虚拟身份管理器的制造方法
【专利摘要】提供一种用于管理用户的身份的计算系统和方法。服务器可被配置为在相应的请求和响应流中与多个客户端设备中的每一个客户端设备通信。推断引擎被配置为监视所述流以获得标识因子，该标识因子将该多个客户端设备中的每一个客户端设备与该多个客户端设备中的其他客户端设备区分开。在检测到该多个客户端设备中的两个或更多个客户端设备中的每一个客户端设备的一个或多个标识因子在一阈值概率内匹配时，该推断引擎作出以下推断：该两个或更多个客户端设备是被该用户使用的。基于该推断，该推断引擎在该服务器处创建将该两个或更多个客户端设备相链接的虚拟身份记录。
【专利说明】虚拟身份管理器
[0001]背景
[0002]随着移动计算设备(包括智能电话、平板、膝上型计算机等)的增长，单个用户可能具有多个设备，该用户通过这些设备来访问各种在线服务、网络和平台。这些不同的服务、网络和平台可具有不同的访问要求和标识机制，这需要该用户维护多个不同的标识源(用户id/ 口令组合、PIN等)。因此用户可能有割裂的在线体验，并且不允许容易而安全地与该用户所利用的多个服务、网络和平台共享该用户的标识信息。
[0003]在另一示例中，当用户使用新设备开始访问该用户先前用前一设备访问过的在线服务时，可能提示该用户执行验证过程来确认该用户的身份，因为该服务不能识别新设备，从而用额外的耗时任务打断了用户。此外，用户的各种标识信息的可见性的缺乏可能导致该用户收到缺乏与该用户的相关性的广告和推荐。
[0004]概述
[0005]本文公开一种用于管理用户的身份的系统和方法。在一个示例中，该系统包括服务器，该服务器被配置为在相应的请求和响应流中与多个客户端设备通信。推断引擎被配置为监视该服务器和该多个客户端设备中的每一个之间的该请求和响应流，以获得标识因子，该标识因子将该多个客户端设备中的每一个客户端设备与该多个客户端设备中的其他客户端设备区分开。在检测到两个或更多个客户端设备中的每一个客户端设备的一个或多个标识因子在一阈值概率内匹配时，该推断引擎被配置为作出以下推断:该两个或更多个客户端设备是被该用户使用的。基于该推断，该推断引擎在该服务器处创建将该两个或更多个客户端设备相链接的虚拟身份记录。该系统还可包括身份验证引擎，该身份验证引擎被配置为接收身份验证请求，该身份验证请求查询从与该服务的记录上不同的客户端设备对服务的未验证用户登入。该请求可询问该不同客户端设备是否在该虚拟身份记录中被链接到该用户。
[0006]提供本概述是为了以简化的形式介绍将在以下详细描述中进一步描述的选择的概念。本概述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。
[0007]附图简述
[0008]图1是用于管理用户的身份的系统的一个实施例的示意图，该系统包括推断引擎和身份验证引擎。
[0009]图2是示出用于管理用户的身份的方法的一个实施例的图示。
[0010]图3是图2的图示的延续。
[0011]图4是图1的系统创建的社交超图(supergraph)的示意图。
[0012]详细描述
[0013]图1 一般性地示出用于管理用户的身份的计算系统10的一个实施例。计算系统10包括虚拟ID管理服务器12，该虚拟ID管理服务器12被配置为通过计算机网络(诸如因特网)与多个客户端设备(包括用户客户端设备)通信。如下面更详细地描述的，虚拟ID管理服务器12包括推断引擎22，该推断引擎22被配置为在虚拟ID管理服务器处创建虚拟身份记录24，该虚拟身份记录24将两个或更多个用户客户端设备链接到一共同的用户。
[0014]在一个示例中，用户客户端设备14包括大容量存储26、存储器28、显示器29、处理器30、以及地点感测技术，诸如GPS接收机32。GPS接收机32基于卫星信号确定用户客户端设备14的地点，并且在向用户征得对这种地点跟踪的适当同意之后，可周期性地将所确定的该设备的地点通过虚拟ID客户端模块38发送到虚拟ID管理服务器12。
