адаптивное неявное изучение для рекомендательных систем

Формула изобретения

1. Устройство для управления рекомендательной системой, содержащее:

a) регистрирующее средство (S100) для обнаружения и регистрации действий пользовательского интерфейса в отношении по меньшей мере одного элемента контента, управляемого посредством пользовательского интерфейса;

b) средство вычисления (S200, S300) для вычисления на основе зарегистрированных действий пользовательского интерфейса числовых или категориальных значений, характеризующих использование элемента контента, и для определения из этих числовых или категориальных значений и из явной оценки пользователя упомянутого элемента контента вклада в историю оценки; и

c) средство преобразования (S400) для преобразования истории оценки в профиль пользовательского интерфейса, который подается в рекомендательное средство (S500), чтобы оценить новый элемент контента;

d) при этом вывод рекомендательного средства (S500) используется в качестве истории неявной оценки (S600) для рекомендательной системы.

2. Устройство по п.1, в котором упомянутые действия пользовательского интерфейса включают в себя управляющие действия для управления использованием упомянутого элемента контента.

3. Устройство по п.2, в котором упомянутый элемент контента содержит последовательную аудио- и/или видеоинформацию, и упомянутые управляющие действия управляют по меньшей мере одним из запуска, остановки, удаления и пропуска упомянутой аудио- и/или видеоинформации.

4. Устройство по п.1, в котором регистрирующее средство (S100) выполнено с возможностью регистрировать упомянутые действия пользовательского интерфейса вместе с ассоциированной контекстной информацией, которая содержит по меньшей мере одно из даты, времени и последовательного порядка упомянутого по меньшей мере одного элемента контента.

5. Устройство по п.1, в котором средство вычисления (S200, S300) выполнено с возможностью определять из упомянутого использования упомянутого элемента контента по меньшей мере одно из доли использования элемента контента, количества использований элемента контента, самого длинного интервала использования без прерываний, удаления элемента контента, количества раз, которое было активировано средство управления ускоренной перемотки вперед, количества раз, которое было активировано средство управления повторного воспроизведения, количества раз, которое было активировано средство управления перескока вперед, количества раз, которое упомянутый элемент контента был пропущен, явного архивирования упомянутого элемента контента, продолжительности между запуском и удалением, времени, проведенного для считывания метаданных, и доступа к расширенным метаданным.

6. Устройство по п.1, дополнительно содержащее средство интеграции (S310) для объединения истории неявной оценки с поставляемой историей явной оценки.

7. Устройство по п.1, в котором средство вычисления (S200, S300) выполнено с возможностью откладывать объединение численных значений и заданной явной оценки для упомянутого элемента контента до тех пор, пока заранее определенное количество упомянутых числовых или категориальных значений не будет доступно для упомянутого элемента контента.

8. Устройство по п.1, выполненное с возможностью объединять неявный профиль, полученный на основе истории неявной оценки, с явным профилем, основывающимся на истории явной оценки, в интегрированном рекомендательном средстве (S520).

9. Устройство по п.1, при этом рекомендательная система содержит неявное рекомендательное средство (S560) для использования истории неявной оценки, явное рекомендательное средство (S540), которое управляется на основе истории явной оценки, и средство объединения (S620) для объединения выводов неявного и явного рекомендательных средств (S560, S540).

10. Устройство по п.1, выполненное с возможностью активировать функцию ввода для явной оценки, если рекомендательное средство (S500) указывает, что заранее определенная уверенность в профиле пользовательского интерфейса не была достигнута.

11. Устройство по п.1, выполненное с возможностью активировать функцию ввода для явной оценки, если средство вычисления (S300) обнаруживает, что заранее определенное число действий интерфейса зарегистрировано, но никакой явной оценки для элемента контента не было получено.

12. Способ управления рекомендательной системой, содержащий этапы, на которых:

a) регистрируют действия пользовательского интерфейса в отношении по меньшей мере одного элемента контента, управляемого посредством пользовательского интерфейса;

b) вычисляют на основе зарегистрированных действий пользовательского интерфейса числовые или категориальные значения, характеризующие использование элемента контента;

c) определяют из этих числовых или категориальных значений и из явной оценки пользователя упомянутого элемента контента вклад в историю оценки;

d) преобразовывают историю оценки в профиль пользовательского интерфейса для упомянутого элемента контента, который подается в рекомендательное средство, чтобы оценить новый элемент контента; и

e) используют вывод рекомендательного средства в качестве истории неявной оценки для рекомендательной системы.

