Система и способ для представления контента пользователю

Система и способ для представления контента пользователю

Иллюстрации

Показать все

Реферат

Данная система в общем относится к извлечению информации и, в частности, к системе и способу, который помогает пользователю в нахождении конкретного интересующего его контента из совокупности контента.

Сегодня мы видим быстрое увеличение доступного контента, которое предоставляет возможность его легкого сбора средним потребителем. Некоторые типичные примеры доступного контента включают в себя музыкальные библиотеки компакт-дисков (CD), видеобиблиотеки DVD и большие количества фотографий, хранимых в компьютерах с появлением доступных цифровых камер и запоминающих устройств (ЗУ) большой емкости. Этот контент может быть собран непосредственно потребителем и/или может быть получен из любого числа доступных источников, включая их получение по сети, такой как Интернет (например, из фотобиблиотек, равноправных сайтов загрузки музыки). Однако простой доступ к большим объемам контента имеет только ограниченную значимость, если способность потребителей легко, вовремя и эффективно идентифицировать, выбирать, получать доступ и извлекать этот контент остается больше ограниченной и сложной, чем необходимо. Поиск конкретного интересующего контента в огромном количестве структурированного и/или неструктурированного контента может быть очень обескураживающей и потребляющей много времени задачей.

Для помощи в нахождении контента пользователь может просто искать термины, которые находятся в пределах некоторой части контента. Например, когда пользователь ищет заданный текстовый контент, он может искать (отфильтровать) текст, который содержится в пределах этого контента. Для других типов контента пользователь может искать имя этого контента, которое хранится в поисковой таблице контента, такой как таблица размещения файлов (FAT). Для помощи в поиске сложного контента, в котором заданная ассоциативная связь с именами файлов возможно не известна, существуют системы, которые дают возможность ассоциировать дескрипторы свойств с заданным контентом. Например, метаданными являются определяющие данные, которые обеспечивают информацию об ассоциированном с ними контенте и/или его документацию, которая может включать в себя данные об элементах данных или атрибуты ассоциированного контента, такие как имя, размер, тип данных и т.д. Метаданные могут также включать в себя описательную информацию о контексте, качестве и состоянии или характеристиках ассоциированного контента. Метаданные могут быть уже ассоциированными с контентом, таким как контент, обеспечиваемый из удаленного ЗУ. Метаданные могут также быть ассоциированными с контентом посредством устройств, которые создают этот контент, таких как цифровая камера, которая создает метаданные для изображений, снятых этой камерой, такие как настройка камеры, время фотографии и т.д. Далее, метаданные могут вставляться пользователем контента и/или могут быть созданы посредством автоматизированного процесса, который исследует этот контент на свойства.

Доступны системы поиска, которые обеспечивают фильтрацию доступного контента (контент может быть доступным локально и/или может быть доступен по сети) для получения значащего подмножества для просмотра. Эти системы поиска осуществляют поиск свойств контента (метаданные, имена, размер и т.д.) по идентификаторам, которые являются теми же самыми или подобными условиям поиска. Согласно одному подходу для фильтрации совокупности (коллекции) контента для получения значащего подмножества для просмотра пользователь выбирает конкретное значение свойства для фильтрации этой совокупности контента. Пользователь может продолжить дальнейшую фильтрацию совокупности контента согласно второму выбранному пользователем значению свойства для попытки получения значащей подсовокупности контента. Например, в случае множества фотографий, принадлежащих пользователю, пользователь может выбрать фильтрацию этого множества фотографий на основе конкретного выбранного пользователем события, такого как день рождения или отпуск. Пользователь может затем фильтровать отфильтрованное множество фотографий с использованием другого выбранного пользователем значения другого свойства, такого как ЛЮДИ. В конце этого процесса, если определено, что результирующий список отфильтрованных фотографий является незначащим, этот процесс может быть повторен столько раз, сколько это необходимо для уменьшения множества фотографий до значащего подмножества, которое определено как значащее для пользователя.

