SE511584C2 - Informationsdirigering - Google Patents
InformationsdirigeringInfo
- Publication number
- SE511584C2 SE511584C2 SE9800076A SE9800076A SE511584C2 SE 511584 C2 SE511584 C2 SE 511584C2 SE 9800076 A SE9800076 A SE 9800076A SE 9800076 A SE9800076 A SE 9800076A SE 511584 C2 SE511584 C2 SE 511584C2
- Authority
- SE
- Sweden
- Prior art keywords
- interest
- agent
- information
- vector
- agents
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99941—Database schema or data structure
- Y10S707/99944—Object-oriented database structure
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99951—File or database maintenance
- Y10S707/99952—Coherency, e.g. same view to multiple users
- Y10S707/99953—Recoverability
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
15 20 25 30 511 584 2 artificiell evolution är en maskininlärningsteknik som är inspirerad av evolutionsbiologi och som använder mutationer och reproduktion för att konsument eller en skapa program. En innehållsleverantör kan också kallas en användare.
Filtrering och Hämtning Det finns i huvudsak två sätt att filtrera och hämta information, de kognitiva och de sociala teknikerna.
Den kognitiva eller innehållsbaserade ansatsen analyserar innehållet av informationen och jämför det med en modell av användaren. En bättre passning gör det mer troligt att det kommer att passa användaren. ansatsen bestämmer vad som skall betraktas som helt Den sociala relevant information baserat på vad olika användare rekommenderar. Om en första användare finner en speciell typ av dokument relevanta, vilka andra användare också funnit relevanta, så kommer den första användaren sannolikt att finna ett specifikt dokument relevant om de andra användarna fann det relevant.
Det finns ansatser som försöker kombinera de två ovan beskrivna teknikerna. De vanliga informationshämtningsteknikerna är baserade på frágeförfining. Systemet använder återkoppling från användaren för att förfina frågan och erhålla en bättre hämtning av dokument. Detta är en form av användarmodellering och kan kategoriseras som en kognitiv metod.
Innehållsbaserade exempel I den innehållsbaserade ansatsen samlas informationen in av en agent enligt en användarprofil eller användarmodell från innehållsleverantören och presenteras för användaren.
Ett kognitivt filtreringsexempel är Beerud Seth's ”Personalized Infomation Filtering, A learning approach to personalized 10 15 20 25 30 511 5784 MIT”. Den använder en för att bygga en användarmodell information filtering, Master Thesis, artificiell evolutionsansats användarprofil). Som genotyp använder den men den låter också profilerna (eller lära sig vilket användarprofilerna, under deras livstid för att göra anpassningen snabbare, kallas ”Baldwin effekten”. Varje profil söker efter dokument och rekommenderar dom för användaren. Användarens respons används för att förändra anpassningen av profilen och för att låta den anpassa sig under dess livstid. Denna ansats, på grund av den evolutionära algoritmen, försöker att dra nytta av en effektiv parallell sökning.
Ett annat exempel på den kognitiva ansatsen är InfoAgenten D & an interface for ”D'Aloisi, Giannini, V The info agent: supporting users in intelligent retrieval", publicerad på Internet. InfoAgenten består av tre olika samarbetande agenter, AnpassningsAgenten, den Interna TjänsteAgenten och den Externa HämtningsAgenten. AnpassningsAgenten bygger en användarprofil och den använder profilen för att vägleda de två andra agenternas sökning efter dokument. Systemet är byggt för att vara flexibelt med avseende på utvidgningar och förändringar.
Ett exempel på informationshämtning är Discover. Sheldon, M a & Duda, A R & Gifford, D K. discovery system based on content routing. & Weiss, ”Discoverz A resource Proceedings of the third international world wide web conference, 1995”. Detta dokument beskriver en arkitektur för en enpunktsanslutning till över 500 WAIS servrar. Den tillhandahåller två nyckeltjänster, frågeförfining och fràgedirigering. Användaren använder frågeförfining för att göra frågan mer precis. När frågan är preciserad dirigeras frågan till en lämplig WAIS server för att dokumenten. WAIS servrarna har lokala hämta de relevanta dokumentdatabaser och de samarbetar genom en innehàllsdirigerare som användaren kan använda. lO 15 20 25 30 511 584 Sociala exempel I den sociala ansatsen samlas informationen från innehållsleverantören och lagras av en konsument i ett centralt förråd, för att sedan hämtas igen åt en annan konsument, som kanske lagrar den igen.
Ett socialt filtreringssystem för nätnyheter presenteras i ”Maltz, A D, Distributed information for collaborative filtering on usenet net news. Master thesis, MIT”. I detta system kan varje användare läsa en artikel och rösta för eller emot den.
Rösterna skickas sedan till en röstserver där rösterna grupperas tillsammans och delas med andra röstservrar. Servrarna samlar ihop alla de olika läsarnas åsikter till en gemensam. åsikt.
Denna ihopsamlade åsikt används sedan av nyhetsläsare för att filtrera visade artiklar.
Firefly, http://www.firefly.net, är en av de bäst kända sociala filtreringssystemen. Tekniken kallas Egenskapsvägled-Automatisk- Samarbets-Filtrering. Denna filtreringsteknik bygger en profil för varje användare med deras åsikter om olika dokument.
Dokumenten delas in i olika grupper (klasser med dokument) och för varje grupp samlas användarna i en klunga på ett närmaste ”granne” sätt. För varje dokumentgrupp jämförs användarnas åsikter i samma klunga. För att hitta dokument att rekommendera, Firefly alla användare i en (detta är något jämför klunga förenklat för att öka tydligheten). Om två användare har ungefär samma åsikter för de flesta dokumenten i en grupp, men de har inte läst alla, så är det troligt att användarna också skulle gilla de olästa dokumenten i den gruppen.
Kombinerade tekniker I kombinerade tekniker är informationsflödet det samma som för sociala tekniker.
”Marko Balabanovic, An adaptive web page recommendation service.
Stanford digital library project working paper SIDL-WP-l996- 10 15 20 25 30 511lss4 0041", beskriver ett exempel vilket utnyttjar båda filtrerings- teknikerna. Denna arkitektur består i huvudsak av två sorters agenter, en urvalsagent (en för varje användare) och en Insamlingsagenten samlar information och till ett insamlingsagent. levererar dokument centralt förråd, varifrån urvalsagenten filtrerar ut intressanta dokument enligt en användarprofil. Gensvar från användaren används för att modifiera både urvalsagenten och insamlingsagenten. Om ett ”belönas” insamlingsagenten som dokument passade en användare, detta dokument och således agenten att hittade sporras specialisera sig på en viss typ av dokument. Användaren har också möjlighet att gradera ett urval sidor. Urvalsagenten skickar sidorna som användaren graderar som mycket intressanta Urvalsagenten sidor till grannanvändare med samma intressen. hanterar också rekommenderade sidor på samma sätt som. andra sidor från förrådet. Detta innebär att om sidorna inte passar med användarens profil, presenteras dom inte för användaren och detta betyder också att vinsten med social filterring är mycket begränsad.
Samarbetande Agenter som Delar Information Ytterliggare en annan ansats är när informationen samlas in från innehållsleverantören, vilken också kan vara en konsument, och sedan skickas till en annan konsument, vilken också kan vara en leverantör.
Ett exempel på samarbetande agenter är Yenta, ”Foner, L N, Yenta: referral-based matchmaking system, The A multi-agent, first international conference on autonomous agents, Agents '97, February 1997”. I detta system Marina del Rey, California, försöker agenterna bilda en model av användarens intressen och använder modellen för att hitta andra agenter med samma preferenser. Detta dokument behandlar i huvudsak problemet för agenter att hitta varandra utan någon central kontroll.
