Способ и устройство для создания рекомендаций содержимого в системе рекомендаций

Способ и устройство для создания рекомендаций содержимого в системе рекомендаций

Иллюстрации

Показать все

Реферат

Область техники

[001] Настоящее техническое решение относится к системе рекомендаций в общем смысле и, в частности, - к способу и устройству для создания рекомендаций содержимого в системе рекомендаций.

Уровень техники

[002] Различные глобальные или локальные сети связи (Интернет, Всемирная Паутина, локальные сети и подобные им) предлагают пользователю большой объем информации. Информация включает в себя контекстуальные разделы, такие как, среди прочего, новости и текущие события, карты, информация о компаниях, финансовая информация и ресурсы, информация о траффике, игры и информация развлекательного характера. Пользователи используют множество клиентских устройств (настольный компьютер, портативный компьютер, ноутбук, смартфон, планшеты и подобные им) для получения доступа к богатому информационному контенту (например, изображениям, аудио- и видеофайлам, анимированным изображениям и прочему мультимедийному контенту подобных сетей).

[003] Объем доступной информации на различных интернет-ресурсах экспоненциально вырос за последние несколько лет. Были разработаны различные решения, которые позволяют обычному пользователю находить информацию, которую он(а) ищет. Примером такого решения является поисковая система. Примеры поисковых систем включают в себя такие поисковые системы, как GOOGLE™, YANDEX™, YAHOO!™ и другие. Пользователь может получить доступ к интерфейсу поисковой системы и подтвердить поисковый запрос, связанный с информацией, которую пользователь хочет найти в Интернете. В ответ на поисковый запрос, поисковые системы предоставляют ранжированный список результатов поиска. Ранжированный список результатов поиска создается на основе различных алгоритмов ранжирования, которые реализованы в конкретной поисковой системе и которые используются пользователем, производящим поиск. Общей целью таких алгоритмов ранжирования является представление наиболее релевантных результатов вверху ранжированного списка, а менее релевантных результатов - на менее высоких позициях ранжированного списка результатов поиска (а наименее релевантные результаты поиска будут расположены внизу ранжированного списка результатов поиска).

[004] Поисковые системы обычно являются хорошим поисковым инструментом в том случае, когда пользователю заранее известно, что именно он(а) хочет найти. Другими словами, если пользователь заинтересован в получении информации о наиболее популярных местах в Италии (т.е. поисковая тема известна), пользователь может ввести поисковый запрос: «Наиболее популярные места в Италии». Поисковая система предоставит ранжированный список интернет-ресурсов, которые потенциально являются релевантными по отношению к поисковому запросу. Пользователь далее может просматривать ранжированный список результатов поиска для того, чтобы получить информацию, в которой он заинтересован, в данном случае - о посещаемых местах в Италии. Если пользователь по какой-либо причине не удовлетворен представленными результатами, пользователь может произвести вторичный поиск, уточнив запрос, например, «наиболее популярные места в Италии летом», «наиболее популярные места на юге Италии», «Наиболее популярные места в Италии для романтичного отдыха».

[005] Существует и другой подход, в котором пользователю предоставляется возможность обнаруживать содержимое и, конкретнее, позволяется отображать и/или рекомендовать содержимое, в поиске которого пользователь не был явно заинтересован. В некотором смысле, подобные системы рекомендуют пользователю содержимое без отдельного поискового запроса, на основе явных или неявных интересов пользователя.

[006] Примерами таких систем являются система рекомендаций FLIPBOARD, которая агрегирует и рекомендует содержимое из различных социальных сетей. Система рекомендаций FLIPBOARD предоставляет содержимое в «журнальном формате», где пользователь может «пролистывать» страницы с рекомендуемым/агрегированным содержимым. Системы рекомендаций собирают содержимое из социальных медиа и других веб-сайтах, представляют его в журнальном формате и позволяют пользователям «пролистывать» ленты социальных новостей и ленты веб-сайтов, которые поддерживают партнерские отношения с компанией, что позволяет эффективно «рекомендовать» содержимое пользователю, даже если пользователь явно не выражал свой интерес в конкретном содержимом.

