[发明专利]用于内容准个性化的低熵浏览历史

说明书

本公开提供用于经由诸如数百万或数十亿个设备的大量设备的聚合的浏览历史而进行内容准个性化或匿名化的内容检索的系统和方法。稀疏矩阵可以从所述聚合浏览历史构建，并且在维度上减小，从而减小熵并且为各个设备提供匿名性。可以经由用于表示类似的浏览历史的准个性化聚类来选择相关内容，而不用使各个设备细节暴露于内容提供者。

相关申请的交叉引用

本申请要求在2019年8月8日提交的标题为“Low Entropy Browsing History forContent Quasi-Personalization”(用于内容准个性化的低熵浏览历史)的美国专利申请No.16/535,912的优先权，该申请通过引用整体地并入本文。

背景技术

在诸如因特网的计算机联网环境中，内容提供者能够提供要插入到由在客户端设备上执行的应用(例如，web浏览器)所处理和渲染的信息资源(例如，网页)中的内容项。

个性化内容递送通常基于捕获用户和/或设备的标识信息，诸如所述设备的浏览或访问历史。然而，这显著地影响所述设备和用户的私密性和安全性。选择退出和不跟踪策略允许用户对其私密性进行某种控制措施，但是削弱了内容提供者提供相关内容的能力。

发明内容

本文讨论的系统和方法经由诸如数百万或数十亿个设备的大量设备的聚合浏览历史来提供内容准个性化或匿名化内容检索。稀疏矩阵可以从聚合的浏览历史构建，并且在维度上减小，从而减小熵并且为各个设备提供匿名性。可以经由用于表示类似的浏览历史的准个性化聚类来选择相关内容，而不用使各个设备细节暴露于内容提供者。

在一个方面中，本公开涉及一种用于匿名化内容检索的方法。该方法包括由计算设备的浏览器应用生成基于所述计算设备的浏览历史的简档。该方法还包括由浏览器应用将所述简档编码为n维向量。该方法还包括由浏览器应用根据n维向量计算降维向量。该方法还包括由浏览器应用确定与降维向量相对应的第一聚类。该方法还包括由浏览器应用向内容服务器传送对内容项的请求，该请求包括第一聚类的标识。该方法还包括由浏览器应用从内容服务器接收根据第一聚类的标识所选择的内容项。

在一些实施方式中，该方法包括通过从浏览历史的日志中标识在预定时间段内对多个地址中的每一个地址的访问次数n来生成基于计算设备的用户的浏览历史的简档。在一些实施方式中，该方法包括生成具有用于表示如下的值的字符串：在预定时间段内对与字符串中的对应位置相关联的地址的一个或多个访问中的每一个访问。

在一些实施方式中，该方法包括执行n维向量的奇异值分解。在另一个实施方式中，该方法包括从第二计算设备接收奇异值分解的奇异向量集。在再一个实施方式中，该方法包括向第二计算设备传送n维向量，所述第二计算设备基于计算设备的n维向量和至少一个其他计算设备的n维向量的聚合来计算奇异向量集。

在一些实施方式中，该方法包括从第二计算设备接收多个聚类中的每一个聚类的边界。在另一个实施方式中，该方法包括响应于降维向量在第一聚类的边界内，选择多个聚类中的第一聚类。

在一些实施方式中，该方法包括：由浏览器应用从第二计算设备接收基于所述计算设备的n维向量和至少一个其他计算设备的n维向量的聚合而确定的神经网络模型的权重；由浏览器应用的机器学习系统将神经网络模型应用于降维向量，以生成预定聚类集的排名；以及由浏览器应用选择第一聚类作为预定聚类集中的排名最高的聚类。

在另一方面中，本公开涉及一种用于匿名化内容检索的方法。该方法包括由服务器计算设备从多个客户端计算设备中的每一个接收基于所对应的客户端计算设备的浏览历史的简档，每个简档包括n维向量。该方法还包括由服务器计算设备将多个简档的多个n维向量聚合成矩阵。该方法还包括由服务器计算设备计算所述矩阵的奇异值分解以生成奇异值集。该方法还包括由服务器计算设备向多个客户端计算设备中的每一个客户端计算设备和至少一个内容提供者设备传送所述奇异值集。