Описание изобретения к патенту

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ

Настоящее изобретение относится к устройству, способу и компьютерному программному продукту для неявного управления рекомендательной системой для по меньшей мере одного элемента контента.

ПРЕДШЕСТВУЮЩИЙ УРОВЕНЬ ТЕХНИКИ

Использование технологии рекомендательных систем устойчиво вводится на рынок. Среди примеров, web-сайты предлагают рекомендательные системы, чтобы помогать пользователям в обнаружении элементов контента (например, фильмов), которые им нравятся, и устройства электроники (например, персональные видеозаписывающие устройства) используют рекомендательные системы для автоматической фильтрации элементов контента. Рекомендательные системы все чаще применяются для индивидуализации или персонализации услуг и продуктов путем изучения профиля пользователя на основе обратной связи от пользователя в отношении выбранных элементов контента (например, книг, песен, телевизионных (TV) программ, фильмов и т.д.) и использования методов обучения машин для выведения оценок (рейтингов) новых элементов.

Рекомендательная система обычно изучает предпочтения пользователя, основываясь на оценках, которые пользователь ставит элементам. Эти оценки обычно двоичной классификации, такой как "нравится" и "не нравится" соответственно, или основаны на более продуманной классификации по уровню симпатии. Также пользовательская оценка обеспечивает интерфейс, с помощью которого пользователь обучает рекомендательную систему своим предпочтениям. Этот процесс обучения утомителен в том смысле, что пользователь должен оценить значительное число элементов прежде, чем рекомендательная система сможет сделать приемлемые предложения. Рекомендательные системы обычно требуют обратной связи от пользователя, чтобы изучить его вкус. Эта обратная связь может быть обеспечена явно или неявно. Явная обратная связь состоит из оценок, предоставляемых пользователем, для ряда элементов, то есть по 5-бальной шкале или в двоичной форме нравится/не нравится. Неявная обратная связь поступает от наблюдения за действиями пользователя, такими как покупки, загрузки, выборы элементов для воспроизведения или удаления и т.д. Действия пользователя затем интерпретируются рекомендательной системой и преобразовываются в выставление баллов. Например, обычно рекомендательные системы интерпретируют действие покупки как положительный балл, или в случае элементов видео полная продолжительность просмотра больше/меньше чем 50% может подразумевать положительный/отрицательный балл.

Из последующего описания будет понятна разница между "оценками", которые даны пользователем элементам контента, и "баллами" или "выставлением баллов", которые сгенерированы рекомендательной системой.

Общеиспользуемыми методиками являются совместная фильтрация и наивная байесовская классификация. Таким образом, из огромного количества элементов контента могут быть извлечены только те элементы, которые нравятся или предпочтительны для пользователя (или группы пользователей). Рекомендательные системы обычно предлагаются как автономный сервис или модуль либо как дополнение к существующему сервису или модулю. Они все чаще появляются в бытовых устройствах, таких как телевизоры или видеозаписывающие устройства.

Следовательно, неявное изучение освобождает пользователя от необходимости явно оценивать элементы. Однако это менее надежно, так как трудно интерпретировать пользовательские действия стандартным способом. Пользователи могут вести себя различными способами, которые трудно интерпретировать фиксированными моделями. Кроме того, поведение пользователя может изменяться со временем, делая интерпретацию его/ее действий еще более трудной.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Целью настоящего изобретения является обеспечение улучшенных способа и устройства неявного изучения, посредством которых неявное изучение может быть адаптировано к каждому пользователю индивидуально, чтобы отразить изменение в поведении пользователя.

Эта цель достигается устройством, как заявлено в п.1 формулы изобретения, способом, заявленным в п.12 формулы изобретения, и компьютерным программным продуктом, как заявлено в п.13 формулы изобретения.

