于例如推荐系统的存储器中的可能性允许通过已知的多媒体内容索引和检索系统可基于的data mining, machinelearning and knowledge discovery技术大量地直接利用这种信息。这进一步强调基于这里提出的信息模型设置附加的推荐技术的可能性，这可完全利用以后的大量的信息。
[0156]以下描述表示用于推荐多媒体内容的方法的几个实施例的功能的一些例子。
[0157]参照图5，用户可加载多媒体内容，从而将其关联规定为注释。用户通过观察星体501开始其多媒体体验:用户处于由可观察物(I)表征的状态“I”中，这里，i表示大于或等于O的整数。随后，用户通过搜索并找到与初始星体类似的星体502即可观察物(2)与多媒体平台互动。这动作导致状态迀移:从“i”到“i+1”。最后，用户决定收集两个星体并且将两个可观察物集合到复杂内容{observable (I)，observable (2)} 503中。对于该对象，用户添加注释“这两个星体是类似的”；由特定互动原语限定的该动作导致从状态“ i+Ι ”到状态“i+2”的迀移。通过考虑文本信息“类似”和两个星体501和502的图像，多媒体平台将能够例如通过依赖于图像搜索引擎向用户推荐类似星体的其它图像504。
[0158]参照图6，用户可加载多媒体内容，从而将其关联规定为评论。用户通过观察视频601开始其多媒体体验:其偶像Bruffon在2015的2月5日对Lemme的比赛中所犯的“失误”。这是由可观察物(I)表征的状态“i”。由于对守门员的失误感到难过，因此他决定通过记录其声音留下评论:包含用户发出语句“Bruffon你仍然最棒”的音轨为伪像602。用户决定将该声音剪辑602添加为评论，从而将其与初始视频关联。该动作导致从“i”到“i+Ι”的状态迀移。多媒体平台配有重构用户说出的文本的声音转录引擎，并且，通过将声音“Bruffon”视为与视频描述有关，将能够在状态“i+2”中向用户推荐Bruffon的其它视频 603。
[0159]以下给出其它的例子，这些例子不与任何特定的附图具体关联，并且可通过参照已描述的图3和图4被完全理解。
[0160]用户可加载多媒体内容，从而将其关联规定为来源。
[0161]用户阅读因特网上的关于在电视节目中出现的事实的文章“wl”。在这种情况下，用户也在技术上处于由可观察物(I)表征的状态“i”中。
[0162]然后，用户决定搜索刚刚在因特网上观看的引起“wl”的内容的电视节目。用户搜索并找到“tvl”;该动作将状态“i”变为“i+Ι”。最后，用户决定通过关联“来源”角色与可观察物“tvl”收集两个内容(web和TV)。由特定的互动原语限定的该关联将状态“i+Ι”变为 “i+2，，。
[0163]用户可加载多媒体内容，从而将其关联规定为派生和注释。
[0164]用户通过收听包含歌曲特别是70年代的著名打击乐的音频剪辑开始其多媒体体验:在技术上，用户处于由可观察物(I)表征的状态“i”中。随后，用户通过搜索并找到与初始歌曲的新式封面可观察物(2)有关的最近的音乐视频与系统互动。该动作导致从“i”到“i+Ι”的状态迀移。用户将角色规定为来自初始音频剪辑的“派生”。最后，用户决定通过用注释“该歌曲的视频是封面”注释该收集(复杂可观察物)收集音频剪辑和视频。由特定的互动原语规定的该动作将状态“i+Ι”变为“i+2”。多媒体平台然后返回70年代的原创乐队创作的歌曲的其它新式封面。用户可加载多媒体内容，从而将其关联规定为询问。
[0165]通过阅读花边新闻文章开始其多媒体体验:用户处于由可观察物(I)表征的状态“i”中。该文章包含书面的文本和照片。文本告诉著名美国演员的最后的绯闻，而照片表现他在流行电影中的场景。从照片即可观察物(2)，用户识别场景，但不能记得提取它的电影的标题。用户然后选择照片，由此将状态从“i”变为“i+1”，并且使用它作为“询问”，从而将其与该著名美国演员的名字关联。多媒体平台然后返回提取该场景的电影的预告片。
[0166]用户可加载多媒体内容，从而将其关联规定为祖先和后继。
[0167]用户通过观察他的孙女尝试吹灭她的第一个生日蜡烛的有趣照片开始其多媒体体验。用户处于由可观察物⑴表征的状态“i”中。用户了解，在同一文件夹中，存在在该照片之前几个月拍摄的他的孙女的视频即可观察物(2)。对于后者，用户决定向像伪“可观察物2”添加祖先角色，由此产生“可观察物3”:该状态由此从“i”变为“i+Ι”。该动作导致祖父(即，用户)记起为其孙女出生前写的诗。该诗即“可观察物3”已保存于桌面上。在关掉计算机之前，祖父决定关联视频与照片(像伪)，从而用所述诗将它们解释为后继。通过面部识别软件，多媒体平台关联该诗与诸如照片和视频的其它的多媒体内容，从而表征孙女。