[0015]存储在大容量存储26中的诸如浏览器34和应用程序(“应用”)36之类的程序可被处理器30使用存储器28来执行，其输出显示在显示器29上，以实现本文描述的各种功能。可在用户客户端设备14上提供虚拟ID客户端模块38，该虚拟ID客户端模块38被配置为通过相应的请求和响应流40与虚拟ID管理服务器12的推断引擎22通信。在其他示例中，用户客户端设备14可包括图1中未示出的其他组件，诸如用户输入设备，包括例如触摸屏、键盘、鼠标、游戏控制器、相机和/或话筒。而且，尽管未在图1中示出，然而应当理解，用户客户端设备16、18、20和114具有按照与上面针对用户客户端设备14描述的类似的方式工作的类似组件。
[0016]作为一个示例，虚拟ID管理服务器12可驻留于门户44，该门户44提供对各种信息和服务的单个接入点。在门户44处具有用户账户的用户可通过访问控制点46例如用用户名和口令登入，以访问各种信息和服务，诸如托管在在线服务服务器54上的电子邮件50和日历52服务、通过托管在社交网络服务器58上的社交网络引擎56访问社交联网服务等。应当理解，在一个实施例中，访问控制点可被实现为负载平衡代理服务器。用户可以访问托管在另一在线服务服务器64上的其他特征和服务而无需登入门户44，诸如通过搜索引擎60进行搜索、通过新闻引擎62访问新闻等等。
[0017]现在转向推断引擎22通过其来创建用户的虚拟身份记录24的过程，该推断引擎分别监视虚拟ID管理服务器12和用户客户端设备14、16和18之间的请求和响应流40、70和120，以获得标识因子，该标识因子将这些设备中的每一个设备与其他用户客户端设备区别开。可监视的标识因子的示例包括但不限于:设备ID、浏览器版本、浏览器历史、浏览器cookie、搜索简档、商业交易信息、地点信息以及社交图信息。
[0018]在一个示例中，用户客户端设备14可以是具有一 IP地址的膝上型计算机，该IP地址解析到接近IOOMain Street, Anytown, USA (美国，任意城镇,大街100号)的地点。用户客户端设备14上的虚拟ID客户端模块38响应于来自推断引擎22的请求通过流40向推断引擎22发送该IP地址。在到地理地点的IP地址解析具有不同准确度水平的情况下，推断引擎22基于先验学习向IOOMain Street, Anytown, USA这一地点赋予80%的置信因子。存储在用户客户端设备14上的浏览器cookie被用来跟踪在该设备上执行的搜索以创建搜索简档，类似地，该搜索简档由推断引擎22监视。在此示例中，所执行的搜索包括对越南度假租赁、XYZ汽车、Anytown，USA (美国，任意城镇)的水管工以及密西西比河游船的搜索。
[0019]用户客户端设备16可以是移动通信设备，该移动通信设备接收将该设备定位在IOOMain Street, Anytown, USA的GPS信号。用户客户端设备16上的虚拟ID客户端模块响应于来自推断引擎22的请求通过流70向推断引擎22发送该地点信息。在通过GPS信号获得的地理地点高度准确的情况下，推断引擎22向用户客户端设备16的MainStreet, Anytown, USA地点赋予99%的置信因子。存储在用户客户端设备16上的cookie被用来跟踪在该设备上执行的以下搜索——搜索越南食物、XYZ汽车、Anytown, USA水管工以及密西西比河游船。还由推断引擎22来监视包含这些搜索的搜索简档。
[0020]当推断引擎22检测到上述标识因子并赋予相关联的置信因子时，推断引擎确定用户客户端设备14和16的标识因子在一阈值概率内是否匹配。如果匹配，则推断引擎做出以下推断:用户客户端设备14和16被同一用户使用。随后推断引擎22在虚拟ID管理服务器12处创建虚拟身份记录24，该虚拟身份记录24将用户客户端设备14和16链接到用户，诸如用户72。
[0021]推断引擎22被配置为部分基于从链接其他用户及其相应客户端设备的机器学习来估算同一用户使用用户客户端设备14和16这一推断的准确度。推断引擎22还被配置为监视它已做的推断，并且基于稍后确定该推断正确还是不正确来调整导致准确度确定的因子的准确度。例如，在门户环境中(诸如图1中描绘的门户环境)，已对其作出用户推断的设备稍后可访问输入了用户登入的服务。在此点处，门户可以既用关于所标识的用户通过该设备的登入的新信息来更新该虚拟身份记录，又基于原始推断正确还是不正确来更新与导致原始推断的置信因子相关联的概率。以此方式，推断引擎可持续地微调它对于某些用户的设备使用的估计概率。
