СПОСОБ И СЕРВЕР ДЛЯ ВЫБОРА ЭЛЕМЕНТОВ РЕКОМЕНДАЦИЙ ДЛЯ ПОЛЬЗОВАТЕЛЯ Российский патент 2019 года по МПК G06F16/9035 G06F16/9535 

ОБЛАСТЬ ТЕХНИКИ

[01] Настоящая технология относится к системе рекомендаций в общем смысле, и в частности - к способу и устройству для выбор элементов рекомендаций для пользователя.

УРОВЕНЬ ТЕХНИКИ

[02] Различные глобальные или локальные сети связи (интернет, всемирная паутина, локальные сети и подобные им) предлагают пользователю большой объем информации. Информация включает в себя контекстуальные разделы, такие как, среди прочего, новости и текущие события, карты, информацию о компаниях, финансовую информацию и ресурсы, информацию о трафике, игры и информацию развлекательного характера. Пользователи используют множество клиентских устройств (настольный компьютер, портативный компьютер, ноутбук, смартфон, планшеты и подобные им) для получения доступа к богатому информационному содержимому (например, изображениям, аудио- и видеофайлам, анимированным изображениям и прочему мультимедийному содержимому подобных сетей).

[03] Объем доступной информации на различных интернет-ресурсах экспоненциально вырос за последние несколько лет. Были разработаны различные решения, которые позволяют обычному пользователю находить информацию, которую он(а) ищет. Примером такого решения является поисковая система. Примеры поисковых систем включают в себя такие поисковые системы как GOOGLE™, YANDEX™, YAHOO!™ и другие. Пользователь может получить доступ к интерфейсу поисковой системы и подтвердить поисковый запрос, связанный с информацией, которую пользователь хочет найти в Интернете. В ответ на поисковый запрос поисковые системы предоставляют ранжированный список результатов поиска. Ранжированный список результатов поиска создается на основе различных алгоритмов ранжирования, которые реализованы в конкретной поисковой системе, и которые используются пользователем, производящим поиск. Общей целью таких алгоритмов ранжирования является представление наиболее релевантных результатов вверху ранжированного списка, а менее релевантных результатов - на менее высоких позициях ранжированного списка результатов поиска (а наименее релевантные результаты поиска будут расположены внизу ранжированного списка результатов поиска).

[04] Поисковые системы обычно являются хорошим поисковым инструментом в том случае, когда пользователю заранее известно, что именно он(а) хочет найти. Другими словами, если пользователь заинтересован в получении информации о наиболее популярных местах в Италии (т.е. поисковая тема известна), пользователь может ввести поисковый запрос: «Наиболее популярные места в Италии». Поисковая система предоставит ранжированный список интернет-ресурсов, которые потенциально являются релевантными по отношению к поисковому запросу. Пользователь далее может просматривать ранжированный список результатов поиска для того, чтобы получить информацию, в которой он заинтересован, в данном случае - о посещаемых местах в Италии. Если пользователь по какой-либо причине не удовлетворен представленными результатами, пользователь может произвести вторичный поиск, уточнив запрос, например «наиболее популярные места в Италии летом», «наиболее популярные места на юге Италии», «Наиболее популярные места в Италии для романтичного отдыха».

[05] Существует и другой подход, в котором пользователю предоставляется возможность обнаруживать содержимое и, конкретнее, позволяется отображать и/или рекомендовать содержимое, в поиске которого пользователь не был явно заинтересован. В некоторым смысле, подобные системы рекомендуют пользователю содержимое без отдельного поискового запроса, на основе явных или неявных интересов пользователя.

[06] Примерами таких систем являются система рекомендаций FLIPBOARD, которая агрегирует и рекомендует содержимое из различных социальных сетей. Система рекомендаций FLIPBOARD предоставляет содержимое в «журнальном формате», где пользователь может «пролистывать» страницы с рекомендуемым/агрегированным содержимым. Системы рекомендаций собирают содержимое из социальных медиа и других веб-сайтах, представляет его в журнальном формате, и позволяют пользователям «пролистывать» ленты социальных новостей и ленты веб-сайтов, которые поддерживают партнерские отношения с компанией, что позволяет эффективно «рекомендовать» содержимое пользователю, даже если пользователь явно не выражал свой интерес в конкретном содержимом.

[07] Обычно, системы рекомендаций предоставляют персонализированное содержимое пользователям на основе предыдущих пользовательских взаимодействий с сервисом рекомендаций, которые могут указывать на предпочтения пользователя в отношении конкретного содержимого по сравнению с другим содержимым. Например, если пользователь часто выбирал в прошлом статьи о спортивных новостях, подобные пользовательские взаимодействия могут указывать на предпочтения пользователя в спортивном содержимом, а не другом содержимом, и, на основе пользовательских предпочтений, система рекомендаций может предоставлять пользователю персонализированную рекомендацию содержимого, которая включает в себя сравнительно более высокую пропорцию содержимого со спортивными новостями.

РАСКРЫТИЕ ТЕХНОЛОГИИ

[08] Разработчики настоящей технологии обратили внимание на некоторые технические недостатки, связанные с существующими системами рекомендаций. Обычные системы рекомендаций обычно требуют по меньшей мере некоторых "знаний" о пользователе для предоставления ему персонализированного содержимого. Эти традиционные системы рекомендаций сталкиваются с проблемой "холодного старта", когда системы рекомендаций не могут предоставить персонализированное содержимое новым пользователям, поскольку о новых пользователях очень мало "известно", и поэтому пользовательские предпочтения этих новых пользователей в отношении конкретного содержимого неизвестны. Проблема "холодного старта" становится еще более явной, когда сервис рекомендаций расширяется на новые территории, регионы или страны, где он впервые становится доступным для большого количества новых пользователей. Эта неспособность сервисов рекомендаций предоставлять персонализированное содержимое такому большому количеству новых пользователей из-за отсутствия "знаний" об их интересах, привычках или поведении может замедлить или в некоторых случаях даже остановить расширение сервиса рекомендаций.

[09] Задачей предлагаемой технологии является устранение по меньшей мере некоторых недостатков, присущих известному уровню техники.

[10] По меньшей мере некоторые варианты осуществления настоящей технологии могут обеспечить решение проблемы "холодного запуска", присущей обычным сервисам рекомендаций. В одном из вариантов осуществления технологии предлагается система рекомендаций, позволяющая выборочно выполнять различные процедуры для рекомендации содержимого пользователям в зависимости от того, обладает ли система достаточными "знаниями" в отношении данного пользователя.

[11] В некоторых случаях, если система рекомендаций обладает достаточными "знаниями" о данном пользователе, система рекомендаций может быть выполнена с возможностью осуществлять выборочное выполнение первой процедуры предоставления персонализированного содержимого данному пользователю.

[12] По крайней мере в одном варианте осуществления технологии система рекомендаций может быть выполнена с возможностью осуществлять предоставление данному пользователю персонализированного содержимого на основе интересов, привычек или поведения пользователя, которые, определены как связанные с данным пользователем.

[13] В других случаях, если система рекомендаций не обладает достаточными "знаниями" о данном пользователе для предоставления ему персонализированного содержимого, система рекомендаций может быть настроена на выборочное выполнение второй процедуры для предоставления данному пользователю содержимого, которое, скорее всего, будет интересно большинству новых пользователей.

[14] По меньшей мере в одном другом варианте осуществления технологии, влияние проблемы "холодного старта" на возможность предоставления содержимого новым пользователям и на их удовлетворенность предоставленным содержимым может быть, по меньшей мере частично, компенсировано выборочным предоставлением новым пользователям содержимого, которое, скорее всего, будет интересно большинству из них.

[15] Первым объектом настоящей технологии является способ выбора элементов рекомендаций для передачи на электронное устройство, связанное с пользователем сервиса рекомендаций. Сервис рекомендаций расположен на сервере, и способ исполняется на сервере. Способ включает в себя получение сервером информации о пользователе, получающем доступ к сервису рекомендаций. Способ включает в себя определение сервером типа пользователя сервиса рекомендаций, который размещен на сервере. Пользователь может относиться к типу "новый пользователь" или к типу "старый пользователь". Тип "новый пользователь" связан с пользователями сервиса рекомендаций, которые связаны с заранее определенным уровнем предыдущих пользовательских взаимодействий с сервисом рекомендаций. Заранее определенный уровень предыдущих пользовательских взаимодействий недостаточен для создания персонализированной рекомендации содержимого. Способ включает в себя, в ответ на то, что пользователь относится к типу "новый пользователь", получение сервером информации, связанной с набором элементов с целевой страницы заранее определенного ресурса. Информация, связанная с набором элементов, указывает на по меньшей мере визуальные характеристики соответствующего одного элемента из набора элементов. Целевая страница заранее определенного ресурса содержит предварительно выбранные элементы из множества элементов, размещенных на заранее определенном ресурсе. Способ включает в себя, в ответ на то, что пользователь относится к типу "новый пользователь", создание сервером, вектора факторов для каждого элемента из набора элементов с целевой страницы на основе информации, связанной с визуальными характеристиками соответствующего элемента набора элементов на целевой странице. Способ включает в себя, в ответ на то, что пользователь относится к типу "новый пользователь", создание с помощью алгоритма машинного обучения (MLA), выполняемого сервером, неспецифической для пользователя оценки популярности для каждого элемента из набора элементов с целевой страницы на основе соответствующих векторов факторов. MLA был обучен создавать неспецифические для пользователя оценки популярности для данных элементов на основе соответствующих векторов факторов и соответствующих пользовательских взаимодействий с данными элементами. Способ включает в себя, в ответ на то, что пользователь относится к типу "новый пользователь", создание сервером набора неспецифических для пользователя элементов рекомендаций путем выбора из набора элементов неспецифических для пользователя элементов рекомендаций, которые предназначены для представления пользователю на основе соответствующих неспецифических для пользователя оценок популярности. Способ включает в себя, в ответ на то, что пользователь относится к типу "новый пользователь", передачу сервером набора неспецифических для пользователя элементов рекомендаций на электронное устройство вместо персонализированной рекомендации содержимого.

[16] В некоторых вариантах осуществления способа, способ может включать в себя, в ответ на то, что пользователь относится к типу "старый пользователь", получение сервером предыдущих пользовательских взаимодействий с сервисом рекомендаций. Способ может включать в себя, в ответ на то, что пользователь относится к типу "старый пользователь", создание сервером специфической для пользователя оценки популярности для элементов из пула элементов, рекомендуемых сервисом рекомендаций, на основе предыдущих пользовательских взаимодействий с сервисом рекомендаций. Способ включает в себя, в ответ на то, что пользователь относится к типу "старый пользователь", создание сервером набора специфических для пользователя элементов рекомендаций путем выбора из пула элементов специфических для пользователя элементов рекомендаций, которые предназначены для представления пользователю на основе соответствующих неспецифических для пользователя оценок популярности. Способ может включать в себя, в ответ на то, что пользователь относится к типу "старый пользователь", передачу сервером набора специфических для пользователя элементов рекомендаций в качестве персонализированной рекомендации содержимого.

[17] В некоторых вариантах осуществления способа, способ может также включать извлечение сервером информации, связанной с визуальными характеристиками каждого элемента из набора элементов, из информации, связанной с набором элементов.

[18] В некоторых вариантах осуществления способа, неспецифические для пользователя элементы рекомендаций могут включать в себя новостные элементы.

[19] В некоторых вариантах осуществления способа, заранее выбранные элементы могут быть выбраны с использованием присущего ресурсу алгоритма выбора, связанного с заранее определенным ресурсом.

[20] В некоторых вариантах осуществления способа, присущий ресурсу алгоритм выбора может быть по меньшей мере одним из алгоритма выбора с помощью программного обеспечения и алгоритма выбора с помощью человека.

[21] В некоторых вариантах осуществления способа, способ может включать в себя алгоритм ранжирования заранее определенного ресурса, который может ранжировать множество элементов на основе свежести каждого из множества элементов.

[22] В некоторых вариантах осуществления способа, визуальные характеристики могут включать в себя по меньшей мере одно из следующего: положение данного элемента на целевой странице; размер данного элемента на целевой странице; и наличие изображения, связанного с данным элементом, на целевой странице.

[23] В некоторых вариантах осуществления способа, визуальные характеристики могут указывать на заметное положение соответствующего элемента на соответствующей целевой странице для оператора соответствующего ресурса.

[24] В некоторых вариантах осуществления способа, создание набора неспецифических для пользователя элементов рекомендаций может включать в себя ранжирование, сервером, неспецифических для пользователя элементов рекомендаций в наборе неспецифических для пользователя элементов рекомендации на основе алгоритма ранжирования сервиса рекомендаций.

[25] В некоторых вариантах осуществления способа, создание набора неспецифических для пользователя элементов рекомендаций может включать в себя исключение сервером, по меньшей мере одного неспецифического для пользователя элемента рекомендаций из набора неспецифических для пользователя элементов рекомендации на основе эвристического анализа.

[26] В некоторых вариантах осуществления способа, исключение по меньшей мере одного неспецифического для пользователя элемента рекомендаций из набора неспецифических для пользователя элементов рекомендации на основе эвристического анализа может включать в себя определение, сервером того, что по меньшей мере один неспецифический для пользователя элемент рекомендаций включает в себя по меньшей мере одно из следующего: жестокое содержимое; кровавое содержимое, а также содержимое сексуального характера.

[27] Вторым объектом настоящей технологии предусмотрен способ обучения алгоритма машинного обучения (MLA) для прогнозирования неспецифических для пользователя оценок популярности элементов для пользователя сервиса рекомендаций. Сервис рекомендаций расположен на сервере, и пользователь относится к типу "новый пользователь". Тип "новый пользователь" связан с пользователями сервиса рекомендаций, которые связаны с заранее определенным уровнем предыдущих пользовательских взаимодействий с сервисом рекомендаций. Заранее определенный уровень предыдущих пользовательских взаимодействий недостаточен для создания персонализированной для пользователя рекомендации содержимого. Сервер реализует MLA и способ, включающий в себя получение, в ответ на то, что пользователь относится к типу "новый пользователь", получение сервером информации, связанной с набором элементов с целевой страницы заранее определенного ресурса. Информация, связанная с набором элементов, указывает на по меньшей мере визуальные характеристики соответствующего одного элемента из набора элементов. Целевая страница заранее определенного ресурса содержит предварительно выбранные элементы из множества элементов, размещенных на заранее определенном ресурсе. Способ также включает в себя получение сервером указания на предыдущие пользовательские взаимодействия, связанные с каждым из набора элементов на целевой странице. Способ также включает в себя создание сервером, вектора факторов для каждого элемента из набора элементов с целевой страницы на основе информации, связанной с визуальными характеристиками соответствующего элемента набора элементов на целевой странице. Способ также включает в себя создание сервером соответствующего обучающего набора для каждого элемента из набора элементов на основе соответствующего вектора факторов и соответствующих пользовательских взаимодействий. Способ также включает в себя обучение сервером MLA, основанное на множестве обучающих наборов, для прогнозирования неспецифической для пользователя оценки популярности данного элемента. Неспецифическая для пользователя оценка популярности не зависит ни от какого конкретного пользователя.

[28] В некоторых вариантах осуществления способа, заранее выбранные элементы могут быть выбраны с использованием присущего ресурсу алгоритма выбора, связанного с заранее определенным ресурсом.

[29] В некоторых вариантах осуществления способа, присущий ресурсу алгоритм выбора может быть по меньшей мере одним из алгоритма выбора с помощью программного обеспечения и алгоритма выбора с помощью человека.

[30] В некоторых вариантах осуществления способа, визуальные характеристики указывают на заметное положение соответствующего элемента на соответствующей целевой странице для оператора соответствующего ресурса.

[31] В некоторых вариантах осуществления способа, способ может дополнительно включать в себя прогнозирование, алгоритмом машинного обучения, реализованным на сервере, неспецифической для пользователя оценки популярности нового элемента.

[32] В некоторых вариантах осуществления способа, способ может далее включать в себя определение сервером, является ли новый элемент предназначенным для рекомендации пользователю на основе неспецифической для пользователя оценки популярности нового элемента.