Ansatsen är att låta agenterna organisera sig själva i klungor med andra agenter med liknande intressen. Denna 511 584 10 15 20 25 30 självorganisering åstadkommes genom hänvisningar, det vill säga genom kunskap om andra agenter och andra agenters kunskap om andra agenter etc.
I dokumentet ”Kautz, K & Milewski, A & Selman, B, Agent amplified communication, information gathering from heterogeneous, distributed environments, March 1995", Detta system använder också agenter för att hitta människor, men AAAI Spring Symposium Series, tas en liknande ansats som Yenta ansatsen. försöker att hitta experter i något område genom hänvisningar.
Den antar att användaren vet vem som ska kontaktas först och låta fråga användaren för att bilda agenten explicit användarmodellen.
ACORN, http://ai.iit.nrc.ca, är ett annat exempel. En leverantör som vill informera intresserade konsumenter startar en så kallad InfoAgent, här kallad leverantörsagent, som känner till några ställen med konsumenter. Leverantörsagenten går till konsumentagenterna och frågar de om de är intresserade. För att hitta fler agenter kan leverantörsagenten gå till en mötesplats för agenter med speciella intressen. Där kommunicerar den med andra agenter och tar emot information om andra ställen med användare eller andra mötesplatser att besöka, och på detta sätt så söker den och levererar information. ACORN har både konsumenterna och innehållsleverantörerna i fokus, men konsumenten är passiv under det att leverantören är aktiv.
Leverantörsagenten har huvudansvaret för att hitta intresserade konsumenter.
Problem med kända lösningar För innehållsbaserade tekniker uppstår ett problem med så kallad kallstart. innebär att inte har någon kunskap om användarens preferenser när den startar. Den Kallstartsproblemet agenten behöver en viss tid för att lära sig vilka preferenser användaren har och under den tiden fungerar inte agenten speciellt bra. 10 15 20 25 30 511 584 Ett annat problem med innehållsbaserade tekniker är det statiska betraktelsesättet av innehàllsleverantörerna. Det statiska betraktelsesättsproblemet innebär att när innehållsleverantören har levererat information är informationen statisk och förändras inte. Detta problem kan lösas genom att fråga leverantören om uppdateringar men då kan problem beträffande efterfrågefrekvens och kapacitet, i händelse av att efterfrågning görs för ofta, uppträda.
Ytterliggare ett problem med den innehållsbaserade ansatsen är problemet med nedladdning, vilket innebär att varje agent måste ladda ned all för att hitta det som är blir information själv, intressant. Om många användare har sådana agenter resultatet många accesser till leverantören med motsvarande problem med kapacitet och bandbredd.
Ett annat problem med den innehållsbaserade ansatsen är problem med förmågan att av en lycklig slump göra en upptäckt, vilket innebär att det finns ett problen1 för konsumenten att hitta information av en sort den inte tidigare har påträffat och inte har någon kunskap om. Sådan information kan filtreras bort av agenten eftersom agenten kan tro att den informationen inte är intressant.
Ett stort problem med den sociala ansatsen är beträffande centralisering. Detta är en mycket stor flaskhals för skalbarhet användarens integritet. och tillgänglighet och en risk för Skalbarheten är ett problem eftersom den uppenbara lösningen är att jämföra alla användares profiler för att matcha de, vilket är en sökning av kvadratisk ordning. Användares integritet riskeras eftersom systemet har känslig information samlad på ett ställe. En obehörig person kan genom att bryta sig in på en enskild nätverkspunkt få tillgång till en stor uppsättning känslig information.
Tillgängligheten är ett problem eftersom det finns en enskild punkt där ett fel kan inträffa. Om ett fel inträffar kan det få 10 15 20 25 30 511 584 stora konsekvenser, som till exempel att låta någon obehörig person få tag på användarprofilerna.
De kombinerade teknikerna försöker lösa de ovan nämnda problemen men lyckas endast delvis vilket beskrivs nedan.
Ett specifikt problem i Yenta är att varje agent tror att den är ansvarig att hitta information om andra agenter. Detta innebär att världen blir mycket statisk. Ny information från ett ställe som den inte känner till, kan få det svårt att bli hittad av agenten. Ett annat problem är att agenterna förmodas passa ihop intressen lned varandra, detta innebär att de olika agenterna måste ha en överenskommen representation eller jämförelsemetod.
Detta innebär brist på flexibilitet. Ett problem är också att fokus är på konsumenternas sätt att hitta andra konsumenter med liknande intressen och inte på hur innehållsleverantören når konsumenterna.
ACORN systemet har ett specifikt problem med begränsad centralisering, det vill säga, det behöver platser för agenterna att mötas på för att lära känna fler agenter. Ett annat problem är det med förmågan att av en lycklig slump göra en upptäckt.
Det kan också vara ett problem att inarbeta det i dagens Internet eftersom leverantörerna och konsumenterna måste börja använda det samtidigt.
SAMMRNFATTNING AV UPPFINNINGEN Föreliggande uppfinning löser ett problem med att automatiskt eller semiautomatiskt hitta och hämta information åt en användare enligt hans preferenser.
Ett annat problem vilket en föredragen utföringsform av föreliggande uppfinning, enligt krav ll, löser är hur en effektiv, automatisk, parallell innehållsbaserad sökning åstadkommes. 10 15 20 25 30 511 584 Syftet med föreliggande uppfinning är således att åstadkomma ett flexibelt och effektivt informationshämtningssystem_ Ett annat syfte med föreliggande uppfinning är att åstadkomma en effektiv, automatisk, parallell sökning enligt en användares preferenser.
Problemet, beskrivet ovan, med att automatiskt eller en användare skicka ett semiautomatisk hitta och hämta information för enligt hans preferenser, löses genom att informationsobjekt från en första intresseagent till en andra intresseagent. Där nämnda informationsobjekt omfattar elektronisk information, en första vektor med hänvisningar till andra intresseagenter vilka rekommenderar den elektronsika informationen och en andra vektor med hänvisningar till andra neutrala till innehållet i den intresseagenter vilka är elektronisk informationen. Nämnda andra intresseagent omfattar en tredje vektor, där varje position i nämnda vektor omfattar hänvisningar till andra intresseagenter och ett förtroendevärde. vilken finns i nämnda tredje vektor och har ett högt förtroendevärde Om den första agenten, skickade informationsobjektet presenteras den elektroniska informationen för en användare.
I större detalj löser föreliggande uppfinning problemen beskrivna ovan genom att definiera intresseagenter och informationsobjekt. Varje Vintresseagent har en modell av konsumentens intressen eller innehållet från leverantören (leverantörens intresse). Varje användare kan ha många intresseagenter, en för varje intresse. Bildandet av de olika intressena hanteras av en gränssnittsagent som samverkar med användaren.
Informationsobjekt representerar information från intresseagenter. Ett informationsobjekt består i huvudsak av och identifieringen av de intresseagenter Alltså informationsinnehåll omfattar till eller första som rekommenderade dirigerade den. informationsobjektet en lista med hänvisningar lO 15 20 25 30 511 584 10 agenter som rekommenderar informationen och en andra lista med till informationsobjektet och skickat det vidare, hänvisningar agenter vilka har tagit emot men som inte har fattat ett beslut att rekommendera, eller att inte rekommendera, nämnda informationsobjekt.
Information, elektronisk information, dokument etc. används nedan som synonymer.
