数字实体的预测热门制造技术

提供了在内容馈送中将相关和预测热门数字实体呈现给用户。预测热门系统的方面使用一个或多个预测模型，例如神经网络或回归模型，来基于历史分数和上下文生成数字实体(例如，文档、人、电子通信、会议、位置、数字图像、数字视频、数字音频等)的预测热门分数。通过考虑趋势和上下文，预测热门系统计算数字实体的未来热门分数，并确定哪些数字实体与给定用户相关，并且可能在将来在用户和用户的网络中的人员周围成为热门。预测热门系统策划被确定为相关并被预测为在用户周围成为热门的数字实体，并在内容馈送中呈现数字实体。

Prediction of digital entities

The relevant and predicted hot digital entities are presented to the user in the content feed. Prediction of hot system using one or more predictive models, such as neural networks or regression model, to generate the digital history and context based on fractional entities (e.g., documents, people, electronic communication, meetings, location, digital image, digital video, digital audio) the prediction of hot points. By considering the trend and context, it predicts the hot scores of the popular system computing the digital entities, and determines which digital entities are related to the given users, and may become popular in the future in the users and users' network. The prediction of hot system planning is determined to be related and is predicted to be a hot digital entity around the user and to present a digital entity in the content feed.

【技术实现步骤摘要】
【国外来华专利技术】数字实体的预测热门
技术介绍
信息工作者/用户已经习惯于生成、编辑、查看和接收大量电子文档和其他信息(例如，电子通信、图像、数据等)。在企业情况下，例如公司、学校、社交网络等，给定的用户可能会遇到数百个(或更多)的文档或其他信息项，每个文档或其他信息项对信息工作者具有不同程度的相关性、兴趣或重要性，并且经常分散在各种工作负荷和存储系统(例如，电子邮件、社交馈送、内部网站点、网络文件系统等)中。因此，用户搜索与它们相关的内容可能是耗时且低效的。此外，用户很可能不太了解根据趋势可能在其周围流行的人员和信息项，例如用户的同事可能会与其进行协作的人员，用户的同事可能与其交互的文档，用户的同事可能会收到的电子邮件，用户的同事可能参加的会议等。
技术实现思路
提供该
技术实现思路
以便以简化的形式来引入下面的具体实施方式中进一步描述的概念的选择。该
技术实现思路
不旨在确定所要求保护的主题的关键特征或主要特征，也不旨在作为用于限定所要求保护的主题的范围的辅助。方面涉及用于在内容馈送中向用户呈现相关的和预测热门数字实体的自动化系统和方法。预测热门系统的示例使用一个或多个预测模型，例如神经网络或回归模型，来基于历史分数和上下文生成数字实体(例如，文档、人、电子通信、会议、位置、数字图像、数字视频、数字音频等)的预测热门分数。通过考虑趋势和上下文，预测热门系统计算数字实体的未来热门分数，并确定哪些数字实体与给定用户相关，并且可能在将来在用户和用户的网络中的人周围成为热门。预测热门系统收集被确定为相关并被预测为在用户周围成为热门的数字实体，并将数字实体呈现在内容馈送中。因此，预测热门系统的方面通过使用户能够花更少的时间搜索他们需要的内容来提高用户效率。此外，用户能够跳过他们通常必须经历的用来查找他们正在搜索的内容的步骤，并且因此本公开的方面减少了网络带宽。根据一个方面，示例被实现为计算机过程、计算系统、或作为诸如计算机程序产品或计算机可读介质的制品。根据一方面，计算机程序产品是计算机系统可读并且对用于执行计算机过程的指令的计算机程序编码的计算机存储介质。一个或多个方面的细节在附图和下面的描述中阐述。通过阅读以下详细描述和对相关附图的阅览，其他特征和优点将是显而易见的。