６と対話するために、クライアントアプリケーション１３８（例えば、ブラウザ、専用アプリケーションなど）のうちの１つを利用してもよい。この要求を受信したことに応答して、相関構成要素は、１つ以上のコンテンツアイテムをユーザに推奨するために使用され得るスコアデータを生成するために、クライアントデバイス１０２のユーザに関連付けられた識別子を決定し得る。

一例では、ユーザ相関構成要素１２２は、ユーザを識別した後、履歴データ１３０から、クライアントデバイス１０２のユーザの消費履歴にアクセスする。次いで、相関構成要素は、この消費履歴を、「Ｎ」個の訓練されたモデル１３２の各々に入力し得る。モデル１３２は、個々のモデル１３２に対応する時間範囲に関連付けられた複数のコンテンツアイテムの各々について、コンテンツアイテムとユーザの消費履歴との間の相関を示すスコアデータを各々出力し得る。上記のように、より高いスコアは、より大きい相関を示し得る。いくつかの例では、特定のモデルに関連付けられた各時間範囲は排他的であり、例えば、第１のモデルが、過去６ヶ月以内にリリースされたコンテンツアイテムに関連付けられる例では、第２のモデルは、６ヶ月～１２ヶ月前にリリースされたコンテンツアイテムに関連付けられる、など。他の例では、時間範囲は排他的でなく、例えば、第１のモデルが、過去６ヶ月以内にリリースされたコンテンツに関連付けられる例では、第２のモデルは、（６ヶ月前を含む）過去１年以内にリリースされたコンテンツアイテムに関連付けられる、など。

一方、バイアス構成要素１２４は、「Ｍ」数の特定のパラメータの値に従って、相関構成要素１２２によって生成された「Ｎ」個のスコアデータの各々をバイアスするように機能し得る。このパラメータは、人気レベル、コスト、リリース日などを含み得る。場合によっては、パラメータは、人気データ１２６によって示されるような、人気レベルを含む。

例えば、バイアス構成要素は、各モデルによって出力される各スコアデータに関連付けられた各コンテンツアイテムについて、「Ｍ」個の異なる人気値について個々のスコアをブーストするか、またはペナルティするかを決定し得る。一例では、バイアス構成要素１２４は、非常に人気のあるものから非常に不人気な（または、むしろ、非常に「ニッチ」な）ものにわたる５つの異なる人気値に従って、各コンテンツアイテムについてスコアをブーストまたはペナルティする。そうした後、バイアス構成要素は、スコアの行列または他の表現を生成していることになり得、その１つの実装形態は、図３を参照して図示および説明される。

スコアの行列または他の表現が生成された後、コンピューティングシステム１０６は、この「結果データ」を、推奨を最初に要求したクライアントデバイス１０２に送り返し得る。次いで、補間構成要素１４０は、受信された結果データ、ならびにＵＩコントロール１１２（１）および１１２（２）の値に少なくとも部分的に基づいて、推奨されるコンテンツアイテムを提示する順序を決定し得る。例えば、これらの２つのコントロールの値の任意の所与のセットについて、補間構成要素１４０は、結果データから、最も近い１つ以上のスコアデータを識別してもよく、識別されたスコアデータに基づいてコンテンツアイテムのスコアを補間してもよい。補間構成要素１４０は、双一次補間および／または補間の任意の他の方法を採用することができる。さらに、ユーザがＵＩコントロール１１２（１）および／または１１２（２）を介して入力を提供するとき、補間構成要素１４０は、新しい補間を実行し、新しい推奨を示すようにＵＩ１１０を更新し得る。

図２は、機械学習モデルを生成し、それらを特定のユーザの履歴データに適用し、生成された結果データをユーザのクライアントデバイスに送信し、この結果データおよび受信されたユーザ入力を使用して、ユーザにコンテンツアイテム推奨を提示する順序を決定するための動作の例示的なプロセス２００を示す。このプロセス２００は、図１の環境１００を参照して説明されるが、それは、他の環境に適用され得る。

動作２０２において、コンピューティングシステム１０６は、上述の技法のいずれかを使用して、１つ以上の機械学習モデルを訓練し得る。場合によっては、動作２０２は、コンテンツアイテムがリリースされた特定の時間ウィンドウなど、パラメータの特定の値にそれぞれ関連付けられた「Ｎ」数のモデルを訓練することを含む。

一例では、コンピューティングシステム１０６は、コンピューティングシステムコミュニティに関連付けられた複数のユーザのそれぞれの消費履歴（例えば、ゲームプレイ履歴、移動履歴など）にアクセスすることによって訓練動作を開始し得る。例えば、コンピューティングシステムは、ビデオゲームサービスコミュニティの第１のユーザのゲームプレイ履歴にアクセスし得、この履歴を、第１のモデルを訓練するために使用し得る。例えば、第１のモデルが、過去６ヶ月以内にリリースされたゲームタイトルを推奨する際に使用される場合、コンピューティングシステムは、ユーザのゲームプレイ履歴から、過去６ヶ月以内にリリースされた１つのゲームタイトルを選択し得、この選択されたゲームタイトルが分類器の出力であることを第１のモデルに指示し得る。すなわち、コンピューティングシステム１０６は、モデルが訓練されているパラメータの値を有するゲームタイトルまたは他のコンテンツアイテムを識別し得る。

