计算建议工具中的兴趣度推荐的制作方法

相关申请案的交叉参考

本申请案主张2011年6月8日申请的第13/155,917号美国申请案的优先权，所述申请案主张2011年4月20日申请的第61/477,276号美国临时申请案的优先权、2011年2月2日申请的第61/438,684号美国临时申请案的优先权以及2011年1月6日申请的第61/430,318号美国临时申请案的优先权，所有申请案的全部内容以引用的方式并入本文。

本发明涉及集体知识系统，且更特定来说，涉及基于通过用户交互进行机器学习来提供自然语言基于计算机的主题建议。

背景技术

在线搜索主题建议代表了计算机资源(例如通过因特网提供的资源)的重要用途。目前，计算机用户可采用多种搜索工具来搜索关于特定主题的建议，但这样做可能会在搜索引擎的使用中要求专业知识，而且可能会产生庞大的搜索结果，从而需要花费时间来筛选、解译及比较。人们可能会习惯于使用口头的自然语言来征求其他人的建议，且因此采取一种更贴近地模仿人们之间的交互方式的基于计算机的建议工具可能会是有用的。此外，关于主题的建议可随时改变，而且任何静态的建议数据库都可能很快就过时。因此，需要适于与自然语言一起使用且提供持续的内容精细化的改进式主题建议搜索能力。

技术实现要素：

本发明通过基于计算机的建议工具给用户提供推荐，其包括：收集主题信息，其中所收集的主题信息包含有关主题使人感兴趣的程度的方面，或兴趣度方面；基于兴趣度方面过滤所收集的主题信息；从所收集的主题信息确定兴趣度评级，其中通过基于计算机的建议工具进行所述确定；及基于兴趣度评级给用户提供有关主题信息的推荐。

从下文对优选实施例及图形的详细描述，本发明的这些及其它系统、方法、目标、特征及优点将对所属领域的技术人员显而易见。本文所提到的所有文献的全部内容都以引用的方式并入本文中。

附图说明

参考下图可理解本发明及对本发明的某些实施例的以下详细描述：

图1描绘用户可从其得到决定的系统中的主题列表。

图2描绘系统可能会问用户的实例问题。

图3描绘系统可能会问用户的实例图片问题。

图4描绘在做出特定决定时系统可能会展示给用户的信息的类型的实例。

图5描绘相机的顶端列表的实例。

图6描绘相机的顶端列表的第二实例。

图7描绘用户主页的实施例。

图8及8a描绘用户记得的答案的实施例。

图9描绘用户可贡献专门知识的选择。

图10描绘用户问题的实例。

图11及11a描绘答案格式的实施例。

图12描绘主题中所有决定的实例列表。

图13描绘针对本发明的实施例过程流。

图14描绘针对本发明的实施例过程流。

图15描绘针对本发明的框图的实施例。

图16描绘实施例贡献者/专家接口主页。

图17描绘为做出决定而寻求帮助的用户的实施例客观问题。

图18描绘展示特定的所推荐的决定的决定结果的实施例。

图19描绘要在属性与决定结果之间建立关联的用户的实施例接口。

图20描绘说明用户可如何编辑决定结果的实施例。

图21描绘展示对两个先前修改之间的内容及变化的先前修改的实施例。

图22描绘展示由用户编辑的问题的实施例。

图23描绘展示属性的修改历史的实施例。

图24描绘可在其处显示新添加的建议区的专题讨论会接口的实施例。

图25描绘其中系统正在询问用户主观问题以便了解用户的偏好的实施例。

图26描绘展示由贡献者所做出的最近的活动的活动源的实施例。

图27描绘展示基于多维度的结果的实施例。

图28描绘响应于用户的非结构化输入而展示多个问题及答案结果的实施例。

图29描绘展示为询问用户的偏好而提出的实例问题的实施例。

图30描绘在本发明的实施例中所确定的新闻人物格伦·贝克(glennbeck)的相似度简档。

图31描绘在本发明的实施例中所确定的人物玛莎·史都华(marthasteward)的相似度简档。

图32描绘使用第三方api来帮助了解用户的实施例。

图33描绘使用第三方api来帮助了解用户且对准从用户的查询返回给用户的响应的实施例。

图34描绘通过使用因特网社交交互图形表示来确定未知用户的偏好的实施例。

图35描绘用于改进对用户品味及偏好的剖析的实施例。

图36描绘与图表结构介接的基于网络的建议工具的实施例。

图37描绘兴趣度推荐过程框图的实施例。

图38描绘给用户的推荐的本地探索应用的视觉表示的实施例。

图39描绘用于给用户的推荐的链接细节的本地探索应用的视觉表示的实施例。

图40描绘给用户的推荐的本地探索应用的视觉表示的实施例。

图41描绘对饭店进行评论的实施例。

图42描绘兴趣度推荐的过程流程图的实施例。

图43描绘地理上本地化的推荐的过程流程图的实施例。

虽然已结合某些优选实施例对本发明进行描述，但其它实施例将被所属领域的技术人员所理解且包含在本文中。

本文所参考的所有文献以引用的方式并入本文。

具体实施方式

本发明可问用户1314问题1320且系统可基于用户的答案而提供决策，例如推荐、诊断、结论、建议等等。内在地，系统可使用机器学习来就要提问哪些问题1320以及在过程的结尾处要做出什么决策1310进行优化。系统可通过用户关于最后的决策给出反馈(决策1310是否有帮助)来进行学习。有帮助的解决方案可得到强化且将其与过程中所问的问题1320及答案1322相关联。当用户1314说决策1310是有帮助的时候，系统可记住他问的是哪些问题1320、针对每一个问题1320的答案1322是什么，而且可将这些问题1320及答案1322与最后的决策相关联。这些关联可为机器学习的基础，机器学习随着时间而了解下次用户1314来到系统时要提问哪一个问题1320。

例如，用户1314可能会试图在挑选所要去的酒吧方面得到建议。系统可能会问“您多大了？”的问题并得到“我30来岁”的答案。最后，系统可能会给用户1314展示“凯莱(kelley)爱尔兰酒吧”的决策。假设用户1314说此决策是有帮助的。系统将会增加“您多大了？”的问题、“我30来岁”的答案与决策“凯莱爱尔兰酒吧”之间的关联。下次用户1314来到网站寻求酒吧方面的建议时，系统将会很有可能询问用户1314“您多大了？”的问题1320，因为此问题1320过去对用户是有帮助的。如果用户1314回答问题1320的方式与之前用户1314相同(说“我30来岁”)，那么系统将更加确信最后的决策是“凯莱爱尔兰酒馆”。

系统可建立每一个用户的品味、审美偏好等的简档，且经由哪类人喜欢决策1310的反馈进行学习。替代地，专家用户可指定哪种人喜欢哪种决策1310。可通过与特定主题中系统所问的问题1320及答案1322的对话分开的单独过程而发生对用户品味简档的学习。例如，用户1314可通过经特定设计以了解用户的审美偏好的不同的问题及答案对话来单独告诉系统他们的品味选择。

用户1314可能不想花费时间来教会系统他们所有的品味偏好，且因此系统替代地可以学习在用户1314做出一个特定决策1310的背景下所有的品味问题1320中哪一个才是所要问的最重要的品味问题，或者专家可以指定在用户1314做出一个特定决策1310的背景下所有的品味问题1320中哪一个才是所要问的最重要的品味问题。在所有问题的总体之外，系统可了解找出品味简档，例如系统可能已了解当用户1314试图找出25,000美元以下的私家轿车时存在三个特定的最佳问题1310。替代地，可存在一组完全不同的三个品味问题以询问对45,000美元以上的suv感兴趣的用户1314。

用户1314还可能仅告诉系统他们的品味偏好而却不告诉系统任何客观问题。在此情形下，系统可提供纯粹基于品味的建议区中的所有决策1310的排名。因此用户1314不再说他们想要200美元的傻瓜(point-and-shoot)相机，实际上用户1314所要做的是说他们想要喜欢计算机超过运动的其他35岁的都市男人们所想要的相机。用户1314可能通过使用搜索接口且选择明确标有“30来岁的都市男人们的相机”的建议区而非选择“我该买哪一台相机”的建议区来指示此偏好。替代地，用户1314可能会在做出相机方面的决策1310时指示他们的兴趣且随后选择不回答来自系统的q&a对话中的任何问题，且因此系统将仅具有关于用户1314的主观信息来用于给用户1314推荐相机。替代地，用户1314可在既是客观的又是主观的对话中回答问题1320，且随后系统可基于组合的有关相机的客观数据以及有关相机的主观数据推荐相机。

用户还可输入新的问题、答案及最后的决策。随后系统可对以后的用户尝试新问题1320，以看一看在帮助那些用户方面是否问题1320被证实为有用的。例如，酒吧推荐服务的用户1314可贡献问题“你想要喧闹的地方还是安静隐私的场合？”。系统可决定在以后使用酒吧推荐服务时询问此问题1320且通过上文所概述的过程而观察此问题1320的答案与用户认为有用的推荐之间的相关性。另一方面，用户1314可贡献在帮助用户方面没有价值的问题1320。例如，用户可贡献“你有佳能相机吗？”的问题。系统可对以后的用户试验此问题1320且无法注意此问题1320的答案与用户认为有帮助的酒吧推荐之间的任何相关性。在此情形下，问题1320可能会被问的更少，因为其不能预测一个推荐或另一个推荐是否是有帮助的。

系统可能会一直问问题1320直到其感觉自己已对一些可能的决策具有较高的信心为止。如果系统感觉自己已问了太多的问题1320且有让用户讨厌的风险，那么系统还可能更快地停止。系统还可能会至少问最小数目个问题1320，以免用户1314感觉系统可能没有问足够的问题，而无法做出明智的决策。

系统可具有容忍来自用户的错误答案的机制。错误答案可源自用户1314没有理解问题、没有理解答案1322或不知道问题的答案1322。如果用户1314所给出的多数答案都支持特定的决策，那么系统可能会做出所述决策1310，即便并非所有用户的答案都支持所述决策也如此。

在实施例中，本发明可提供系统与用户之间的问题1320及答案1322、用户的决策及所利用的机器学习中的至少一者以改进决策。系统可提供产生问题1320及答案1322的改进的方式、给用户提供决策的改进的方式、利用机器学习改进系统所提供的问题1320及决策改进的方式，等等，其中这些能力中的任一者可分开地(或组合地)用作单独的系统或作为改进的能力并入第三方系统中。在实施例中，这些改进的能力中的每一者可利用如本文描述的某些形式的机器学习。例如，系统可通过学习用户1314在什么情形下寻找某些信息而提供执行与用户1314的问题1320及答案1322对话的改进的方式。例如，系统可了解到取决于日时及天气状况，天气可能是用户具有不同偏好的条件。在白天下雨且用户1314搜索电影的时候，用户1314更可能是在寻找正在放映的电影的电影票及电影院。在夜间下雨且用户1314搜索电影的时候，用户1314更可能是在寻找对电影的描述。在另一实例中，系统可提供给用户提供决策的改进的方式，例如了解到用户在白天的时候比在夜间的时候更喜欢某些格式、基于年龄提供针对单个决策1310的选择、基于用户的地理位置而更喜欢在较多数目个问题1320之后才呈现决策1310，等等。在另一实例中，系统可提供了解为用户选择什么样的决策1310的改进的方式，例如基于年龄和教育而利用更多专家信息、当主题时髦且用户1314年轻时更多利用流行观点，而当用户1314年龄较大时更多利用传统惯例、当主题是私人话题时更多询问用户选择朋友方面的问题1320，等等。

在实施例中，本发明可提供问题1320及答案、提供决策及了解提供什么决策的组合，其中所述要素中的一者可能无法由系统提供，例如在由第三方系统提供要素时。例如，第三方搜索引擎网络应用可能想要改进其提供来自用户搜索查询的分类列表的能力，且因此可能想要利用本发明的产生问题1320及答案1322的工具来扩增其关键字搜索及分类算法。在此实例中，第三方搜索引擎提供者可能对本发明产生决策的工具感兴趣，原因在于他们的服务是提供分类列表的业务而非提供一个组有限的决策的业务。然而，本发明可为搜索引擎提供者提供重要的新能力，因为本发明不断地改进针对用户的问题1320及答案1322的能力可使搜索引擎提供者能够基于本发明的能力改进其针对用户的分类结果。

在实施例中，可通过搜索接口指定最初的建议区的主题。例如，用户1314对“意大利的浪漫蜜月”的搜索可能被加载到网页上，其帮助用户1314决定在意大利哪里度蜜月而不是首先询问用户他们想要在哪里度假、他们正在寻找什么类型的度假等。或者用户1314可搜索意大利的特定位置且被引导至1)帮助用户1314决定所述特定位置是否是一个满足他们需要的好位置(例如，展示“对度蜜月者及浪漫启程来说是好的且对家庭度假来说是坏的”一类的东西)及2)提供发起对话以帮助用户1314找出意大利替代的及潜在地更好的度假位置。或者用户1314可正在搜索特定产品且随后输入对话以缩小那些产品中哪一个对他们来说最好的。在#1及#2两者的情形中，所展示的信息可基于其他用户已如何回答做出决策对话中的问题及随后如何给出此决策的积极反馈。因此，如果使用“我该去哪里度假”主题的众多人用“是”回答“你想要浪漫的度假吗”的问题且随后对“意大利”给出积极的反馈，那么系统将经由搜索引擎给以后的用户1314显示意大利是浪漫的目的地。替代地，将决策“意大利”或问题“你想要浪漫的度假吗”添加到系统中的用户1314可能已明确指示问题“你想要浪漫的度假吗”的答案“是”应与意大利相关联，且因此经由搜索引擎给以后的用户1314展示意大利是浪漫的度假处。

在实施例中，本发明可提供询问问题、做出决策及学习做出更好的决策的一些子组的其它组合，例如使用本发明的做出更好决策的工具，但仅使用来自专家的输入；不给特定用户提供问题1320及答案1322会话，而是利用先前用户1314与系统的交互来提供决策；向用户1314询问问题1320及答案1322以允许系统结合以后的决策进行学习，但是提供奖励而非决策给用户1314；询问问题1320及答案且在没有任何学习的情况下做出决策1310，例如仅渗入结果；利用本发明学习如何做出更好的决策的能力，但将所述能力提供给专家系统而非通过问题1320及答案1322接口提供给用户；等等。在实施例中，系统可提供问题1320及答案1322用户1314会话、给用户提供决策及学习如何改进决策的所有要素。

在实施例中，输入问题1320的用户1314可任选地指定问题的相依性及重要性。相依性可控制什么时候可询问问题。重要性可指定不同问题1320之间的相对重要性用以权衡用户1314的答案。如果由于没有一个决策1310结果与用户1314所指定的所有答案1322相匹配使得系统不得不做出折衷，那么系统可尝试推荐与高重要性问题而非较低重要性问题相匹配的决策结果。系统还可优先询问高重要性问题而非低重要性问题。例如，在可回答“你想在美国哪里度假”的新问题之前，输入“你想在美国哪里度假”一类的新问题的用户1314设置要求用“美国”来回答的例如“你想要去世界上的什么地方”的现有问题的相依性。

在实施例中，本发明可为系统提供用户1314可通过其与系统的工具交互的用户1314接口。系统可包含若干部分，其中一些可为网站、管理机及小窗口部件的集合。小窗口部件可为收集、处理且再现网站上的单块内容的代码的集合。网站可由针对最终用户、工作人员及注册用户的接口组成以获得决策、编辑决策且浏览对系统性能的报告。管理机可为运行的小窗口部件的容器，以使小窗口部件可在用户1314请求再现所述内容之前执行耗时的数据收集及处理。

例如，小窗口部件可收集有关来自因特网的决策的视频。管理机中的小窗口部件可慢慢浏览网络以寻找有关每一决策1310的视频且存储其在数据库中发现的视频。当用户1314来到网站且获得特定决策时，网站可要求视频小窗口部件再现其本身且显示其先前已发现的任何视频。

多个管理机的实例可在多个计算机上运行以便按比例放大小窗口部件的处理。每一小窗口部件可在其自己的计算机上运行。类似地，许多计算机可通过网络服务器、即时消息接发、声音通道、电子邮件、可编程api、被嵌入第三方网站中的通路等等将接口提供给系统。

在实施例中，属性可为问题1320及所述问题的一个特定答案1322的组合。例如，如果问题1320是“你多大？”且所述问题1320的答案是“小于18岁”、“20到30岁之间”及“大于30岁”，那么属性将为“你多大？小于18岁”。系统可通过了解属性与决策之间的关系而工作。当系统询问问题1320且用户1314给出答案1322时，随后系统可采取所述属性且了解哪些决策与其相关联。

在实施例中，系统可理解一些属性表示连续值而其它属性表示离散值。当使用连续属性时，系统能够做出更明智的折衷，例如理解推荐比用户1314所请求的产品花费更低的产品通常是可接受的，而提供比用户1314所请求的产品花费更高的产品是很难被接受的。

在实施例中，属性及决策之间的关系可从用户了解到、可被明确地赋予系统或此两者的一些组合等等。例如，“你想花费多少？200美元以下”的价格属性可明确地与基于来自专家、电子商务网站/api等的数据而落入价格范围之内的相机链接。然而，可全面地了解“你将如何使用相机？度假时用”的属性与可能的度假目的地之间的关系。

当输入新的问题1320、答案1322及结果时，用户1314可任选地指定属性与决策结果之间的关系。例如，如果用户1314要在“我该买哪一台相机”的主题中输入问题“你想花费多少？”，那么用户1314还可对系统指定答案“200美元以下”应当与相机x及y而非相机z相关联。随后，如果以后的用户要使用“我该买哪一台相机”的主题且要用答案“200美元以下”来回答“你想花费多少”的问题，那么所述用户1314可能具有更高的机会被推荐相机x及y而非相机z。

在从系统寻求建议且接收决策结果之后，还可从系统给用户1314关于为何推荐所述特定决策结果的原因。如果用户1314认为系统推荐的决策结果是错误的，那么此解释还可允许用户1314改变决策结果的属性。

一般来说，所学习到的关系可涉及来自用户、专家、雇员的训练、来自第三方的自动化数据源或一些组合。

在实施例中，系统可以各种方式给用户推荐解决方案且选择要问用户的下一个问题1320。可能的机器学习系统可为比如最近相邻者及支持向量机、概率系统、进化系统(例如，遗传算法、决策树、神经网络、与决策树相关联、贝叶斯(bayesian)推理、随机森林、助推、逻辑回归、分面导航、查询精细化、查询扩展、奇异值分解等等)一类的几何系统。这些系统可基于从完整的运筹策略(例如，在获得决策之前由用户1314给出所有属性)、运筹策略的个别问题/子组的答案、仅为积极的反馈、仅为消极的反馈或此两者的一些组合进行的学习。此外，系统可考虑用户1314进行的先前的交互，例如用户1314记得先前回答的问题、用户1314喜欢或不喜欢的决策、用户1314先前在哪一个建议区寻求建议等。此外，系统可考虑由用户1314隐含地提供的因素，例如用户1314使用系统的日时及日期、用户的ip地址、客户端类型(例如，firefox、ie、手机、sms等等)及其它此类数据。