Соответственно, предложенный подход изучения обеспечивает явное изучение того, как преобразовать действия пользователя с элементами контента в баллы, выставленные этим элементам. Действия пользователя в пользовательском интерфейсе связываются с оцененными элементами контента, и идентифицированные и зарегистрированные действия интерфейса пользователя рассматриваются как метаданные, принадлежащие этим элементам контента. Таким образом, может быть обеспечена форма неявного изучения, которая индивидуально адаптируется к каждому пользователю и может развиваться со временем, чтобы отразить изменяющееся поведение пользователя. Хотя по-прежнему требуются явно оцененные элементы, после достаточного изучения предложенное неявное изучение в значительной степени освобождает пользователя от необходимости явно оценивать элементы контента. Фактически, могут быть обеспечены два процесса оценки/выставления баллов: неявный процесс выставления баллов и явный процесс оценки. Процесс оценки может работать в более медленном темпе, эффективно освобождая пользователя от продолжения оценки множества элементов.

Согласно первому аспекту действия интерфейса могут включать в себя действия управления для управления использованием элементов контента. Следовательно, действия управления могут быть определены активацией различных клавиш или кнопок в интерфейсе пользователя так, чтобы обнаружение и регистрация могли быть достигнуты простым прямым способом. Согласно примеру элемент контента может содержать последовательную аудио- и/или видеоинформацию и действия управления могут управлять по меньшей мере одним из запуска, остановки, удаления и пропуска аудио- и/или видеоинформации.

Согласно второму аспекту, который может быть объединен с вышеупомянутым первым аспектом, действия интерфейса пользователя могут быть зарегистрированы вместе с ассоциированной контекстной информацией, которая включает в себя по меньшей мере одно из даты, времени и последовательного порядка упомянутого по меньшей мере одного элемента контента. Также, регистрируя такую информацию даты, времени и порядка, можно оценить предысторию отношений между действиями интерфейса пользователя.

Согласно третьему аспекту, который может быть объединен с любым из вышеупомянутых первого и второго аспектов, средство вычисления может быть выполнено с возможностью определять из использования элемента контента по меньшей мере одно из доли использования элемента контента, количества использований элемента контента, самого длинного периода использования без прерываний, удаления элемента контента, количества раз, которое был активирован элемент управления ускоренной перемотки вперед, количества раз, которое был активирован элемент управления повторного воспроизведения, количества раз, которое был активирован элемент управления перескока вперед, количества раз, которое был пропущен элемент контента, явного архивирования элемента контента, продолжительности между запуском и удалением, времени, проведенного для считывания метаданных, и доступа к расширенным метаданным. Полученные характеризующие числовые или категориальные значения обеспечивают хорошие указания на отношение пользователя к элементу контента, например, касаемо того, нравится ли ему/ей этот элемент контента или нет, при условии что профиль, полученный из действий пользователя, достаточно готов для оценки элемента контента на основе этих характеризующих числовых или категориальных значений.

Согласно четвертому аспекту, который может быть объединен с любым из вышеупомянутых аспектов с первого по третий, может быть обеспечено средство интеграции для объединения истории неявной оценки с предоставленной историей явной оценки. Это обеспечивает преимущество, заключающееся в том, что менее надежные значения неявного выставления баллов (например, из-за малых количеств использования) могут быть улучшены значениями явной оценки, чтобы потенциально улучшить заключительное выставление баллов рекомендательной системой.

Согласно пятому аспекту, который может быть объединен с любым из аспектов с первого по четвертый, средство вычисления может быть выполнено с возможностью откладывать комбинирование числовых или категориальных значений и данной явной оценки элемента контента до тех пор, пока предопределенное количество числовых или категориальных значений не будет доступно для элемента контента. Эта отсрочка служит для получения достаточных метаданных (то есть действий пользователя) для элемента контента, прежде чем оценивать его, но предполагая, что профиль интерфейса пользователя уже в достаточной степени готов. Однако можно сделать различие между выполнением неявного выставления баллов, используя действия пользователя, и выполнением выставления баллов, основываясь на неявно построенной истории оценки. Первое из двух может быть использовано только для неявного построения истории оценки и, таким образом, может быть отложено. Последнее из двух не может быть отложено.

