[发明专利]用于推荐器系统的自适应隐式学习

说明书

技术领域

本发明涉及一种用于针对至少一个内容项目隐式地控制推荐器系统的装置、方法和计算机程序产品。

背景技术

推荐器技术的使用正在被稳定地引入到市场中。在各种示例中，网站提供推荐器以支持用户发现他们喜欢的内容项目(例如，电影)，以及电子设备(例如，个人视频记录器)使用推荐器来自动过滤内容项目。推荐器系统被越来越多地应用以通过基于来自用户对所选内容项目(例如，书、歌曲、电视(TV)节目、电影等)的反馈学习用户简档来个性化或个人化服务和产品，并且使用机器学习技术来推断新项目的评级(rating)。

推荐器典型地基于用户对项目提供的评级来学习用户的偏好。这些评级典型地是二元分类，分别诸如“喜欢”和“不喜欢”，或者基于喜欢程度的范围的更精细的分类。同样，用户评级提供接口，用户通过该接口向推荐器教授其偏好。从在推荐器能够做出明智的建议之前用户不得不对相当大量的项目进行评级的意义来说，这一学习过程是单调乏味的。推荐器系统典型地需要来自用户的反馈以学习用户的口味。这一反馈可以显式地(explicitly)或隐式地(implicitly)提供。显式反馈包括用户对多个项目提供评级，即在五分量表上或以二元的喜欢/不喜欢的形式对多个项目提供评级。隐式反馈来自观察用户动作，诸如购买、下载、选择项目用于重放或删除等。用户动作随后被推荐器系统解释并被变换成评分。例如，典型地，推荐器系统将购买动作解释为正分数，或者在视频项目的情况下，多于/少于50％的总观看持续时间可以意味着正/负分数。

贯穿下文，将区别由用户对内容项目给出的“评级(rating)”和由推荐器系统生成的“分数(score)”或“评分(scoring)”。

通常使用的技术是协作过滤和朴素贝叶斯分类。由此，从大量的内容项目中只能检索到用户(或用户组)喜欢或者偏好的那些项目。典型地，作为单机服务或单元、或者作为对于现有服务或单元的附件来提供推荐器。它们越来越多地出现在例如电视机或视频记录器的消费设备中。

因此，隐式学习使得用户不必显式地对项目进行评级。但是，其典型地是比较不可靠的，因为难以以标准方式解释用户动作。用户可能以难以用固定模型解释的许多不同方式表现。此外，用户行为可能随着时间而发展，使得解释他的/她的动作甚至更加困难。

发明内容

本发明的目的是提供改进的隐式学习方法和装置，通过所述方法和装置，隐式学习可以个别地适应于每个用户从而反映用户行为的改变。

这一目的是通过如权利要求1中要求的装置、如权利要求12中要求的方法和如权利要求13中要求的计算机程序产品实现的。

因此，提出的学习方法提供如何将对内容项目的用户动作变换为关于这些项目的评分的显式学习。在用户接口处的用户动作与被评级的内容项目相关联，并且所识别和记录的用户接口动作被作为属于这些内容项目的元数据。由此，可以提供个别地适应于每个用户并且能够随着时间而发展以反映改变的用户行为的隐式学习形式。尽管仍然需要被显式地评级的项目，但在充分的学习之后，提出的隐式学习极大地使用户免于不得不显式地对内容项目进行评级。实际上，可以提供两种评级/评分过程：隐式评分过程和显式评级过程。评级过程可以以较慢的步速运行，有效地使用户摆脱连续对许多项目进行评级。

根据第一方面，接口动作可以包括用于控制内容项目的使用的控制动作。因此，控制动作可以通过在用户接口处不同的键、或按钮的激活来确定，从而可以以简单直接的方式实现删除和记录。根据特定示例，内容项目可以包括顺序音频和/或视频信息，并且控制动作可以控制开始、停止、删除和跳过音频和/或视频信息中的至少一个。

根据可以与上面的第一方面组合的第二方面，用户接口动作可以与包括所述至少一个内容项目的日期、时间和顺序次序中的至少一个的相关联的上下文信息一起记录。通过还记录这样的日期和次序信息，可以评估用户接口动作之间的历史关系。

根据可以与上面的第一和第二方面中的任一个组合的第三方面，计算器可以被适配用于从内容项目的使用确定以下至少一个：内容项目的使用的部分(fraction)、内容项目的使用的数目、没有中断的使用的最长片段、内容项目的删除、激活快进控制的次数、激活重放控制的次数、激活向前跳进控制的次数、跳过内容项目的次数、内容项目的显式归档、开始和删除之间的持续时间、读取元数据所花费的时间以及对扩展的元数据的访问。假设从用户动作获得的简档对于基于所获得的表征数字或种类值对内容项目进行评级来说足够成熟，则这些表征数字或种类值提供关于用户对于内容项目的态度的良好表示，例如他/她喜欢或不喜欢这一内容项目。