在实施例中，本发明可提供恰当超出合作过滤的能力的机器学习系统，例如通过明确地询问问题1320而非隐含地基于用户的行为进行学习，其可更加强大，因为不再让系统尝试去推断用户的意图、情绪等。而且，基于用户1314已回答的内容来选择对用户1314提问的问题1320可允许本发明集中于原本会遗漏的细微差别。本发明可具有解释决策的能力，例如提供超过简单地从过去的行为(例如，在‘买x、y及z的人也喜欢产品a’中)进行外推的决策。而是，本发明能够说用户1314‘应做a，因为用户1314说他们想要x、喜欢y且相信z’。此外，本发明可允许用户贡献可能会有用的新问题1320，且随后如果任何问题1320是有帮助的，就自动在其背景下学习。在另一差异区中，本发明的机器学习技术能够在各种各样的用户1314兴趣区中提供决策，其中合作过滤难以被应用到非产品/媒体应用。例如，将难以应用合作过滤来帮助用户1314在高度私人化的主题上做出决策1310，例如他们是否应纹身或者用户的纳税申报单上的特定费用能否被扣除等的罕见问题1320。本发明能够进行此类应用。在实施例中，本发明能够使用与从一群用户学习到的建议混合在一起的预编程的专家建议来为用户做出决策。

在实施例中，系统可具有wiki网络接口以编辑系统上的所有数据。可使用网络接口来编辑/创建/删除问题、答案、属性及解决方案。每一解决方案可具有多种与其相关联的信息，当推荐所述解决方案时可将所述信息展示在决策页面上。例如，当推荐在坎昆(cancun)度假时，推荐页面可展示有关坎昆的视频。还可通过wiki编辑有关解决方案的所有此辅助数据。

在实施例中，可使用wiki来编辑通过运行在管理机中的小窗口部件所收集的数据。此可允许小窗口部件提前收集数据且随后具有人为的质量保证过程来检视且更改所收集的数据。

在实施例中，系统可维持由小窗口部件或人做出的所有更改的历史。例如，此历史的一个用途可为检视由进行内容质量保证的受雇承包者所完成的工作。此历史的另一用途可为确保小窗口部件不撤销由人完成的工作。例如，如果小窗口部件收集特定视频且人由于所述特定视频不合适而删除所述视频，那么小窗口部件可使用历史而不会在以后的某个时候再次添加所述视频。最后，如果数据损毁或被误删，那么历史可允许恢复的手段。

在实施例中，当小窗口部件发现新内容时，它们可将任务排成为人的工作流以确认及编辑所述内容。

在实施例中，为了学习，系统有时可做出随机或半随机的决策以期推荐将不会被系统认为是有用却被证明是有用的一些东西。如果系统想要使用其已学习到的内容，那么系统可不随机选择提问哪些问题1320及做出哪一个决策1310。在使用已知内容(也被称为开发)与潜在地学习一些新东西(也被称为探索)之间可存在折衷。开发可使用户更加满足，而探索则可使系统更智能。

在实施例中，在选择问用户1314的问题1320时做出此折衷的一个方式可为询问系统认为有助于做出决策1310的问题1320且随后选取要问的若干随机问题1320。做出折衷的另一方式可为在一组固定的问题1320是基于开发的且下一组是基于探索的每一用户1314交互中具有固定预算。

在实施例中，还可探索或开发决策。如果系统想要学习，那么其可展示随机决策。系统并不展示纯粹随机的决策，而是还展示满足由用户1314指定的一些要求的且是纯粹地在剩余要求中进行探索的决策1310。例如，系统并不选取随机相机来展示给用户，而是可选取满足用户的价格要求的随机的相机。此可导致更有效的训练，因为系统可不大可能展示无法满足用户的需要的决策1310。系统并不在探索时展示随机决策1310，而是还可展示所开发的决策1310及所探索的解决方案且从用户分别获得对每一者的反馈。替代地，系统可注入有限数量的随机性且选取“类似于”系统的最佳猜测是什么的决策。例如，系统可预测用户1314将喜欢一台特定的相机，但可替代地推荐另一台相似却不相同的相机以便使做出合理的决策1310与仍然从用户学习新的信息相平衡。在实施例中，系统可在或可不在其问问题1320或通过探索对开发做出决策时向用户1314进行识别。

在实施例中，可将系统视为关于其推荐的各种东西调查用户。例如，系统可关于佳能sd1000相机询问用户10问题1320。此可提供有关每一相机的一组丰富的数据，从而允许系统开始建立可能喜欢此台相机的那一类的用户1314的列表。系统可建立针对每一属性的决策的排名列表(例如针对给定的所述属性，从最可能喜欢到最不可能喜欢)。例如，系统可以说出“您多大？50多了”的人们可能喜欢的次序来建立相机的列表。此可由系统展示为针对50岁以上的用户的最前10台相机。可基于系统数据构建这些最前10台的列表中的多数。还可组合这些列表以形成新的列表。例如，给定针对属性“您多大？50多了”的相机的排名列表及针对属性“您为何买相机？为了旅游”的另一列表，系统可构建针对“想要旅游相机的50岁以上的老年用户”的相机的新的排名列表。这些最前列表的组合可预先产生、通过递增地询问用户1314选择新的最前列表而按需产生，等等。

在实施例中，这些“排行榜列表”可用于多种目的。一些用户在接收到决策之前可能不想回答一系列问题1320。替代地，他们能够浏览这些列表且发现相关的决策。这些系统可具有大量排行榜列表(例如，成千上万个)，其每一者可具有其自己的网页。此外，这些页面可含有大量可由搜索引擎编制索引且将用户带到系统的网站的内容。替代地，用户1314可在系统自身中使用搜索接口来发现他们想要作出决策的建议区。可使用各种排行榜列表来通过基于排行榜列表来隐含地回答对话中的一些问题1320来使对话更简洁。例如，可存在称为“度假”的建议区及称为“意大利的浪漫蜜月度假”的排行榜列表，其用作使用来自已被回答的“度假”对话：“你想要去哪里？欧洲”、“你想要去欧洲哪里？意大利”、“你是在特定场合下旅游吗？是的”“什么样的特定场合？度蜜月”的若干问题1320来进入“度假”主题的捷径或通道。此可用作用户1314的替代接口以在不参与问题及答案对话的情况下通过传统的搜索接口寻求建议。

在实施例中，网站上的各种页面可具有称为小窗口部件的自含型信息显示器。例如，决策页面可具有小窗口部件，其展示喜欢此问题1320的其他人是如何回答各个问题的、有关决策的视频/图片、到具有关于决策的信息的其它网站的链接、基于用户1314如何回答问题的此决策1310的个性化正反两方面、类似的其它决策的列表、已作出的具有以不同方式进行回答的问题1320的其它决策的列表、针对此决策(例如消费报告所推荐的)的奖励/荣誉列表，等等。

在实施例中，系统可允许用户沿着通常不可用的维度导航经过决策的总体(例如，相机、度假目的地等)。例如，系统不给用户1314展示相机且仅让用户1314说“给我展示更贵/更便宜的相机”，而是可让用户1314说“给我展示更受年轻人青睐的相机”、“给我展示更适合旅游的且不太时髦的相机”，等等。可通过询问用户问题1320且随后学习什么才是所给出的那些问题的好的决策1310而作为副作用地产生像“款式”、“适合旅游”“不适合年轻人”等等的维度。

在实施例中，沿着替代维度的导航可用作用户1314的起点，而非用户1314选择用来寻求建议的区及随后参与对话。用户1314可通过使用用来搜索特定决策结果(例如，产品名称或旅游目的地)的搜索接口或外部搜索引擎而开始与系统的交互。随后，系统将给用户展示有关所述特定决策结果的信息且允许用户1314导航到其它决策结果、参与到精细化用户1314正在寻求的内容的对话中或给用户1314展示系统已关于此特定决策结果进行学习(通过机器学习、专家建议或一些组合)的信息。例如，用户1314可使用搜索接口来导航到展示有关佳能sd1100相机的信息的网页。系统可展示寻找佳能sd1100的人们还喜欢的其它相机、允许用户1314沿着非传统的特征维度发现类似的相机，例如更适于对体育赛事进行拍照的相机)以及展示系统关于佳能sd1100知道什么(例如“适于旅游”、“不适于学习摄影的人”、“价格在200美元以下”、“更受自认为具有设计意识的人的钟爱”，等等。

在实施例中，另一可能的接口可为用来给用户展示决策列表且显示对为何做出每一决策1310的简单解释。例如，当推荐相机时，系统可展示三台相机且称一台是“较便宜的”、一台具有“较长变焦”且另一台“适于旅游”。此可帮助用户1314了解他们原本基于他们如何回答问题1320而逐渐引到决策1310而未了解的替代品。

在实施例中，可对用户询问不同类型的问题，例如关于被推荐的项目的问题(价格、颜色等)、有关他们自己的问题1320，等等。系统可沿着维度(例如心理描绘图维度、人口统计维度等等)区分用户。可预测的用户属性可包含用户年龄、性别、婚姻状况、生活在农村/城市地区、参加礼拜的频率、政治面貌、审美偏好、讽刺感/幽默感、社会经济背景、品味、对有序的生活方式或混乱的生活方式的偏好、提前规划的程度等等。

在实施例中，可能难以直接问问题1320且替代地系统可尝试估量相关性的东西。例如，系统并不询问收入状况，而可询问用户1314更喜欢去哪里购物(例如，沃尔玛、塔吉特(target)、萨克斯(saks)等)。可经由展示艺术图片、起居室图片、服装图片等等且询问用户1314更喜欢那种款式来确定审美状况。在实施例中，图片可取代问题(且答案可关于你对图片作何反应)或图片可取代问题1320的答案，例如“下列哪一款最接近你喜欢穿的衣服”。

在实施例中，系统可通过问题1320是关于被推荐的项目还是关于用户而将问题1320分组。系统可解释其正在询问的问题1320是哪种类型以便帮助用户1314理解原本会令人吃惊且可能感到被冒犯的所问的问题1320的价值。系统还可在问问题的同时给用户1314显示其它类型的消息，例如告诉用户1314还剩多少问题1320、通过宣称系统可能已猜出要做出什么样的决策1310来反激用户1314等等。

在实施例中，即时通讯软件(im)系统可给系统的问题1320及答案1322对话提供自然接口。例如，用户1314可对我们的系统请求他们的“好友列表”且随后发起对话以通过im获得决策1310。系统可将第一个问题1320im给用户，随后用户1314可im回他们的答案1322等等，直到最终系统给用户1314im决策链接或直接将决策1310的名称im给用户为止。在实施例中，还可使用其它形式的通信，例如手机、sms、电子邮件等等。

在实施例中，可将系统(例如以应用的形式)嵌入第三方网站中。例如，可将系统放在销售相机的网站上且提供系统以给用户推荐相关相机。替代地，在用户1314搜索相机且具有其感兴趣的潜在相机列表之后，系统可询问问题1320以帮助用户1314在相机列表中做出决策。例如，如果用户1314正在考虑的所有相机都适于旅游，那么系统将不询问用户1314其想要如何使用相机，但系统可意识到询问是否需要可更换镜头可用于推荐一个又一个相机。

在实施例中，系统可在多个主题区中做出决策，例如：产品(例如，相机、电视、gps/导航、家用音响、膝上型计算机、卫浴&美容、婴儿、花园/户外、汽车、珠宝、手表、服装、鞋子等等)、旅游(例如，去哪里、住哪里、参观什么区域、在那里做什么等等)、金融(例如，哪种抵押、是否再筹资、哪种信用卡、在税收上是否可扣除某些东西、存入哪种类型的ira、资产投资分配等等)、各种节日及场合的礼品、其它基于日期的决策(万圣节前夕穿什么，等等)、人物(例如，关于用户性格、关于他们的关系、他们的职业等等)、推荐合适的宠物、饮料及夜生活的其它方面、书籍、电影、/音乐、音乐会、电视节目、视频游戏、吃什么、订购什么、相关名人(例如用户1314最像哪一个名人)、推荐礼品、和什么样的邻居住在一起、看什么电视等等。

在实施例中，可使用系统诊断问题，例如在技术/it区中(例如，计算机、软件、打印机、家庭联网、无线、商业网络、性能问题等等)、医疗/健康、汽车、关系或人际关系问题、家庭及建筑问题等等。

在实施例中，系统的用户可为匿名用户或登录用户。登录用户1314可为在网站上创建账户的一个用户。登录用户还可具有有关他们的简档页面。简档页面上的内容可包含有关用户的基本信息(昵称、照片等)、他们已接收的及喜欢的决策、系统在即使用户1314尚未回答所述主题区中的问题1320的情况下预测的用户1314将会喜欢的决策、用户1314已给出的使得每一次用户1314使用系统寻找决策时不需要进行重复的有关用户1314的事实的列表(例如，用户年龄或其审美偏好可曾被给出且在用户使用系统的不同次使用期间被记住)、系统认为用户1314可能有资格且有兴趣经由wiki去做的任务的列表(例如评论新用户1314提交的内容、修正用户1314提交的内容中的拼写错误、评论小窗口部件发现的新内容等)、对问题的答案类似的其他用户，等等。

在实施例中，用户还可具有可影响其可在系统上做什么的各种头衔、排名或级别。例如，一些用户可在将允许那些用户编辑那些主题的某些方面的特定主题中被授予“调解人”的头衔。可手动或通过自动方法指派排名及头衔，所述自动方法包含基于他们已给出多少决策、他们已给系统贡献多少新问题1320或解决方案、他们已使用wiki完成了多少任务、他们在各种主题中对某些问题1320的回答1322如何，等等。

在实施例中，未登陆用户可不具有在对已输入到其简档内的基于审美或品味的偏好的较多选择的方面使用系统的权益。基于来自登录用户1314的学习或手动训练，系统可在未登录用户于特定主题区中寻找建议时选择一些审美问题来在问题对话中进行询问。例如，基于登录用户对有关他们自己的品味问题的回答及随后给出有关他们喜欢及不喜欢哪些汽车的反馈，系统可了解有关用户是否享受美食的问题1320有助于对试图在本田与雷克萨斯之间做决策的未登录用户进行询问。使用登录用户学习到的或手动指定的属性关联，随后系统可在其是否给未登录用户推荐本田或雷克萨斯方面做出调整。

在实施例中，系统可从用户提交对决策的反馈进行学习。一些用户可有意或无意地给出错误的反馈。例如，销售商可试图欺骗系统以使其产品被高度推荐。替代地，对视频游戏了解不多的用户1314可能会推荐实际上不大好的视频游戏。系统可尝试通过多种方法来过滤出来自这些用户的反馈。系统可抑制给定用户1314可提交的反馈的数目(且如果用户1314登录或者用户具有较高排名/头衔，那么就具有更高的抑制限制)。系统还可基于问题1320&答案1322阶段期间用户1314对某些‘测试’问题1320的回答如何而抑制反馈或对反馈进行加权，以便测试用户的主题知识且对来自知识渊博的用户的反馈比来自非知识渊博的用户的反馈进行更高的加权。系统还可在计入用户1314的反馈之前或用户1314获得决策之前要求其通过‘验证码’(用于将计算机与人区分开的全自动公众图灵测试)。系统还可查看由用户1314给出的一系列答案且基于所述一系列的答案对用户的反馈进行加权。例如，如果用户1314总是点击第一个答案1322或用户1314以极其不可能的方式点击，那么系统可对所述用户的反馈加权得较低。最后，系统可改变对用户反馈的权重或决策不基于先前的策略运筹的历史来展示决策1310。例如，用户1314第10次试图获得相机决策1310时系统可将其反馈加权为比第9次小。

在实施例中，系统可包含搜索引擎优化(seo)、在主要的搜索引擎中改进系统的网站排名的过程。此过程可被分解成若干大部分自动化的步骤，例如用户正在搜索的关键字、理解搜索引擎中的竞争以在用户搜索这些字词时让网站页面出现、理解搜索引擎如何给网站排名、理解为了增加网站在共同搜索中的排名而需要对系统网站做出什么改变，等等。

在实施例中，可通过不同方法找出用户可能正在搜索的关键字，例如使用例如谷歌及雅虎提供的关键字提议工具、使用有关从第三方数据提供者所许可的历史搜索的数据且抓取其它网站以查看他们使用什么关键字等等。一旦发现这些关键字，系统可以多种方式使用数据，例如经由搜索引擎营销(sem)将这些字词标价出售、在系统的网站上开发有关这些关键字的内容以期今后获得搜索流量、查看我们的竞争对手如何使用这些相同的关键字，等等。

在实施例中，系统可通过经由搜索引擎运行关键字且查看谁正在每一关键字上做广告以及针对每一关键字的最前自然搜索结果是什么，来理解其它网站正在做什么及他们在搜索引擎中排名如何。可抓取通过此过程发现的网站以发现更多潜在的关键字。系统还可基于此竞争信息而决定开发新内容或避开一个市场。如果在内容区中存在若干排名较高的网站，那么系统可在所述区中开发内容。

在实施例中，系统可理解将用户1314带到网站来的付费广告在网站上的一个主题建议区中比较便宜且在另一建议区中比较贵。系统可因此尝试为低成本流量做广告、帮助用户1314做出其决策且随后推荐在昂贵的主题区中使用系统的那些用户1314来做广告且购买流量。例如，系统可为想要了解他们应该买什么品种的狗的人运行广告、帮助用户1314决定什么品种的狗适合他们且随后引导他们了解他们应在哪里买他们的宠物药物。由于昂贵的广告费用，后一主题区对于要引入流量的系统来说可为一个昂贵的区，而前一主题区可相对便宜，因为很少有现有业务可在为想要有关买什么类型的狗的建议的客户而竞争。

在实施例中，系统可通过研究当搜索完成时出现的网站与这些网站的因素之间的关系而理解搜索引擎如何对他们的自然(无担保)搜索结果进行排名。以较高的排名出现的网站之间的可能相关的可能因素可为(例如)网站内容、与网站链接的其它网站的数目及品质、这些其它链接网站上的内容的类型等等的因素。从先前的步骤，系统可产生按其能力排名的网站因素的列表以增加搜索引擎中的网站排名等等。随后系统可使用此排名列表来对网站做出变更以增加网站作为整体的可能性，或者网站上的某些网页将在搜索引擎中排名很高。

搜索引擎通常可利用关键字索引来发现与用户的查询相关的文件。在实施例中，本发明可利用“决策索引”，其还可将用户输入映射到相关文献。可自动建立索引、可交由专家建立索引、可通过来自隐含地或明确地决定训练系统的各种用户的反馈来学习索引等等。利用决策索引的搜索结果可显示为文献列表、单个文献等等。

参考图1，呈现用户可从其获得决策的系统中的主题102列表的实施例，包含相机、手机、咖啡及浓咖啡、饮料、喜爱的名人、gps装置、烤架、万圣节前夕、膝上型计算机、人物、足环、电视、度假、视频游戏、手表等等。此外，可存在关于从用户评级学习到104的(例如从43,921个用户评级学习到的)决策的数目的指针。