[0022]继续以上示例，给出与用户客户端设备14和16的地点相关联的同一地址和置信因子，可以确定所述地点在80%的概率内匹配。鉴于搜索简档相似性，可确定用户客户端设备14和16的搜索简档在85%的概率内匹配。给定这两个概率，并且基于来自链接其他用户及其相应客户端设备的机器学习，推断引擎22估算用户客户端设备14和16是由同一用户使用的这一推断的准确度为75%。为了作出用户客户端设备14和16是由同一用户使用的推断，推断引擎22可设置一阈值概率，诸如70%。从而，在此示例中，因为所估算的准确度超出该阈值概率，则推断引擎22作出以下推断:用户客户端设备14和16是由同一用户72使用的。在作出该推断后，推断引擎22可向用户72发送请求以验证用户客户端设备14和16两者均由该用户使用这一推断。推断引擎22可向具有更高置信度链接到用户72的用户客户端设备14或16发送验证请求。
[0023]在做出该推断后，推断引擎22为用户72创建虚拟身份记录24，该虚拟身份记录24将用户客户端设备14和16链接到该用户。虚拟身份记录24包括地点数据74，该地点数据74是用通过地点链接到用户72的用户客户端设备填充的。与每个设备的地点相关联的置信因子一般性地由实线或虚线指示。在本示例中，用户客户端设备14和16包括在地点数据74内。与用户客户端设备14和16的地点相关联的置信因子分别是85%和99%。因为这些置信因子高于预定阈值概率(诸如75%)，所以用户客户端设备14和16被示出为用实线链接。地点数据74中可能还包括另一用户客户端设备18，但是该用户客户端设备18具有仅70%的置信因子。从而，用户客户端设备18被示出为用虚线链接。
[0024]以类似方式，虚拟身份记录24包括搜索简档数据76，该搜索简档数据76用通过其搜索简档链接到用户72的用户客户端设备14和16填充。在本示例中，置信因子不与来自每个设备的搜索简档相关联，而用户客户端设备14和16被示出为用实线链接。在其他示例中，可针对每个设备向搜索简档分配置信因子并按照上面描述的方式显示。搜索简档数据76中还包括附加的用户客户端设备116。
[0025]推断引擎22可被配置为将来自地点数据74和搜索简档数据76的信息发送到托管在广告服务器82上的广告引擎80。广告引擎80和广告服务器82可位于门户44上或远程位于不同网络或平台上。广告引擎80被配置为利用从推断引擎22接收到的信息来向用户客户端设备14发送针对用户的广告84。广告引擎80还可向用户客户端设备16以及链接到用户72的任何其他设备发送广告84。
[0026]推断引擎还可被配置为基于社交网络信息来确定用户72与另一用户具有关系。广告引擎80随后可被配置为向与所述另一用户相关联的客户端设备供应针对朋友的广告。再次参考用户客户端设备14,在一个示例中,请求和响应流40可包括跨越建立社交图的社交网络与用户72的交互相关联的社交网络信息。用户72可使用用户客户端设备14登入到门户44以访问与该用户相关联的社交网络引擎56和社交图90.来自用户客户端设备14所访问的用户72的社交图90的信息可被存储在虚拟身份记录24中的社交图数据92中。在此示例中，推断引擎22从社交图90确定用户72与使用用户客户端设备20的用户94具有“朋友”关系。
[0027]作为另一示例，虚拟身份管理服务器12的推断引擎22可被配置为从在不同社交网络服务器上执行的多个社交网络接收与用户相关的社交图信息。如图4中所示，来自以下三个不同社交网络的社交图被示出:用于与朋友进行双向通信的社交网络1，诸如FACEBOOK?;用于向订阅好友网络广播消息的社交网络2，诸如TWITTER? ；以及用于在朋友之间交换聊天消息的社交网络3，诸如MICROSOFT? LIVE MESSENGER。