[0168]用户可加载多媒体内容，从而将其关联规定为含义和建议。
[0169]用户Rossi小姐仅喜欢观察TV上的烹饪内容。而其丈夫Rossi先生主要观看与体育内容有关的电视节目。
[0170]Rossi小姐在其单独在家时通过打开其互动电视机并且调到正在广播关于Calabria典型美食产品的节目(可观察物(I))的CHANNELX(状态“i”)开始其多媒体体验。在这一点上，女人决定向系统传送这样一种事实，即，当单独观看TV时，只喜欢处理与当前正在广播的事项类似的事项的节目。通过按压(例如)遥控器上的蓝色键，女人开始特定的动作:集成到电视机中的视频照相机拍摄照片，从而记录Rossi小姐的脸等。
[0171]现在假定，通过使用由用户拍摄的照片，系统可通过已知的技术识别人脸并由此识别其身份。
[0172]照片(伪像)被赋予含义角色。状态从“i”变为“i+1”。
[0173]晚上，Rossi先生下班。其妻子在厨房准备晚饭。在坐在桌面旁之前，Rossi先生决定看一会TV。他打开TV，TV自动调到CHANNELX(状态“i”)即他的妻子最后观看的频道。Rossi先生坐在TV前，TV现在正在广播他不太感兴趣的内容(可观察物(k))。不知道选择哪个节目并且懒得检查节目单，Rossi先生询问系统的建议(角色)。
[0174]通过简单地按压(例如)遥控器上的红色按钮，集成到电视机中的视频照相机拍摄另一照片(伪像)。系统识别用户并且基于过去保存的信息(例如，关于昨晚或前一天观看的节目的信息)提出正在实时广播重要橄榄球比赛的节目。
[0175]作为例子，以下的参数可构成可能的“实现-用户”系统(连同出于简化的原因没有列出的其它参数):genre、geographic posit1n、event type 等。
[0176]所述参数可采取以下的值(连同这里出于简化的原因没有考虑的其它值):
[0177]Genre:政治、体育、新闻等
[0178]geographic posit1n:意大利、德国等
[0179]event type:音乐会、地震等
[0180]现在假定在初始时刻tO“实现-用户”系统处于由state(tO):政治、意大利、选举等表征的“状态” state (tO)中。
[0181]在该初始状态中，系统还没有关于用户偏好的信息。推荐系统可根据现有技术基于预定的方案(协作或者基于内容的系统)推荐多媒体内容。
[0182]在某个时刻，用户选择使用他根据他的希望选择的第二多媒体内容，该希望甚至不属于上述的预定方案。
[0183]在通过用户实现之后，实现状况从初始状态state (tO)切换到随后的state (tl)，例如，state(tl):政治、德国、选举等。
[0184]在该阶段，推荐系统自动检测在两个连续的状态即state(tO)和state(tl)之间存在的关系。事实上，两个状态的特性参数在与信息的语义条关联的一个栏即“地理位置”上不同。换句话说，状态state (tO)和state(tl)通过明确的语义关系接合，该语义关系是机器可读的并且其可用性依赖于互动模型的形式化所用的特定本体论。
[0185]当使用多媒体内容时，用户由此被赋予从一种状态“跳”到另一状态并且根据由所述本体论提供的各种关系“集合”这些状态的可能性。
[0186]这里是关系的几个例子:
[0187]state (tO)与 state (tl)类似，
[0188]state (tO)由 state (tl)导致，
[0189]state (tO)与 state (tl)不同，
[0190]等等…
[0191]继续以上的例子，用户选择根据其希望选择的第二多媒体内容，并由此从state (tO)跳到 state (tl)。
[0192]在该点上，用户决定通过关系state (tO)与state (tl)类似接合所述状态。
[0193]推荐系统使用与多媒体内容关联的语义信息和与不同的状态有关的语义集合信息；这些语义集合信息可提供为:
[0194](i)隐含关系，S卩，状态的特性参数，允许识别用户处于哪个状态；和
[0195](ii)明确关系，由用户自身表达。
[0196]在本例子中，用户隐含地向推荐系统传送在语义上接合两个状态的关系，在这种情况下，为“不同的地理位置”。
[0197]所述隐含关系变为推荐系统可提供“潜在” state (t2)的演化模型。