参考图2，提供系统可能问用户1314的实例问题1320的实施例。在此实例中，用户1314正在请求与购买相机相关的决策1310，且问题1320为“你愿意花费多少？”用户1314现在可从选择204做出选择，例如在低于200美元、最多300美元、最多500美元、500美元以上、我不知道等等之间进行选择。此外，可存在关于如何询问202许多问题1320的指示，例如“在10个或更少的问题中，获得和你相似的人更喜欢的相机决策。”在实施例中，用户还可提供他们自己的问题、他们自己的答案、他们自己的决策等等，其中系统可利用当前的或今后的决策会话中的此信息。在实施例中，用户1314可选择跳过问题208，其中现在可基于可从用户获得的减少量的信息来给用户1314提供替代的决策，系统可询问用户替代的问题1320以弥补所跳过的问题208，问题1320可已为测试问题且将不会影响所得的决策1310等等。

参考图3，系统可询问用户1314的实例图片问题1320的实施例。在此实例中，系统可问谁的答案1322可更好的问题1320使系统能够确定用户1314的个人特征。例如，如所说明，系统1320询问“你最关心这些原因中的哪一个？”，其中图片选择304可指示某些主题，例如污染、金融、国防、健康等等。此问题1320可针对当前的用户或作为实验问题而插入。在实施例中，可告知用户1314问题1320为实验问题302，例如图3中展示的标题为“最后，请回答另一用户提交的实验问题。”

参考图4，呈现当做出特定决策1310时系统可能给用户1314展示的信息402的类型的实例的实施例。例如，决策可针对某一相机，其中提供有关相机的信息，例如描述、使用的人、相机的最低价、跟其它相机相比404如何等等。在实施例中，可提供其它决策1310，例如以相对排名408、通过打分、通过百分比匹配等等。还可针对反馈1312询问用户1314，例如询问用户1314决策1310是否是好的决策。此外，可给用户1314提供发现有关决策1310的更多信息的机会，例如关于产品410的更多信息、最优价格查找器412、获得更多建议的网站等等。

参考图5及图6，可给用户1314提供与本文描述的主题相关联的各个排行榜列表502，例如与决策相关联地呈现、与用户对查看排行榜列表的请求相关联地呈现等等。

在实施例中，本发明可给用户提供包含用户1314识别702、个人表示、过去所作的决策、要考虑的以后的主题、今天714要做的决策1310等等的主页700。图7提供用户主页700的实例，例如当用户1314登录到系统账户时所看到的内容。在这里，可存在对系统最近所推荐的决策的显示、要在其中获得决策的流行的主题708的列表、发现主题的搜索接口710、有关用户1314由于对系统的贡献而获得权益的状态更新、最近的活动704、对用户简档712的存取等等。

图8及8a提供展示有关用户及其账户的信息的用户简档712页面的实例。用户1314可管理用户信息802，例如用户的电子邮件地址、密码等等。其还可问有关他们自己的问题1320且自动记住810这些答案且当其在系统中使用做出决策的主题时自动使用这些答案。用户1314还可收到奖励804，例如“徽章”，且将他们的显示看做响应于帮助其他用户、对系统做出贡献等等而接收到的。这些奖励中的一些可基于用户贡献的质量、贡献的数量等等。此外，可给用户指派以类似方式回答有关自身的问题1320的人的人口统计群组808。

在实施例中，用户能够决定他们想要对系统贡献专门技术902，例如在“教授系统”模式中。图9展示可允许用户1314做贡献的各个链接/页面的实例，例如给系统有关各种决策的训练、对图片的质量及用户贡献的散文进行评级、发现重复的项目及问题、贡献新的做出决策的主题、对现有主题贡献新的问题1320等等。

在实施例中，用户在选择主题让系统做决策之后可被询问问题。图10提供如何将问题1320呈现1000给用户的实例。如所展示，将问题1320呈现给用户1314可提供不同的要素，例如主题标题1002、与主题1004相关联的图片及说明、问题、一组答案选择等等。

在回答问题之后，可给用户1314提供与用户的最初的问题相关联的答案1322或决策1310。图11及11a展示可如何将决策1310呈现1100给用户的实例，且可包含最初的决策、总结决策的信息、替代决策、决策的变化等等。此外，可给用户1314提供将反馈1312提供给系统的机会，例如用户1314是否同意决策1310。还可给用户1314提供其它提议的主题1102，例如基于当前主题、提供的答案、答案的历史、用户的简档、用户的问题的历史、其他用户认为有帮助的主题，等等。

图12展示主题中的决策1200的实例列表。对产品主题(例如，所展示)来说，“决策”可为要买什么产品。对其它主题来说，决策1310可为“是，甩了他”或“不，不要纹身”。可基于决策与用户的相关程度、基于用户1314如何回答问题、基于用户1314如何回答主题中的问题1320等等来对决策进行排名及排序。此外，项目可根据价格、名称等等进行排名。

图16展示贡献者/专家接口主页1600的实例，其展示对系统1602的最近的贡献及其它用户所作出的贡献1604。右上角是了解用户的品味偏好1608的问题。

图17展示询问客观问题1700而与系统发生的对话中的问题的实例，且在此实例中，是对寻求帮助以确定给他们的新小狗起什么名字的用户进行询问。

图18展示决策结果的实例，其展示所推荐的特定决策1800(在此实例中，给你的狗起名叫拉斯提)、来自其他用户1802的关于此决策的评论(其中可对其进行排名，例如通过其与用户的相似度)、是/否按钮1804(例如用以接收对此决策的反馈、展示用户可能会喜欢的其它决策区等等)、提议主题1808。在此实例中，系统的第二及第三最受推荐的决策列在#2标签1810及#3标签1812下面。系统还可通过也推荐可为通过随机性而部分拾取的决策的“百搭(wildcard)”决策而参与探索。可基于系统认为这些主题可针对用户的相关性及/或系统认为其能够从使用这些其它决策区的用户产生多少利润来选择提议主题1808。

图19展示用以设定属性及决策结果之间的关联的针对用户1900的接口的实例。在此实例中，决策结果“拉斯提”应与属性“这个名字是给母狗起的还是给公狗起的？给母狗起的”相关联。

图20展示用户可如何编辑系统2000中的内容的实例。在此实例中，系统能够编辑决策结果：它的名字、描述、获得更多信息的url等。

图21展示可由用户编辑的内容如何还具有用于查看对内容的先前修正2100且展示两个先前修正之间的变化的接口。如果这些变化被视为不相关或没有帮助，用户还可使其他用户做出的变化复原。在此情形下，所述实例展示对决策结果的两个修正之间的差异，其中对结果的描述已改变。

图22展示展示正由用户2200编辑的问题的实例。可添加新的答案、对现有答案重新排序、编辑问题及答案文本自身等等。可任选地“锁定”问题以防止其他用户将其改变，例如通过挂锁图标2202进行指示。

图23展示展示对属性的编辑可具有类似其它可编辑内容2300的修正历史的实例。此实例展示决策结果“拉斯提”与属性“你想让名字有几个音节？不多于2个或者3个或3个以上就可以”之间的属性关联的两个修正之间的差异。

图24展示展示可第一次显示新近添加的建议区的“专题讨论会”屏幕2400的实例。在实施例中，专家用户可在这里进行添加而常规用户却看不到工作正在进行。可对被视为令人讨厌的、不相关的或低品质的内容进行投票且将其从系统移除。

图25展示展示询问用户品味/主观问题2500以便从用户了解品味及主观偏好的系统的实例。在回答这些问题之后，系统可展示其他用户如何回答同一个问题的统计数据。

图26展示展示新近添加的内容及专家训练的网站上的贡献者最近活动的活动源2600的实例。

在实施例中，本发明可提供一种工具，所述工具用于提供用问题1320给用户1314在广泛类别的主题上提供决策的改进方式，所述主题包含产品、个人、健康、商业、政治、教育、娱乐、环境等等。例如，系统可提供对从用户1314是否应该与他们的男朋友分手、到你是否应该纹身、到除了产品决策之外你是否应扣除你的税款上的一些东西等等的一切东西的决策。在实施例中，系统可对用户1314可感兴趣的任何东西提供决策。

在实施例中，本发明可提供灵活的且能够改变及成长的决策系统。此可部分通过系统使用问题1320及答案的对话来做出决策且随后从用户1314获得反馈以便系统可进行改进而实现的。在实施例中，此方法可明显地更强大，因为系统可问任何问题1320且因此从用户1314获得有关他们想法的好得多的信息。此外，用户能够通过输入他们自己的问题1320及答案来让系统进行询问、输入新的决策来供系统做出决策等等来扩展系统。随后系统可自动找出新近输入的信息以查看其是否有用或有帮助且使用此新信息来确定其是否有用，且可能停止询问/使用可能对用户没有帮助的问题/决策。在实施例中，此方法可为潜在的任何主题提供基于群众智慧的决策专家系统。

在实施例中，本发明还可通过在非传统特征维度上进行排名而提供决策来给用户1314提供改进的决策工具。例如，系统不是仅通过价格或大小对相机进行排名，而是可基于退休的人有多喜欢它们、它们看起来有多迷人等等来对相机进行排名。随后系统可帮助用户在这些维度上导航。例如，用户不再仅能够说“我喜欢这台相机，但我想要一台更便宜的”，系统允许他们说“我喜欢这台相机，但我想要一台更便宜的用来学习摄影”或“我喜欢这次度假，但我想要一个具有更多活跃的社交场合的度假”等等。

在实施例中，本发明可有助于多种不同的用户接口，例如网络接口、即时消息接发、声音、手机、sms/即时消息接发、第三方用途(例如第三方上的小窗口部件、出售给第三方的网络服务)等等。例如，声音接口可非常适合系统，因为可存在系统必须识别的非常有限的词汇，例如仅每一问题的可能答案。以此方式，如果系统不能理解用户响应，那么其可仅移动到另一问题1320，而不是要求用户1314一遍又一遍地重复他们的答案而使用户1314恼怒。在另一实例中，本发明可集成到第三方网站中，例如电子商务网站上对tv的搜索，其中本发明是用以帮助用户1314缩窄结果的小窗口部件，或将本发明用作与房地产网站相关联的小窗口部件来为用户1314建立mls查询以找到非常适合他们的房子。在实施例中，本发明可既在物理接口方面又以呈现问题、答案及决策的方式提供用户接口，所述用户接口以明显改进的方式而提供给用户1314以获得对大量多种主题的决策。

在实施例中，本发明可按(例如)改进第三方的用户接口及用户满意度的方式集成到第三方产品中。例如，一些网站服务通过过去的购买历史来提供预测。在此情形下，本发明能够探索用户的情绪或意图，例如通过问一些坦率的问题。在搜索引擎的情形中，本发明能够检测到用户1314什么时候尝试做出决策1310且随后开始问他们后续问题。在论坛网站、邮件列表、新闻组等等的情形中，本发明可提供对决策及由与用户类似的人所作出的决策的改进式存取。例如，本发明能够搜索所有的论坛帖子以找出与用户处于相同处境的人，且将论坛社区所推荐的决策1310提供给他们。

在实施例中，本发明能够扩展电子商务网站应用的用户接口。例如，用户1314可以关键字搜索来开始产品搜索且随后问问题1320以缩窄对用户来说是最佳决策1310的结果。一旦用户1314点击进入分类页面，本发明能够提供q&a接口用以选取产品。例如，在于网站上点击相机之后，用户1314可看到第一个问题。本发明能够沿着基于用户如何回答问题的维度对产品进行排名。例如，可基于人们如何回答1322问题“你想用相机干什么？”、答案“用于旅游”及随后他们是否给出对特定相机的肯定或否定反馈来按从最佳到最差“旅游相机”对相机进行排名。此可允许电子商务网站按从最佳到最差旅游相机对相机关键字搜索结果的列表进行排名。

在实施例中，本发明能够提供改进的搜索引擎性能，例如检测用户1314什么时候尝试做出决策1310且转换到q&a接口、基于来自关键字搜索的搜索结果询问后续问题1320以缩窄结果或对结果重新排名、询问问题1320以便建立关键字搜索查询或精细化搜索查询、基于用户1314被询问问题之后点击哪些链接来了解反馈，等等。此外，本发明可隐含地了解用户1314且基于这些隐含的事实(例如，他们在一天的什么时间使用系统、他们在世界什么地方、他们使用什么类型的浏览器、他们那里的天气，等等)而改变排名。

在实施例中，本发明能够提供一种使用户搜集并利用信息的方式。例如，维基百科(wikipedia)是用户贡献信息的一种方式，例如终端用户1314必须(在一定程度上)自己确认随后提供给他们的信息的准确性。以类似的方式，本发明能够操纵利用用户贡献的内容的网络应用。例如，作为了解相机的价格如何的替代，网络应用可让用户输入相机的价格且随后允许其他用户来自行确认这些声明。以此方式，可允许所贡献的信息的范围随着用户与系统的交互而有组织地增长。

在实施例中，一些电子商务应用可提供与个人偏好相关联的产品及/或服务，且因此可从本发明受益。例如，目前存在若干电影租赁网络服务，其中用户1314选择电影以通过邮件将电影递送到他们家。还基于用户1314过去选择了什么来给用户1314提供决策。然而，对电影的选择可涉及无法通过过去的选择来确定的在租赁时的个人兴趣(例如，情绪、意图、天气、他们是一个人还是跟别人在一起、他们现在的个人关系，等等)。可使用本发明通过提问来探索这些类型的兴趣且因此可在租赁时提供与用户的兴趣更加个人化的匹配。

在实施例中，可通过使用本发明而改进本地搜索应用。例如，如果用户1314想要有关去哪里吃晚饭的决策1310，那么他们可搜索“在纽约吃晚饭”且找出具有针对所述查询的提议的网站。然而，当用户1314并不十分清楚要包含什么关键字时，此接口便达不到要求。例如，用户1314可能不知道食物的关键选项且可能并不想搜索‘纽约衣索比亚(ethiopian)食物。’本发明可具有能够弄清楚其应问什么问题1320从而缩窄可能性的优点。在实施例中，本发明能够有助于建立搜索查询。

在实施例中，本发明可提供使用户与专家、用户与其他基于知识的用户等等相匹配的改进的方式。例如，可提供服务以收集有关不同主题的用户及专家。随后用户可来到服务的网络接口且输入其中确定最佳匹配的q&a会话。作为问题的结果，系统可提供决策：在哪里提供专家或其他用户1314的简档及如果用户1314同意所推荐的个体那么他们可去哪里询问。在实施例中，可给用户1314提供可在其处将先前的匹配及通信进行保存、转发给朋友、让专家进行评级等等的主页。

在实施例中，本发明可提供基于问题1320及答案1322应用的社区平台。例如，用户可将问题1320发给系统且可允许其他用户进行响应。在此一系统中，用户1314可从单个用户、多个用户、自动化系统等等接收答案，其中用户1314能够选择他们认为哪个答案1322是正确的。可将此答案1322保存为私人的、发给其它人查看、作为正确答案而发表、提供给系统，等等。在实施例中，系统可使用问题1320及答案来进一步开发系统、给用户提供更准确的答案、将提供给用户的答案进行分类、过滤提供给用户的答案，等等。此外，系统的用户可提供对由其他用户提供的答案的反馈、贡献用于排除错误答案的过滤标准，等等。

在实施例中，可通过本文描述的机器学习能力将本发明用作娱乐。例如，用户1314可提供对一个想法的输入或思考(例如，主题、关键字、类别、问题、感觉，等等)，且系统可通过一系列问题1320及答案来猜测所述想法是什么。例如，用户1314可思考物体(例如棒球)，且系统可利用机器学习能力(例如几何系统)将问题1320提供给用户。典型的问题1320可涉及大小，例如‘它比烤箱大吗？’。用户随后可回答这些问题1320，例如通过多项选择、填表、真/假、自由响应，等等。系统可随后继续问题1320及答案1322序列直到其猜到一个东西且将此猜测提供给用户。在实施例中，此过程可持续固定数目个问题、随机数目个问题、用户1314指定数目个问题、系统确定的数目个问题、系统指定数目个问题，等等。在实施例中，系统可(例如)通过经由网站的因特网、通过单独的计算装置、通过移动计算装置、通过电话服务、通过声音接口、与即时消息接发服务相关联、通过文本消息接发等等来给用户1314提供用户接口。在实施例中，可将系统提供给第三方，例如到另一网站的小窗口部件、作为第三方应用的api，等等。在实施例中，本发明可使用针对娱乐应用(例如，玩游戏)的非神经网络。

在实施例中，本发明可提供用以辅助发现新的药物的系统，其中系统可在用于创建新药物的分子的选择及组合中提供辅助。例如，系统可询问用户1314与化学参数相关联的信息(例如溶解度、反应度、毒性，等等)，且将这些与问题1320组合在一起以查明用户在辨识分子结构方面的专业知识。随着问题1320及答案1322序列的进展，系统可给用户1314提供有关哪一些分子结构可为稳定的及可合成的方面的见解。在实施例中，过程可持续下去，直到用户1314对可针对新药物做出什么样的分子组合具有改进的判断力为止、直到可将新的探索路线的选择用于呈现给用户为止、直到识别新的潜在药物为止，等等。

在实施例中，本发明可提供图像查找器应用，其中可帮助用户1314识别配合用户不一定明确知道的一些主观标准的图像。例如，用户1314可参与到公司手册的开发中，其中他们具有手册的文本，但需要选择支持文本试图传递的想法及情绪的图像。在此实例中，用户1314可具有关于可需要什么类型的照片的主观想法，但并不需要达到他们可以关键字指定搜索的程度。替代地，用户1314可首先指定图像源(例如，来自文件、数据库、网站服务、来自谷歌图像、来自登广告者的图片库，等等。随后可询问用户1314一系列问题或给用户1314呈现一系列图像供其选择。随后可利用用户1314选择的答案及/或选择来精细化下一次呈现给用户的选择，且可从所述答案及/或选择提供进一步的问题1320及/或图像选择。在实施例中，此过程可持续下去，直到用户1314找到图像来选作最终的图像为止。此外，系统可采取用户的‘最终选择’且选择一组其它类似的图像以呈现给用户，同时用户1314可选择继续选择精细化的过程。

在实施例中，可将本发明用于给婴儿起名的应用中，其中用户1314可仅对他们可能更喜欢什么样的名字具有模糊的感觉。可起初询问用户1314不同类型的问题1320以期给系统提供信息来帮助其了解用户的偏好，例如有关家庭、朋友、教育、遗产、地理位置、出生地、兴趣爱好、所读书籍、所看电影等等的问题1320。随后系统可继续通过以多种方式呈现与名字偏好相关联的问题1320来进行了解，例如，对名字进行评级、从名字列表进行选择、回答有关名字的问题1320，等等。在实施例中，此过程可持续下去，直到用户1314找到名字来选作最终的名字为止。此外，系统可采取用户的‘最终选择’且选择一组其它类似的名字以呈现给用户，同时用户1314可选择继续选择精细化的过程。

