用于内容推荐的方法、设备、以及系统的制作方法

用于内容推荐的方法、设备、以及系统的制作方法
【专利摘要】公开了用于向多个用户推荐内容的方法、装置、系统、计算机程序产品、以及计算机可读介质。用户的每个用户与用户得分相关联。方法包括至少基于用户对于项的推广以及推广用户的用户得分而确定针对项的推荐得分；根据项的推荐得分来推荐项；并且基于其他用户关于由所述用户所推广的项的反馈来调整推广用户的用户得分。
【专利说明】
用于内容推荐的方法、设备、以及系统
技术领域
[0001]本公开的实施例一般涉及信息技术，并且更特别地，涉及基于计算机的推荐技术。
【背景技术】
[0002]向用户推荐感兴趣的项或人的推荐系统和方法已经在展开并且越来越有用。现有的机器推荐系统大多依赖于从数据所学习的智能并且已经在用户行为建模中发展了力量，诸如对于用户-内容-速率数据的协同过滤。另一方面，在判断内容的质量时，人类仍然是最好的。因为大多数内容是由语言和语义丰富的数据组成的，人类推荐处在更好的位置以提高内容相关性和质量，机器学习在这方面比人类弱。因此希望结合机器和人类推荐二者的力量以提高推荐性能和内容质量。

【发明内容】

[0003]提供本
【发明内容】
以引入在下文的详细的说明书中被进一步描述的简化形式的概念的选择。该
【发明内容】
不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在被用来限制所要求保护主题的范围。
[0004]根据公开的一个方面，提供一种用于向多个用户推荐内容的方法。用户的每个用户与用户得分相关联。该方法包括至少部分地基于用户对于项的推广以及推广用户的用户得分来确定针对内容的项的推荐得分;根据该项的推荐得分来推荐该项;并且基于其他用户关于由所述用户推广的项的反馈来调整推广用户的用户得分。
[0005]根据本公开的另一个方面，提供一种被体现在由计算机可读并且包括程序指令的分布介质上的计算机程序产品，程序指令在被加载到计算机中时，执行上文中所描述的方法。
[0006]根据本公开的又一个方面，提供一种具有在其上编码的语句和指令的非易失性计算机可读介质用以使得处理器执行上文所描述的方法。
[0007]根据本公开的又一个方面，提供一种用于向多个用户推荐内容的系统。每个用户与用户得分相关联。系统包括:内容数据库，被配置成存储内容的多个项；用户数据库，被配置成存储关于用户的信息，其中每个用户与用户得分相关联;第一推荐器，被配置成至少部分地基于用户对于项的推广和推广用户的用户得分来确定针对项的推荐得分，并且根据它的推荐得分来推荐该项；以及反馈分析器，被配置成从用户收集反馈并且基于其他用户对于由那个用户推广的项的反馈来调整推广用户的用户得分。
[0008]将与附图一起被阅读的其说明性实施例的以下详细描述，本公开的这些以及其他方面、特征和优势将变得明显。
【附图说明】
[0009]图1是图示了根据实施例的系统的简化框图；
[0010]图2是描绘了根据实施例的推荐的过程的流程图；
[0011]图3是示出了根据实施例的项推广、用户反馈和用户得分更新的示例的说明性的图；
[0012]图4是示出了根据实施例的用户得分更新的图；
[0013]图5示出了根据实施例的说明性的用户接口，利用该用户接口用户可以观察、推广、以及投票内容的项；以及
[0014]图6是示出了根据实施例的推荐过程的说明性的图。
【具体实施方式】
[0015]为了解释的目的，细节在以下描述中被陈述以便提供对于所公开的实施例的透彻的理解。然而，对本领域技术人员来说，可以在没有这些特定的细节或利用等价的设置的情况下可以实现实施例是明显的。