[33] Третьим объектом настоящей технологии является сервер для выбора элементов рекомендаций для передачи на электронное устройство, связанное с пользователем сервиса рекомендаций. Сервис рекомендаций расположен на сервере, который выполнен с возможностью получать указание на пользователя, который получает доступ к сервису рекомендаций. Сервер также выполнен с возможностью определять тип пользователя сервиса рекомендаций. Пользователь может относиться к одному из двух типов: "новый пользователь" или "старый пользователь". Тип "новый пользователь" связан с пользователями сервиса рекомендаций, которые связаны с заранее определенным уровнем предыдущих пользовательских взаимодействий с сервисом рекомендаций. Заранее определенный уровень предыдущих пользовательских взаимодействий недостаточен для создания персонализированной рекомендации содержимого. Сервер также выполнен с возможностью, в ответ на то, что пользователь относится к типу "новый пользователь", осуществлять получение информации, связанной с набором элементов с целевой страницы заранее определенного ресурса. Информация, связанная с набором элементов, указывает на по меньшей мере визуальные характеристики соответствующего одного элемента из набора элементов. Целевая страница заранее определенного ресурса содержит предварительно выбранные элементы из множества элементов, размещенных на заранее определенном ресурсе. Сервер выполнен с возможностью осуществлять, в ответ на то, что пользователь относится к типу "новый пользователь", создание вектора факторов для каждого элемента из набора элементов с целевой страницы на основе информации, связанной с визуальными характеристиками соответствующего элемента набора элементов на целевой странице. Сервер выполнен с возможностью осуществлять, в ответ на то, что пользователь относится к типу "новый пользователь", создание с помощью алгоритма машинного обучения (MLA) неспецифической для пользователя оценки популярности для каждого элемента из набора элементов с целевой страницы на основе соответствующих векторов факторов. MLA был обучен создавать неспецифические для пользователя оценки популярности для данных элементов на основе соответствующих векторов факторов и соответствующих пользовательских взаимодействий с данными элементами. Сервер также выполнен с возможностью осуществлять, в ответ на то, что пользователь относится к типу "новый пользователь", создание набора неспецифических для пользователя элементов рекомендаций путем выбора из набора элементов неспецифических для пользователя элементов рекомендаций, которые предназначены для представления пользователю на основе соответствующих неспецифических для пользователя оценок популярности. Сервер также выполнен с возможностью осуществлять, в ответ на то, что пользователь относится к типу "новый пользователь", передачу набора неспецифических для пользователя элементов рекомендаций на электронное устройство вместо персонализированной рекомендации содержимого.

[34] В некоторых вариантах осуществления сервера сервер может быть выполнен с возможностью осуществлять, в ответ на то, что пользователь относится к типу "старый пользователь", получение предыдущих пользовательских взаимодействий с сервисом рекомендаций. Сервер может быть выполнен с возможностью осуществлять, в ответ на то, что пользователь относится к типу "старый пользователь", создание специфической для пользователя оценки популярности для элементов из пула элементов, рекомендуемых сервисом рекомендаций, на основе предыдущих пользовательских взаимодействий с сервисом рекомендаций. Сервер также может быть выполнен с возможностью осуществлять, в ответ на то, что пользователь относится к типу "старый пользователь", создание набора специфических для пользователя элементов рекомендаций путем выбора из пула элементов специфических для пользователя элементов рекомендаций, которые предназначены для представления пользователю на основе соответствующих специфических для пользователя оценок популярности. Сервер может быть выполнен с возможностью осуществлять, в ответ на то, что пользователь относится к типу "старый пользователь", передачу набора специфических для пользователя элементов рекомендаций в качество персонализированной рекомендации содержимого.

[35] В некоторых вариантах осуществления сервера, сервер может быть дополнительно выполнен с возможностью осуществлять, извлечение информации, связанной с визуальными характеристиками каждого элемента из набора элементов, из информации, связанной с набором элементов.

[36] В некоторых вариантах осуществления сервера, набор неспецифических для пользователя элементов рекомендаций может включать в себя новостные элементы.

[37] В некоторых вариантах способа, предварительно выбранные элементы могут быть выбраны с использованием присущего ресурсу алгоритма выбора заранее определенного ресурса.

[38] В некоторых вариантах осуществления сервера, присущий ресурсу алгоритм выбора может быть по меньшей мере одним из алгоритма выбора с помощью программного обеспечения и алгоритма выбора с помощью человека.

[39] В некоторых вариантах осуществления сервера, алгоритм ранжирования заранее определенного ресурса, который может ранжировать множество элементов на основе свежести каждого из множества элементов.

[40] В некоторых вариантах осуществления сервера, визуальные характеристики могут включать в себя по меньшей мере одно из следующего: положение данного элемента нацелевой странице; размер данного элемента на целевой странице; и наличие изображения, связанного с данным элементом, на целевой странице.

[41] В некоторых вариантах осуществления сервера, визуальные характеристики могут указывать на заметное положение соответствующего элемента на соответствующей целевой странице для оператора соответствующего ресурса.

[42] В некоторых вариантах осуществления сервера, сервер, который выполнен с возможностью осуществлять создание набора неспецифических для пользователя элементов рекомендаций, может включать в себя сервер, выполненный с возможностью осуществлять ранжирование, неспецифических для пользователя элементов рекомендаций в наборе неспецифических для пользователя элементов рекомендации на основе алгоритма ранжирования сервиса рекомендаций.

[43] В некоторых вариантах осуществления сервера, сервер, который выполнен с возможностью создавать набор неспецифических для пользователя элементов рекомендаций, может включать в себя сервер, выполненный с возможностью осуществлять исключение по меньшей мере одного неспецифического для пользователя элемента рекомендаций из набора неспецифических для пользователя элементов рекомендации на основе эвристического анализа.

[44] В контексте настоящего описания «сервер» подразумевает под собой компьютерную программу, работающую на соответствующем оборудовании, которая способна получать запросы (например, от клиентских устройств) по сети и выполнять эти запросы или инициировать выполнение этих запросов. Оборудование может представлять собой один физический компьютер или одну физическую компьютерную систему, но ни то, ни другое не является обязательным для данной технологии. В контексте настоящей технологии использование выражения «сервер» не означает, что каждая задача (например, полученные команды или запросы) или какая-либо конкретная задача будет получена, выполнена или инициирована к выполнению одним и тем же сервером (то есть одним и тем же программным обеспечением и/или аппаратным обеспечением); это означает, что любое количество элементов программного обеспечения или аппаратных устройств может быть вовлечено в прием/передачу, выполнение или инициирование выполнения любого запроса или последствия любого запроса, связанного с клиентским устройством, и все это программное и аппаратное обеспечение может быть одним сервером или несколькими серверами, оба варианта включены в выражение «по меньшей мере один сервер».

[45] В контексте настоящего описания «клиентское устройство» подразумевает под собой аппаратное устройство, способное работать с программным обеспечением, подходящим к решению соответствующей задачи. Таким образом, примерами клиентских устройств (среди прочего) могут служить персональные компьютеры (настольные компьютеры, ноутбуки, нетбуки и т.п.) смартфоны, планшеты, а также сетевое оборудование, такое как маршрутизаторы, коммутаторы и шлюзы. Следует иметь в виду, что устройство, ведущее себя как клиентское устройство в настоящем контексте, может вести себя как сервер по отношению к другим клиентским устройствам. Использование выражения «клиентское устройство» не исключает возможности использования множества клиентских устройств для получения/отправки, выполнения или инициирования выполнения любой задачи или запроса, или же последствий любой задачи или запроса, или же этапов любого вышеописанного способа.

[46] В контексте настоящего описания «база данных» подразумевает под собой любой структурированный набор данных, не зависящий от конкретной структуры, программного обеспечения по управлению базой данных, аппаратного обеспечения компьютера, на котором данные хранятся, используются или иным образом оказываются доступны для использования. База данных может находиться на том же оборудовании, выполняющем процесс, на котором хранится или используется информация, хранящаяся в базе данных, или же база данных может находиться на отдельном оборудовании, например, выделенном сервере или множестве серверов.

[47] В контексте настоящего описания «информация» включает в себя информацию любую информацию, которая может храниться в базе данных. Таким образом, информация включает в себя, среди прочего, аудиовизуальные произведения (изображения, видео, звукозаписи, презентации и т.д.), данные (данные о местоположении, цифровые данные и т.д.), текст (мнения, комментарии, вопросы, сообщения и т.д.), документы, таблицы, списки слов и т.д.

[48] В контексте настоящего описания «компонент» подразумевает под собой программное обеспечение (соответствующее конкретному аппаратному контексту), которое является необходимым и достаточным для выполнения конкретной(ых) указанной(ых) функции(й).

[49] В контексте настоящего описания «используемый компьютером носитель компьютерной информации» подразумевает под собой носитель абсолютно любого типа и характера, включая ОЗУ, ПЗУ, диски (компакт диски, DVD-диски, дискеты, жесткие диски и т.д.), USB флеш-накопители, твердотельные накопители, накопители на магнитной ленте и т.д.

[50] В контексте настоящего описания слова «первый», «второй», «третий» и и т.д. используются в виде прилагательных исключительно для того, чтобы отличать существительные, к которым они относятся, друг от друга, а не для целей описания какой-либо конкретной взаимосвязи между этими существительными. Так, например, следует иметь в виду, что использование терминов «первый сервер» и «третий сервер» не подразумевает какого-либо порядка, отнесения к определенному типу, хронологии, иерархии или ранжирования (например) серверов/между серверами, равно как и их использование (само по себе) не предполагает, что некий "второй сервер" обязательно должен существовать в той или иной ситуации. В дальнейшем, как указано здесь в других контекстах, упоминание «первого» элемента и «второго» элемента не исключает возможности того, что это один и тот же фактический реальный элемент. Так, например, в некоторых случаях, «первый» сервер и «второй» сервер могут являться одним и тем же программным и/или аппаратным обеспечением, а в других случаях они могут являться разным программным и/или аппаратным обеспечением.

[51] Каждый вариант осуществления настоящей технологии преследует по меньшей мере одну из вышеупомянутых целей и/или объектов, но наличие всех не является обязательным. Следует иметь в виду, что некоторые объекты данной технологии, полученные в результате попыток достичь вышеупомянутой цели, могут не удовлетворять этой цели и/или могут удовлетворять другим целям, отдельно не указанным здесь.

[52] Дополнительные и/или альтернативные характеристики, аспекты и преимущества вариантов осуществления настоящей технологии станут очевидными из последующего описания, прилагаемых чертежей и прилагаемой формулы изобретения.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[53] Для лучшего понимания настоящей технологии, а также других ее аспектов и характерных черт, сделана ссылка на следующее описание, которое должно использоваться в сочетании с прилагаемыми чертежами, где:

[54] На Фиг. 1 представлена система, подходящая для реализации неограничивающих вариантов осуществления настоящей технологии;

[55] На Фиг. 2 схематически представлено множество ресурсов системы, показанной на Фиг. 1, где расположены соответствующие множества элементов в соответствии с неограничивающими вариантами осуществления настоящей технологии;

[56] На Фиг. 3 схематически представлены обучающие набора для обучения алгоритма машинного обучения (MLA), реализованного системой, показанной на Фиг. 1, и созданного в соответствии с неограничивающими вариантами осуществления настоящей технологии;

[57] На Фиг. 4 представлена блок-схема способа, выполняемого в рамках системы, изображенной на Фиг. 1, и выполняемого в соответствии с неограничивающими вариантами осуществления настоящей технологии;

[58] На Фиг. 5 представлена блок-схема способа, выполняемого в рамках системы, изображенной на Фиг. 1, и выполняемого в соответствии с вариантами осуществления настоящей технологии, не ограничивающими ее объем.

ОСУЩЕСТВЛЕНИЕ

[59] На Фиг. 1 представлена принципиальная схема системы 100, выполненной в соответствии с вариантами осуществления настоящей технологии, не ограничивающими ее объем. Важно иметь в виду, что нижеследующее описание системы 100 представляет собой описание показательных вариантов осуществления настоящей технологии. Таким образом, все последующее описание представлено только как описание иллюстративного примера настоящей технологии. Это описание не предназначено для определения объема или установления границ настоящей технологии. Некоторые полезные примеры модификаций системы 100 также могут быть охвачены нижеследующим описанием. Целью этого является также исключительно помощь в понимании, а не определение объема и границ настоящей технологии. Эти модификации не представляют собой исчерпывающий список, и специалистам в данной области техники будет понятно, что возможны и другие модификации. Кроме того, это не должно интерпретироваться так, что там, где это еще не было сделано, т.е. там, где не были изложены примеры модификаций, никакие модификации невозможны, и/или что то, что описано, является единственным вариантом осуществления этого элемента настоящего технического решения. Как будет понятно специалисту в данной области техники, это, скорее всего, не так. Кроме того, следует иметь в виду, что система 100 представляет собой в некоторых конкретных проявлениях достаточно простой вариант осуществления настоящей технологии, и в подобных случаях этот вариант представлен здесь с целью облегчения понимания. Как будет понятно специалисту в данной области техники, многие варианты осуществления настоящей технологии будут обладать гораздо большей сложностью.

[60] В общем случае, система 100 выполнена с возможностью предоставлять рекомендации содержимого пользователю 102 системы 100 в форме наборов рекомендуемого цифрового содержимого, предназначенного для отображения на электронном устройстве 104 (например, без установления ограничений, новостные статьи, элементы розничной продажи, аудиовизуальные элементы и т.д.). Пользователь 102 может являться подписчиком сервиса рекомендаций, который предоставляет система 100. Однако, подписка не обязана быть оплачиваемой или ускоренной. Например, пользователь 102 может стать подписчиком путем скачивания рекомендательного предложения из система 100, путем регистрации и предоставления сочетания логина/пароля, путем регистрации и так далее. Поэтому любой вариант системы, выполненный с возможностью создавать рекомендации содержимого для данного пользователя 102, может быть адаптирован специалистом для выполнения вариантов осуществления настоящей технологии после того, как специалистом было прочитано настоящее описание. Кроме того, система 100 может быть описана с помощью примера системы 100, которая является системой рекомендаций (следовательно, система 100 может упоминаться как «система 100 рекомендаций» или «система 100 прогнозирования»). Тем не менее, варианты осуществления настоящей технологии могут также применяться к другим типам систем 100, как будет более подробно описано далее.

[61] Система 100 содержит электронное устройство 104, электронное устройство 104 связано с пользователем 102. Таким образом, электронное устройство 104 может иногда упоминаться как «клиентское устройство», «устройство конечного пользователя» или «клиентское электронное устройство». Следует отметить, что тот факт, что электронное устройство 104 связано с пользователем 102, не подразумевает какого-либо конкретного режима работы, равно как и необходимости входа в систему, быть зарегистрированным, или чего-либо подобного.

[62] Варианты осуществления электронного устройства 104 конкретно не ограничены, но в качестве примера электронного устройства 104 могут использоваться персональные компьютеры (настольные компьютеры, ноутбуки, нетбуки и т.п.), устройства беспроводной связи (смартфоны, мобильные телефоны, планшеты и т.п.), а также сетевое оборудование (маршрутизаторы, коммутаторы или шлюзы). Электронное устройство 104 содержит аппаратное и/или прикладное программное, и/или системное программное обеспечение (или их комбинацию), как известно в области техники, чтобы выполнять рекомендательное приложение 106. В общем случае, задачей рекомендательного приложения 106 является позволить пользователю 102 получать (или каким-либо иным способом иметь доступ) к элементам рекомендаций, предоставляемым системой 100. То, как именно системой 100 выбираются элементы рекомендаций для пользователя 102, будет более подробно описано далее.

[63] Реализация рекомендательного приложения 106 никак конкретно не ограничена. Одним из примеров выполнения рекомендательного приложения 106 является доступ пользователем на веб-сайт, соответствующий системе рекомендаций, для получения доступа к рекомендательному приложению 106. Например, рекомендательное приложение 106 может быть вызвано путем ввода (или копирования-вставки или выбора ссылки) URL, связанного с сервисом рекомендаций. Альтернативно, рекомендательное приложение 106 может являться приложением, скачанным из так называемого магазина приложений, например, APPSTORE™ или GOOGLEPLAY™, и установленным/используемым на электронном устройстве 104. Важно иметь в виду, что рекомендательное приложение 106 может быть вызвано с помощью любых других средств.

[64] В других вариантах осуществления настоящей технологии, рекомендательное приложение 106 может быть реализовано в виде браузера (например, браузер GOOGLE™, браузер YANDEX™, a YAHOO!™ или любое другое собственное или коммерчески доступное браузерное приложение). Например, пользователю 102 может предоставляться доступ к сервису рекомендаций через стартовую или домашнюю страницу браузера.

[65] Электронное устройство 104 соединено с сетью 110 передачи данных для получения доступа к серверу 112. В некоторых вариантах осуществления настоящей технологии, не ограничивающих ее объем, сеть 110 передачи данных может представлять собой Интернет. В других вариантах осуществления настоящего технического решения, сеть 110 передачи данных может быть реализована иначе - в виде глобальной сети передачи данных, локальной сети передачи данных, частной сети передачи данных и т.п.Линия передачи данных (отдельно не пронумерована) между электронным устройством 104 и сетью 110 передачи данных реализована таким образом, что она будет зависеть, среди прочего, от того, как реализовано электронное устройство 104.

[66] В качестве примера, но не ограничения, в данных вариантах осуществления настоящей технологии в случаях, когда электронное устройство 104 представляет собой беспроводное устройство связи (например, смартфон), линия передачи данных представляет собой беспроводную сеть передачи данных (например, среди прочего, линия передачи данных 3G, линия передачи данных 4G, беспроводной интернет Wireless Fidelity или коротко WiFi®, Bluetooth® и т.п.). В тех примерах, где электронное устройство 104 представляет собой портативный компьютер, линия связи может быть как беспроводной (беспроводной интернет Wireless Fidelity или коротко WiFi®, Bluetooth® и т.п) так и проводной (соединение на основе сети Ethernet).