Informationsobjektet flyttas från agent till agent, efterlämnande ett spår av rekommendationer som intresseagenterna använder för att modellera de rekommenderande agenterna. Spåret gör det lättare för nästa, liknande informationsobjekt, att skickas längs samma väg bakåt, eftersom intresseagenterna använder sina modeller för att välja vart de skall skicka informationsobjekten. Alla spår sammantaget gör att flödet med rekommenderade dokument träffar på de rätta intresseagenterna. mellan skall Det är ett sätt att dirigera informationsobjekt agenterna, där varje intresseagent lär sig vart den dirigera inkommande informationsobjekt.
Intresseagenten måste hitta andra intresseagenter som stämmer överens med intresset för konsumenten/leverantören, eller så kan man säga att uppdraget är att berätta för andra intresseagenter vilken typ av information som agenten vill ha. Intresseagenten har en lista med andra intresseagenter. För varje agent i listan omfattar listan agentens hänvisning (vart svaret skall gå), en modell av agentens intresse och ett värde som representerar förtroendet för agenten. Om det är en konsumentagent representerar förtroendevärdet hur mycket agenten litar på en rekommendation erhållen från en annan konsumentagent.
Intresseagenten kan vara prenumerant av rekommendationer från andra agenter, för vilka den har högt förtroende. En prenumererande agent erhåller med tvång all rekommenderad information från agenten vilken den prenumererar på.
Leverantörens intresseagenter använder inte förtroendevärdet. 10 15 20 25 30 ll 511 5s4iH När en intresseagent tar emot ett informationsobjekt från en annan intresseagent, kontrollerar den vilka agenter som har rekommenderat nämnda informationsobjekt och uppdaterar modellen rekommenderande uppträder i för varje agent. Om en agent informationsobjektet som en rekommenderande agent och inte finns med på intresseagentens lista med rekommenderande agenter läggs nämnda agent till i listan. Intresseagenten har också en lista med referenser till agenter vilka har dirigerat ett informationsobjekt till nämnda agent. Denna lista uppdateras med agenterna som finns i den andra listan i informationsobjektet omfattande agenter vilka har dirigerat nämnda informationsobjekt.
Om det är en konsuments agent och förtroendet för den rekommenderande agenten är tillräckligt högt presenteras informationen direkt för användaren. Annars jämförs informationen mot intressemodellen för intresseagenten och om en tillräckligt bra överensstämmelse finns presenteras informationen för användaren. Det finns också en sannolikhet, mot förtroendevärdet, att informationen vilket fall rekommenderar den eller om det är en leverantörsagent väljer proportionell presenteras i som helst. Om konsumenten inte intresseagenten slumpmässigt några agenter som informationsobjektet dirigeras till, baserat på likheten med modellen för agenten. Om användaren rekommenderar informationen uppdateras intressemodellen för intresseagenten och informationen skickas till alla prenumererande agenter och till några agenter som väljs på samma sätt som när ett informationsobjekt dirigeras.
När en användare själv hittar ett dokument som han vill rekommendera, eller när en sökagent hittar ett dokument som användaren rekommenderar, lokaliserar en gränssnittsagent intresseagenten vars modell har den bästa överensstämmelsen med dokumentet. Om ingen av' de aktuella intresseagenterna har en tillräckligt bra överensstämmelse kan en ny intresseagent som 10 15 20 25 30 511 584 12 modellerar det nya intresset skapas. Den utvalda intresseagenten uppdaterar sin intressemodell, skapar ett informationsobjekt och SkiCkaI som beskrivits informationsobjektet enligt de regler tidigare.
För att dirigera informationsobjekt till agenter med andra intressen än intresseagenten själv har agenten en lista med agenter med lågt förtroendevärde. För att en agent skall läggas till denna lista måste agenten göra listan mer diversifierad.
Detta gör det mer troligt för nya intresseagenter att hitta liknande agenter. Den behöver endast kontakta någon intresseagent och skicka den ett informationsobjekt med information. Informationsobjektet dirigeras sedan till dess att den når någon agent som gillar det. Efter ett tag, när den har skickat flera informationsobjekt, börjar den få tillbaka svar i form av bra information från andra agenter.
Informationsobjektet lever en specifik tid, till exempel ett antal dirigeringar mellan olika agenter.
Intresseagenten för konsumenter har också en hämtningsagent som söker på Internet efter information enligt dess intresse. Denna agent söker inte utgående från dokument som har rekommenderats av andra intresseagenter med ett högt förtroendevärde, det vill säga, den litar på att de gör sökningen. Detta gör det möjligt att erhålla en mer effektiv parallell sökning. fördelen av att vara en mycket Föreliggande uppfinning har distribuerad lösning på ett problem med distribuerade användare.
Ett fleragentsystem, som det som föreliggande uppfinning beskriver, har en snabbhetsfördel genom parallell bearbetning.
En annan fördel med föreliggande uppfinning är att den är robust på grund av agenter med redundanta funktioner och ytterliggare en annan fördel är att den är skalbar på grund av den modulära ansatsen. 10 15 20 25 30 13 511 584 I föreliggande uppfinning kan de olika användaragenterna söka på Internet och rekommendera information parallellt, eftersom de koordinerar sina beteenden. Systemet kommer att vara robust mot felfungerande agenter, eftersom agenterna som var beroende av de felfungerande agenterna delade samma intressen. Detta innebär att om en agent försvinner kommer den endast att sluta rekommendera dokument och kommer förtroendet för den att minska och felaktigt sätt slutligen kommer den att ignoreras. Skalbarheten för systemet säkras genom robustheten, man kan lägga till en ny användare utan att störa de gamla agenterna.
Problemet med förmågan att av en lycklig slump göra en upptäckt löses i föreliggande uppfinning, genom att låta rekommendationer som skulle ha förkastats av intresseagenten ändå presenteras med baserat på förtroendet för den en liten sannolikhet, rekommenderande agenten. Vid start av en ny intresseagent utan kunskap presenteras rekommendationer i alla fall, eftersom intresseagenten 'vill ha möjlighet att modellera konsumentens intresse.
Föreliggande uppfinning har också fördelen med implementeringsoberoende informationsutbyte, vilket gör systemet lätt att bygga ut med nya agenter. De nya agenterna behöver inte representera intressena på samma sätt, utan endast förstå informationsobjekt.
Vidare är en annan fördel att föreliggande uppfinning är lätt att integrera med existerande teknologi. En användare kan börja använda en intresseagent utan andra innehållsleverantörer än hemsidorna på Internet. Leverantörerna kan börja använda agenter vid ett senare tillfälle.
Ytterliggare tillämpningsomràden för föreliggande uppfinning kommer att vara uppenbara utgående från den detaljerade beskrivningen som ges här nedan. Emellertid skall det inses att den detaljerade beskrivningen och specifika exempel, vilka 10 15 20 25 511 584 14 indikerar föredragna utföringsformer av uppfinningen, ges endast som illustration, eftersom olika förändringar och modifieringar inom andan och omfattningen av uppfinningen kommer att vara uppenbara för fackmannen från den detaljerade beskrivningen.
KORTFATTAD BESKRIVNING AV RITNINGARNA Föreliggande uppfinning kommer att mer tydligt förstås från den detaljerade beskrivningen som ges här nedan och de vidhängande ritningarna vilka endast ges som illustration och vilka alltså inte är begränsande för föreliggande uppfinning och vari: Figur 1 visar en överblick av de olika delarna enligt en föredragen utföringsform av uppfinningen; Figur 2 visar ett flödesschema enligt en föredragen utföringsform av uppfinningen; Figur 3 visar ett flödesschema enligt en föredragen utföringsform av uppfinningen; Figur 4 visar en modell av en intresseagent enligt en föredragen utföringsform av uppfinningen; Figur 5 visar en modell av ett informationsobjekt enligt en föredragen utföringsform av uppfinningen; Figur 6 visar ett nätverk med olika agenter och innehållsleverantörer enligt en föredragen utföringsform av uppfinningen.