[0016]如在本文中所描述的，公开的方面包括提供增强的内容推荐。图1示出了根据实施例的能够向用户推荐内容的系统。
[0017]如在图1中所示出的，系统100包括多个用户设备ΙΟΙΙ-ΙΟΙη，其中的每一个可操作地连接到应用服务器102。用户设备1ll-1Oln可以是包括但不限于智能电话、平板、膝上型计算机和PC的任何类型的用户设备或计算设备，利用包括但不限于视窗操作系统(Windows)、安卓、以及1S的各种操作系统来运行。应用服务器102和用户设备1011-1Oln中的一个用户设备的连接可以以各种形式被完成，诸如互联网、内联网、蜂窝网络、局域网(LAN)、广域网(WAN)、无线LAN、或它们的组合。例如，用户设备1ll-1Oln可以是具有被安装在其内部的应用(app)的视窗电话(Windows phones)，可以被用户利用以接入由应用服务器102所提供的服务。服务可以是任何类型的服务，包括但不限于新闻服务，诸如NokiaXpress Now、NBC新闻，社交网络服务，诸如领英(Linkedin)、脸书(Facebook)、推特(Twitter)、YouTube，以及消息服务，诸如微信(WeChat)、雅虎邮箱等。用户也可以利用被安装在用户设备1011-1Oln中的网络浏览器接入服务，网络浏览器诸如因特网浏览器(Internet Explorer)、谷歌浏览器(Chrome)、以及火狐浏览器(Firefox)。
[0018]内容数据103包括应用服务器102和系统100的其它部件可以选择并且推荐给用户的多个内容项。内容的项可以是任何形式的一则消息，诸如文本、音频、视频、图像、广告、多媒体等。内容数据可以被存储在数据库中，诸如RDBMS、SQL、NoSQL等，或作为在诸如HDD、软磁盘、CD、DVD、蓝光盘、EEPROM等的任何存储介质上的一个或多个文件。注意到，本公开中所描述的实施例不限于特定种类的服务、服务的特定实现、或特定种类的内容。
[0019]系统100包括机器推广器(推荐器)106，被配置成从内容数据103中生成初始推荐结果。机器推广器106可以利用现有的或将来的推荐技术，包括但不限于基于内容的推荐、协同过滤(CF)推荐、以及混合途径。例如，贝叶斯推理推荐在2013年2月14日公开的美国专利申请2013/0041862A1中被Xhrang Yang等描述；基于社交网络社区的推荐在2010年11月11日公开的美国专利申请2010/0287033A1中被Arpit Mathur等描述;并且基于社交行为分析和词汇分类的推荐在2009年6月25日公开的美国专利申请2009/0164897A1中被Yahia等描述。此外，机器推广器106也可以使用在推特中被实现的旋转计数(ro 11 ing count)算法。
[0020 ]利用用户设备1011 -10 In，用户可以阅读、查看(V i ew )、倾听被提供给他们的内容。他们也可以给出反馈，例如喜欢或不喜欢项(或对项进行评级)。此外，如果用户希望使得他发现具有高质量的项更为相关以用于其他人观看，他可以推广该项。
[0021]在实施例中，每个用户与用户得分相关联。关于用户的信息以及他们的相应的用户得分被存储在用户数据104中。类似于内容数据103，用户数据104可以被存储在数据库中，诸如RDBMS、SQL、NoSQL等，或者作为在诸如HDD、软磁盘、CD、DVD、蓝光盘、EEPROM等的任何存储介质上的一个或多个文件。