その後、コンピューティングシステム１０６は、第１のモデルへの入力としてユーザのゲームプレイ履歴全体を提供し、かつ第１のモデルの１つ以上の内部層を訓練するための第１のモデルの出力として、選択されたゲームタイトルを提供し得る。例えば、第１のモデルが人工ニューラルネットワークを含む場合、出力としてゲームタイトルを選択し、入力としてユーザのゲームプレイ履歴に関する情報を提供することは、ニューラルネットワークの１つ以上の内部層を訓練するのに有効であり得る。ニューラルネットワークの入力および出力、ならびに使用され得る他のタイプのモデルは、リリースデータ、ジャンル、ゲームタイプなど、対応するゲームタイトルまたは他のコンテンツアイテムの特徴を含み得ることを理解されたい。

場合によっては、コンピューティングシステム１０６は、機械学習モデルの出力として使用されるゲームタイトルを選択する際に、ユーザが自分の履歴内で各ゲームをプレイした時間量を考慮に入れてもよい。例えば、コンピューティングシステムは、ユーザが、ユーザのゲームプレイ履歴で参照される各個々のゲームタイトルをプレイした時間量を最初に決定し得る。これは、絶対的に（例えば、プレイ時間に関して）、または相対的に（例えば、ゲームタイトルを同じくプレイした他のユーザに対するプレイ時間に関して）のいずれかで決定され得る。この情報は、個々のゲームタイトルに重みとして適用されるか、またはモデルのための情報として入力され得る。ゲームプレイ履歴に関連付けられた各ゲームタイトルに重みを適用した後、またはこの情報をモデルに入力した後（潜在的には、ユーザによるゲームプレイ量が非常に少ないためにいくつかのゲームタイトルをフィルタリング除去した後）、コンピューティングシステムは、次いで、第１のモデルによって出力として使用される１つ（または複数）のゲームタイトルを選択し得る。そうすることによって、コンピューティングシステムは、ユーザによって最もプレイされるゲームが第１のモデルの出力として選択される可能性を増大させ、したがって、ユーザにとって興味のあるゲームをモデルが選択する可能性がより高くなるような方法で第１のモデルの内部層を訓練することになる。

第１のモデルを訓練することに加えて、いくつかの例では、コンピューティングデバイスはまた、過去１年内にリリースされたゲームを推奨するためのモデル、過去３年以内にリリースされたゲームを推奨するためのモデルなど、パラメータの異なる値にそれぞれ関連付けられた複数の他のモデルを訓練してもよい。各例において、コンピューティングシステムは、ユーザのゲームプレイまたは他の消費履歴にアクセスし、特定のモデルへの出力として、ゲームプレイ履歴内に示され、かつ特定のモデルに関連付けられた時間量内（例えば、１年以内、３年以内など）にリリースされたゲームタイトルを選択し得る。さらに、上記の例は、複数の機械学習モデルの各々を訓練するために単一のゲームプレイ履歴にアクセスすることを説明しているが、コンピューティングシステムは、モデルを訓練するために数千以上のゲームプレイ履歴を分析できることを理解されたい。

動作２０４において、クライアントデバイス１０２は、１つ以上のコンテンツアイテム推奨についての要求をユーザから受信する。これは、ユーザが、クライアントデバイス１０２を使用して、コンピューティングシステム１０６によって提供されるサイトにナビゲートすること、コンピューティングシステム１０６によって生成される専用アプリケーションと対話することなどを含み得る。

動作２０６において、コンピューティングシステム１０６は、要求を受信し、動作２０８において、「Ｎ」個の訓練されたモデルを使用して、「Ｎ」個の相関スコアのセットを生成する。上記のように、これは、要求しているユーザの消費履歴を識別し、「Ｎ」個の訓練されたモデルの各々に消費履歴を入力して、「Ｎ」個の相関スコアセットを受信することを含み得る。

動作２１０において、コンピューティングシステム１０６は、１つ以上のバイアス係数を使用して、相関スコアの「Ｎ」セット内の各スコアを修正する。例えば、各バイアス係数について、コンピューティングシステム１０６は、「Ｍ」数の値のバイアス係数を使用して、ＭｘＮ数の今やバイアスされた相関スコアセットを生成し得る。もちろん、複数のバイアス係数が使用される場合、より多数のセットが生成され得る。例えば、２つのバイアス係数が使用される場合、コンピューティングシステム１０６は、ＭｘＭｘＮ数のバイアスされたスコアを生成し得る。上述したように、いくつかの事例では、バイアス係数は、各コンテンツアイテムの人気レベルに対応し得る。さらに、コンピューティングシステム１０６は、相関スコアおよびバイアス相関スコアを非線形に生成し得ることも理解されたい。さらに、任意の数の値が計算されてもよい。

動作２１２において、コンピューティングシステムは、この「結果データ」をクライアントデバイス１０２に送信し、クライアントデバイス１０２は、動作２１４において結果データを受信する。動作２１６において、クライアントデバイス１０２は、受信された結果データに基づいて、１つ以上のコンテンツアイテム推奨をユーザに提示する。場合によっては、初期推奨は、ユーザによって設定され得る値を有する任意のパラメータの値の現在の設定に基づいてもよい。