DETALJERAD BESKRIVNING AV FÖREDRAGNA UTFÖRINGSFORMR I figur 1 är en användare betecknad 101. Användaren 101 hittar, pà ett eller annat sätt, ett elektroniskt lagrat dokument 102, vilket användaren 101 vill rekommendera. Användaren matar därför dokumentet 102 till en gränssnittsagent 103. Gränssnittsagenten 103 gör en. modell av innehållet av det elektroniskt lagrade 102. modellen av dokumentet Gränssnittsagenten 103 jämför 10 15 20 25 30 15 511 584 dokumentet med intressemodellen för en intresseagent 104, intressemodellen för en intresseagent 105 och intressemodellen 106. 103, bäst modellen för vilken har för en agent Gränssnittsagenten överensstämmelse mellan dokumentet och intressemodellen tar emot dokumentet från 103. skapar ett informationsobjekt och skickar informationsobjektet gränssnittsagenten Gränssnittsagenten 103 uppdaterar sin intressemodell, till de andra intresseagenterna. Detta beskrivs i :ner detalj nedan.
Figur 1 visar också en sökagent 107. Sökagenten 107 avsöker information intressemodellen för 105 och 106. emot instruktioner från intresseagenterna 104, databaser på enligt Sökagenten 107 tar också 105 och 106 att 105 och intresseagenterna 104, inte söka vissa specifika dokument vilka agenterna 104, 106 redan har kunskap om.
Uppbyggandet av en modell av innehållet i ett dokument kan göras på många olika sätt, och är väl beskrivet i den kända tekniken.
För tydlighets skull visas en enkel lösning i figur 2. Figur 2 flödesschema för att göra en modell Med 201 betecknas en visar ett enligt en föredragen utföringsform av uppfinningen.
FOR-loop. beslutsblock 202 görs en kontroll för att verifiera att ordet är FOR-loopen går igenom varenda ord i ett dokument. I signifikant. Detta görs för att undvika ord som 'the', 'and' och till etiketter. I beslutsblocken 203, 204, 205 och procedurblocken 206, 207, 208 och 209 tilldelas ett värde till orden. exempel olika speciella ord t.ex.
Värdet är beroende av var i dokumentet ordet hittats. I procedurblock 210 beräknas ett unikt heltalsvärde utgående från ordet med användning av en hashfunktion. Detta heltalsvärde används i procedurblock 211 för att specificera positionen i en hashtabell. Värdet som bestämts tidigare för ordet läggs sedan till det aktuella värdet för positionen i hashtabellen. Denna hashtabell utgör modellen för dokumentet. För att ha möjlighet att göra en nwdell av flera dokument, det vill säga en intressemodell, eller en modell av 10 15 20 25 30 16 511 584 ett intresse, är det lätt att bara använda samma hashtabell flera gånger. Att uppdatera en modell med en annan modell uppnås enkelt genom att endast addera, de två hashtabellerna. position för position, Att jämföra två hashtabeller med varandra är en känd teknik i teknikens ståndpunkt. För tydlighets skull visas en enkel lösning i figur 3. Figur 3 visar ett enkelt flödesschema för att utföra en jämförelse nællan två modeller, det vill säga, två hashtabeller, enligt en föredragen utföringsform av uppfinningen. En FOR-loop betecknas med 301. FOR-loopen går över varenda ord i hashtabell 1. I procedurblock 302 beräknas ett överensstämmelsevärde genom att multiplicera värdena för ett specifikt ord i hashtabell 1 och hashtabell 2 och addera det resulterande värdet till överensstämmelsevärdet. Om ett ord inte förekommer i någon tabell är värdet noll. I procedurblock 303 och 304 beräknas hjälpvärden för normaliseringsproceduren. Överensstämmelsevärdet normaliseras sedan i procedurblock 305.
I figur 4 visas en mer detaljerad vy av intresseagenten. En första vektor betecknas 401 där varje position innehåller en post. I figur 4 visas tre poster, post 402, post 403 och post 404 i de första tre positionerna i den första vektorn 401. Varje post omfattar tre platser, vilket visas i post 404. För tydlighets skull har platserna utelämnats i poster 402 och 403 i betecknad 405 innehåller en hänvisning 406, figur 4. Första platsen, till en intresseagent, den andra platsen, betecknad innehåller en hänvisning till en hashtabell 408 och den tredje Hashtabellen platsen i. posten innehåller ett förtroendevärde. en modell av intresset för agenten som 408 representerar hänvisas till, i platsen 406 och förtroendevärdet representerar mängden tillit som denna agent har för agenten som hänvisas till i platsen 405. Vidare omfattar intresseagenten en hashtabell 409, agenter och en tredje vektor 411 med hänvisningar till agenter en andra vektor 410 med hänvisningar till prenumererande vilka har dirigerat ett informationsobjekt till denna agent men 10 15 20 25 30 17 inte rekommenderat informationen. Hashtabellen 409 representerar en modell av intresset för denna intresseagent, det vill säga, vilken typ av information som skall presenteras för användaren 101. En till dokument betecknas 412. fjärde vektor med hänvisningar elektroniska Figur 5 visar ett informationsobjekt 501. Informationsobjektet 501 omfattar elektronisk information 502, en hänvisning, i denna föredragna utföringsform, en URL (gniform Besource Eocator) 503, en fjärde vektor 504 med hänvisningar till intresseagenter vilka och en har rekommenderat den elektroniska informationen 502 femte vektor 505 med hänvisningar till intresseagenter vilka inte har rekommenderat informationen 502 men vilka har dirigerat informationsobjektet 501.
Vidare förklaring av de olika egenskaperna för intresseagenterna och informationsobjekten komer nu att göras med hänvisning till figurerna 1, 4, 5 och 6.
I figur 6 är en första intresseagent betecknad 601, en andra intresseagent är betecknad 602 och en tredje intresseagent är betecknad 603. Agenterna 601, 602 och 603 är allihop konsumentagenter, det vill säga, de söker alla efter ny information. En leverantörsintresseagent betecknas 604. En första databas betecknas 605 och en andra databas betecknas 606.
Databasen 605 innehåller elektronisk information varav två dokument är betecknade 607 och 608 och databasen 606 innehåller elektronisk information varav tre dokument är betecknade 609, 610 och 611. Nätverket som sammankopplar alla agenter och databaser betecknas 612. Nätverket kan vara Internet och databaserna kan vara Web-servrar på Internet. Sökagenter är betecknade 613, 614 och 615.
Intresseagenten 602 tar emot ett informationsobjekt 501 från intresseagent 601. Intresseagenten 602 skapar sedan en modell av den elektroniska informationen 502 enligt flödesschemat i figur 2 och uppdaterar alla intressemodeller för alla intresseagenter 10 15 20 25 30 18 511 584 vilka finns med i båda listorna 401 och 504. Intresseagenten 602 lägger också till alla agenter som inte finns i listan med dirigerande agenter 411, men vilka är noterade som dirigerande agenter i listan 505, till listan 411. Intresseagenten lägger till hänvisningen 503, till listan 412, till den elektroniska informationen 502, om förtroendevärdet 407 för en intresseagent som rekommenderar den elektroniska informationen 502 är högre än ett gränsvärde.
Intresseagenten 602 söker i den första listan 401 för att lokalisera agent 601. listan 401, Om intresseagent 601 hittas i den första det vill säga, om hänvisningen 405 är identisk med hänvisningen till intresseagent 602 för någon position i listan 401 och om förtroendevärdet 407 är högre än ett tröskelvärde, presenteras den elektroniska informationen 502 för användaren 101. Om intresseagenten 602 till användaren 101 rekommenderar informationen, lägger sin egen hänvisning till listan för informationsobjektet 501 och rekommenderande agenter 504 i skickar informationsobjektet till alla prenumererande agenter i listan 410.
