来自承载情感的内容的分面推荐的制作方法

典型的推荐系统使用各种统计或机器学习技术或这样的技术的组合来过滤可能的选择，以生成针对事情(诸如电影、书、购买的物品、餐馆等)的推荐。例如，推荐系统常常使用协同过滤或基于内容的过滤机制来构建模型用于在做出推荐中使用，并且可以使用这两种类型的过滤的组合。

协同过滤方法一般地根据从所观察的用户行为导出的信息构建基于用户的模型。构建这样的模型所评估的行为的示例包括先验用户选择或购买，并且还可以包括针对那些选择或购买的用户评级。然后，所得模型被用于向用户预测潜在的感兴趣的其他事情。

基于内容的过滤方法一般地基于物品特点构建模型以将类似物品推荐给用户。例如，如果用户表达出对悬疑电影感兴趣，则基于内容的推荐系统将推荐其他悬疑电影。进一步地，这样的推荐可以使用根据由其他用户所提供的评级生成的得分等进行排序或排名(即，组合的基于内容和协同过滤)。可以进一步通过尝试标识来自与针对其提供推荐的用户具有类似兴趣的用户的评级来使这样的推荐变窄。

技术实现要素：

提供以下概述，以简化形式引入下文在详细描述中进一步描述的概念的选择。该概述不旨在标识所要求保护的主题的关键特征或基本特征，其也不旨在用作帮助确定所要求保护的主题的范围。进一步地，虽然本文可以指出或讨论其它技术的某些缺点，但是所要求保护的主题不旨在限于可以解答或解决那些其它技术的缺点中的任何或全部的实施方式。该概述的唯一目的是以简化形式将所要求保护的主题的一些概念呈现为稍后呈现的更详细描述的前序。

总体而言，如本文所描述的“分面(facet)推荐器”可以根据诸如消费者评论、社交媒体内容(例如，基于文本或语音的内容)或其他承载意见的在线内容之类的承载情感的内容(sentiment-bearing content)，创建并且呈现针对特定对话话题的分面的推荐以及可选的针对与这些分面相关联的实体的推荐。

注意，在以下讨论的上下文中，术语“分面”被定义为指代与特定对话话题相关联的特定特点或实体。例如，关于基于餐馆的对话话题，分面可以包括但不限于餐馆类型(例如，意大利、无麸质、素食、巴西烤肉等)、菜单、食品项目(或特定类别或类型的食品项目)、饮料、服务、员工、气氛、环境、便利设施、娱乐、游戏、客户、事件、价格、等待时间、新鲜度等。每个分面还可以进一步被分割为子分面。例如，食品项目分面可以包括牛肉、海鲜、家禽、素菜等的子分面，其中的每一个还可以单独地被视为分面。

分面推荐器向承载情感的内容应用机器学习的分面模型，以标识与该内容的跨度或分段相关联的对话话题分面。在各种实施方式中，分面推荐器还可选地使用分面模型和/或机器学习的情感模型来确定与对话话题、分面或对应的实体相关联的中性情感(还包括其中在内容中明显没有情感的情况)、积极情感或消极情感。注意，在各种实施方式中，通过来自针对特定对话话题类型的手动定义或机器学习的分面的列表或集合的分面模型来选择这些分面。

分面推荐器然后生成关于特定分面的新对话语句(即，短的中性、积极或消极的建议)，该新对话语句可以基于与那些分面相关联的情感并且可选地基于针对分面和/或情感的“共识”的确定。进一步地，在各种实施方式中，通过将分面、从承载情感的内容提取的相关联的跨度或分段和/或与特定对话话题相关联的情感适配到一个或多个预定义的对话框架，来创建这些语句。换句话说，可以通过利用分面、从承载情感的内容提取或在承载情感的内容中标识的相关联的跨度或分段和/或与特定对话话题相关联的情感填充各种对话框架中的位置来创建对话语句。

换句话说，在各种实施方式中，分面推荐器使用机器学习的分面模型和/或机器学习的情感模型来评估承载情感的内容的多个样本，从而标识与该内容的一个或多个分段相关联的对话话题和分面并且可选地确定与那些分面中的每一个分面对应的情感。分面推荐器然后使用该信息来生成关于所标识的分面中的一个或多个分面的多个对话语句。另外，在各种实施方式中，通过将一个或多个分面或该内容的相关联的跨度或分段适配到一个或多个预定义的对话框架来生成对话语句中的一个或多个对话语句，该一个或多个预定义的对话框架可选地与任何相关联的情感一致。

根据以上概述，应清楚的是，本文所描述的分面推荐器提供各种技术用于应用机器学习的分面模型和/或机器学习的情感模型来从承载情感的内容标识对话话题的分面和可选的对应情感，并且针对那些分面创建对话语句形式的推荐用于呈现给用户。除刚描述的益处之外，分面推荐器的其他优点将从结合附图作出的以下随附的详细描述中变得明显。

附图说明

所要求保护的主题的特定特征、方面和优点将关于以下描述、随附的权利要求和附图变得更好理解，其中：

图1提供了图示本文所描述的“分面推荐器”的各种实施方式的程序模块的示例性架构流程图，“分面推荐器”评估承载情感的内容以创建针对与特定对话话题相关联的分面的对话语句形式的推荐。

图2提供了图示示出本文所描述的各种示例性过程的程序模块的示例性架构流程图，该各种示例性过程用于训练机器学习的分面模型和可选的机器学习的情感模型。

图3提供了图示示出本文所描述的各种示例性过程的程序模块的示例性架构流程图，该各种示例性过程用于使用问答(QA)过程来查询由分面推荐器所生成的话题数据的结构化数据库。

图4图示了一般系统流程图，该流程图图示用于实现如本文所描述的分面推荐器的各种实施方式的示例性方法。

图5是描绘简化的通用计算设备的一般系统图，该计算设备具有用于实现本文所描述的分面推荐器的各种实施方式的简化的计算能力和I/O能力。

具体实施方式

在“分面推荐器”的各种实施方式的以下描述中参照附图，附图形成该描述的一部分并且在附图中以图示的方式示出了其中可以实践分面推荐器的特定实施方式。应当理解，在不脱离其范围的情况下，可以利用其他实施方式并且可以做出结构改变。

还应注意，为了清楚起见，特定术语将被诉诸于描述本文所描述的各种实施方式，并且这些实施方式不旨在限于这样所选择的特定术语。而且，应理解到，每个特定术语包括以实现类似目的的广泛类似的方式操作的所有其技术等同物。在本文中对“一个实施方式”或“另一实施方式”或“示例性实施方式”或“备选实施方式”或类似短语的引用意味着结合该实施方式所描述的特定特征、特定结构或特定特点可以被包括在分面推荐器的至少一个实施方式中。进一步地，贯穿说明书的这样的短语的出现不必全部指代同一实施方式，也不是与其他实施方式相互排斥的分离或备选的实施方式。

还应当理解，本文针对表示分面推荐器的一个或多个实施方式的任何过程流所描述或所图示的顺序不是固有地指示这些过程需要以所描述或所图示的顺序来实现，本文针对任何过程流所描述或所图示的任何这样的顺序也不隐含对分面推荐器的任何限制。

如本文所利用的，术语“部件”、“系统”、“客户端”等旨在指代计算机相关实体，硬件、软件(例如，在执行时)、固件或它们的组合。例如，部件可以是在处理器上运行的过程、对象、可执行的程序、函数、库、子例程、计算机或软件和硬件的组合。通过图示，在服务器上运行的应用和服务器二者都可以是部件。一个或多个部件可以驻留在过程内并且部件可以被本地化在一个计算机上和/或被分布在两个或更多计算机之间。术语“处理器”一般地被理解为指代硬件部件，诸如计算机系统的处理单元。

而且，就术语“包含”、“包括有”、“具有”、“含有”和其变型以及其他类似词语在该详细描述或权利要求中使用的程度而言，这些术语旨在以类似于作为开放式过渡词的术语“包括”类似的方式是包括性的，而不排除任何附加或其他元件。

1.0介绍：

总体而言，如本文所描述的“分面推荐器”提供各种技术用于根据诸如消费者评论、社交媒体内容(例如，文本、图像、语音或基于视频的内容或它们的任何组合)或任何其他在线承载意见的内容之类的“承载情感的内容”，创建针对特定对话话题的分面的对话推荐以及可选的针对与那些分面相关联的实体的对话推荐。

在以下讨论的上下文中，术语“对话话题”在本文中被定义为指代物理位置(例如，餐馆、商店、购物中心、旅行目的地、电影院、博物馆、公园、海滩、旅馆等)、在线网站或服务(例如，可以由用户查看或消费的购物网站、具有内容(诸如电影、音乐、图像、文本等)的网站)和其他可标识的对话话题，包括但明显不限于图书、音乐、政治、时事、体育、爱好等。

而且，在以下讨论的上下文中，术语“分面”被定义为指代与特定对话话题相关联的特定特点或实体。例如，关于餐馆的对话话题，分面可以包括但不限于餐馆类型(例如，意大利、无麸质、素食、巴西烤肉等)、菜单、食品项目(或特定类别或类型的食品项目)、饮料、服务、员工、气氛、环境、便利设施、娱乐、游戏、客户、事件、价格、等待时间、新鲜度等。每个分面还可以进一步被分割为子分面。例如，食品项目分面可以包括牛肉、海鲜、家禽、素菜等的子分面，其中的每一个还可以单独地被视为分面。

另外，术语“跨度”和“分段”可交换地使用，并且在本文中被定义为指代与该承载情感的内容中的特定分面或与该内容中的情感的特定表达相关联的、承载情感的内容中的词语、文本和图像序列的任何组合。