Согласно шестому аспекту, который может быть объединен с любым из вышеупомянутых аспектов с первого по пятый, рекомендательная система может быть выполнена с возможностью объединять неявный профиль, полученный на основе истории неявного выставления баллов, полученной из действий интерфейса пользователя, с явным профилем, основанным на явных оценках пользователя в интегрированном рекомендательном средстве. Неявно и явно построенные истории оценки таким образом преобразуются по отдельности в два профиля. Таким образом, надежность окончательной оценки со стороны интегрированного рекомендательного средства может быть улучшена благодаря рассмотрению явно полученных профилей пользователя.

Согласно седьмому аспекту, который может быть объединен с любым из вышеупомянутых аспектов с первого по шестой, рекомендательная система может содержать неявное рекомендательное средство для использования истории неявной оценки и явное рекомендательное средство, которое управляется на основе истории явной оценки, и средство объединения для объединения выводов неявного и явного рекомендательных средств. Подобно шестому аспекту комбинация явного и неявного рекомендательных средств обеспечивает потенциально более надежную окончательную оценку.

Согласно восьмому аспекту, который может быть объединен с любым из вышеупомянутых аспектов с первого по седьмой, может быть активирована функция ввода для явной оценки, если рекомендательное средство указывает, что предопределенная уверенность в отношении профиля интерфейса пользователя не была достигнута. Эта функция ввода гарантирует, что явный профиль пользователя может быть получен в случаях, когда надежность неявной оценки не достаточна. В восьмом аспекте рекомендательная система может быть, например, основана на системе, описанной в Пронк (Pronk) и др. "Incorporating confidence in a naive Bayesian classifier", LNAI 3538, Springer, Proceedings of the 10^th International Conference on User Modeling, UM'05, Эдинбург, Шотландия, 24-29 июля, 317-326.

Согласно девятому аспекту функция ввода для явной оценки может быть активирована, если средство вычисления обнаруживает предопределенное число зарегистрированных действий интерфейса, но никакой явной оценки для элемента контента не было получено. Эта мера гарантирует, что явная оценка доступна прежде, чем будет вычислен вклад для элемента контента.

Следует отметить, что вышеупомянутое устройство управления или рекомендательное устройство может быть реализовано как дискретные аппаратные схемы с дискретными аппаратными компонентами, как интегральная микросхема, как компоновка модулей микросхемы либо как устройство обработки сигналов, или компьютерное устройство, или микросхема, которыми управляет программная процедура или программа, сохраненная в памяти.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Изобретение будет описано, в качестве примера, на основе вариантов осуществления со ссылками на сопроводительные чертежи, где:

фиг.1 изображает схематическую блок-схему рекомендательной системы, в которой может быть реализовано данное изобретение;

фиг.2 иллюстрирует схематическую блок-схему рекомендательного средства, в котором может быть реализовано данное изобретение;

фиг.3 изображает схематическую блок-схему рекомендательного средства согласно первому варианту осуществлению; и

фиг.4 иллюстрирует схематическую диаграмму, указывающую на альтернативные структуры рекомендательного средства, включая второй и третий варианты осуществления.

ОПИСАНИЕ ВАРИАНТА ОСУЩЕСТВЛЕНИЯ

Варианты осуществления настоящего изобретения теперь будут описаны на основании примерной рекомендательной системы, которая генерирует оценки и баллы для элементов контента, таких как книги, телепрограммы, фильмы и т.д.

