《自适应推荐系统的制作方法》由会员分享，可在线阅读，更多相关《自适应推荐系统的制作方法（5页珍藏版）》请在金锄头文库上搜索。
1、自适应推荐系统的制作方法专利名称：自适应推荐系统的制作方法技术领域：本发明涉及内容推荐优化。背景技术：内容推荐提供了用于向潜在顾客介绍新内容的有效机制。通常，基于顾客的购买历史来选择推荐内容。呈现推荐内容的格式和方式往往对所有顾客都是类似的。发明内容提供本发明内容以便以简化形式介绍将在以下详细描述中进一步描述的一些概念。本发明内容并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于限制所要求保护主题的范围。此外，所要求保护的主题不限于解决在本公开的任一部分中所提 及的任何或所有缺点的实现。呈现了内容推荐系统。该系统动态地跟踪用户的列表交互历史，该历史详述用户与多个不同列表的交互，该多个
2、不同列表向该用户呈现不同的推荐项。该系统基于列表交互历史将一个或多个列表偏好与该用户自动地相关，并用具有不同推荐置信度的多个候选项来构建推荐列表。推荐列表被构建，使得根据与该用户相关的一个或多个列表偏好，具有较高推荐置信度的每个候选项优先于具有较低推荐置信度的每个候选项。图I示意性地示出根据本发明的一实施例的推荐系统。图2是示出根据本发明的实施例的使用推荐系统来构建推荐列表的方法的流程图。图3-5示出了根据本发明的示例推荐列表的各种实施例。图6A-6C示出根据本发明的实施例的示例推荐列表。图7示意性地示出了根据本发明的各实施例的计算系统。具体实施例方式目前的推荐系统通常基于用户先前已选择的内容
3、的特征(例如，性别、作者、导演、演员等)和/或类似的用户先前作出的选择，尝试使用各种过滤器来预测用户的品位，诸如基于协作过滤的推荐的情形。然而，通常不能将用户与推荐项的列表交互时的行为与推荐项的实际内容分开考虑。如下面所描述的，与推荐项的实际内容相分离的、用户先前与推荐项的特定呈现进行交互的方式可能构成如何向用户呈现之后的用户专用内容推荐的基础。换言之，可以基于用户在过去与推荐项的各种呈现进行交互的方式，来定制向用户呈现候选推荐项的集合。转向图1，示出了示例推荐系统100。推荐系统100可构建用户专用推荐列表以向用户呈现。推荐系统包括推荐器102，该推荐器102可使用各种输入和过滤器来确定要向
4、用户推荐的候选内容项。另外，推荐系统100包括一个或多个视图适配器104 (例如，视图适配器I、视图适配器2、视图适配器N)以确定向用户呈现内容的方式。参考图3-5和图6A-6C更详细地示出和描述了简化的示例推荐列表。可从内容目录106中选择推荐项。内容目录106可以是供用户购买或查看的非用户专用的内容项数据库。可用包括内容类型、内容类别、用户对各项的评级等各种特征来对内容目录106内包含的各项进行标记。虽然图I中示出的实施例描绘了单个内容目录106，但可以使用多个内容目录。例如，在一些实施例中，不同的内容目录可包含不同类型的内容。内容目录106可跟踪所有用户对内容项的购买和评级。内容目录10
5、6可使用所跟踪的信息来根据流行度对内容项排序。因此，内容目录106提供由包括流行度等各种特征 来标记的内容项列表。如下面将更为详细地描述的，推荐器102在汇编用户专用的推荐列表时可使用内容列表以及特征标记。推荐器102还可从社交图数据库108接收用户专用输入。社交图数据库108可包括用户朋友的购买和评级历史。这些历史可由推荐器102在汇编用户专用的推荐列表时使用。另外，推荐器102可接收辅助信息110 (诸如将在其上查看推荐列表的设备类型)，并在编译推荐列表时使用该信息。用户历史112也可向推荐器102提供用户专用输入。用户历史112可以跟踪并编译关于用户对内容项的参与的各种细节。例如，用户历