进一步地，术语“情感词汇”被定义为用于在确定针对特定对话话题或分面的情感中使用的扩展词汇。在各种实施方式中，情感词汇通过与中性、积极或消极情感相关联的词语或短语定义、通过以任何基于情绪或与情绪相关的表情符号或图像的形式呈现的中性、积极或消极情感的指示定义或通过人的心情或面部表情的文本描绘定义。例如，文本分段“8-)”可以指示与积极情感的文本描绘对应的“笑脸”。

1.1系统概述：

如上文所指出的，分面推荐器提供各种技术用于应用机器学习的分面模型和/或机器学习的情感模型来从承载情感的内容标识对话话题的分面和可选的对应情感，并且从那些分面创建对话语句形式的推荐用于呈现给用户。通过图1的架构流程图图示以上概述的过程。特别地，图1图示了用于实现本文所描述的分面推荐器的各种实施方式的程序模块之间的相互关系。而且，虽然图1的示图图示了分面推荐器的各种实施方式的高级视图，但图1不旨在提供对贯穿该文档所描述的分面推荐器的每个可能实施方式的详尽或完整的图示。

另外，应当注意，可以由图1中的断线或虚线表示的任何框和框之间的相互连接表示本文所描述的分面推荐器的备选实施方式，并且如下文所描述的这些备选实施方式中的任何或全部可以与贯穿该文档描述的其他备选实施方式组合使用。

一般而言，如由图1所图示的，由分面推荐器启用的过程通过使用分面和情感标识模块100开始操作，该模块100将机器学习的分面模型105应用于承载情感的内容110以标识和标记对话话题120的分面和/或跨度。注意，当附加信息从各种源中的任一个源变得可用时，该承载情感的内容110可以随时间连续地演变和扩展。经由机器学习的分面模型105所标识的对话话题120的所得的经标记的分面和跨度然后被提供给语句生成模块125。在各种实施方式中，分面和情感标识模块100还可选地使用机器学习的分面模型105或分离的机器学习的情感模型115来标识与所标识和所标记的分面和/或跨度相关联的中性情感(其还特别地被定义为包括其中在内容中情感不明显的情况)、积极情感和消极情感。

进一步地，在各种实施方式中，机器学习的分面模型105和/或机器学习的情感模型115考虑承载情感的内容110的年龄或“新鲜度”。例如，承载情感的内容110的特定项目或条目往往关于各种对话话题(例如，餐馆、政治、时事等)随时间而变得较不相关。因此，在各种实施方式中，分面推荐器使用经修改的机器学习的分面模型105和/或经修改的机器学习的情感模型115，其根据该内容的年龄而降权或丢弃承载情感的内容110的特定项目或条目。

语句生成模块125然后通过将经标记的分面和/或相关联的跨度适配到一个或多个对应的预定义的中性、积极或消极对话框架(分别为135、140和145)中，使用对话话题120的经标记的分面和跨度来填充多个对话语句150。语句生成模块125然后输出或存储对话语句150用于稍后使用。还注意到，在各种实施方式中，用户接口等(未示出)被提供以允许用户定制、创建和/或移除一个或多个中性对话框架135、积极对话框架140或消极对话框架145。

在相关实施方式中，分面推荐器使用可选的共识模块130评估对话话题120的经标记的分面和跨度以确定共识分面。特别地，“共识分面”在本文中被定义为如下的分面：针对其多个人已经生成承载情感的内容110来讨论或指代特定对话话题的特定分面。注意，在各种实施方式中，特定的经标记的分面和/或跨度120的关联度将由共识模块130随着从承载情感的内容110导出的对应的经标记的项目的数目增加而增加。然后，当随后创建对话语句150或将对话语句呈现给用户时，如下面所讨论的，分面推荐器可以可选地将这样的语句的创建和/或呈现限于具有共识分面的那些语句。备选地，分面推荐器可以可选地以比没有共识分面的语句更高的概率呈现具有共识分面的语句。

在进一步的相关实施方式中，共识模块130评估对话话题120的经标记的分面和跨度，以确定针对对话话题和/或与特定对话话题相关联的一个或多个分面的共识情感。特别地，“共识情感”在本文中被定义为与针对特定对话话题的特定分面和/或跨度的大多数经标记的分面和/或跨度相关联的中性、积极或消极情感，并且还可以是与特定对话话题相关联的共识情感。然后，当随后创建对话语句或将对话语句呈现给用户时，如下面所讨论的，分面推荐器可以可选地将这样的语句的创建和/或呈现限于具有共识情感的那些语句。

进一步地，在各种实施方式中，当可选地考虑共识情感时，如果与特定对话话题或分面相关联的大多数承载情感的内容110具有积极情感，那么分面推荐器可以将所选择的对话话题120的对应积极的经标记的分面和跨度的子集提供给语句生成模块125。语句生成模块125可以然后使用所选择的对话话题120的积极的经标记的分面和跨度的子集填充积极对话框架140来创建针对对应的对话话题的对话语句150。相反地，如果与特定对话话题或分面相关联的大多数承载情感的内容110具有消极情感，那么分面推荐器可以将所选择的对话话题120的消极的经标记的分面和跨度的子集提供给语句生成模块125。语句生成模块125可以然后使用所选择的对话话题120的消极的经标记的分面和跨度的子集填充消极对话框架145来创建针对对应的对话话题的对话语句150。关于具有中性(或不明显的)情感的特定对话话题或分面执行类似过程。

语句呈现模块155然后经由各种输出设备160或机制(例如，文本、语音、视频等)和这样的输出的组合来选择和呈现与特定用户有关的一个或多个对话语句150。在各种实施方式中，当确定哪些对话语句呈现给用户时，语句呈现模块155可以考虑与特定对话语句150相关联的任何共识分面或任何共识情感之一或两者。另外，在各种实施方式中，对话语句的呈现可以是主动性的或反应性的或是这两者，如下面更详细讨论的。

进一步地，在各种实施方式中，语句呈现模块155考虑对话语句150的年龄或“新鲜度”。特别地，与用于生成对话语句150的承载情感的内容110一样，那些对话语句关于各种对话话题(例如，餐馆、政治、时事等)往往随时间变为较不相关的。因此，在各种实施方式中，语句呈现模块155取决于那些对话语句的年龄，降权(即，使呈现较不可能)、丢弃或删除特定对话语句150。

进一步地，语句呈现模块155可以考虑用户简档165或其他用户个性化信息来选择对话语句150中的一个或多个用于呈现。用户简档165或其他用户个性化信息的示例包括但不限于从当前或已知关联的过往用户行为、兴趣或偏好导出的简档信息等。

类似地，在相关实施方式中，语句呈现模块155还可以单独地或与用户简档165或其他用户个性化信息组合地考虑各种基础因素170来选择对话语句150中的一个或多个用于呈现。基础因素或信息的示例包括但不限于天气、当日时间、本地交通、音频、视觉等。

另外，在各种实施方式中，可选的翻译模块180应用机器学习的翻译模型180等以将对话语句150、中性对话框架135、积极对话框架140和消极对话框架145中的任一个匹配或适配到包括语言风格、方言、俚语、口语等的语言特征的任何组合，其在本文中被统称为“语言风格”。如在章节2.4.1中更详细讨论的，这使得分面推荐器能够使用看起来已经由同一人或个性化生成的语言风格呈现对话语句。

一般而言，分面推荐器能够应用或适应各种各样的机器学习技术中的任意技术来构建前述机器学习的分面模型105和/或机器学习的情感模型115。图2提供了图示示出用于训练机器学习的分面模型105和/或机器学习的情感模型115的各种示例性过程的程序模块的示例性架构流程图。

注意，由图2的架构流程图所图示的过程图示了用于实现用于训练图1的机器学习的分面模型105和/或机器学习的情感模型115的各种过程的程序模块之间的相互关系。而且，虽然图2图示了用于训练这样的模型的各种过程，但是所图示的所有实施方式表示用于训练机器学习的分面模型105和/或机器学习的情感模型115的可选过程。另外，还应当理解，图2不旨在提供用于训练用于与分面推荐器一起使用的分面模型的每个可能过程的详尽或完整图示。进一步地，可以使用与用于训练机器学习的分面模型105的下文所描述的那些类似或不同的各种机器学习技术来训练图1的机器学习的情感模型115。

例如，在各种实施方式中，模型训练模块200根据经标记的训练数据210的各种组合训练机器学习的分面模型105和/或机器学习的情感模型115。在各种实施方式中，该经标记的训练数据210包括但不限于自动聚类的承载情感的内容、从聚类学习的谱嵌套(spectral embeddings)、自动或手动注释或标记的聚类的各种组合，以标识针对分面和可选的中性、积极或消极“情感词汇”的词语、各种特征(诸如大写特征、n元(character n-grams)，其中词语或字符出现在评论或其他承载情感的内容等的跨度或分段中)等。

通过应用各种技术中的任意技术创建经标记的训练数据210。在各种实施方式中，这些技术包括但不限于应用聚类模块220以执行对训练数据(例如，从任何可用源获得的承载情感的内容)中所标识的相关分面的基于机器的聚类(例如，布朗聚类或其他聚类技术)。在各种实施方式中，聚类模块220还可以自动地学习针对该训练数据的跨度的谱嵌套。在各种实施方式中，聚类模块220还被用于注释或标记聚类，以标识与分面相关联的词语和短语并且可选地标识被用于标识与训练数据中的承载情感的内容相关联的中性、积极和消极情感的“情感词汇”的元素。进一步地，在相关实施方式中，标记模块230被提供以根据预定义或用户定义的分面和与那些标记相关联的情感来允许承载情感的内容的分面和/或聚类的手动标记。

在各种实施方式中，模型训练模块200可选地周期性地更新分面模型105和/或机器学习的情感模型115。一般而言，通过处理随时间变得可用的新的承载情感的内容110而启用这样的更新，从而更新经标记的训练数据210，该经标记的训练数据210进而被应用以保持或更新机器学习的分面模型105和/或机器学习的情感模型115。