Om intresseagent 601 hittas i listan 401 men förtroendevärdet 407 är lägre än tröskelvärdet jämför intresseagenten 602 modellen för den elektroniska informationen 502 med agentens 602 intressemodell 409 enligt flödesschemat visat i figur 3. Om överensstämmelsevärdet är högre än ett tröskelvärde presenteras den elektroniska informationen 502 för användaren 101. Om överensstämmelsevärdet är lägre än tröskelvärdet presenteras den elektroniska informationen i alla fall för användaren 101 om ett slumpmässigt genererat värde är lägre än förtroendevärdet 407 601. Detta förtroendevärdet är för agenten 602 ju lägre är sannolikheten för intresseagenten innebär att ju lägre att den elektroniska informationen 502 presenteras om förtroendevärdet 407 inte är högre än ett första tröskelvärde och överensstämmelsevärdet inte är högre än ett andra tröskelvärde. 10 15 20 25 30 19 511 584 Om den elektroniska informationen 502 presenteras för användaren 101 och informationen 502 användaren 101 rekommenderar uppdateras intressemodellen för intresseagenten 602 med hashtabellen som skapats för den elektroniska informationen 502.
Intresseagenten 602 lägger sedan till sin egen hänvisning till listan :ned rekommenderande agenter 504 i. informationsobjektet 502 och till alla agenter 410. skickar informationsobjektet 502 intresseagenter i listan med prenumererande Förtroendevärdet 407 i lista 401 ökas för alla intresseagenterna i listan 504 vilka rekommenderade den elektroniska informationen 502. Om förtroendevärdet för någon av agenterna i listan 401, till exempel intresseagent 601, når över ett tröskelvärde skickar intresseagent 602 ett prenumerationsmeddelande till agent 601. Intresseagent 601 lägger sedan hänvisningen till intresseagent 602 till listan med prenumererande agenter 410 i intresseagent 601.
Om den elektroniska informationen 502 presenteras för användaren 101 och intresseagenten 602 till sin egen hänvisning till listan med användaren 101 inte rekommenderar den lägger dirigerande agenter 505 och skickar informationsobjektet 501 till ett specifikt antal slumpmässigt utvalda agenter i listan med dirigerande agenter 411. Förtroendevärdet 407 i listan 401 minskas för alla intresseagenter i lista 504 vilka rekommenderade den elektroniska informationen. Om förtroendevärdet för någon av agenterna i listan 401, till exempel intresseagent 601, blir lägre än ett tröskelvärde skickar intresseagenten 602 ett avsluta prenumerationsmeddelande till agent 601. till intresseagenten 602 från listan med prenumererande agenter Intresseagenten 601 tar* då bort hänvisningen 410 i intresseagenten 601.
Om informationen inte presenteras för användaren lägger intresseagenten 602 till sin egen hänvisning till listan med dirigerande agenter 505 i informationsobjektet 501 och skickar 10 15 20 20 511 584 informationsobjektet 501 till ett specifikt antal slumpmässigt utvalda agenter i lista 411.
Sökagenten 613 kan också söka efter information i databaser 606 och 605. till exempel en gång om dagen, Denna sökning kan utföras med jämna mellanrum, kontinuerligt eller kan utföras på uppdrag av användaren 101. Företrädesvis utförs sökningen enligt sökverktyg skall listan 409 och de regler som alla agenter, spindlar eller följa. Sökagenten 613 tar emot intressemodellen, listan med hänvisningar 412 från intresseagenten 602. Metoderna för att söka i databaser eller på datorer på Internet är väl etablerade i teknikens ståndpunkt och behandlas inte här.
Sökagenten 613 har en större skillnad jämfört med sökmotorerna i teknikens ståndpunkt vilken är att den inte kommer att söka i dokument hänvisade till i referenslistan 412. Detta innebär att onl en pålitlig intresseagent, det vill säga Ined tillräckligt har bedömt ett dokument så kommer det inte att Resultatet effektiv högt förtroende, sökas igen av denna agent. blir en parallellsökning.
Uppfinningen som sålunda har beskrivits kan uppenbart varieras på många sätt. Sådana variationer skall inte uppfattas som avsteg från andemeningen och omfattningen av uppfinningen och alla sådana modifieringar som är uppenbara för fackmannen inom området är avsedda att inkluderas i. omfattningen av följande krav.
Claims (1)
1. lO 15 20 25 30 21 511 534 PATENTKRÃV En metod för att hitta och hämta elektronisk information i ett nätverk, k ä n n e t e c k n a d av att en första intresseagent skickar ett informationsobjekt till en andra intresseagent, där nämnda informationsobjekt omfattar elektronisk information, en första vektor med hänvisningar till intresseagenter som rekommenderar nämnda elektroniska information och en andra vektor med hänvisningar till intresseagenter som är neutrala till nämnda information, och där nämnda andra intresseagent omfattar en tredje vektor där varje position i nämnda tredje vektor omfattar åtminstone en och ett motsvarande till en intresseagent att hänvisning förtroendevärde, och nämnda andra intresseagent presenterar nämnda elektroniska information för en användare i beroende av förtroendevärdet för nämnda första intresseagent. En metod enligt krav 1, , k ä n n e t e c k n a d av att nämnda andra intresseagent vidare omfattar en första intressemodell, att on: förtroendevärdet för nämnda första intresseagent inte var tillräckligt högt för att presentera informationen, så presenteras informationen i beroende av om den elektroniska informationen i nämnda informationsobjekt och nämnda första intressemodell för den andra intresseagenten stämmer överens. En metod enligt krav 2, k ä n n e t e c k n a d av att om den elektroniska informationen och nämnda första modell inte stämmer överens, så presenteras den elektroniska informationen i beroende av en sannolikhetsfaktor. En metod enligt krav 1, k ä n n e t e c k n a d av att nämnda andra intresseagent skickar nämnda informationsobjekt till av om användaren andra intresseagenter, i beroende rekommenderar den elektroniska informationen. 