Следует, однако, отметить, что вышеприведенный подход не лишен недостатков. Одним недостатком является то, что пользователь может не знать все значения для использования в фильтрации начальной совокупности контента при поиске конкретного контента. Например, при поиске фотографии, пользователь может знать событие фотографии, такое как день рождения, и имя человека на фотографии, но не знать дату или место фотографии. Вторым недостатком является то, что когда система выполняет операции, связанные с подходом фильтрации, описанным выше, конечный результат может дать только очень малое подмножество контента или возможно отсутствие контента, когда совпадение всех фильтрующих свойств не обнаружено в пределах контента. Это нежелательно в том смысле, что это ограничивает объем контента, который пользователь получает для просмотра, и может не обеспечивать пользователя конкретным желаемым элементом контента или группой элементов контента (например, желаемым альбомом фотографий).

Еще одним недостатком, связанным с этим подходом, является то, что когда система, выполняющая операции, связанные с подходом фильтрации известного уровня техники, выбирает значения для фильтрации, выбранные значения для подмножества свойств могут быть неоднозначными. Например, в случае, когда осуществляется анализ контента, например с использованием распознавания изображения/лица, в отношении больших совокупностей контента, таких как фотографии, для создания метаданных для этих фотографий, система может детектировать наличие заданного человека на заданной фотографии, но эта информация вызывает сомнения и может быть неправильной. А именно, для свойства ЧЕЛОВЕК, ассоциированное с заданной фотографией значение является неоднозначным, так как система возможно неправильно идентифицировала этого человека и тем самым ассоциировала с этой фотографией неверное значение метаданных. После этого, при поиске этой фотографии, если пользователь определяет правильного человека на фотографии во время поиска, система известного уровня техники может никогда не найти правильную фотографию из-за неверного ассоциированного с этим человеком значения.

Каждый из вышеприведенных недостатков также включает в себя связанный с ними риск того, что дальнейшая фильтрация может фокусироваться на неверном подмножестве контента. В частности, со ссылкой на первый недостаток, приведенный выше, современные решения известного уровня техники требуют от пользователя повторной попытки поиска значений для каждого свойства, один за другим, и внимательного рассмотрения каждого индивидуального результата, что может быть затруднительным и требует много времени. Или же, известный уровень техники требует от пользователя работы с целым начальным списком контента (фотографий), что является сложным и, следовательно, также является затруднительным и требует много времени. Со ссылкой на каждое из вышеприведенных решений известного уровня техники, пользователь или система может неправильно комбинировать значения свойств для фильтрации контента и тем самым попасть в неверное подмножество контента.

Следовательно, было бы желательным обеспечить способ нахождения интересующего пользователя контента из множества контента, который преодолевает ограничения известного уровня техники, описанные выше, и/или другие ограничения.

Данная система обеспечивает компьютерный программный продукт и связанный с ним способ для выполнения операций сортировки и фильтрации таким образом, который дает возможность пользователю находить конкретный контент из совокупности контента.

Согласно одному аспекту данной системы способ содействия пользователю в нахождении конкретного интересующего его контента из совокупности контента может включать в себя следующие действия/операции. Пользователь принимает решение отфильтровать совокупность контента для получения отфильтрованного подмножества контента с использованием значения фильтрующего свойства, где значение фильтрующего свойства выбирается пользователем. После этого, выбирают группирующее свойство на основе значения фильтрующего свойства или результатов фильтрации и группирования отфильтрованной совокупности контента с использованием выбранного группирующего свойства и соответствующих значений группирующего свойства. Затем отфильтрованная/сгруппированная совокупность контента может быть показана пользователю на дисплее.