在实施例中，本发明可提供对多个主题的决策，所述主题包含(但不限于)视频游戏、膝上型计算机、度假、相机、一般人格、饮料、手机、电视、烤箱、手表、咖啡机、足环、万圣节前夕、gps装置、最受欢迎的名人、你的个人英雄、总统选举、婴儿玩具、博客、摄像机、汽车、你是哪个星球大战人物、信用卡、头发护理、皮肤护理、性与城市、我该不该纹身、职业、多少津贴、居住的城市、狗的品种、香水、纽约、选择邻居、软件、桌上型计算机、dvd播放器及记录器、雪茄、慈善、百老汇演出、发言人、家庭影院系统、mp3播放器、计算机连网装置、头戴式耳机、存储卡、杂志、书籍、奥普拉选择、书籍、纽约时报畅销书、商务休闲服装、选举权、炊具、玩具、益智玩具、运动服、浓缩咖啡机、我该不该去希腊、我该不该告诉父母、我该不该要求加薪、我有没有酗酒问题、我该不该给我add/adhd(多动症)孩子进行药物治疗、真空吸尘器、洗衣机与烘干机、我是否适合在起步公司工作、增湿器、你是不是一位好朋友、患糖尿病的风险、我该学习哪一门外语、微波炉、汽车音响、你是哪种类型的顾客、酒、我该不该参军、我该参加哪个军事部门、我会喜爱哪种艺术、婴幼儿汽车座椅、婴儿推车、婴儿旅游配件、天然有机美容产品、化妆、家庭音响接收器及放大器、复印机与传真机、打印机、与男朋友/女朋友分手、你是哪一位希腊神、我会喜爱什么样的游戏节目、计算机配件、你具有哪一种超能力、大学、在线学位项目、选择大学专业、身份盗窃预防、我该不该雇佣私人教练、我该买汽车还是租汽车、我该不该做激光眼科手术、我掉头发该怎么办、我该不该创业、我的孩子该不该上幼儿园、如何招待我的家人参观纽约、otc止痛药、我需不需要生前遗嘱、我下一趟航班的里程及价格、美白牙齿的最佳方式、我该不该让女儿化妆、催眠能治愈我的坏习惯吗、ed选项、睡眠辅助、otc过敏药、结婚礼物要花多少钱、我该不该购买延长保质期、参加sat好还是act好、个人音响配件、我喜欢咖啡/浓咖啡饮料吗、视频游戏控制台、牛仔裤、可下载的pc游戏、点心、维他命和营养品、我是哪一位超级英雄、太阳镜、厨房用具、枕头、美容饰品、可爱箱包、运动商品、哪一种乐器适合我、我该不该雇佣装修人员、电子阅读器、你倾向于哪里的购物中心、电动洗衣机、小本生意、电话系统、给多少小费、我该不该尝试肉毒杆菌毒素制剂(botox)、我该不该做脂肪吸出手术、患皮肤癌的风险、我该不该再为我的房子筹资、汽车服务(nyc)、小酿酒厂的啤酒、美食家巧克力、我有否为退休准备好足够的储蓄、娱乐中心/tv台、食谱、电动剃须刀、一直给侄女/侄子送生日礼物、行李箱、计算机投影仪、能量/运动酒吧、剃须刀、美食家冰激凌、在线约会、新闻广播、化妆、工具与刷子、美容镜与美容盒、商业书籍、第一次约会之后多久打电话、退休后住的地方、外接硬盘、万能遥控器、步行鞋、我该不该出售人寿保险单、你有多天真、我有没有饮食失调症、婴儿床、节食与节食书籍、手机计划、结婚戒指与订婚戒指、我够自信吗、我孩子玩视频游戏是不是太多了、税收筹划(纳税申报表)、我该不该进行倒按揭、取消与朋友的计划去约会、儿童电视节目、厨房台面、沐浴用品、杀虫剂、癌症专家、医院、全国连锁餐厅、麦片粥、我现在该不该要孩子、我该不该雇佣保姆、汽车空气清新剂与清洁剂、i-phone应用、男同性恋/女同性恋度假、可不可以跟我的同事约会、我的孩子要照顾吗、运动/能量饮料、电视节目、办公家具、摩托车、为孩子出色的成绩单而奖励他、草坪修剪机与齐边机、我是不是压力太大、宗教、你可以留下好的第一印象吗、你上网的时间是不是太多、我该不该做个新发型、我该不该在家教孩子、尿布包、我该用布尿布还是一次性尿布、狗的玩具、我的配偶是否欺骗我、经典书籍、我年事已高的父母该不该不再开车、我超过我的前夫(前妻)了吗、这是欲望还是爱、计步器与心率监视器、嚼口香糖、天气装置、气体添加剂对我的汽车有帮助吗、奥兰多主题公园、我该买多大的火鸡、新发行的流行音乐、假晒色、税收和资金管理、软件、婴儿奶瓶与吸管杯、婴儿高脚椅与助推器座位、婴儿栓绳、烤箱与烤炉、毛巾床单与被单、扁平餐具套装、宠物包与狗舍、奶酪、厨房水龙头、休闲鞋、礼服鞋、美容电器、我是否为退休准备好足够的储蓄、共有基金选择、切牛排、我的d&d联盟是什么、粉刺和丘疹药物、浴室水龙头、住宅外部照明、景观照明、割草机、开胃酒、白兰地酒、杜松子酒、兰姆酒、苏格兰威士忌、龙舌兰伏特加、威士忌、拉斯维加斯演出、防晒霜、跑步鞋、美国mba节目、庭院与户外家具、菜刀、你是不是真正的粉丝、汽车保险、个人法律服务、我该不该雇佣金融顾问、室内植物选择、快递服务、我可不可以将它扣除、泳池加热器、沙发、房间号、隐形眼镜、生日礼物、我的事业达到巅峰了吗、电子书、门把手与成套门锁、除雪工具、绿色家装、儿童服装与泳衣、摩托车头盔、自行车头盔、榨汁机、高尔夫俱乐部、冰箱、冷酒器、炉灶与烤箱、空调、圣诞节礼物、分手短语、感冒疮药物、糖尿病监视装置、戒烟、如何处理背部的毛发、荷尔蒙遇上更年期、远足背包、书包、获得网站/域名、电子邮件服务、网络代管、地毯、电动工具、瓷砖、热水器、外用漆、窗户修饰、壁炉屏风、室内灯、小本生意合法服务、早午餐食谱、吊扇、床垫、拉斯维加斯旅馆与娱乐场、洋葱味调味汁、情人节爱情测试、客户礼物要花费多少、纪念礼物、户外外套、休闲外套、露营帐篷、睡袋、轮胎、冒险度假、音乐下载、视频下载、结婚礼服、婚礼主题、曼哈顿体育馆、经济型连锁酒店、高尔夫课程、滑雪度假、美国温泉、etf基金、设计师手袋、我该不该宣布破产、将40万1千美元作为买房首付、我该不该看心理医生、正当防卫、餐具、洗碗机、政治党派、新年决心、邮轮公司、家庭度假、婴儿食品、婴儿保健品、我该不该剃头、t恤、在线照片服务、购买班级毕业纪念戒指、暑期工/实习生、在哪里当志愿者、家庭报警系统、诊断你的人际关系问题、她/他对我来说够不够火辣、我该不该收养、我上了岁数的父母该不该开车、在线银行账户、烧烤酱、冷冻披萨、配方查找器、我应不应该把它送出去、健身补品、家庭健身器材、我需要多少小时的睡眠、我该不该考虑做整形手术、患关节炎的风险、患心脏病的风险、患骨质疏松症的风险、我有没有赌博的问题、要学习的最美的舞蹈、自行车、猫食、狗食、业余爱好推荐、武术、海报艺术、选择户外花、你是哪个布偶、儿童活动、你人品如何、我该不该让我的孩子接受洗礼、迈阿密旅馆、美国国家公园、电动机润滑油、汽车视频、女衬衫、外套、连衣裙、镜框、针织品、面试服装、夹克衫、便装、裤子、衬衫、裙子、帽子、电话陆地线路、牛排餐厅、哪种生孩子的方法适合你、夏季露营推荐、选择三月疯狂档、婴幼儿配方、纽约面包店、拥有小型喷气机、我有多自信、数字相框、我需不需要会计、我的孩子是否患add/adhd、文件粉碎机、婴儿监视器、绿色家装、会议电话，等等。

在实施例中，且如图13中所描绘，本发明可帮助用户1314通过使用机器学习工具1302来做出决策1310。所述过程可开始于由机器学习工具1318从用户1314接收1304最初的问题1320。随后可给用户1314提供由来自机器学习工具1318的问题1320及用户1314所提供的答案1322所组成的对话1308。机器学习工具1318随后可基于对话1308给用户提供决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，可通过由用户1314提供的反馈1312来改进由机器学习工具1318提供的以后的问题1320及决策1310。

在实施例中，由用户1314提出的最初的问题1304可为客观问题、主观问题等等。可从广泛多种主题(例如，有关产品、个人信息、个人健康、经济健康、商业、政治、教育、娱乐、环境等等的主题)中提供问题1320。问题1320可采取多项选择、是非问题、评级、图像的选择、个人问题等等的形式。问题1320可与用户1314有关、可由另一用户提供、可由专家提供等等。问题1320可基于先前的答案，例如从与用户1314的当前对话1308、从存储的与用户1314的先前对话1308、从存储的与另一用户的先前对话1308。问题1320可为伪随机问题，例如测试问题、帮助选择伪随机决策1310以期证实伪随机决策1310有用的探索问题1320等等。问题1320可包含至少一个图像作为问题的一部分。问题1320可沿着心理图案维度。在实施例中，可能并不直接对用户1314提问题1320，而是从背景信息进行确定，例如通过ip地址、用户位置、用户位置处的天气、域名、与路径信息相关、与最近的下载相关、与最近的网络接入相关、与最近的文件存取相关等等。

在实施例中，对话1308可持续下去，直到机器学习工具1318在一组精简的决策中开发出较高的置信度为止，例如呈现给用户的一组精简的决策、呈现给用户的单个决策1310。由机器学习工具1318提供的决策1310可独立于对话1308中的问题的顺序。当省略对话中的至少一个问题1320时，决策1310可提供替代的决策1310，其中基于具有来自用户1314的减少信息的机器学习工具1318，替代决策1310可不同。决策1310可显示决策选择的排名，例如在整个非传统特征维度上的排名决策。决策1310可显示与决策1310相关的至少一个图像。决策1310可为伪随机决策以期证实伪随机决策1310有用，例如伪随机决策为探索系统的一部分，其中探索系统可改进系统效率、机器学习工具1318可从探索进行学习，等等。

在实施例中，所提供的反馈1312可与用户1314如何回答对话1308中的问题1320、用户1314如何响应由机器学习工具1318提供的决策1310等等有关或者从其导出。在实施例中，可向用户1314恳求反馈1312。

在实施例中，用户1314可通过输入新的信息而扩展机器学习工具1318的学习，其中新信息可为其自己的主题、问题、答案、决策等等。机器学习工具1318可利用新信息来确定新信息是否对用户有帮助。

在实施例中，可提供用户接口以供用户与机器学习工具1318交互，例如与网络接口、即时消息接发、声音接口、手机、与sms等等相关联。

在实施例中，本发明可帮助用户通过使用机器学习工具1318做决策1310。所述过程可开始于由机器学习工具1318从用户1314接收最初的问题1304，其中最初的问题1304可与广泛种类的主题(例如，产品、个人、健康、商业、政治、教育、娱乐、环境等等)中的一者相关联。随后可给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。随后机器学习工具1318可基于对话1308给用户1314提供决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，可通过由用户1314提供的反馈1312改进由机器学习工具1318提供的以后的问题1320及决策1310。

在实施例中，且如图14中所描绘，本发明可帮助用户通过使用计算工具1402作出决策1310。所述过程可开始于由计算工具1418从用户1314接收最初的问题1304。随后可给用户1314提供由来自计算工具1418的问题1320及由用户1314提供的答案1322组成的对话1408。计算工具1418随后可基于来自源于多个用户1412的反馈的聚集反馈1428给用户1314提供决策1310。在实施例中，计算机工具1418可基于从用户接收的反馈1412改进由计算工具1418提供的以后的问题1320及决策1310。

在实施例中，本发明可帮助用户通过使用机器学习工具1318作出决策1310。所述过程可开始于由机器学习工具1318从用户1314接收问题1304。可随后给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308，其中通过对话1308提供的问题1320及答案1322的数目可确定决策1310的质量。随后机器学习工具1318可基于对话1308给用户提供决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，可通过由用户提供的反馈1312改进由机器学习工具1318提供的以后的问题1320及决策1310。在实施例中，当问题1320及答案1322较大(例如大于10个问题、大于15个问题、大于10个问题等等)时，质量可较高。在实施例中，当问题1320及答案1322的数目较小(例如，小于10个问题、小于5个问题、小于3个问题、一个问题等等)时，质量可为较佳质量。

在实施例中，且如图15所描绘，本发明可通过使用机器学习工具1318作出决策1310。系统可包含可从用户1314接收最初的问题1304的机器学习工具1318、机器学习工具1318内给用户1314提供问题1320且从用户接受答案1322的对话工具1502、将决策1310从决策工具1504提供给用户1314的机器学习工具1318，等等。在实施例中，给用户1314提供的决策1310可基于用户1314与机器学习工具1318之间的对话1308的交流且与最初的问题1304有关。此外，机器学习工具1318可通过反馈工具1508从用户1314接收反馈1312以进一步改进由机器学习工具1318提供的以后的问题1320及决策1310。

在实施例中，本发明可帮助用户1314通过使用机器学习工具1318作出决策1310。所述过程开始于由机器学习工具1318通过第三方(例如，搜索应用、社交网络应用、服务提供者、比较购物引擎、媒体公司的网站环境等等)从用户1314接收最初的问题1304。随后可给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。机器学习工具1318随后可基于对话1308给用户1314提供决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，可通过由用户1314提供的反馈1312改进由机器学习工具1318提供的以后的问题1320及决策1310。

在实施例中，本发明可帮助用户1314通过使用机器学习工具1318做出决策1310。所述过程可开始于由机器学习工具1318通过第三方搜索应用从用户1314接收最初的问题1304，其中用户1314以第三方搜索应用上的关键字搜索开始且随后给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。机器学习工具1318可随后基于对话1308给用户1314提供决策1310(且与最初的问题1304有关)，其中可将决策1310提供回第三方搜索应用，例如以分类列表的形式。

在实施例中，本发明可帮助用户1314通过使用机器学习工具1318作出决策1310。搜索过程开始于由机器学习工具1318从用户1314接收最初的问题1304。随后可给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308，其中机器学习工具1318可利用第三方信息、功能、共用设施等等。随后机器学习工具1318可基于对话1308给用户1314提供决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，第三方信息、功能、共用设施等等可包含使得能够收集成本信息、产品信息、个人信息、主题信息等等的应用编程接口(api)。

在实施例中，本发明可通过使用机器学习工具1318帮助用户1314作出决策1310。所述过程可开始于由机器学习工具1318通过第三方搜索应用从用户1314接收最初的问题1304，其中用户1314以第三方搜索应用上的关键字搜索开始且随后给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。机器学习工具1318随后可基于对话1308给用户1314提供决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，可至少部分基于合作过滤将决策1310提供回第三方搜索应用。

在实施例中，本发明可通过使用机器学习工具1318帮助用户1314作出决策1310。搜索过程开始于由机器学习工具1318从用户1314接收最初的问题1304。可随后给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。机器学习工具1318随后可基于对话1308给用户1314提供至少一个图像及决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，图像可为照片、图画、视频图像、广告等等。

在实施例中，本发明可通过使用机器学习工具1318帮助用户1314作出决策1310。所述过程开始于由机器学习工具1318从用户1314接收最初的问题1304。随后可给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308，其中可至少部分从来自机器学习工具1318的其他用户的学习确定问题1320。机器学习工具1318随后可基于对话1308给用户1314提供决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，决策1310可至少部分基于对由机器学习工具1318的其他用户提供的决策1310的学习。

在实施例中，本发明可通过使用机器学习工具1318帮助用户1314作出决策1310。所述过程可开始于由机器学习工具1318从用户1314接收最初的问题1304。随后可给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。机器学习工具1318可随后基于对话1308给用户1314提供决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，决策1310可至少部分基于合作过滤。

在实施例中，本发明可通过使用机器学习工具1318帮助用户1314作出决策1310。所述过程可开始于由机器学习工具1318从用户1314接收最初的问题1304。随后可给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。机器学习工具1318随后可基于对话1308给用户1314提供决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，决策可至少部分基于通过对话1308提供其背景的合作过滤，例如至少一个问题为合作过滤提供背景。

在实施例中，本发明可通过使用机器学习工具1318帮助用户1314作出决策1310。所述过程开始于由机器学习工具1318从用户1314接收问题1304。随后可给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。机器学习工具1318可随后基于对话1308给用户1314提供决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，决策1310可仅基于通过机器学习工具1318的多个用户1314搜集的信息且与最初的问题1304有关，其中机器学习工具1318的多个用户1314中的至少一者可为与对话1308相关联的用户1314。

在实施例中，本发明可提供使用机器学习工具1318帮助用户1314作出决策1310。所述过程可开始于由机器学习工具1318从用户1314接收最初的问题1304。随后可给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。机器学习工具1318可随后基于对话1308给用户1314提供决策1310(且与最初的问题1304有关)，且具有关于最初的问题1304的主旨的有限机器学习工具1318知识。在实施例中，有限最初机器学习工具1318知识可为种子知识、可受限于与最初的问题1304的主旨相关联的基本知识、可受限于其中基本知识可为专家知识的与最初的问题1304的主旨相关联的基本知识。

在实施例中，本发明可通过使用机器学习工具1318帮助用户1314作出决策1310。所述过程可开始于由机器学习工具1318从用户1314接收最初的问题1304。随后可给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。机器学习工具1318随后可基于对话1308给用户1314提供决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等，其中决策1310可基于对专家及用户输入的组合的学习。

在实施例中，本发明可通过使用机器学习工具1318帮助用户1314作出决策1310。所述过程开始于由机器学习工具1318从用户1314接收最初的问题1304。随后可给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。机器学习工具1318可随后基于对话1308给用户1314提供基于类别的决策1310(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。

在实施例中，本发明可通过使用机器学习工具1318帮助用户1314作出决策1310。所述过程开始于由机器学习工具1318从用户1314接收最初的问题1304。可随后给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308。机器学习工具1318可随后给用户1314提供决策1310，其中机器学习工具1318可利用来自机器学习工具1318的多个用户1314的响应沿着心理图案及人口统计维度中的至少一者对决策1310进行分类且提供决策1310。

在实施例中，本发明可通过使用机器学习工具1318给用户1314提供响应。可给用户1314提供由来自机器学习工具1318的问题1320及用户1314提供的答案1322组成的对话1308，其中来自机器学习工具1318的问题1320可与应用(例如娱乐应用、药物发现应用、婴儿命名应用等等)相关。机器学习工具1318可随后基于对话1308给用户1314提供响应(且与最初的问题1304有关)，例如推荐、诊断、结论、建议等等。在实施例中，可通过由用户1314提供的反馈1312改进由机器学习工具1318提供的以后的问题1320及决策1310。