返回参考图1，应当清楚的是，无论何时机器学习的分面模型105和/或机器学习的情感模型115已经更新，分面和情感标识模块100都可以然后将更新后的分面模型和/或更新后的情感模型应用于承载情感的内容110(包括新和旧的承载情感的内容)，结果产生对话话题120的经标记的分面和跨度的新的或更新后的集合。如上文所概述的，对话话题120的经标记的分面和跨度的该新的或更新后的集合然后可以被用于填充更新后的对话语句150。

有利地，随时间更新机器学习的分面模型105和/或机器学习的情感模型115和所得的对话语句150使得分面推荐器将那些对话语句适应于改变的趋势。例如，先前接收到的几乎消极情感的对话话题/分面组合可以开始接收几乎积极情感，并且结果是由分面推荐器呈现的对应的对话语句150还可以改变以反映情感中的改变。类似地，与在一个角度上在承载情感的内容110中频繁地观察到的特定对话话题相关联的分面可以停止被参考或可以以较低的频率被参考。在这样的情况下，所得的对话语句150可以被更新以反映这样的改变趋势。

2.0分面推荐器的操作细节：

以上所描述的程序模块被用于实现分面推荐器的各种实施方式。如上文所概述的，分面推荐器提供各种技术用于应用机器学习的分面模型和/或机器学习的情感模型来从承载情感的内容标识对话话题的分面和可选的对应情感，并且从那些分面创建对话语句形式的推荐用于呈现给用户。以下章节提供分面推荐器的各种实施方式的操作和用于实现关于图1和图2在章节1中所描述的程序模块的示例性方法的详细讨论。特别地，以下章节提供分面推荐器的各种实施方式的示例和操作细节，包括：

·分面推荐器的操作概述；

·用于训练机器学习的分面模型和可选的情感模型的示例性过程；

·形成对话话题基线；

·填充对话框架；

·对话语句的选择和呈现；以及

·自然语言查询。

2.1操作概述：

如上文所指出的，本文所描述的基于分面推荐器的过程提供各种技术用于创建和呈现对话语句形式的基于分面的推荐。

在各种实施方式中，分面推荐器通过将机器学习的分面模型应用到承载情感的内容来开始操作，以标识与该内容的跨度或分段相关联的对话话题的分面。分面推荐器还可选地使用分面模型和可选的机器学习的情感模型来确定与那些分面相关联的中性、积极或消极消费者情感以及可选地确定与那些分面相关联的实体。换句话说，承载情感的内容的跨度或分段根据分面和可选的情感二者而被标记。进一步地，还应当注意，在各种实施方式中，分面模型能够从承载情感的内容的单个实例提取分面或其他相关联的实体的多个不同的实例(例如，指代数个不同食品项目的餐馆的用户评论)。类似地，在各种实施方式中，情感模型能够从承载情感的内容的单个实例提取与各种分面相关联的情感的多个不同的实例。

注意，取决于可用于由机器学习的分面模型和/或机器学习的情感模型处理的承载情感的内容，并非可以针对特定对话话题覆盖所有可能的分面。然而，当更多承载情感的内容变为可用时，针对特定对话话题的所覆盖的分面的数目往往随时间增加。然而，如上文所指出的，某些对话话题(例如，餐馆、体育、政治等)的年龄可以被用作排除或限制对应的承载情感的内容的特定元件的影响的因素。

各种概念、词语、事情、人等(在本文中被统称为“实体”)还可以与由承载情感的内容中的机器学习的分面模型所标识的特定分面相关联。例如，消费者评论或其他承载情感的内容中的词语跨度或文本分段“脆皮牛肉卷饼”可以被标识为与对应的餐馆对话话题的食品分面对应的实体。类似地，与针对特定中国餐馆对话话题的食品项目分面相关联的实体可以包括“宫保鸡丁”、“杏仁鸡块”、“牛肉西蓝花”等。同样地，与针对特定博物馆对话话题的艺术家分面相关联的实体可以包括特定艺术家或特定艺术家的特定艺术品。该概念的简单示例是将“纽约现代艺术博物馆”认为是具有“梵高”艺术家分面的对话话题，并且“星夜”油画对应于与该分面相关联的实体。

如上文所指出的，在各种实施方式中，分面推荐器还使用机器学习的分面模型和/或机器学习的情感模型来确定在承载情感的内容的跨度或分段中已经标识的与分面相关联的中性、积极或消极情感和可选的对应实体。进一步地，在各种实施方式中，分面推荐器联合地评估特定分面(和可选的对应实体)的一个或多个示例以确定与特定对话话题相关联的共识分面(即，指代特定分面的承载情感的内容的多个实例)。类似地，在各种实施方式中，分面推荐器可选地确定与那些分面和/或相关联的对话话题相关联的共识情感。

例如，关于共识情感，如果分面推荐器确定大多数承载情感的内容指示针对特定餐馆对话话题的食品分面的积极情感，那么分面推荐器将把积极情感与该特定餐馆处的食品相关联。相反地，如果分面推荐器确定大多数承载情感的内容指示针对特定餐馆对话话题的员工分面的消极情感，那么分面推荐器将把消极情感与该特定餐馆处的员工相关联。

分面推荐器然后使用所得的分面并且可选地使用针对特定对话话题的对应的情感，以基于与那些分面相关联的情感，生成与特定对话话题处的特定分面有关的一个或多个新对话语句(即，短的中性、积极或消极的建议)。更特别地，通过使用与特定对话话题相关联的经标记的分面填充各种预定义的对话框架中的位置来生成这些新对话语句。例如，在餐馆的情况下，对话框架可以被设计为提供简单的基于位置的建议，包括但不限于“您应当尝试____”、“避免____”、“此处员工是____”、“此处停车场是____”、“____是适合儿童的”等。还注意，对话框架可以包括任何数目的多个位置，例如，“____具有真正良好的_____，但是您应当避免____”。

当考虑情感时，在已经针对分面(诸如特定餐馆处的苹果派)接收到几乎积极的评论或情感的情况下，使用各种对话框架生成的新语句可以包括“您应当尝试苹果派”或“苹果派在这里非常受欢迎”。相反地，如果已经针对分面(诸如特定餐馆处的蛤蜊浓汤)接收到几乎消极的评论或情感，那么使用对话框架之一生成的新语句可以是“避免蛤蜊浓汤”。

分面推荐器然后将所得对话语句中的一个或多个呈现为文本响应、基于语音的响应、组合的视频和语音(例如，交谈化身)或文本、语音和视频的任何期望组合。还注意到，在各种实施方式中，基于用户偏好，由分面推荐器提供为响应或建议的语句被个性化到单独的用户。这样的用户偏好可以由用户提供或者基于匿名过往用户行为被预测。用于预测用户偏好的过往用户行为的示例包括但不限于浏览历史、购买历史、在特定分面中特殊化的建立的频繁、已知同伴(例如，朋友、配偶、孩子等)的兴趣或偏好等。

进一步地，在各种实施方式中，对话语句被反应性地或主动性地呈现给用户。例如，用户可以将文本或口头查询(诸如“我应当尝试什么？”)提供给分面推荐器。作为响应，分面推荐器可以返回“苹果派在这里非常受欢迎”的对话语句。类似地，如果与便携式计算设备(例如，智能电话、平板电脑等)相关联的传感器指示用户已经进入致力于甜点的面包店或餐馆，则分面推荐器可以通过建议“您应当尝试苹果派”来主动性地提醒用户。

除个性化和主动性或反应性的对话语句之外，在各种实施方式中，分面推荐器使用一个或多个“基础因素”来定制被提供为响应或建议的对话语句。换句话说，如该文档的章节2.5.2中更详细讨论的，分面推荐器用于将语句的对话行为绑定到用户的当前环境或情况的各方面，而不仅是与用户的历史或当前位置相关联的持久方面。例如，在各种实施方式中，由分面推荐器生成的语句基于基础因素(诸如天气、当日时间、本地交通等)，并且可以进一步结合任何环境考虑或其他基础因素来考虑用户历史或当前情况。

以上概述的能力通过响应于用户请求或用户情况而反应性地或主动性地提供对话语句形式的推荐，从而提供若干优点和技术效果，包括但不限于增加的用户交互性能。所得的用户交互中的效率改进通过降低或消除对于用户手动地确定或搜索针对特定对话话题受欢迎的分面或待避免的分面的需要而节省用户时间。

进一步地，在相关实施方式中，分面推荐器增大现有内容以视觉地指示与特定分面相关联的情感，使得用户可以迅速地确定特定对话话题的哪些分面与中性、积极或消极情感相关联。有利地，这样的实施方式创建同样节省用户的时间的用户交互。这样的实施方式还增加使用分面推荐器所实现的推荐系统的可用性，从而同样增加了用户效率。

2.2用于训练分面模型和情感模型的示例性过程：

在各种实施方式中，分面推荐器基于机器学习命名的实体识别模型(NER)或各种各样的其他机器学习技术中的任意技术，生成分面模型和可选的情感模型。例如，基于NER的模型一般地通过训练过程学习，其将与分类过程组合的组块技术适应于从训练数据学习分面模型和/或情感模型。一般而言，文本组块通过将文本(诸如消费者评论或其他承载情感的内容)划分为词语的语法相关部分来向全文解析提供中间步骤。结果是可以由分面推荐器用作分面模型的多标记多级监督分类模型，适用于可选地与相关联的情感组合的分面。