[0028]作为一示例，用户A在每个网络1、2和3上可具有使用不相关的用户名的三个不相关的账户。虚拟身份管理服务器12的推断引擎被配置为基于社交图中的类似性消除用户账户间的歧义，并且确定图4中所示的三个社交图属于同一用户:用户A。而且，推断引擎被配置为从来自不同社交网络的多个社交图创建用户的社交超图。该社交超图使所示示例中用户A处的三个图中的每一个的边缘瓦解，并由此通过用户A的虚拟身份将社交图1、
2、3中的每一个连接在一起。
[0029]而且，虚拟身份管理服务器的推断引擎可以对用户的社交超图中的其他朋友执行相同操作。将理解，虚拟身份管理器的推断引擎可被配置为计算原本通过不同社交网络中的每一个社交网络无法彼此连接的用户之间的跨社交网络通信路径。在所示示例中，用户A在社交网络I和社交网络2中与朋友B是朋友。用户A在社交网络3中与朋友C是朋友。而且，用户B在社交网络3中与朋友C是朋友。通过创建社交超图，该推断引擎能够计算朋友A、B和C是相互的朋友(即，两两彼此是朋友)。此相互朋友关系可能在向朋友A、B、C提供面向朋友的优惠(offer)时是有价值的。在没有社交超图的情况下，此信息在不同社交图1、2和3的每一个中可仍然是孤立的(islanded)。
[0030]用户72还可能经由用户客户端设备16通过位于电子商务服务器98上的电子商务服务96作出了购买。可通过请求和响应流70由推断引擎22监视与购买相关联的商业交易信息。该商业交易信息可被存储在虚拟身份记录24中的交易数据100中。要理解，该商业交易信息尤其可指示:用户已购买了与该用户和一朋友之间的共享兴趣有关的产品或服务，该共享兴趣已经如上所述在社交网络信息中被标识。在作出这样的确定之后，广告引擎被配置为基于该商业交易信息向与该朋友相关联的客户端设备提供针对朋友的广告。
[0031]在一个不例中，用户72通过电子商务服务器98从自行车商店电子商务服务96购买超快竞赛自行车。通过用户72的社交图90，推断引擎22已确定用户94是用户72的朋友，且他们交换有关自行车竞赛的消息和链接。使用指示用户已购买了超快竞赛自行车的商业交易信息(这与骑自行车的共享兴趣有关)，并且基于关于该用户和该用户的朋友(用户94)之间对骑自行车的共享兴趣的社交图信息，广告引擎80可以被配置为向与用户94相关联的用户设备20提供超快竞赛自行车的针对朋友的广告102。
[0032]虚拟ID管理服务器12还包括ID验证引擎106，该ID验证引擎106被配置为从在线服务(诸如托管在应用服务器110上的第三方应用商店108)接收身份验证请求114。在一个示例中，请求114可查询从用户客户端设备116登入到第三方应用服务器110的未验证用户112，该用户客户端设备16和第三方应用商店108的记录上的那些用户客户端设备不同并且与该未验证用户所使用的登入凭证相关联。请求114询问用户客户端设备116是否通过虚拟身份记录24链接到用户72，其中用户72与未验证用户112所使用的登入凭证相关联。
[0033]请求114可包括在虚拟身份记录24中用户客户端设备116链接到用户72的指定确定度水平。在一个示例中，该指定确定度水平可以在1-5的刻度上描述，其中I为最不确定，而5为最确定。对于一般与较高的安全水平相关联的服务，诸如在线银行，可请求较高的确定度水平。对于一般与较低的安全水平相关联的服务，诸如相片组织和共享服务，可请求较低的确定度水平。在本示例中，第三方应用商店108可请求用户客户端设备116链接到用户72的第3级确定度。
[0034]在虚拟身份记录24中，用户客户端设备116被包括在搜索简档文件76和交易信息文件100中。使用此信息，ID验证引擎106确定用户客户端设备116链接到用户72并且因此未验证用户112是用户72的确定度满足第3级确定度。ID验证引擎106随后向第三方应用商店108发送响应118，该响应118指示用户客户端设备116链接到用户72。
