[发明专利]用于内容准个性化的低熵浏览历史

说明书

本公开提供了用于经由诸如数百万或数十亿个设备之类的多个设备的聚合的浏览历史来进行内容准个性化或匿名化内容检索的系统和方法。稀疏矩阵可以从聚合的浏览历史中构建，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。可以经由用于表示相似浏览历史的准个性化聚类来选择相关内容，而无需将各个设备细节暴露于内容提供者。

相关申请的交叉引用

本申请要求于2019年11月27日提交的发明名称为“Low Entropy BrowsingHistory for Content 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.16/698,548的优先权，该美国专利申请要求于2019年8月8日提交的发明名称为“Low Entropy Browsing History for Content 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以及于2019年8月16日提交的发明名称为“Low Entropy Browsing History for Content 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.62/887,902的优先权，上述美国专利申请的每一个都通过引用将其全部内容并入本文。

背景技术

在诸如互联网的计算机联网环境中，内容提供者可以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。但是，这可能导致收集可分别跟踪的数据，使用户面临潜在安全风险并且消耗过多的计算资源。

发明内容

本文所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浏览历史构建，并且在维度上减小，以减小熵并且为各个设备提供匿名性。可以经由用于表示相似浏览历史的准个性化聚类来选择相关内容，而无需将各个设备详细信息暴露给内容提供者。

在一个方面，本公开针对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来基于所述计算设备的浏览历史生成简档。该方法还包括通过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维向量来计算降维向量。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中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，该方法包括通过从计算设备的用户的浏览历史的日志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，来生成基于该浏览历史的简档。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该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。

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合。在又一实施方式中，该方法包括将n维向量传送到第二计算设备，该第二计算设备基于所述计算设备的n维向量和至少一个其它计算设备的n维向量的聚合来计算所述奇异向量集合。

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个聚类的边界。在另一实施方式中，该方法包括响应于降维向量在第一聚类的边界内而选择所述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该计算设备的n维向量和至少一个其它计算设备的n维向量的聚合而确定的神经网络模型的权重；通过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，以生成对预定聚类集合的排名；并且通过浏览器应用来选择第一聚类作为预定聚类集合中的排名最高的聚类。