Фиг.1 изображает схематическую блок-схему рекомендательной системы, которая включает в себя информационное хранилище 103 данных, соединенное с источником (S) 101. Источник 101 может быть, например, сервисом электронного расписания программ (EPG) в Интернете, который обеспечивает информационные данные о телепрограммах. Информационное хранилище 103 данных может быть соединено с по меньшей мере одним фильтром (F) 105, который ассоциирован с персонализированным каналом контента. Отмечается, что может быть обеспечено любое количество персонализированных каналов контента. Вывод фильтра 105 соединен с соответствующей рекомендательной машиной (РЕ) 107. Таким образом, у каждого персонализированного канала контента может быть собственная рекомендательная машина 107, ассоциированная с ним. У каждой рекомендательной машины 107 и, следовательно, персонализированного канала контента есть профиль (P) 109, ассоциированный с ними. Вывод рекомендательной машины 107 соединен со средством планирования (планировщиком) (SCH) 111. Планировщик 111 соединен с устройством 113 хранения данных (например, набором жестких дисков) и со средством выбора (селектором) (SEL) 115. Информационное хранилище 103 данных также соединено с источником 117 контента (CS). Источник 117 контента обеспечивает, например, по меньшей мере аудио/видеоинформацию в широковещательной передаче или по требованию. Кроме того, источник 117 контента может предоставлять информационные данные, например информацию EPG, в интервале гашения обратного хода кадровой развертки видеосигнала или метаданные MPEG-7 для сегментов конкретного элемента контента (например, границ сцены фильма). Источник 117 контента соединен с селектором 115, включающим в себя по меньшей мере один набор средств изоляции контента (например, тюнер или т.п.), позволяющий изолировать один или более элементов контента для записи на устройство 113 хранения данных. Вывод селектора 115 соединен с устройством 113 хранения данных.

Далее будет описана работа устройства, изображенного на фиг.1. Информационные данные текущего элемента контента, который должен быть воспроизведен на персонализированном канале контента, собирают из источника (Интернет) 101 или получают с помощью других средств, например, через передачу в интервале гашения обратного хода кадровой развертки аналогового сигнала телетрансляции или через транспортные потоки широковещательной передачи цифрового видео (DVB) либо комбинации вышеупомянутого. Элемент контента может быть телепрограммой, потоком данных, содержащим видеоданные и/или аудиоданные, или сегментом программы и т.д.

Информационные данные могут включать в себя множество атрибутов и значений атрибутов, связанных с элементом контента, таких как заголовок, актеры, режиссер и жанр. Каждый профиль 109 основан на информационных данных с данными, указывающими на оценку "нравится" или "не нравится" пользователя. Оценка "нравится" и "не нравится" может быть основана на обратной связи в отношении элементов контента, которые проходят через ассоциированный фильтр 105. Эта обратная связь может быть дана как явная оценка со стороны пользователей, которые используют конкретный персонализированный канал контента. Оценки могут быть сделаны несколькими способами. Например, пользователь, используя устройство дистанционного управления, может указать для выбранного в текущий момент элемента контента или заданного атрибута текущего элемента контента свою оценку ("нравится" или "не нравится"), нажимая соответствующие кнопки на интерфейсе пользователя (например, на устройстве дистанционного управления). Альтернативно, поведение пользователя может наблюдаться с тем, чтобы фиксированные правила для всех пользователей могли быть заменены правилами, которые "изучены" и персонализированы для каждого пользователя. В усовершенствованной конфигурации может быть предоставлена степень "нравится" в дискретной или непрерывной шкале или вычислена вместо классификации на уровне просто "нравится"/"не нравится".

Когда информационные данные элемента контента проходят через фильтр 105, эти информационные данные пересылаются рекомендательной машине 107. Рекомендательная машина вычисляет степень или оценку "нравится" на основе связанного с ней профиля 109 для этого последующего элемента контента. Информационные данные, связанные с этим последующим элементом контента, затем пересылаются наряду с вычисленной оценкой в планировщик 111, который впоследствии вычисляет расписание записи, которое будет использовано для планирования записи элементов контента, предлагаемых рекомендательной машиной 107, в устройство 113 хранения данных. В частности, планировщик 111, прежде всего, может рассмотреть элементы контента с высокой степенью или оценкой "нравится", рассматривая достаточный новый контент для каждого персонализированного канала контента.

С этой целью расписание записи, вычисленное планировщиком 111, используется, чтобы дать селектору 115 команду выбирать элементы контента, доступные из источника 117 контента, чтобы записать их в устройство 113 хранения данных.

Профили использования или пользователей могут быть получены, используя неявное профилирование и явное профилирование. Способы неявного профилирования получают профили использования контента незаметно из историй использования со стороны пользователя, например ряд просмотренных и непросмотренных ТВ-шоу. Способы явного профилирования могут получить профили использования контента, позволяя пользователю задавать оценки на уровне элементов контента.