[67] Система 100 рекомендаций также включает в себя множество ресурсов 130, которые коммуникативно соединены с сетью 110 передачи данных. Каждый из множества ресурсов 130, а именно первый ресурс 132, второй ресурс 134 и третий ресурс 136, представляют собой сетевой ресурс, доступный серверу 112 через сеть ПО передачи данных.

[68] Например, первый ресурс 132 может быть веб-ресурсом, на котором расположен общеизвестный новостной веб-сайт, размещенный информационным агентством CNN, доступный, например, по соответствующему URL-адресу. В другом примере, второй ресурс 134 может быть популярным веб-сайтом розничной торговли, размещенным интернет-магазином AMAZON, доступным, например, по соответствующему URL-адресу. В еще одном примере, третий ресурс 136 может быть веб-ресурсом, на котором находится хорошо известный сатирический новостной веб-сайт (например, "The Onion"), доступный, например, по соответствующему URL-адресу. Важно понимать, что первый ресурс 132, второй ресурс 134 и третий ресурс 136 могут быть выполнены иначе и что ряд дополнительных веб-ресурсов (аналогичных первому ресурсу 132, второму ресурсу 134 и третьему ресурсу 136 или отличающихся от них) может быть представлен в альтернативных вариантах осуществления системы 100.

[69] Как показано на Фиг. 2, каждый из множества ресурсов 130 может содержать ряд веб-ресурсов, каждый из которых обладает одной или несколькими "веб-страницами". В общем случае, каждый веб-ресурс связан с главной страницей или домашней страницей (также известной как "целевая страница") веб-ресурса, к которой обычно можно получить доступ на "корневом" уровне URL-адреса (например, щелкнув на гиперссылку на другой веб-странице, введя URL-адрес и т.д.). Целевые страницы часто являются наиболее просматриваемыми веб-страницами соответствующих веб-ресурсов, поскольку большая часть пользовательского трафика, как правило, направляется на эти целевые страницы, прежде чем осуществляется переход на вторичные веб-страницы соответствующих веб-ресурсов.

[70] Предположим, что первый ресурс 132 размещает первую целевую страницу 140 и две вторичные веб-страницы 141 и 142, что второй ресурс 134 размещает вторую целевую страницу 143 и две вторичных веб-страницы 144 и 145, а третий ресурс 136 размещает третью целевую страницу 146 и две вторичных веб-страницы 147 и 148. Таким образом, первая целевая страница 140 могут быть доступна в корне домена новостного веб-портала CNN, вторая целевая страница 143 может быть доступна в корне домена веб-портала интернет-магазина Amazon, а третья страница 146 может быть доступна в корне домена веб-портала "The Onion". Хотя каждый из множества ресурсов 130 изображен как размещающий три соответствующие веб-страницы, следует понимать, что в альтернативных вариантах осуществления множества ресурсов 130, любой ресурс может содержать меньшее или большее количество соответствующих веб-страниц.

[71] Каждый из множества ресурсов 130 также содержит соответствующее множество элементов. Например, первый ресурс 132 содержит множество новостных элементов 200, доступных пользователям первого ресурса 132. Данный новостной элемент может предоставить пользователям первого ресурса 132 новостную статью, связанную с различными темами, такими как, без установления ограничений, политика, путешествия, здоровье, развлечения, спорт, международные дела и тому подобное.

[72] В другом примере, второй ресурс 134 содержит множество элементов 220 розничной торговли, доступных пользователям второго ресурса 134. Данный элемент розничной торговли может предоставлять пользователям второго ресурса 134 информацию о товаре, включающую в себя цену товара, описание товара, время доставки товара, рейтинг товара, изображения товара и тому подобное.

[73] В еще одном примере, третий ресурс 136 содержит множество сатирических новостных элементов 240, которые доступны пользователям третьего ресурса 136. Данный сатирический новостной элемент может предоставить пользователям третьего ресурса 136 сатирическую новостную статью, которая была написана с использованием юмора, иронии, преувеличения или насмешек, с целью разоблачения и критики различных современных актуальных тем.

[74] Из-за того что большая часть пользовательского трафика направляется на целевые страницы, операторы соответствующих ресурсов выбирают элементы, размещенные на соответствующих ресурсах, и отображают предварительно выбранные элементы, размещенные на соответствующих ресурсах, на целевых страницах, для того, чтобы увеличить вероятность удовлетворения значительной части пользовательского трафика, который получает доступ к целевым страницам и, тем самым, увеличить популярность соответствующих ресурсов, а также общий пользовательский трафик, связанный с соответствующими ресурсами.

[75] Соответствующими ресурсами могут быть реализованы различные алгоритмы выбора для выбора соответствующих размещаемых элементов. В некоторых вариантах осуществления технологии, присущий ресурсу алгоритм выбора, реализованный данным ресурсом, может зависеть, в частности, от типа элементов, расположенных данном ресурсе, и предпочтений посетителей, обращающихся к данному веб-ресурсу. Например, первый ресурс 132 может реализовать данный присущий ресурсу алгоритм выбора, который выбирает множество новостных элементов 200 на основе "свежести" новостных элементов, что может указывать на то, насколько свежей или актуальной является тема данной новостной статьи. В качестве другого примера, второй ресурс 132 может реализовать данный присущий ресурсу алгоритм выбора, который выбирает множество элементов 220 розничной торговли на основе частоты покупок элементов розничной торговли, что может указывать на привлекательность данного элемента розничной торговли. В качестве еще одного примера, третий ресурс 136 может реализовать данный присущий ресурсу алгоритм выбора, который выбирает множество сатирических новостных элементов 240 на основе числа просмотров сатирических новостных элементов, что может указывать на популярность данного сатирического новостного элемента.

[76] Подразумевается, что в некоторых вариантах осуществления настоящей технологии, данный присущий ресурсу алгоритм выбора может быть по меньшей мере одним из алгоритма выбора с помощью программного обеспечения и алгоритма выбора с помощью человека. Например, данный алгоритм выбора с помощью программного обеспечения может быть MLA выбора, обученным выбирать лучшие элементы (например, самые свежие элементы, самые популярные элементы и т.д.) среди данного множества элементов, расположенных на данном ресурсе, на основе, среди прочего, типа элементов, размещенных на данном ресурсе. В другом примере данный алгоритм выбора с помощью человека может осуществляться через человека-асессора, связанного с данным заранее определенным ресурсом. Данному человеку-эксперту могут быть представлены по меньшей мере некоторые из данного множества элементов, размещенных на данном заранее определенном ресурсе, и он может выбирать лучшие элементы (например, самые свежие элементы, самые популярные элементы и т.д.), которые предназначаются для вывода на данную целевую страницу данного заранее определенного ресурса.

[77] Подразумевается, что данный присущий ресурсу алгоритм выбора может быть комбинацией алгоритма выбора с помощью программного обеспечения и алгоритма выбора с помощью человека. Например, данный MLA выбора может выбирать лучшие элементы (например, самые свежие элементы, самые популярные элементы и т.д.) среди данного множества элементов, расположенных на данном ресурсе, на основе, среди прочего, типа элементов, размещенных на данном ресурсе. Таким образом выбранные лучшие элементы с помощью данного MLA выбора могут быть предоставлены данному человеку-асессору для выбора лучших элементов среди таким образом выбранных лучших элементов с помощью данного MLA выбора для отображения на данной целевой странице данного ресурса.

[78] Независимо от того, какие конкретные присущие ресурсу алгоритмы выбора реализуются соответствующими ресурсами, можно сказать, что предварительно выбранные элементы, расположенные на соответствующих ресурсах, которые отображаются на соответствующих целевых страницах, включают в себя элементы, которые, вероятно, будут считаться наиболее релевантными для значительной части пользователей, которые обращаются к соответствующим целевым страницам. Таким образом, набор новостных элементов 210 может отображаться на целевой странице 140, которая включает в себя заранее выбранные элементы из множества новостных элементов 200. Таким образом, набор элементов 230 розничной торговли может отображаться на второй целевой странице 143, которая включает в себя заранее выбранные элементы из множества элементов 200 розничной торговли. Набор сатирических новостных элементов 250 может отображаться на третьей целевой странице 146, которая включает в себя заранее выбранные элементы из множества сатирических новостных элементов 200.

[79] Ряд заранее выбранных элементов, которые предназначены для отображения на соответствующих целевых страницах, без установления ограничений, только в качестве примеров, набор новостных элементов 210 может содержать три элемента, набор элементов 230 розничной торговли может содержать четыре элемента, и набор сатирических новостных элементов 250 может содержать два элемента.

[80] Возвращаясь к описанию Фиг. 1, система 100 рекомендаций также включает в себя сервер 112, который может быть реализован как обычный сервер. В примере варианта осуществления настоящей технологии, сервер 112 может представлять собой сервер Dell™ PowerEdge™, на котором используется операционная система Microsoft™ Windows Server™. Излишне говорить, что сервер 112 может представлять собой любое другое подходящее аппаратное, прикладное программное, и/или системное программное обеспечение или их комбинацию. В представленном варианте осуществления настоящей технологии, не ограничивающем ее объем, сервер 112 является одиночным сервером. В других вариантах осуществления настоящей технологии, не ограничивающих ее объем, функциональность сервера 112 может быть разделена, и может выполняться с помощью нескольких серверов.

[81] Сервер 112 реализует алгоритм 114 определения типа пользователя, первый машинно-обученный алгоритм (MLA) 116, второй MLA 118 и алгоритм 119 ранжирования. Сервер 112 также обладает доступом к главной базе 120 данных, базе 122 данных факторов элементов, базе 124 данных рекомендуемых элементов и базе 126 данных пользовательских взаимодействий.

[82] Кроме того, в представленном варианте осуществления главная база 120 данных, база 122 данных факторов элементов, база 124 данных рекомендуемых элементов и база 126 данных пользовательских взаимодействий представлены в виде отдельных физических элементов. Но это не является обязательным для каждого варианта осуществления настоящей технологии. Таким образом, некоторые или все из главной базы 120 данных, базы 122 данных факторов элементов, базы 124 данных рекомендуемых элементов и базы 126 данных пользовательских взаимодействий могут быть реализованы в виде одной базы данных. Кроме того, любая из главной базы 120 данных, базы 122 данных факторов элементов, базы 124 данных рекомендуемых элементов и базы 126 данных пользовательских взаимодействий может быть разделена на несколько отдельных хранилищ.

[83] Аналогичным образом, все (или любая комбинация), алгоритма 114 определения типа пользователя, первого ML А 116, второго ML А 118, алгоритма 119 ранжирования, главной базы 120 данных, базы 122 данных факторов элементов, базы 124 данных рекомендуемых элементов и базы 126 данных пользовательских взаимодействий могут быть реализованы как одно устройство аппаратного обеспечения.

[84] Главная база данных 120 выполнена с возможностью сохранять информацию, извлеченную или иным образом определенную сервером 112 во время обработки. В общем случае, главная база данных 120 может получать данные с сервера 112, которые были извлечены или иным образом определены сервером 112 во время обработки для временного и/или постоянного хранения, и могут предоставлять сохраненные данные серверу 112 для использования.

[85] База 122 факторов элементов выполнена с возможностью хранить информацию, связанную с факторами элементов, связанными, например, с элементами, которые были ранее рекомендованы сервисом рекомендаций предыдущим пользователям, и с которыми взаимодействовал по меньшей мере один предыдущий пользователь. Примеры подобных элементов могут включать в себя, без установления ограничений: песню для потоковой передачи или скачивания, документ для загрузки, новостную статью для чтения, продукт для продажи, страницу результатов поиска (SERP) и тому подобное.

[86] Примеры факторов элементов включают в себя, без установления ограничений:

- популярность данного элемента среди пользователей сервиса рекомендаций (например, в случае, если данный элемент является музыкальным треком, количество раз, когда музыкальный трек был прослушан и/или скачан пользователями сервиса рекомендаций);

- число лайков / покупок / скачиваний / кликов среди всех событий, связанных с данным элементом и выполненных с помощью сервиса рекомендаций; и

- характеристики, присущие элементу - в случае, если элемент является музыкальным треком - длина трека, жанр трека, аудио-характеристики трека (например, темп трека); другие присущие элементу характеристики включают в себя: цену элемента, мерность элемента, категорию элемента, производителя/изготовителя элемента, длину документа, выраженную в количестве слов или символов; категорию / тему документа; рейтинг фильма в сервисе ранжирования фильмов, и так далее.

[87] База 124 данных рекомендуемых элементов выполнена с возможностью хранения информации, связанной с пулом потенциально рекомендуемых элементов сервисом рекомендаций, и содержит все элементы, которые сервис рекомендаций может потенциально рекомендовать своим пользователям. Каждый из пула потенциально рекомендуемых элементов является соответствующим цифровым элементом, связанным с соответствующими факторами элементов, хранящимися в базе 122 данных факторов элементов. Природа одного или нескольких потенциально рекомендуемых элементов в пуле потенциально рекомендованных элементов никак конкретно не ограничена. Некоторые примеры одного или нескольких потенциально рекомендуемых элементов включают в себя, без установления ограничений, такие как:

- новостной элемент;

- публикацию;

- веб-ресурс;

- пост на веб-сайте социального медиа;

- новый элемент, который предназначен для загрузки из магазина приложений;

- новую песню (музыкальный трек), которая предназначена для воспроизведения/загрузки с ресурса;

- новый фильм (видеоклип), который предназначен для воспроизведения/загрузки с ресурса;

- продукт, который предназначен для покупки с ресурса; и

- новый документ, загруженный для просмотра на веб-сайте социального медиа (например, новую фотографию, которая загружена в учетную запись в сетях INSTRAGRAM или FACEBOOK).

[88] Пул потенциально рекомендуемых элементов может включать в себя по меньшей мере один элемент из множества новостных элементов 200, множества 220 элементов розничной торговли и множества сатирических новостных элементов 240, хотя это и не является обязательным в каждом варианте осуществления настоящей технологии.

[89] База 126 данных пользовательских взаимодействий выполнена с возможностью хранить информацию, относящуюся к пользовательским событиям/взаимодействиями, которые связаны с предыдущими пользователями системы 100. Естественно, пользовательские события могут храниться в зашифрованной форме. Примеры пользовательских событий включают в себя, без установления ограничений:

- данный пользователь системы рекомендаций "прокрутил" мимо данного элемента;

- данный пользователь системы рекомендаций "лайкнул" данный элемент;

- данный пользователь системы рекомендаций "репостнул" данный элемент;

- данный пользователь системы рекомендаций щелкнул на (или иначе выбрал) данный элемент; и

- данный пользователь системы рекомендаций купил / заказал / загрузил данный элемент.

[90] Важно иметь в виду, что пользовательские события и факторы элементов могут принимать различные формы, и никак конкретно не ограничены. Таким образом, представленные выше списки неограничивающих примеров того, как реализованы пользовательские события и факторы элементов, представлены здесь только для примера. И важно иметь в виду, что многие альтернативные варианты осуществления пользовательских событий и факторов элементов могут быть представлены в других вариациях в рамках настоящей технологии.

[91] То, как именно получают и сохраняют информацию в базе 122 данных факторов элементов, базе 124 данных рекомендуемых элементов и базе 126 данных пользовательских взаимодействий, никак конкретно не ограничено.

[92] Например, информация, связанная с факторами элементов, может быть получена от конкретного сервиса, который располагает информацией о различных элементах, доступных на нем и тому подобное; и может быть сохранена во в базе 122 данных факторов элементов. Информация, связанная с факторами элементов может быть разделена на различные категории, представляющие различные типы или тематики элементов.

[93] В другом примере информация, относящаяся к набору потенциально рекомендуемых элементов, может быть получена путем "просмотра поисковым роботом" большого количества ресурсов, которые могут включать в себя, в некоторых случаях, множество ресурсов 130; и храниться в базе 124 данных рекомендуемых элементов. Однако, предполагается, что набор потенциально рекомендуемых элементов может не включать в себя любой один элемент или несколько элементов из множества новостных элементов 200, множества элементов 220 розничной торговли и множества сатирических новостных элементов 240.

[94] В еще одном примере информация, связанная с пользовательскими событиями, может быть получена путем сбора данных о предыдущих взаимодействиях пользователей между любым из потенциально рекомендуемых элементов, хранящихся в базе данных рекомендуемых элементов 124, и всеми пользователями системы рекомендаций; и хранится в базе 126 данных пользовательских взаимодействий. Информация, связанная с пользовательскими событиями, может храниться в зашифрованной форме.