Согласно одному аспекту операция фильтрации выполняется на основе выбираемого пользователем значения фильтрующего свойства, и операция группирования выполняется автоматически на основе группирующего свойства. Выбираемое пользователем значение фильтрующего свойства и группирующее свойство выбираются из одной и той же области значений свойств, которые являются предварительно заданными и/или ассоциированы с совокупностью контента. Например, фильтрация может быть выполнена с использованием конкретного значения фильтрующего свойства МЕСТО в качестве выбираемого пользователем значения фильтрующего свойства. В этом случае, предполагается, что каждый элемент и/или группа элементов (например, альбомы) в большой совокупности контента включает в себя метаданные или другие средства описания значений свойства МЕСТО контента. Метаданные, описывающие различные значения свойств, могут быть априорно определены или определены динамически иным образом, в реальном времени с использованием таких способов, как распознавание изображений. Например, программное обеспечение распознавания изображений может использоваться для анализа совокупности контента в реальном времени для динамического установления определенных характеристик контента, которые обычно ассоциированы с этим местоположением. После того как выполнено определение, это значение свойства может быть ассоциировано или привязано к контенту в качестве метаданных.

Согласно другому аспекту операции фильтрации и группирования могут выполняться перед работой данной системы или после нее. Процесс нахождения конкретного интересующего пользователя контента может быть изменчивым и зависящим от наблюдения промежуточных результатов. Любые промежуточные результаты могут определять необходимость в дополнительных операциях фильтрации и/или группирования в отношении совокупности контента.

В другом аспекте система для содействия пользователю в нахождении конкретного интересующего пользователя контента из совокупности контента включает в себя модуль средства обнаружения (локатора) контента, выполненный с возможностью управления операциями, связанными с фильтрацией и/или группированием совокупности контента, и модель структуры свойств, функционально связанную с модулем локатора контента, состоящую из множества строк, причем каждая строка включает в себя фильтрующее свойство и по меньшей мере одно группирующее свойство, имеющее соответствующие значения группирующего свойства. Модель структуры свойств также включает в себя правила для определения изменяющихся значений группирующего свойства для сохранения достаточного количества контента для обеспечения достаточного контекста для пользователя.

Далее идут описания иллюстративных вариантов осуществления, которые при взятии в сопряжении со следующими чертежами продемонстрируют вышеуказанные признаки и преимущества, а также дополнительные признаки и преимущества. В следующем описании, с целями объяснения, а не ограничения, изложены конкретные подробности, такие как конкретная архитектура, интерфейсы, методики и т.д. для иллюстрации. Однако для специалистов в данной области техники будет ясно, что и другие варианты осуществления, которые отличаются от этих конкретных подробностей, находились бы в пределах объема, определяемого прилагаемой формулой изобретения. Кроме того, с целью ясности, подробные описания широко известных устройств, схем и способов опущены для того, чтобы не затемнять описание данного изобретения.

Следует ясно понимать, что чертежи включены с иллюстративной целью и не представляют объем данного изобретения.

Фиг. 1 иллюстрирует высокоуровневую архитектуру компьютерной системы, в которой могут использоваться система и связанный с нею способ для выполнения данного способа;

Фиг. 2 иллюстрирует способ работы согласно одному варианту осуществления;

Фиг. 3А показывает примерные свойства (классы) контента с соответствующими значениями (примерами) свойств;

Фиг. 3В является примерной моделью структуры свойств для использования в данной системе для определения того, какие свойства следует выбрать для выполнения операций фильтрации/группирования, согласно одному варианту осуществления; и

Фиг. 4 является примерной блок-схемой, иллюстрирующей работу в соответствии с некоторым вариантом осуществления данной системы.

При использовании здесь следующих терминов, применяются сопутствующие определения:

база данных - одно или несколько структурированных множеств данных, обычно связанных с программным обеспечением для обновления и запрашивания этих данных. Простой базой данных может быть единственный файл, содержащий много записей, где отдельные записи используют один и тот же набор полей. База данных может содержать таблицу соответствия, в которой различные идентификаторы организованы согласно различным факторам, таким как идентификационные данные, физическое местоположение, местоположение в сети, функция и т.д.;

исполняемое приложение - код или считываемые машиной команды для реализации предварительно заданных функций, включая функции операционной системы, информационной системы здравоохранения или других систем обработки информации, например в качестве реакции на команду или ввод пользователя;

исполняемая процедура - сегмент кода, подпрограмма или другой отдельный раздел кода или часть исполняемого приложения для выполнения одного или нескольких конкретных процессов, предусмотренных для выполнения операций над принятыми параметрами ввода (или в качестве реакции на принятые параметры ввода) и предоставления результирующих выходных параметров;