Фиг.2 изображает схематическую блок-схему интерфейса пользователя с опциями неявного и явного профилирования, в котором может быть реализовано данное изобретение. Предусмотрен интерфейс 10 пользователя (UI), который может быть, например, пультом дистанционного управления или любым другим типом управляющего устройства, которым пользователь может управлять использованием элемента контента. Интерфейс 10 пользователя может также быть реализован на экране дисплея, с которым пользователь может взаимодействовать, например на сенсорном экране. Согласно фиг.2 интерфейс 10 пользователя ассоциирован с рекомендательной системой, содержащей основывающиеся на явных и неявных предпочтениях профили 90, 100, которые соответственно обеспечивают ввод в явные и неявные рекомендательные средства 110, 120. EPG 130 вводит данные, касающиеся ТВ-шоу, в оба рекомендательных средства 110, 120. Такие данные могут включать в себя заголовок, канал, время начала и другие характеристики каждого ТВ-шоу.

Интерфейс 10 пользователя по фиг.2 может использоваться, чтобы управлять содержимым основывающихся на явных и неявных предпочтениях профилей 90, 100, чтобы таким образом управлять явными и неявными рекомендательными средствами 110, 120.

Согласно первому варианту осуществления предложены способ и устройство, с помощью которых может быть достигнуто явное изучение того, как преобразовать действия пользователя над элементами в оценки или баллы этих элементов. Это осуществляется с помощью связывания действий пользователя в интерфейсе пользователя с оцененными элементами и рассмотрения этих действий как метаданных, принадлежащих этим элементам. Таким образом, обеспечена форма неявного изучения, которая адаптируется к каждому пользователю индивидуально и отражает изменяющееся поведение пользователя.

Фиг.3 изображает схематическую блок-схему основных шагов, элементов или компонентов устройства управления, которое обеспечивает предложенное адаптивное неявное изучение. Пусть есть элемент контента М, который используется пользователем, тогда устройство или система регистрирует все действия интерфейса пользователя, такие как запуск (например, проигрывание), остановка, удаление, пропуск, вместе с контекстной информацией, такой как время суток, день недели, элемент, к которому ранее был осуществлен доступ, и т.д. (компонент S100). Такие действия пользователя затем преобразовываются в характеристики пользовательского интерфейса (UI). Характеристики UI характеризуют использование или способ использования определенного элемента контента и должны быть должным образом разработаны, чтобы обеспечить полноту взаимодействия пользователя, но абстрагируясь от деталей. Например, калькулятор может вычислить характеристику UI как соответствующую доле использования элемента контента (например, просмотренной части программы) вместо использования метки времени начала и остановки. Примеры характеристик UI, вычисленных в компоненте S200:

- Доля использования (например, воспроизведения) элемента контента

- Количество использований (например, число просмотров)

- Самый длинный интервал использования без прерываний (например, самый длинный сегмент, просматриваемый без прерываний)

- Элемент контента (например, программа), явно удаленный пользователем

- Количество раз использования ускоренной перемотки вперед

- Число раз использования повторного воспроизведения

- Число раз использования перескока вперед

- Число раз, которое элемент контента (например, программа) был пропущен

- Был ли элемент контента явно заархивирован пользователем

- Продолжительность времени между запуском (например, проигрыванием) и удалением

- Продолжительность времени, потраченного на чтение метаданных

- Доступ к расширенным метаданным.

Вычисленные значения характеристик UI связываются с элементом контента М и сохраняются. Вычисленные значения характеристик UI могут накапливаться со временем в зависимости от действий пользователя.

В необязательном порядке, если пользователь обеспечивает явную оценку для рассматриваемого элемента контента (компонент S250), эта оценка может быть объединена в компоненте S300 со значениями характеристик UI, связанными с тем же самым элементом контента. Как дополнительная опция, это связывание между неявным выставлением баллов и явными оценками возможно не сразу, но может быть отложено, пока достаточные значения неявных характеристик UI не будут вычислены или не станут доступны для рассматриваемого элемента контента, например, не ранее, чем рассматриваемый элемент контента будет удален (или заархивирован), или не ранее, чем определенное постоянное число пользовательских действий в пользовательском интерфейсе будет применено к рассматриваемому элементу контента. Достаточные неявные характеристики UI могут соответствовать предопределенному числу, которое может быть фиксированным или которое может зависеть от типа элемента контента.