在进一步的实施方式中，分面推荐器使用其他机器学习和分类技术，包括但不限于使用基于半马尔可夫条件随机域(CRF)的技术来从训练数据学习分面模型。一般而言，基于半马尔可夫CRF的技术适于以以下方式提供条件随机域的一般化：对消费者评论或其他承载情感的内容的标记序列的可变长度分段进行建模，来在承载情感的内容中学习分面模型，该分面模型适用于可选地与相关联的情感组合的分面。

进一步地，如上文所指出的，在各种实施方式中，分面推荐器可以使用可选的机器学习情感模型来标识承载情感的内容中的情感(或其缺少)。一般而言，可以通过应用可与针对机器学习的分面模型的训练所描述的那些类似或不同的各种机器学习技术来训练机器学习的情感模型。

例如，在各种实施方式中，分面推荐器应用基于逻辑回归的机器学习方法来训练情感模型。在各种实施方式中，该基于逻辑回归的训练方法接收“情感词汇”的“积极”、“消极”和“中性”示例的标记实例的大量样本，包括与承载情感的内容的各种实例相关联的文本、图像、表情符号等。该训练过程然后学习承载情感的内容中的特征的权重(包括情感词汇的各个元素)。该学习过程然后操作以最大化经标记的训练数据的条件对数似然值来构建机器学习的情感模型。

在其他实施方式中，分面推荐器针对目标相关的情感分类应用自适应递归神经网络。在各种实施方式中，取决于情感词汇的那些元素之间的上下文和语法关系，该基于神经网络的机器学习方法将情感词汇的词语、图像、文本等的情感自适应地传播至目标情感。在各种实施方式中，该基于神经网络的机器学习方法应用多个复合函数，并且然后将自适应情感传播建模为分布在那些复合函数上。进一步地，在各种实施方式中，该基于神经网络的机器学习方法还可以利用手动注释的数据集来对承载情感的内容的任意集合或源进行目标相关的情感分析。

出于解释的目的，以下讨论提供用于使用经标记的训练数据训练基于半马尔可夫CRF的概率分面模型的各种实施方式的简单示例。然而，应当理解，分面推荐器不旨在限于使用基于半马尔可夫CRF的建模技术、基于NER的建模技术或任何其他特定机器学习技术。进一步地，还应当理解，任何期望的机器学习技术可以适于在构建、训练、学习或以其它方式生成统计或概率分面模型中使用，该静态或概率分面模型能够从任意的承载情感的内容或从这样的内容导出的经标记的训练数据来标识或以其它方式提取分面和可选的对应情感。

2.2.1分面：

如上文所指出的，术语“分面”被定义为指代与特定对话话题相关联的特定特点或实体。分面的示例包括但不限于餐馆类型(例如，意大利、无麸质、素菜、巴西烤肉等)、菜单、食品项目(或特定类别或类型的食品条目)、饮料、服务、员工、气氛、便利设施、娱乐、游戏、客户、事件、价格、等待时间、新鲜度等。例如，针对特定餐馆对话话题的食品项目分面可以包括词语或短语(诸如“苹果派”、“牛排”、“科布沙拉”、“捕挪威海螯虾”、“烤三文鱼”等)。还注意到，一些分面可以包括子分面，例如“食品”分面可以包括牛肉、海鲜、家禽、素菜等的子分面，其中的每一个子分面还可以单独地被视为分面。

虽然上文所指出的分面的内容可以被认为是自解释的，但是出于解释的目的，以下提供这些分面中的一些分面的一些附加简单示例。例如，食品和饮料分面一般地包括盘子或膳食以及饮料类型和与特定对话话题相关联的食品和饮料的一般类别(或子分面)。员工分面一般地包括与特定对话话题相关联的会场处的工作的人或志愿者。便利设施分面一般地包括由与特定对话话题相关联的会场提供的事情或活动。事件分面通常地包括客户在会场处完成的事情和在会场处发生的事情(例如，乐队、舞蹈、游戏等)。客户分面通常地包括一般地在与特定对话话题相关联的特定会场处找到的人的类型(例如，年龄、行为、教育等)。

2.2.2承载情感的内容中的情感标识符：

如上文所指出的，在各种实施方式中，分面推荐器使用“情感词汇”确定针对特定对话话题或分面的情感。在各种实施方式中，情感词汇由与中性、积极或消极情感相关联的词语或短语、由以任何基于情绪或与情绪相关的表情符号或图像的形式呈现的中性、积极或消极情感的指示或由人的心情或面部表情的文本描绘定义(例如，“8-)”可以指示积极情感)。

例如，在积极情感的情况下，情感词汇与如下词语相关联，该词语包括但是明显不限于“很好”、“奇妙”、“惊人”、“美好”、“最好的”、“真得好”、“极好的”等。相反地，在消极情感的情况下，定义情感词汇的词语或短语包括但明显不限于“可怕的”、“讨厌的”、“糟糕的”、“粗鲁的”、“不能容忍这个”等。

中性情感的示例包括但不限于诸如“可以”、“不好不坏”等的表达。进一步地，还可以通过与特定分面或对话话题相关联的任何承载情感的内容中的积极和消极情感二者的相对等效混合，或者通过缺少明显情感，来指示针对特定分面或对话话题的中性情感。

还注意到，幻想词语或故意拼写错误(例如，“Sooooo Gooood！！！”)或“Baaaaaad”可以被用于定义指示承载情感内容中的对应的中性、积极或消极情感的情感词汇。另外，在各种实施方式中，在有或没有标点符号的情况下，进一步通过文本类型缩写词定义情感词汇(例如，“OMG！！！”、“GR8”等)。

进一步地，如上文所指出的，在各种实施方式中，进一步通过以任何基于情绪或与情绪相关的表情符号或图像的形式呈现的中性、积极或消极情感的指示定义情感词汇。例如，与笑脸(即，积极情感)的图像组合的“培根起司汉堡”(即，特定对话话题的食品分面)的文本跨度将指示针对特定对话话题的食品/“培根起司汉堡”的积极情感。更一般地，笑脸等的图像或表情符号将指示好的或高兴的(即，积极情感)，而皱眉脸的图像或表情符号将指示承载情感的内容中的坏的或不高兴的(即，消极情感)。类似地，在各种实施方式中，通过人的心情或面部表情的文本描绘进一步定义情感词汇。例如，文本串“8-)”可以指示高兴的(即，积极情感)，同时文本串“：-\”可以指示承载情感的内容中的怀疑或烦恼的(即，消极情感)。

关于情感，应当注意，甚至在其中没有情感词汇存在的情况下，各种自动化技术(例如，布朗聚类)可以被用于聚类从承载情感的内容导出的类似分面。这样的聚类然后可以随后被标记(手动地或者经由各种机器学习技术)为具有中性、积极或消极的情感。然后可以从那些经标记的聚类提取、学习或以其他方式构建情感词汇。

2.2.3训练数据：

不管被用于构建、训练、学习或以其他方式生成统计或概率分面模型和/或情感模型的机器学习过程的类型如何，被用于这样目的的训练数据常常包括数据的各种组合。例如，这样的数据包括但不限于自动地聚类的承载情感的内容、从聚类学习的谱嵌套、自动或手动注释或标记的聚类，以标识针对分面和针对可选的中性、积极或消极情感词汇的词语、各种特征(诸如大写特征、n元、在承载情感的内容的跨度或分段中出现的词语或字符的相对位置)等。

一般而言，根据从各种源获得的承载情感的内容导出该训练数据。这样的源包括但不限于在线消费者评论、社交媒体内容(例如，文本、图像、语音或基于视频的内容或其任何组合)或任何其他在线承载意见的内容。可以通过应用任何期望的数据收集和标记技术，包括基于机器学习的技术、基于手动或众包的技术或其任何组合二者，来完成训练数据集从承载情感的内容中的导出或更新。

例如，在各种实施方式中，通过应用各种基于众包的技术收集训练数据的各部分。这些基于众包的技术以连接来自具有人工智能任务的各种位置的大的工人池的市场的形式操作。在分面推荐器的情况下，这样的任务包括标识和标记从各种源接收的承载情感的内容中的相关跨度以指示分面或情感之一或二者。

在经测试的实施方式中，分面推荐器使用承载情感的内容的大样本的众包评估，其中承载情感的内容的每个实例被提供给多个工人。工人然后标识表示特定分面的跨度，并且利用分面类型和相关联的情感二者标记那些分面。分面推荐器然后评估所得跨度和标记以标识与针对特定分面的两个或更多众包工人之间的分面类型和情感之一或二者达成一致(即，共识)的众包评估的子集。例如，如果足够数目的众包工人同意特定食品分面(即，分面共识)存在于与特定对话话题相关联的会场处，那么对应的经标记的信息被添加到训练数据集。类似地，其中两个或更多众包工人在特定情感上达成情感共识(即，共识情感)，那么对应的经标记的情感信息被添加到训练数据集。

还可以通过各种机器学习技术来增强众包技术，以生成训练数据集。例如，在各种实施方式中，通过首先定义分面或实体的类型以自动地或经由基于机器学习的技术提取，以及标识与中性、积极或消极情感相关联的情感词汇，来完成分面和/或情感标记。例如，用于标识或定义分面或实体的技术包括但不限于提取表示与预定义或自动定义的分面的各种类型对应的跨度的名词短语。

在各种实施方式中，用于生成训练数据集的过程开始于使用任何现有的承载情感的内容来形成基于语言的n元聚类。从各种聚类方法学习这些n元聚类，包括但不限于“布朗聚类”或其他聚类技术。分面推荐器然后处理这些基于语言的n元聚类以学习谱嵌套。基于语言的n元聚类然后可选地被注释(手动地或者经由各种基于机器学习的技术)以标识针对分面的词语和针对情感的中性、积极或消极词汇，从而生成训练数据集。