[007] Для создания ранжированных результатов поиска в поисковой системе или списка рекомендуемых ресурсов в обычной системе рекомендаций, соответствующие системы используют алгоритмы машинного обучения для выбора результатов поиска и/или рекомендаций содержимого. Существуют различные алгоритмы машинного обучения, известные в данной области техники, и использующиеся в поисковых системах и системах рекомендаций. Как известно, обычные алгоритмы машинного обучения сначала «обучаются» с помощью обучающей выборки (которая является помеченной или не помеченной) для создания формулы алгоритма машинного обучения, которая далее применяется для определения во время работы выходных данных на основе входных данных системы.

[008] В обычной системе рекомендаций, алгоритм машинного обучения системы рекомендаций выбирает набор потенциальных рекомендуемых элементов из набора потенциальных ресурсов для рекомендуемых элементов. Обычно, алгоритм машинного обучения, который связан с подобной системой рекомендаций, получает (в течение некоторого времени) знания о различных потенциальных ресурсах элементов содержимого, предыдущие взаимодействия пользователя с различными потенциальными ресурсами элементов содержимого (а также созданные рекомендации), и использует это знание для создания рекомендации для конкретного пользователя системы рекомендаций.

Раскрытие

[009] Задачей предлагаемого технического решения является устранение по меньшей мере некоторых недостатков, присущих известному уровню техники.

[0010] Варианты осуществления настоящего технического решения были разработаны на основе предположения изобретателей о том, что алгоритмы машинного обучения, используемые для выбора рекомендаций содержимого, потребляют очень много вычислительных ресурсов компьютера. Тем не менее, система рекомендаций требует, чтобы рекомендации содержимого выводились достаточно быстро, когда пользователь системы рекомендаций запрашивает рекомендации содержимого. Другими словами, разработчики настоящего технического решения обратили внимание, что может быть, желательно, переместить конкретные задачи системы рекомендаций из реального времени в оффлайн, т.е. выполнять их до того, как пользователь системы рекомендаций запросил рекомендуемое содержимое.

[0011] Далее, разработчики настоящего технического решения полагают, что объем потенциальных рекомендуемых источников содержимого достаточно велик. Анализ всех потенциальных рекомендуемых источников содержимого может занимать достаточно много времени и требовать значительных вычислительных ресурсов. Таким образом, разработчики настоящего технического решения старались разработать способ и систему, которая заранее классифицирует потенциальные источники рекомендаций содержимого. Технический эффект от подобной предварительной классификации может быть двухсторонним. С одной стороны, предварительная классификация потенциальных источников может выполняться оффлайн. С другой стороны, данные о профиле источника содержимого могут быть использованы в новых областях, что потребует предварительной классификации большого числа потенциальных рекомендуемых источников содержимого. Варианты осуществления настоящего технического решения основаны на предположении разработчиков о том, что некоторые сетевые источники лучше подходят в качестве источников рекомендации. Не ограничиваясь какой-либо конкретной теорией, разработчики настоящего технического решения разработали системы и способы, которые предварительно классифицируют сетевые ресурсы как «потенциальные источники содержимого» (на основе профиля сетевого ресурса), система использует алгоритм машинного обучения, который присваивает больший весовой коэффициент тем сетевым ресурсам, которые обладают «быстрым» содержимым, т.е. содержимым, которое часто обновляется. Сетевые ресурсы могут быть (без установления ограничений) новостными агрегаторами, агрегаторами СМИ и так далее.