[95] Сервере 112 расположен сервис рекомендаций и, в общем случае, он выполнен с возможностью (i) получать от электронного устройства 104 запрос 150 на рекомендуемое содержимое и (ii) в ответ на запрос 150, создавать ответ 153, содержащий данный набор элементов рекомендаций. Как это будет описано далее, данный набор элементов рекомендаций, который передается на электронное устройство 104, может быть в некоторых вариантах осуществления технологии, специфическим для пользователя и, следовательно, будет представлять собой персонализированную рекомендацию содержимого, специфического для пользователя 102 или, в других вариантах осуществления технологии, неспецифическим для пользователя и, следовательно, будет представлять собой неперсонализированную рекомендацию содержимого, которая не является специфической для пользователя 102.

[96] В некоторых вариантах осуществления настоящей технологии, запрос 150 может быть создан в ответ на предоставление пользователем 102 явного указания на его/ее желание получить рекомендуемое содержимое, например, путем нажатия кнопки в приложении 106 рекомендаций. Следовательно, запрос 150 на данный набор элементов рекомендаций может считаться "явным запросом" в том смысле, что пользователь 102 явно предоставляет запрос на данный набор элементов 152 рекомендаций.

[97] В других вариантах осуществления настоящей технологии, запрос 150 может быть создан в ответ на предоставление пользователем 102 неявного указания на его/ее желание получить рекомендованное содержимое. В некоторых вариантах осуществления настоящей технологии, запрос 150 может быть создан в ответ на то, что пользователь 102 запускает рекомендательное приложение 106.

[98] В некоторых других вариантах осуществления настоящей технологии, запрос 150 может быть создан даже без предоставления пользователем 102 явного или неявного указания на его/ее желание получить рекомендованное содержимое. Например, в тех вариантах осуществления настоящей технологии, где приложение 106 рекомендаций реализовано как браузер, как упоминалось ранее, запрос 150 может быть создан в ответ на то, что пользователь 102 открывает браузерное приложение и может быть создан, например, без выполнения пользователем 102 каких-либо действий, кроме активации браузерного приложения. В качестве другого примера, запрос 150 может быть создан в ответ на открытие пользователем 102 новой вкладки в уже открытом браузерном приложении, и может быть создан, например, без выполнения пользователем 102 каких-либо действий, кроме активации новой вкладки браузера. Другими словами, запрос 150 может быть создан даже без знания пользователя 102 о том, что он может быть заинтересован в получении рекомендованного содержимого.

[99] В качестве другого примера, запрос 150 может быть создан в ответ на выбор пользователем 102 конкретного элемента браузерного приложения, и могут быть созданы, например, без выполнения пользователем 102 каких-либо действий, кроме активации/выбора конкретного элемента браузерного приложения.

[100] Примеры конкретного элемента браузерного приложения включают в себя, без установления ограничений:

- адресную строку строки браузерного приложения;

- поисковую строку браузерного приложения и/или поисковую строку веб-сайта поисковой системы, доступного в браузерном приложении;

- омнибокс (связанные адрес и поисковая строка браузерного приложения);

- панель избранных или недавно посещенных сетевых ресурсов; и

- любую другую заранее определенную область интерфейса браузерного приложения или веб-ресурса, отображенного в браузерном приложении.

[101] При получении запроса 150 от электронного устройства 104 через сеть 110 передачи данных, сервер 112 выполнен с возможностью осуществлять алгоритм 114 определения типа пользователя для определения типа пользователя 102. Тип данного пользователя сервиса рекомендаций, расположенного на сервере 112, может быть одним из двух типов: "новый пользователь" и "старый пользователь".

[102] В общем случае, если данный пользователь сервиса рекомендаций относится к типу "старый пользователь", это означает, что данный пользователь является "старым" пользователей сервиса рекомендаций в том смысле, что у данного пользователя достаточно предыдущих взаимодействий с сервисом рекомендаций, чтобы сервер 112 мог собрать достаточно указаний на предыдущие пользовательские взаимодействия, связанные с данным пользователем и, таким образом, чтобы сервер 112 мог создавать специфические для пользователя рекомендации содержимого для данного пользователя. Указания на предыдущие пользовательские взаимодействия, связанные с данным пользователем, хранятся в базе 126 данных пользовательских взаимодействий и могут быть получены сервером 112 для дальнейшей обработки.

[103] И наоборот, данный пользователь сервиса рекомендаций может быть "новым" пользователем в том смысле, что он / она обладает ограниченным числом предыдущих взаимодействий или вообще не взаимодействовал(а) с сервисом рекомендаций. Это означает, что сервер 112 не может собрать достаточно информации о предыдущих пользовательских взаимодействиях, связанных с этим "новым" пользователем, и, таким образом, сервис рекомендаций не обладает достаточной информацией для создания специфических для пользователя рекомендаций содержимого для этого "нового" пользователя. Данный пользователь может относиться к типу "новый пользователь", если он/она связан(а) с ограниченным числом предыдущих пользовательских взаимодействий (или с полным их отсутствием), которые хранятся в базе 126 данных пользовательских взаимодействий.

[104] Следует понимать, что сервису рекомендаций, размещенному на сервере 112, может потребоваться, по меньшей мере минимальное количество "знаний" о предпочтениях, привычках или поведении данного пользователя, чтобы предоставить персонализированную рекомендацию содержимого данному пользователю. Действительно, сервис рекомендаций может не быть способен создавать или иным образом выбирать специфические для пользователя рекомендации, если сервис рекомендаций не обладает априори по меньшей мере некоторой информацией о данном пользователе. Эта проблема известна в сервисах рекомендаций как "холодный старт", что относится к ситуации, когда данная система рекомендации "знает" очень мало о новом пользователе, и, следовательно, не обладает достаточной информацией для создания или иным образом выбора персонализированной рекомендаций содержимого, которая была бы специфической для пользователя.

[105] Подразумевается, что в некоторых вариантах осуществления настоящей технологии, сервер 112 может быть выполнен с возможностью избирательно выполнять различные процедуры в зависимости от того, к старому или новому типу пользователя относится пользователь 102, для рекомендации элементов пользователю 102.

[106] При выполнении алгоритма 114 определения типа пользователя, сервер 112 выполнен с возможностью получать информацию, связанную с предыдущими пользовательскими взаимодействиями, связанными с пользователем 102 из базы 126 данных пользовательских взаимодействий для определения того, связан ли пользователь 102 с заранее определенным уровнем предыдущих пользовательских взаимодействий. Заранее определенный уровень предыдущих пользовательских взаимодействий определен как любое количество предыдущих пользовательских взаимодействий, которого недостаточно для создания персонализированной рекомендации содержимого.

[107] В некоторых вариантах осуществления технологии, заранее определенный уровень предыдущих пользовательских взаимодействий может быть определен оператором сервиса рекомендаций. В других вариантах осуществления технологии, заранее определенный уровень предыдущих пользовательских взаимодействий может быть определен сервером 112 на основе анализа удовлетворенности пользователей предыдущими предложениями с персонализированными рекомендациями содержимого и на основе количества предыдущих пользовательских взаимодействий, связанных с этими пользователями, во время создания этих соответствующих персонализированных рекомендаций содержимого.

[108] Независимо от того, как был определен заранее определенный уровень предыдущих пользовательских взаимодействий, если сервер 112 определяет, что количество предыдущих пользовательских взаимодействий, связанных с пользователем 102, не соответствует заранее определенному уровню предыдущих пользовательских взаимодействий, сервер 112 определяет, что пользователь 102 относится к типу "старый пользователь". И наоборот, если сервер 112 определяет, что количество предыдущих пользовательских взаимодействий, связанных с пользователем 102, соответствует заранее определенному уровню предыдущих пользовательских взаимодействий, сервер 112 определяет, что пользователь 102 относится к типу "новый пользователь".

Обработка рекомендуемого содержимого для пользователя типа "старый пользователь"

[109] Предположим, что сервер 112 определяет, что количество предыдущих пользовательских взаимодействий, связанных с пользователем 102, не соответствует заранее определенному уровню предыдущих пользовательских взаимодействий. Следовательно, сервер 112 определяет, что пользователь 102 относится к типу "старый пользователь". В ответ на то, что пользователь 102 относится к типу "старый пользователь", сервер 112 может выполнить процедуру предоставления персонализированной рекомендации содержимого пользователю 102. С этой целью, сервер 112 может использовать второй MLA 118 для создания специфической для пользователя оценки популярности для по меньшей мере некоторых элементов из пула потенциально рекомендуемых элементов, хранящихся в базе 124 данных рекомендуемых элементов.

[110] Второй MLA 118 может быть выполнен с возможностью создавать набор специфических для пользователя элементов рекомендаций путем выбора из пула потенциально рекомендуемых элементов, специфических для пользователя элементов рекомендаций на основе специфических для пользователя оценок популярности, созданных сервером 112. Например, второй MLA 118 может выбрать элементы с наивысшим рейтингом из пула потенциально рекомендуемых элементов на основе специфических для пользователя оценок популярности в качестве специфических для пользователя элементов рекомендаций, которые предназначены для представления пользователю 102.

[111] То, как второй MLA 118 сервера 112 обучен и выполнен с возможностью создавать специфические для пользователя оценки популярности, и как второй MLA 118 выполнен с возможностью выбирать набор специфических для пользователя элементов рекомендаций из пула потенциально рекомендуемых элементов, предназначенных для представления пользователю 102, описано в патентной заявке под номером 15/607555, поданной 29 мая 2017 года и озаглавленной "СПОСОБ И УСТРОЙСТВО ДЛЯ ОБУЧЕНИЯ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ (MLA) ДЛЯ СОЗДАНИЯ РЕКОМЕНДАЦИИ СОДЕРЖИМОГО В СИСТЕМЕ РЕКОМЕНДАЦИЙ, И СПОСОБ И УСТРОЙСТВО ДЛЯ СОЗДАНИЯ РЕКОМЕНДУЕМОГО СОДЕРЖИМОГО С ПОМОЩЬЮ ML А", которая полностью включена в настоящую заявку посредством ссылки.

[112] Сервер 112 может быть выполнен с возможностью передачи набора специфических для пользователя элементов рекомендаций в качестве персонализированной рекомендации содержимого на электронное устройство 104 для представления пользователю 102 с помощью приложения 106 рекомендаций.

[113] В некоторых вариантах осуществления настоящей технологии, перед передачей набора специфических для пользователя элементов рекомендаций в качестве персонализированной рекомендации содержимого, сервер 112 может выполнить алгоритм 119 ранжирования (см. Фиг. 1) для ранжирования специфических для пользователя элементов рекомендаций в данном наборе специфических для пользователя элементов рекомендаций. Другими словами, после выбора специфических для пользователя элементов рекомендаций сервер 112 может ранжировать специфические для пользователя элементы рекомендаций с помощью алгоритма 119 ранжирования.

[114] В общем случае, алгоритм 119 ранжирования может быть реализован для "контроля" за порядком представления или отображения рекомендуемого содержимого пользователю 102 в приложении 106 рекомендаций. Например, алгоритм ранжирования 119 может быть обучен ранжированию элементов в данном наборе элементов рекомендаций на основе размера окна и/или параметров отображения приложения 106 рекомендаций. Таким образом, путем ранжирования содержимого рекомендации с помощью алгоритма 119 ранжирования, содержимое рекомендации может быть ранжировано таким образом, что оно отображается в приложении 106 рекомендации на электронном устройстве 104 визуально привлекательным для пользователя 102 образом.

[115] Сервер 112 может создавать пакет данных, такой как ответ 153, который, в данном случае, содержит информацию, указывающую на набор специфических для пользователя элементов рекомендации. Сервер 112 может передавать ответ 153 электронному устройству 104 через сеть ПО передачи данных для инициирования отображения персональных рекомендаций содержимого для пользователя 102.

Обработка рекомендуемого содержимого для пользователя типа "новый пользователь"

[116] Теперь предположим, что сервер 112 определяет, что количество предыдущих пользовательских взаимодействий, связанных с пользователем 102, соответствует заранее определенному уровню предыдущих пользовательских взаимодействий. Следовательно, сервер 112 определяет, что пользователь 102 относится к типу "новый пользователь". Действительно, поскольку объем предыдущих пользовательских взаимодействий, связанных с пользователем 102, который получен из базы 126 данных пользовательские взаимодействий, соответствует заранее определенному уровню предыдущих пользовательских взаимодействий, предыдущие пользовательские взаимодействия пользователя 102 с сервисом рекомендаций не являются достаточными для создания персонализированной рекомендации содержимого для пользователя 102 (т.е. возникает ситуация, упомянутая выше как проблема "холодного старта" сервисов рекомендаций). Следовательно, вместо персональных рекомендаций содержимого, сервер 112 может предоставить пользователю 102 данный набор неспецифических для пользователя элементов рекомендаций, который включает в себя элементы, выбранные неспецифическим для пользователя образом.

[117] В соответствии с неограничивающими вариантами осуществления настоящей технологии, поскольку на сервере 112 отсутствует необходимая информация для предоставления пользователю 102 персонализированной рекомендации содержимого, сервер 112 может быть выполнен с возможностью предоставлять пользователю 102 элементы, которые находятся на целевых страницах ресурсов, которые считаются оператором сервера 112 "надежными". В общем случае, оператор может определить данный набор заранее определенных ресурсов, которые он/она считает "надежными" в плане предоставления содержимого, которое, скорее всего, будет интересно большинству новых пользователей.

[118] Например, оператор сервера 112 может определить, что среди множества ресурсов 130, первый ресурс 132 и второй ресурс 134 являются "надежными" ресурсами и предоставляют содержимое на их соответствующих первой и второй целевых страницах 140 и 143, которые, скорее всего, будут оценены большинством новых пользователей независимо от личных предпочтений какого-либо нового пользователя в отношении в рекомендуемого содержимого. В некотором смысле, создание рекомендации содержимого в соответствии с неограничивающими вариантами осуществления настоящей технологии выступает в качестве "наилучшего приближения" персонализированного содержимого, которое в противном случае может быть рекомендовано пользователю, если бы пользователь относился типу "старый пользователь". В другом примере, оператор сервера 112 может определить, что среди множества ресурсов 130 третий ресурс 136 не является "надежным" ресурсом для предоставления содержимого, которое, скорее всего, будет интересно большинству новых пользователей.

[119] Другими словами, оператор может определить, что содержимое, предоставленное на первой целевой странице 140 первого ресурса 132, скорее всего, будет оценено большинством новых пользователей, поскольку первый ресурс 132 является хорошо известным новостным сайтом, предоставляющим новостные статьи хорошего качества.

[120] Аналогично, оператор может определять, что содержимое, предоставленное на второй целевой странице 140 второго ресурса 132, скорее всего, будет интересно большинству новых пользователей, поскольку второй ресурс 132 является популярным веб-сайтом для онлайн розничной торговли с хорошей репутацией у клиентов.

[121] Однако, оператор может определить, что содержимое, предоставляемое третьим ресурсом 136, скорее всего, не будет интересно большинству новых пользователей, поскольку третий ресурс 136 является хорошо известным сатирическим новостным веб-сайтом, предоставляющим сатирические новостные статьи, которые будут интересны только небольшой группе пользователей.

[122] В результате сервер 112 может быть выполнен с возможностью предоставлять пользователю 102, который относится к типу "новый пользователь", данный набор неспецифических для пользователя элементов рекомендаций, который включает в себя элементы, находящиеся на целевых страницах из набора заранее определенных "надежных" ресурсов, которые, в данном случае, могут включать в себя первый ресурс 132 и второй ресурс 134. Предполагается, что данный набор неспецифических для пользователя элементов рекомендаций может включать в себя элементы, находящиеся на других целевых страницах других заранее определенных ресурсов, которые были определены как "надежные".

[123] Следует отметить, что, несмотря на то что третий ресурс 136 не считается достаточно "надежным" с точки зрения оператора сервера 112 для того, чтобы предоставлять содержимое, которое, скорее всего будет интересно большинству пользователей, как уже упоминалось ранее, по меньшей мере некоторые элементы из множества сатирических новостных элементов 240, размещенных на третьем ресурсе 136, могут быть сохранены в базе 124 данных рекомендуемых элементов и могут быть предоставлены некоторым пользователям сервиса рекомендаций, которые относятся к типу "старый пользователь".

[124] Таким образом, в ответ на то, что пользователь 102 относится к типу "новый пользователь", для того чтобы предоставить пользователю 102 по меньшей мере некоторые элементы, находящиеся по меньшей мере на одной целевой странице по меньшей мере одного заранее определенного ресурса, который был определен как "надежный" ресурс, сервер 112 может быть выполнен с возможностью выполнять первый MLA 116. Во время фазы использования первого MLA 116, первый MLA 116 может использоваться сервером 112 для прогнозирования неспецифических для пользователя оценок популярности для элементов, находящихся по меньшей мере на одной целевой странице по меньшей мере одного заранее определенного ресурса. С этой целью первый MLA 116 обучен прогнозировать неспецифические для пользователя оценки популярности для данных элементов в фазе обучения. То, как именно первый MLA 116 обучен прогнозировать неспецифические для пользователя оценки популярности для данных элементов в фазе обучения, будет описано далее.