группирование - визуальное расположение элементов контента таким образом, чтобы элементы контента, которые визуально помещены в тесной близости, имели одно и то же значение свойства для свойства, по которому выполнено группирование;

информация - данные;

процессор - устройство и/или набор машиночитаемых команд для выполнения заданий. Как используется здесь, процессор содержит любое одно из аппаратного обеспечения, программно-аппаратных средств и/или программного обеспечения или их комбинацию. Процессор действует в отношении информации посредством манипулирования, анализирования, модификации, преобразования или передачи информации для использования ее исполняемой процедурой или информационным устройством, и/или посредством направления этой информации к выходному устройству. Процессор может использовать или содержать функциональные возможности контроллера или микропроцессора; и

пользовательский интерфейс - инструментальное средство и/или устройство для визуализации информации для пользователя и/или запрашивания информации от пользователя. Пользовательский интерфейс включает в себя по меньшей мере одно из текстовых, графических, аудио-, видеоэлементов и элементов анимации.

Хотя система описана здесь в контексте совокупности контента, содержащей совокупность фотографий, такую как совокупность множества фотоальбомов, это обсуждается посредством примера. Специалистам в данной области техники будет ясно, что система применима к любой совокупности контента, для которой пользователь желает найти конкретный интересующий его элемент.

В дополнение к признакам, описанным выше, система обеспечивает некоторое количество конкретных признаков и преимуществ над системами известного уровня техники, включая, без ограничения: обеспечение пользователю возможности находить конкретный интересующий его контент без обязанности задавать или знать каждое и всякое значение свойства, ассоциированное с контентом; использование информации об относительной важности свойств для выполнения соответствующих операций группирования в отношении отфильтрованного контента; и использование соотношения между значениями различных свойств и ассоциированного механизма группирования.

Фиг. 1 показывает примерную высокоуровневую архитектуру компьютерной системы 100, в которой могут использоваться система и связанный с ней способ для выполнения операций фильтрации и группирования таким образом, который дает пользователю возможность находить конкретный контент из совокупности контента. Компьютерная система 100 может быть воплощена, например, как персональный компьютер на основе процессора. В дополнение к процессору персональный компьютер включает в себя клавиатуру для ввода данных (не показано), монитор (дисплей 144) для отображения информации, ЗУ (базу данных 55) для хранения контента, одно или несколько исполняемых приложений (модуль 10 локатора контента), одну или несколько таблиц (модель 45 структуры свойств) и блок 5 памяти для хранения контента во время исполнения. Модуль 10 локатора контента показан функционально связанным с памятью 5 через линию 7 связи, функционально связанным с моделью 45 структуры свойств через линию 9 связи и функционально связанным с базой данных 55 через линию 11 связи.

Модуль 10 локатора контента содержит исполняемое приложение, которое управляет операциями группирования и фильтрации. Модуль 10 локатора контента выполнен с возможностью выполнения действий способа данной системы и включает в себя программный код программного обеспечения или компьютерный программный продукт, который обычно встроен в компьютер или установлен на нем. Альтернативно, локатором 10 контента может быть программный код программного обеспечения, хранимый на соответствующем носителе данных, таком как дискета, компакт-диск (CD), жесткий диск или подобных устройствах, которые управляются процессором. В других вариантах осуществления схемы аппаратного обеспечения могут использоваться вместо команд программного обеспечения, или в комбинации с ними, для реализации данной системы.

В одном варианте осуществления команды 25 фильтрации и группирования генерируются пользователем 50 и вводятся в локатор 10 контента. Результаты команд фильтрации и группировании, генерируемые модулем 10 локатора контента, отображаются для пользователя 50 на дисплее 144.