6、史112可跟踪用户活动114。用户活动114可包括用户对内容的购买、用户对内容的评级、用户对内容的查看等。另外，用户历史112可包括用户偏好116。用户偏好116可详述用户所偏好的内容专用因素，诸如所偏好的类别。用户偏好116也可详述用户所偏好的内容无关因素。这些内容无关因素可包括如何向用户呈现推荐列表的各种属性，诸如列表的长度、列表内各项的字体、与各项一同显不的文本的量等。可通过用户对向其提供的多个推荐列表的参与来自动地确定用户偏好116。每次推荐器102和视图适配器104构建推荐列表时，向用户呈现该推荐列表，并且跟踪用户与该列表的交互。基于该跟踪，可在用户不显式地声明任何特定偏好的情况下自
7、动地确定用户列表偏好。换言之，从用户的动作中推断用户偏好。下面将参考图2来描述关于确定用户偏好的附加细节。推荐器102可从内容目录106、社交图数据库108、辅助信息110、和用户历史112中取得输入，以确定候选推荐项的列表。候选推荐项基于来自用户历史112的输入可包括“为你推荐的”子组。为了从用户历史112中确定候选推荐项，推荐器102可使用特征过滤器，其中推荐用与用户先前已消费的项的特征相类似的特征标记的候选项。在另一个实施例中，推荐可由协作过滤器来确定，其中推荐由与用户相类似(例如，具有类似的购买和/或评级历史)的其他用户所消费的候选项。可以使用任何合适的过滤器或算法来确定推荐项。另外，
8、推荐项可包括基于来自社交图数据库108的输入的“社交”子组，或基于内容目录106中的流行度跟踪的“流行”子组。例如，社交子组中可包括用户的所有朋友最高评级或消费的项。在其他实施例中，由用户所偏好的特定朋友最高评级或消费的项可以是社交子组的一部分。推荐器102构建候选推荐项118列表。该候选推荐项118列表可包括来自上面描述或其他子组中的一个或多个的项。推荐器102向一个或多个视图适配器104提供候选推荐项118。如下面参考图2更详细地描述的，视图适配器104被配置成基于来自用户历史112的反馈，对候选推荐项118或其子集的内容和布局进行格式化。诸如视图适配器I、视图适配器2和视图适配器N等不同
9、的视图适配器可与不同的用户一同使用，因为它们各自可应用不同的用户专用逻辑，以便确定不同推荐列表的格式。不同的视图适配器也可用于在不同的设备上查看推荐列表的同一用户，使得可在特定设备上以所期望的方式向特定用户呈现推荐项。一旦视图适配器104已将推荐项分布到所期望的经格式化的列表中，则向用户呈现推荐列表。推荐系统100还包括向推荐器102提供实时的反馈以基于用户活动114、用户偏好116、用户历史116以及任何附加的辅助信息110来更新推荐列表的实时事件处理器120。图2示出用于优化推荐列表的方法200。方法200可由推荐系统100来执行。方 法200包括,在202构建推荐列表。推荐列表可包括为用
10、户推荐的候选项。可基于任何合适的机制来选择推荐列表上的候选项。作为非限制性的示例，例如，如上面参考图I所解释的，可通过来自内容目录106、社交图数据库108、和/或用户历史112的输入来确定推荐项。在204，每个候选项可被分配推荐置信度。推荐置信度可以是对用户查看或购买一项的可能性的指示。这些推荐置信度可以基于用户历史112、社交图数据库108、内容目录106、和/或任何其他合适的因素。计算系统可使用任何合适的过滤器或算法来确定推荐置信度。在206，基于推荐置信度和/或用户列表偏好在推荐列表内分布候选项。当首次构建推荐列表时，可单独基于推荐置信度来呈现候选项。在一些实施例中，存在推荐列表的默认
11、布局，并且可根据推荐置信度将各项置于该布局中。例如，默认布局可包括具有一列的十项列表，并候选项按降序次序分布，使得十个最高推荐置信度的项被呈现，并且较高推荐置信度的项位于列表顶部。在其他实施例中，当首次构建推荐列表时，候选项可随机地在列表内分布。然而，如果先前已经向用户呈现过一个或多个推荐列表，则候选项可基于由用户与先前列表的交互所确定的用户列表偏好来在列表内分布。下面将更详细地讨论基于用户列表偏好来分发候选项。方法200前进至208以向用户呈现推荐列表。随后，在210，方法200包括确定用户列表偏好。一旦已向用户呈现了列表，则推荐系统被配置成跟踪用户对推荐列表的全部参与。在212，跟踪推荐列