[0022]最终推广器105使用在用户数据104中的数据以动态地调整和更新推荐结果。在从用户接收项的推广之后，最终推广器105基于推广用户的用户得分来调整那个项的推荐得分。特别地，具有较高的用户得分的、推广项的用户将在对那个项的推荐得分的调整上具有更大的影响。在这个实施例中，推广聚合器1051被配置成基于利用作为权重的每个推广器的用户得分的权重总和来计算项的推荐得分。注意到，其它聚合算法也可以被推广聚合器1051所使用。例如，推广聚合器105也可以将项的旧的推荐得分纳入考虑，推广器的角色(例如将在下文中被描述的阅读者、观察者以及编辑者)或者与提高的推荐质量相关的任何其它因素。
[0023]最终推广器105还包括基于从其他用户的反馈来调整推广用户的用户得分的反馈分析器1052。特别地，如果所推广的项接收了积极反馈，反馈分析器1052增加推广该项的用户的用户得分，并且如果所推广的项接收了消极反馈，减少推广用户的用户得分。如将在下文中被详细描述的，反馈分析器1052可以与推广聚合器并行地工作。换言之，用户得分的调整可以和推荐得分的更新并行地被执行。在实施例中，当系统100接收从用户的推广时，推荐得分的更新可以实时地被立即执行;而用户得分的调整周期性地被执行。
[0024]图3示出了根据实施例的项推广、用户反馈和用户得分更新的示例；而图4图示了用户得分的更新。在这个示例中，由用户Ui所推广的项(在图3中被描绘成URL)在时间间隔Tl被确定。系统基于项(由用户在最后一个Tl所推广的)在最后的T2中已经从其他用户所接收的“喜欢”和“不喜欢”的数量来在时间间隔T2处更新用户Ui的用户得分。
[0025]根据实施例，当系统开始时，每个用户被平等地对待，例如具有相同的用户得分“I”；因此如果有N个用户则所有用户得分的总和是N。当用户的数量未变时，用户得分更新之后的总的用户得分将保持相同。当用户数量增加时，总的用户得分将也增加。例如，新的用户被指派了用户得分“I”并且总的用户得分将是N+1。相反地，当用户数量减少时，总的用户得分将也减少。例如，如果有η个用户退出了该系统，那么总的用户得分将变成N-n。
[0026]在实施例中，系统100奖励其所推广的项接收“喜欢”的用户m，并且惩罚其所推广的项接收“不喜欢”的用户m，如下:
[0027]惩罚是Pi=(A1.usi/(l+exp(-Ni))
[0028]如果Pi〈n，则使用Pi
[0029]否则pi>n，使用η
[0030]其中化是山的所推广的项接收“不喜欢”的次数(假定
[0031]A1 = (^lj = O-1)0
[0032]使得S=EPnR= ER1，其中仏是山的所推广的项接收“喜欢”的次数，并且奖励是JT1=S.Ri/Ro
[0033]更新公式是usi = us1-Pi+3ii
[0034]图5示出了根据实施例的用户接口的示例，用户利用该用户接口可以查看、推广以及投票内容的项。如在图5中所示出的，首先展示给用户根据其初始推荐得分的多个被推荐的项。然后用户可以通过点击一个项来选择查看项中的该项。当查看项的时候，用户可以投票(在该示例中的“喜欢”)，或者推广该项。如果用户通过点击推广按钮而推广该项，然后该项的推荐得分将被更新并且推荐结果将会反映该更新。
[0035]图2描绘了根据实施例的推荐的过程。如在图2中所示出的，处理开始于用户推广项的步骤201。如在上文中所解释的，当用户发现有趣的项或他认为具有高质量的项，用户可以推广该项。在这个实施例中，用户可以推广不仅由系统100所推荐的项，还可以是来自其它的源的项，例如，来自其它服务或内容提供者的项。只要项的URL提供足够的信息以定位其内容，项来自哪里没有关系。