В данном иллюстративном варианте осуществления фиг. 1 иллюстрирует три совокупности, хранимые в базе данных 55 компьютерной системы 100. Они включают в себя совокупность 35 фотографий, совокупность 37 музыкальных записей и совокупность 39 марок. Совокупность фотографий, музыкальных записей и марок может быть в общем определена здесь как контент. Каждая индивидуальная фотография, музыкальная запись или марка в пределах соответствующей ей совокупности может быть определена как индивидуальный элемент контента и/или может быть определена как член группы контента, такой как фотоальбом. Например, фотография может быть определена индивидуально и/или как часть альбома. Как используется здесь, если не оговорено иное, термин «элемент контента» предназначен для охвата индивидуального элемента контента в общем, и/или группировки индивидуальных элементов контента. Каждый из элементов контента в пределах совокупностей имеет ассоциированное с ним одно или несколько значений свойств. Например, каждый элемент контента в пределах фотоколлекции может включать в себя ассоциированные с ним свойства, например, идентифицирующие событие, изображенное в элементах контента, место, изображенное в элементах контента, людей, изображенных в пределах элементов контента, идентификационные данные объектов, изображенных в пределах элементов контента, и дату и время создания элемента контента. Эти свойства могут иметь значения, называемые здесь значениями свойств. Например, свойство «событие» может иметь такое значение, как «отпуск» и/или идентификационные данные этого отпуска, ассоциированное с контентом в общем, и/или конкретно с заданным элементом контента. Свойство «объект» может иметь значение «зонтик» и т.д. Каждый элемент контента в совокупности может иметь одно или несколько значений свойств, ассоциированных с ним. Данная система использует эти свойства и ассоциированные с ними значения свойств, когда они известны, для облегчения нахождения конкретных элементов контента из совокупности и/или совокупностей контента.

Фиг. 3А показывает примерные свойства (классы) контента с соответствующими значениями (примерами) свойств. Используя терминологию, определенную в Унифицированном Языке Моделирования (UML) для примера, описанного в “UML Distilled - Applying The Standard Object Modeling Language”, M.Fowler, Addison-Wesley Longman, Inc., Massachusetts, USA, 1997, класс является описанием типа для заданного набора элементов данных, описанных здесь как свойства. Примерами являются элементы данных, которые подпадают под описание типа, соответствующее классу, описанных здесь как значения свойств. В этом контексте, как представлено на фиг. 3А, ОТПУСК, ДЕНЬ РОЖДЕНИЯ и ДНЕВНАЯ ПРОГУЛКА являются примерами (значениями свойства) класса (свойства) СОБЫТИЕ.

Класс может иметь подклассы, где класс часто называется суперклассом подклассов. Общей связью между суперклассом и подклассом является то, что суперкласс является обобщением, а подкласс является специализацией. В примере, показанном на фиг. 3А, подклассы ПЕРСОНАЛЬНЫЕ СОБЫТИЯ и СВЯЗАННЫЕ С РАБОТОЙ СОБЫТИЯ являются специализациями суперкласса СОБЫТИЕ.

Экземпляры в рамках подкласса являются также экземплярами суперкласса. Как представлено выше, ОТПУСК является экземпляром подкласса ПЕРСОНАЛЬНЫЕ СОБЫТИЯ, но также суперкласса СОБЫТИЕ. Следует отметить, что подклассы необязательно являются альтернативными друг другу. Экземпляр в рамках одного подкласса может также быть экземпляром другого подкласса, поскольку они делят один и тот же суперкласс.

На фиг. 3А VINCE является экземпляром подкласса ДРУГ и подкласса КОЛЛЕГА, оба из которых - подклассы суперкласса ЧЕЛОВЕК. Классы СОБЫТИЕ, ЧЕЛОВЕК и ОБЪЕКТ обычно имеют подклассы, которые определены через отношение дальнейшей специализации. МЕСТО и ВРЕМЯ являются другими классами (свойствами), которые могут быть выражены имеющими различные уровни детализации, которая функционально подобна другой специализации в терминах данной системы. Например, фотоальбом и/или фото в пределах фотоальбома может относиться к НИДЕРЛАНДАМ, относительно неточному примеру класса МЕСТО. Этот фотоальбом может также относиться к более точным АДРЕСАМ (значения свойства), включая конкретный адрес УЛИЦА, ГОРОД и СТРАНА, как, например, KALVERSTRAAT, АМСТЕРДАМ и НИДЕРЛАНДЫ. Класс МЕСТО имеет подклассы КОНТИНЕНТ, СТРАНА, ГОРОД и УЛИЦА, экземпляры с варьируемой степенью детализации могут быть заданы посредством заполнения одного или нескольких значений свойств (например, конкретными континентами, странами, городами и улицами). Эти значения свойств являются агрегированием друг друга, например улица является частью города или поселка, который является частью страны, которая является частью континента.