Обучение

[125] В фазе обучения первого MLA 116 сервер 112 может получать информацию, связанную с целевыми страницами "надежных" ресурсов. В приведенном здесь примере сервер 112 может получать информацию, связанную с первой целевой страницей 140 первого ресурса 132, который был определен как "надежный" ресурс, и со второй целевой страницей 143 второго ресурса 134, который также был определен как "надежный" ресурс. Подразумевается, что сервер 112 может получать информацию, связанную с целевыми страницами других заранее определенных ресурсов, которые были определены как "надежные" ресурсы.

[126] Например, сервер 112 может быть выполнен с возможностью получать компьютерные файлы, которые представляют первую и вторую целевые страницы 140 и 143, которые могут быть написаны на языке разметки гипертекста (HTML) или на любом другом приемлемом языке разметки, а также компьютерные файлы, которые представляют элементы веб-ресурса (такие как, без установки ограничений, таблицы стилей, скрипты, изображения и т.п.), которые связаны с компьютерными файлами, представляющими первую и вторую целевые страницы 140 и 143.

[127] Кроме того, сервер 112 выполнен с возможностью получать указания на пользовательские взаимодействия, связанные с первой и второй страницами 140 и 143. Пользовательские взаимодействия, связанные с первой и второй целевыми страницами 140 и 143, являются пользовательскими взаимодействиями, которые ранее выполнялись посетителями первой и второй целевых страниц 140 и 143. Типы этих пользовательских взаимодействий никак не ограничены, тем не менее, исключительно в качестве примера, эти пользовательские взаимодействия могут представлять собой нажатия, долгие нажатия, наведение, прокрутку и другие действия, например, скачивание, покупку, распространение и так далее.

[128] С этой целью, сервер 112 может быть выполнен с возможностью получать первый пакет 162 данных с первого ресурса 130 и второй пакет 164 данных со второго ресурса 134. Первый пакет 162 данных включает в себя (i) информацию, связанную с первой целевой страницей 140 и (ii) указания на пользовательские взаимодействия, связанные с первой целевой страницей 140. Второй пакет 164 данных включает в себя (i) информацию, связанную со второй целевой страницей 143 и (ii) указания на пользовательские взаимодействия, связанные со второй целевой страницей 143.

[129] С учетом того, что первая целевая страница 140 размещает набор новостных элементов 210, являющихся наиболее высоко ранжированными элементами из множества новостных элементов 200, информация, связанная с первой целевой страницей 140, включает в себя информацию, связанную с набором новостных элементов 210, и указания на пользовательские взаимодействия, связанные с первой целевой страницей 140 включают в себя указания на пользовательские взаимодействия, связанные с набором новостных элементов 210. Также, с учетом того, что вторая целевая страница 143 размещает набор элементов 230 розничной торговли, являющихся наиболее высоко ранжированными элементами из множества элементов 220 розничной торговли, информация, связанная со второй целевой страницей 143, включает в себя информацию, связанную с набором элементов 230 розничной торговли, и указания на пользовательские взаимодействия, связанные со второй целевой страницей 143, включают в себя указания на пользовательские взаимодействия, связанные с набором элементов 230 розничной торговли.

[130] В некоторых вариантах осуществления настоящей технологии, при получении первого пакета 162 данных сервер 112 может быть выполнен с возможностью применять парсинг к его содержимому, чтобы извлекать информацию, связанную с визуальным характеристиками набора новостных элементов 210 и указаниями на пользовательские взаимодействия с набором новостных элементов 210. Также, при получении второго пакета 164 данных сервер 112 может быть выполнен с возможностью применять парсинг к его содержимому, чтобы извлекать информацию, связанную с визуальным характеристиками набора элементов 230 розничной торговли и указаниями на пользовательские взаимодействия с набором элементов 230 розничной торговли.

[131] В общем случае, парсинг подразумевает выполнение синтаксического и/или лексического анализа компьютерных кодов для облегчения извлечения определенных компонентов и/или другой семантической информации из компьютерных кодов. Во время парсинга, алгоритм парсинга может выполняться сервером 112 и может использовать в качестве входных данных компьютерные файлы для вывода или построения структур данных в виде деревьев разбора, абстрактных синтаксических деревьев или других иерархических структур, которые определяют структурные представления введенных компьютерных файлов. Используемые в качестве входных данных компьютерные файлы могут быть написаны на различных компьютерных языках, таких как, например, языки разметки.

[132] Визуальные характеристики данного элемента могут включать в себя, без установления ограничений, положение данного элемента на соответствующей целевой странице, размер данного элемента на соответствующей странице, относительный размер данного элемента в отношении других элементов на соответствующей целевой странице, наличие изображения и/или видео, связанного с данным элементом на соответствующей целевой страницей, шрифты текстовой информации, связанной с данным элементом на соответствующей целевой странице, и тому подобное. Подразумевается, что визуальные характеристики данного элемента могут указывать на заметное положение данного элемента на целевой странице для оператора соответствующего ресурса.

[133] Со ссылкой на Фиг. 3, сервер 112 извлекает из содержимого первого пакета 162 данных данные 301, 302 и 303 о визуальных характеристиках, которые представляют собой информацию, связанную с визуальными характеристиками трех новостных элементов 211, 212 и 213 (т.е. набор новостных элементов 210), а также данные 311, 312 и 313 о взаимодействии с элементами, которые указывают на пользовательские взаимодействия, связанные с новостными элементами 211, 212 и 213, которые выполнялись посетителями первой целевой страницы 140.

[134] Также сервер 112 извлекает из содержимого второго пакета 164 данных данные 304, 305, 306 и 307 о визуальных характеристиках, которые представляют собой информацию, связанную с визуальными характеристиками четырех элементов 231, 232, 233 и 234 розничной торговли (т.е. набор новостных элементов 210), а также данные 331, 332, 333 и 334 о взаимодействии с элементами, которые указывают на пользовательские взаимодействия, связанные с элементами 231, 232, 233 и 234 розничной торговли, которые выполнялись посетителями второй целевой страницы 143.

[135] Таким образом, сервер 112 извлекает из содержимого первого и второго пакетов 162 и 164 данных:

- данные 311 о взаимодействии с элементами и данные 301 о визуальных характеристиках, связанные с новостным элементом 211;

- данные 312 о взаимодействии с элементами и данные 302 о визуальных характеристиках, связанные с новостным элементом 212;

- данные 313 о взаимодействии с элементами и данные 303 о визуальных характеристиках, связанные с новостным элементом 213;

- данные 331 о взаимодействии с элементами и данные 304 о визуальных характеристиках, связанные с элементом 231 розничной торговли;

- данные 332 о взаимодействии с элементами и данные 305 о визуальных характеристиках, связанные с элементом 232 розничной торговли;

- данные 332 о взаимодействии с элементами и данные 306 о визуальных характеристиках, связанные с элементом 233 розничной торговли; и

- данные 334 о взаимодействии с элементами и данные 307 о визуальных характеристиках, связанные с элементом 234 розничной торговли.

[136] В некоторых вариантах осуществления настоящей технологии, сервер 112 может быть выполнен с возможностью сохранять содержимое первого и второго пакетов 162 и 164 данных в главной базе 120 данных для их дальнейшего использования. В других вариантах осуществления настоящей технологии, сервер 112 может быть выполнен с возможностью сохранять для каждого данного элемента соответствующие данных о взаимодействии с элементами и соответствующие данные о визуальных характеристиках, которые были извлечены из первого и второго пакетов 162 и 164 данных, в главную базу 120 данных для их дальнейшего использования.

[137] Во время фазы обучения первого MLA 116 сервер 112 выполнен с возможностью создавать соответствующий вектор факторов для каждого из набора новостных элементов 210 и каждого из набора элементов 230 розничной торговли на основе информации, связанной с визуальными характеристиками соответствующего одного из набора новостных элементов 219 и с визуальными характеристиками соответствующего одного из набора элементов 230 розничной торговли. Другими словами, сервер 112 выполнен с возможностью создавать вектор факторов для каждого элемента на основе соответствующих данных о визуальных характеристиках.

[138] Таким образом, сервер 112 может создавать:

- вектор 351 факторов для новостного элемента 211 на основе данных 301 о визуальных характеристиках;

- вектор 352 факторов для новостного элемента 212 на основе данных 302 о визуальных характеристиках;

- вектор 353 факторов для новостного элемента 213 на основе данных 303 о визуальных характеристиках;

- вектор 354 факторов для элемента 231 розничной торговли на основе данных 304 о визуальных характеристиках;

- вектор 355 факторов для элемента 232 розничной торговли на основе данных 305 о визуальных характеристиках;

- вектор 356 факторов для элемента 233 розничной торговли на основе данных 306 о визуальных характеристиках; и

- вектор 374 факторов для элемента 234 розничной торговли на основе данных 307 о визуальных характеристиках.

[139] В некоторых вариантах осуществления настоящей технологии, сервер 112 может быть выполнен с возможностью сохранять для каждого элемента из набора новостных элементов и набора элементов 230 розничной торговли соответствующий вектор факторов в главной базе 120 данных для их дальнейшего использования.

[140] Следует отметить, что каждый вектор факторов создается сервером 112 на основе информации, связанной с визуальными характеристиками соответствующего элемента. Например, по меньшей мере одно измерение данного вектора факторов может быть связано с первой визуальной характеристикой соответствующего элемента (например, размером его на соответствующей целевой странице), в том время как по меньшей мере одно другое измерение данного вектора факторов может быть связано с другой визуальной характеристикой соответствующего элемента (например, положением их на соответствующей целевой странице).

[141] Как было упомянуто ранее, различные визуальные характеристики могут указывать на заметное положение данного элемента на соответствующей целевой странице для оператора соответствующего ресурса. В одном примере, если данный элемент обладает данным размером на соответствующей целевой странице, это может указывать на то, что данный элемент находится на менее заметном положении для оператора соответствующего ресурса по сравнению с другим элементом на соответствующей целевой странице, обладающим большим размером, чем размер данного элемента.

[142] В других вариантах осуществления настоящей технологии, подразумевается, что данный вектор факторов может быть создан не только на основе информации, связанной с визуальными характеристиками соответствующего элемента, но также на основе другой информации, связанной с соответствующим элементом, все это включено в объем настоящей технологии. Эта другая информация, связанная с соответствующим элементом, может быть извлечена из содержимого первого пакета 162 данных и/или второго пакета 164 данных. Следовательно, можно сказать, что в других вариантах осуществления настоящей технологии данный вектор факторов может быть основан, по меньшей мере, на информации, связанной с визуальными характеристиками соответствующего элемента.

[143] Возвращаясь к описанию фазы обучения первого MLA 116, сервер 112 может быть также выполнен с возможностью создавать соответствующий обучающий набор для каждого набора новостных элементов 210 и каждого из элементов 230 розничной торговли на основании соответствующих векторов факторов и соответствующих данных о взаимодействии с элементами (которые были извлечены из содержимого первого и второго пакетов 162 и 164 данных). Другими словами, сервер 112 выполнен с возможностью создавать для каждого элемента соответствующего обучающего набора на основе (i) соответствующего ранее созданного вектора факторов и (ii) соответствующих данных о взаимодействии с элементами.

[144] Таким образом, сервер 112 выполнен с возможностью создавать:

- обучающий набор 361 на основе вектора 351 факторов и данных 311 о взаимодействии с элементами;

- обучающий набор 362 на основе вектора 352 факторов и данных 312 о взаимодействии с элементами;

- обучающий набор 363 на основе вектора 353 факторов и данных 313 о взаимодействии с элементами;

- обучающий набор 364 на основе вектора 354 факторов и данных 331 о взаимодействии с элементами;

- обучающий набор 365 на основе вектора 355 факторов и данных 332 о взаимодействии с элементами;

- обучающий набор 366 на основе вектора 356 факторов и данных 333 о взаимодействии с элементами; и

- обучающий набор 367 на основе вектора 357 факторов и данных 334 о взаимодействии с элементами.

[145] В некоторых вариантах осуществления настоящей технологии, сервер 112 может быть выполнен с возможностью сохранять для каждого элемента из набора новостных элементов и набора элементов 230 розничной торговли соответствующий обучающий набор в главной базе 120 данных для их дальнейшего использования.

[146] Сервер 112 далее выполнен с возможностью вводить обучающие наборы 361, 362, 363, 364, 365, 366 и 367 в "необученный" первый MLA 116 для обучения первого MLA 116 прогнозированию неспецифических для пользователя оценок популярности данных элементов. Другими словами, "необученный" первый MLA 116 учится, в некотором смысле, отношениям и/или шаблонам данных между визуальными характеристиками данных элементов на их соответствующих целевых страницах и их соответствующими пользовательскими взаимодействиями для приближения того, как визуальные характеристики данных элементов "коррелируют" с пользовательскими взаимодействиями с этими элементами на их соответствующих целевых страницах.

[147] Например, во время фазы обучения, первый MLA 116 может определять, что элементы, связанные с размерами, которые сравнительно больше размеров других элементов на соответствующих целевых страницах, в общем случае связаны с количеством пользовательских взаимодействий, которых сравнительно больше, чем пользовательских взаимодействий, связанных с другими элементами на соответствующих целевых страницах. Другими словами, первый MLA 116 может "изучать", что число пользовательских взаимодействий с данными элементами на соответствующих целевых страницах, по меньшей мере в некоторых случаях, может возрастать вместе с их соответствующими размерами на соответствующих целевых страницах.

[148] В другом примере, во время фазы обучения, первый MLA 116 может определять, что элементы, которые расположены выше, чем другие элементы на соответствующих целевых страницах, в общем случае связаны с количеством пользовательских взаимодействий, которых сравнительно больше, чем пользовательских взаимодействий, связанных с другими элементами на соответствующих целевых страницах. Другими словами, первый MLA 116 может "изучать", что число пользовательских взаимодействий с данными элементами на соответствующих целевых страницах, по меньшей мере в некоторых случаях, может возрастать вместе с более высокими их позициями на соответствующих целевых страницах.

Фаза использования

[149] Таким образом, в ответ на то, что пользователь 102 относится к типу "новый пользователь", сервер 112 выполнен с возможностью получать информацию, связанную с по меньшей мере одной целевой страницей по меньшей мере одного ресурса, который ранее был определен оператором сервиса рекомендаций как "надежный" ресурс. В некоторых вариантах осуществления технологии, сервер 112 может быть выполнен с возможностью получать информацию, связанную с первой целевой страницей 140 первого ресурса 132 и/или второй целевой страницей 143 второго ресурса 134. Тем не менее, подразумевается, что сервер 112 может быть выполнен с возможностью получать информацию, связанную с любой другой целевой страницей любого другого ресурса ресурса, который ранее был определен оператором сервиса рекомендаций как "надежный" ресурс.

[150] При получении информации, связанной по меньшей мере с одной целевой страницей по меньшей мере одного ресурса, который ранее был определен оператором как "надежный" ресурс, сервер 112 выполнен с возможностью осуществлять парсинг этой информации для получения информации, связанной с данным набором элементов на по меньшей мере одной целевой странице.

[151] Сервер 112 может получать информацию, связанную с по меньшей мере одной целевой страницей по меньшей мере одного ресурса с помощью соответствующих пакетов данных от каждого из по меньшей мере одного ресурса, содержимое которого(ых) аналогично содержимому первого пакета 162 данных и второго пакета 164 данных, которое было получено из первого ресурса 132 и второго ресурса 134 соответственно. Однако предполагается, что содержимое соответствующих пакетов данных, полученных от каждого из по меньшей мере одного ресурса, может содержать или не содержать информацию, указывающую на пользовательские взаимодействия по меньшей мере на одной целевой странице.

[152] Сервер 112 далее выполнен с возможностью создавать соответствующий вектор факторов для каждого из данного набора элементов по меньшей мере одной целевой страницы. Сервер 112 выполнен с возможностью создавать соответствующий вектор факторов для каждого из данного набора элементов по меньшей мере одной целевой страницы аналогично тому, как сервер 112 выполнен с возможностью создавать векторы 351, 352, 353, 354, 355, 356 и 357 факторов. Таким образом, каждый вектор факторов каждого из данного набора элементов по меньшей мере одной целевой страницы основан на информации, связанной с визуальными характеристиками соответствующего элемента на соответствующей одной из по меньшей мере одной целевой страницы.

[153] Сервер 112 выполнен с возможностью использовать "обученный" первый MLA 116 для создания неспецифической для пользователя оценки популярности для каждого из данного набора элементов по меньшей мере одной целевой страницы на основе соответствующих векторов факторов. Например, если заданный набор элементов по меньшей мере одной целевой страницы содержит 25 элементов, сервер 112 может быть выполнен с возможностью создавать 25 неспецифических для пользователя оценок популярности, где каждая неспецифическая для пользователя оценка популярности связана с соответствующим элементом.