[0035]在另一示例中，ID验证引擎106检测到在经由推断引擎22在来自用户客户端设备18的流120中检测到的标识因子与用户72的虚拟身份记录24不一致。用户客户端设备18可以是具有GPS接收机的移动通信设备，其经由流120指示该设备当前位于纽约市。流120还可指示用户客户端设备18已被更新以从纽约市区域进行多次电子商务购买。用户客户端设备16 (也是移动通信设备)经由其GPS接收机指示该设备当前位于IOOMain Street, Anytown, USA，用户72的家庭地址处。从虚拟身份记录24的地点数据74，ID验证引擎106还确定在过去两年中用户客户端设备18仅被用户72使用了三次，用于在Anytown, USA内和周围进行简短电话呼叫。基于此信息，ID验证引擎106确定用户客户端设备18可能已经丢失或被偷，并且未授权用户当前可能正使用该设备。ID验证引擎106随后可向用户客户端设备16发送潜在欺诈警告122，通知用户72对用户客户端设备18的可能的未授权使用。
[0036]现在参考图2，一图示示出了根据本公开的一个实施例的用于管理用户的身份的方法200。可使用以上所述的并且在图1中示出的系统10的软件和硬件组件或使用其他合适的组件来执行该方法。
[0037]最先，将描述方法200的步骤202-214，其包括该方法的虚拟身份记录创建阶段。在202，该方法包括在相应的请求和响应流中与多个客户端设备中的每一个客户端设备通信(诸如用户客户端设备14、16和18)。在204，该方法包括监视该请求和响应流以获得标识因子，该标识因子将该多个客户端设备中的每一个与所述客户端设备中的其他设备区别开。如同上面指出的，标识因子可包括但不限于:设备ID、浏览器版本、浏览器历史、浏览器cookie、搜索简档、商业交易信息、地点信息以及社交图信息。
[0038]在206，该方法包括检测对于该多个客户端设备中的两个或更多个设备中的每一个在一阈值概率内匹配的标识因子的一个或多个。如上面参考图1所描述的，推断引擎22可向一个或多个标识因子中的每一个赋予置信因子，以确定该标识因子是否在一阈值概率内匹配。如果匹配，则在208处，该方法包括作出该两个或更多个客户端设备被同一用户使用的推断。在210处，该方法可包括:基于从链接其他用户和其相应客户端设备的机器学习来估计与该推断相关联的准确度。一旦估计出准确度，则在212处该方法可包括向用户发送验证该推断的请求。基于该推断，在214处，该方法随后创建虚拟身份记录，该虚拟身份记录将这两个或更多个客户端设备链接。
[0039]接下来，参考图3 (其为图2的图示的继续)，将描述方法200的步骤216-218，其包括该方法的用户身份验证阶段。在216，该方法可包括接收身份验证请求，该身份验证请求查询从与该服务的记录上的客户端设备不同的客户端设备对服务的未验证用户登入。该请求可询问该不同客户端设备是否在该虚拟身份记录中被链接到该用户。该请求还可包括在虚拟身份记录中该不同客户端设备链接到该用户的指定确定度水平。如果满足该指定确定度水平，则在218，该方法可包括向该服务发送响应，该响应指示该不同客户端设备被链接到该用户。
[0040]接下来，将描述方法200的步骤220-222，其包括该方法的以用户为目标的广告投放阶段。在220，该方法包括将来自该虚拟身份记录的信息发送到广告引擎，其中该广告引擎被配置为向该两个或更多个客户端设备之一提供针对用户的广告。在222，该方法可包括向该两个或更多个客户端设备之一提供针对用户的广告。
[0041]接下来，将描述方法200的步骤224-227，其包括该方法的以朋友为目标的广告投放阶段。如同上面讨论的，这些请求和响应流之一可包括与跨越建立社交图的社交网络同该用户的交互相关联的社交网络信息。在224，该方法可包括基于该社交网络信息确定该用户与一朋友具有关系并且该用户和该朋友具有共享兴趣，并将此信息存储在该虚拟身份记录中。
[0042]而且，如上所述，这些请求和响应流中的另外一个可能包括与该用户相关联的商业交易信息。在225，该方法可包括从该商业交易信息检测该用户的与同该朋友的共享兴趣(其是在224处确定的)相关的商业交易，该商业交易是由该用户通过链接到该用户的虚拟身份记录的多个用户客户端设备之一输入的。在226，该方法可包括将关于与该朋友和该用户之间的共享兴趣有关的商业交易的信息发送给该广告引擎，以使得该广告引擎能够基于该商业交易信息向与该朋友相关联的客户端设备提供针对朋友的广告。在227，该方法可包括基于该用户的该商业交易信息向与该朋友相关联的客户端设备提供针对朋友的广告。通常，该广告是从该广告引擎提供给该朋友的客户端设备。