Вывод комбинации в компоненте S300 может быть назван историей оценки на основе характеристик UI. Пример такой истории оценки представлен в следующей таблице 1.

Таблица 1
Пример части истории оценки характеристик UI
Элемент ID	(UI характеристика, значение)	Оценка
1	(Просмотренная часть, 0,6-0,7)	Нравится
1	(Время на чтение метаданных, 3-4 мин)	Нравится
2	(Просмотренная часть, 0,1-0,2)	Не нравится

Затем, в компоненте S400, полученная история оценки на основе характеристик UI преобразуется в профиль характеристик UI, подходящий для рекомендательного средства, основанного на характеристиках UI. Любой известный алгоритм обучения машин может использоваться для реализации рекомендательного средства, основанного на характеристиках UI, такой как наивная байесовская классификация, деревья решений, машины опорных векторов, нейронные сети и т.д. Например, в случае наивной байесовской классификации, профиль характеристик UI, вычисленный в компоненте S400, может быть представлен, как проиллюстрировано в следующей таблице 2.

Таблица 2
Пример части профиля характеристик UI
Характеристика UI	значение U1	Количество "нравится"	Количество "не нравится"
Просмотренная часть	0,6-0,7	20	3
Просмотренная часть	0,1-0,2	1	24
Время на чтение метаданных	3-4 мин	16	5

Следует отметить, что, хотя только один элемент М показан на фиг.3, множество этих элементов с характеристиками UI и явными оценками накапливаются в истории оценки на основе характеристик UI.

Фактическое неявное изучение затем выполняется в компоненте S500 всякий раз, когда доступен новый элемент контента и пользователь применяет достаточное число действий UI к этому элементу контента. Основываясь на характеристиках UI, извлеченных из этого элемента контента, и профиле характеристик UI, рекомендательная система может вычислить балл для этого нового элемента контента на основе характеристик UI. Таким образом, для каждого нового элемента, для которого будет выставлен балл, необходимы зарегистрированные действия пользователя (полученные в компоненте S100) и извлеченные характеристики UI (полученные в компоненте S200).

Наконец, полученный балл добавляется в компонент S600 к сохраненной истории неявной оценки. Таким образом, может быть предусмотрена адаптивная неявная схема изучения для рекомендательных систем.

Фиг.4 изображает схематическую блок-схему рекомендательной системы с неявным и явным рекомендательными средствами, в которой может использоваться вышеупомянутая история неявной оценки.

Согласно верхнему ряду или разделу диаграммы по фиг.4 интегральная история оценки формируется из истории явной оценки от компонента S250 по фиг.3 и истории неявной оценки от компонента S600 по фиг.3. Основываясь на интегральной истории оценки, полученной из компонента S310, интегральный профиль формируется в компоненте S410 и поставляется рекомендательному средству в компоненте S510, где оценку для нового элемента контента N получают на основе интегрального профиля и данных нового элемента контента.

В качестве альтернативы согласно второму варианту осуществления, который соответствует средней ветке или ряду по фиг.4, истории S250, S600 явной и неявной оценки могут использоваться по отдельности, чтобы сформировать явный профиль в компоненте S420 и неявный профиль в компоненте S440, оба из которых вводятся в интегрированное рекомендательное средство (компонент S520), чтобы получить оценку для нового элемента контента N. Таким образом, строятся два отдельных профиля на основе двух историй оценки, и эти отдельные профили объединяются в единое интегрированное рекомендательное средство. Такое единое интегрированное рекомендательное средство описано, например, в Пронк и др. "Incorporating user control Recommender Systems based on Naive Bayesian Classification", Proc. ACM Recommender Systems, RecSys'07, Миннеаполис, США, 19-20 октября.