在实施例中，本发明可提供基于多个维度的结果，例如基于来自用户输入的文本匹配的结果、基于用户品味简档的结果，等等。图27展示展示针对用户查询“光纤服务”的搜索结果的实例搜索接口。在此实例中，排名基于对用户查询来说是良好的文本匹配的第一次发现决策及决策结果(推荐)，且随后根据系统具有的有关用户品味简档的知识对决策结果进行第二次排名。在此实例中，“光纤服务”对决策结果“维森(verizon)光纤服务(fios)”来说是良好的文本匹配，与对“我该用哪一个isp”2702及“我该使用什么美国卫星/电缆服务提供者”2704的推荐一样，且这两种为基于用户品味偏好的此用户#1排名结果。

在实施例中，本发明可响应于用户的非结构化输入提供多个问题及答案‘结果’。例如，图28展示用户的查询为‘suv’的情形。第一个结果是针对主题‘我该买什么样的新车？’2802，而已以‘suv’对问题‘你想要什么类型的汽车？’进行回答。此可提供非结构化搜索与系统存储的结构化q&a数据之间的桥梁。此外，如在实例中所展示，基于用户的品味简档对用户最前3个结果进行个性化显示。实际上，用户已完成关键字搜索且在没有经由传统q&a接口明确回答任何问题的情况下获得结果，例如针对所展示的作为实例而提供的其它问题‘我该买哪一辆bmw？’2804、‘我该买什么样的新型二手车？’2808及‘我该在我的汽车或卡车上使用什么样的轮胎？’2810。

在实施例中，本发明可在用户已给出或者彼此矛盾(彼此排斥)或者其每一者个别地对用户的结果的排名都具有显著影响的问题的答案时要求用户表达他们的偏好。例如，用户可以“我该买什么样的新车”的主题开始且回答他们想要18,000美元以下且更实用而不奢华的suv。系统可想要获得用户关于什么比较重要的偏好，即车辆为suv还是18,000美元以下。图29展示针对用户的询问用户的偏好的实例问题。

在实施例中，系统可了解一组问题的重要性，其为针对每一用户的、每一决策结果的、每一问题的答案的每一决策结果等等。例如，系统可了解当涉及到买小型相机时用户a更关心重量而不是价格，而在买汽车时更关心价格而非任何其它者。

在实施例中，用户可通过添加新的决策结果来扩展系统。这些新的决策结果可任选地包含对网页的链接以读取有关决策结果的更多信息。系统可自动将这些链接转变为附属链接以使系统接收来自链接所指向的网站的委托。此外，基于用户所提交的链接，系统可识别其为何种链接且理解如何解析出信息(例如来自amazon.com的产品的价格)或者解析出产品代码以便可做出供应商特定的api呼叫来基于产品代码查询产品信息。

在实施例中，可使用维度减少技术(例如奇异值分解(svd)、特征向量及其它类似类型的方法)将用户群集到群组中。系统可显示有关为何将一组用户群集在一起的信息。这样做的一种方式是在群集作为整体与大众平均差异最大的低纬度空间中找到最前x个维度。群集的答案分布与普通大众的分布在子空间中的每一维度中的分歧可用来根据其如何解释每一群集的特征是什么来对维度排名。

在实施例中，子空间中的维度可能并不易于进行描述或解释，因为其由许多不同特征(例如，人们如何回答问题或他们喜欢哪些决策结果)组成。解释每一维度的意义的一种方式可为找出与维度的不同极端最相关的问题及答案且用这些问题/答案标示维度。

在实施例中，群集用户的一种方式可为挑选用户的最初的随机分组且在群集之间反复移动用户以最小化用户在其自己的群集中彼此差异的程度。在若干次反复之后，所述过程可停止或者所述过程可持续下去直到已达到错误的阈值量为止。

在实施例中，本发明可通过用户相似度促进匹配。给定用户名、电子邮件地址、数字用户id等等，以某种方式提供相似或不相似的其他用户的列表。例如，给定facebook用户名，提供以所有的或某些特定方式具有类似品味的其他facebook用户的排名列表。此外，此列表可任选地受限制，例如在社交图表中与第一个用户相差一个程度的其他用户(例如，在facebook上按照我的朋友与我的相似度对他们排名，使得我可以向与我最像的那一个询问)。在实施例中，可经由询问用户有关他们自己的问题、查看他们的社交图表、使用与他们的位置、ip地址、时间等等相似的背景来计算用户相似度。可通过基于对用户名、电子邮件地址、姓、名、生日、地址、性别及其它类似信息的试探将社交图表中的用户映射到其它数据集中的已知用户来使用社交图表。可在社交图表中搜索相邻的人以考虑更多的人，即使并没有将他们从你正试图对其进行“三角测量”的人移除。例如，将来自facebook的社交图表与在amazon上写评论的用户组合以在facebook上找出最像我的用户，且随后查看他们往往喜欢amazon上的什么样的膝上型计算机，以便给我膝上型计算机的推荐。在另一实例中，可基于人们跟你的相似对例如yelp、tripadvisor、amazon等等的网站上的评论进行过滤。此信息可随后用于帮助用户，例如在facebook上给用户推荐“朋友”、在twitter上进行‘关注’等等。图30及31提供可由本发明提供的相似度简档的实例。

在实施例中，本发明可通过替代地推荐继而喜欢/不喜欢东西的人来提供推荐之间的间接级别。本发明可基于类似用户在amazon上买什么而推荐要买的东西、基于yelp、zagat、foursquare等等上的类似用户而推荐吃饭的地方、基于类似的人在谷歌搜索上点击什么而推荐要在谷歌搜索上点击的东西，等等。例如，考虑应该给twitter的新用户推荐哪一个用户供其关注。本发明可查看twitter上的所有用户及关注他们的人，且将这些关注者的一些与本发明的数据集匹配，从而基于每一用户已关于他们自己回答的问题而了解有关他们的东西。此可将关注者与其他用户(例如amazon用户、yelp用户等等)相匹配以了解有关他们的其它事情。基于此，本发明可参考特定用户(例如twitter用户)的关注者。现在，可询问新用户有关他们自己的信息且找出此新用户与哪一个现有用户的关注者最像。随后可为新的twitter用户产生推荐，以关注其关注者最像所述新用户的现有的twitter用户。

在实施例中，本发明可促进实时个性化，例如做出立即反映来自用户的新信息、立即使用他们的社交图表、有关他们的新事实、他们的背景(例如改变位置等)的推荐，以对推荐重新排名或以其它方式改进结果。

在实施例中，本发明可基于背景(例如，位置、时间、天气、社交图表等等)进行匹配，例如隐含地使用位置展示用户可能喜欢去哪里吃饭、喝酒的附近地方、他们可能喜欢看的网站、喜欢做的事情等。例如，随后可将此过程用于具有经由gps对位置数据的存取权的移动应用中。任选地，推荐可由用户背景的其它部分来告知，例如当前天气(例如，如果下雨，那么就不推荐人们仅仅因为庭院而喜欢的地方)、当前时间(例如，不在上午10点推荐夜店)、日历(例如，知道用户什么时候繁忙及他们以后会在哪里)、社交图表(例如，推荐用户的朋友在其它地方根本不合适的地方)等等。

在实施例中，本发明可提供自然语言问题及答案接口，以便允许来自用户的有关他们想要得到帮助的决策或推荐的任意形式的或结构化的输入。可通过询问用户、让其他用户评论所述问题、使用类似自然语言处理的自动化技术(即，“此问题是关于电子产品、旅游、汽车还是关于某一其它主题？”)等等来对输入进行分类。

在实施例中，本发明可找出与在所述种类的问题中具有专门知识的请求用户类似的用户。例如，用户可能想从在旅馆方面具有类似品味的且对洛杉矶的旅馆有所了解(例如基于他们的行动的自我描述的知识或证明的知识)的人那里获得有关洛杉矶的旅馆的建议。例如，本发明随后可将新问题通告那些类似用户且请求他们帮忙解决。可考虑他们已发送多少先前的问题/通告、他们已响应多少人、他们的响应已有多大的帮助等等。可允许类似用户与请求用户建立对话以帮助告知请求用户的决策或推荐问题。可存储所得到的对话以供其他人使用且鼓励类似用户将对话编索引到结构化形式中以辅助其他请求用户随后再调用。

本发明可使第三方网站能够了解他们的用户、找出类似用户及做出推荐，例如不依赖于用户与系统的直接交互。在实施例中，本发明可提供第三方(例如操纵他们自己的网站的第三方)可用以了解用户的品味、偏好、爱好、厌恶及其它属性的品味及偏好api，其中用户并不参与与本发明的计算工具的直接对话或交互。例如，用户可访问例如amazon.com的网站且查询产品。在此实例中，amazon可具有使得能够创建或增强用户的品味及偏好简档的本发明的api，以便更好地确定用户的品味、偏好等等，且因此使得所述第三方能够更好地对准返回给用户的有关用户查询的有意义的响应。在实施例中，所述第三方可使用api在没有用户交互的情况下确定用户的品味、偏好等等，例如通过先前与用户的交互来确定其品味及偏好，其中这些先前的交互可来自用户在第三方网站(在此实例中，例如amazon)上时的先前的交互，或者来自与操纵类似api的其它网站的先前交互，或者通过与本发明的工具的直接交互。在实施例中，api可由多个用户使用以使得可使用与用户的交互来识别其他类似用户，且因此使用这些其他类似用户的挑选、决策、选择、推荐等等来帮助选择推荐给当前用户的推荐。在实施例中，这些其他类似用户可与操纵api的第三方相关联、或来自另一操纵api网站或者来自本发明的工具。在实施例中，使用第三方网站操纵的本发明的api可在与用户的品味、偏好、喜好、厌恶、属性等等相关的推荐方面给第三方网站提供显著优点。

在实施例中，可通过其他用户(例如其他类似用户、在社交网络中连接到用户的其他用户、通过个人活动或职业活动相关联的其他用户、作为朋友或家人的其他用户等等)确定或扩增用户的品味及偏好。在实施例中，此可在不需要询问用户问题的情况下完成。例如，用户可能具有与通过本发明建立的品味及偏好简档相同的现有品味及偏好简档，且可通过收集或推断有关其社交网络、家庭、商业位置等等中的其他用户的信息来改进所述简档。在实施例中，可通过推断(例如通过社交网络)来自其他类似用户或展示为与所述用户具有某些关联的用户的额外品味及偏好来改进用户简档。在实施例中，可通过其他类似用户做出的选择(例如产品选择、推荐等等)来改进用户简档。在实施例中，系统可通过用户将其喜欢及不喜欢的东西进行评级或通过使用自然语言处理来了解已知用户的品味简档，例如通过分析用户如何标记他们的用户简档来推断品味简档。

参考图32，在实施例中，本发明可提供体现在计算机可读媒体中的计算机程序产品，当所述产品在一个或一个以上计算机上执行时，其通过执行以下步骤来帮助第三方网站通过使用计算机工具3202了解用户：(1)将用户偏好学习api提供给第三方网站3220以确定用户3218适用于第三方的市场的偏好，其中偏好学习api作为计算机工具3204的扩展部分而执行；(2)接收有关第三方3208的市场的第三方信息；(3)收集用户3218的偏好且将其存储为用户偏好简档3210；(4)在与第三方3212的市场相关联的第三方网站3220处接收来自用户的查询；及(5)基于用户偏好简档及第三方信息给第三方提供推荐以帮助第三方回答所接收的查询3214。在实施例中，可通过使用自然语言处理进行偏好确定。计算工具可为机器学习工具。第三方信息可由来自产品制造商的产品信息、来自网站商户的产品信息、来自其它网站的报价信息、来自其它网站的可用性信息、来自商户的报价信息、来自商户的可用性信息、评论、评语及评级中的至少一者组成。偏好学习api可使得能够收集成本信息、产品信息、个人信息及主题信息中的至少一者。此外，用户简档偏好可另外基于从用户的社交网络推断出的信息，其中用户可不接收用户与计算机工具之间的额外对话。

参考图33，本发明可提供品味及偏好api的使用以对准返回给用户的响应(例如，针对性广告)、展示来自类似用户的评论、推荐产品或服务、在社交网络上展示类似的人、基于类似用户点击最多的结果对搜索结果排名，等等。在实施例中，本发明可提供体现在计算机可读媒体中的计算机程序产品，当所述产品在一个或一个以上计算机上执行时，其通过执行以下步骤而帮助通过使用计算机工具3302对准返回给用户的响应：(1)给第三方网站3320提供用户偏好学习api以确定用户与第三方的市场有关的偏好，其中偏好学习api作为计算机工具3304的扩展部分而执行；(2)接收有关第三方市场3308的第三方信息；(3)收集用户3318的偏好且将其存储为用户偏好简档3310；(4)在第三方网站3312处接收来自用户3318的查询；及(5)在用户偏好学习api中使用有关第三方的市场的第三方信息，且使用存储在用户偏好简档中的用户3318的偏好以将有关来自用户3314的查询的响应提供给用户。在实施例中，计算工具可为机器学习工具。

00189响应可正在给用户提供广告，其中广告可基于存储在用户偏好简档中的用户偏好。通过计算机工具提供广告、通过第三方提供广告且通过从计算机工具提供给第三方的偏好而使广告可行、在用户社交网络中将广告递送给其他用户，等等。响应可提供对与第三方的市场有关的产品、服务等等的推荐。收集至少第二位用户的偏好可形成第二位用户的用户偏好简档，从而基于偏好简档的比较来确定第二用户类似于所述用户。响应可提供第二用户做出的推荐。可基于社交结构从因特网获得对第二用户的偏好的收集，且响应给用户提供将第二用户展示为所述结构上的类似者的信息，其中基于因特网的社交结构可为社交网络。收集至少第二用户的偏好可包含搜索结果选择，查询可为搜索请求，且响应可为根据至少第二用户的搜索结果选择进行排名的搜索结果。收集可来自于推荐、购买及用户做出的搜索结果选择。收集可来自于显露用户的位置行为的来源。来源可为用户位置信息，例如来自网络服务foursquare、yelp、谷歌、gowalla、facebook等等。来源可为来自服务提供者的用户位置信息。第三方信息可由来自产品制造商的产品信息、来自网站商户的产品信息、来自其它网站的报价信息、来自其它网站的可用性信息、来自商户的报价信息、来自商户的可用性信息、评论、评语及评级中的至少一者组成。可通过使用自然语言处理进行偏好确定。api可使得能够收集成本信息、产品信息、个人信息、主题信息等等。收集可来自在基于因特网的社交交互结构中所表示的用户交互，其中基于因特网的社交交互结构可为社交网络。响应可为通过评论作者与用户阅读的评论的相似度而存储的评论列表。可通过第三方网站进行用户偏好的收集。可通过抓取第三方网站进行收集。

在实施例中，本发明可利用第三方网站可用来基于用户偏好对用户投放针对性广告的品味及偏好api，其中用户并不参与对话或者直接与本发明的计算工具交互。例如，用户可先前已经历与系统进行的问题及答案对话，且通过所述对话系统可已开发出用户的品味及偏好简档。在实施例中，对话可已直接用本发明的工具来提供，或通过由本发明提供的第三方api来提供。替代地，用户可能从未与本发明的工具交互，其中用户的品味及偏好简档可通过用户的交互、响应、推荐、评论等等进行创建及更新。在实施例中，系统可通过用户对他们喜欢及不喜欢的东西的评级或通过使用自然语言处理来了解用户的品味简档，例如通过分析用户如何标记他们的用户简档来推断品味简档。用户的品味及偏好简档随后可用于对用户投放针对性广告，例如投放与用户的品味及偏好相匹配的广告。例如，第三方品味及偏好api可与户外商店网站(例如l.l.bean、rei、ems等等)相关联，其中户外商店试图改进他们对其客户进行广告投放的针对性。客户可随后访问户外商店网站且查询产品，例如旅行靴。品味及偏好api可随后使得能够查看用户的品味及偏好以便建立对用户的浏览器的广告投放的匹配。在此实例中，用户的品味及偏好简档可指示用户喜欢去新英格兰旅游、喜欢露营、已有家庭和孩子等等。结果，与网站相关联的广告工具可选择利用用户查询(在此实例中为旅行靴)中的信息及来自用户的品味及偏好简档的信息的广告。此情形中的广告可针对怀特山的住宿，其将用户的旅行靴查询与其喜欢在新英格兰旅游的偏好组合在一起。此外，住宿可为家庭住宿，因为用户喜欢家庭旅游，且根据反映用户偏好的属性。在实施例中，第三方品味及偏好api可使得第三方能够改进他们对用户的针对性广告投放，以使其能够增加来自广告赞助商的在给定广告投放上的收入。在实施例中，由于集中于用户的直接查询，所以可实时形成用户的品味及偏好简档。可查明品味及偏好以便更好地对用户投放针对性广告，例如在随后的产品搜索精细化期间、在购买时，等等。

在实施例中，可基于通过用户的社交网络推断的品味及偏好对用户或与用户相关联的一组个人投放针对性广告。例如，可使用第三方使用的品味及偏好api来建立(例如在用户的社交网络中)群组、节点群集等等的品味及偏好。在实施例中，从社交网络推断的品味及偏好可利用先前形成的品味及偏好，例如通过第三方网站或通过与本发明直接相关联的工具。随后可使用这些品味及偏好更好地对用户或用户的社交网络中的成员投放针对性广告。在实例中，第三方可想要对用户投放针对性广告，其中用户具有存储在本发明的工具中的已建立的品味及偏好简档。第三方随后可使用用户简档中的信息来投放针对性广告。替代地，第三方可额外地使用从用户所属的社交网络所推断的信息，例如与社交网络的主题有关的信息、社交网络中与所述用户相关联的用户的共同的兴趣，等等。例如，用户可具有指示用户为中年、政治上保守、农村人等等的且与社交网络中以打猎作为主要兴趣的用户相关联的品味及偏好简档。在此实例中，第三方可投放打猎设备、打猎旅行等等的针对性广告，其中已基于用户现有的品味及偏好简档以及从用户的社交网络所作的推断选择广告。在实施例中，此可在不需要让用户参与本文所描述的对话的情况下间接地通过用户的交互(例如，在第三方网站上、通过第三方供应的信息、在本发明具有第三方api的网站上等等)来完成。在实施例中，第三方还可利用来自用户的品味及偏好以对用户的社交网络中的其他成员投放针对性广告。

在实施例中，可基于具有类似品味及偏好的用户的产品选择、推荐等等对用户投放针对性广告。例如，第一用户可与第二用户具有类似的品味及偏好，其中第一用户具有现有的品味及偏好简档且已作出某些产品选择、推荐等等。随后可基于第一用户的决策对第二用户投放针对性广告。例如，第一用户可具有指示其年长、已退休、住在加利福尼亚、喜欢旅游等等的简档，其中其先前已针对行李箱作出产品挑选。可基于两个用户的品味及偏好的相似度给第二用户提供类似行李箱的推荐。在实施例中，此可在不需要让用户中的任一者参与对话的情况下执行。