10 15 20 25 30 511 584 22 En metod enligt krav 4, k ä n n e t e c k n a d av att nämnda andra intresseagent vidare omfattar en fjärde vektor omfattande hänvisningar till prenumererande intresseagenter, att den andra intresseagenten skickar nämnda informationsobjekt till alla intresseagenter i nämnda fjärde vektor i beroende av om användaren rekommenderar nämnda elektroniska information. En metod enligt krav 5, k ä n n e t e c k n a d av att nämnda andra intresseagent vidare omfattar en femte vektor med hänvisningar till intresseagenter, att nämnda andra intresseagent skickar nämnda informationsobjekt till ett specifikt antal slumpmässigt utvalda intresseagenter i nämnda femte vektor. En metod enligt krav 1, k ä n n e t e c k n a d av att nämnda första intressemodell omfattar en första hashtabell, vari nämnda tabell ett unikt ord har en unik position och där varje position har ett värde som indikerar vikten av nämnda position. En metod enligt krav 7, k ä n n e t e c k n a d av att först sortera orden i nämnda elektroniska information i en andra hashtabell samt ge värden till nämnda ord i beroende av antalet förekomster, position i den elektroniska informationen eller etiketter, multiplicera nämnda andra hashtabell med nämnda första hashtabell och på så sätt erhålla ett tal, att om nämnda tal är högre än ett gränsvärde så stämmer den elektroniska informationen och nämnda första intressemodell överens. En metod enligt krav 8, k ä n n e t e c k n a d av att nämnda andra intresseagent skickar nämnda informationsobjekt till åtminstone den intresseagent i nämnda tredje vektor som har bäst överensstämmelse. 10 15 20 25 30 10. ll. 12. 13. 23 511 584 En metod enligt krav 6, k ä n n e t e c k n a d av att nämnda andra intresseagent skickar nämnda informationsobjekt till åtminstone en intresseagent i nämnda tredje vektor, nämnda fjärde vektor eller nämnda femte vektor. En metod enligt krav l, k ä n n e t e c k n a d av att nämnda andra intresseagent vidare omfattar en sjätte vektor omfattande hänvisningar till elektronisk information, att nämnda informationsobjekt vidare omfattar en hänvisningsadress till nämnda elektroniska information, att när nämnda andra intresseagent tar emot nämnda informationsobjekt från nämnda första intresseagent, lägger den andra intresseagenten till hänvisningen, till den elektroniska informationen, till nämnda sjätte vektor, om förtroendet för nämnda första intresseagent är högre än ett tröskelvärde, så förmedlar nämnda andra intresseagent nämnda andra till andra intressemodell till en sökagent, att nämnda intresseagent förmedlar nämnda referensvektor sökagenten, att nämnda sökagent söker databaser i nätverket efter elektronisk information som stämmer överens med nämnda att söka elektronisk andra intressemodell och undviker information hänvisad i nämnda referensvektor, och att nämnda sökagent förmedlar elektronisk information till nämnda andra intresseagent när en övèrensstämmelse sker. En metod enligt krav 8, k ä n n e t e c k n a d av att en ett att ånämnda användare förmedlar elektroniskt dokument till en gränssnittsagent, gränssnittsagent skapar en modell av nämnda ešektroniska dokument, att nämnda gränssnittsagent förmedlar nämnda elektroniska dokument till den intresseagent vars intressemodell har bäst överensstämmelse med modellen för nämnda elektroniska information. En metod enligt ett av kraven 1, 4, 5 eller 6, k ä n n e t e c k n a dk av att varje position i nämnda tredje vektor i nämnda andra intresseagent vidare omfattar lO 15 20 25 30 511 584 24 14. 15. 16. 17. 18. en andra intressemodell för varje motsvarande hänvisning till en intresseagent. En metod enligt krav 13, k ä n n e t e c k n a d av att nämnda andra intressemodell omfattar en tredje hashtabell, i vilken tabell ett unikt ord har en unik position och där varje position har ett värde som indikerar vikten av nämnda ord. En metod enligt krav 1, k ä n n e t e c k n a d av att nämnda andra intresseagent skickar ett meddelande till en tredje intresseagent i nämnda tredje vektor som indikerar en prenumeration, i beroende av om förtroendevärdet motsvarande till nämnda tredje intresseagent är högre än ett tröskelvärde. En metod enligt krav 5, k ä n n e t e c k n a d av att om nämnda andra intresseagent tar emot ett meddelande som indikerar en prenumeration från en tredje intresseagent så läggs hänvisningen till nämnda tredje agent till i nämnda fjärde lista. En metod enligt krav 13, k ä n n e t e c k n a d av att när nämnda andra intresseagent tar emot ett informationsobjekt, alla intressemodeller motsvarande en uppdateras andra hänvisning till en intresseagent i nämnda tredje vektor, som i nämnda alla har en identisk hänvisning som någon intresseagent, första vektor, i nämnda informationsobjekt, att hänvisningar till intresseagenter i. nämnda första vektor, läggs till i till vilka inte hittats i inte hittats i nämnda tredje vektor, alla vilka nämnda tredje vektor, och att hänvisningar intresseagenter i nämnda andra vektor, nämnda femte vektor, läggs till i nämnda femte vektor. En metod enligt krav 17, k ä n n e t e c k n a d av att nämnda uppdatering utförs genom att för varje unikt ord i nämnda elektroniska information bestämma ett värde, i 10 15 20 25 30 19. 20. 21. 25 511 584 beroende av åtminstone antalet förekomster av nämnda ord, i nämnda elektroniska information, positionen i nämnda elektroniska information, nämnda ord eller etiketter, och nämnda värde läggs till värdet för positionen i nämnda tredje hashtabell, indikerat av nämnda ord. En metod enligt krav 1, k ä n n e t e c k n a d av att nämnda första intresseagent lägger till sin egen hänvisning till nämnda första vektor i. nämnda informationsobjekt, i beroende av om användaren godtar den presenterade elektroniska informationen och att nämnda första intresseagent lägger till sin egen hänvisning till nämnda andra vektor i nämnda informationsobjekt, i beroende av om användaren inte svarar på presentationen av nämnda elektroniska information. En metod enligt krav 1, k ä n n e t e c k n a d av att om nämnda elektroniska information presenteras för en användare information så alla och nämnda användare rekommenderar nämnda ökas förtroendevärdet i nämnda första vektor för intresseagenter vilka har rekommenderat nämnda elektroniska information, och om nämnda elektroniska information presenteras för nämnda användare och nämnda användare inte rekommenderar nämnda information så minskas förtroendevärdet i nämnda första vektor för alla intresseagenter vilka har rekommenderat nämnda elektroniska information. En metod enligt något av kraven ovan, k ä n n e t e c k n a d av att den elektroniska informationen presenteras för en användare genom att visa nämnda information på en monitor och att nämnda användare rekommenderar nämnda information genom att klicka på en knapp som visas på nämnda monitor.