В качестве еще одной альтернативы согласно третьему варианту осуществления, который соответствует более низкой ветке или ряду по фиг.2, явные и неявные профили, сформированные в компонентах S420, S440, могут быть поставлены отдельно явному и неявному рекомендательным средствам (компоненты S540, S560) и впоследствии объединены в средстве объединения (объединителе) (компонент S620), чтобы получить оценку для нового элемента контента N. Таким образом, в третьем варианте осуществления обеспечивается отдельное неявное рекомендательное средство, которое использует только историю неявной оценки. Результаты этого рекомендательного средства (компонент S560) и явного рекомендательного средства (компонент S540) могут быть объединены различными способами, например, при использовании радиальных базисных функций, чтобы построить аппроксимации функции.

Как дополнительная возможность для всех вышеописанных вариантов осуществления рекомендательная система может быть приспособлена для инициации действия ввода (например, диалог с пользователем, запрос ввода и т.п.), чтобы требовать явной оценки от пользователя, если неявное рекомендательное средство не может осуществить выставление баллов с достаточной уверенностью на основании обеспеченных характеристик UI и/или если обнаружено (например, компонентом S300 на фиг.3), что предопределенное (достаточное) число действий интерфейса зарегистрировано, но никакой явной оценки не было получено для элемента контента. Необходимая уверенность может, таким образом, зависеть от количества значений характеристик UI, полученных для рассматриваемого элемента контента, или от степени готовности профиля характеристик UI. Полученная явная оценка затем может быть добавлена к истории явной оценки и объединена с выставлением баллов с низким уровнем уверенности или использоваться без учета неявной оценки.

Следует отметить, что данное изобретение можно применять для рекомендательных систем для телеприставок, телевизоров, мобильных телефонов, личных цифровых помощников (PDA), персональных компьютеров (PC) и всех устройств, где рекомендательные системы используются для сбора, фильтрования и представления контента пользователю из множества источников. Дополнительно, оно может быть применено на серверах или посредством сервисов в Интернете или любой другой сети передачи данных. Изобретение, таким образом, не ограничено рекомендательными системами для телевидения или фильмов, но может быть применено к музыке, театральным шоу и всем типам продуктов и услуг, где для рекомендательных систем могут быть получены данные об использовании или данные о пользовательских действиях.

Вкратце были описаны устройство, способ и компьютерный программный продукт для управления рекомендательной системой, где действия пользователя над элементами контента связываются с явными оценками этих элементов контента и переводятся в профиль характеристик UI, который впоследствии используется рекомендательным средством. Это рекомендательное средство оценивает новые элементы на основании действий пользователя над этим элементом и, таким образом, создает неявно изученную историю оценки. Это изучение делает неявные оценку или выставление баллов персонализированными. Она может быть объединена несколькими способами с явно изученной историей оценки, чтобы повысить общую эффективность работы и/или снизить нагрузку на пользователя в том плане, что ему/ей требуется меньше явно оценивать элементы.

В то время как изобретение было проиллюстрировано и описано подробно в рисунках и предшествующем описании, такие иллюстрации и описание нужно считать иллюстративными или примерными, а не ограничительными. Изобретение не ограничено раскрытыми вариантами осуществления. После прочтения данного раскрытия другие модификации будут очевидны для специалистов в данной области техники. Такие модификации могут затрагивать другие признаки, которые уже известны в технике и которые могут использоваться вместо или в дополнение к уже описанным здесь признакам.

Изменения к раскрытым вариантам осуществления могут быть поняты и произведены специалистами в данной области техники после изучения рисунков, раскрытия и приложенной формулы изобретения. В формуле изобретения слово "содержащий" не исключает наличия других элементов или этапов, а упоминание в единственном числе не исключает множества элементов или этапов. Одиночный процессор или другое устройство может выполнять, по меньшей мере, функции по фиг.3 и фиг.4 на основании соответствующих программных процедур. Компьютерная программа может храниться/распространяться на подходящем носителе, таком как оптический носитель данных или твердотельный носитель, поставляемый вместе с или как часть других аппаратных средств, но может также распространяться в других формах, например, через Интернет или другие проводные или беспроводные телекоммуникационные системы. Простой факт того, что определенные меры приведены в различных пунктах формулы изобретения, не означает, что комбинация этих мер не может использоваться для получения преимущества. Любые ссылки в формуле изобретения не должны рассматриваться как ограничивающие определяемый ею объем.