在实施例中，本发明可提供体现在计算机可读媒体中的计算机程序产品，当计算机程序产品在一个或一个以上计算机上执行时，其通过执行以下步骤帮助通过使用计算机工具对用户投放针对性广告：(1)给第三方网站提供用户偏好学习api以确定用户适用于第三方的市场的偏好，其中偏好学习api作为计算机工具的扩展部分而执行；(2)接收有关第三方的市场的第三方信息；(3)收集用户偏好且将其存储为用户偏好简档；(4)在与第三方的市场相关联的第三方网站处接收来自用户的查询；及(5)给用户提供广告，其中广告是基于已断定的用户的偏好。在实施例中，可通过使用自然语言处理进行偏好确定。可通过计算机工具提供广告。可通过第三方提供广告且通过从计算机工具提供给第三方的偏好使广告可行。api可使得能够收集成本信息、产品信息、个人信息及主题信息中的至少一者。决策还可基于从用户的社交网络推断的信息。可将广告递送(例如通过社交网络)给与用户相关联的其他用户。

在实施例中，本发明可提供第三方可用以给用户提供来自类似用户的评论的品味及偏好api，其中用户及类似用户可能并未参与与本发明的计算工具的对话或直接交互。例如，品味及偏好api可使得本发明能够收集用户的品味及偏好信息、从先前已建立的品味及偏好简档给第三方提供用户的品味及偏好信息、基于用户的近期行为给第三方提供用户的品味及偏好信息等等。在实施例中，用户可能从未与本发明的工具交互，其中可通过用户的交互、响应、推荐、评论等等创建及更新用户的品味及偏好简档。在实施例中，系统可通过用户对他们喜欢及不喜欢的事物的评级或者通过使用自然语言处理来了解已知用户的品味简档，例如通过分析用户如何标记他们的用户简档来推断品味简档。在此情形下，类似用户可能先前已建立品味及偏好简档，且因此可具有与用户相匹配的品味及偏好简档。此外，这些类似的用户可具有与其简档相关联的评论。系统现在可将用户与类似用户进行匹配，且随后给用户提供相关联的评论。例如，用户可具有与系统(例如直接与计算机工具或通过至少一个第三方api)的现有品味及偏好简档，且可能想要知道其他类似用户对一些产品、服务、个人、事件等等有什么样的看法。系统随后可搜索当前用户感兴趣的主题方面的类似用户的品味及偏好简档。以此方式，系统现在能够给当前用户提供来自类似用户的评论及此类，且因此基于当前用户的品味及偏好帮助其判断其想要做什么。例如，用户可访问利用本发明的品味及偏好api的产品网站，且对数码相机的评论感兴趣。现在第三方可找出类似用户且随后搜索所述类似用户做出的数码相机评论且将评论提供给当前用户。在实施例中，评论可驻留在第三方工具处、另一第三方工具处、本发明的工具处等等等等。在实施例中，展示类似用户的评论的能力可允许用户以更节省时间的方式存取更多的相关评论，且api的第三方用户能够给其用户提供更多的针对性的及相关的支持。

在实施例中，本发明可提供第三方可用来给用户提供来自类似用户的评论的品味及偏好api，其中在类似用户不参与对话的情况下通过本发明确定所述用户是类似的。例如，可通过社交网络、朋友、家人、工作等等等等来识别类似用户是类似的。在实例中，用户可通过社交网络与第二用户相关联，且通过此关联(例如，年龄、兴趣等等等等)被确定为‘类似的’。类似用户随后可提供例如对产品、活动等等等等的评论。随后可通过用户与其他用户的相似度而将此评论作为相关者提供给用户。在实施例中，可通过对其它主题的类似推荐(例如，结合其它因素)来确定类似用户，其中其它因素可为社交关联。

在实施例中，本发明可提供体现在计算机可读媒体中的计算机程序产品，当计算机程序产品在一个或一个以上计算机上执行时，其通过执行以下步骤帮助用户通过使用计算机工具找出类似用户的评论：(1)给第三方网站提供用户偏好学习api以确定用户偏好，其中偏好学习api作为计算机工具的扩展部分而执行；(2)收集多个用户的偏好，其中多个用户包含所述用户，(3)将用户偏好存储在含有多个品味及偏好简档的品味及偏好数据库中；(4)通过第三方品味及偏好学习api接收来自所述用户的对来自具有类似品味及偏好的用户的主题评论的请求；(5)将用户的偏好与品味及偏好数据库中的至少一个其他用户的偏好进行匹配；(6)针对来自匹配的其他用户中的主题评论搜索有关请求的评论；及(7)将评论提供给用户。在实施例中，可通过使用自然语言处理进行偏好确定。可在计算机工具、第三方工具等等等等中找出评论。计算工具可为机器学习工具。偏好学习api可使得能够收集成本信息、产品信息、个人信息、主题信息等等等等。可通过没有品味及偏好简档的类似用户提供评论，其中用户类似于通过社交关联确定的用户，其中社交关联可为社交网络。

在实施例中，本发明可提供第三方可用来推荐产品、服务等等等等的品味及偏好api。例如，用户可访问第三方网站来搜索对产品的推荐，且第三方可随后利用品味及偏好api来更好地理解用户通常偏好什么，且根据所述偏好提议产品。在实例中，用户可访问音响商店网站来寻找对从他们的iphone播放音乐的音响系统的推荐。第三方随后可通过api利用现有的用户品味及偏好。在此实例中，用户品味及偏好可指示其为大学生且在其社交生活中经常比较活跃。根据此信息，第三方现在可做出推荐，例如推荐便携式、小型化、功能强大等等等等的音响系统。替代地，第三方可使用品味及偏好api来在用户查询时确定(例如针对查询、第三方内容、针对普通用户等等等等)其品味及偏好。第三方可仅使用此新的品味及偏好信息或结合先前的品味及偏好简档通过本发明做出推荐。通过第三方建立的品味及偏好现在可存储在本发明的工具中，以便再次使用或者结合通过其它第三方api或直接通过本发明的工具产生的新的品味及偏好简档而使用。在实施例中，使用品味及偏好api的能力可改进通过第三方网站做出的对产品、服务等等等等的推荐。

在实施例中，本发明可提供第三方可用来基于类似用户的行为给用户推荐产品、服务等等等等的品味及偏好api。例如，两个用户可能先前已用本发明建立品味及偏好简档，其中一个用户已选择产品、服务等等等等，且其中第三方现在可基于其相似度给另一用户提供推荐，例如通过其简档来确定所述相似度。在实例中，已通过两个用户的品味及偏好简档(例如，其年龄、位置、政治观点、社交活动等等)确定所述用户为类似的。第一用户随后可选择产品，例如汽车。在第二类似用户应指示(例如，通过搜索、广告选择、本发明的明确的问题等等)对汽车感兴趣的事件中，本发明可给第二用户提供汽车选择作为潜在地合适，原因在于其相似度。在实施例中，此可在不给一个或两个用户提供对话的情况下完成。

在实施例中，本发明可提供体现在计算机可读媒体中的计算机程序产品，当计算机程序产品在一个或一个以上计算机上执行时，其通过执行以下步骤帮助用户通过使用计算机工具找出推荐：(1)给第三方网站提供偏好学习api以确定用户适用于第三方产品及服务的偏好，其中偏好学习api作为计算机工具的扩展部分而执行；(2)接收有关第三方的产品及服务的第三方信息；(3)收集用户偏好且将其存储为用户偏好简档，其中收集的来源是来自因特网上的用户交互；(4)在与第三方产品及服务中的至少一者相关联的第三方网站处接收来自用户的查询；及(5)从计算工具给用户提供对产品及服务中的至少一者的推荐，其中推荐是基于用户的查询及已断定的用户偏好。在实施例中，可通过使用自然语言处理进行偏好确定。所述收集可来自因特网上的第三方网站；因特网上的多个第三方网站；推荐、购买及用户做出的搜索结果选择中的至少一者；等等。计算工具可为机器学习工具。第三方信息可由来自产品制造商的产品信息、来自网站商户的产品信息、来自其它网站的报价信息、来自其它网站的可用性信息、来自商户的报价信息、来自商户的可用性信息、评论、评语、评级等等组成。api可使得能够收集成本信息、产品信息、个人信息、主题信息等等。可从第二类似用户的行为推导出偏好，其中可通过用户及第二类似用户的品味及偏好简档确定相似度。第二类似用户的行为可为选择产品及服务中的至少一者。

在实施例中，本发明可提供第三方社交网络可用来给用户展示社交网络上与其类似的人的品味及偏好api。可作为列表、作为照片、通过地区、通过年龄、通过性别等等展示这些类似的人。例如，用户可访问社交网站且请求查看或连接与其类似的人。社交网站随后可利用品味及偏好api以给用户提供对话来确定其品味及偏好，例如一般来说，关于社会地位、社交网络、活动、音乐、人物等等方面。替代地，用户可已具有直接通过本发明的工具、通过另一第三方api、通过社交网站等等确定的品味及偏好简档。社交网络随后可使用此信息来将用户与社交网络上的其它人进行匹配，例如通过先前确定的其它人的品味及偏好简档、通过关于可通过社交网络获得的其它人的可用信息，等等。例如，用户品味及偏好可指示他们是年轻人且喜欢去纽约的夜总会。社交网站能够将用户与社交网络上的类似的人(例如通过列表、照片、分类、城市的地区等等)进行匹配。在实施例中，品味及偏好api与社交网络可将增强的匹配经验提供给正试图找出要进行社交的其它类似的人的用户。

在实施例中，本发明可提供体现在计算机可读媒体中的计算机程序产品，当计算机程序产品在一个或一个以上计算技上执行时，其可通过执行以下步骤帮助用户通过使用计算机工具来找出社交网站上的其他类似用户：(1)通过第三方社交网站api从用户接收最初的请求，其中最初的请求是为了找出社交网络上与其类似的其他用户；(2)通过社交网站api断定用户偏好；(3)将用户偏好与社交网络上具有类似偏好的其他用户相匹配；及(4)给用户提供包含匹配用户的偏好的其他用户的匹配结果。在实施例中，可通过使用自然语言处理断定偏好。可将匹配结果作为类似用户列表呈现给用户。可将匹配结果作为类似用户的简档呈现给用户。可将匹配结果作为对社交网络内的类似用户的链接呈现给用户。计算工具可为机器学习工具。

在实施例中，本发明可提供第三方搜索工具可用来基于类似用户对哪些结果选择最多而对搜索结果进行排名的品味及偏好api。例如，搜索工具可给用户提供机会来改进通过经由本发明的品味及偏好api提供的品味及偏好简档列出搜索结果的方式的相关性。随后可积累并维持品味及偏好简档数据库或类似者，搜索工具可从其将用户的搜索结果针对其他类似用户先前选择的结果进行排名。在实例中，用户可具有展示一位喜欢航行且有点冒险精神的退休男性的品味及偏好简档。当所述用户搜索加勒比度假目的地时，搜索工具可根据首先列出的这些品味及偏好属性对搜索结果(例如，岛上的帆船租赁包、在岛上徒步旅行、比较另类的目的地等等)进行排名。在实施例中，使用给搜索工具提供的品味及偏好api可改进排名的搜索结果与用户的相关性。

在实施例中，本发明可提供体现在计算机可读媒体中的计算机程序产品，当计算机程序产品在一个或一个以上计算机上执行时，其通过执行以下步骤帮助通过使用计算机工具对搜索结果排名：(1)通过第三方搜索工具从用户接收搜索请求；(2)断定用户偏好，其中来自用户的已断定的偏好创建用户的品味及偏好简档且被存储在包含多个其他用户品味及偏好简档的品味及偏好存储设备中，其中简档还含有其他用户在先前的搜索中所选择的搜索结果的历史；(3)将用户与具有类似品味及偏好简档的其他用户进行匹配；(4)确定用户的搜索请求的搜索结果组；(5)将搜索结果组与由具有类似品味及偏好简档的其他用户选择的搜索结果的历史进行匹配；及(6)给用户提供搜索结果，其中根据由具有类似品味及偏好简档的其他用户选择的匹配结果对搜索结果排名。在实施例中，可通过使用自然语言处理断定偏好。计算工具可为机器学习工具。搜索工具可为搜索引擎。

参考图34，本发明可利用社交图表通过找出经由基于因特网的社交交互结构到达具有已知品味偏好的人的路径来推断未知用户的品味及偏好。以此方式，本发明可提供一种获得系统之前从未听说过的用户的数据的方式。在实施例中，本发明可提供体现在计算机可读媒体中的计算机程序产品，当计算机程序产品在一个或一个以上计算机上执行时，其通过执行以下步骤而帮助通过使用计算机工具上的基于因特网的社交交互图形表示来确定未知用户的偏好3402：(1)断定属于基于因特网的社交交互结构的多个用户的偏好，其中多个用户变成多个已知用户3404；(2)确定多个已知用户3408的基于因特网的社交交互图形表示3412；及(3)基于在图形表示内的未知用户与多个已知用户之间的相互关系推断多个已知用户的基于因特网的社交交互图形表示3412中存在的未知用户的偏好3410。在实施例中，基于因特网的社交交互图形表示可为社交网络、社交图表、社交图等等。未知用户可与基于因特网的社交交互图形表示中的最靠近的已知用户相距三度、五度等等。未知用户的所推断出的偏好使未知用户成为新的已知用户，且新的已知用户可用来在推断第二未知用户的偏好方面做贡献。偏好可包含个人信息、主题信息及与用户的交互有关的类似者，其中可通过基于因特网的社交交互图形表示进行交互。可通过api将交互提供给第三方网站。可结合与用户的基于因特网的社交交互结构中的用户有关的已知用户提供推断。可通过使用自然语言处理断定偏好。计算工具可为机器学习工具。可使用所推断出的偏好对未知用户投放针对性广告、与未知用户共享评论。可使用所推断出的偏好给未知用户推荐产品、服务等等。可使用所推断出的偏好来帮助对未知用户的搜索结果进行排名。紧靠未知用户的已知用户可在推断算法中承担更多的权重。可通过来自其它来源的信息对所推断出的偏好进行精细化，其中其它来源可包含第三方来源、多个已知用户所作出的推荐、多个已知用户的搜索查询、多个已知用户中的一者的搜索结果选择、由多个已知用户中的至少一者通过网络交互所确定的个人品味，等等。其它来源可包含第三方偏好学习api。

在实施例中，本发明可利用社交网络图表、图、图形表示等等来通过找出经由社交网络到达具有已知品味的人的路径而推断未知用户的品味及偏好，或者反之亦然。一般来说，社交图为多个用户及他们的关系的映射。通过使用社交图，可从已知用户及未知用户在图内的相互关系来确定其品味及偏好。例如，具有已知品味及偏好简档的用户可能直接与多个其他用户(例如呈现在社交图中的用户)相关联。为了首次逼近，可假设这些多个其他用户类似于所述用户，且因此具有类似的品味及偏好。随后可给这些其他用户提供利用已知用户的品味及偏好的精细化服务，例如本文所描述。例如，倘若用户具有指示其为攀岩者的品味及偏好简档，那么可假设用户的社交图的第一链接中的用户也为攀岩者。实际上，此通常可被证实为一种假设。然而，假设用户确实与其它攀岩者具有关联是不错的假设，且因此系统可查找整个社交图来搜索喜欢攀岩的其他已知用户。在此实例中，可发现存在也喜欢攀岩的另一已知用户(例如在三个链接之外)，且发现此用户处在与第一用户连接的群集中。由此，假设此群集为一组攀岩者可为不错的假设，且攀岩者可全部拥有彼此相似的一组品味及偏好。在实施例中，可从社交网络图中的关联推断出品味及偏好，且因此可从本文所描述的本发明受益。

在实施例中，本发明可提供体现在计算机可读媒体中的计算机程序产品，当计算机程序产品在一个或一个以上计算机上执行时，其通过执行以下步骤帮助通过使用计算机工具上的社交网络图形表示而确定未知用户的品味及偏好：(1)断定用户偏好，其中用户变成已知用户；(2)确定已知用户的社交网络图形表示；(3)对已知用户的社交网络图形表示中的其它已知用户的存在；及(4)基于未知用户与已知用户及网络图形表示中的其它已知用户之间的相互关系推断存在于已知用户的社交网络图形表示中的未知用户的偏好。在实施例中，可通过使用自然语言处理断定偏好。社交网络图形表示可为社交图形、社交图表等等。计算工具可为机器学习工具。

在实施例中，本发明可组合通过两个或两个以上第三方api确定的用户的品味及偏好以改进通过两个或两个以上第三方api提供的推荐。例如，可存在通过一个以上第三方api建立的品味及偏好简档，且通过组合本发明的这些不同的品味及偏好简档，可产生组合的品味及偏好简档。此外，通过第三方api创建额外的品味及偏好简档，其可用于持续更新组合的用户品味及偏好简档。第三方随后可利用组合的品味及偏好简档来改进其推荐。此可尤其为当不同的第三方集中于不同领域(例如，产品、个人关系、服务、名人等等)上的品味及偏好简档时的情形。可了解，将多个更特定的简档组合成组合简档可提供随后可通过更特定的简档中的任一者而产生的更丰富的品味及偏好简档。此外，用户可随着时间而改变其品味及偏好，且因此在一个第三方api上组合近来的用户简档交互可使未在近期之内与用户交互的另一第三方(但其中所述另一第三方想要保持其用户简档不断更新)受益。

参考图35，在实施例中，本发明可提供体现在计算机可读媒体中的计算机程序产品，当计算机程序产品在一个或一个以上计算机上执行时，其通过执行以下步骤而通过使用计算机工具3502提供改进的品味及偏好简档：(1)通过用户经由第一偏好学习第三方api3504与第一第三方网站3514的交互而创建用户3512的第一品味及偏好简档；(2)通过第二第三方api3508经由第二第三方网站3514收集额外的用户交互信息；及(3)将额外的用户交互信息与品味及偏好简档组合以改进品味及偏好简档3510。在实施例中，可通过经由使用自然语言处理来断定用户偏好而创建第一品味及偏好简档。计算工具可为机器学习工具。api可使得能够收集成本信息、产品信息、个人信息及主题信息中的至少一者。

参考图36，在实施例中，可通过基于网络的建议工具3602来开发及/或利用图表结构3620，以便帮助通过与用户3608的对话(以与用户最小数量的对话)在因特网3604上给用户3608提供推荐，从而在图表结构扩增通往推荐的过程的情况下、在使用图表结构消除与用户进行对话以形成给用户的推荐的需要的情况下等等给用户提供推荐。在实施例中，可通过来自第三方网站3610的信息开发图表结构。在实施例中，在图表中存在多个类型的节点3612，例如人、实体、标签等等。例如，人可为网站、应用、手机装置的用户、商店里的购物者、完全由唯一的cookieid表示的匿名网络浏览者，等等。实体可为人们喜欢的东西、厌恶的东西、购买的东西、搜索的东西、研究的东西等等。标签可为对实体、人等等的简短文本描述。在实施例中，可通过多种类型的边3614连接图表中的节点，例如针对偏好数据、标记数据等等。例如，可通过表示人们喜欢或厌恶实体的程度的偏好边将所述实体连接到人的节点。可通过是否用标签标记这些人或实体而将这些标签连接到人和实体节点。