動作２１８において、クライアントデバイス１０２は、ユーザから入力を受信する。これは、所望のリリースデータ、所望の人気レベルなど、１つ以上のパラメータの値を変更することを含み得る。動作２２０において、クライアントデバイス１０２は、入力データおよび結果データを使用して、コンテンツアイテムのスコアを補間する。すなわち、クライアントデバイス１０２は、結果データおよび受信された入力を使用して推奨順序を生成する。最後に、動作２２２において、クライアントデバイス１０２は、推奨を、新たに計算された順序ではあるが再提示し得る。

図３は、モデルを生成し、結果として得られるスコアをバイアスし、モデルを特定のユーザの履歴データに適用し、この結果データおよび受信されたユーザ入力を使用して、ユーザにコンテンツアイテム推奨を提示する順序を決定するための、例示的な構成要素、およびその対話を示す。図３は、説明される技法を実行するための構成要素の一例のセットを例示するが、他の例では他の構成要素が使用されてもよいことを理解されたい。

図示されるように、この例では、構成要素のうちのいくつかは、サーバ側３０２に存在し、他の構成要素は、クライアント側１０４に存在する。例えば、サーバ側３０２上の構成要素は、コンピューティングシステム１０６上に存在してもよく、一方、クライアント側の構成要素は、クライアントデバイス１０２上に存在してもよい。

開始するために、履歴データ１３０および１つ以上のパラメータ３０６（１）、３０６（２）、…、３０６（Ｎ）が、訓練構成要素１２０に入力されて、それぞれのモデル１３２（１）～（Ｎ）が生成され得る。すなわち、訓練構成要素１２０は、訓練構成要素１２０がモデルを訓練するパラメータの特定の値の指示を受信し得る。例えば、パラメータ３０６（１）は、「過去６ヶ月以内のリリース日」の値を示し得、パラメータ３０６（２）は、「過去１年以内のリリース日」の値を示し得る、など。もちろん、他の例では、パラメータは、コンテンツアイテムの価格、コンテンツアイテムの人気などに対応し得る。さらに、履歴データ１３０は、上述したようにユーザの集団の消費履歴を含み得る。

また上述したように、訓練構成要素１２０は、モデルを訓練するためのそれぞれの機械学習モデルに、個々の消費履歴を入力し得る。例えば、「過去６ヶ月以内のリリース日」のパラメータ値を有するモデル１３２（１）について、訓練構成要素は、モデルへの入力として個々の消費履歴を入力し得、各それぞれの履歴から、モデル１３２（１）の出力として過去６ヶ月以内にリリースされたコンテンツアイテムのタイトルを指定し得る。次いで、訓練構成要素１２０は、この入力および出力を使用して、このモデル１３２（１）の１つ以上の内部層を訓練し得る。訓練構成要素１２０は、履歴データ１３０からの様々な消費履歴の配列に対して、およびモデル１３２（１）～（Ｎ）の各々に対して、この動作を実行し得る。さらに、モデル３２への入力は、ユーザに関連付けられた地理的位置、ユーザに関連付けられた人口統計学的情報など、ユーザに関連付けられた情報を含み得る。さらに、モデルへの数個の例示的な入力が説明されたが、任意の他のタイプの入力がモデルに提供されてもよいことを理解されたい。

モデル１３２（１）～（Ｎ）が訓練された後、これらのモデルは、ユーザに対するコンテンツアイテム推奨を生成するために使用され得る。特定のユーザから推奨についての要求を受信すると、ユーザに関連付けられた（履歴データ１３０に記憶された）消費履歴が、利用可能なコンテンツアイテム１２８のライブラリと共に、相関構成要素１２２に入力されてもよい。相関構成要素は、このデータをモデル１３２（１）～（Ｎ）の各々に入力し得、これは、それぞれの相関スコア３０８（１）、３０８（２）、…、３０８（Ｎ）を出力し得る。例えば、モデル１３２（１）は、過去６ヶ月以内にリリースされ、かつユーザの消費履歴などに基づいてユーザに対して調整されたコンテンツアイテムに対する推奨を出力し得る。

いくつかの例では、これらのスコア３０８（１）～（Ｎ）は、バイアス構成要素１２４に入力され得、これは、相関スコア３０８（１）～（Ｎ）の各々について、バイアスされたスコア３１０（１）、３１０（２）、…、３１０（Ｎ）のセットを生成し得る。すなわち、バイアス構成要素は、特定のバイアス係数の１つ以上の値を選択し得、コンテンツアイテムがバイアス係数のそれぞれの値にどの程度良く対応するかに基づいて、スコア３０８（１）～（Ｎ）の各々内の各コンテンツアイテムのスコアをブーストまたはペナルティし得る。例えば、バイアス係数は、バイアス構成要素に入力され得る人気データ１２６によって示されるような、コンテンツアイテムの人気を含み得る。上述したように、この人気データ１２６は、売上データ、消費時間などを含み得る。

一例では、バイアス構成要素は、非常に人気のある（例えば、非常に高い売上数を有する）ものから非常に不人気またはニッチな（例えば、非常に低い売上数を有する）ものにわたるＭ個の人気値など、「Ｍ」数の値のバイアス係数を選択する。したがって、バイアス構成要素１２４は、バイアス係数の前者の値では、非常に人気のあるタイトルのスコアをブーストし、非常にニッチなタイトルをペナルティし得、バイアスの後者の値では、反対のことを行い得る。この例では、バイアス構成要素１２４は、サンプリングが非線形に行われ得ることを考慮して、「ＭｘＮ」または任意の他の数の、いくつかのバイアスされたスコアを出力し得る。いくつかの例では、コンピューティングシステム１０６は、これらのバイアスされたスコア３１０（１）～（Ｎ）を、推奨についての要求を開始したユーザに関連付けられたクライアントデバイス１０２に送信する。

