專利名稱：推薦器計分的分層決策融合的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及推薦器系統(tǒng)以及以分層方式的推薦器計分融合。具體而言，本發(fā)明涉及一種對多個推薦代理的組合功能。
在現(xiàn)有技術(shù)中已知推薦器系統(tǒng)被用于向用戶提供一系列特定種類或者領(lǐng)域中的選擇，用戶已經(jīng)表示了對這些種類或者領(lǐng)域的興趣。例如，基于內(nèi)容的推薦器系統(tǒng)可以根據(jù)用戶已選擇的(或者忽略的)分級選項的啟發(fā)式簡檔向一個或多個用戶推薦文件、選項、和/或業(yè)務。存在一種文字標記系統(tǒng)，其能夠獲得關(guān)于已選項的信息，基于前面已選項的信息與被推薦選項信息的相似性，使用信息來提供推薦。
由Raymond J.Mooney，Paul N.Bennett和Lorene Poy，關(guān)于學習文本分類化(1998)的AAAI-98/ICML-98專題研究組撰寫的書《使用文本分類通過提取的信息進行推薦》(Recommending using textcategorization with extracted information )中公開了，推薦器系統(tǒng)通常使用一種被稱為協(xié)作過濾的計算機化匹配(matchmaking)形式進行推薦，以推薦音樂和電影。在這些系統(tǒng)中，用戶的愛好與那些同他們的偏愛緊密相關(guān)的其它用戶相匹配。這些系統(tǒng)保持的簡檔通常只是已選擇(有時也是被拒絕的)選項的清單。
第二種推薦途徑是僅使用一個指定用戶的偏愛，不將它與其它用戶的偏愛進行比較(因此不執(zhí)行協(xié)作過濾)。對于關(guān)心其隱私的那些用戶，這是一種優(yōu)選的推薦執(zhí)行方式。在該情況中，僅使用指定個人的收看/閱讀/收聽的歷史，以便推斷出將來的推薦?？梢允褂貌煌募夹g(shù)來產(chǎn)生基于收看歷史的推薦，例如貝葉斯規(guī)則，決策樹和最近鄰居(nearest neighbor)分類器。所有這些技術(shù)都提供一種根據(jù)推薦符合觀眾愛好的概率來進行分級的類型。
當多個推薦器(簡檔)中存在對相同項目有效的推薦時，可用單步融合方法，例如由Meuleman在《在分布式用戶簡檔中的立體類型和角色模擬代理》(Stereotype and Role Model Agents in Distributed UserProfiles)中所公開的。現(xiàn)有技術(shù)中沒有多步融合方案來集合多個推薦。
如果除了指定的選項集合(假設(shè)為TV演出)的多個簡檔之外，一個用戶還可使用不同選項集合(假設(shè)為音樂記錄)的多個簡檔，用戶希望使用這些簡檔來增加/提煉第一組選項的推薦，那么需要一種不同于現(xiàn)有技術(shù)中的單步方法的融合操作；多步融合操作需要在每步應用不同的融合。
本發(fā)明利用三種事實(1)最自然地是使用內(nèi)容實例以及適于不同域的用戶接口來建立不同內(nèi)容域的用戶簡檔，(2)在各個域之間存在有用的重疊，可以采用這些重疊來改進推薦，(3)在提供最終推薦時分層融合技術(shù)是最靈活的。
例如，一個關(guān)于TV演出的用戶興趣簡檔僅參考TV演出而自然地建立，類似地書和音樂(記錄的、或者已由無線電或者因特網(wǎng)廣播的)也如此建立。然而，例如，通常對傳記TV演出表示不感興趣的人將可能對于他近來購買的幾本書的作者的演出有興趣。這個方法的成功取決于這些不同域的元數(shù)據(jù)中存在的某些重要特征。在一個融合步驟中組合這些在整個域中的信息位是可能的。然而，可以使用分層的方法獲得能夠產(chǎn)生更高預測精確度的附加靈活性。