[0012] Другие варианты осуществления настоящего технического решения нацелены на разработку рекомендуемых источников содержимого для данного пользователя системы рекомендаций. Эти варианты осуществления настоящего технического решения анализируют конкретные для пользователя связанные с пользователем источники рекомендаций содержимого (т.е. источники, с которыми данный пользователь взаимодействовал в прошлом) и обогащает их источниками содержимого, с которыми пользователь мог не взаимодействовать в прошлом. Таким образом, некоторые варианты осуществления настоящего технического решения позволяют системе рекомендаций смешивать рекомендованное содержимое из известных данному пользователю источников и неизвестных источников, что позволяет системе рекомендаций «открывать» новые источники рекомендованного содержимого для данного пользователя.

[0013] Первым объектом настоящего технического решения является способ выбора сетевого ресурса в качестве источника элемента содержимого, элемент содержимого будет проанализирован системой рекомендаций как часть множества элементов содержимого для создания набора рекомендуемых элементов содержимого в качестве рекомендации для данного пользователя системы рекомендации. Система рекомендаций выполняется на сервере, который соединен с сетью передачи данных. Способ включает в себя: получение сервером указания на сетевой ресурс; получение сервером множества характеристик, связанных с сетевым ресурсом; создание сервером профиля данного сетевого ресурса для сетевого ресурса, профиль данного сетевого ресурса основан на множестве характеристик; выполнение сервером алгоритма машинного обучения для того чтобы, на основании профиля данного сетевого ресурса, определить параметр пригодности источника для сетевого ресурса, параметр пригодности источника указывает на чувствительность сетевого ресурса к публикации элемента содержимого, который может быть обработан системой рекомендаций, выбор по меньшей мере одного элемента содержимого с сетевого ресурса, если параметр пригодности источника определен как превышающий заранее определенный порог, по меньшей мере один элемент содержимого вводится в систему рекомендаций для обработки.

[0014] В некоторых вариантах осуществления способа, алгоритм машинного обучения был обучен, до упомянутого этапа получения, для определения параметра пригодности источника на основе профилей обучающего веб-сайта, созданных в связи со множеством обучающих характеристик, причем по меньшей некоторые из них относятся к той же категории, что и множество характеристик.

[0015] В некоторых вариантах осуществления способа, множество характеристик включает в себя по меньшей мере абсолютную характеристику и относительную характеристику.

[0016] В некоторых вариантах осуществления способа, абсолютная характеристика и относительная характеристика являются базовыми характеристиками, и способ дополнительно включает в себя:

[0017] создание по меньшей мере одной производной характеристики на основе по меньшей мере абсолютной характеристики и относительной характеристики; и

[0018] при этом профиль данного веб-сайта дополнительно основан по меньшей мере на одной производной характеристике.

[0019] В некоторых вариантах осуществления способа, множество характеристик включает в себя указание на долю посещенных ресурсов по отношению к сетевому ресурсу.

[0020] В некоторых вариантах осуществления способа, множество характеристик включает в себя по меньшей мере одну относительную характеристику, выбранную из следующего:

[0021] количество хитов за визит (HPV);

[0022] количество сессий за визит (SPV);

[0023] количество датированных страниц за визит (DPV);

[0024] количество домашних страниц за визит (MPV);

[0025] время, проведенное на сетевом ресурсе (MTIME);

[0026] последний домен за сессию (LPS);

[0027] первый домен за сессию (FPS);

[0028] количество хитов за сессию (HPS);

[0029] количество визитов на пользователя (VPU);

[0030] количество хитов на пользователя (HPU);

[0031] количество сессий на пользователя (SPU);

[0032] количество датированных страниц за хит (DPH);

[0033] количество домашних страниц за хит (МРН); и

[0034] указание на источник визита, который является одним из:

[0035] визитом пользователя на сайт напрямую (TT_GR);

[0036] визитом пользователя на сайт через поисковую систему (TT_SE);

[0037] визитом пользователя на сайт через социальную сеть (TT_SN);

[0038] визитом пользователя на сайт через электронное сообщение (TT_IM);

[0039] визитом пользователя на сайт, совершенным с помощью сервиса сокращения ссылок (TT_US); и

[0040] визитом пользователя на сайт, совершенным с помощью рекламной платформы (TT_AD).