[154] Сервер 112 может быть выполнен с возможностью сохранять информацию, представляющую неспецифические для пользователя оценки популярности, связанные с соответствующим набором элементов в главной базе 120 данных для дальнейшего использования.

[155] Следует отметить, что эти неспецифические для пользователя оценки популярности являются неспецифическими для пользователя 102, поскольку сервер 112 не использовал информацию о пользователе 102 для создания этих неспецифическимх для пользователя оценок популярности.

[156] Далее сервер 112 выполнен с возможностью создавать набор неспецифических для пользователя элементов рекомендаций для предоставления пользователю 102. Сервер 112 выполнен с возможностью создавать набор неспецифических для пользователя элементов рекомендаций путем выбора элементов из данного набора элементов по меньшей мере одной целевой страницы на основе соответствующих неспецифических для пользователя оценок популярности. Сервер 112 может быть выполнен с возможностью ранжировать элементы в данном наборе элементов на основе их соответствующих неспецифических для пользователя оценок популярности и может выбрать элементы с наивысшим рейтингом в качестве неспецифических для пользователя элементов рекомендаций.

[157] Например, сервер 112 может ранжировать 25 элементов на основе их соответствующих неспецифических для пользователя оценок популярности и выбирать 20 самых высокорейтинговых элементов в качестве неспецифических для пользователя элементов рекомендаций из набора неспецифических для пользователя элементов рекомендации, предназначенных для представления пользователю 102.

[158] В других вариантах осуществления технологии, после вычисления неспецифических для пользователя оценок популярности для элементов в данном наборе элементов и до ранжирования этих элементов на основе их соответствующих неспецифических для пользователя оценок популярности, сервер 112 может быть выполнен с возможностью классифицировать эти элементы в классы на основе их соответствующих целевых страниц. Например, если сервер 112 анализирует содержимое трех целевых страниц, сервер 112 может быть выполнен с возможностью классифицировать элементы в данном наборе элементов и их соответствующие неспецифические для пользователя оценки популярности на три класса, где каждый класс связан с соответствующей целевой страницей среди трех целевых страниц.

[159] Альтернативно, сервер 112 может быть выполнен с возможностью классифицировать элементы на классы на основе их соответствующих тематик вместо (или в дополнение к) классификации элементов на классы на основе их соответствующих целевых страниц. Тематики элементов могут представлять собой, без установления ограничений, спорт, текущие новости, поп-культура, путешествия и тому подобное. Тематики элементов могут быть определены на основе информации, связанной с соответствующими элементами.

[160] Сервер 112 может быть выполнен с возможностью ранжировать элементы в каждый класс на основе их соответствующих неспецифических для пользователя оценок популярности. Другими словами, сервер 112 может быть выполнен с возможностью ранжировать элементы данной целевой страницы из по меньшей мере одной целевой страницы, на основе их соответствующих неспецифических для пользователя оценок популярности между друг другом и отдельно от других элементов в данном наборе элементов, которые находятся на других из по меньшей мере одной целевой страницы. Далее сервер 112 может быть выполнен с возможностью выбирать по меньшей мере один элемент с наивысшим рейтингом из каждого класса элементов, вместо выбора элементов с наивысшим рейтингом в данном наборе элементов, в качестве неспецифических для пользователя элементов рекомендаций.

[161] Поэтому в других вариантах осуществления технологии, подобный классовый выбор элементов позволяет выделить по меньшей мере один элемент из каждой из по меньшей мере одной целевой страницы по меньшей мере одного заранее определенного ресурса. Этот классовый выбор элементов гарантирует, что набор неспецифических для пользователя элементов рекомендаций содержит по меньшей мере один неспецифический для пользователя элемент рекомендаций, выбранный из каждой из одной или нескольких из по меньшей мере одной целевой страницы по меньшей мере одного заранее определенного ресурса и, тем самым, увеличивает вероятность неперсонализированных рекомендаций содержимого, которые будут интересны пользователю 102.

[162] В некоторых вариантах осуществления технологии, сервер 112 может быть далее выполнен с возможностью выполнять алгоритм 119 ранжирования сервера 112 для того, чтобы ранжировать неспецифические для пользователя элементы рекомендаций в наборе неспецифических для пользователя элементов рекомендаций. Другими словами, после выбора неспецифических для пользователя элементов рекомендаций сервер 112 может ранжировать неспецифические для пользователя элементы рекомендаций с помощью алгоритма 119 ранжирования.

[163] Также подразумевается, что оператор сервиса рекомендаций может считать, что некоторые типы или тематики содержимого рекомендаций не подходят для представления пользователям сервиса рекомендаций. Например, оператор может идентифицировать "черный список", который указывает на типы содержимого рекомендаций, которые не подходят для представления пользователям сервиса рекомендаций. Типы содержимого рекомендаций, которые могут быть занесены в "черный список", включают в себя, без установления ограничений, жестокое содержимое, кровавое содержимое, содержимое сексуального характера и так далее.

[164] Чтобы определить, относится ли данный элемент рекомендаций к "черному списку" содержимого рекомендаций, сервер 112 может быть выполнен с возможностью получать информацию, связанную с данным элементом рекомендаций, и применять к нему эвристический анализ. Если сервер 112 определяет, что данный элемент рекомендаций относится к "черному списку" содержимого рекомендаций, сервер 112 может исключить данный элемент рекомендаций из набора элементов рекомендаций, которые будут представлены пользователю 102. Таким образом, можно сказать, что сервер 112 может также быть выполнен с возможностью исключать по меньшей мере один неспецифический для пользователя элемент рекомендаций из набора неспецифических для пользователя элементов рекомендаций на основе данного эвристического анализа.

[165] Сервер 112 также выполнен с возможностью создавать ответный пакет данных, например, ответ 153, содержащий набор неспецифических для пользователя элементов рекомендаций. Сервер 112 может передавать ответ 153 на электронное устройство 104 через сеть 110 передачи для предоставления пользователю 102 в наборе неспецифических для пользователя элементов рекомендаций (неперсонализированное содержимое рекомендаций), вместо персонализированного содержимого рекомендаций.

[166] В некоторых вариантах осуществления настоящей технологии, сервер 112 может быть выполнен с возможностью выполнять способ 400, представленный на Фиг. 4, обучения первого MLA 116 для прогнозирования неспецифических для пользователя оценок популярности элементов с целевых страниц заранее определенных ресурсов. Способ 400 относится к фазе обучения первого MLA 116.

ЭТАП 402: Получение информации, связанной с набором элементов с целевой страницы заранее определенного ресурса

[167] Способ 400 начинается на этапе 402, где сервер 112 (см. Фиг. 1) получает информацию, связанную с данным набором элементов с данной целевой страницы данного заранее определенного ресурса. Информация, связанная с данным набором элементов, указывает на по меньшей мере визуальные характеристики элементов в данном наборе элементов.

[168] В общем случае, оператор сервиса рекомендаций, расположенного на сервере 112, может определить данный набор заранее определенных ресурсов, которые он/она считает "надежными" в плане предоставления содержимого, которое, скорее всего, будет интересно новым пользователям сервиса рекомендаций. Например, оператор сервера 112 может определить, что среди множества ресурсов 130 (см. Фиг. 2), первый ресурс 132 и второй ресурс 134 являются "надежными" ресурсами и предоставляют содержимое на их соответствующих первой и второй целевых страницах 140 и 143, которые, скорее всего, будут оценены новыми пользователями.

[169] Таким образом, сервер 112 может получать по сети ПО передачи данных первый пакет 162 данных (см. Фиг. 1) от первого ресурса 132. Также, сервер 112 может получать второй пакет 164 данных от второго ресурса 134. Первый пакет 162 данных включает в себя (i) информацию, связанную с первой целевой страницей 140 и (ii) указания на пользовательские взаимодействия, связанные с первой целевой страницей 140. Второй пакет 164 данных включает в себя (i) информацию, связанную со второй целевой страницей 143 и (ii) указания на пользовательские взаимодействия, связанные со второй целевой страницей 143.

[170] Следует отметить, что целевая страница заранее определенных ресурсов содержит заранее выбранные элементы из соответствующего множества элементов, размещенных на соответствующих заранее определенных ресурсах. Заранее выбранные элементы, размещенные на соответствующих заранее определенных ресурсах могут быть выбраны с помощью присущих ресурсу алгоритмов выбора соответствующих заранее определенных ресурсов.

[171] Как было упомянуто ранее, данный присущий ресурсу алгоритм выбора, реализованный данным ресурсом, может зависеть, в частности, от типа элементов, расположенных данном ресурсе, и предпочтений пользовательского трафика, обращающегося к данному ресурсу. Подразумевается, что данный присущий ресурсу алгоритм выбора может быть по меньшей мере одним из алгоритма выбора с помощью программного обеспечения и алгоритма выбора с помощью человека.

[172] Независимо от того, какие конкретные присущие ресурсу алгоритмы выбора реализуются соответствующими заранее определенными ресурсами, можно сказать, что предварительно выбранные элементы, расположенные на соответствующих заранее определенных ресурсах, которые отображаются на соответствующих целевых страницах, включают в себя элементы, которые считаются наиболее релевантными для значительной части пользовательского трафика, который обращается к соответствующим целевым страницам.

[173] С учетом того, что первая целевая страница 140 размещает набор новостных элементов 210 (см. Фиг. 2), являющихся наиболее высоко ранжированными элементами из множества новостных элементов 200, информация, связанная с первой целевой страницей 140, включает в себя информацию, связанную с набором новостных элементов 210, и указания на пользовательские взаимодействия, связанные с первой целевой страницей 140, включают в себя указания на пользовательские взаимодействия, связанные с набором новостных элементов 210.

[174] Также, с учетом того, что вторая целевая страница 143 размещает набор элементов 230 розничной торговли, являющихся наиболее высоко ранжированными элементами из множества элементов 220 розничной торговли, информация, связанная со второй целевой страницей 143, включает в себя информацию, связанную с набором элементов 230 розничной торговли, и указания на пользовательские взаимодействия, связанные со второй целевой страницей 143, включают в себя указания на пользовательские взаимодействия, связанные с набором элементов 230 розничной торговли.

[175] В некоторых вариантах осуществления настоящей технологии, при получении первых пакетов 162 данных, сервер 112 может быть выполнен с возможностью применять парсинг к их содержимому, чтобы извлекать информацию, связанную с визуальным характеристиками элементов в наборе новостных элементов 210. Также, при получении вторых пакетов 164 данных, сервер 112 может быть выполнен с возможностью применять парсинг к их содержимому, чтобы извлекать информацию, связанную с визуальным характеристиками элементов в наборе элементов 230 розничной продажи.

ЭТАП 404: Получение указания на пользовательские взаимодействия, связанные с каждым из набора элементов на целевой странице

[176] Способ 400 продолжается на этапе 404, где сервер 112 (см. Фиг. 1) получает указание на пользовательские взаимодействия, связанные с каждым из набора элементов на данной целевой странице.

[177] Пользовательские взаимодействия с элементами, находящимися на первой и второй целевых страницах 140 и 143, являются пользовательскими взаимодействиями, которые ранее выполнялись посетителями первого и второго ресурсов 132 и 134 с элементами на первой и второй целевых страницах 140 и 143. Типы этих пользовательских взаимодействий никак не ограничены, тем не менее, исключительно в качестве примера, эти пользовательские взаимодействия могут представлять собой нажатия, долгие нажатия, наведение, прокрутку и другие действия, например, скачивание, покупку и так далее.

[178] Как ранее упоминалось ранее, сервер 112 может получать по сети 110 передачи данных первый пакет 162 данных от первого ресурса 132. Также, сервер 112 может получать второй пакет 164 данных от второго ресурса 134. Первый пакет 162 данных включает в себя (i) информацию, связанную с первой целевой страницей 140 и (ii) указания на пользовательские взаимодействия, связанные с первой целевой страницей 140. Второй пакет 164 данных включает в себя (i) информацию, связанную со второй целевой страницей 143 и (ii) указания на пользовательские взаимодействия, связанные со второй целевой страницей 143.

[179] В некоторых вариантах осуществления настоящей технологии, при получении первых пакетов 162 данных, сервер 112 может быть выполнен с возможностью применять парсинг к их содержимому, чтобы извлекать указания на пользовательские взаимодействия с набором новостных элементов 210. Также, при получении вторых пакетов 164 данных, сервер 112 может быть выполнен с возможностью применять парсинг к их содержимому, чтобы извлекать указания на пользовательские взаимодействия с набором новостных элементов 230.

ЭТАП 406: Создание вектора факторов для каждого из набора элементов с целевой страницы

[180] Способ 400 продолжается на этапе 406, где сервер 112 (см. Фиг. 1) выполнен с возможностью создавать соответствующий вектор факторов для каждого из данного набора элементов с соответствующих целевых страниц на основе информации, связанной с визуальными характеристиками соответствующего элемента из данного набора элементов.

[181] В данном случае, сервер 112 выполнен с возможностью создавать вектор факторов для каждого из набора новостных элементов 210 и каждого из набора элементов 230 розничной торговли на основе информации, связанной с визуальными характеристиками соответствующего одного из набора новостных элементов 219 и с соответствующим одним из набора элементов 230 розничной торговли.

[182] В некоторых вариантах осуществления настоящей технологии, сервер 112 может быть выполнен с возможностью сохранять для каждого элемента из набора новостных элементов и набора элементов 230 розничной торговли соответствующий вектор факторов в главной базе 120 (см. Фиг. 1) данных для их дальнейшего использования.

[183] Каждый вектор факторов создается сервером 112 на основе информации, связанной с визуальными характеристиками соответствующего элемента. Визуальные характеристики данного элемента могут включать в себя, без установления ограничений, положение данного элемента на соответствующей целевой странице, размер данного элемента на соответствующей странице, относительный размер данного элемента в отношении других элементов на соответствующей целевой странице, наличие изображения и/или видео, связанного с данным элементом на соответствующей целевой страницей, шрифты текстовой информации, связанной с данным элементом на соответствующей целевой странице, и тому подобное.

[184] В других вариантах осуществления настоящей технологии, данный вектор факторов может быть создан не только на основе информации, связанной с визуальными характеристиками соответствующего элемента, но также на основе другой информации, связанной с соответствующим элементом, не выходя за границы настоящей технологии. Следовательно, в других вариантах осуществления настоящей технологии данный вектор факторов может быть основан, по меньшей мере, на информации, связанной с визуальными характеристиками соответствующего элемента.

[185] По меньшей мере некоторые измерения данного вектора факторов связаны с визуальными характеристиками соответствующего элемента на соответствующей целевой странице. Например, по меньшей мере одно измерение данного вектора факторов может быть связано с первой визуальной характеристикой соответствующего элемента, например, размером его на соответствующей целевой странице, в том время как по меньшей мере одно другое измерение данного вектора факторов может быть связано с другой визуальной характеристикой соответствующего элемента, например, положением их на соответствующей целевой страницы.

ЭТАП 408: Создание обучающего набора для каждого из набора элементов с целевой страницы

[186] Способ 400 далее продолжается на этапе 408, где сервер 112 выполнен с возможностью создавать соответствующий обучающий набор для каждого из набора элементов на основе соответствующего вектора факторов и соответствующих пользовательских взаимодействий соответствующего одного из набора элементов на соответствующей целевой странице.

[187] В данном случае, сервер 112 может быть выполнен с возможностью создавать соответствующий обучающий набор для каждого набора новостных элементов 210 и каждого из элементов 230 розничной торговли содержит соответствующий вектор факторов и соответствующие данные о взаимодействии с элементами, которые были извлечены из содержимого первого и второго пакетов 162 и 164 данных.

[188] Другими словами, сервер 112 выполнен с возможностью создавать для каждого элемента соответствующего обучающего набора, который содержит (i) соответствующий ранее созданный вектор факторов и (ii) соответствующие данные о взаимодействии с элементами, как показано на Фиг. 3.

[189] В некоторых вариантах осуществления настоящей технологии, сервер 112 может быть выполнен с возможностью сохранять для каждого элемента из набора новостных элементов и набора элементов 230 розничной торговли соответствующий обучающий набор в главной базе 120 (см. Фиг. 1) данных для их дальнейшего использования.

ЭТАП 410: Обучение MLA, основанное на множестве обучающих наборов, для прогнозирования неспецифической для пользователя оценки популярности данного элемента

[190] Способ 400 завершается на этапе 410, где сервер выполнен с возможностью обучать первый MLA 116 на основе множества обучающих наборов для прогнозирования неспецифической для пользователя оценки популярности данного элемента. Данная неспецифическая для пользователя оценка популярности не зависит ни от какого конкретного пользователя.

[191] В данном случае, сервер 112 далее выполнен с возможностью вводить обучающие наборы 361, 362, 363, 364, 365, 366 и 367 в "необученный" первый MLA 116 для обучения первого MLA 116 прогнозированию неспецифических для пользователя оценок популярности данных элементов.