[0036]与步骤201并行的，在步骤210，来自用户的反馈被收集。类似于上文的实施例，用户可以在查看所推荐的项之后给出他的反馈，例如以喜欢/不喜欢或评级的形式。然后，在步骤215，推广器的用户得分根据来自其他用户的反馈而被调整。如在上文的实施例中所解释的，每个用户与提示(suggest)该用户的推广所承载的权重的多少的用户得分相关联。换言之，用户得分估量由那个用户所推广的项将变得流行有多大可能。为了提高所推荐内容的质量以及用户的活动水平，当用户所推广的项接收积极反馈时，系统通过增加他的用户得分来奖励用户，并且当用户所推广的项接收消极反馈时，系统通过减少他的用户得分来惩罚用户，如在参考附图1、3、和4在上文中所描述的。
[0037]进一步，如在图中所示出的，步骤210和215与步骤201并行地被执行。换言之，用户得分的调整可以与推荐得分的更新并行地被执行。如在上文的一些实施例中被说明的，当系统从用户接收推广时，推荐得分的更新可以实时地被立即执行，而用户得分的调整可以周期性地被执行。
[0038]在步骤205的加载推广器的用户得分之后，处理继续到步骤220，确定每个被推广的项是否已经在内容数据库中。如所提到的，用户可以推广他从另一个来源发现的项。在这种情况下，因为没有针对那个项的旧的推荐得分，在步骤225系统可以针对该新的项指派初始的推荐得分。否则，处理继续到步骤230，系统基于推广用户的用户得分而更新针对每个所推广的项的推荐得分，如参考附图1、3、和4在上文中所描述的。
[0039]在每个被推广的项的推荐得分已经被更新之后，在步骤235，系统将根据被更新的推荐得分来更新推荐结果。注意到，上文中所描述的处理可以被重复以提供针对增强的推荐的连续的和实时的解决方案。
[0040]如在上文中所描述的实施例中所示出的，用户可以动态地影响和提高被推荐给其它用户的内容的质量。依赖于其它用户对于他所推广的内容的反馈(例如对于内容的喜欢、分享、不喜欢、评级)，用户被指派了用户得分，该用户得分确定他所具有的在影响该内容推荐的影响的级别。以这种方式，系统中的用户被激励以使用该应用或服务并且推广内容，不仅是提高他自己所推荐的内容，而且提高针对整个社区的内容质量。进一步，用户可以向推荐系统以及向最初推广该内容的用户动态地提供反馈。这允许来自社区的对于内容的规则和节制(moderat1n)。激励用户与其他人竞争以提高内容并且得到奖励的游戏机制提供自我维持演进的系统，在系统中高度活跃的参与者(例如专家)和高质量的内容被鼓励，而低质量的内容和潜水者不被鼓励。此外，由于高的内容质量，更多的数据可用于提高推荐和用户简介，因此，用户将得到更好的个性化的用户体验。
[0041]根据实施例，当系统刚开始并且没有来自用户的任何推广时，处理可以利用机器推荐来开始推广项，例如，在图2中的步骤205处。如在上文中所描述的，机器推广器(推荐器)可以利用任何现有的或将来的推荐技术，包括但不限于基于内容的推荐、协同过滤(CF)推荐、以及混合途径。
[0042]进一步，在实施例中，机器推荐器可以被当成用户并且与用户得分相关联。当从用户接收反馈时，机器推荐器的用户得分也可以与推广用户类似的方式被更新。例如，如参考图3和4在上文中所描述的，如果其所推荐的项接收了积极的反馈，系统可以增加机器推荐器的用户得分，并且如果其接收了消极的反馈，减少机器推荐器的用户得分。这样，具有高的用户得分的机器推荐器意味着好的推荐性能；另外该机器推荐器可以通过使用来自用户的反馈以及其他用户的性能来自适应地提高。经过一段时间，整个系统(结合两种推荐器)可以积极地提尚。
[0043]图6示出了根据实施例的推荐的处理。在该实施例中，具有多个机器推广器。类似于人类推广器，每个机器推广器与用户得分相关联，其提示那个机器推广器将在它的推荐中具有多少影响。该多个机器推广器可以根据不同的机器推荐算法来推广(推荐)内容。如在上文中所描述的，任何现有的和将来的机器推荐算法可以针对该机器推广器而被使用。