[0041] В некоторых вариантах осуществления способа, множество характеристик включает в себя по меньшей одно из: число пользователей, которые посещают сетевой ресурс за период времени, число визитов за период времени, число переходов к различным веб-страницам в рамках сетевого ресурса за период времени, и число уникальных сессий с сетевым ресурсом за период времени.

[0042] В некоторых вариантах осуществления способа, множество характеристик является подмножеством всех возможных характеристик, способ дополнительно включает в себя выполнение выбора характеристики для определения подмножества.

[0043] В некоторых вариантах осуществления способа, подмножество всех возможных характеристик состоит из:

[0044] по меньшей мере одного из: доли целевой страницы среди визитов сетевого ресурса в рамках первоначального перехода к сетевому ресурсу в рамках сессии и доли визитов целевой страницы за время переходов внутри сетевого ресурса;

[0045] по меньшей мере одного из: доли веб-страницы, связанной с URL, который содержит дату, когда первая страница была посещена за первый переход на сетевой ресурс, и доли веб-страниц в сетевом ресурсе, посещенном за время сессии, веб-страницы связаны с URL, который содержит дату;

[0046] долевой профиль источников визита для сетевого ресурса, источники визита выбираются из: поисковой системы/социальных сетей/электронной почты и приложения мессенджера/сервиса сокращения ссылок /прямых визитов;

[0047] доля сессии, где сетевой ресурс был последним в сессии.

[0048] В некоторых вариантах осуществления способа, параметр пригодности источника может быть пригодным или непригодным.

[0049] В некоторых вариантах осуществления способа, параметр пригодности источника может определяться с помощью по меньшей мере одного из:

[0050] логистического регрессионного анализа;

[0051] упрощенного алгоритма Байеса;

[0052] алгоритма k-ближайших соседей;

[0053] алгоритма случайного леса; и

[0054] алгоритма невзвешенного голосования.

[0055] В некоторых вариантах осуществления способа, упомянутый этап выбора выполняется в ответ на запрос рекомендации от данного пользователя.

[0056] Еще одним объектом настоящего технического решения является сервер. Сервер включает в себя:

[0057] носитель данных;

[0058] сетевой интерфейс, выполненный с возможностью соединения по сети передачи данных;

[0059] процессор, функционально соединенный с носителем данных и сетевым интерфейсом, процессор выполнен с возможностью осуществлять:

[0060] получение указания на сетевой ресурс, сетевой ресурс будет обработан для определения его пригодности в качестве источника элемента содержимого, элемент содержимого будет проанализирован системой рекомендаций как часть множества элементов содержимого для создания набора рекомендуемых элементов содержимого в качестве рекомендации для данного пользователя системы рекомендации;

[0061] получение множества характеристик, связанных с сетевым ресурсом;

[0062] создание профиля данного сетевого ресурса для сетевого ресурса, профиль данного сетевого ресурса основан на множестве характеристик;

[0063] выполнение сервером алгоритма машинного обучения для того чтобы, на основании профиля данного сетевого ресурса, определить параметр пригодности источника для сетевого ресурса, параметр пригодности источника указывает на чувствительность сетевого ресурса к публикации элемента содержимого, который может быть обработан системой рекомендаций,

[0064] выбор по меньшей мере одного элемента содержимого с сетевого ресурса, если параметр пригодности источника определен как превышающий заранее определенный порог, по меньшей мере один элемент содержимого вводится в систему рекомендаций для обработки.

[0065] В некоторых вариантах осуществления сервера, алгоритм машинного обучения был обучен, до упомянутого этапа получения, для определения параметра пригодности источника на основе профилей обучающего веб-сайта, созданных в связи со множеством обучающих характеристик, причем по меньшей некоторые из них относятся к той же категории, что и множество характеристик.

[0066] В некоторых вариантах осуществления сервера, множество характеристик включает в себя по меньшей мере абсолютную характеристику и относительную характеристику.