図示されるように、バイアスされたスコア３１０（１）～（Ｎ）のセットは、結果データ３１２としてクライアントデバイス１０２に提供され得る。この結果データ３１２は、潜在的には、クライアントデバイス１０２において受信されたユーザ入力に応答して生成された入力データ３１４と共に、補間構成要素１４０に入力されてもよい。例えば、入力データ３１４は、モデル１３２（１）～（Ｎ）上のパラメータの特定の値、および／またはスコアが上にバイアスされたバイアス係数の特定の値を示し得る。この入力データ３１４を受信したことに応答して、補間構成要素１４０は、ユーザに推奨を提示する順序３１６を決定し得る。例えば、入力データ３１４を受信すると、補間構成要素１４０は、結果データから、１つ以上の最も近いバイアスされたスコアを識別し得、必要に応じてこれらの値の間を補間し得る。例えば、補間構成要素１４０は、ユーザに推奨を提示する順序３１６を決定するために、双一次補間または任意の他のタイプの補間を実行し得る。さらに、異なる入力データ３１４（例えば、パラメータまたはバイアス係数の異なる値）が受信されると、補間構成要素１４０は、入力データ３１４および結果データ３１２を使用して順序３１６を再補間し得、新しい順序３１６で推奨をユーザに提示し得る。さらに、上述のように、補間構成要素１４０は、コンピューティングシステム１０６と対話せずに、結果データ３１２および入力データ３１４を使用して異なる順序を再計算し得、したがって、クライアントデバイス１０２のディスプレイ上で推奨に対してリアルタイムのリソートが可能になる。

図４は、リモートコンピューティングシステム１０２が生成し、かつユーザのクライアントデバイス１０２に送信し得る例示的な結果データ３１２を図示する。図示されるように、この例では、結果データ３１２は、スコアのＭｘＮ行列を含み得、クライアントデバイスは、様々なユーザ入力の受信に応答して、必要に応じてスコア間を補間し得る。しかしながら、結果データは、任意の数の次元のパラメータ空間内の任意のパターンでサンプリングされ得ることを理解されたい。例えば、スコアの行列または他の表現は、例示されたＭｘＮ点以外の異なる点においてサンプリングされ得る。例えば、サンプリングは、非線形的に行われ得る。さらに、サンプリングされる点の数は、変化し得る（例えば、点のＭｘＮ数よりも多い、少ない場合がある）。さらに、より高次元のパラメータ空間をもたらす、３つ以上のパラメータおよび／またはバイアス係数を使用してもよい。

この例では、結果データ３１２は、コンテンツアイテムがリリースされた時間範囲のパラメータ、およびコンテンツアイテムの人気に対応するバイアス係数に対応する。さらに、訓練構成要素１２０は、パラメータの「Ｎ」数の値（時間範囲１～Ｎ）を有する結果データによって示されるように、このパラメータの「Ｎ」数の値を訓練している。加えて、バイアス構成要素１２４は、バイアス係数の「Ｍ」数の値（人気１～Ｍ）を使用して、相関構成要素１２２によって出力される各スコアをバイアスし得る。したがって、この例では、結果データ３１２は、ＭｘＮ数のスコアを含む。

パラメータ（時間範囲）の値またはバイアス係数（人気）の値を変更する入力を提供するユーザに応答して、補間構成要素は、最も近いスコアを識別し得、補間を実行して補間スコアを計算し得、これは、コンテンツアイテムをユーザに推奨する順序を決定するために使用され得る。例えば、クライアントデバイス１０２を動作させるユーザが、「時間範囲１」と「時間範囲２」との間の時間にリリースされ、かつ「人気１」と「人気２」との間にある人気を有するコンテンツアイテムの推奨を表示するように要求することを想定する。この入力データの受信に応答して、補間構成要素１４０は、「バイアスされたスコア１１」、「バイアスされたスコア１２」、「バイアスされたスコア２１」、および「バイアスされたスコア２２」など、この入力に最も近い４つのスコアを識別し得る。次いで、補間構成要素は、これらのスコアを使用して、双一次補間または任意の他のタイプの適切な補間アルゴリズムを実行して、補間スコアを生成し得る。次に、このスコアを使用して、コンテンツアイテム推奨をユーザに提示する順序を決定し得る。例えば、最も高いスコアのコンテンツアイテムは、最初に提示されてもよく、２番目に最も高いスコアコンテンツアイテムは、２番目に提示されてもよい、など。

図５は、コンテンツアイテム推奨に対するユーザからの要求を受信したことに応答して、クライアントデバイス１０２が提示し得る例示的なユーザインターフェース（ＵＩ）５００を例示する。図示されるように、ＵＩ５００は、推奨コンテンツアイテム１１４（１）、１１４（２）、１１４（３）、および１１４（４）のカスタムリスト１１４を提示し得、このリスト１１４は、ＵＩ５００が生成されたユーザの消費履歴、およびＵＩコントロール１１２（１）および１１２（２）の各々のそれぞれの値に基づいて決定される。例えば、ＵＩコントロール１１２（１）は、ユーザが所望の人気レベルを選択することを可能にするためのスライダまたは他のタイプのＵＩコントロールを含み得、一方、ＵＩコントロール１１２（２）は、ユーザが推奨コンテンツアイテムの所望の最近性を選択することを可能にするためのスライダまたは他のタイプのＵＩコントロールを含み得る。場合によっては、ユーザに提示されるＵＩ５００は、各範囲の中央など、これらのＵＩコントロール１１２（１）の各々についてデフォルト値を含んでもよい。したがって、コンテンツアイテム、したがって、リスト１１４のスコアは、図６を参照しながら以下で論じられるように変更されてもよい、これらのデフォルト値に基づいて生成され得る。