[0044]在多个机器推广器中，具有一个聚合器，该聚合器将包括人类和机器推广器的其它推广器的推广作为输入，以作出将什么最后地被推荐给用户的决定。如在上文中所解释的，最终聚合器可以基于利用作为权重的每个推广器的用户得分(人类或机器推广器)的对于它的推荐的权重总和来计算推荐得分。进一步，最终聚合器可以也将该项的旧的推荐得分、推广器的角色(例如将在下文中被描述的阅读者、查看者以及编辑者)或者相关的任何其它因素考虑在内。
[0045]在上文的实施例中，提供结合了多个机器推荐系统和人类推荐的混合的系统。当推广内容的项时，每个用户可以扮演成人类推荐器的角色。同时，每个用户也可以给出对于所推荐的项的反馈，例如通过向上投票(喜欢)或向下投票(不喜欢)。在用户推广项的地方，关于该项的其它用户的反馈(喜欢/不喜欢)将被用来调整该推广器的用户得分。如果用户的所推广的项接收总的来说积极的反馈，系统将增加他的用户得分，反之亦然。
[0046]当没有人类用户或非常少的用户积极地推广或投票时，例如在系统的早期阶段，机器推广器可以推广或投票，系统将变成混合的推荐系统。在人类推荐器比机器推荐器接收更好的反馈的地方，系统更倾向于人类推荐。这样，系统可以从例如用于解决冷的启动的机器推荐和例如用于精确的性能的人类推荐两者获益。此外，最终聚合器也可以与用户得分相关联，其是用于测量聚合算法的有效性和系统的整体系能的好的指示器。
[0047]根据另一个实施例，可以根据用户的用户得分向他指派角色。具有更多特权的角色需要更高的用户得分。例如，可能具有四个不同的角色:阅读者、查看者、以及编辑者，类似于针对在学术发表社区中的书籍或杂志的发表过程的人。这允许用户具有针对行动或与内容互动的不同的权限。这些角色被描述如下:
[0048]阅读者
[0049 ].areader^USer_SCOre<areviewer，其中dreader是用户有资格成为阅读者的最小用户得分，并且是用户有资格成为查看者的最小用户得分
[0050].阅读者可以阅读、喜欢、不喜欢、分享、标记、以及推广内容项；以及
[0051].阅读者不可以提供详细的内容查看反馈(不提供反馈表格)
[0052]查看者
[0053].areviewer彡user_score〈aeditQr，其中Qreviewer是用户有资格成为查看者的最小用户得分并且?dltOT是用户有资格成为编辑者的最小用户得分；
[0054].查看者具有阅读者具有的所有特权(如上文)加上；
[0055].查看者可以通过查看者表格来查看内容，该表格包括:
[0056]ο评级内容的质量(I到5的级别，I是低，5是非常高)，
[0057]ο评级内容的相关性(I到5的级别，I是低，5是极其相关)
[0058]ο向其他人推荐内容(是或否)，以及
[0059]ο评论；以及
[0060].被完成的查看者表格可以被发送到决定接受或拒绝它的编辑者[0061 ] 编辑者
[0062].user_score彡aeditor，其中(1必恤是用户有资格成为编辑者的最小用户得分；
[0063].编辑者具有查看者具有的所有特权(如上文)加上；
[0064]?编辑者可以向内容添加标签；
[0065].编辑者可以查看查看者的反馈表格并且通过以下操作来决定接受或拒绝该内容:
[0066]ο首先接收4个被完成的查看；
[0067]ο如果接受率〉γ则停止，其中γ是目标接受率，例如所有被完成的查看的70%必须具有“是”的推荐以便该内容被接受。否则它被拒绝；
[0068]ο如果接受率〉γ，其中γ >0.5，则该项仍在用于推荐系统的内容数据库中；
[0069]ο如果接受率〈γ，则从内容数据库中移除该项。