除形成基于语言的n元聚类之外，分面推荐器还应用各种技术中的任意技术来生成与特定分面对应的承载情感的内容的跨度(即，所选择的分段)的标签。例如，评论“星期四晚上，这个地方有很好的排骨晚餐”可以包括跨度“很好的排骨”。如此，针对该跨度的所得标记可以包括“食品”分面(即，“排骨”)和积极情感(即，“很好的”)。这样的标签可以通过应用包括但不限于众包研究或各种机器学习技术的技术来标识跨度并且根据承载情感的内容生成对应的标签。

在进一步的实施方式中，分面推荐器使用各种方法来降低训练数据中的噪声。例如，在各种实施方式中，分面推荐器使用各种话题建模技术，例如潜在狄里克雷分布(LDA)生成模型，其允许观察集由未观察到的组解释以解释为何数据的一些部分类似。这使得分面推荐器能够将背景词汇和与特定对话话题相关联的内容分离并发现话题，因此帮助增加训练数据的有效性。在其他实施方式中，分面推荐器使用布朗聚类来利用来自在现有的评论数据上训练的布朗聚类的聚类标签替换承载情感的分段中的每个词。在餐馆对话话题的情况下，这样的许多聚类往往对应于餐馆分面，诸如甜点、酒精饮料、位置等，从而同样帮助增加训练数据的有效性。

2.2.4训练基于半马尔可夫CRF的分面模型：

如上文所指出的，在各种实施方式中，通过应用各种技术从承载情感的内容导出训练数据，该各种技术包括但不限于基于机器学习的标记技术和基于众包的技术或其某种组合。在各种实施方式中，该过程的结果是训练数据集，该训练数据集包括表示分段的词汇特征(例如，单独词或短语)和分段上下文(例如，大写模式、标点符号、n元等)的特征集以及可选的相关联的情感。这些特征还可以包括经由各种技术所标识的非监督的词语表示。例如，基于语言的技术(诸如布朗聚类)使用在各种实施方式中以基于其上下文分布地对承载情感的内容中的类似词语进行分组以形成基于语言的n元聚类。然后使用其它基于语言的技术来学习谱嵌套，该其它基于语言的技术包括但不限于基于语言的n元聚类的两步典型相关分析(CCA)。

在各种实施方式中，分面推荐器将分面模型构建为在包括特征(诸如上文所描述的那些特征)的经标记的训练数据的大集合上训练的半马尔可夫CRF。注意，基于半马尔可夫CRF的模型为本领域的技术人员所知，并且将不在本文中描述。

与基于规则马尔可夫CRF的模型不同，基于半马尔可夫CRF的模型可以测量分段而不是单独词语的特性，从而使得非监督的短语表示的使用能够改进NER性能。在各种实施方式中，分面推荐器通过首先找到针对可能顺序的表示来将基于半马尔可夫的CRF技术进一步适配为联合地执行承载情感的内容的分割和识别。进一步地，在各种实施方式中，由针对短语嵌套的分面推荐器使用的两步CCA过程通过向可能对用户具有较高的兴趣的分面或实体名称或短语加权分面模型来提供经改进的分面识别或标识。

例如，在各种实施方式中，“队列舞”分面可以比针对与特定对话话题相关联的特定会场的“停车场”分面具有更高的兴趣。然而，在各种实施方式中，如果二者都在承载情感的内容中，那么分面模型可以仍然寻求找到这两种分面。如此，所得的分面模型不偏好一个分面优于另一个。然而，在各种实施方式中，如果从承载情感的内容的实例所提取的特征未给分面模型提供足够的信息来进行分面分类，分面模型可以将较低的概率分配给一个分面，或者可以完全地错过它。

2.3形成对话话题基线：

在各种实施方式中，分面推荐器经由机器学习的分面模型和/或机器学习的情感模型，经由承载情感的内容的提取概述形成针对每个对话话题的基线。更特别地，可以通过评估由机器学习的分面模型和/或机器学习的情感模型输出的对话话题的经标记的分面和跨度来确定人们关于特定对话话题感觉如何的一般共识(即，共识情感)并且标识多个人可以作评论的该对话话题的相关分面(即，共识分面)，由此形成这样的基线。提取概述技术的示例包括但不限于基于共识的概述、聚类等，如在以下段落中所讨论的。这样的方法的结果是确定往往与用户更相关的分面的总体分面共识和/或情感共识。

在各种实施方式中，分面推荐器然后将对话语句的填充或完成限于具有共识分面和可选的对应的共识情感的分面。例如，在其中特定分面具有可用的承载情感的内容中的相对少的评论的情况下，在一些情况下，分面推荐器可以不使用这样的分面填充对话语句用于呈现给用户。有利地，这确保呈现给用户的对话语句更可能是相关和准确的。

例如，关于共识分面或共识情感之一或二者，在各种实施方式中，分面推荐器通过考虑为标识特定分面(即，针对共识分面)或情感词汇(即，针对共识情感)所使用的最频繁的词语或短语，通过应用概率技术诸如基于SumBasic的方法来从承载情感的内容确定共识分面或共识情感。一般而言，基于以下内容的观察，将基于SumBasic的方法适于由分面推荐器使用：针对共识分面的特定相关词语或短语或者针对共识情感的情感词汇往往在由人类观察者所生成的承载情感的内容的聚类中以较高概率出现。等式(1)定义示例性的SumBasic方法，用于利用与共识分面相关联的词语(word)或短语或者在针对特定对话话题(在以下等式中被称为“topic”)的提示中频繁观察到的与共识情感相关联的情感词汇的“词语”来选择提示(tip)(即，分面和/或相关联的情感)：

在进一步的实施方式中，分面推荐器通过适应用于通过应用诸如基于KLSum的方法之类的技术来最小化每个选择中的Kullback–Leibler(KL)散度的过程，从承载情感的内容确定共识分面或共识情感。例如，等式(2)定义用于选择提示的示例性的基于KLSum的方法，其基于与共识分面相关联的词语(word)或短语或者针对特定对话话题(在以下等式中被称为“topic”)的特定分面的情感词汇相关联的共识情感的“词语”，从针对特定对话话题的所有提示的一元模型最小化KL散度。

在进一步的实施方式中，分面推荐器通过结合诸如基于KLSum或SumBasic的方法的技术应用基于聚类的技术(例如，布朗聚类、k平均聚类等)，例如使用有限数目的提示和聚类，从承载情感的内容确定共识分面和/或共识情感。更特别地，在各种实施方式中，分面推荐器首先生成针对特定对话话题的提示(即，分面和/或情感)的聚类，并且然后根据一些预定义数目或用户选择数目的最大聚类中的每一个聚类来评估与预定义数目或用户选择数目的提示相关联的词语或短语。此外，这样的方法的结果是确定针对往往与用户更相关的分面和/或情感的总体分面共识或情感共识。

2.4填充对话框架：

如上文所指出的，在各种实施方式中，各种对话框架被提供以基于针对特定对话话题所标识的分面和可选地与那些分面和对话话题相关联的中性、积极或消极情感，形成新语句。为了填满或填充这些对话框架，在各种实施方式中，分面推荐器提取或以其它方式标识与各种分面相关联的各种实体(例如，“脆皮牛肉卷饼”、“宫保虾仁”、“酸辣汤面”等)。取决于对话框架和相关联的情感，分面推荐器然后使用那些分面或实体填满或完成各种对话框架，例如，“尝试脆皮牛肉卷饼”或“这里的酸辣汤面是非常辣的”。

注意，中性对话框架表示未固有地表达积极或消极情感但是可以填充有如下经标记的分面的框架，该经标记的分面使其保持中性或者表达积极或消极情感。例如，考虑中性对话框架，“他们这里具有____”。该中性框架可以填充有分面，例如创建消极对话语句的“坏服务”、或者创建积极对话语句的“好的炸薯条”或仅创建中性对话语句的“炸薯条”。

更特别地，在各种实施方式中，机器学习的分面模型和/或机器学习的情感模型被应用于新的承载情感的内容以标识该内容中的分面，其中相关联的情感词汇被用于可选地标识对应于那些分面或对应的对话话题的情感。经由分面模型和/或机器学习的情感模型对承载情感的内容的该处理的结果是针对特定对话话题的经标记的分面和可选的相关联的情感的集合。如上文在章节2.3中所讨论的，在各种实施方式中，这些经标记的分面和相关联的情感进一步被评估以确定针对那些分面或对话话题的共识分面和/或共识情感。经标记的分面中的一个或多个(或对应于共识分面或共识情感的经标记的分面的子集)然后被适配或被插入到对应的中性、积极或消极对话框架中的位置中。

进一步地，在相关实施方式中，n元语言模型等被用于确定待被使用在预定义对话框架和由与那些分面或情感相关联的特定分面或实体填充的位置之间的界限处的适当的词语。例如，n元语言模型可以在词语之间挑选或选择，诸如“一”、“一个”、“该”、“一些”或任何满足已经建模的任何期望的语言风格(即，语言风格、方言、俚语、口语等)的大型的各种其他界限词语或短语中的任一个，而不管该语言风格在语法上是否正确。例如，考虑利用在该示例中具有积极情感的“玉米饼”和“圣代冰激凌”二者的分面填充对话框架“您应当在这里尝试____”。在该示例中，所得的对话语句将针对每个分面使用不同的界限词语(例如，“您应当在这里尝试一些玉米饼”或“您应当在这里尝试一个圣代冰激凌”)。

注意，对话框架还可以包括用于增强现有内容的装置，以使用预定义的文本效果和/或图像指示与这样的内容相关联的情感，并且经由显示设备(例如，智能电话屏幕、物理菜单上的投影重叠等)显示该增强的内容。例如，在各种实施方式中，分面推荐器通过自动地应用效果(诸如对颜色、文本类型或大小、图像或图标等的改变)突出或以其它方式增强现有内容(例如餐馆菜单)。例如，可以通过笑脸图标等加粗、突出、增强与积极情感相关联的菜单选择(表示特定餐馆对话话题的分面)。相反地，可以通过图像或图标(诸如皱眉脸、停车标志、骷髅旗等)中断、逐渐消失、增强与消极情感相关联的菜单选择。有利地，这允许用户在迅速扫视增强的菜单的情况下迅速地确定受欢迎和不受欢迎的选择或分面。