[0043]应当理解，步骤224-227使得方法200能够基于从不同用户客户端设备监视的信息流来向该用户的朋友提供广告。从而，如果用户从第一客户端设备浏览一社交网站，而从该社交网站确定一朋友和一共享兴趣，并且该用户从第二用户客户端设备购买与同该朋友的共享兴趣相关的产品或服务，这些活动将被表示在从该第一设备搜集的社交联网信息以及从第二设备搜集的商业交易信息中。这两种类型的信息均被链接到该用户的虚拟身份记录，并且可供该广告引擎使用来向该用户的朋友提供广告。通常，该广告引擎将向该虚拟身份管理服务器请求广告商在该广告引擎所管理的广告活动中指定的该用户和朋友匹配简档。从而，在以上示例中，该广告引擎将已请求最近购买了超快竞赛自行车、且与该用户具有骑自行车方面的共享兴趣的用户的朋友的身份。当那些朋友按照导致向该广告引擎发送广告请求的方式浏览因特网或执行应用程序时，该广告引擎将通过上面描述的提供针对朋友的广告作出响应。
[0044]接下来，将描述方法200的步骤228-230，其包括该方法的欺诈检测阶段。在228，该方法可包括检测该用户使用的多个客户端设备中的与该虚拟身份记录不一致的一个客户端设备的标识因子。一旦检测到该不一致的标识因子，则在230，该方法可包括向该用户使用的该多个客户端设备中的另一客户端设备发送潜在欺诈警告。
[0045]要理解，上面描述的系统和方法可被用来跨越多个用户客户端设备俩管理用户的身份。而且，该系统和方法可使得用户能够容易且安全地跨越该用户所选择的多个服务、网络和平台共享身份信息。跨越这些不同在线目的地的该用户的在线体验可以因此不那么碎片化并且是更愉悦的体验。便于身份信息的安全共享还可允许该用户接收更相关且更期望的广告和推荐。
[0046]关于本文描述的软件和硬件操作系统，要理解，术语“模块”、“程序”和“引擎”已经被用来描述本文描述的各计算硬件设备的处理器所实现的软件组件，以执行一个或多个特定的功能。术语“模块”、“程序”和“引擎”意在涵盖单个或成组的可执行文件、数据文件、库、驱动程序、脚本、数据库记录等。而且，应当理解，尽管为便于讨论之目的，本文所述的虚拟ID管理服务器12和其他服务器被示出为单一服务器，然而它们可被实现为一组协调的服务器，这些服务器可以是同地点的，或者跨计算机网络分布，如熟悉云计算环境的人员所理解的。
[0047]还要理解，术语“客户端设备”可包括个人计算机、膝上型计算机、移动通信设备、平板计算机、家庭娱乐计算机、游戏设备、智能电话、或各种其他计算设备。而且，处理器和存储器可被集成在公共集成电路(如在一些实施例中所谓的片上系统)中，且大容量存储可以是各种非易失性存储设备，诸如硬盘驱动器、固件、只读存储器(ROM)、电可擦除可编程只读存储器(EEPR0M)、闪存、光驱等。可为这些计算设备提供介质，所述介质包含所存储的指令，所述指令在被这些计算设备执行时致使这些设备实现本文描述的方法。这些介质可包括CD-ROM、DVD-ROM和其他介质。
[0048]应该理解,此处所述的示例实施例、配置和/或方法在本质上是示例性的，并且这些具体实施例或示例不应被认为是局限性的，因为多个变体是可能的。此处所述的具体例程或方法可表示任何数量的处理策略中的一个或多个。由此，所示出的各个动作可以按所示次序执行、按其他次序执行、并行地执行、或者在某些情况下被省略。同样，可以改变上述过程的次序。
[0049]本公开的主题包括各种过程、系统和配置、此处所公开的其他特征、功能、动作、和/或特性、以及其任何和全部等效方案的所有新颖和非显而易见的组合和子组合。
【权利要求】