[0070]在这个实施例中，根据基于其他人的反馈而被竞争性地更新的用户的用户得分，用户被指派以不同的角色。具有更多的特权的角色要求更高的最小用户得分。因此，用户更多的是自我激励。还保证了具有更多特权的用户已经被证明在查看和推荐内容中是更可信赖和活跃的。这将随后保证系统的整体性能和推荐的质量。
[0071]进一步，根据实施例，最终聚合器也可以在决定推荐得分的时候将推广器的角色考虑在内。在推广器是查看者或阅读者的地方，这将影响推荐结果。例如，如果大多数查看者或编辑者接受项是好的，则它被给予更高的推荐得分，并且作为结果，那个项将在推荐列表中排名更高。
[0072]根据本公开的方面，提供用于向多个用户推荐内容的设备，包括被配置成执行上文所描述的方法的装置。在实施例中，设备包括被配置成至少部分地基于用户的项推广和推广用户的用户得分来决定针对项的推荐得分的部件;被配置成根据它的推荐得分来推荐项的部件；以及被配置成基于关于由所述用户所推广的项的其它用户的反馈来调整推广用户的用户得分。
[0073]设备可以进一步包括被配置成由机器推荐生成针对项的初始得分的装置;并且装置被配置成在从推广用户接收项的推广之后至少部分地基于该初始得分、推广以及推广用户的用户得分来确定针对该经推广的项的推荐得分。
[0074]根据实施例，机器推荐与用户得分相关联，并且在确定推荐得分中机器推荐被当做推广用户。该设备还包括被配置成基于来自用户的反馈而调整机器推荐的用户得分，该反馈关于由机器推荐所推荐的项。
[0075]在另一个实施例中，来自用户的反馈包括积极的和消极的响应，并且设备还包括装置，装置被配置成如果所推广的项接收来自其他用户的积极反馈，则增加推广用户的用户得分，并且如果所推广的项接收来自其他用户的消极的反馈，则减少推广用户的用户得分。
[0076]根据实施例，在从用户接收任何反馈之前，每个用户被指派相等的初始用户得分；并且在调整的步骤之后，所有用户得分的总和保持不变。
[0077]该设备可以还包括被配置成根据用户的用户得分向每个用户指派角色的装置。具有更多特权的角色需要更高的用户得分。在实施例中，角色是从阅读者、查看者和编辑者中所选择的的一项。
[0078]注意到，被描绘在图1中的系统100的部件的任何部件可以被实现成硬件或软件模块。在软件模块的情况下，它们可以被呈现在有形的计算机可读可记录存储介质上。例如，所有的软件模块(或由此的任意子集)可以在相同的介质上，或者每个可以在不同的介质上。软件模块可以例如在硬件处理器上运行。方法步骤可以然后使用在硬件处理器上执行的、如上文所描述的不同的软件模块而被实现。
[0079]此外，公开的方面可以使用运行在通用目的计算机或工作站上的软件。这样的实现可能采用例如处理器、存储器、以及例如由显示器和键盘所形成的输入/输出接口。此外，术语“处理器”可以指代多于一个的单个处理器。术语“存储器”旨在包括与处理器或CPU相关联的存储器，诸如例如RAM(随机存取存储器)、R0M(只读存储器)、固定存储器设备(例如硬盘驱动器)、可移除存储设备(例如软磁盘)、闪速存储器等。处理器、存储器、以及诸如显示器和键盘的输入/输出接口可以例如经由作为数据处理单元的部分的总线而被互连。例如经由总线的合适的互连也可以向诸如可以被提供以与网络相连接的网络卡的网络接口提供，并且向诸如可以被提供以与媒体相连接的软磁盘或CD-ROM驱动的多媒体接口。
[0080]因此，包括用于执行如在本文中所描述的方法的指令或代码的计算机软件可以被存储在相关联的存储设备(例如R0M、固定的或可移除的存储器)中并且当准备好被利用时，部分地或全部被加载(例如到RAM中)并且由CPU实现。这样的软件可以包括但不限于固件、驻留软件、微码等。