本發(fā)明是一種通過多個推薦器的分層融合來獲得關(guān)于用戶感興趣的不同范圍和/或者主題的推薦的方法和系統(tǒng)。由Schaffer等申請的U.S.專利申請09/627139(2000年7月27日提交)，(在此引入作為本申請的背景材料)公開了組合隱式(歷史)簡檔、反饋簡檔和顯式簡檔以產(chǎn)生新預測的三向媒體推薦方法和系統(tǒng)，然后新預測通過例如加權(quán)平均進行組合。然而，本發(fā)明提供一種迄今為止在本領(lǐng)域中未知的分層融合。
一種提供推薦器計分的分層融合的方法，包括步驟(a)在第一級提供多個推薦器，所述推薦器按照興趣的主題被分到多個預定組中的至少一個組；(b)提供預定數(shù)量的第一級融合中心，以從至少一個特殊組的每個所述推薦器接收一個輸出；(c)由在步驟(a)中被分組的所述多個推薦器的每一個向相應的第一級融合中心輸出一個決策，其中每個決策提供一個推薦；(d)每個相應的第一級融合中心通過所述至少一個特殊組中的所述推薦器執(zhí)行在步驟(c)輸出的決策的第一融合步驟；(e)每個相應的第一級融合中心基于步驟(d)中執(zhí)行的融合輸出第一增強決策；(f)提供多個第二級融合中心以接收從所述第一級融合中心的組中輸出的第一增強決策；(g)每個相應的第二級融合中心執(zhí)行對從所述第一級融合中心的組中接收的第一增強決策的第二融合步驟；(h)每個相應的第二級融合中心輸出第二增強決策以及(i)向用戶輸出一個從步驟(h)的增強決策中選擇的最終增強決策。
本領(lǐng)域的普通技術(shù)人員可以理解本發(fā)明包括多于兩級的融合，并且可以適用于不止一個的推薦。


圖1A是一個依據(jù)本發(fā)明的方法和系統(tǒng)的分層結(jié)構(gòu)的概述。
圖1B是另一種依據(jù)本發(fā)明的方法和系統(tǒng)的分層結(jié)構(gòu)實例。
圖1C是一個有兩層分級的本發(fā)明實施例的流程圖。
圖2是一個依據(jù)本發(fā)明的系統(tǒng)的圖解。
圖1A示例了本發(fā)明分層結(jié)構(gòu)的概述。如圖1A所示，存在包括多個推薦器110(Ri至Rn)的層次。每個推薦器對于感興趣的特定范圍進行推薦。例如，推薦器R1、R2和R3可以是采用不同推薦機制的電視節(jié)目推薦器。
推薦器R1、R2和R3的決策被第一級融合中心120(F1_1)融合在一起。例如，第一級融合中心可以采用投票方案決定來自輸入推薦R1、R2和R3的最終推薦。
與以上相似，推薦器R4和R5被另一個第一級融合中心130(F1_2)融合在一起。然而，與推薦器R1、R2和R3推薦的對于電視節(jié)目感興趣的指定范圍不同，推薦器R4和R5已經(jīng)衍生為推薦諸如音樂的不同類型。系統(tǒng)的最終推薦(在層次的最后一級)是TV節(jié)目推薦，系統(tǒng)中將使用R4和R5來檢測TV演出中更喜歡的音樂特征。它們可以被視為對TV演出的音樂部分進行分級。第一級融合中心130(F1_2)因此根據(jù)給定演出的用戶音樂偏好的適當觀察來提供TV演出的推薦，然而融合中心120根據(jù)用戶的TV放映偏好的適當觀察來提供電視推薦。融合中心130可以采用(并非投票方案)一種神經(jīng)網(wǎng)絡來執(zhí)行推薦器R4和R5之間的融合。
第二級融合中心140(F2_1)組合來自融合中心120和130的決策，這將導致，例如增強的電視節(jié)目推薦。例如，增強可以是基于以下事實音樂推薦器指示用戶更喜歡二十世紀六十年代以來的搖滾音樂，而來自R1、R2和R3的其中一個電視節(jié)目與那個時代的特定搖滾樂團有關(guān)，或者其中一個演出具有同那個年代相關(guān)的背景音樂。因此，電視推薦器和音樂推薦器的融合因為附加信息的融合而提供了一種增強推薦。
此外，例如推薦器Rn-1，Rn-2，和Rn可以基于諸如用戶的個人圖書館、圖書購買情況和公共圖書館的借用情況來推薦電視節(jié)目。第一級融合中心150(F1_M)組合這些輸出以得到增強的電視推薦。融合中心150可以通過使用投票進行操作。