加えて、ＵＩ５００は、ユーザがユーザ指定のタグを有するゲームをフィルタリング除去することを要求し得るＵＩコントロール５０２、ならびにユーザがユーザ指定のタグを有しないゲームをフィルタリング除去することを要求し得るＵＩコントロール５０４を含んでもよい。この例では、例えば、ユーザは、コントロール５０２または５０４のいずれかにおいて、タグをタイプするか、またはドロップダウンメニューを介して選択してもよい。ＵＩコントロール５０２内のタグの受信に応答して、クライアントデバイス１０２は、指定されたタグに関連付けられたコンテンツアイテムを削除することによって、リスト１１４を変更し得る。一方、ＵＩコントロール５０４内のタグの受信に応答して、クライアントデバイス１０２は、指定されたタグに関連付けられていないコンテンツアイテムを削除することによって、リスト１１４を変更し得る。

図６は、ユーザが第１のパラメータ（この例では、コンテンツアイテムの人気）の値および第２のパラメータ（この例では、コンテンツアイテムの最近性）の値を変更したことに応答して、クライアントデバイス１０２が提示し得る例示的なＵＩ６００を示す。例えば、この例では、クライアントデバイスのユーザは、（例えば、より比較的古いコンテンツアイテムを要求するために）ＵＩの右側のスライダを左側に移動させながら、（例えば、あまり人気のないコンテンツアイテムを要求するために）ＵＩの左側のスライダをさらに右側に移動させている。したがって、それに応答して、補間構成要素１１４は、これらのユーザ入力に対応するコンテンツアイテムの新しいリスト６０２を計算し得る。例えば、リスト６０２は、比較的大きい時間範囲内にリリースされ、かつ過度には人気がないコンテンツアイテムを含み得る。

図７は、リモートコンピューティングシステムが、１つ以上の訓練された機械学習モデルを生成し、ユーザにコンテンツアイテム推奨を提供する際にクライアントデバイスによって使用される結果データを生成するために採用し得る、例示的なプロセス７００のフロー図を示す。このプロセス、および本明細書で説明される各プロセスは、ハードウェア、ソフトウェア、またはそれらの組み合わせで実装され得る一連の動作を表す論理フローグラフ内のブロックの集合として示される。ソフトウェアの文脈では、ブロックは、コンピュータ実行可能命令を表し、コンピュータ実行可能命令は、１つ以上のプロセッサによって実行されるとき、列挙された動作を実行する。一般に、コンピュータ実行可能命令は、特定の機能を実行するか、または特定の抽象データ型を実装するルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。動作が記載される順序は、限定として解釈されることを意図するものではなく、任意のいくつかの記載されたブロックは、プロセスを実装するために任意の順序でおよび／または並行して組み合わされ得る。

いくつかの事例では、コンピューティングシステム１０６が、動作の一部または全部を実行するように構成され得るが、他の事例では、他のデバイスが、追加的または代替的に、動作の一部または全部を実行し得る。

動作７０２において、コンピューティングシステム１０６は、機械学習モデルを訓練し得る。図示されるように、この動作は、一連のサブ動作を含み得る。例えば、モデルを訓練することは、サブ動作７０２（１）において、１人以上のユーザの消費履歴を決定することを含み得る。上記のように、これは、ゲームプレイ履歴、映画または音楽の消費履歴などを含み得る。一方、サブ動作７０２（２）は、訓練されるモデルの出力として、履歴の各々からタイトルを選択することを含み得る。場合によっては、この選択は、（１）現在訓練されているモデルに関連付けられたパラメータの値を満たす履歴内のそれらのコンテンツアイテムから、および（２）各コンテンツアイテムがユーザによってどの程度消費されたかを参照して、行われてもよい。例えば、コンピューティングシステム１０６は、それぞれのユーザによってより大いに消費されるそれらのコンテンツアイテムに、より大きい重みを加え得るため、これらのコンテンツアイテムが出力として選択される可能性が大きくなる。最後に、サブ動作７０２（３）において、コンピューティングシステム１０６は、入力として各消費履歴を、および出力として各選択されたタイトルを使用して、モデルの１つ以上の内部層を訓練し得る。これらのサブ動作は、複数の消費履歴の各々に対して連続的に実行されてもよい。

動作７０４において、プロセス７００は、訓練される追加のモデルが存在するかどうかを決定する。例えば、プロセス７００が、「Ｎ」数のモデルを訓練する場合、動作７０４は、Ｎ個のモデルのうちのいずれかが依然として訓練されるかどうかを決定することを表す。そうである場合、プロセス７００は、動作７０２に戻る。そうでない場合、プロセス７００は、動作７０６に進む。動作７０６において、コンピューティングシステム１０６は、ユーザのクライアントデバイスから、コンテンツアイテム推奨についての要求を受信し得る。動作７０８において、コンピューティングシステム１０６は、ユーザの消費履歴を決定し、動作７１０において、この履歴を訓練されたモデルに入力する。