Класс ВРЕМЯ имеет характеристики, подобные классу МЕСТО. Указание времени для фотоальбомов и фотографий обычно также различается по степени детализации, от просто лет до конкретных дат (являющихся конкретными ДНЯМИ, МЕСЯЦАМИ и ГОДАМИ). Полезными подклассами для класса ВРЕМЯ могут быть конкретные ГОДЫ, МЕСЯЦЫ и ДНИ, которые опять же являются агрегированием друг друга, так как день является частью месяца, который является частью года.

Как было бы легко понятно, используемые термины не являются необходимым признаком данной системы. Данная система предполагает, что совокупности элементов контента, группы элементов контента (например, альбомы) и/или индивидуальные элементы контента в пределах совокупностей и/или групп будут иметь ассоциированные с ними значения свойств, которые являются конкретными примерами свойств. Как было бы также понятно, примерное соответствие свойств и значений свойств, показанное на фиг. 3А, показано как пример, не предназначенный для ограничения. Даже в пределах показанного примера возможны вариации. Например, СОБЫТИЕ может быть свойством с ПЕРСОНАЛЬНЫМИ СОБЫТИЯМИ и СВЯЗАННЫМИ С РАБОТОЙ СОБЫТИЯМИ в качестве соответствующих значений свойства.

Для некоторых свойств и соответствующих значений свойств совместно характерна взаимосвязь, где различие между свойством и соответствующими значениями свойства является различием в степени детализации. Например, свойством может быть ВРЕМЯ, как показано на фиг. 3А, которое имеет соответствующие значения свойства, которыми могут быть конкретные ГОДЫ, МЕСЯЦЫ, ДНИ и т.д., которые все имеют различную степень детализации. Для некоторых свойств и соответствующих значений свойств совместно характерна взаимосвязь, где свойство и соответствующие значения свойства имеют одну и ту же степень детализации. Например, свойством может быть ГОРОДА, как показано на фиг. 3А, которое имеет соответствующие значения свойства, которыми могут быть БОЛЬШИЕ ГОРОДА, СРЕДНИЕ ГОРОДА и МАЛЫЕ ГОРОДА, для всех из которых совместно характерна степень детализации ГОРОДОВ. Однако свойство ГОРОДА тем не менее имеет соответствующие значения свойства.

Как используется здесь, свойство толкуется просто как категория (например, класс), имеющая соответствующие элементы в пределах этой категории (например, экземпляры), употребляющиеся здесь как значения свойства.

Данная система предполагает использование методик для установления значений свойств, которые ассоциированы с совокупностью элементов контента в общем, групп элементов контента в пределах совокупности и/или индивидуальных элементов контента в пределах совокупности. Например, способы воспроизведения изображения могут использоваться для установления значений свойства МЕСТО, ассоциированных с совокупностью фотографий. Заявка на патент США № 10/295668, поданная 15 ноября 2002 г., озаглавленная “Content Retrieval Based On Semantic Association”, которая включена здесь в качестве ссылки, описывает способы для индексации мультимедийного контента из различных модальностей. Заявка на патент США № 6243713, поданная 24 августа, 1998 г., озаглавленная “Multimedia Document Retrieval by Application of Multimedia Queries to Unified Index of Multimedia Data For a Plurality of Multimedia Data Types”, Nelson и др., которая включена здесь в качестве ссылки, описывает системы и способы для извлечения мультимедийных документов посредством индексации составных документов, включающих в себя мультимедийные компоненты, такие как текст, изображения, аудио- или видеокомпоненты, в унифицированный общий индекс для облегчения извлечения документов. Элементы контента могут также иметь значения, которые обеспечены третьей стороной, например в форме метаданных, ассоциированных с элементами контента, такого как Интернет-контент. Значения свойств могут быть также обеспечены пользователем при потреблении этого контента, например при просмотре, сортировке и т.д. контента. В любом случае, любая система связывания значений свойств с элементами контента может быть соответствующим образом использована данной системой.