在实施例中，可由用户明确给出图表数据(例如，用户‘a’说他们喜欢‘b’事物)、从公用的网站抓取图表数据、由第三方来源提供图表数据等等。一旦接收到数据，系统可尝试将其“化名”为系统中现有的数据。例如，如果数据告诉系统用户‘a’喜欢‘b’饭店，那么系统可尝试通过匹配姓名、地址、电话号码及其它信息来识别关于‘b’饭店已经得知的内容(如果有任何内容的话)。此可允许系统从全部针对表示‘b’饭店的同一实体的多个来源聚集数据，例如训练数据。系统可针对用户执行化名。例如，用户jsmith99与john_smith可能是两个不同网站上的同一个人。系统可使用用户名、电子邮件地址、图片、姓与名的全拼、地理位置等等的相似度来使不同网站及身份系统上的用户相关。

在实施例中，图表中的节点可具有“品味简档”，例如具有数值量。可基于一个人的品味简档预测其喜欢或厌恶某一实体或标签。类似地，可基于两个人的品味简档预测其相似或不相似。还可比较实体以使用其品味简档查看其彼此有多类似。系统的图表最初可具有指派给一些节点的品味简档，且随后将这些品味简档传播给没有品味简档的节点。此传播可为使品味简档从具有简档的节点“流动”到没有简档的节点的迭代过程。替代地，迭代可基于相邻的节点简档来更新已有简档的节点的简档。可通过添加新的节点或边且随后单纯地使用相邻节点的简档来更新新的或改变的节点而将新的数据并入到图表中。替代地，系统可在整个图表中运行多次更新迭代。

许多不同种类的数据可适于被视为“喜欢”或“厌恶”。例如，查看网页可在图表中呈现为具有查看网页的个人与表示网页的实体之间的弱连接的边。可通过在买书的一些人与书本自身之间建立强连接的边来表示买书的人。回答具有三个相互排斥的答案的问题的一些人可表示为个人与实体之间的边，其表示他们给出的答案以及用户未给出的两个答案的两个负的边。

在实施例中，方法及系统可基于推荐可为新的、让人感兴趣的等等的程度给用户提供推荐，其将在本文称为‘兴趣度’。在实施例中，兴趣度可为是让人感兴趣的题目、主题、产品等等的组合以及想法有多新奇或活泼。在说明性的实例中，用户可生活在美国且对烹饪意大利食物感兴趣，且因此系统可给用户提供烹饪推荐。在此实例中，推荐‘新的’奶酪风味以尝试帕玛森奶酪(parmesancheese)可具有低的兴趣度，因为可能在美国使用帕玛森奶酪一点都不新鲜，而且甚至相当过时。替代地，佩克里诺(pecorino)奶酪是从羊奶制成的意大利奶酪，且可替代帕玛森奶酪用于披萨盘上面且如果喜欢辛辣味道的话这有时会更受青睐。因而，推荐用佩克里诺替代帕玛森可被认为具有高的兴趣度，至少相对于帕玛森来说是这样。可相对于标准的或典型的东西、相对于过去的推荐、相对于新颖因素等等来确定兴趣度。在此实例中，佩克里诺的兴趣度相对于帕玛森的兴趣度可获得更高评价。

00214在实施例中，兴趣度可与已知的用户品味简档及新鲜性相关，其中新鲜性可意味着新的(例如对世界来说是新的)、用户自己过去的经验所没有的(例如通过参考已知的用户历史)等等。替代地，‘新鲜性’可不一定对世界或用户来说是新的，但可为与使其再次变得有趣的一些东西相关联的新的因素或故事。例如，“21号大街上的墨西哥风味快速便餐(chipotle)”可能并不新或并不有趣，但如果有人提供对“在奥普拉(oprah)吃墨西哥玉米煎饼的墨西哥风味快速便餐吃墨西哥玉米煎饼”的推荐，那么其为有趣的。系统可通过要求用户写出有关他们为何推荐某些东西的原因而对此进行鼓励。可关于用户对项目评级的比率、用户“保存”的项目来确定兴趣度。例如，如果存在书签，保存以备后用、添加到希望清单及类似功能性(例如星级评定功能性)，那么可看到在作为‘保存较少’的项目的评级较高的项目与不受欢迎的项目之间存在相关性。在此实例中，这可以是每个人了解项目，因此他们可对其评级，但所述项目并不值得保存以备后用，因此并不受欢迎。替代地，评级较高的且经常被用户保存的项目可被视为受欢迎的，因为项目不仅受高度好评(即，被评级较高)且值得保存以供以后考虑。兴趣度可促进社交活动。例如，附近可能一直有一家饭店，且用户对其了解，但一个天气晴朗的周末却突然开始获得更多foursquare.com的签到。此可标志着一些让人感兴趣的事情正在发生。在实施例中，建议工具还可通过查看书籍、电影、相册、产品等等的发行日期来确定一些东西是新的或对用户来说是新的，且采取在因特网上找到项目的最早日期来确定其兴趣度；查看网络上针对某些东西第一次所写的评论的日期；查看例如电影发布、音乐会、作者访谈等等的事件，其可被固有地认为是新的；等等。建议工具还可请求用户对他们已经了解的东西进行评级，其中系统可假设用户未进行评级的项目对他们来说是新的。建议工具可具有‘保存’特征以鼓励用户在他们不了解某些东西却仍想要对其付款时使用。

因此将了解，如在本文所使用，术语‘兴趣度’可包含(或更具体来说，在数量上根据以下者进行评价)常识中的相关性，尤其是当其与用户简档(或品味简档)及新内容之间的关系相关时。对于评价相关性来说，广泛多种分析的、数学的、基于规则的及/或试探式的技术是已知的，其任一者可有用地进行调适以确定本文所关注的相关性(且更通俗地说是兴趣度)。然而，兴趣度额外地包含用户与基于(例如)时间、位置、用户历史等的内容之间的动态关系。

例如，时间可能仅作为新奇性的度量而较重要，例如在当前统计数据比相同的统计数据的更老的测量值更让人感兴趣的情况下。相反，用户对历史中的时间或时期、更老的统计数据、事实、观点及具有明确的时间的类似者中的特定点表现出兴趣的地方可更让人感兴趣。新奇性(即，测量项目离现在有多近的一种度量)可对其中存在有关主题的信息的大量分歧项目的且其中存在对所述分歧项目的特定者的当前流行度或兴趣显著增加的兴趣度尤其重要。此类型的流行度可以多种方式进行测量，例如博客活动的被动测量、新近编制索引的网络内容或者任何其它基于因特网的对用户兴趣的测量，以及点击数、流量或者网络服务器处其它活动的主动测量，以及对客户端活动的群组监视或个别监视。时间对其它背景中的项目的兴趣度也重要，例如在用户查询中时间为明确或隐含的情况，例如本周末要做的事情、今晚放映的电影等。

位置也可显著影响兴趣度。此可包含使用任何合适的位置感知技术的简单地理接近性，且可并入用户简档的其它方面(例如对特定场所的兴趣(例如，食物、艺术、娱乐))或与用户相关联的当前活动。然而，将了解，此还可包含位置相关的项目(例如关于用户可乘坐各种运输替代物(例如，汽车、公共运输等)到达附近位置的便捷性的推断)以及用户可用于即时的或扩展的旅游规划的预算。此外，位置及其相对应的兴趣度的背景可取决于其它动态位置属性，例如社交网络内的朋友的位置以及与社交网络内的朋友的相近性或距离。

用户历史还可用于将兴趣度参数化。例如，在新的项目响应于用户查询或与用户简档匹配良好却与用户先前获得的内容截然不同的情况下，此特殊性可使项目在数量上更让人感兴趣，即使计算出的相关性等于或小于其它结果的相关性也如此。因此在一个方面中，兴趣度可同时取决于相似度(或相关性，或类似者)及相异度，或更特定来说，取决于使项目与用户历史中的先前的内容相异的特征。替代地，信息项目可在基于用户当前内容的其它方面被取消强调的相关性的总度量上排名较低。因此，兴趣度可基于在对用户的新奇性方面(通过用户历史中的信息的相异度而明确测得的，或用以基于用户背景调适相关性评分的任何客观性基础)进一步扩增的任何合适的相似度或匹配性度量来给用户提供相关性的度量。在一个方面中，可基于用户简档以及与用户历史及用户当前背景的一个或一个以上方面(例如时间或位置)的相异度而将兴趣度作为相关性进行客观地测量。如以此方式所测量，许多客观上高度相关的项目可能并不特别让用户感兴趣，而边缘相关的项目可能让用户非常感兴趣。

参考图37，可通过推荐工具3704将推荐提供为基于网络的建议工具3702的部分。在实施例中，推荐工具可在产生给用户3722的推荐的过程中利用兴趣度过滤3708。推荐来源可包含朋友3718、类似用户3714、有影响力的人3720、来源网站3712等等。可通过因特网3710、通过电信工具3724(例如手机网络)等等将推荐提供给用户。

在实施例中，兴趣度的确定可与其他个人(例如，朋友、名人、权威人士)的‘社交活动’、产品、位置的‘出生’日期、位置、事件(例如，饭店开业、电影上映、新产品)等等有关。其他个人的社交活动可与影响用户的个人(例如，对主题评级很高的朋友、具有类似品味的对主题评级很高的朋友、有影响力的对主题评级很高的非朋友、在此主题中对主题评级很高的具有类似品味的非朋友，等等)有关。这些其他人可属于不同类别，例如朋友；用户不一定认识的却在此主题上具有类似品味的人；不一定与用户具有相同品味却名气很大、作品多的、众所周知的人；此主题中的评论员(例如，电影评论员)；等等。所述系统还可注意用户的哪些朋友在此特定主题中与用户具有类似品味。例如，如果泰德(ted)与用户有类似的饭店品味而爱丽丝(alice)没有，那么如果泰德喜欢一家饭店，用户就可能对所述饭店感兴趣，而如果爱丽丝喜欢一家饭店，用户就不一定对所述饭店感兴趣。可被认为使用户对一些东西感兴趣的其它原因是朋友是否已保存推荐以备后用、朋友是否对推荐进行积极的评论及讨论，等等。

在实施例中，当用户请求时，可以周期性地通过电子邮件、社交网络、第三方网站结合搜索主题将与当前地理位置、家用计算机、移动计算机、移动通信工具(例如，手机、智能对话、pda)等等有关的推荐作为数据源、作为推送服务提供给用户。例如，可基于用户的当前地理位置给用户提供对他们的移动电话的兴趣度推荐，例如对区域中的商店的产品推荐(例如，产品促销、新产品、抢手的产品)、要参观的地方、要体验的饭店等等，其中推荐是基于兴趣度。以此方式，用户并不仅仅接收推荐，而是接收更让人感兴趣的一组推荐，其可增加用户例如在‘发现’新想法、位置、产品等等中将对推荐感兴趣的概率。且当发现与特定风格相关联时，其变成‘本地发现’、‘饭店发现’、‘技术发现’、‘烹饪发现’等等。

在实施例中，本发明可给用户提供‘本地发现’，其中本地发现可包含给用户提供新的让人感兴趣的东西而非依赖用户将一些东西输入到搜索框中或以其它方式将搜索结果“拖”给用户。此可对比较难以进行输入的移动装置特别有用，例如当装置输入是输入受约束时(例如，小型键盘、小型显示器、用户在移动(步行、驾驶)等等)。虽然本文主要关于移动装置应用提供对本地发现的描述，但所属领域的技术人员将了解，其可在任何计算工具(例如，膝上型计算机、桌上型计算机、导航装置或类似者)上实施。还可通过网络接口、通过给用户的“新东西”的电子邮件、通过twitter、通过给博客平台(例如，wordpress、tumblr等)发帖等等使本地发现功能性可用。此外，可基于请求给用户提供本地发现内容、将本地发现内容传输给用户(例如，发电子邮件)以给用户推送(例如，每周)新的让人感兴趣的东西等等。

在实施例中，移动装置本地发现应用可展示附近的用户位置，例如他们过去已在应用中评级、他们的朋友已评级、与用户具有类似品味的人已评级、权威来源已评级、名人已评级等等，其中‘评级’可为从人的行为(例如，在线或离线)推断出的推荐。在实施例中，所展示的位置可为饭店、酒吧、精品店、旅馆等等。还可存在导航元件以使用户过滤到更窄的列表，举例来说，例如其它人所推荐的例如附近的或在特定位置处的“意大利饭店”。

除了展示位置之外，本地发现还可给用户展示要买的项目、要参加的事件、要查看的事情(例如其是否有闲暇时间)等等。例如，本地发现可提供用户可能想要阅读的推荐书籍列表且任选地展示他们在当地哪里购买。本地发现可基于机器学习(例如，用户的朋友最近喜欢什么、在书籍方面具有类似品味的人最近喜欢什么、受欢迎的/杰出的评论员最近喜欢什么等等，或仅仅是什么是全面流行的或在用户附近流行的)选择项目、提供推荐等等。类似地，此还可应用于其它种类的产品、要参加的事件等等。

在实施例中，本地发现可找出在每一领域(饭店、书籍等)中具有类似品味的人们且随后让用户关注他们进行评级的东西。当使用移动应用时，本地发现可使用用户位置来过滤附近类似于用户的人所喜欢的东西的列表。本地发现可通过机器学习(要求用户与另一个人对各种位置及东西评级、要求其两者回答问题以估量相似度等等)确定其两者的品味是否相似。本地发现(例如通过建议工具)随后可尝试证实用户与另一个人之间的相似度，例如基于都喜欢不著名的东西、都厌恶流行的东西、展示另一个人已写出的书面评论、描述另一个人的特点(人口统计、位置等)、展示有多少其他人关注另一用户，等等。

在实施例中，本地发现并不产生给定区域的所推荐的地方、东西或事件的列表，而是还可产生让用户感兴趣的例如具有高的兴趣度评级的东西的“发现”源。此可意味着每次用户在他们办公室附近查看时其并不看所推荐的相同的十家饭店，而是每天看所展现的若干不同的结果。理想上，可基于用户的朋友或具有类似品味的人所喜欢的你附近的若干新地方来展现这些新饭店，但其还可是部分编辑的过程，其中与本地发现应用的实施相关联的工作人员经常找出新地方且将其发送给用户基础。

在实施例中，用户还可保存“愿望列表”、“代办事项列表”等等以备后用。此所保存的产品、地方、事件等等的列表随后还可用于向用户通告有关这些产品、地方及事件的交易、可用性、新评论等等以便向用户通告他们感兴趣的东西。例如，如果用户在路过一家商店时他们的手机发出震动以告诉他们可以在这家商店买某些鞋子，那么除非用户先前已在他们的“愿望列表”上指示他们想要那些鞋子，否则其可能是让人讨厌的。

在实施例中，本地发现应用的用户接口可为地图、文本列表、用于浏览的类似接口的“滚动封面”(例如在苹果计算机的滚动封面的实施中)等等。接口还可在具有类似品味的朋友或某人喜欢附近的一些东西时、喜欢用户已保存到其愿望列表的一些东西时等等时给用户发送通告。

在实施例中，本地发现应用可与天气相关联，其中应用可基于个人想要有关其的推荐的区域中的实际的或预测的天气来部分确定推荐。例如，应用可在天气暖和且没有雨的时候推荐具有大的户外座位的地方、在天气宜人的时候推荐要在户外做的事情、在天气糟糕的时候更倾向于推荐去博物馆等等。

在实施例中，本地发现应用可与日时相关联，例如在做出推荐的时候考虑操作所需的小时数及与某个地方的距离。例如，如果一个人想要现在去吃饭的地方，系统不会推荐已经打烊或快要打烊的地方。类似地，系统不会推荐那些已经售完的东西、用估计的交通时间无法及时到达的地方，等等。

在实施例中，本地发现应用可与品味相关联，例如在做出推荐的时候使用个人品味而非仅展示在附近的用户之间流行的东西。在实施例中，可通过用户喜欢的东西、用户在社交网络上关注的人等等(例如本文所描述)来推断出品味。

在实施例中，本地发现应用可与位置相关联，例如在做出推荐时考虑个人的位置、在给用户提供其可获得推荐的主题的列表时使用其位置等等。例如，如果附近没有发廊，系统将不会给用户提供获得关于发廊的推荐的选择。类似地，如果没有墨西哥饭店或视频游戏商店，系统不会提供对那些主题方面的推荐的选择。如果用户的位置是在商店内，系统不会提供关于商店以外的或商店不销售的主题的推荐。

在实施例中，本地发现应用可与社交活动相关联，例如展示已从朋友、从在主题方面备受尊敬的权威人士、从与用户具有类似品味的人等等接收一定数量的活动的推荐。

在实施例中，本地发现应用可与让人感兴趣的推荐(由于其是新的、新近流行的、已接收社交活动、具有其不新也不够流行用户可能已经了解所述推荐的指示等等)相关联，例如本文在兴趣度方面所描述。

在实施例中，本地发现应用可与用户在其移动装置上保存什么项目相关联，例如当个人使用移动应用时可将兴趣度推荐以及他们在商店中所看到的或四处走动时所看到的东西“保存以备后用”。例如，如果他们在书店看到他们喜欢的书，他们可扫描条码且将其保存以备后用。如果他们看到他们喜欢的饭店，他们可拍照且捕获其位置(例如经由gps)且将其保存以备后用。保存的内容随后可为以后在移动应用中使用的推荐的基础，或者可通过其它通道(例如，每周的电子邮件提醒)、通过网络应用等等将内容发送给用户。系统还可将保存用作社交指示器，例如指示一些东西是其他用户感兴趣的内容。

在实施例中，本地发现应用可与用户在因特网上保存什么项目相关联。此可类似于在移动装置自身上的保存，其中用户可保存他们在网络上发现的内容且随后通过其移动应用使用它。例如，如果用户看到书评且将其保存以备后用，那么可在随后用户使用其移动装置寻找书籍推荐时给用户推荐所述书评。类似地，他们可保存饭店或要做的事情且随后在其移动装置上对保存的内容进行提醒。

在实施例中，本地发现应用可与显示被提供推荐的主题相关联，例如当移动应用第一次开始表示推荐在其中为有效的主题时显示图片的栅格。选择可基于用户的位置、其对应用的历史使用等等，其中应用预测用户的兴趣所在。例如，当应用启动时，基于给其推荐的用户附近的饭店以及应用认为用户对iphone应用及视频游戏感兴趣的确信，可存在饭店、iphone应用及视频游戏以及其它者的图片。可基于应用的用户知识选取实际的图片。例如，饭店主题的图片可为应用预测用户可能会喜欢的附近饭店的图片。图片的大小及分类可基于应用预测的用户将对所述主题的感兴趣程度，以使用户使用最频繁的图片处于列表顶部且以最大的图片展示，如在图38中所展示。用户随后可选择推荐中的一者，且被链接到与推荐相关联的更详细的信息，如图39中所展示。

在实施例中，可以排序作为用户兴趣的功能而将推荐显示为图像，例如在不规则栅格中，其中左右上下排序是基于系统认为用户将对每一推荐或每一主题感兴趣的程度而进行。例如，如在图40中所展示，系统已预测与咖啡店相比用户更喜欢饭店，且因此将饭店瓦片排在咖啡店瓦片前面。而且，每一瓦片的内容是用户可能喜欢的所述主题中的推荐。因此饭店瓦片展示用户附近的用户可能喜欢的饭店，电影瓦片展示音乐可能喜欢的电影等。