[0067] В некоторых вариантах осуществления сервера, абсолютная характеристика и относительная характеристика являются базовыми характеристиками, и процессор выполнен с возможностью осуществлять:

[0068] создание по меньшей мере одной производной характеристики на основе по меньшей мере абсолютной характеристики и относительной характеристики; и

[0069] при этом профиль данного веб-сайта дополнительно основан по меньшей мере на одной производной характеристике.

[0070] В некоторых вариантах осуществления сервера, множество характеристик включает в себя указание на долю посещенных ресурсов по отношению к сетевому ресурсу.

[0071] В некоторых вариантах осуществления сервера, множество характеристик включает в себя по меньшей мере одну относительную характеристику, выбранную из следующего:

[0072] количество хитов за визит (HPV);

[0073] количество сессий за визит (SPV);

[0074] количество датированных страниц за визит (DPV);

[0075] количество домашних страниц за визит (MPV);

[0076] время, проведенное на сетевом ресурсе (MTIME);

[0077] последний домен за сессию (LPS);

[0078] первый домен за сессию (FPS);

[0079] количество хитов за сессию (HPS);

[0080] количество визитов на пользователя (VPU);

[0081] количество хитов на пользователя (HPU);

[0082] количество сессий на пользователя (SPU);

[0083] количество датированных страниц за хит (DPH);

[0084] количество домашних страниц за хит (МРН); и

[0085] указание на источник визита, который является одним из:

[0086] визитом пользователя на сайт напрямую (TT_GR);

[0087] визитом пользователя на сайт через поисковую систему (TT_SE);

[0088] визитом пользователя на сайт через социальную сеть (TT_SN);

[0089] визитом пользователя на сайт через электронное сообщение (TT_IM);

[0090] визитом пользователя на сайт, совершенным с помощью сервиса сокращения ссылок (TT_US); и

[0091] визитом пользователя на сайт, совершенным с помощью рекламной платформы (TT_AD).

[0092] В некоторых вариантах осуществления сервера, множество характеристик включает в себя по меньшей одно из: число пользователей, которые посещают сетевой ресурс за период времени, число визитов за период времени, число переходов к различным веб-страницам в рамках сетевого ресурса за период времени и число уникальных сессий с сетевым ресурсом за период времени.

[0093] В некоторых вариантах осуществления сервера, множество характеристик является подмножеством всех возможных характеристик, способ дополнительно включает в себя выполнение выбора характеристики для определения подмножества.

[0094] В некоторых вариантах осуществления сервера, подмножество всех возможных характеристик состоит из:

[0095] по меньшей мере одного из: доли целевой страницы среди визитов сетевого ресурса в рамках первоначального перехода к сетевому ресурсу в рамках сессии и доли визитов целевой страницы за время переходов внутри сетевого ресурса;

[0096] по меньшей мере одного из: доли веб-страницы, связанной с URL, который содержит дату, когда первая страница была посещена за первый переход на сетевой ресурс, и доли веб-страниц в сетевом ресурсе, посещенном за время сессии, веб-страницы связаны с URL, который содержит дату;

[0097] долевой профиль источников визита для сетевого ресурса, источники визита выбираются из: поисковой системы/социальных сетей/электронной почты и приложения мессенжера/URL/прямых визитов;

[0098] доля сессии, где сетевой ресурс был последним в сессии.

[0099] В некоторых вариантах осуществления сервера, параметр пригодности источника может быть пригодным или непригодным.

[00100] В некоторых вариантах осуществления сервера, параметр пригодности источника может определяться с помощью по меньшей мере одного из:

[00101] логистического регрессионного анализа;

[00102] упрощенного алгоритма Байеса;

[00103] алгоритма k-ближайших соседей;

[00104] алгоритма случайного леса; и

[00105] алгоритма невзвешенного голосования.