应当理解，以下详细描述仅是说明性的而不是限制性的。附图说明并入并构成本公开的一部分的附图示出了各种示例。在图中：图1是呈现给用户的数字实体的示例内容馈送的图示；图2是示出通过使用预测模型在内容馈送中向用户呈现相关和预测热门数字实体的一般流程的简化框图；图3是用于在内容馈送中向用户呈现相关和预测热门数字实体的系统的简化框图；图4示出了在内容馈送中向用户呈现相关和预测热门数字实体的操作流程；图5是示出利用其可以实施示例的计算设备的示例物理组件的框图；图6A和6B是利用其可以实施示例的移动计算设备的简化框图；且图7是在其中可以实施示例的分布式计算系统的简化框图。具体实施方式以下详细描述参考附图。尽可能地，在附图和以下描述中使用相同的附图标记来指代相同或相似的元件。虽然描述了示例，但修改、改动和其他实现方式是可能的。例如，可以对附图中所示的元件进行替换、添加或修改，并且可以通过对所公开的方法替换、重新排序或添加阶段来修改本文所描述的方法。因此，下面的详细描述不是限制性的，而是由所附权利要求描述适当的范围。示例可以采取硬件实现或完全软件实现或组合软件和硬件方面的实现方式的形式。因此，以下详细描述不被认为是限制性的。方面涉及通过使用一个或多个预测模型(例如神经网络或回归模型)基于历史分数和上下文而生成数字实体的预测热门(trending)分数，从而在内容馈送中向用户呈现相关和预测热门数字实体。图1是向用户呈现的数字实体104A-F(统称为104)的示例性内容馈送102的图示。如在图1中所示，多个数字实体104，例如文档、内容项、人员、电子邮件或其他电子通信、电子邮件附件、会议、位置、数字图像、数字视频、数字音频文件或其他信息项，被显示在计算设备100的显示表面上的内容馈送102中。图1中所示的计算设备100是桌面式计算设备，但是应当理解，内容馈送102可显示在任何合适的计算设备(例如台式计算机、膝上型计算机、平板式计算机、手持式计算设备、移动通信设备等)的显示表面上。在内容馈送102中示出的数字实体104是被确定为对用户而言感兴趣或相关的内容或人的图形表示。根据一个方面，数字实体104作为内容卡显示在内容馈送102中，内容卡包括以下中的中的一个或多个：数字实体104的标题、题目、预览图像、帮助用户了解为什么数字实体104将对用户而言感兴趣或相关的信息、以及用于访问数字实体104或导航到与数字实体相关联的页面的可选择链接。例如，对与视频相关联的链接的选择允许用户观看视频数字实体。作为另一示例，对与人相关联的链接的选择允许用户导航到与该人相关联的页面，其中页面可以包括诸如与该人一起工作的一些人以及在该人的同事中流行的数字实体104的选择的信息。根据一方面，内容馈送102包括一个或多个数字实体104，其可能尚未在用户的同事之中成为热门，但是如预测热门引擎所确定的，其被预测为将来在用户的同事之中成为热门。根据示例，预测热门引擎包括诸如神经网络、时间序列或回归模型等的预测模型，并且可操作以基于历史分数和历史分数的上下文来确定数字实体104的预测分数和预测阈值。预测建模技术学习隐藏在大量历史数据中的模式。一旦学习完成并且模型被验证，就能够将其从历史数据中学习的知识泛化，并将泛化的知识应用于新的情境来预测未来，例如，数字实体104是否将在用户周围流行。如本领域已知的，基于神经网络结构的学习系统是用于预测分析的公认方法，其中人工神经网络是基于大脑神经结构的电子模型，其通过训练和/或适应来学习输入和输出之间的关系。如本领域所知，回归模型是对一个结果变量与多个输入变量之间的关系进行建模的标准方法，其中重点在于建立数学方程作为表示所考虑中的不同变量之间的相互作用的模型。时间序列模型可以基于用于创建模型的原始数据集来预测趋势。将在下面更详细地描述使用神经网络、回归和时间序列机器学习技术中的一种或组合的预测热门引擎和预测模型。根据一方面，内容馈送102由包含用于生成内容馈送102并用于显示构成内容馈送102的数字实体104的足够的计算机可执行指令的软件应用提供，如图1中所示。内容馈送102可从各种不同的接入点访问。根据一方面，内容馈送应用作为独立应用运行。根据另一方面，内容馈送应用作为各种其他应用中的任何一个的模块来操作，例如电子邮件应用、文字处理应用、电子表格应用、幻灯片演示应用、笔记应用、桌面排版应用等、用于允许用户根据需要访问和显示内容馈送102。图2是示出通过使用预测模型在内容馈送中向用户呈现相关和预测热门数字实体的一般流程的简化框图。对于给定用户202，很可能对于用户202而言最相关和感兴趣的数字实体104包括由用户202所工作或很可能由用户202工作的内容以及在与用户一起工作的人员中活跃或很可能活跃的内容的混合。这组人员在这里被称为用户的同事204A-N，其中同事包括与用户202定期交互的人和与用户202共享组织关系的人(例如，组织同事、经理、主管等等)。如将在下面更详细地描述的，用户的关系、与本文档来自技高网...