在实施例中，本地发现应用可与确定获得推荐的半径相关联，例如应用必须选取在距离用户的位置多远的半径内来返回推荐。可由用户基于用户周围区域的人口密度等等来选择半径。例如，在纽约半径可为0.025英里，而在偏远的南卡罗来纳州半径可为60英里。

在实施例中，本地发现应用可与确定展示来自哪个人的评论相关联，例如当推荐展示在应用中时，其可伴随有来自人们的评论、评级或其它推荐。应用可基于人们是否与使用应用的个人具有类似品味、是否是用户的朋友、是否是权威评论员等等来选择展示哪个人，例如图41中所展示。

参考图42，方法及系统可通过基于计算机的建议工具4202给用户提供推荐(包括收集主题信息)，其中所收集的主题信息包含与主题让人感兴趣的程度有关的方面或兴趣度方面；基于兴趣度方面4204过滤所收集的主题信息；从所收集的主题信息确定兴趣度评级，其中通过基于计算机的建议工具4208进行确定；及基于兴趣度评级4210给用户提供有关主题信息的推荐。在实施例中，可从指示主题的推荐的另一个体的社交活动至少部分推导出兴趣度方面。其他个体可为朋友、名人、权威人士及或类似者。其他个体可(或者通常)或者关于特定类别或兴趣类型与用户具有类似品味。社交活动可为保存推荐。社交活动可为积极评论及讨论推荐中的至少一者。还可从其他个体的活动收集关于因特网上的来源(例如社交网络活动)的社交活动。可基于指示主题信息具有某一方面的新鲜性或新奇性的指示来确定主题信息的兴趣度方面。新奇性可为指示主题信息在预定的时间周期内是新的主题信息的指示。新奇性可为指示主题信息是新近流行的指示。可根据网络上的活动级别将状态确定为新近流行。新奇性可为普通的(例如社交网络中新近新流行的主题的出现)，或其可对用户来说是特定的(例如当较老的主题首次暴露于用户时)，使其对用户来说是新的(如果对整个社交网络来说不是新的话)。主题信息的兴趣度方面可至少部分基于评论、推荐、博客条目、微博、权威来源、新闻来源、电子出版物、购买、观点、时间观及或类似者。并非限制，兴趣度方面可基于时间数据。时间数据可为发行日期，例如电影、产品等等。时间数据可为事件的开始，例如饭店开业、文化活动开幕等等。兴趣度方面可为频率数据，例如关于在在线来源中有多频繁地引用主题信息。兴趣度方面可与用户跟计算机装置的交互有关。用户交互可由机器学习工具解释为指示用户对主题信息的偏好级别的用户行为。用户交互可为对网络链接的选择。用户交互可为轻敲、触摸及点击计算机装置屏幕中的至少一者。基于计算机的建议工具可包含机器学习工具。基于计算机的建议工具可包含推荐工具。过滤可为合作过滤。可将推荐发送给用户的移动通信工具以提供在用户当前地理区域中的推荐。在移动通信工具上可存在图形用户接口，其给用户提供将提供给用户的推荐精细化的能力。推荐可给用户展示要买的项目、要参加的事件、要看的东西等等中的至少一者。推荐可与当地商店有关。推荐可与当地饭店有关。推荐可与当地酒吧有关。推荐可与娱乐有关。可基于对地理区域来说特定的兴趣度将推荐进一步过滤给用户。可针对用户所处的当前地理区域将推荐源发送给用户。可仅给用户发送满足置信度阈值及系统预测用户将会喜欢推荐的程度的阈值的推荐。置信度阈值可与兴趣度评级有关。可由机器学习工具基于与系统提供的先前推荐有关的用户的过去的行为来确定置信度阈值。用户能够保存推荐以存储在移动通信装置上。用户能够保存推荐以用基于计算机的建议工具进行存储。

参考图43，方法及系统可通过基于计算机的建议工具4302给用户提供地理上本地化的推荐(包括从因特网来源收集推荐)，其中确定推荐具有兴趣度方面。可基于地理位置方面4304进一步确定推荐。进一步的选项可包含将所收集的推荐与所导出的用户品味及用户当前地理位置4308进行比较，从而基于对比较4310的处理而为用户确定至少一个推荐，且将至少一个推荐递送给用户的移动通信装置，其中使得用户能够进行查看、保存及分享推荐中的至少一者，例如经由至少部分驻留在基于计算机的建议工具4312上的应用。

在实施例中，基于计算机的建议工具可为移动通信装置。移动通信装置可为智能电话。查看可包含提供来自因特网来源的源信息。源信息可包含最初的推荐、评级、与因特网来源相关联的图像或类似者。图像可为提供推荐的个体的照片或另一指示，例如表示此个体的图标。源信息可包含指示做出推荐的至少一个个体的品味的相似程度的视觉指示器。指示可为定性的(例如，“此个体具有与你的品味高度类似的品味”)或定量的，例如表达测量相对相似度的度量(例如，“你在20个类别中与此个体共享10个兴趣”)。源信息可包含指示与做出推荐的更多个体的品味类似的程度的视觉指示器。视觉指示器可基于品味相似度的程度指示对个体的分类。可按照相似度的降序将个体列出。

在实施例中，兴趣度方面可为新的主题信息，例如通过域(例如，因特网域、因特网新闻来源的集合、企业网络、社交网络或作为整体的因特网)中的信息的出现日期进行确定。

例如通过与用户评论的、用户存取的过去的内容或类似者的比较、通过用户的浏览历史来反映、通过在一个或一个以上装置上追踪用户活动或类似者，兴趣度方面可为被建议工具视为对用户来说是新的主题信息。

在实施例中，兴趣度方面可为具有对现有主题来说是新的方面的主题信息，例如其中用户已在过去展示对其的兴趣的新闻主题的更新、例如用户反馈或用户活动所反映的、例如对项目的存取、评论项目所花费的时间或类似者。

兴趣度方面可被确定为与用户对项目评级的比率相关或者与用户保存的项目有关。

00248在实施例中，可通过与主题信息相关联的社交活动的加快来确定兴趣度方面。

在实施例中，可基于具有一个以上方面的信息确定兴趣度方面，例如被确定为与用户简档类似(例如，例如类似于用户过去已展示对其的兴趣的项目、与用户的兴趣的类别相匹配、展示与具有类似品味的其他用户的相关性或兴趣，或类似者)而同时与用户的历史相异(即，以上述方式中的一者对此用户来说是新的)的信息。因此，举例来说，可预料已表达对特定名人的过去的兴趣的用户可能对关于所述名人的爆炸性新闻项目具有极高的兴趣。

00250在实施例中，可基于用户当前位置与时间因素进一步确定兴趣度方面，其中时间因素基于通过本发明中所指出的因素中的一者而确定为新(例如对于域(最多包含整个因特网，但任选地基于关于具有对用户当前位置的链接的域来说是新的)来说是新的)的主题信息、基于被建议工具视为对用户来说是新的主题信息、基于具有现有主题的新的方面的主题信息、被确定为与用户对项目进行评级的比率有关、基于被用户保存的项目、通过与主题信息相关联的社交活动的加快来确定，等等。地理方面可为与主题信息相关联的地理位置，其中地理位置可为事件的位置、商店的位置、饭店的位置、兴趣点的位置、至少一个产品位置，等等。

在各个实施例中，所导出的用户品味可基于评级(其中评级可由用户、用户的朋友、与用户具有类似品味的人、权威来源、名人提供)、可使用关于用户在线行为的机器学习来从用户行为推断，等等。用户行为可为在线行为，其包含购买行为、浏览行为、社交网络行为、基于位置的行为，等等。推荐可为要买的项目、要参观的地方、要参加的事件、要吃饭的地方等等。推荐可基于来自用户的当前地理位置的与用户具有类似品味的至少一个其他用户的评级及推荐中的一者。可由机器学习通过来自另一用户的评级中的至少一者及另一用户的在线行为来确定类似品味。推荐可作为本地发现推荐源的部分的而提供。推荐可为保存到列表的推荐的保存，其中列表可为愿望列表、代办事项列表、事件列表、交易列表，等等。当保存的推荐的地理位置方面与用户的当前位置相匹配时，可通过本地发现应用给用户展示保存的推荐。可基于来自至少一个其他用户的推荐将推荐转发给用户，其中建议工具确定用户当前位置周围的使用其他用户的推荐的可应用半径。应用可为本地发现应用，其中本地发现应用使新的及保存的推荐中的至少一者与天气相关、使新的及保存的推荐中的至少一者与日时相关、使新的及保存的推荐中的至少一者与用户的社交活动相关，等等。本地发现应用可基于建议工具认为用户将会对每一推荐及每一主题中的至少一者感兴趣的程度显示图像。可将所显示的图像显示在不规则栅格中，其中左右上下排序可基于建议工具认为用户将会对每一推荐及每一主题中的至少一者感兴趣的程度。

本文所描述的方法及系统可部分或全部通过在处理器上执行计算机软件、程序代码及/或指令的机器进行部署。本发明可实施为机器上的方法、实施为作为机器的一部分的或与机器相关的系统或设备，或者实施为在机器中的一者或一者以上执行的计算机可读媒体中所体现的计算机程序产品。处理器可为服务器、客户端、网络架构、移动计算平台、固定计算平台或其它计算平台的部分。处理器可为能够执行程序指令、代码、二进制指令等等的任一种计算或处理装置。处理器可为或可包含信号处理器、数字处理器、嵌入式处理器、微处理器或任何变体(例如协处理器(数学协处理器、图形协处理器、通信协处理器等等))及可直接或间接促进存储在其上的程序代码或程序指令的执行的类似者。此外，处理器可使得能够执行多个程序、线程及代码。可同时执行线程以增强处理器的性能且促进应用的同时操作。通过实施方案，本文所描述的方法、程序代码、程序指令等等可在一个或一个以上线程中进行实施。线程可大量产生可具有与其相关联的所指派优先级的其它线程；处理器可基于优先级执行这些线程或可基于在程序代码中提供的指令执行任何其它命令。处理器可包含存储本文及其它地方所描述的方法、代码、指令及程序的存储器。处理器可通过可存储在本文及其它地方所描述的方法、代码及指令的接口存取存储媒体。与处理器相关联的用以存储能够由计算或处理装置执行的方法、程序、代码、程序指令或其它类型的指令的存储媒体可包含(但不限于)cd-rom、dvd、存储器、硬盘、快闪驱动器、ram、rom、高速缓冲存储器等等中的一者或一者以上。

处理器可包含可增强多处理器的速度及性能的一个或一个以上核心。在实施例中，处理可为组合两个或两个以上独立核心(所谓的裸片)的双核处理器、四核处理器、其它芯片级多处理器等等。

本文所描述的方法及系统可部分或全部通过在服务器、客户端、防火墙、网关、集线器、路由器或其它计算机及/或网络硬件上执行计算机软件的机器进行部署。软件程序可与可包含文件服务器、打印服务器、域服务器、因特网服务器、内联网服务器及其它变体(例如次要服务器、主机服务器、分布式服务器等等)的服务器相关联。服务器可包含存储器、处理器、计算机可读媒体、存储媒体、端口(物理的及虚拟的)、通信装置及能够通过有线或无线媒体存取其它服务器、客户端、机器及装置的接口等等中的一者或一者以上。本文及其它地方所描述的方法、程序或代码可由服务器执行。此外，执行如在本申请案中所描述的方法所需要的其它装置可被认为是与服务器相关联的架构的一部分。

服务器可提供到其它装置(包含(但不限于)客户端、其它服务器、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器等等)的接口。此外，此耦合件及/或连接件可促进跨网络对程序的远程执行。这些装置中的一些或全部的连网可在不偏离本发明的范围的情况下促进程序或方法在一个或一个以上位置处的并行处理，此外，通过接口与服务器附接的装置中的任一者可包含能够存储方法、程序、代码及/或指令的至少一个存储媒体。中心存储库可提供待在不同装置上执行的程序指令。在此实施方案中，远程存储库可用作程序代码、指令及程序的存储媒体。

软件程序可与可包含文件客户端、打印客户端、域客户端、因特网客户端、内联网客户端及其它变体(例如，次要客户端、主机客户端、分布式客户端等等)的客户端相关联。客户端可包含存储器、处理器、计算机可读媒体、存储媒体、端口(物理的或虚拟的)、通信装置及能够通过有线或无线媒体存取其它客户端、服务器、机器及装置的接口等等中的一者或一者以上。本文及其它地方所描述的方法、程序或代码可由客户端执行。此外，执行如在本申请案中描述的方法需要的其它装置可被认为是与客户端相关联的架构的一部分。

客户端可提供到其它装置(包含(但不限于)服务器、其它客户端、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器等等)的接口。此外，此耦合件及/或连接件可促进跨网络对程序的远程执行。这些装置中的一些或全部的连网可在不偏离本发明的范围的情况下促进程序或方法在一个或一个以上位置处进行并行处理。此外，通过接口附接到客户端的装置中的任一者可包含能够存储方法、程序、应用、代码及/或指令的至少一个存储媒体。中央存储库可提供待在不同装置上执行的程序指令。在此实施方案中，远程存储库可用作程序代码、指令及程序的存储媒体。

通过网络架构可部分或完全部署本文所描述的方法及系统。网络架构可包含例如计算装置、服务器、路由器、网络中心、防火墙、客户端、个人计算机、通信装置、路由装置及此项技术中已知的其它有源及无源装置、模块及/或组件的元件。与网络架构相关联的计算机/或非计算装置可包含(除了其它组件之外)存储媒体，例如快闪存储器、缓冲器、堆叠、ram、rom等等。本文及其它地方所描述的过程、方法、程序代码、指令可由网络架构元件中的一者或一者以上执行。

本文及其它地方所描述的方法、程序代码及指令可在具有多个小区的蜂窝式网络上实施。蜂窝式网络可为频分多址(fdma)网络或码分多址(cdma)网络中的一者。蜂窝式网络可包含移动装置、小区站、基站、中继器、天线、塔等等。蜂窝式网络可为gsm、gprs、3g、evdo、网格或其它网络类型。

本文及其它地方所描述的方法、程序代码及指令可在移动装置上实施或通过移动装置实施。移动装置可包含导航装置、手机、移动电话、移动个人数字助理、膝上型计算机、掌上型计算机、上网本、寻呼机、电子书阅读器、音乐播放器等等。这些装置可包含(除了其它组件之外)存储媒体，例如快闪存储器、缓冲器、ram、rom及一个或一个以上计算装置。与移动装置相关联的计算装置能够执行存储在其上的程序代码、方法及指令。替代地，移动装置可经配置以与其它装置合作执行指令。移动装置可与同服务器介接且经配置以执行程序代码的基站进行通信。移动装置可在对等网络、网格网络或其它通信网络上进行通信。程序代码可存储在与服务器相关联且由嵌入在所述服务器中的计算装置执行的存储媒体上。基站可包含计算装置及存储媒体。存储装置可存储由与基站相关联的计算装置执行的程序代码及指令。

计算机软件、程序代码及/或指令可存储及/或存取于机器可读媒体上，机器可读媒体可包含以下各者：计算机组件、装置及保留用于在一些间隔时段内进行计算的数字数据的记录媒体；已知为随机存取存储器(ram)的半导体存储器；通常用于更长久的存储的大容量存储器，例如光盘、类似硬盘的磁存储器的形式、磁带、磁鼓、卡片及其它类型。处理器寄存器、高速缓冲存储器、易失性存储器、非易失性存储器；光学存储器，例如cd、dvd；可移动媒体，例如快闪存储器(例如usb棒或密钥)、软盘、磁带、纸带、穿孔卡片、独立式ram磁盘、zip驱动器、可装卸大容量存储器、离线等等；其它计算机存储器，例如动态存储器、静态存储器、读/写存储器、可变存储器、只读、随机存取、顺序存取、可寻址位置、可寻址文件、可寻址内容、网络附接存储器、存储区域网、条形码、磁性墨水等等。

本文所描述的方法及系统可将物理及/或或者无形项目从一个状态转变到另一个状态。本文所描述的方法及系统还可将表示物理及/或无形项目的数据从一个状态转变到另一个状态。

本文所描述及描绘的元件(包含所有图中的流程图及框图中的)暗示元件之间的逻辑边界。然而，根据软件或硬件工程实践，其所描绘的元件及功能可通过具有能够执行作为整体软件结构、作为单独软件模块或作为采用外部例程、代码、服务等的模块存储在其上的程序指令的处理器的计算机可读媒体在机器上实施，且所有此类实施方案可在本发明的范围内。此类机器的实例可包含(但不限于)个人数字助理、膝上型计算机、个人计算机、手机、其它手持式计算装置、医疗设备、有线或无线通信装置、换能器、芯片、计算器、卫星、平板pc、电子书、小配件、电子装置、具有人工智能的装置、计算装置、连网设备、服务器、路由器等等。此外，在流程图及框图中所描绘的元件或任何其它逻辑组件可在能够执行程序指令的机器上实施。因此，虽然上述图式及描述陈述所揭示的系统的功能方面，但不应从这些描述推断出用于实施这些功能方面的特定布置，除非明确规定或以其它方式根据上下文清晰可见。类似地，将了解，上文所确定及描述的各个步骤可改变，且步骤的顺序可适于本文所揭示的技术的特定应用。所有此类改变及变更希望属于本发明的范围。因此，不应将对各个步骤的顺序的描绘及/或描述理解为需要针对那些步骤的特定执行顺序，除非特定应用需要，或明确规定或以其它方式根据上下文清晰可见。

上文所描述的方法及/或过程及其步骤可在硬件、软件、或适于特定应用的硬件及软件的任一组合中实现。硬件可包含通用计算机及/或专用计算装置或特定计算装置或特定计算装置的特定方面或组件。过程可在一个或一个以上微处理器、微控制器、嵌入式微控制器、可编程数字信号处理器或其它可编程装置以及内部及/或外部存储器中实现。所述过程还可(或替代地)体现在专用集成电路、可编程门阵列、可编程阵列逻辑或任何其它装置或可经配置以处理电子信号的装置的组合中。将进一步了解，所述过程中的一者或一者以上可实现为能够在机器可读媒体上执行的计算机可执行代码。

可使用可被存储、编译或解译以在上述装置中的一者上运行的结构化编程语言(例如c)、面向对象的编程语言(例如c++)或任何其它高级或低级编程语言(包含汇编语言、硬件描述语言及数据库编程语言及技术)以及处理器的异构组合、处理器架构或不同硬件及软件的组合或者能够执行程序指令的任何其它机器来创建计算机可执行代码。

因此，在一个方面中，上文所描述的每一方法及其组合可体现在计算机可执行代码中，当在一个或一个以上计算机装置上执行所述代码时其执行其步骤。在另一方面中，方法可体现在执行其步骤的系统中且可以多种方式分布在装置上，或者所有功能性可被集成到专用的独立装置或其它硬件中。在另一方面中，用于执行与上文所描述的过程相关联的步骤的构件可包含上文所描述的硬件及/或软件中的任一者。所有此类排列及组合希望属于本发明的范围。

虽然已结合详细展示及描述的优选实施例解释本发明，但在其上做出的各种变更及改变将对所属领域的技术人员显而易见。因此，本发明的精神及范围并不受限于上文的实例，而应在法律允许的最广泛的意义上来理解。

本文所参考的所有文献以引用的方式并入本文。