2.4.1基于个性化的语句和语言模型：

在各种实施方式中，一个或多个对话框架被适应或翻译以将对话语句和/或对应的对话框架匹配或适配到特定语言风格(即，语言风格、方言、俚语、口语等)的任何组合。有利地，这使得分面推荐器能够通过自动地应用看起来已经由同一人或个性化生成的语言风格来呈现对话语句。虽然对话语句“您应尝尝鸡肉”在语言上等价于“您要尝尝鸡肉”，但是这两种语句清楚地使用看起来来源于不同的人或个性化的不同语言风格。

在各种实施方式中，用户被提供有用户接口，以从与特定语言类型相关联的一个或多个预定义的个性化类型进行选择或简单地使用或接受默认的个性化类型。这样的选择的结果在于，由分面推荐器所呈现的任何对话语句将维持一致的语言风格。还注意到，在各种实施方式中，用户被呈现有用于进入、编辑或以其它方式创建用户定义的语言风格的任何组合以由分面推荐器使用的用户接口。

在各种实施方式中，对话框架或所得的对话语句被手动监管或创建以提供一致的语言风格。在这样的情况中，可以构建具有适配到对应语言风格的对话语句的不同的集合或数据库。然而，应当理解，各种现有语言翻译模型等可以适于由分面推荐器用来“翻译”现有对话语句或对话框架以使用同一语言(或对于不同的语言)内的对应语言风格。

例如，分面推荐器的各种实施方式适用如下模型，包括但不限于出于基于翻译的目的的、基于短语级隐马尔可夫模型(HMM)的词语对齐模型。这些类型的模型实现各种词语对齐和基于短语的机器翻译任务。这些任务包括例如将短语或句子从一种语言翻译到另一语言或使用同一语言中的不同语言风格的任何组合从一种语言翻译到备选短语或句子。

还注意，对话语句可以经由基于文本或语音的响应被呈现，或被呈现为组合的文本、语音和/或视频(诸如数字化身)等。注意，可以通过文本、语音和/或视频的任何组合表示本文所定义的“化身”。例如，如本文所定义的，化身可以包括动画或照片真实的人类、机器人、动物、外星人或奇特的生物、具有相关联的声音或文本的动画形状、不具有对应的文本或视觉的声音以及固定或滚动的文本。进一步地，可以经由显示器和/或音频输出机制的任何组合提供或呈现化身。

取决于用于呈现对话语句的输出装置，以下特征或属性的任何组合可以被设定为默认状态或经由用户接口被选择，该特征或属性包括但不限于与基于语音或基于化身的响应相关联的语言、语言风格、口音、声音类型、情绪上下文、年龄、性别、外表等。例如，用户可以偏好具有经由智能电话的显示器等以如下语音呈现的对话语句，该语音对应于在以美国英语口音说话时使用英国口语的基于人工智能(AI)的数字化身形式的年轻女人。

2.5对话语句的选择和呈现：

如上文所指出的，分面推荐器经由各种输出机制(例如，文本、语音、视频等)或这样的输出机制的组合来选择和呈现与特定用户有关的一个或多个对话语句。进一步地，如上面在该文档的章节2.4.1中所讨论的，在各种实施方式中，通过应用被设定为默认状态或以其他方式由用户选择或定制的一致语言风格(即，语言风格、方言、俚语、口语等)提供呈现给用户的对话语句。另外，在各种实施方式中，分面推荐器基于用户简档信息和基础因素的任何组合来确定相关性，如下面分别在章节2.5.1和2.5.2中更详细讨论的。

对特定用户的语句的相关性的确定还可以是反应性或主动性的，并且可以基于因素的组合中的任一个。用于确定针对特定语句的相关性的反应性因素的示例包括但不限于：响应于经由文本输入(例如，“我在哪里能找到好的牛排？”)、语音输入或各种各样的基于自然用户接口(NUI)的输入呈现给分面推荐器的用户问题或查询的反应性语句(例如，跟踪针对牛排图像的、用户的眼睛或基于用户接触的输入或基于手势的输入，并且然后建议附近餐馆处的好的牛排)。用于确定针对特定语句的相关性的主动性因素的示例包括但不限于基于用户位置、当日时间、过往用户行为或历史等呈现语句。

2.5.1基于简档的呈现：

如上文所指出的，在各种实施方式中，分面推荐器考虑用户简档或其他用户个性化信息来选择用于呈现给用户的一个或多个相关对话语句。用户简档或其他用户个性化信息的示例包括但不限于从过往用户行为导出的简档信息、当前或已知同伴的兴趣或偏好等。例如，如果用户已经表达偏好或对应的用户行为已经被观察到指示在星期五下午用户一致地参观博物馆或美术馆，那么该信息可以被包括在用户简档中。然后，基于用户的当前或期望位置，在星期五下午针对受欢迎的附近博物馆或美术馆的对话语句可以主动性地呈现给用户。用户简档还可以包括针对与如上文在章节2.4.1中所讨论的特定个性类型相关联的特定语言风格(即，语言风格、方言、俚语、口语等)的使用的偏好。

2.5.2基于基础因素的呈现：

在进一步的实施方式中，分面推荐器单独地或者结合用户简档或其他用户个性化信息考虑各种基础因素来选择用于呈现给用户的一个或多个相关对话语句。基础信息的示例包括但不限于天气、当日时间、本地交通、音频(例如，其在特定位置处是安静或噪声的)、视觉(例如视频，其具有或没有音频内容，与任何对话话题有关，例如足球比赛中的比赛、团队或特定运动员)等。

例如，在八月的非常温暖的下午，分面推荐器可以呈现对话语句“外面有桌子能看到湖的美丽景色”以通知询问特定餐馆的用户或当前进入特定餐馆的用户。相反地，在充满雨夹雪的一月夜晚，在将天气看作基础因素时，分面推荐器将不可能呈现这样的语句。

进一步地，如上文所指出的，在各种实施方式中，分面推荐器考虑用户简档和一个或多个可用基础因素二者的组合。例如，用户的简档或偏好可以指示用户具有幼儿，并且用户偏好接收针对适合儿童的餐馆或购物选项的建议。在这种情况下，取决于用户的当前位置或其他当前情况，分面推荐器可以建议一些东西(诸如“孩子们喜欢在Cheesy Cheese Pizza Palace(干酪奶酪比萨)爬大沙鼠管！”)。相反地，基于例如GPS位置跟踪或查询历史的各种信息，该用户的工作日餐饮或购物历史可以指示用户在工作日或在用户在她的工作地点附近时专门从事面向成人的购物和餐饮。在这样的情况下，分面推荐器将忽略用户偏好或向用户偏好提供较少的权重并且以更适于用户的当前环境和情况或其他基础因素的语句作出响应。

2.6自然语言查询和QA系统：

如上文所讨论的，在各种实施方式中，分面推荐器创建对话话题的经标记的分面和跨度以及可选的相关联的情感的集合。进一步地，在各种实施方式中，分面推荐器还创建对话语句的集合，其可选地指示中性、积极或消极情感中的任一个。有利地，经标记的数据和所得的对话语句启用各种附加应用，这些附加应用带来如下技术效果：通过对与各种各样的对话话题有关的相关信息的响应性访问而改进用户效率。

更特别地，在各种实施方式中，分面推荐器提供以下各项的任何组合：基于自然语言处理(NLP)的查询系统、结构化语言查询系统或基于搜索引擎的查询系统的任意组合，用于与来自经标记的分面和跨度以及可选的相关联的情感和/或来自对话语句的信息交互以及获取该信息。注意，出于讨论的目的，这些经标记的分面和跨度以及可选的相关联的情感和/或对话语句可以在以下段落中的一些段落中被统称为“话题数据”。

例如，在各种实施方式中，分面推荐器提供用户接口，该用户接口接收用户输入的任意组合(包括但不限于手写输入(经由基于真实或虚拟键盘和/或指示设备的输入)、语音输入、手势输入或其他基于NUI的输入)以请求、获取和/或搜索来自话题数据的信息。在各种实施方式中，话题数据固有地提供基于分面的结构，该结构表示大量的对话话题和可选的相关联的情感。

因此，在各种实施方式中，该话题数据可以被认为是表示将承载情感的内容的特定跨度或分段映射到结构化数据库等。如此，话题数据的该结构化数据库包括将分面和可选的情感与特定对话话题直接相关联的信息并且还可选地包括标识与特定分面或对话话题相关联的共识分面和/或共识情感的信息。

在各种实施方式中，分面推荐器应用各种各样的查询技术(诸如基于NLP的技术、基于搜索引擎的技术等)中的任一个以引导话题数据的结构化数据库处的问题，如由图3所图示的。注意，图3不旨在是本文所描述的分面推荐器的各种实施方式的全部的详尽表示，并且仅出于解释的目的提供图3中所表示的实施方式。进一步地，应当注意，由图3中的断线或虚线表示的任何框和框之间的相互连接表示本文所描述的分面推荐器的可选或备选实施方式，并且如下文所描述的这些可选或备选实施方式中的任何或全部可以与贯穿该文档描述的其他备选实施方式结合使用。

在各种实施方式中，如由图3所图示的，分面推荐器使用可选的数据整合模块300来根据对话话题120的经标记的分面和跨度和/或所得的对话语句150构建或填充话题数据310的结构化数据库。换句话说，数据整合模块300整合并格式化话题数据310以由分面推荐器正使用的无论哪个查询技术来使用。