此外，另一個第二級融合中心160(F2_P)將融合由融合中心150以及至少一個其它融合中心130所推薦的輸出。第二級融合中心160將對于電視節(jié)目進行推薦，該推薦甚至還增強由例如融合中心150進行的推薦。
第二級融合中心140、160依次進一步增強推薦。第三級融合中心170、180將依次繼續(xù)該層次結(jié)構(gòu)?？梢杂衝級融合中心，其中n是推薦系統(tǒng)復雜性的預定值。隨著融合中心分級數(shù)量的增加，系統(tǒng)將更加復雜。
最后，第n級190(Fn_1)將是最高級的融合中心，其可以提供最高增強的電視推薦。在所有的情況下，分層不一定都必須利用直到第n級的結(jié)構(gòu)。例如，如果一個推薦計分在更低一級的某個預定范圍之內(nèi)，(例如)第二級融合中心，可以向用戶進行推薦，而不必利用與使用最高級融合中心提供推薦相關(guān)的系統(tǒng)資源。當推薦器系統(tǒng)在至少部分地重疊的時間內(nèi)向多個用戶進行推薦時，這種靈活性十分有利。
應當注意，沒有一種必須或者應當使用的特殊融合方法。例如，加權(quán)平均、投票、神經(jīng)網(wǎng)絡和Dempter-Shaffer證據(jù)推理法僅是本領(lǐng)域普通技術(shù)人員公知的、能夠被用在分層融合中的許多融合方法的其中幾個方法。此外，預期用于從域B導出的推薦器來融合域A的推薦的方法與用于從域A導出的推薦器來融合域B的推薦的方法不同。因此，對于每個最終推薦域有不同的分層結(jié)構(gòu)。
圖1B舉例說明本發(fā)明的另一個方面。在該情況中的最終推薦(F最終)將是音樂推薦。圖1B中的分層類似于圖1A中的分層，但在某種意義上又不相同，因為當最終推薦是不同類型(例如，音樂與TV)時，融合分層也會不同(并且通常是不同的)。例如，R1和R2已經(jīng)被導出用于不同TV演出類型的推薦。該系統(tǒng)的最終推薦是音樂推薦時，系統(tǒng)基于TV收看歷史使用R1和R2來推薦音樂。R1能夠使用神經(jīng)網(wǎng)絡來提供那樣的推薦，R2能夠使用貝葉斯分類器提供推薦。R3，R4，R5和R6可以是不同的音樂推薦器。每個音樂推薦器可以基于不同的收聽歷史(例如，所收聽的CD，收聽收音機中的音樂)或者基于相同的歷史但是使用不同的推薦機制(例如，貝葉斯規(guī)則，決策樹，神經(jīng)網(wǎng)絡)。
本領(lǐng)域的普通技術(shù)人員能夠理解感興趣的不同選項的分類可以由，例如貝葉斯最佳分類器、線性分類器、二次方程式分類器、k-最近鄰居分類器、人造神經(jīng)網(wǎng)絡等等進行分類。
根據(jù)商業(yè)價值進行對推薦進行加權(quán)也同樣屬于本發(fā)明的精神和范圍。例如，在種類中更有利可圖的選項可以被加權(quán)(例如，一本比在興趣范圍內(nèi)的可比書具有更高標價的特定書)，所以其在特殊種類中的相似產(chǎn)品/服務之前被售出。此外，來自貨物或者服務生產(chǎn)者的付款可能還增加其權(quán)重和/或在確定最高推薦計分時給其優(yōu)先權(quán)。
圖1C的流程圖舉例說明了能夠?qū)崿F(xiàn)本發(fā)明方法的一種可能方式。本領(lǐng)域的普通技術(shù)人員理解為了解釋的目的，在流程圖中僅使用兩個分層級數(shù)，但是多于兩級的應用也在本發(fā)明的精神和附加的權(quán)利要求的范圍之內(nèi)。
在步驟105，在第一級提供多個推薦器。
在步驟110，提供預定數(shù)目的第一級融合中心。每個融合中心能夠從根據(jù)感興趣的范圍/主題而被分組的推薦器中接收多個輸出(被稱為決策)。
在步驟115，第一級融合中心接收來自推薦器的輸出。
在步驟120，執(zhí)行融合步驟，融合來自推薦器的多于一個決策的推薦。
在步驟125，每個第一級融合中心基于在步驟120執(zhí)行的融合而輸出一個增強決策。