動作７１２において、コンピューティングシステム１０６は、訓練されたモデルからの出力として、ユーザの消費履歴と各それぞれのコンテンツアイテムとの間の相関を示すスコアデータを生成する。場合によっては、より比較的高いスコアは、より比較的高い相関レベルに対応する。動作７１４において、コンピューティングシステム１０６は、上述したように、ベース係数の特定の値に基づいて、スコアデータの各スコアを修正する。動作７１６は、スコアをバイアスするためにバイアス係数の追加の値が使用されるかどうかを決定することを表す。例えば、コンピューティングシステム１０６が、「Ｍ」数の値のバイアス係数を使用してスコアデータをバイアスする場合、動作７１６は、「Ｍ」個の値のうちのいずれかが、スコアをバイアスするために依然として使用されるかどうかを決定することを表す。そうである場合、プロセス７００は、バイアス係数の新しい値のために動作７１４に戻る。

そうでない場合、プロセス７００は、ユーザのスコアデータを生成するために追加のモデルが使用されるかどうかを決定することを表す動作７１８に進む。例えば、コンピューティングシステム１０６が、ユーザに対して調整されたスコアデータを生成するために「Ｎ」数のモデルを使用するように構成されている場合、動作７１８は、「Ｎ」個のモデルのうちのいずれかが、ユーザのスコアデータを生成するために依然として使用されるかどうかを決定することを表す。そうである場合、プロセス７００は、動作７１０において、ユーザの履歴データを次のモデルに入力することを戻す。そうでない場合、次いで、プロセス７００は、ユーザへの推奨の提示を可能にするために、結果データ（例えば、バイアスされたスコアデータの行列または他の表現）をクライアントデバイスに送信することに進む。

図８は、ユーザのクライアントデバイスが、ユーザに１つ以上のコンテンツアイテムを提示する順序を決定するために採用し得る例示的なプロセス８００のフロー図を示す。このプロセス８００は、クライアントデバイス１０２上で実行されるように説明されているが、プロセス８００は、追加的または代替的に他のデバイス上で実行されてもよいことを理解されたい。

動作８０２において、クライアントデバイス１０２は、クライアントデバイスのユーザの消費履歴と複数のコンテンツアイテムの各々との間の相関を示すスコアデータを受信する。場合によっては、スコアデータは、上述の結果データ３１２を含んでもよい。動作８０４において、クライアントデバイス１０２は、モデルが訓練されたパラメータの値、またはスコアデータがバイアスされたバイアス係数の値のうちの少なくとも１つを指定する入力をユーザから受信する。例えば、入力は、推奨されるコンテンツアイテムの所望の最近性（例えば、それらのそれぞれのリリース日に関連付けられた時間範囲）、コンテンツアイテムの所望のコスト範囲、コンテンツアイテムの所望の人気レベルなどを指定し得る。動作８０６において、クライアントデバイス１０２は、スコアデータおよび受信された入力に少なくとも部分的に基づいて、推奨コンテンツアイテムを提示する順序を決定する。例えば、クライアントデバイス１０２は、ユーザによって指定されたパラメータおよび／またはバイアス係数の値に基づいて、スコアデータに対して補間を実行し得る。

動作８０８において、クライアントデバイス１０２は、決定された順序でコンテンツアイテム推奨を提示し、動作８１０において、追加の入力がユーザから受信されるかどうかを決定する。そうである場合、プロセス８００は、入力に基づいてコンテンツアイテム推奨をユーザに（再）提示する順序を再び決定することに進む。そうでない場合、プロセス８００は、動作８１２において終了する。

主題は、構造的特徴に固有の言語で説明されているが、添付の特許請求の範囲で定義された主題が必ずしも説明された特定の特徴に限定されないことを理解されたい。むしろ、特定の特徴は、特許請求の範囲を実装する例示的な形態として開示される。

Claims (20)