问题输入模块320可以经由用户输入的任何组合接收用户查询或问题输入，用户输入包括但不限于手写输入(经由基于真实或虚拟键盘和/或指示设备的输入)、语音输入、手势输入或任何其它基于NUI的输入。在各种实施方式中，问答(QA)模块330然后将用户查询或问题应用到话题数据310的结构化数据库、对话话题120的经标记的分面和跨度和/或对话语句150中的任一个来获取答案。更特别地，QA模块330应用任何期望的基于QA的技术以基于用户查询或问题，从话题数据310的结构化数据库、对话话题120的经标记的分面和跨度和/或对话语句150获取答案。

在各种实施方式中，答案输出模块340然后经由一个或多个输出设备350呈现所得的答案。答案输出模块340应用上文所描述的技术(例如，文本、视频、音频、化身等)的任何组合以响应于用户查询或问题而输出答案。如此，这意味着在各种实施方式中，分面推荐器将QA能力提供到自由流动的对话系统中，该对话系统集中在从多个源中的任一个源所导出的承载情感的内容上。

这样的实施方式使得用户能够查询分面推荐器的QA接口来问问题(例如“人们觉得Cheesy Cheese Pizza Palace的气氛怎么样？”或“人们喜欢这里的披萨吗？”)。分面推荐器可以然后使用基于NLP的技术或其他基于数据库搜索或查询的技术的任何期望的组合来从话题数据的结构化数据库或从对话话题的经标记的分面和跨度和/或所得的对话语句获得答案。

在各种实施方式中，使用上文所描述的技术(例如，文本、视频、音频、化身等)的任何组合来以由分面推荐器所生成的对话语句中的一个或多个对话语句的形式返回答案。然而，分面推荐器的QA接口还可以直接从经标记的分面和跨度以及可选的相关联的情感拉出或推断答案，并且以结构化格式或作为自然语言响应来呈现所得的答案(例如，“大多数人倾向于真的喜欢这里的披萨，但近来存在一些消极的评论”)。此外，可以使用上文所描述的技术(例如，文本、视频、音频、化身等)的任何组合来呈现这样的答案。

3.0分面推荐器的操作概要：

通过图4的一般操作流程图图示了上面关于图1至图3所描述的且上面在章节1和2中所提供的详细描述中进一步示出的过程。特别地，图4提供了概括分面推荐器的各种实施方式中的一些实施方式的操作的示例性操作流程图。注意，图4不旨在是本文所描述的分面推荐器的各种实施方式的全部的详尽表示，并且仅出于解释的目的提供图4中所表示的实施方式。

进一步地，应当注意，由图4中的断线或虚线表示的任何框和框之间的相互连接表示本文所描述的分面推荐器的可选或备选实施方式，并且如下文所描述的这些可选或备选实施方式中的任何或全部可以与贯穿该文档描述的其他备选实施方式结合使用。

一般而言，如由图4所图示的，在各种实施方式中，分面推荐器可以通过应用机器学习的分面模型105和/或机器学习的情感模型115来评估400承载情感的内容110的多个样本或实例，以标识与该内容的一个或多个分面或分段相关联的对话话题、分面和可选情感410和/或与对话话题中的一个或多个相关联的情感。

分面推荐器然后生成420关于所标识的对话话题、分面和可选情感410中的一个或多个的多个对话语句150，对话语句中的每一个可选地与对应的情感一致。进一步地，通过可选地将一个或多个所标识的对话话题、分面和可选情感310适配到与相关联的情感一致的一个或多个预定义的对话框架440，生成430对话语句150中的一个或多个。

最后，在各种实施方式中，分面推荐器经由输出设备(例如，智能电话、显示器、扬声器、可穿戴设备、2D或3D视频眼镜、抬头显示设备等)的任何组合，将一个或多个相关的对话语句150输出450或以其它方式呈现为文本、图像、视频、数字化身等的任何组合。

4.0权利要求支持：

以下段落概述在本文档中可以要求保护的实施方式的各种示例。然而，应当理解，下面概述的实施方式不旨在于根据分面推荐器的详细描述来限制要求保护的主题。进一步地，可以在与贯穿详细描述所描述的实施方式和附图中的一个或多个中所图示的任何实施方式以及下文所描述的任何其他实施方式中的一些或全部的任何期望的组合中要求保护下文所概述的实施方式中的任何或全部实施方式。另外，应当注意，以下实施方式旨在根据贯穿该文档所描述的详细描述和附图进行理解。

在各种实施方式中，通过用于从承载情感的内容生成对话语句的装置来实现分面推荐器。

例如，在各种实施方式中，经由用于应用机器学习的分面模型评估承载情感的内容的多个样本来标识与该内容的一个或多个分段相关联的对话话题和分面的装置、过程或技术，提供对话语句的生成。然后，评估该信息以基于承载情感的内容的两个或更多样本，标识具有共识的分面中的一个或多个分面。所得的共识信息然后被应用于生成关于具有共识的所标识的分面中的一个或多个分面的多个对话语句。进一步地，通过将分面中的一个或多个分面适配到一个或多个预定义的对话框架来生成对话语句中的一个或多个对话语句。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于经由一个或多个输出设备输出一个或多个相关的对话语句的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于确定对话语句的相关性作为对用户输入的反应性响应的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于确定对话语句的相关性作为对与用户相关联的当前情况的主动性响应的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于确定对话语句的相关性作为对与用户相关联的用户简档的响应的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，前述的实施方式中的一些或全部可以与用于使用具有多个特征的数字化身的视频来输出相关对话语句中的一个或多个对话语句的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于经由用户接口修改数字化身的一个或多个特征的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于应用机器学习的翻译模型将对话语句中的一个或多个对话语句适配到一个或多个预定义个性类型的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于将预定义的个性中的一个或多个个性与预定义的语言风格相关联的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，前述的实施方式中的一些或全部可以与用于经由用户接口修改预定义的个性类型中的一个或多个个性类型的一个或多个特征的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于将共识表示为共识分面的装置、过程或技术组合，其中承载情感的内容的两个或更多样本指代针对特定对话话题的同一分面。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于将共识表示为共识情感的装置、过程或技术组合，其中承载情感的内容的两个或更多样本被确定为指代针对特定分面的共同情感。

在附加的实施方式中，经由用于将机器学习的分面模型应用到承载情感的内容以标识和标记针对与那些分面相关联的每个对话话题的分面并且标识对应的情感的装置、过程或技术提供一种系统。然后，通过将一个或多个经标记的分面适配到与所标识的对应情感一致的一个或多个对话框架中来填充多个对话语句。然后，选择与用户有关的一个或多个对话语句。然后，经由一个或多个输出设备将所选择的对话语句中的一个或多个对话语句呈现给用户。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于应用机器学习的翻译模型将对话语句中的一个或多个对话语句适配到一个或多个预定义的语言风格的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于响应于用户输入而确定呈现给用户的对话语句中的一个或多个对话语句的相关性的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于响应于与用户相关联的当前环境情况而确定呈现给用户的对话语句中的一个或多个对话语句的相关性的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于经由具有用户选择的个性类型的数字化身的组合音频和视频显示来呈现所选择的对话语句中的一个或多个对话语句的装置、过程或技术。

在附加的实施方式中，经由用于应用机器学习的分面模型来标识与承载情感的内容的多个样本中的一个或多个分段相关联的对话话题和分面的装置、过程或技术，提供一种便携式计算设备。然后，针对一个或多个所标识的分面确定共识，针对每个分面的共识基于承载情感的内容的两个或更多样本。然后，该信息被用于生成关于所标识的分面中的一个或多个分面的多个对话语句，对话语句中的每一个与对应的共识一致。进一步地，通过将分面中的一个或多个分面适配到与相关联的共识一致的一个或多个预定义的对话框架，来生成对话语句中的一个或多个对话语句。然后，标识与用户有关的对话语句中的一个或多个对话语句。然后，经由一个或多个输出设备输出相关对话语句中的一个或多个对话语句。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于将对话语句中的一个或多个对话语句适配到一个或多个预定义的语言风格的装置、过程或技术组合。

进一步地，先前段落中的任一个中所描述的实施方式还可以与一个或多个附加的实施方式和备选方式组合。例如，先前的实施方式中的一些或全部可以与用于通过结合用户简档并且进一步结合表示与用户相关联的当前环境情况的一个或多个基础因素来评估用户输入以标识与用户有关的对话语句中的一个或多个对话语句的装置、过程或技术组合。

5.0示例性操作环境：

本文所描述的分面推荐器的实施方式在许多类型的通用或专用计算系统环境或配置中是可操作的。图5图示了在其上可以实现如本文所描述的分面推荐器的各种实施方式和元件的通用计算机系统的简化示例。应注意，由图5中所示的简化计算设备500中的断线或虚线表示的任何框表示简化计算设备的备选的实施方式。如下文所描述的，可以与贯穿该文档描述的其他备选实施方式结合地使用这些备选实施方式中的任何或全部实施方式。

简化计算设备500通常地在具有至少一些最小计算能力的设备中被找到，诸如个人计算机(PC)、服务器计算机、手持式计算设备、膝上型计算机或移动计算机、通信设备诸如手机和个人数字助理(PDA)、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、小型计算机、大型计算机和音频或视频媒体播放器。

为了允许设备实现本文所描述的分面推荐器的实施方式，设备应当具有足够的计算能力和系统存储器以实现基本计算操作。具体而言，图5中所示的简化计算设备500的计算能力一般地由一个或多个处理单元510图示，并且还可以包括一个或多个图形处理单元(GPU)515，其中一者或二者都与系统存储器520通信。注意，简化计算设备500的处理单元510可以是专用微处理器(诸如数字信号处理器(DSP)、超长指令字(VLIW)处理器、现场可编程门阵列(FPGA)或其他微控制器)或可以是具有一个或多个处理核并且还可以将一个或多个基于GPU的核或其他专用核包括在多核处理器中的常规中央处理单元(CPU)。