【技术保护点】
一种用于在内容馈送中向用户呈现相关和预测热门数字实体的计算机实现的方法，包括：收集包括与感兴趣的数字实体相关联的上下文的活动数据；使用预测模型：计算所述感兴趣的数字实体的预测分数；将所述预测分数与预测阈值进行比较；以及在确定所述预测分数大于或等于所述预测阈值时，确定所述感兴趣的数字实体很可能在将来的时间在用户周围成为热门；以及生成包含所述感兴趣的数字实体的内容馈送。

【技术特征摘要】
【国外来华专利技术】2015.04.10 US 14/683,4991.一种用于在内容馈送中向用户呈现相关和预测热门数字实体的计算机实现的方法，包括：收集包括与感兴趣的数字实体相关联的上下文的活动数据；使用预测模型：计算所述感兴趣的数字实体的预测分数；将所述预测分数与预测阈值进行比较；以及在确定所述预测分数大于或等于所述预测阈值时，确定所述感兴趣的数字实体很可能在将来的时间在用户周围成为热门；以及生成包含所述感兴趣的数字实体的内容馈送。2.根据权利要求1所述的计算机实现的方法，还包括：在各个时间段收集和存储与多个数字实体相关联的历史活动数据和上下文；以及使用所述历史活动数据来训练和验证所述预测模型。3.如权利要求2所述的计算机实现的方法，其中，计算所述感兴趣的数字实体的预测分数包括：构建包括针对所述感兴趣的数字实体的一个或多个边模式的预测图形数据模型，所述一个或多个边模式包括与所述活动数据和上下文相关联的属性和属性值；将所述一个或多个边模式输入到所述预测模型中；基于所述历史活动数据设置预测阈值；以及基于所述历史活动数据生成所述感兴趣的数字实体的预测分数。4.根据权利要求3所述的计算机实现的方法，其中，构建针对所述感兴趣的数字实体的预测图形数据模型包括：将所述感兴趣的数字实体表示为目标节点，将特定上下文中与所述感兴趣的数字实体相关联的活动表示为边，并且将所述上下文表示为上下文节点。5.根据权利要求3所述的计算机实现的方法，其中，在设置所述预测阈值之前，基于所述历史活动数据根据所述上下文对所述属性值进行归一化。6.根据权利要求1所述的计算机实现的方法，其中，收集包括与所述感兴趣的数字实体相关联的上下文的活动数据包括从图形收集与所述感兴趣的数字实体相关联的活动数据和上下文数据。7.一种用于在内容馈送中将数字实体呈现给用户的系统，包括：一个或多个处理器，其用于执行编程指令；存储器，其耦合到所述一个或多个处理器，用于存储由所述计算机处理器执行的程序指令步骤；数据挖掘模块，其用于接收与感兴趣的数字实体相关联的活动数据和上下文；预测模型组件，其用于：计算所述感兴趣的数字实体的预测分数；将所述预测分数与预测阈值进行比较；以及在确定所述预测分数大于或等于所述预测阈值时，确定所述感兴趣的数字实体很可能在将来的时间在用户周围成为热门；输出处理模块，其用于：从所述预测模型接收输出；以及将被确定为很可能在将来的时间在用户周围成为热门的感兴趣的数字实体暴露给馈送应用；以及馈送应用，其用于生成包含被确定为很可能在将来的时间在用户周围成为热门的所述感兴趣的数字实体的内容馈送。8.根据权利要求7所述的系统，还包括：预测图形化模块，其用于构建包括在不同时间段与多个数字实体相关联的历史活动数据和上下文的多个预测图形数据模型，以及包括与所述感兴趣的数字实体相关联的活动数据和上下文的预测图形数据模型；存储设备模块，其用于存储包括在不同时间段与所述多个数字实体相关联的历史活动数据和上下文的多个预测图形数据模型，以及包括与所述感兴趣的数字实体相关联的活动数据和...

【专利技术属性】
技术研发人员：N·R·维拉拉加凡，B·奥尔斯塔，H·G·索尔海姆，
申请(专利权)人：微软技术许可有限责任公司，
类型：发明
国别省市：美国,US