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE9800076A SE511584C2 (sv) | 1998-01-15 | 1998-01-15 | Informationsdirigering |
EP99901263A EP1046116A2 (en) | 1998-01-15 | 1999-01-11 | Information routing |
AU20842/99A AU2084299A (en) | 1998-01-15 | 1999-01-11 | Information routing |
PCT/SE1999/000019 WO1999036864A2 (en) | 1998-01-15 | 1999-01-11 | Method for finding and retrieving electronic information in a network using interest agents |
US09/229,767 US6266667B1 (en) | 1998-01-15 | 1999-01-14 | Information routing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE9800076A SE511584C2 (sv) | 1998-01-15 | 1998-01-15 | Informationsdirigering |
Publications (3)
Publication Number | Publication Date |
---|---|
SE9800076D0 SE9800076D0 (sv) | 1998-01-15 |
SE9800076L SE9800076L (sv) | 1999-07-16 |
SE511584C2 true SE511584C2 (sv) | 1999-10-25 |
Family
ID=20409861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
SE9800076A SE511584C2 (sv) | 1998-01-15 | 1998-01-15 | Informationsdirigering |
Country Status (5)
Country | Link |
---|---|
US (1) | US6266667B1 (sv) |
EP (1) | EP1046116A2 (sv) |
AU (1) | AU2084299A (sv) |
SE (1) | SE511584C2 (sv) |
WO (1) | WO1999036864A2 (sv) |
Families Citing this family (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8352400B2 (en) | 1991-12-23 | 2013-01-08 | Hoffberg Steven M | Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore |
US7904187B2 (en) | 1999-02-01 | 2011-03-08 | Hoffberg Steven M | Internet appliance system and method |
US6954220B1 (en) * | 1999-08-31 | 2005-10-11 | Accenture Llp | User context component in environment services patterns |
US6507847B1 (en) * | 1999-12-17 | 2003-01-14 | Openwave Systems Inc. | History database structure for Usenet |
US6564233B1 (en) * | 1999-12-17 | 2003-05-13 | Openwave Systems Inc. | Server chaining system for usenet |
GB2358717A (en) * | 2000-01-25 | 2001-08-01 | Gordon Ross | Methods for enhanced information exchange and transactions within multi-device environments |
CA2425217C (en) * | 2002-04-12 | 2013-06-25 | Eric Boyd | Method and system for single-action personalized recommendation and display of internet content |
US7032225B2 (en) * | 2002-04-23 | 2006-04-18 | International Business Machines Corporation | Object-oriented framework for document routing service in a content management system |
US8799501B2 (en) * | 2002-04-30 | 2014-08-05 | Hewlett-Packard Development Company, L. P. | System and method for anonymously sharing and scoring information pointers, within a system for harvesting community knowledge |
US7260598B1 (en) * | 2002-05-03 | 2007-08-21 | Cisco Technology, Inc. | Methods and apparatus for processing client requests in a content distribution network using client lists |
US20040024598A1 (en) * | 2002-07-03 | 2004-02-05 | Amit Srivastava | Thematic segmentation of speech |
US20040006628A1 (en) * | 2002-07-03 | 2004-01-08 | Scott Shepard | Systems and methods for providing real-time alerting |
JP4039158B2 (ja) * | 2002-07-22 | 2008-01-30 | ソニー株式会社 | 情報処理装置および方法、情報処理システム、記録媒体、並びにプログラム |
US20040204939A1 (en) * | 2002-10-17 | 2004-10-14 | Daben Liu | Systems and methods for speaker change detection |
US8782654B2 (en) | 2004-03-13 | 2014-07-15 | Adaptive Computing Enterprises, Inc. | Co-allocating a reservation spanning different compute resources types |
US9268607B2 (en) | 2004-03-13 | 2016-02-23 | Adaptive Computing Enterprises, Inc. | System and method of providing a self-optimizing reservation in space of compute resources |
US20070266388A1 (en) | 2004-06-18 | 2007-11-15 | Cluster Resources, Inc. | System and method for providing advanced reservations in a compute environment |
US8176490B1 (en) | 2004-08-20 | 2012-05-08 | Adaptive Computing Enterprises, Inc. | System and method of interfacing a workload manager and scheduler with an identity manager |
CA2586763C (en) | 2004-11-08 | 2013-12-17 | Cluster Resources, Inc. | System and method of providing system jobs within a compute environment |
US8863143B2 (en) | 2006-03-16 | 2014-10-14 | Adaptive Computing Enterprises, Inc. | System and method for managing a hybrid compute environment |
US9231886B2 (en) | 2005-03-16 | 2016-01-05 | Adaptive Computing Enterprises, Inc. | Simple integration of an on-demand compute environment |
EP1872249B1 (en) | 2005-04-07 | 2016-12-07 | Adaptive Computing Enterprises, Inc. | On-demand access to compute resources |
US9514236B2 (en) * | 2005-08-19 | 2016-12-06 | Resource Consortium Limited | Recommendation network |
US9507778B2 (en) | 2006-05-19 | 2016-11-29 | Yahoo! Inc. | Summarization of media object collections |
US8594702B2 (en) | 2006-11-06 | 2013-11-26 | Yahoo! Inc. | Context server for associating information based on context |
US8484108B2 (en) * | 2006-11-17 | 2013-07-09 | International Business Machines Corporation | Tracking entities during identity resolution |
US9110903B2 (en) * | 2006-11-22 | 2015-08-18 | Yahoo! Inc. | Method, system and apparatus for using user profile electronic device data in media delivery |
US8402356B2 (en) | 2006-11-22 | 2013-03-19 | Yahoo! Inc. | Methods, systems and apparatus for delivery of media |
US8769099B2 (en) | 2006-12-28 | 2014-07-01 | Yahoo! Inc. | Methods and systems for pre-caching information on a mobile computing device |
DE102007050971B4 (de) | 2007-03-14 | 2014-12-31 | BLüCHER GMBH | Verfahren zur Herstellung von Hochleistungsadsorbentien auf der Basis von Aktivkohle mit hoher Meso- und Makroporosität, Hochleistungsadsorbentien und deren Verwendung |
US8041773B2 (en) | 2007-09-24 | 2011-10-18 | The Research Foundation Of State University Of New York | Automatic clustering for self-organizing grids |
US8069142B2 (en) * | 2007-12-06 | 2011-11-29 | Yahoo! Inc. | System and method for synchronizing data on a network |
US8671154B2 (en) | 2007-12-10 | 2014-03-11 | Yahoo! Inc. | System and method for contextual addressing of communications on a network |
US8307029B2 (en) | 2007-12-10 | 2012-11-06 | Yahoo! Inc. | System and method for conditional delivery of messages |
US8166168B2 (en) | 2007-12-17 | 2012-04-24 | Yahoo! Inc. | System and method for disambiguating non-unique identifiers using information obtained from disparate communication channels |
US9626685B2 (en) | 2008-01-04 | 2017-04-18 | Excalibur Ip, Llc | Systems and methods of mapping attention |
US9706345B2 (en) | 2008-01-04 | 2017-07-11 | Excalibur Ip, Llc | Interest mapping system |
US8762285B2 (en) | 2008-01-06 | 2014-06-24 | Yahoo! Inc. | System and method for message clustering |
US20090182618A1 (en) | 2008-01-16 | 2009-07-16 | Yahoo! Inc. | System and Method for Word-of-Mouth Advertising |
US8554623B2 (en) | 2008-03-03 | 2013-10-08 | Yahoo! Inc. | Method and apparatus for social network marketing with consumer referral |
US8538811B2 (en) | 2008-03-03 | 2013-09-17 | Yahoo! Inc. | Method and apparatus for social network marketing with advocate referral |
US8560390B2 (en) | 2008-03-03 | 2013-10-15 | Yahoo! Inc. | Method and apparatus for social network marketing with brand referral |
US8745133B2 (en) | 2008-03-28 | 2014-06-03 | Yahoo! Inc. | System and method for optimizing the storage of data |
US8589486B2 (en) | 2008-03-28 | 2013-11-19 | Yahoo! Inc. | System and method for addressing communications |
US8271506B2 (en) | 2008-03-31 | 2012-09-18 | Yahoo! Inc. | System and method for modeling relationships between entities |
US8452855B2 (en) | 2008-06-27 | 2013-05-28 | Yahoo! Inc. | System and method for presentation of media related to a context |
US8813107B2 (en) | 2008-06-27 | 2014-08-19 | Yahoo! Inc. | System and method for location based media delivery |
US8706406B2 (en) | 2008-06-27 | 2014-04-22 | Yahoo! Inc. | System and method for determination and display of personalized distance |
US8086700B2 (en) | 2008-07-29 | 2011-12-27 | Yahoo! Inc. | Region and duration uniform resource identifiers (URI) for media objects |