1. コンピューティングシステムによって、ユーザによってプレイされる１つ以上のゲームタイトルの履歴を決定することと、
   前記コンピューティングシステムによって、第１の訓練された機械学習モデルに、前記履歴を示すデータを入力することと、
   前記第１の訓練された機械学習モデルからの出力として、第１の時間ウィンドウ内にそれぞれリリースされた複数の第１のゲームタイトルの各々について、前記履歴と前記それぞれの第１のゲームタイトルとの間の相関を表すスコアを示す第１のスコアデータを生成することと、
   前記コンピューティングシステムによって、第２の訓練された機械学習モデルに、前記履歴を示す前記データを入力することと、
   前記第２の訓練された機械学習モデルからの出力として、第２の時間ウィンドウ内にそれぞれリリースされた複数の第２のゲームタイトルの各々について、前記履歴と前記それぞれの第２のゲームタイトルとの間の相関を表すスコアを示す第２のスコアデータを生成することと、
   前記コンピューティングシステムによって、クライアントデバイスに、前記第１のスコアデータおよび前記第２のスコアデータに少なくとも部分的に基づいた結果データを送信することと、を含む、方法。
2. 前記複数の第１のゲームタイトルの各々について、前記それぞれの第１のゲームタイトルの人気レベルを決定することと、
   前記複数の第１のゲームタイトルの前記それぞれの人気レベル、および第１の指定された人気レベルに少なくとも部分的に基づいて、前記第１のスコアデータを修正して、第３のスコアデータを生成することと、
   前記複数の第１のゲームタイトルの前記それぞれの人気レベル、および第２の指定された人気レベルに少なくとも部分的に基づいて、前記第１のスコアデータを修正して、第４のスコアデータを生成することと、
   前記複数の第２のゲームタイトルの各々について、前記それぞれの第２のゲームタイトルの人気レベルを決定することと、
   前記複数の第２のゲームタイトルの前記それぞれの人気レベル、および前記第１の指定された人気レベルに少なくとも部分的に基づいて、前記第２のスコアデータを修正して、第５のスコアデータを生成することと、
   前記複数の第２のゲームタイトルの前記それぞれの人気レベル、および前記第２の指定された人気レベルに少なくとも部分的に基づいて、前記第２のスコアデータを修正して、第６のスコアデータを生成することと、をさらに含み、
   前記結果データが、前記第３のスコアデータ、前記第４のスコアデータ、前記第５のスコアデータ、および前記第６のスコアデータを含む、請求項１に記載の方法。
3. 前記第１の時間ウィンドウが、現在の時間の前の第１の時間期間を含み、前記第２の時間ウィンドウが、前記現在の時間の前の第２の時間期間を含み、前記第２の時間期間が、前記第１の時間期間を含み、かつ前記第１の時間期間よりも大きい、請求項１に記載の方法。
4. 前記ユーザが、第１のユーザを含み、前記方法が、第１の機械学習モデルを訓練して、前記第１の訓練された機械学習モデルを生成することをさらに含み、前記訓練することが、
   前記コンピューティングシステムによって、第２のユーザによってプレイされる１つ以上のゲームタイトルの履歴を決定することと、
   前記コンピューティングシステムによって、前記第２のユーザによってプレイされる前記１つ以上のゲームタイトルのうちのゲームタイトルを選択することであって、前記選択されるゲームタイトルが、前記第１の時間ウィンドウ内にリリースされている、選択することと、
   前記第２のユーザによってプレイされる前記１つ以上のゲームタイトルを前記第１の機械学習モデルへの入力として、および前記選択されたゲームタイトルを前記第１の機械学習モデルの出力として使用して、前記第１の機械学習モデルの１つ以上の内部層を訓練することと、を含む、請求項１に記載の方法。
5. 第２の機械学習モデルを訓練して、前記第２の訓練された機械学習モデルを生成することをさらに含み、前記訓練することが、
   前記コンピューティングシステムによって、第３のユーザによってプレイされる１つ以上のゲームタイトルの履歴を決定することと、
   前記コンピューティングシステムによって、前記第３のユーザによってプレイされる前記１つ以上のゲームタイトルのうちのゲームタイトルを選択することであって、前記第３のユーザによってプレイされる前記１つ以上のゲームタイトルのうちの前記選択されるゲームタイトルが、前記第２の時間ウィンドウ内にリリースされている、選択することと、
   前記第３のユーザによってプレイされる前記１つ以上のゲームタイトルを前記第２の機械学習モデルへの入力として、および前記第３のユーザによってプレイされる前記１つ以上のゲームタイトルのうちの前記選択されたゲームタイトルを前記第２の機械学習モデルの出力として使用して、前記第２の機械学習モデルの１つ以上の内部層を訓練することと、を含む、請求項４に記載の方法。
6. ユーザに関連付けられたクライアントデバイスにおいて、第１の時間ウィンドウ内にリリースされた複数の第１のコンテンツアイテムの各々について、前記ユーザの消費履歴と前記それぞれの第１のコンテンツアイテムとの間の相関を示す第１のスコアデータを受信することと、
   前記クライアントデバイスにおいて、第２の時間ウィンドウ内にリリースされた複数の第２のコンテンツアイテムの各々について、前記ユーザの前記消費履歴と前記それぞれの第２のコンテンツアイテムとの間の相関を示す第２のスコアデータを受信することと、
   時間を指定する入力データを前記クライアントデバイスにおいて受信することと、
   前記第１のスコアデータ、前記第２のスコアデータ、および前記指定された時間に少なくとも部分的に基づいて、前記クライアントデバイスに関連付けられたディスプレイ上に提示される１つ以上のコンテンツアイテムの順序を決定することと、
   前記ディスプレイ上に、前記決定された順序で前記１つ以上のコンテンツアイテムを提示することと、を含む、方法。
7. 前記順序を前記決定することが、
   少なくとも前記第１のスコアデータおよび前記第２のスコアデータの補間を使用して、第３のスコアデータを生成すること、を含み、