При работе пользователь 50 желает найти конкретный интересующий его элемент контента из совокупности элементов контента. Компьютерная система 100 хранит в пределах ее базы данных 55 одну или несколько совокупностей контента (см. фиг. 1). Конечно, в других вариантах осуществления совокупности контента могут также храниться удаленно и быть доступными по беспроводной или проводной сети, такой как Интернет. Этот процесс начинается с того, что пользователь 50 осуществляет логический вход в компьютерную систему 100, и ему показывается, через пользовательский интерфейс, визуальное представление каждой совокупности контента, хранимого в базе данных 55: например, (1) фотографии 35, (2) музыкальные записи 37 и (3) видеозаписи 39.

Пользователь 50 может затем получить от компонентной системы 100 предложение пролистать или отфильтровать (например, посредством поиска) совокупности 35, 37 и 39 контента. В текущем примере пользователь 50 выбирает для фильтрации совокупности 35, 37 и 39 контента и только просматривает визуальное представление совокупности 35 фотографий. В качестве реакции на этот выбор пользователя, совокупность 35 фотографий загружается из базы данных 55 в память 5 под управлением модуля 10 локатора контента. В других вариантах осуществления пользователь 50 может искать в других локальных и/или удаленных источниках данных, отличных от базы данных 55, включая, например, накопители на жестких дисках, CD, флоппи-диски, серверы и т.д. Следует отметить, что источники данных могут составлять или могут не составлять собственность пользователя 50. Другими словами, источником данных может быть источник данных, который является доступным для широкой публики для целей загрузки и поиска контента. Операция поиска конкретного источника данных (например, CD) может возвратить, например, совокупность фотографий и видеозаписей от поездки, которую совершил пользователь 50 в Вашингтон, D.C.

Ясно, что совокупность 35 фотографий может быть объемной, и, следовательно, может быть сложно для пользователя 50 найти конкретную интересующую его фотографию. Таким образом, данная система преодолевает это препятствие посредством выполнения операции группировании в качестве реакции на операцию фильтрации в отношении совокупности 35 для содействия пользователю 50 в нахождении интересующей его фотографии. После загрузки этой совокупности 35 фотографий в память 5, пользователь 50 имеет вариант выбора (опцию) выполнить операцию группирования в отношении совокупности 35 фотографий или опцию выполнить операцию фильтрации в отношении совокупности 35 фотографий.

В предположении, что пользователь 50 выбрал выполнение операции фильтрации, значение фильтрующего свойства обеспечивается для системы для выполнения операции фильтрации. В одном варианте осуществления компьютерная система 100 может предложить возможные значения свойств для использования в качестве значения фильтрующего свойства для фильтрации совокупности 35 фотографий для уменьшения совокупности 35 фотографий до более управляемого размера. Например, система 100 может предложить использование значений свойств, соответствующих свойствам ЧЕЛОВЕК, или МЕСТО, или ОБЪЕКТ, в качестве возможных параметров фильтрации. Пользователь 50 может использовать одно из значений свойств, предложенных системой 100, или может в противном случае выбрать непредложенное значение свойства. В этом или других вариантах осуществления предложение свойства и/или значения свойства может быть вложенным, так что выбор пользователем одного приводит к последующему предложению для выбора дополнительных свойств фильтра или значений свойств фильтра. Примерная команда фильтра может иметь следующую форму:

Команда→ФИЛЬТРОВАТЬ по ДРУГ

Пользователь может вместо этого выбрать фильтрацию по более детальному значению свойства фильтра, таком как, например:

Команда→ФИЛЬТРОВАТЬ по VINCE

Команда 25 фильтрации передается к модулю 10 локатора контента для исполнения. Результат операции фильтрации содержит уменьшенную (отфильтрованную) совокупность 35 фотографий, которая может быть сохранена в памяти 5 и может использоваться для дальнейших операций фильтрации/группирования.