12、表的用户列表交互历史。该用户列表交互历史详述用户与列表的全部交互。用户与列表的交互可包括用户所作出的对列表中各项的购买。此外，用户交互可包括用户采取的除购买以外的动作。例如，可在计算系统的显示设备上呈现列表，并且该计算系统可包括用户输入设备，诸如鼠标。用户交互历史可详述用户用鼠标点击列表上的项的全部实例，或用户使用鼠标悬停在该项上方并在其周围导航的全部实例。可在列表历史中详述用户采取的指示与项的相关交互的任何动作。在214，可基于用户与推荐列表的交互来详述推荐列表的列表属性。重要的是，详述了用户交互的各个方面，除了用户正与之交互的实际项。即，跟踪用户与之交互的项的内容无关属性。例如，列表属性可
13、包括定义推荐列表上推荐项的布局、格式等的内容无关属性。示例列表属性包括用户界面上项的大小、字体和颜色，其中呈现项的列表上的列和子标题的数量，项是否包括图片和/或动画，在用户界面项上与项一同显示的文本信息的量，其中呈现项的列表的长度，其中呈现项的列表内该项的相对位置，项是来自“为你推荐”子组、来自“社交”子组、还是来自“流行”子组等。在216,基于列表交互历史来确定属性的用户偏好。例如,如果用户选择位于列表底部的项，则可以指示选择位于列表底部的项的用户偏好。同样，要注意的是，用户与列表交互的方式可被认为是与列表内容无关的。以此方式，可以确定如何为特定设备上的特定用户具体地定制推荐项的呈现。基于历
14、史来确定属性的用户偏好可通过应用任何合适的算法或过滤器(此处被称为“偏好判定逻辑”)来执行。在一个实施例中，偏好判定逻辑可包括用户与被赋予不同权重的列表的每种类型的交互，使得对被购买过的项的属性赋予比例如被悬停在上方的项的属性更高的偏好。在另一个实施例中，可对每种类型的用户交互赋予相同的权重。在其他实施例中，可对不同的列表属性赋予不同的权重。另外，可将用户在其上查看列表的设备类 型计入偏好判定逻辑。例如，如果用户正在移动设备上查看推荐列表，则可以对可能难以在该设备上查看的属性(诸如，图片和动画)赋予较低的权重。在一些实施例中，偏好判定逻辑可以是用户专用的，其中推荐系统对不同的用户应用不同的逻辑
15、，并且可基于接下来的列表交互历史得知对于每个用户来说，哪个逻辑是最有效的。偏好判定逻辑可用于基于特定用户的列表交互历史，自动地将一个或多个列表偏好与该特定用户相关。方法200是迭代的，并且可在202构建接下来的推荐列表时考虑在210确定的用户偏好。如上面所解释的，接下来的列表可包括在204已被赋予推荐置信度的候选推荐项。这些候选推荐项可基于推荐置信度、且还可基于206处的用户列表偏好来在列表内分布。换言之，根据与特定用户相关的一个或多个列表偏好，具有较高推荐置信度的每个候选项优先于具有较低推荐置信度的每个候选项。具有比另一个候选项相对更高推荐置信度的候选项可被赋予交互历史指示用户先前已经表现针
16、对其的相对较高交互的列表属性。例如，如果在216确定用户具有选择列表底部的项的偏好，则具有最高推荐置信度的推荐项可被置于推荐列表的底部。以此方式，在208，可向用户呈现不仅为用户专用的内容定制、而且为推荐列表本身的用户专用属性定制的推荐列表。基于向用户呈现的新的推荐列表，可在210确定并使用新的或更新后的用户列表偏好，以构建接下来的推荐列表。可以迭代地重复对列表的构建、向用户的呈现以及确定列表偏好，以持续地优化向用户呈现的推荐列表。图3-5示出了根据本发明的各个实施例的高度简化的示例推荐列表。图3示出包含被安排到两列(列302和列304)中的六项(A-F)的推荐列表300。每项具有与其相关联的在右下角作为百分比来指示的推荐置信度，其中100%指示最高置信度，且0%指示最低置信度。推荐置信度仅出于示例的目的被显示，并且可对用户不可见。此外，置信度可被表示为任何合适的方式，诸如从O到10、从O到I、或以任何其他合适的方式。可基于推荐置信度来编译推荐列表300，使得在列表顶部显示最高置信度的项。图3示出位于列304底部的项F周围的椭圆306，指示用户