在步驟130，提供多個第二級融合中心以接收第一級增強的輸出決策。
在步驟135，執(zhí)行第二融合步驟，使得第一增強決策被有選擇地融合在一起以形成第二增強決策。
在步驟140，每個第二級融合中心輸出第二增強決策。
(同樣，應當理解可能存在多于兩級的融合)。
在步驟145，向用戶輸出最終的增強決策。
圖2舉例說明能夠用于實現(xiàn)本發(fā)明的硬件。出于舉例而不是限制的目的，本領(lǐng)域的普通技術(shù)人員理解盡管舉例因為解釋的目的被具體化為一種方式，但是還存在屬于本發(fā)明的精神和附加權(quán)利要求的范圍之內(nèi)的舉例的許多可能的變化。
圖2顯示的推薦器系統(tǒng)200包括中央處理單元205，存儲器210(典型地但不限于ROM、RAM、DRAM，等等)。在一個實施例中，可以想象推薦器系統(tǒng)可以是一個服務器，尤其是其可以登記用戶，管理用戶組，允許種類評定并且提供過濾。協(xié)議可以是開放式的。此外，盡管示出了一個CPU，但是在本發(fā)明的精神和范圍之內(nèi)也可以采用并行處理技術(shù)沿著分層的不同范圍在相同時間或者接近相同的時間融合感興趣的不同主題。應當理解，整個推薦器系統(tǒng)不僅可在計算機中，也可以在電視機中。
存儲器210包含關(guān)于用戶描述215的信息，例如地址、郵政編碼、年齡、教育背景、職業(yè)和收入，對于電視節(jié)目特征和音樂特征的偏好，等等。這些信息被本地存儲在存儲器210中，或者該信息可以存儲在通過因特網(wǎng)訪問的服務器的數(shù)據(jù)庫中，可以通過電話線、光纖線路、LAN/WAN訪問該數(shù)據(jù)庫。用戶可以有識別碼，其允許CPU訪問用戶簡檔。在因特網(wǎng)的情況中，用戶硬件驅(qū)動器中可以有一個點心文件(cookie)。替換地，用戶被要求提供一個預先已經(jīng)登記的密碼或者簽名。只要存在一個裝置使CPU能夠基于標識符來檢索用戶描述和/或過去的歷史，便可以使用任何已知的識別方案。
除用戶描述之外，或者代替用戶描述，CPU可以獲得歷史的數(shù)據(jù)和/或訪問一個用戶已選擇的與多個主題相似和不相似的顯式簡檔，例如，主題可以是電影、音樂、戲劇、藝術(shù)、運動、政治、傳奇文學、財政、科技。
在圖2中顯示諸如收音機的收聽歷史220，光盤的收聽歷史221，閱讀歷史222，購物歷史223，錄像租借歷史224和電視收看歷史225的歷史數(shù)據(jù)。這些歷史數(shù)據(jù)可以是使用推薦器系統(tǒng)對過去選擇的編輯，或者它們可以是用戶偏好的組合。此外，還可能獲得客戶清單。例如，用戶在特殊書店的購買歷史，在音像店的租借歷史，用戶擁有汽車的類型，這些都可以是組合中一部分。此外，甚至可能對由信用卡進行的購買分類(例如由某個信用卡公司采用被分類為購買類型的年終結(jié)算表的形式進行)。
推薦器使用歷史記錄進行推薦。例如，電視推薦器(#1)226和電視推薦器(#2)227檢查電視收看歷史225。然而，電視推薦器(#3)228檢查錄像租借歷史224，但是電視推薦器230是顯式的，意味著推薦是基于觀眾主動輸入的偏好進行的。
此外，音樂推薦器(#1)231檢查收音機的收聽歷史220，而音樂推薦器(#2)232檢查光盤的收聽歷史221。閱讀推薦器和購物推薦器同樣檢查歷史，或者按照實際情況基于來自用戶的顯式偏好。
同樣可以想象，一個推薦器模塊235將包括能執(zhí)行來自推薦器226、227、228、230、231、232，等等不同推薦主題的融合的軟件。本領(lǐng)域的普通技術(shù)人員理解該模塊可以包括神經(jīng)網(wǎng)絡，并分層地融合來自不同推薦器的決策。該模塊適合于在任何已知的操作系統(tǒng)下執(zhí)行。
