一种用于确定用户(U1到U3)的潜在兴趣的设备(D)，其中该用户是至少一个网络运营商的客户，每个用户与至少定义了他的兴趣的概况相关联。该设备(D)包括：i)追踪装置(TM)，其被配置为：分析至少一个用户(U1)的概况，以确定其所包括的新的真实兴趣，并且将表示所确定的所述用户(U1)的新的真实兴趣的标识符与其被确定为新的真实兴趣的第一日期相对应地存储在他的概况中；以及ii)推荐装置(RM)，其被配置为：分析用户(U1)的所述第一日期，以确定在所确定的新的真实兴趣之前的按照时间排序的兴趣序列，并且将所确定的用户兴趣序列与至少一个其他用户(U2)的至少一个其他兴趣序列进行比较，以预测将要被引入到所述用户的概况中的、所述用户(U1)的至少一个潜在未来兴趣。
【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及能够被连接到至少一个通信网络的通信设备的用户的内容项的推荐， 并且更精确而言涉及用户内容推荐的个性化。
技术介绍
在本文通过“用户概况”来表示用于描述用户身份的一组数据(或元数据)，如社会人口数据以及与一个或多个主题(例如电视节目、广播节目、新闻、音乐、广告、娱乐、要买的项或服务的使用)相关的兴趣(或偏好或习惯)。用于描述用户兴趣的(元)数据可以是词语或表达或者在大部分时间也能够在与该内容项相关联的描述中发现的其他概念。此外，在本文通过“用户内容推荐”来表示基于用户的概况中所包括的兴趣(或偏好或习惯)而向他建议的内容项的推荐(或建议)。并且，本文通过“概念”表示由一个或多个词语定义的或者来自一个或多个分类法或本体论的事物，并且因此与语义的内容相关联。通常由一组至少一个属性(即具有类型和值的一组描述符)来描述概念。在用户内容推荐的个性化领域中的一个主要的挑战在于尽可能正确地理解用户的兴趣，以便向他们提供适合于他们各自的需求的内容项。如本领域的熟练技术人员所理解的，用于内容推荐的常用技术(如基于内容的过滤算法)不允许在用户概况中引入在已经由用户消费的内容的描述中没有出现过的概念。 事实上，当用户消费内容项时，可以(根据各种启发)向用户概况增加用于描述该内容项的元数据，并且随后基于用户概况与内容元数据之间的相似性生成推荐。所以，将不会向用户推荐在用户概况中不存在对应的元数据的内容项。这些方法倾向于使得推荐过于专门化并且不能够在推荐中增加足够的多样性/ 发现。更精确而言，这些方法不允许预测用户兴趣用户必须已经消费了由某个概念(或等效物)所描述的事物以便具有与该概念相关的进一步推荐。例如，利用现有系统，如果用户喜欢维克多 雨果的一本书，那么推荐者系统将倾向于向他推荐维克多 雨果的其他书，而该用户(而且其他用户)可能有兴趣发现其他作者，仅仅因为他的(他们的)品味很自然地随着时间演进并且还因为他(他们)已消费的项的影响，以及由于他(他们)可能与此同时具有的其他兴趣。最近提出了其他方法来改善用户内容推荐。第一种方法关注所谓的“协作推荐”。典型的协作推荐包括一种核心机制，该核心机制包括基于用户的偏好或历史行为的相似性，找出他们之间的隐藏关联。针对特定用户与其他用户共享的兴趣或者根据由具有相似概况的其他用户给出的对项的意见、比较和评级，向该用户推荐项。因此在该第一种方法中，全局地完成用户和项之间的比较，而不考虑时间尺度，并且因此当在两个项之间存在强烈依赖性时该方法可能不是非常中肯。此外即使协作推荐允许在推荐中带入一些多样性，它们也无法直接解决预测下一个(或未来的)用户感兴趣的问题。并且，协作推荐需要相当大量的用户评级才有效(这就是所谓的“冷启动问题”)。第二种方法关注所谓的“频繁模式挖掘算法”。这些算法能够找出在一组交易中的项的出现之间的依赖性，如 Goethals，B 在 Technical report,Helsinki Institute for Information Technology，2003 白勺文章"Survey on frequent pattern mining，，中所特另ij 描述的。频繁模式挖掘算法的目的在于找出"X^Y"形式的一组频繁的并且可信的关联规则，这意味着“如果在交易中出现该组项X，那么在该交易中也出现另一组项Y”。