   前記決定される順序が、前記第３のスコアデータに少なくとも部分的に基づいている、請求項６に記載の方法。
8. 前記第１のスコアデータが、前記複数の第１のコンテンツアイテムの各コンテンツアイテムのそれぞれの人気レベルに少なくとも部分的にさらに基づいており、
   前記第２のスコアデータが、前記複数の第２のコンテンツアイテムの各コンテンツアイテムのそれぞれの人気レベルに少なくとも部分的にさらに基づいている、請求項６に記載の方法。
9. 前記第１のスコアデータが、（１）第１のターゲット人気レベル、および（２）各それぞれの第１のコンテンツアイテムの人気レベルに少なくとも部分的に基づいてバイアスされており、
   前記クライアントデバイスにおいて、前記第１の時間ウィンドウ内にリリースされた前記複数の第１のコンテンツアイテムの各々について、前記ユーザの前記消費履歴と前記それぞれの第１のコンテンツアイテムとの間の相関を示す第３のスコアデータを受信することであって、前記第３のスコアデータが、（１）第２のターゲット人気レベル、および（２）それぞれの第１のコンテンツアイテムの各々の前記人気レベルに少なくとも部分的に基づいてバイアスされている、受信すること、をさらに含む、請求項６に記載の方法。
10. 前記入力データが、所望の人気レベルをさらに指定し、
    前記順序を前記決定することが、前記第３のスコアデータおよび前記指定された所望の人気レベルに少なくとも部分的にさらに基づいている、請求項９に記載の方法。
11. 少なくとも前記第１のスコアデータ、前記第２のスコアデータ、および前記第３のスコアデータの補間を使用して、第４のスコアデータを生成すること、をさらに含み、
    前記決定される順序が、前記第４のスコアデータに少なくとも部分的に基づいている、請求項１０に記載の方法。
12. 前記第１の時間ウィンドウが、現在の時間の前の第１の時間期間を含み、前記第２の時間ウィンドウが、前記現在の時間の前の第２の時間期間を含み、前記第２の時間期間が、前記第１の時間期間を含み、かつ前記第１の時間期間よりも大きい、請求項６に記載の方法。
13. コンピュータ実行可能命令を記憶する、１つ以上のコンピュータ可読媒体であって、前記コンピュータ実行可能命令が、実行されるときに、１つ以上のプロセッサに、
    ユーザに関連付けられたクライアントデバイスにおいて、パラメータの第１の値に関連付けられた複数の第１のコンテンツアイテムの各々について、前記ユーザの消費履歴と前記それぞれの第１のコンテンツアイテムとの間の相関を示す第１のスコアデータを受信することと、
    前記クライアントデバイスにおいて、前記パラメータの第２の値に関連付けられた複数の第２のコンテンツアイテムの各々について、前記ユーザの前記消費履歴と前記それぞれの第２のコンテンツアイテムとの間の相関を示す第２のスコアデータを受信することと、
    前記クライアントデバイスにおいて入力を受信することと、
    前記第１のスコアデータ、前記第２のスコアデータ、および前記入力に少なくとも部分的に基づいて、前記クライアントデバイスに関連付けられたディスプレイ上に提示される１つ以上のコンテンツアイテムの順序を決定することと、
    前記ディスプレイ上に、前記決定された順序で前記１つ以上のコンテンツアイテムを提示することと、を含む行為を実施させる、１つ以上のコンピュータ可読媒体。
14. 前記パラメータが、それぞれのコンテンツアイテムのリリース日を含み、前記第１の値が、第１の時間範囲を含み、前記第２の値が、第２の時間範囲を含む、請求項１３に記載の１つ以上のコンピュータ可読媒体。
15. 前記パラメータが、それぞれのコンテンツアイテムのコストを含み、前記第１の値が、第１のコスト範囲を含み、前記第２の値が、第２のコスト範囲を含む、請求項１３に記載の１つ以上のコンピュータ可読媒体。
16. 前記順序を前記決定することが、
    少なくとも前記第１のスコアデータおよび前記第２のスコアデータの補間を使用して、第３のスコアデータを生成すること、を含み、
    前記決定される順序が、前記第３のスコアデータに少なくとも部分的に基づいている、請求項１３に記載の１つ以上のコンピュータ可読媒体。
17. 前記第１のスコアデータが、前記複数の第１のコンテンツアイテムの各コンテンツアイテムのそれぞれの人気レベルに少なくとも部分的にさらに基づいており、
    前記第２のスコアデータが、前記複数の第２のコンテンツアイテムの各コンテンツアイテムのそれぞれの人気レベルに少なくとも部分的にさらに基づいている、請求項１３に記載の１つ以上のコンピュータ可読媒体。
18. 前記第１のスコアデータが、（１）第１のターゲット人気レベル、および（２）各それぞれの第１のコンテンツアイテムの人気レベルに少なくとも部分的に基づいてバイアスされており、
    前記クライアントデバイスにおいて、前記パラメータの前記第１の値に関連付けられた前記複数の第１のコンテンツアイテムの各々について、前記ユーザの前記消費履歴と前記それぞれの第１のコンテンツアイテムとの間の相関を示す第３のスコアデータを受信することであって、前記第３のスコアデータが、（１）第２のターゲット人気レベル、および（２）それぞれの第１のコンテンツアイテムの各々の前記人気レベルに少なくとも部分的に基づいてバイアスされている、受信すること、をさらに含む、請求項１３に記載の１つ以上のコンピュータ可読媒体。
19. 前記入力が、所望の人気レベルをさらに指定し、
    前記順序を前記決定することが、前記第３のスコアデータおよび前記指定された所望の人気レベルに少なくとも部分的にさらに基づいている、請求項１８に記載の１つ以上のコンピュータ可読媒体。
20. 前記行為が、
    少なくとも前記第１のスコアデータ、前記第２のスコアデータ、および前記第３のスコアデータの補間を使用して、第４のスコアデータを生成すること、をさらに含み、
    前記決定される順序が、前記第４のスコアデータに少なくとも部分的に基づいている、請求項１９に記載の１つ以上のコンピュータ可読媒体。

Images