Всякий раз, когда пользователь 50 выбирает выполнение операции фильтрации, операция группирования будет автоматически выполняться системой 100 в качестве реакции на операцию фильтрации, что будет более подробно описано ниже.

Фиг. 2 является иллюстрацией пользовательского интерфейса 200, который может быть показан пользователю 50 как результат выполнения компьютерной системой 100 выбранной пользователем операции фильтрации с использованием ОТПУСКА в качестве значения фильтрующего свойства. Показанный пользовательский интерфейс имеет область 210 выбора фильтра и область 220 результата группирования. Курсор 230 показан в области 210 выбора фильтра, и значение ОТПУСК свойства фильтра показано выбранным.

Компьютерная система 100, в качестве реакции на выбираемую пользователем операцию фильтрации и/или в качестве реакции на результаты операции фильтрации, иллюстративно выбирает свойство группирования МЕСТО, имеющее соответствующие значения группирующего свойства, показанные как ВЕНГРИЯ, ДИСНЕЙЛЕНД и РИМ. Значения группирующих свойств используются для автоматической операции группирования. Как показано, посредством автоматического группирования по значениям свойства МЕСТО, совокупность элементов контента (например, фотографий, фотоальбомов и т.д.), являющаяся результатом операции фильтрации, разделена на подгруппы, такие как ВЕНГРИЯ 240, ДИСНЕЙЛЕНД 250 и РИМ 260. Как показано, группирование отфильтрованного контента служит для визуальной помощи пользователю в нахождении конкретного интересующего его контента посредством пространственного разделения контента согласно значениям группирующего свойства (например, МЕСТО). Как показано, в пределах области 220 результата группирования, визуальное изображение элементов контента может передавать визуальное ощущение того, насколько велика (абсолютно или относительно других группировок) конкретная группировка элементов контента. Например, ДИСНЕЙЛЕНД имеет относительно больше элементов контента в группировке 250, чем либо РИМ, либо ВЕНГРИЯ, изображенные соответственно в группировках 260, 240. Далее, РИМ имеет относительно больше элементов контента в группировке 260, чем ВЕНГРИЯ, как изображено в группировке 240. Элементы контента в пределах группировки могут быть непосредственно выбраны посредством, например, позиционирования курсора 230 на элементе контента в пределах этой группировки и выполнения выбранной операции (например, посредством щелчка соответствующей кнопкой выбора мыши). Специалисту в данной области техники было ясно, что группировки элементов контента могут быть изображены бесчисленным числом способов, включая в себя изображение индивидуальных элементов контента в пределах группировки вдоль вертикальной части соответствующего указания. В этом способе число элементов контента в пределах группировки может быть изображено как ширина соответствующего указания в противоположность высоте соответствующего указания. Кластеры индивидуальных элементов контента могут быть также визуально изображены как группировка. В этом варианте осуществления элементы контента в пределах кластера были визуально изображены ближе друг к другу, чем к элементам контента в другом кластере. Также могут использоваться и другие визуальные изображения.

В общем, пользователь 50, осуществляющий поиск в пределах контента, обычно будет знать некоторые из значений свойств, ассоциированных с совокупностью контента, подлежащего поиску, и не знать другие значения свойств. Например, для нахождения элемента контента, такого как интересующий фотоальбом в пределах совокупности фотоальбомов, пользователь 50 может знать определенные значения свойств, такие как значения свойств СОБЫТИЕ, МЕСТО и ЧЕЛОВЕК, и не знать другие значения свойств, такие как значения свойства ДАТА И ВРЕМЯ.

Как кратко обсуждалось выше и в соответствии с некоторым вариантом осуществления, когда пользователь выбирает выполнение операции фильтрации, система после этого выполняет автоматическую операцию группирования. Отметим, однако, что система 100 должна определить, какое свойство и соответствующие значения свойства использовать для этой операции группирования. Со