[00106] В некоторых вариантах осуществления сервера, процессор выполнен с возможностью выполнить осуществление выбора в ответ на запрос рекомендации от данного пользователя.

[00107] Еще одним объектом настоящего изобретения является исполняемый на компьютере способ создания рекомендаций содержимого для пользователя электронного устройства. Способ выполняется на рекомендательном сервере, который доступен электронному устройству через сеть передачи данных, рекомендации содержимого связаны с элементом содержимого, доступном на одном из множества сетевых ресурсов, которые доступны через сеть передачи данных. Способ включает в себя: получение от электронного устройства запроса на рекомендацию содержимого, рекомендация содержимого включает в себя по меньшей мере один рекомендуемый элемент содержимого; выполнение модуля первого алгоритма машинного обучения для определения подмножества рекомендуемых источников содержимого из множества возможных источников содержимого, определение подмножества рекомендуемых источников содержимого, включая: получение указания на предыдущие взаимодействия пользователя по меньшей мере с одним из: (i) системой рекомендаций и (ii) по меньшей мере некоторыми из множества сетевых ресурсов; на основе предыдущих взаимодействий пользователя, определение первого подмножества связанных с пользователем источников содержимого; на основе (i) обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов и по меньшей мере одним из: (ii) первого подмножества конкретных для пользователя источников содержимого; и (iii) вектора пользовательского профиля, созданного на основе предыдущих взаимодействий пользователя, создание второго подмножества не связанных с пользователем источников содержимого; обработка первого подмножества связанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого; анализ подмножества рекомендуемых источников содержимого для выбора множества элементов потенциально рекомендуемого содержимого; выполнение модуля второго алгоритма машинного обучения для выбора, из множества элементов потенциально рекомендуемого содержимого, по меньшей мере одного элемента рекомендаций содержимого; выбор производится на основе вектора пользовательского профиля.

[00108] В некоторых вариантах осуществления способа, определение второго подмножества не связанных с пользователем источников содержимого включает в себя применение алгоритма сингулярного разложения (SVD).

[00109] В некоторых вариантах осуществления способа, определение второго подмножества не связанных с пользователем источников содержимого основано на:

[00110] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и

[00111] (ii) векторе пользовательского профиля созданном на основе предыдущих взаимодействий пользователя.

[00112] В некоторых вариантах осуществления способа, способ дополнительно включает в себя, до получения запроса на рекомендацию содержимого, создание алгоритмом сингулярного разложения матрицы событий и пользователей сетевых ресурсов.

[00113] В некоторых вариантах осуществления способа, определение второго подмножества не связанных с пользователем источников содержимого включает в себя применение алгоритма точечной взаимной информации (PMI).

[00114] В некоторых вариантах осуществления способа, определение второго подмножества не связанных с пользователем источников содержимого основано на:

[00115] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и

[00116] (ii) первом подмножестве связанных с пользователем источников содержимого.

[00117] В некоторых вариантах осуществления способа, выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых новых элементов содержимого.

[00118] В некоторых вариантах осуществления способа, выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых популярных элементов содержимого.

[00119] В некоторых вариантах осуществления способа, выбор из подмножества рекомендуемых источников содержимого конкретен для географической области, где был выполнен запрос на рекомендуемое содержимое.

[00120] В некоторых вариантах осуществления способа, способ дополнительно включает в себя фильтрацию выбранных потенциально рекомендуемых элементов содержимого.

[00121] В некоторых вариантах осуществления способа, фильтрация основана на языковых настройках электронного устройства и языковых настройках элемента содержимого.