[192] Другими словами, "необученный" первый MLA 116 учится, в некотором смысле, отношениям и/или шаблонам данных между визуальными характеристиками данных элементов на их соответствующих целевых страницах и их соответствующими пользовательскими взаимодействиями для приближения того, как визуальные характеристики данных элементов "коррелируют" с пользовательскими взаимодействиями с этими элементами на их соответствующих целевых страницах.

[193] Первый MLA 116 может "изучать", что число пользовательских взаимодействий в данными элементами на соответствующих целевых страницах, по меньшей мере в некоторых случаях, может возрастать вместе с их соответствующими размерами на соответствующих целевых страницах. Первый MLA 116 может "изучать", что число пользовательских взаимодействий в данными элементами на соответствующих целевых страницах, по меньшей мере в некоторых случаях, может возрастать вместе с их более высокими позициями на соответствующих целевых страницах. Первый MLA 116 может "обучаться" тому, как каждая визуальная характеристика данного элемента влияет на число пользовательских взаимодействий с данным элементом на соответствующей целевой странице.

[194] В некоторых вариантах осуществления настоящей технологии, сервер 112 может быть выполнен с возможностью прогнозировать, путем выполнения "обученного" первого MLA 116, данную неспецифическую для пользователя оценку популярности нового элемента, находящегося на данной целевой странице данного заранее определенного ресурса, как было ранее описано в вышеприведенных примерах.

[195] Также подразумевается, что сервер 112 может быть выполнен с возможностью прогнозировать, путем выполнения "обученного" первого MLA 116, данную неспецифическую для пользователя оценку популярности другого нового элемента, находящегося на данной целевой странице данного заранее определенного ресурса. Данный новый заранее определенный ресурс относится к данному заранее определенному ресурсу, который не был использован в фазе обучения первого MLA 116 и/или который не был определен как "надежный" ресурс до выполнения фазы обучения первого MLA 116.

[196] В других вариантах осуществления способа, сервер 112 может быть выполнен с возможностью определять, предназначен ли новый элемент для рекомендации пользователю 102, на основе неспецифической для пользователя оценки популярности нового элемента. Другими словами, сервер 112 может быть выполнен с возможностью определять, предназначен ли данный новый элемент для выбора в качестве данного неспецифического для пользователя элемента рекомендаций для предоставления пользователю 102, как было описано ранее с помощью вышепредставленных примеров.

[197] На Фиг. 5 сервер 112 может быть выполнен с возможностью выполнять способ 500 выбора данных элементов рекомендаций, которые предназначены для передачи на электронное устройство 104, связанное с пользователем 102 сервиса рекомендаций. Способ 500 будет более подробно описан ниже.

ЭТАП 502: Получение указания на пользователя, получающего доступ к сервису рекомендаций

[198] Способ 500 начинается на этапе 502, где сервер 112 получает указание на пользователя 102, получающего доступ к сервису рекомендаций, который расположен на сервере.

[199] В некоторых вариантах осуществления настоящей технологии, запрос 150 может быть создан в ответ на предоставление пользователем 102 явного указания на его/ее желание получить рекомендуемое содержимое, например, путем нажатия кнопки в приложении 106 рекомендаций. Следовательно, запрос 150 на данный набор элементов рекомендаций может считаться "явным запросом" в том смысле, что пользователь 102 явно предоставляет запрос на данный набор элементов 152 рекомендаций.

[200] В других вариантах осуществления настоящей технологии, запрос 150 может быть создан в ответ на предоставление пользователем 102 неявного указания на его/ее желание получить рекомендованное содержимое. В некоторых вариантах осуществления настоящей технологии, запрос 150 может быть создан в ответ на то, что пользователь 102 запускает рекомендательное приложение 106.

[201] В некоторых других вариантах осуществления настоящей технологии, запрос 150 может быть создан даже без предоставления пользователем 102 явного или неявного указания на его/ее желание получить рекомендованное содержимое.

ЭТАП 504: Определение типа пользователя сервиса рекомендаций

[202] Способ 500 далее продолжается на этапе 502, где сервер 112 определяет тип пользователя 102 сервиса рекомендаций. Тип пользователя может быть типом "новый пользователь" или типом "старый пользователь". Тип "новый пользователь" связан с пользователями сервиса рекомендаций, которые связаны с данным заранее определенным уровнем предыдущих пользовательских взаимодействий с сервисом рекомендаций, который недостаточен для создания персонализированной рекомендации содержимого.

[203] Подразумевается, что в некоторых вариантах осуществления настоящей технологии, сервер 112 может быть выполнен с возможностью избирательно выполнять различные процедуры в зависимости от того, к старому или новому типу пользователя относится пользователь 102, для рекомендации элементов пользователю 102.

[204] При выполнении алгоритма 114 определения типа пользователя, сервер 112 выполнен с возможностью получать информацию, связанную с предыдущими пользовательскими взаимодействиями, связанными с пользователем 102 из базы 126 данных пользовательских взаимодействий.

[205] Подразумевается, что при получении информации, связанной с предыдущими пользовательскими взаимодействиями, связанным с пользователями 102, из базы 126 данных взаимодействий, сервер 112 может сохранять информацию, связанную с предыдущими пользовательскими взаимодействиями, связанными с пользователем 102, в главной базе 120 данных для их дальнейшего использования.

[206] Сервер 112 также выполнен с возможностью определять, связан ли пользователь 102 с заранее определенным уровнем предыдущих пользовательских взаимодействий. В зависимости от того, соответствует или нет число предыдущих пользовательских взаимодействий пользователя 102 с сервисом рекомендаций заранее определенному уровню предыдущих пользовательских взаимодействий, сервер 112 может определить, относится ли пользователь 102 к типу "новый пользователь" или к типу "старый пользователь" соответственно, и, следовательно, может выборочно выполнять различные процедуры по предоставлению пользователю 102 рекомендаций содержимого.

[207] Способ 500 может далее перейти к этапу 506 или к этапу 508 в зависимости от типа пользователя 102.

ЭТАП 506: Выборочное выполнение процедуры в ответ на то, что пользователь относится к типу "новый пользователь"

[208] Способ 500 может завершиться на этапе 506, где, в ответ на то, что пользователь 102 относится к типу "новый пользователь", сервер 112 выборочно выполняет первую процедуру для передачи неспецифического для пользователя содержимого рекомендаций пользователю 102.

[209] Как часть первой процедуры (т.е. в ответ на то, что пользователь относится к типу "новый пользователь"), сервер 112 получает информацию, связанную с данным набором элементов с целевой страницы заранее определенного ресурса. Другими словами, сервер 112 получает информацию, связанную с по меньшей мере одной целевой страницей по меньшей мере одного заранее определенного ресурса, который ранее был определен оператором сервиса рекомендаций как "надежный" ресурс.

[210] В некоторых вариантах осуществления технологии, сервер 112 может быть выполнен с возможностью получать информацию, связанную с первой целевой страницей 140 первого ресурса 132 и/или второй целевой страницей 143 второго ресурса 134. Тем не менее, подразумевается, что сервер 112 может быть выполнен с возможностью получать информацию, связанную с любой другой целевой страницей любого другого ресурса ресурса, который ранее был определен оператором сервиса рекомендаций как "надежный" ресурс.

[211] Следует отметить, что по меньшей мере одна целевая страница по меньшей мере одного заранее определенного ресурса содержит заранее выбранные элементы из соответствующего множества элементов, размещенных на соответствующих заранее определенных ресурсах. Заранее выбранные элементы, размещенные на по меньшей мере одном заранее определенном ресурсе выбраны с помощью по меньшей мере одного присущего ресурсу алгоритма выбора по меньшей мере одного заранее определенного ресурса.

[212] Как было упомянуто ранее, данный присущий ресурсу алгоритм выбора, реализованный данным ресурсом, может зависеть, в частности, от типа элементов, расположенных данном ресурсе, и предпочтений посетителей, обращающихся к данному ресурсу. Подразумевается, что данный присущий ресурсу алгоритм выбора может быть по меньшей мере одним из алгоритма выбора с помощью программного обеспечения и алгоритма выбора с помощью человека.

[213] Независимо от того, какие конкретные присущие ресурсу алгоритмы выбора реализуются по меньшей мере одним заранее определенным ресурсом, можно сказать, что соответствующие предварительно выбранные элементы, расположенные на по меньшей мере одном заранее определенном ресурсе, которые отображаются на соответствующей по меньшей мере одной целевой странице, включают в себя элементы, которые считаются наиболее релевантными для значительной части пользовательского трафика, который обращаются к соответствующей по меньшей мере одной целевой странице.

[214] Например, сервер 112 может получать информацию, связанную по меньшей мере с одной целевой страницей по меньшей мере одного заранее определенного ресурса. Эта информация содержит информацию, связанную с данным набором элементов на по меньшей мере одной целевой странице. Информация, связанная с данным набором элементов, указывает на визуальные характеристики каждого элемента в данном наборе элементов. Сервер 112 может подвергать парсингу информацию, связанную с данным набором элементов, для извлечения информации, связанной с визуальными характеристиками каждого элемента из данного набора элементов.

[215] Как часть первой процедуры (т.е. в ответ на то, что пользователь относится к типу "новый пользователь"), сервер 112 создает соответствующий вектор факторов для каждого элемента из данного набора элементов по меньшей мере одной целевой страницы. Сервер 112 может создавать соответствующий вектор факторов для каждого из данного набора элементов по меньшей мере одной целевой страницы аналогично тому, как сервер 112 выполнен с возможностью создавать вектора 351, 352, 353, 354, 355, 356 и 357 факторов.

[216] Как уже ранее упоминалось, каждый вектор факторов каждого из данного набора элементов по меньшей мере одной целевой страницы создается на основе информации, связанной с визуальными характеристиками соответствующего элемента на соответствующей одной из по меньшей мере одной целевой страницы.

[217] Альтернативно, каждый вектор факторов каждого из данного набора элементов по меньшей мере одной целевой страницы основан по меньшей мере частично на визуальных характеристиках соответствующего элемента на соответствующей одной из по меньшей мере одной целевой страницы.

[218] Подразумевается, что сервер 112 может хранить каждый вектор факторов каждого элемента из данного набора элементов по меньшей мере одной целевой страницы в связи с информацией, указывающей на соответствующий элемент среди данного набора элементов в главной базе данных 120, для дальнейшего их использования.

[219] Как часть первой процедуры (т.е. в ответ на то, что пользователь относится к типу "новый пользователь"), сервер 112 создает соответствующую неспецифическую для пользователя оценку популярности для каждого элемента из данного набора элементов по меньшей мере одной целевой страницы на основе соответствующих векторов факторов. Сервер 112 выполняет "обученный" первый MLA 116 для создания этих неспецифических для пользователя оценок популярности. "Обученный" MLA 116, используемый сервером 112, может быть обучен в соответствии с различным вариантами осуществления способа 400 (см. Фиг. 4).

[220] Например, если заданный набор элементов по меньшей мере одной целевой страницы содержит 25 элементов, сервер 112 может быть выполнен с возможностью создавать 25 неспецифических для пользователя оценок популярности, где каждая неспецифическая для пользователя оценка популярности связана с соответствующим элементом.

[221] Как часть первой процедуры (т.е. в ответ на то, что пользователь относится к типу "новый пользователь"), сервер 112 создает набор неспецифических для пользователя элементов рекомендаций путем выбора из данного набора элементов по меньшей мере одного неспецифического для пользователя элемента рекомендаций, который предназначен для представления пользователю 102 на основе соответствующих неспецифических для пользователя оценок популярности.

[222] В одном варианте осуществления настоящей технологии, сервер 112 может быть выполнен с возможностью ранжировать элементы в данном наборе элементов на основе их соответствующих неспецифических для пользователя оценок популярности и может выбрать элементы с наивысшим рейтингом в качестве неспецифических для пользователя элементов рекомендаций.

[223] Например, сервер 112 может ранжировать 25 элементов на основе их соответствующих неспецифических для пользователя оценок популярности и выбирать 20 самых высокорейтинговых элементов в качестве неспецифических для пользователя элементов рекомендаций из набора неспецифических для пользователя элементов рекомендации, предназначенных для представления пользователю 102.

[224] В другом варианте осуществления технологии, после вычисления неспецифических для пользователя оценок популярности для элементов в данном наборе элементов и вместо ранжирования всех этих элементов между друг другом на основе их соответствующих неспецифических для пользователя оценок популярности, сервер 112 может быть выполнен с возможностью классифицировать эти элементы в классы на основе их соответствующих целевых страниц.

[225] Например, если по меньшей мере одна целевая страница представляет собой три целевые страницы, сервер 112 может быть выполнен с возможностью классифицировать элементы в данном наборе элементов и их соответствующие неспецифические для пользователя оценки популярности на три класса, где каждый класс связан с соответствующей целевой страницей среди трех целевых страниц.

[226] Следовательно, в другом варианте осуществления технологии, сервер 112 может ранжировать элементы в каждый класс на основе их соответствующих неспецифических для пользователя оценок популярности. Другими словами, сервер 112 может быть выполнен с возможностью ранжировать элементы данной целевой страницы из по меньшей мере одной целевой страницы, на основе их соответствующих неспецифических для пользователя оценок популярности среди друг друга и отдельно от других элементов в данном наборе элементов, которые находятся на других из по меньшей мере одной целевой страницы. Далее сервер 112 может выбирать по меньшей мере один элемент с наивысшим рейтингом из каждого класса элементов, вместо выбора элементов с наивысшим рейтингом в данном наборе элементов, в качестве неспецифических для пользователя элементов рекомендаций.

[227] Следовательно, в другом варианте осуществления технологии, подобный классовый выбор элементов позволяет выделить по меньшей мере один элемент из каждой из по меньшей мере одной целевой страницы по меньшей мере одного заранее определенного ресурса. Этот классовый выбор элементов гарантирует, что набор неспецифических для пользователя элементов рекомендаций содержит по меньшей мере один неспецифический для пользователя элемент рекомендаций, выбранный из каждой из по меньшей мере одной целевой страницы по меньшей мере одного заранее определенного ресурса.

[228] Таким образом, создание данного набора неспецифических для пользователя элементов рекомендаций может включать в себя сервер 112, (i) классифицирующий элементы в данном наборе элементов и их соответствующие неспецифические для пользователя оценки популярности с по меньшей мере одной целевой страницы, на множество различных классов целевых страниц, (ii) ранжирующий элементы на каждый из множества отдельных классов целевых страниц на основе их неспецифических для пользователя оценок популярности и (iii) выбирающий из по меньшей мере части из множества отдельных классов целевых страниц хотя бы один элемент с наивысшим рейтингом в качестве по меньшей мере одного неспецифического для пользователя элемента рекомендаций, который предназначен для представления пользователю 102.

[229] В дополнительных вариантах осуществления технологии, сервер 112 может быть далее выполнен с возможностью выполнять алгоритм 119 ранжирования сервера 112 для того, чтобы ранжировать неспецифические для пользователя элементы рекомендаций в данном наборе неспецифических для пользователя элементов рекомендаций. Другими словами, после выбора неспецифических для пользователя элементов рекомендаций сервер 112 может ранжировать неспецифические для пользователя элементы рекомендаций с помощью алгоритма 119 ранжирования.

[230] В дополнительных вариантах осуществления технологии, что сервер 112 может исключать по меньшей мере один неспецифический для пользователя элемент рекомендаций из набора неспецифических для пользователя элементов рекомендаций на основе данного эвристического анализа.

[231] Например, оператор сервиса рекомендаций, расположенный на сервере 112, может идентифицировать "черный список", содержащий типы и/или тематики содержимого рекомендаций, которые не подходят для представления пользователям сервиса рекомендаций. Типы содержимого рекомендаций, которые могут быть занесены в "черный список", включают в себя, без установления ограничений, жестокое содержимое, кровавое содержимое, содержимое сексуального характера и так далее.

[232] Чтобы определить, относится ли данный неспецифический для пользователя элемент рекомендаций к "черному списку" содержимого рекомендаций, сервер 112 может извлекать информацию, связанную с данным неспецифическим для пользователя элементом рекомендаций, и применять к нему эвристический анализ. Если сервер 112 определяет, что данный неспецифический для пользователя элемент рекомендаций относится к "черному списку" содержимого рекомендаций, сервер 112 может исключить данный неспецифический для пользователя элемент рекомендаций из набора элементов рекомендаций, которые предназначены для представления пользователю 102.

[233] Как часть первой процедуры (т.е. в ответ на то, что пользователь относится к типу "новый пользователь"), сервер 112 передает данный набор неспецифических для пользователя элементов рекомендаций на электронное устройство 104 (см. Фиг. 1) вместо персонализированной рекомендации содержимого.

ЭТАП 508: Выборочное выполнение процедуры в ответ на то, что пользователь относится к типу "старый пользователь"

[234] Способ 500 может завершиться на этапе 506, где, в ответ на то, что пользователь 102 относится к типу "старый пользователь", сервер 112 выборочно выполняет вторую процедуру для передачи специфического для пользователя содержимого рекомендаций пользователю 102.