1.一种用于管理用户的身份的计算系统，包括: 服务器，被配置为在相应的请求和响应流中与多个客户端设备中的每一个客户端设备通信； 推断引擎，被配置为: 监视所述服务器和所述多个客户端设备中的每一个客户端设备之间的所述请求和响应流，以得到标识因子，所述标识因子将所述多个客户端设备中的每一个客户端设备与所述多个客户端设备中的其他客户端设备区分开； 在检测到所述多个客户端设备中的两个或更多个客户端设备中的每一个客户端设备的标识因子中的一个或多个在一阈值概率内匹配时，作出以下推断:所述所述两个或更多个客户端设备是由所述用户使用的；以及 基于所述推断，在所述服务器处创建虚拟身份记录，所述虚拟身份记录链接所述两个或更多个客户端设备；以及身份验证引擎，被配置为: 接收身份验证请求，所述身份验证请求查询从与一服务的记录上的客户端设备不同的客户端设备对所述服务的未验证用户登入，所述请求询问在所述虚拟身份记录中所述不同的客户端设备是否链接到所述用户。
2.如权利要求1所述的计算系统，其特征在于，所述推断引擎被配置为估算与所述推断相关联的准确度。
3.如权利要求1所述的计算系统，其特征在于，所述推断引擎被配置为将来自所述虚拟身份记录的信息发送到广告引擎，并且所述广告引擎被配置为向所述两个或更多个客户端设备中的一个客户端设备发送针对用户的广告。
4.如权利要求3所述的计算系统,其特征在于,所述请求和响应流中的一个请求和响应流包括与跨越社交网络同所述用户的交互相关联的社交网络信息，所述社交网络建立社交图。
5.如权利要求4所述的计算系统，其特征在于，所述推断引擎被配置为: 从多个社交网络接收与所述用户有关的社交图信息，其中每个社交网络在一不同的社交网络服务器上执行； 从来自不同社交网络的所述多个社交图创建所述用户的社交超图；以及计算原本通过所述不同社交网络中的每一个社交网络无法彼此连接的用户之间的跨社交网络通信路径。
6.如权利要求5所述的计算系统,其特征在于,所述请求和响应流中的另一请求和响应流包括与所述用户相关联的商业交易信息，所述商业交易信息指示所述用户已购买了产品或服务，所述产品或服务与在所述社交网络信息中标识的所述用户和所述用户的朋友之间的共孕兴趣相关；以及 其中所述广告引擎被配置为基于所述商业交易信息向与所述朋友相关联的客户端设备提供针对朋友的广告。
7.如权利要求1所述的计算系统，其特征在于，所述身份验证引擎被配置为: 检测所述用户使用的所述多个客户端设备中的与所述虚拟身份记录不一致的一个客户端设备的标识因子；以及向所述用户所使用的所述多个客户端设备中的另一客户端设备发送潜在欺诈警告。
8.一种用于管理用户的身份的方法，包括: 在相应的请求和响应流中与多个客户端设备中的每一个客户端设备通信； 监视所述请求和响应流以获得标识因子，所述标识因子将所述多个客户端设备中的每个客户端设备与所述多个客户端设备中的其他客户端设备区别开； 检测对于所述多个客户端设备中的两个或更多个客户端设备中的每一个客户端设备在一阈值概率内匹配的标识因子中的一个或多个； 做出所述两个或更多个客户端设备是由所述用户所使用的推断， 基于所述推断，创建虚拟身份记录，所述虚拟身份记录链接所述两个或更多个客户端设备；以及 将来自所述虚拟身份记录的信息发送到广告引擎，其中所述广告引擎被配置为向所述两个或更多个客户端设备之一提供针对用户的广告。
9.如权利要求8所述的方法，其特征在于，还包括基于从链接其他用户及其相应的客户端设备的机器学习来估算与所述推断相关联的准确度，并且向所述用户发送请求以验证所述推断。
10.如权利要求8所述的方法,其特征在于,所述请求和响应流中的一个请求和响应流包括与跨建立社交图的社交网络同所述用户的交互相关联的社交网络信息，而所述请求和响应流中的另一请求和响应流包括与所述用户相关联的商业交易信息，所述方法还包括: 基于所述社交网络信息确定所述用户与一朋友具有关系并且所述用户和所述朋友具有与所述商业交易有关的共孚兴趣， 以及 其中将来自所述虚拟身份记录的信息发送到所述广告引擎包括将关于与所述朋友和所述用户之间的所述共享兴趣相关的所述商业交易的信息发送到所述广告引擎，以使得所述广告引擎能够基于所述商业交易信息向与所述朋友相关联的客户端设备提供针对朋友的广告。
【文档编号】G06Q30/02GK103620585SQ201280030213
【公开日】2014年3月5日 申请日期:2012年6月18日 优先权日:2011年6月20日
【发明者】D·伯格, L·程, X·黄, S·帕帕里佐斯 申请人:微软公司