[0081]如所注意的，公开的方面可以采取被具体化在计算机可读介质中的计算机程序产品的形式，计算机可读介质具有具体化在其上的计算可读程序代码。而且，计算机可读介质的任意组合可以被利用。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读介质可以是例如但不限于电的、磁的、光的、电磁的、红外的、或半导体系统、装置、或设备、或前述的任意组合。计算机可读介质的更多具体的示例(非详细列表)将包括以下项:具有一条或多天线的电连接、便携式计算机软磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式紧致盘只读存储器(CD-ROM)、光存储器设备、磁存储器设备、或前述的任意组合。在这个文件的上下文中，计算机可读存储介质可以是可以包含或存储程序的有形的介质，该程序用于由指令执行系统、装置、或设备所使用或与其相连接。
[0082]用于执行针对本公开的方面的操作的计算机程序代码可以以至少一种编程语言的任意组合而被编写，包括面向对象的编程语言，诸如“C”编程语言或类似的编程语言。程序代码可以完全地在用户计算机上、部分地在用户的计算机上、作为孤立的软件包、部分地在用户的计算机上并且部分地在远程计算机上、或完全地在远程计算机或服务器上而被执行。
[0083]附图中的流程图和框图图示了根据本公开的不同实施例的系统、方法、和计算机程序产品的实现。在这方面，流程图中的每个块可以代表代码的模块、组件、段、或部分，其包括用于实现特定的逻辑功能的至少一条可执行指令。应该注意的是，在一些替代性实现中，记录在块中的功能可以在图中所记录的顺序之外发生。例如，所示出的连续的两个块可以实际上大体同时被执行，或块可以有时候以相反的顺序被执行，依赖于被包括的功能性。将注意的是，块图的每个块和/或流程图说明以及块图中的块的结合和/或流程说明，可以通过特殊目的基于硬件的系统被实现，系统执行特定的功能或动作，或特殊的目的硬件和计算机指令的结合。
[0084]在任何情况中，应该理解的是，图示在本公开中的部件可以被实现在各种形式的硬件、软件或器组合，例如专用集成电路(ASICS)、功能性电路、带有相关联的存储器的适当地编程的通用目的数字计算机等。给出本文所提供的公开的教导，相关领域普通技术人员的一个技术人员将能够想到公开的部件的其它实现。
[0085]本文中所使用的技术仅为了描述特殊的实施例的目的并且不旨在限制本公开。如在本文中所使用的，单数形式的“一”、“一个”和“该”旨在也包括复数形式，除非上下文明确地指示反面。还将被理解的是术语“包括”和/或“包含”在本说明书中被使用时，执行所陈述的特征、整数、步骤、操作、元件、和/或部件的存在，但不排除其他的特征、整数、步骤、操作、元件、部件和/或组的出现或添加。
[0086]各种实施例的描述已经为了说明的目的而被提出，但不旨在是详尽的或限制于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下，许多修改和变形对那些本领域普通技术人员将变得明显。
【主权项】