如果X 和Y—起出现的交易的数量与交易的总数量之间的比率满足一个频率阈值，则认为关联规则是频繁的。类似地，如果在包括X的全部交易之中，X和Y—起出现的交易的百分比大于可信阈值，则关联规则是可信的。即使频繁模式挖掘算法能够找出项之间的关系，它们也仅仅关注项在交易中的出现，而不考虑出现偏好(或项)的时刻。存在用于频繁模式挖掘的方法(例如在 Sivaselvan，B 等人在 Information Technology Journal, vol. 5,pp. 1043-1047，2006 的文章“An efficient frequent temporal pattern mining algorithm，，中所描述的)，该方法考虑项在交易中的出现次序。但是该时间性是就将两组频繁的项隔开的项的数量而言的而不是就它们之间经过的时间而言的。第三种方法关注所谓的“时间概率模型”。已经针对用户兴趣和兴趣转换获取和预测提出了一些概率模型。Suzuki，T 等人在 Proceedings of 5th International Conference on Intelligent Systems Design and Applications, Wroclaw, Poland, 94-99,2005,在文章"Learning to estimate user interest utilizing the Variational Bayes' estimator，，中，以及 Wang, S 等人在 Lecture Notes in Computer Science Volume 4027/2006，pp. 470-478，Springer，2000，在文章“Mining Interest Navigation Patterns with Hidden Markov Model”中特别描述了这些概率模型。这些最新的模型是针对单个用户兴趣转换获取而构思的，而不能适用于将为一个用户获取的兴趣转换模式应用于类似的用户。因此，本专利技术的目的在于预测未来用户的兴趣，以便提高推荐者系统中的用户的接受度和信任度，并且减轻在更新用户兴趣之前需要在先观察的、基于内容的推荐者系统的缺点。
技术实现思路
为此目的，本专利技术提供了一种用于确定用户的潜在兴趣的设备，其中所述用户是至少一个网络运营商的客户，每个用户与至少定义了他的兴趣的概况相关联，并且所述设备包括-追踪装置，其被配置为分析至少一个用户的概况，以确定其所包括的新的真实兴趣，并且将表示所确定的所述用户的新的真实兴趣的标识符与其被确定为新的真实兴趣的第一日期相对应地存储在他的概况中；以及-推荐装置，其被配置为分析用户的所述第一日期，以确定在所确定的新的真实兴趣之前的兴趣的按照时间排序的兴趣序列，并且将所确定的用户兴趣序列与至少一个其他用户的至少一个其他兴趣序列进行比较，以预测将要被引入到所述用户的概况中的、所述用户的至少一个潜在未来兴趣。根据本专利技术的设备可以包括独立地、组合地考虑的附加特性，并且具体而言-它的推荐装置可以被配置为将所确定的用户兴趣序列与被确定到由其他用户的兴趣所建立的兴趣图形中的至少一个其他兴趣序列进行比较，以预测该用户的至少一个潜在未来兴趣；-它的推荐装置可以被配置为根据已存储的用户真实兴趣建立并且更新该兴趣图形；-它的推荐装置可以被配置为建立并且更新用于对多个用户的兴趣随时间的演进进行建模的兴趣图形；-在一个变形中，它的推荐装置可以被配置为建立并且更新用于对一个用户的兴趣随时间的演进进行建模的辅助兴趣图形，然后将该辅助兴趣图形与为其他用户建立的辅助兴趣图形进行聚合以产生兴趣图形；-它的推荐装置可以被配置为建立并且更新有向并且加权的兴趣图形G(V，W)，其中，V是分别用于表示用户兴趣的一组节点，W是用于表示从一个用户兴趣到另一本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】...
【专利技术属性】
技术研发人员：J·皮科，D·D·科斯塔迪诺夫，M·布齐，
申请(专利权)人：阿尔卡特朗讯，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。