US8583668B2 (en) | 2008-07-30 | 2013-11-12 | Yahoo! Inc. | System and method for context enhanced mapping |
US10230803B2 (en) | 2008-07-30 | 2019-03-12 | Excalibur Ip, Llc | System and method for improved mapping and routing |
US8386506B2 (en) | 2008-08-21 | 2013-02-26 | Yahoo! Inc. | System and method for context enhanced messaging |
US8370321B2 (en) * | 2008-09-04 | 2013-02-05 | Vulcan, Inc. | Automated information-provision system |
US8281027B2 (en) | 2008-09-19 | 2012-10-02 | Yahoo! Inc. | System and method for distributing media related to a location |
US9600484B2 (en) | 2008-09-30 | 2017-03-21 | Excalibur Ip, Llc | System and method for reporting and analysis of media consumption data |
US8108778B2 (en) | 2008-09-30 | 2012-01-31 | Yahoo! Inc. | System and method for context enhanced mapping within a user interface |
US8024317B2 (en) | 2008-11-18 | 2011-09-20 | Yahoo! Inc. | System and method for deriving income from URL based context queries |
US8060492B2 (en) * | 2008-11-18 | 2011-11-15 | Yahoo! Inc. | System and method for generation of URL based context queries |
US8032508B2 (en) | 2008-11-18 | 2011-10-04 | Yahoo! Inc. | System and method for URL based query for retrieving data related to a context |
US9805123B2 (en) * | 2008-11-18 | 2017-10-31 | Excalibur Ip, Llc | System and method for data privacy in URL based context queries |
US9224172B2 (en) | 2008-12-02 | 2015-12-29 | Yahoo! Inc. | Customizable content for distribution in social networks |
US8055675B2 (en) | 2008-12-05 | 2011-11-08 | Yahoo! Inc. | System and method for context based query augmentation |
US8166016B2 (en) | 2008-12-19 | 2012-04-24 | Yahoo! Inc. | System and method for automated service recommendations |
US20100185518A1 (en) * | 2009-01-21 | 2010-07-22 | Yahoo! Inc. | Interest-based activity marketing |
US20100241689A1 (en) * | 2009-03-19 | 2010-09-23 | Yahoo! Inc. | Method and apparatus for associating advertising with computer enabled maps |
US8150967B2 (en) * | 2009-03-24 | 2012-04-03 | Yahoo! Inc. | System and method for verified presence tracking |
US8195430B2 (en) * | 2009-03-31 | 2012-06-05 | Microsoft Corporation | Cognitive agent |
US8570325B2 (en) * | 2009-03-31 | 2013-10-29 | Microsoft Corporation | Filter and surfacing virtual content in virtual worlds |
US20100280913A1 (en) * | 2009-05-01 | 2010-11-04 | Yahoo! Inc. | Gift credit matching engine |
US10223701B2 (en) | 2009-08-06 | 2019-03-05 | Excalibur Ip, Llc | System and method for verified monetization of commercial campaigns |
US8914342B2 (en) | 2009-08-12 | 2014-12-16 | Yahoo! Inc. | Personal data platform |
US8364611B2 (en) | 2009-08-13 | 2013-01-29 | Yahoo! Inc. | System and method for precaching information on a mobile device |
US11720290B2 (en) | 2009-10-30 | 2023-08-08 | Iii Holdings 2, Llc | Memcached server functionality in a cluster of data processing nodes |
US10877695B2 (en) | 2009-10-30 | 2020-12-29 | Iii Holdings 2, Llc | Memcached server functionality in a cluster of data processing nodes |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5185860A (en) * | 1990-05-03 | 1993-02-09 | Hewlett-Packard Company | Automatic discovery of network elements |
US5982868A (en) * | 1993-02-22 | 1999-11-09 | Murex Securities, Ltd. | Automatic routing and information system for telephonic services |
CA2210581C (en) * | 1995-01-23 | 2002-03-26 | British Telecommunications Public Limited Company | Methods and/or systems for accessing information |
US6021428A (en) * | 1997-09-15 | 2000-02-01 | Genesys Telecommunications Laboratories, Inc. | Apparatus and method in improving e-mail routing in an internet protocol network telephony call-in-center |
US6029175A (en) * | 1995-10-26 | 2000-02-22 | Teknowledge Corporation | Automatic retrieval of changed files by a network software agent |
AU1122997A (en) * | 1995-11-07 | 1997-06-11 | Cadis, Inc. | Search engine for remote object oriented database management system |
US5862325A (en) * | 1996-02-29 | 1999-01-19 | Intermind Corporation | Computer-based communication system and method using metadata defining a control structure |
GB9606739D0 (en) * | 1996-03-29 | 1996-06-05 | British Telecomm | Telecommunications apparatus and method |
US5802518A (en) * | 1996-06-04 | 1998-09-01 | Multex Systems, Inc. | Information delivery system and method |
US6324267B1 (en) * | 1997-01-17 | 2001-11-27 | Scientific-Atlanta, Inc. | Two-tiered authorization and authentication for a cable data delivery system |
US6055308A (en) * | 1997-01-21 | 2000-04-25 | Genesys Telecommunications Laboratories, Inc. | Method and system for determining and using multiple object states in a computer telephony integration system |
US5918232A (en) * | 1997-11-26 | 1999-06-29 | Whitelight Systems, Inc. | Multidimensional domain modeling method and system |
US6055538A (en) * | 1997-12-22 | 2000-04-25 | Hewlett Packard Company | Methods and system for using web browser to search large collections of documents |
US6088698A (en) * | 1998-02-27 | 2000-07-11 | Oracle Corporation | Method and apparatus for incrementally generating a virtual three-dimensional world |
US6134548A (en) * | 1998-11-19 | 2000-10-17 | Ac Properties B.V. | System, method and article of manufacture for advanced mobile bargain shopping |
-
1998
- 1998-01-15 SE SE9800076A patent/SE511584C2/sv not_active IP Right Cessation
-
1999
- 1999-01-11 AU AU20842/99A patent/AU2084299A/en not_active Abandoned
- 1999-01-11 WO PCT/SE1999/000019 patent/WO1999036864A2/en active Application Filing
- 1999-01-11 EP EP99901263A patent/EP1046116A2/en not_active Withdrawn
- 1999-01-14 US US09/229,767 patent/US6266667B1/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
SE9800076D0 (sv) | 1998-01-15 |
AU2084299A (en) | 1999-08-02 |
WO1999036864A3 (en) | 1999-10-21 |
US6266667B1 (en) | 2001-07-24 |
SE9800076L (sv) | 1999-07-16 |
EP1046116A2 (en) | 2000-10-25 |
WO1999036864A2 (en) | 1999-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6266667B1 (en) | Information routing | |
US11556544B2 (en) | Search system and methods with integration of user annotations from a trust network | |
KR100966405B1 (ko) | 신뢰 네트워크를 포함하는 사용자 판단의 통합을 갖는 검색시스템 및 방법 | |
US9239883B2 (en) | Searching system having a server which automatically generates search data sets for shared searching | |
US9798789B2 (en) | Method and system for tracking changes to user content in an online social network | |
US7594258B2 (en) | Access control systems and methods using visibility tokens with automatic propagation | |
KR100824091B1 (ko) | 신뢰 네트워크로부터의 사용자 주석들을 통합한 검색시스템 및 방법 | |
US8612243B2 (en) | System and method of managing community-based and content-based information networks | |
WO2007002621A2 (en) | Apparatus and method for content annotation and conditional annotation retrieval in a search context | |
EP2257895B1 (en) | Electronic resource annotation | |
US20080228764A1 (en) | Hypercube topology based advanced search algorithm | |
US20030149580A1 (en) | Customized interaction with computer network resources | |
US20170004402A1 (en) | Predictive recommendation engine | |
Zhang et al. | Computational web intelligence: Intelligent technology for web applications | |
Howlett | Internet-based intelligent information processing systems | |
KAYA | TAG BASED RECOMMENDATION SYSTEM OF A SOCIAL NETWORKING SITE | |
BÜBER KAYA et al. | TAG BASED RECOMMENDATION SYSTEM OF A SOCIAL NETWORKING SITE. | |
KR20010090276A (ko) | 양방향 정보검색 서비스 방법 | |
Gnasa | Congenial Web search: a conceptual framework for personalized, collaborative, and social peer-to-peer retrieval | |
WO2003030024A1 (en) | Information systems | |
Gnasa | Congenial Web Search | |
Sangpachatanaruk | An overlay architecture for personalized object access and sharing in a peer-to-peer environment | |
SHIRATORI | Hierarchical Document Clustering | |
Pelekhov | Information organization algorithms and applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
NUG | Patent has lapsed |