另外，简化计算设备500还可以包括其他部件，例如通信接口530。简化计算设备500还可以包括一个或多个常规计算机输入设备540(例如，触摸屏、触敏表面、指示设备、键盘、音频输入设备、基于语音或声音的输入和控制设备、视频输入设备、触觉输入设备、用于接收有线或无线数据传输的设备等)或这样的设备的任何组合。

通过各种自然用户接口(NUI)场景实现与简化计算设备500和与分面推荐器的任何其他部件或特征的各种交互，包括对一个或多个用户或与分面推荐器相关联的其他设备或系统的输入、输出、控制、反馈和响应。由分面推荐器实现的NUI技术和场景包括但不限于允许一个或多个用户以“自然的”方式而没有由输入设备(诸如鼠标、键盘、遥控器等)强加的人工约束地与分面推荐器相互作用的接口技术。

通过使用各种技术实现这样的NUI实施方式，该各种技术包括但不限于使用从经由麦克风或其他输入设备540或系统传感器505捕获的用户语音或发声导出的NUI信息。还通过使用各种技术实现这样的NUI实施方式，该各种技术包括但不限于根据用户的面部表情并且根据用户的手、手指、腕、臂、腿、身体、头、眼睛等的位置、运动或定向从系统传感器505或其他输入设备540导出的信息，其中可以使用各种类型的2D或深度成像设备(诸如立体或飞行时间照相机系统、红外照相机系统、RGB(红、绿和蓝)照相机系统等)或这样的设备的任何组合来捕获这样的信息。

这样的NUI实施方式的进一步的示例包括但不限于从触摸和光笔识别、手势识别(在屏幕上且与屏幕或显示器表面邻近)、基于空气或接触的手势、用户触摸(在各种表面、对象或其他用户上)、基于盘旋的输入或动作等导出的NUI信息。这样的NUI实施方式还可以包括但不限于各种预测性机器智能过程的使用，其单独地或者与其他NUI信息结合地评估当前或过往用户行为、输入、动作等来预测诸如用户意图、期望和/或目标之类的信息。不管基于NUI的信息的类型或源如何，这样的信息然后都可以被用于发起、终止或以其它方式控制分面推荐器的一个或多个输入、输出、动作或功能特征或者与分面推荐器的一个或多个输入、输出、动作或功能特征相互作用。

然而，应当理解，可以进一步通过将人工约束或附加信号的使用与NUI输入的任何组合进行组合来增强前述示例性NUI场景。可以通过输入设备540(诸如鼠标、键盘和遥控器)或通过各种远程或用户穿戴设备(诸如加速度计、用于接收代表由用户的肌肉生成的电信号的肌电信号的肌电图(EMG)传感器)、心率监视器、用于测量用户发汗的流电皮肤导电传感器、用于测量或以其他方式感测用户大脑活动或电场的可穿戴或远程生物传感器、用于测量用户体温改变或差分的可穿戴或远程生物传感器等，来施加或生成这种人工约束或附加信号。从这些类型的人工约束或附加信号导出的任何这样的信息可以与任何一个或多个NUI输入组合以发起、终止或以其他方式控制分面推荐器的一个或多个输入、输出、动作或功能特征或与分面推荐器的一个或多个输入、输出、动作或功能特征相互作用。

简化计算设备500还可以包括其他任选的组件诸如一个或多个常规计算机输出设备550(例如，显示设备555、音频输出设备、视频输出设备、用于发射有线或无线数据传输的设备等)。注意，针对通用计算机的典型的通信接口530、输入设备540、输出设备550和存储设备560对本领域技术人员而言是众所周知的，并且将不在本文中详细描述。

图5中所示的简化计算设备500还可以包括各种计算机可读介质。计算机可读介质可以是可经由存储设备560由计算设备500访问的任何可用介质，并且可以包括用于信息(诸如计算机可读指令或计算机可执行指令、数据结构、程序模块或其他数据)的存储的、可移除570和/或不可移除580的易失性介质和非易失性介质二者。

计算机可读介质包括计算机存储介质和通信介质。计算机存储介质指代有形计算机可读或机器可读介质或存储设备(诸如数字多功能光盘(DVD)、蓝光光盘(BD)、压缩光盘(CD)、软盘、磁带驱动器、硬盘驱动器、光驱动器、固态存储器设备、随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、CD-ROM或其他光盘存储、智能卡、闪速存储器(例如，卡、棍和密钥驱动器)、磁带盒、磁带、磁盘存储装置、磁条或其他磁性存储设备)。而且，传播的信号不被包括在计算机存储介质的范围内。

信息(诸如计算机可读指令或计算机可执行指令、数据结构、程序模块等)的保留还可以通过使用任何各种前述通信介质(与计算机存储介质相反)完成，以编码一个或多个经调制的数据信号或载波或其他传输机制或通信协议，并且可以包括任何有线或无线信息递送机制。注意，术语“经调制的数据信号”或“载波”一般地指代具有其特性集中的一个或多个或以关于将信息编码在信号中的这样的方式改变的信号。例如，通信介质可以包括有线介质(诸如运载一个或多个经调制的数据信号的有线网络或直接有线连接)和无线数据(诸如声音、射频(RF)、红外、激光和用于发射和/或接收一个或多个经调制的数据信号或载波的其他无线介质)。

可以以计算机可执行指令或其他数据结构的形式、从计算机可读介质或机器可读介质或存储设备和通信介质的任何期望的组合存储、接收、发射或读取实现本文所描述的各种应用数据预取实施方式中的一些或全部或其部分的软件、程序和/或计算机程序产品。此外，所要求保护的主题可以被实现为一种使用标准编程和/或工程技术产生软件、固件525、硬件或其任何组合以控制计算机来实现所公开的主题的方法、装置或制造品。如本文所使用的术语“制造品”旨在涵盖从任何计算机可读设备或介质可访问的计算机程序。

在计算机可执行指令(诸如正由计算设备执行的程序模块)的一般上下文中可以进一步描述本文所描述的分面推荐器的实施方式。一般地，程序模块包括例程、程序、对象、组件、数据结构等，其执行特定任务或实现特定抽象数据类型。还可以在其中任务由一个或多个远程处理设备执行的分布式计算环境中或在通过一个或多个通信网络连接的一个或多个设备的云内实践分面推荐器的实施方式。在分布式计算环境中，程序模块可以定位在包括介质存储设备的本地计算机存储介质和远程计算机存储介质二者中。此外，前述指令可以部分或全部被实现为硬件逻辑电路，其可以包括或可以不包括处理器。

备选地或者附加地，可以至少部分通过一个或多个硬件逻辑组件执行本文所描述的功能性。例如，并且非限制性地，可以使用的说明性类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。

6.0其他实施方式：

出于图示和说明的目的，已经呈现分面推荐器的前述描述。其不旨在是详尽的或者将所要求保护的主题限于所公开的精确形式。鉴于以上教导，许多修改和变型是可能的。进一步地，应当注意，前述备选实施方式中的任何或全部实施方式可以以形成分面推荐器的附加混合实施方式所期望的任何组合来使用。应预期到，分面推荐器的范围不受该详细描述的限制，而是由随附到其的权利要求所限制。虽然已经以特定于结构特征和/或方法行为的语言描述了主题，但是应理解到，随附的权利要求中限定的主题不必限于上文所描述的特定特征或行为。相反，上文所描述的特定特征和行为被公开为实现权利要求的示例形式并且其他等价特征和行为旨在处于权利要求的范围内。

上文已经描述的内容包括示例实施方式。当然，出于描述所要求保护的主题的目的，描述部件或方法的每个可想到的组合是不可能的，但是本领域的普通技术人员可以认识到，许多进一步的组合和置换是可能的。因此，所要求保护的主题旨在包含落在上文所描述的分面推荐器的详细描述的精神和范围内的所有这样的变更、修改和变型。

关于由上文所描述的部件、设备、电路、系统等所执行的各种功能，除非另外指示，否则描述这样的部件使用的术语(包括对“装置”的引用)旨在对应于执行所描述的部件(例如，功能等价)的指定功能的任何部件，即使未在结构上等价于所公开的结构，其执行所要求保护的主题的本文所图示的示例性方面中的功能。在该方面，还将认识到，前述实施方式包括具有用于执行所要求保护的主题的各种方法的行为和/或事件的计算机可执行指令的计算机可读存储介质以及系统。

存在实现前述实施方式(诸如适当的应用编程接口(API)、工具箱、驱动器代码、操作系统、控制、独立或可下载的软件对象等)的多个方式，其使得应用和服务能够使用本文所描述的实施方式。所要求保护的主题从API(或其他软件对象)的观点以及从根据本文所阐述的实施方式操作的软件或硬件对象的观点预期该使用。因此，本文所描述的各种实施方式可以具有全部以硬件、或部分以硬件和部分以软件或全部以软件的各方面。

已经关于数个部件之间的相互作用描述前述系统。将理解到，这样的系统和部件可以包括那些部件或指定的子部件、指定部件或子部件中的一些和/或附加部件，并且根据前述的置换和组合。子部件还可以被实现为通信地耦合到其他部件而不是被包括在父部件(例如，层次部件)内的部件。

此外，应注意到，一个或多个部件可以组合为提供总体功能性的单个部件或划分为数个分离的子部件，并且任何一个或多个中间层(诸如管理层)可以被提供以通信地耦合到这样的子部件以便提供集成功能性。本文所描述的任何部件还可以与本文未特别地描述但是本领域技术人员一般已知的一个或多个其他部件。