1.一种用于向多个用户推荐内容的方法，其中每个用户与用户得分相关联，所述方法包括: 至少部分地基于用户对于内容的项的推广和推广用户的所述用户得分来确定针对所述项的推荐得分； 根据所述项的推荐得分而推荐所述项；以及 基于其他用户关于由所述用户推广的所述项的反馈来调整所述推广用户的所述用户得分。2.根据权利要求1所述的方法，其中确定的所述步骤包括: 由机器推荐生成针对所述项的初始得分；以及 在从所述推广用户接收针对所述项的推广之后，至少部分地基于所述初始得分、所述推广和所述推广用户的所述用户得分来确定针对所推广的所述项的经更新的推荐得分。3.根据权利要求2所述的方法，其中所述机器推荐与用户得分相关联，并且在确定所述推荐得分时所述机器推荐被当作推广用户;并且调整的步骤包括: 基于来自所述用户的关于由所述机器推荐推荐的所述项的反馈，调整所述机器推荐的所述用户得分。4.根据权利要求1至3中任一项所述的方法，其中来自所述用户的所述反馈包括积极响应和消极响应，并且调整的步骤包括: 如果所推广的所述项接收来自其他用户的积极反馈，增加所述推广用户的所述用户得分；以及 如果所推广的所述项接收来自其他用户的消极反馈，减少所述推广用户的所述用户得分。5.根据权利要求4所述的方法，其中在接收来自所述用户的任何反馈之前，每个用户被指派相等的初始用户得分;并且在调整的所述步骤之后，所有用户得分的总和保持相同。6.根据权利要求1至5中任一项所述的方法，还包括: 根据每个用户的用户得分向每个用户指派角色，其中具有更多特权的角色需要更高的用户得分。7.根据权利要求6所述的方法，其中所述角色是从阅读者、查看者和编辑者中选择的一项。8.—种设备，包括被配置成执行根据权利要求1至7中任一项所述的方法的装置。9.一种计算机程序产品，被体现在由计算机可读并且包括程序指令的分布介质上，所述程序指令在被加载到计算机中时执行根据权利要求1至7中任一项所述的方法。10.一种非易失性计算机可读介质，具有被编码在上面的语句和指令，用以使得处理器执行根据权利要求1至7中任一项的方法。11.一种用于向多个用户推荐内容的系统，包括: 内容数据库，被配置成存储内容的多个项； 用户数据库，被配置成存储关于所述用户的信息，其中每个用户与用户得分相关联；第一推荐器，被配置成至少部分地基于用户对于项的推广和推广用户的所述用户得分来确定针对所述项的推荐得分；以及 反馈分析器，被配置成从所述用户收集反馈并且基于其他用户关于由所述用户所推广的所述项的反馈来调整所述推广用户的所述用户得分。12.根据权利要求11所述的系统，还包括: 第二推荐器，被配置成通过机器推荐来生成针对所述项的初始得分;并且 所述第一推荐器被配置成至少部分地基于所述初始得分、所述用户对于所述项的推广和所述推广用户的所述用户得分来确定针对所述项的经更新的推荐得分。13.根据权利要求12所述的系统，其中所述第二推荐器与用户得分相关联，并且所述第一推荐器被配置成在确定所述推荐得分时将所述第二推荐器当作用户;并且 所述反馈分析器还被配置成基于来自所述用户的关于由所述第二推荐器推荐的所述项的反馈来调整所述第二推荐器的所述用户得分。14.根据权利要求11至13中任一项所述的系统，其中来自所述用户的所述反馈包括积极响应和消极响应;以及 所述反馈分析器被配置成:如果经推广的所述项接收来自其它用户的积极反馈，增加所述推广用户的所述用户得分，并且如果经推广的所述项接收来自其它用户的消极反馈，减少所述推广用户的所述用户得分。15.根据权利要求14所述的系统，其中在接收来自所述用户的任何反馈之前，每个用户被指派相等的初始用户得分;并且所述反馈分析器被配置成在调整所述用户得分之后保持所有用户得分的总和不改变。16.根据权利要求11至15中任一项所述的系统，其中根据每个用户的用户得分，每个用户被指派角色，并且具有更多特权的角色需要更高的用户得分。17.根据权利要求16所述的系统，其中所述角色是从阅读者、查看者和编辑者中选择的一项。
【文档编号】G06Q30/02GK105993028SQ201480074449
【公开日】2016年10月5日
【申请日】2014年1月29日
【发明人】A·钦, 曾广翔, 田继雷, 陈恩红
【申请人】诺基亚技术有限公司