[235] Как часть второй процедуры (т.е. в ответ на то, что пользователь относится к типу "старый пользователь"), сервер 112 получает информацию, связанную с предыдущими пользовательскими взаимодействиями пользователя 102 с сервисом рекомендаций. В одном варианте осуществления настоящей технологии, сервер 112 может получать информацию, связанную с предыдущими пользовательскими взаимодействиями, связанными с пользователем 102, из базы 126 данных пользовательских взаимодействий (см. Фиг. 1). В другом варианте осуществления настоящей технологии, сервер 112 может извлекать информацию, связанную с предыдущими пользовательскими взаимодействиями, связанными с пользователем 102, из главной базы 120 данных.

[236] Следует отметить, что к тому времени, когда сервер 112 выборочно выполняет вторую процедуру, сервер 112, возможно, уже получил, во время шага 504, информацию, связанную с предыдущими взаимодействиями пользователя, связанными с пользователем 102 для определения типа пользователя 102. Таким образом, в других вариантах осуществления настоящей технологии, сервер 112 может не требовать повторного получения информации, связанной с предыдущими пользовательскими взаимодействиями, связанными с пользователем 102 во время выполнения второй процедуры, а, напротив, может "извлечь" из своего собственного носителя полезной компьютерной информации (не показан), например, RAM, информацию, связанную с предыдущими пользовательскими взаимодействиями, связанными с пользователем 102.

[237] В рамках второй процедуры (т.е. в ответ на то, что пользователь относится к типу "старый пользователь"), сервер 112 создает специфические для пользователя оценки популярности по меньшей мере для некоторых элементов из пула потенциально рекомендуемых элементов, хранящихся в базе 124 данных рекомендуемых элементов, на основе предыдущих пользовательских взаимодействий пользователя 102. Сервер 112 может использовать второй MLA 118 для создания специфической для пользователя оценки популярности по меньшей мере для некоторых элементов из пула потенциально рекомендуемых элементов, хранящихся в базе 124 данных рекомендуемых элементов.

[238] С этой целью, сервер 112 получает информацию, связанную с, по меньшей мере, некоторыми элементами из пула потенциально рекомендуемых элементов из базы 124 данных рекомендуемых элементов и факторы элементов, связанные по меньшей мере с некоторыми элементами из пула потенциально рекомендуемых элементов из базы 122 данных элементов.

[239] Сервер 112 вводит (i) информацию, связанную с по меньшей мере некоторыми элементами из пула потенциально рекомендуемых элементов, и (ii) факторы элементов, связанные с по меньшей мере некоторыми элементами из пула потенциально рекомендуемых элементов и (iii) информацию, связанную с предыдущими пользовательскими взаимодействиями, связанными с пользователем 102, во второй MLA 118 для создания соответствующих специфических для пользователя оценок популярности для каждого из по меньшей мере некоторых элементов из пула потенциально рекомендуемых элементов.

[240] В этом случае, специфические для пользователя оценки популярности являются "специфическими" для пользователя 102, поскольку они были созданы, по меньшей мере частично, на основе предыдущих пользовательских взаимодействий, связанных с пользователем 102.

[241] Например, второй MLA 118 может также выбрать элементы с наивысшим рейтингом среди по меньшей мере некоторых элементов из пула потенциально рекомендуемых элементов на основе специфических для пользователя оценок популярности в качестве специфических для пользователя элементов рекомендаций, которые предназначены для представления пользователю 102.

[242] Подразумевается, что сервер 112 может быть далее выполнен с возможностью выполнять алгоритм 119 ранжирования для того, чтобы ранжировать специфические для пользователя элементы рекомендаций в данном наборе специфических для пользователя элементов рекомендаций. Другими словами, после выбора специфических для пользователя элементов рекомендаций сервер 112 может ранжировать специфические для пользователя элементы рекомендаций с помощью алгоритма 119 ранжирования.

[243] Сервер 112 может далее передавать набор специфических для пользователя элементов рекомендаций в качестве персонализированной рекомендации содержимого на электронное устройство 104 для представления пользователю 102 с помощью приложения 106 рекомендаций.

[244] Модификации и улучшения вышеописанных вариантов осуществления настоящей технологии будут ясны специалистам в данной области техники. Предшествующее описание представлено только в качестве примера и не устанавливает никаких ограничений. Таким образом, объем настоящей технологии ограничен только объемом прилагаемой формулы изобретения.

Изобретение относится к средствам выбора элементов рекомендаций. Технический результат заключается в повышении точности выдаваемого содержимого. Получают информацию о пользователе, получающем доступ к сервису рекомендаций. Определяют тип пользователя, который может относиться к типу "новый пользователь" или "старый пользователь". В ответ на то, что пользователь относится к типу "новый пользователь": получение информации, связанной с набором элементов с целевой страницы заранее определенного ресурса, которая указывает на визуальные характеристики элементов; создание вектора факторов для каждого элемента на основе информации, связанной с визуальными характеристиками. Создают с помощью MLA неспецифической для пользователя оценки популярности для каждого элемента на основе вектора факторов. Создают набор неспецифических для пользователя элементов рекомендаций путем выбора из неспецифических для пользователя элементов рекомендаций, которые предназначены для представления пользователю. Передают набор неспецифических для пользователя элементов рекомендаций вместо персонализированной рекомендации содержимого. 3 н. и 23 з.п. ф-лы, 5 ил.

1. Способ выбора элементов рекомендаций, которые предназначены для передачи электронному устройству, связанному с пользователем сервиса рекомендаций, который размещен на сервере, причем способ выполняется на сервере, способ включает в себя:

• получение сервером информации о пользователе, получающем доступ к сервису рекомендаций;

• определение сервером типа пользователя сервиса рекомендаций, размещенного на сервере, тип пользователя может представлять собой либо "новый пользователь", либо "старый пользователь", тип "новый пользователь" связан с пользователями сервиса рекомендаций, который связан с заранее определенным уровнем предыдущих пользовательских взаимодействий с сервисом рекомендаций, причем заранее определенный уровень предыдущих пользовательских взаимодействий недостаточен для создания персонализированной рекомендации содержимого;

• в ответ на то, что пользователь относится к типу "новый пользователь":

получение сервером информации, связанной с набором элементов с целевой страницы заранее определенного ресурса, причем информация, связанная с набором элементов, указывает на по меньшей мере визуальные характеристики соответствующего одного элемента из набора элементов, причем целевая страница заранее определенного ресурса содержит предварительно выбранные элементы из множества элементов, размещенных на заранее определенном ресурсе;

создание сервером, вектора факторов для каждого элемента из набора элементов с целевой страницы на основе информации, связанной с визуальными характеристиками соответствующего элемента из набора элементов на целевой странице;

создание с помощью алгоритма машинного обучения (MLA), выполняемого сервером, неспецифической для пользователя оценки популярности для каждого элемента из набора элементов с целевой страницы на основе соответствующих векторов факторов, причем MLA был обучен создавать неспецифические для пользователя оценки популярности для данных элементов на основе соответствующих векторов факторов и соответствующих пользовательских взаимодействий с данными элементами;

создание сервером набора неспецифических для пользователя элементов рекомендаций путем выбора из набора элементов неспецифических для пользователя элементов рекомендаций, которые предназначены для представления пользователю на основе соответствующих неспецифических для пользователя оценок популярности; и

передача сервером набора неспецифических для пользователя элементов рекомендаций на электронное устройство вместо персонализированной рекомендации содержимого.

2. Способ по п. 1, в котором:

в ответ на то, что пользователь относится к типу "старый пользователь":

• получение сервером предыдущих пользовательских взаимодействий пользователя с сервисом рекомендаций;

• создание сервером специфической для пользователя оценки популярности для элементов из пула элементов, рекомендуемых сервисом рекомендаций, на основе предыдущих пользовательских взаимодействий с сервисом рекомендаций;

• создание сервером набора специфических для пользователя элементов рекомендаций путем выбора из пула элементов специфических для пользователя элементов рекомендаций, которые предназначены для представления пользователю на основе соответствующих специфических для пользователя оценок популярности; и

• передача сервером набора специфических для пользователя элементов рекомендаций в качестве персонализированной рекомендации содержимого.

3. Способ по п. 1, в котором способ далее включает в себя извлечение сервером информации, связанной с визуальными характеристиками каждого элемента из набора элементов, из информации, связанной с набором элементов.

4. Способ по п. 1, в котором неспецифические для пользователя элементы рекомендаций включают в себя новостные элементы.

5. Способ по п. 1, в котором заранее выбранные элементы могут быть выбраны с использованием присущего ресурсу алгоритма выбора заранее определенного ресурса.

6. Способ по п. 5, в котором присущий ресурсу алгоритм выбора является по меньшей мере одним из алгоритма выбора с помощью программного обеспечения и алгоритма выбора с помощью человека.

7. Способ по п. 5, в котором алгоритм ранжирования заранее определенного ресурса, который ранжирует множество элементов на основе свежести каждого из множества элементов.

8. Способ по п. 1, в котором визуальные характеристики включают в себя по меньшей мере одно из:

• положение данного элемента на целевой странице;

• размер данного элемента на целевой странице; и

• наличие изображения, связанного с данным элементом на целевой странице.

9. Способ по п. 1, в котором визуальные характеристики указывают на заметное положение соответствующего элемента на соответствующей целевой странице для оператора соответствующего ресурса.

10. Способ по п. 1, в котором создание набора неспецифических для пользователя элементов рекомендаций включает в себя ранжирование, сервером, неспецифических для пользователя элементов рекомендаций в наборе неспецифических для пользователя элементов рекомендации на основе алгоритма ранжирования сервиса рекомендаций.

11. Способ по п. 1, в котором создание набора неспецифических для пользователя элементов рекомендаций включает в себя исключение, сервером, по меньшей мере одного неспецифического для пользователя элемента рекомендаций из набора неспецифических для пользователя элементов рекомендации на основе эвристического анализа.

12. Способ по п. 11, исключение по меньшей мере одного неспецифического для пользователя элемента рекомендаций из набора неспецифических для пользователя элементов рекомендации на основе эвристического анализа включает в себя определение сервером того, что по меньшей мере один неспецифический для пользователя элемент рекомендаций включает в себя по меньшей мере одно из следующего:

• жестокое содержимое;

• кровавое содержимое; и

• содержимое сексуального характера.

13. Способ обучения алгоритма машинного обучения (MLA) для прогнозирования неспецифических для пользователя оценок популярности элементов для пользователя сервиса рекомендаций, сервис рекомендаций размещен на сервере, и пользователь относится к типу "новый пользователь", причем тип "новый пользователь" связан с пользователями сервиса рекомендаций, которые связаны с заранее определенным уровнем предыдущих пользовательских взаимодействий с сервисом рекомендаций, причем заранее определенный уровень предыдущих пользовательских взаимодействий недостаточен для создания персонализированной для пользователя рекомендации содержимого, причем способ включает в себя:

получение сервером информации, связанной с набором элементов с целевой страницы заранее определенного ресурса, причем информация, связанная с набором элементов, указывает на по меньшей мере визуальные характеристики соответствующего одного элемента из набора элементов, причем целевая страница заранее определенного ресурса содержит предварительно выбранные элементы из множества элементов, размещенных на заранее определенном ресурсе;

получение сервером указания на предыдущие пользовательские взаимодействия, связанные с каждым из набора элементов на целевой странице;

создание сервером вектора факторов для каждого элемента из набора элементов с целевой страницы на основе информации, связанной с визуальными характеристиками соответствующего элемента набора элементов на целевой странице;

создание сервером соответствующего обучающего набора для каждого элемента из набора элементов на основе соответствующего вектора факторов и соответствующих пользовательских взаимодействий; и

обучение сервером MLA на основе множества обучающих набором для прогнозирования неспецифической для пользователя оценки популярности данного элемента, неспецифическая для пользователя оценка популярности не зависит от какого-либо конкретного пользователя.

14. Способ по п. 13, в котором способ дополнительно включает в себя прогнозирование алгоритмом машинного обучения, реализованным на сервере, неспецифической для пользователя оценки популярности нового элемента.

15. Способ по п. 13, в котором способ далее включает в себя определение сервером, является ли новый элемент предназначенным для рекомендации пользователю на основе неспецифической для пользователя оценки популярности нового элемента.

16. Сервер для выбора элементов рекомендаций, которые предназначены для передачи электронном устройству, связанному с пользователем сервиса, рекомендаций, который размещен на сервере, сервер выполнен с возможностью осуществлять:

• получение указания на пользователя, получающего доступ к сервису рекомендаций;

• определение типа пользователя сервиса рекомендаций, причем тип пользователя может представлять собой либо "новый пользователь", либо "старый пользователь", тип "новый пользователь" связан с пользователями сервиса рекомендаций, который связан с заранее определенным уровнем предыдущих пользовательских взаимодействий с сервисом рекомендаций, причем заранее определенный уровень предыдущих пользовательских взаимодействий недостаточен для создания персонализированной рекомендации содержимого;

• в ответ на то, что пользователь относится к типу "новый пользователь":

получение информации, связанной с набором элементов с целевой страницы заранее определенного ресурса, причем информация, связанная с набором элементов, указывает на по меньшей мере визуальные характеристики соответствующего одного элемента из набора элементов, причем целевая страница заранее определенного ресурса содержит предварительно выбранные элементы из множества элементов, размещенных на заранее определенном ресурсе;

создание вектора факторов для каждого элемента из набора элементов с целевой страницы на основе информации, связанной с визуальными характеристиками соответствующего элемента набора элементов на целевой странице;

создание, путем применения алгоритма машинного обучения (MLA), неспецифической для пользователя оценки популярности для каждого элемента из набора элементов с целевой страницы на основе соответствующих векторов факторов, причем MLA был обучен создавать неспецифические для пользователя оценки популярности для данных элементов на основе соответствующих векторов факторов и соответствующих пользовательских взаимодействий с данными элементами;

создание набора неспецифических для пользователя элементов рекомендаций путем выбора из набора элементов неспецифических для пользователя элементов рекомендаций, которые предназначены для представления пользователю на основе соответствующих неспецифических для пользователя оценок популярности; и

передачу набора неспецифических для пользователя элементов рекомендаций на электронное устройство вместо персонализированной рекомендации содержимого.

17. Сервер по п. 16, в котором:

в ответ на то, что пользователь относится к типу "старый пользователь":

• получение предыдущих пользовательских взаимодействий пользователя с сервисом рекомендаций;

• создание специфической для пользователя оценки популярности для элементов из пула элементов, рекомендуемых сервисом рекомендаций, на основе предыдущих пользовательских взаимодействий с сервисом рекомендаций;

• создание набора специфических для пользователя элементов рекомендаций путем выбора из пула элементов специфических для пользователя элементов рекомендаций, которые предназначены для представления пользователю на основе соответствующих специфических для пользователя оценок популярности; и

• передача набора специфических для пользователя элементов рекомендаций в качестве персонализированной рекомендации содержимого.

18. Сервер по п. 16, в котором сервер далее выполнен с возможностью осуществлять извлечение информации, связанной с визуальными характеристиками каждого элемента из набора элементов, из информации, связанной с набором элементов.

19. Сервер по п. 16, в котором набор неспецифических для пользователя элементов рекомендаций включает в себя новостные элементы.

20. Сервер по п. 16, в котором заранее выбранные элементы могут быть выбраны с использованием присущего ресурсу алгоритма выбора заранее определенного ресурса.

21. Сервер по п. 20, в котором присущий ресурсу алгоритм выбора является по меньшей мере одним из алгоритма выбора с помощью программного обеспечения и алгоритма выбора с помощью человека.

22. Сервер по п. 19, в котором алгоритм ранжирования заранее определенного ресурса, который ранжирует множество элементов на основе свежести каждого из множества элементов.

23. Сервер по п. 16, в котором визуальные характеристики включают в себя по меньшей мере одно из:

• положение данного элемента на целевой странице;

• размер данного элемента на целевой странице; и

• наличие изображения, связанного с данным элементом, на целевой странице.

24. Сервер по п. 16, в котором визуальные характеристики указывают на заметное положение соответствующего элемента на соответствующей целевой странице для оператора соответствующего ресурса.

25. Сервер по п. 16, в котором сервер выполнен с возможностью осуществлять создание неспецифических для пользователя элементов рекомендаций, сервер выполнен с возможностью осуществлять ранжирование неспецифических для пользователя элементов рекомендаций в наборе неспецифических для пользователя элементов рекомендации на основе алгоритма ранжирования сервиса рекомендаций.

26. Сервер по п. 16, в котором сервер выполнен с возможностью осуществлять создание набора неспецифических для пользователя элементов рекомендаций, включает в себя сервер, выполненный с возможностью осуществлять исключение по меньшей мере одного неспецифического для пользователя элемента рекомендаций из набора неспецифических для пользователя элементов рекомендации на основе эвристического анализа.