[00122] Еще одним объектом настоящего технического решения является сервер. Сервер включает в себя: носитель данных; сетевой интерфейс, выполненный с возможностью передачи данных по сети передачи данных; процессор, функционально подключенный к носителю данных и сетевому интерфейсу, процессор выполнен с возможностью осуществлять: получение от электронного устройства запроса на рекомендацию содержимого, рекомендация содержимого включает в себя по меньшей мере один рекомендуемый элемент содержимого; рекомендации содержимого связаны с элементом содержимого, доступном на одном из множества сетевых ресурсов, которые доступны через сеть передачи данных; выполнение модуля первого алгоритма машинного обучения для определения подмножества рекомендуемых источников содержимого из множества возможных источников содержимого, определение подмножества рекомендуемых источников содержимого, включая: получение указания на предыдущие взаимодействия пользователя по меньшей мере с одним из: (i) системой рекомендаций и (ii) по меньшей мере некоторыми из множества сетевых ресурсов; на основе предыдущих взаимодействий пользователя, определение первого подмножества связанных с пользователем источников содержимого; на основе (i) обученной формулы алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов и по меньшей мере одним из: (ii) первого подмножества связанных с пользователем источников содержимого; и (iii) вектора пользовательского профиля, созданного на основе предыдущих взаимодействий пользователя, создание второго подмножества не связанных с пользователем источников содержимого; обработка первого подмножества связанных с пользователем источников содержимого и второго подмножества не связанных с пользователем источников содержимого для создания подмножества рекомендуемых источников содержимого; анализ подмножества рекомендуемых источников содержимого для выбора множества элементов потенциально рекомендуемого содержимого; выполнение модуля второго алгоритма машинного обучения для выбора, из множества элементов потенциально рекомендуемого содержимого, по меньшей мере одного элемента рекомендаций содержимого; выбор производится на основе вектора пользовательского профиля.

[00123] В некоторых вариантах осуществления сервера, для определения второго подмножества связанных с пользователем источников содержимого, процессор выполнен с возможностью применять алгоритм сингулярного разложения (SVD).

[00124] В некоторых вариантах осуществления сервера, определение второго подмножества не связанных с пользователем источников содержимого основано на:

[00125] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и

[00126] (ii) векторе пользовательского профиля созданном на основе предыдущих взаимодействий пользователя.

[00127] В некоторых вариантах осуществления сервера, сервер дополнительно выполнен с возможностью, до этапа получения запроса на рекомендацию содержимого, осуществлять создание, с помощью алгоритма сингулярного разложения, матрицы событий и пользователей сетевых ресурсов.

[00128] В некоторых вариантах осуществления сервера, для определения второго подмножества не связанных с пользователем источников содержимого, процессор выполнен с возможностью применять алгоритм точечной взаимной информации (PMI).

[00129] В некоторых вариантах осуществления сервера, определение второго подмножества не связанных с пользователем источников содержимого основано на:

[00130] (i) обученной формуле алгоритма машинного обучения других взаимодействий пользователя по меньшей мере с некоторыми другими из множества сетевых ресурсов; и

[00131] (ii) первом подмножестве связанных с пользователя источников содержимого.

[00132] В некоторых вариантах осуществления сервера, выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых новых элементов содержимого.

[00133] В некоторых вариантах осуществления сервера, выбор из подмножества рекомендуемых источников содержимого множества потенциально рекомендуемых элементов содержимого включает в себя определение заранее определенного числа самых популярных элементов содержимого.

[00134] В некоторых вариантах осуществления сервера, выбор из подмножества рекомендуемых источников содержимого конкретен для географической области, где был выполнен запрос на рекомендуемое содержимое.

[00135] В некоторых вариантах осуществления сервера, процессор дополнительно выполнен с возможностью осуществлять фильтрацию выбранных потенциально рекомендуемых элементов содержимого.

[00136] В некоторых вариантах осуществления сервера, фильтрация основана на языковых настройках электронного устройства и языковых настройках элемента содержимого.

[00137] В контексте настоящего описания «сервер» подразумевает под собой компьютерную программу, работающую на соответствующем оборудовании, которая способна получать запросы (например, от клиентских устройств) по сети и выполнять эти запросы или инициировать выполнение этих запросов. Оборудование может представлять собой один физический компьютер или одну физическую компьютерную систему, но ни то, ни другое не является обязательным для настоящего технического решения. В контексте настоящего технического решения использование выражения «сервер» не означает, что каждая задача (например, полученные команды или запросы) или какая-либо конкретная задача будет получена, выполнена или инициирована к выполнению одним и тем же сервером (то есть одним и тем же программным обеспечением и/или аппаратным обеспечением); это означает, что любое количество элементов программного обеспечения или аппаратных устройств может быть вовлечено в прием/передачу, выполнение или инициирование выполнения любого запроса или последствия любого запроса, связанного с клиентским устройством, и все это программное и аппаратное обеспечение может быть одним сервером или несколькими серверами, оба варианта включены в выражение «по меньшей мере один сервер».

[00138] В контексте настоящего описания «клиентское устройство» подразумевает под собой аппаратное устройство, способное работать с программным обеспечением, подходящим к решению соответствующей задачи. Таким образом, примерами клиентских устройств (среди прочего) могут служить персональные компьютеры (настольные компьютеры, ноутбуки, нетбуки и т.п.) смартфоны, планшеты, а также сетевое оборудование, такое как маршрутизаторы, коммутаторы и шлюзы. Следует иметь в виду, что устройство, ведущее себя как клиентское устройство в настоящем контексте, может вести себя как сервер по отношению к другим клиентским устройствам. Использование выражения «клиентское устройство» не исключает возможности использования множества клиентских устройств для получения/отправки, выполнения или инициирования выполнения любой задачи или запроса, или же последствий любой задачи или запроса, или же этапов любого вышеописанного способа.

[00139] В контексте настоящего описания «база данных» подразумевает под собой любой структурированный набор данных, не зависящий от конкретной структуры, программного обеспечения по управлению базой данных, аппаратного обеспечения компьютера, на котором данные хранятся, используются или иным образом оказываются доступны для использования. База данных может находиться на том же оборудовании, выполняющем процесс, который сохраняет или использует информацию, хранящуюся в базе данных, или же она может находиться на отдельном оборудовании, например, выделенном сервере или множестве серверов.

[00140] В контексте настоящего описания «информация» включает в себя любую информацию, которая может храниться в базе данных. Таким образом, информация включает в себя, среди прочего, аудиовизуальные произведения (изображения, видео, звукозаписи, презентации и т.д.), данные (данные о местоположении, цифровые данные и т.д.), текст (мнения, комментарии, вопросы, сообщения и т.д.), документы, таблицы, списки слов и т.д.

[00141] В контексте настоящего описания «компонент» подразумевает под собой программное обеспечение (соответствующее конкретному аппаратному контексту), которое является необходимым и достаточным для выполнения конкретной(ых) указанной(ых) функции(й).

[00142] В контексте настоящего описания «используемый компьютером носитель компьютерной информации» подразумевает под собой носитель абсолютно любого типа и характера, включая ОЗУ, ПЗУ, диски (компакт диски, DVD-диски, дискеты, жесткие диски и т.д.), USB флеш-накопители, твердотельные накопители, накопители на магнитной ленте и т.д.

[00143] В контексте настоящего описания слова «первый», «второй», «третий» и т.д. используются в виде прилагательных исключительно для того, чтобы отличать существительные, к которым они относятся, друг от друга, а не для целей описания какой-либо конкретной взаимосвязи между этими существительными. Так, например, следует иметь в виду, что использование терминов «первый сервер» и «третий сервер» не подразумевает какого-либо порядка, отнесения к определенному типу, хронологии, иерархии или ранжирования (например) серверов/между серверами, равно как и их использование (само по себе) не предполагает, что некий "второй сервер" обязательно должен существовать в той или иной ситуации. В дальнейшем, как указано здесь в других контекстах, упоминание «первого» элемента и «второго» элемента не исключает возможности того, что это один и тот же фактический реальный элемент. Так, например, в некоторых случаях, «первый» сервер и «второй» сервер могут являться одним и тем же программным и/