一個用戶顯示器240將接收來自推薦器系統(tǒng)的推薦，顯示器可以不是該系統(tǒng)的一部分。例如，顯示器可以是用戶的個人計算機、或者是交互式電視屏幕、電話機、電子發(fā)報機，等等。顯示器可以被遠程控制。此外，用戶顯示器可以通過有線、無線、光纖、微波、RF、LAN/WAN和因特網(wǎng)與系統(tǒng)200通信，上述僅指出了一些能夠連接顯示器的可能方式。推薦甚至不必顯示給用戶，而可以被用于驅(qū)動某些自動的動作，例如，自動地記錄最希望的節(jié)目。
本領(lǐng)域的普通技術(shù)人員可以進行各種修改，它們屬于本發(fā)明的精神和附加權(quán)利要求的范圍。例如，可以根據(jù)實際需要來決定不同融合方法所使用的決策融合類型，以及不同選項所適用的值。
權(quán)利要求
1.一種提供推薦器計分的分層決策融合的方法，所述方法包括步驟(a)在第一級提供多個推薦器(105)，所述推薦器被分到多個預定組中的至少一個組；(b)提供預定數(shù)量的第一級融合中心(110)，以從至少一個特殊組中的每個所述推薦器接收一個輸出；(c)由在步驟(a)中被分組的所述多個推薦器的每一個向相應的第一級融合中心輸出一個決策(115)，其中每個決策提供一個推薦；(d)每個相應的第一級融合中心執(zhí)行在步驟(c)由所述至少一個特殊組中的所述推薦器輸出的決策的第一融合步驟(120)；(e)每個相應的第一級融合中心基于在步驟(d)中執(zhí)行的融合而輸出第一增強決策(125)；(f)提供多個第二級融合中心(130)，以接收從所述第一級融合中心的組中輸出的第一增強決策；(g)每個相應的第二級融合中心對從所述第一級融合中心的組中接收的第一增強決策執(zhí)行第二融合步驟(135)；(h)每個相應的第二級融合中心輸出第二增強決策(140)；以及(i)向用戶輸出一個從步驟(h)的增強決策中選擇的最終增強決策(145)。
2.如權(quán)利要求1所述的方法，其中在步驟(a)提供的多個推薦器具有重疊的感興趣主題。
3.如權(quán)利要求2所述的方法，其中用戶簡檔包括多個預先記錄的偏好。
4.如權(quán)利要求3所述的方法，其中預先記錄的偏好包括收看歷史、收聽歷史和文學歷史其中之一。
5.如權(quán)利要求1所述的方法，其中分別在步驟(d)和步驟(g)記載的第一融合步驟和第二融合步驟由加權(quán)平均、投票、神經(jīng)網(wǎng)絡和Dempster-Shaffer證據(jù)推理法其中之一執(zhí)行。
6.如權(quán)利要求1所述的方法，其中步驟(h)還包括(i)提供多個第三級融合中心，以從第二級融合中心接收第二增強決策，以及(ii)多個第三級融合中心中的每一個對預定數(shù)量的第二增強決策執(zhí)行第三融合步驟。
7.如權(quán)利要求6所述的方法，其中步驟(h)還包括(iii)提供單個的第n級融合中心，所述第n級融合中心從所述第二級融合中心接收決策輸出；以及(iv)根據(jù)第二增強決策提供第n級融合步驟。
8.如權(quán)利要求7所述的方法，其中第n級融合中心是第四級。
9.如權(quán)利要求6所述的方法，還包括提供單個的第n級融合中心，所述第n級融合中心從多個第n-1級融合中心接收決策，其中所述n-1級融合中心是比第三級融合中心更高的級別。
10.如權(quán)利要求8所述的方法，其中由加權(quán)平均、投票、神經(jīng)網(wǎng)絡和Dempster-Shaffer證據(jù)推理法其中之一執(zhí)行第n級融合步驟。
11.如權(quán)利要求8所述的方法，其中通過有線通信、無線通信、光纖、LAN/WAN和因特網(wǎng)其中之一向用戶輸出最終的增強步驟。
12.一種推薦器計分的分層決策融合系統(tǒng)，所述系統(tǒng)包括中央處理單元(205)；與所述中央處理單元(205)通信的存儲器(210)；一個推薦器模塊(235)，它包括用于融合預定數(shù)量的組的推薦的融合軟件；用于向用戶輸出(239)推薦的裝置；其中所述推薦模塊提供至少兩級融合，其中在第一級融合多個推薦以提供多個第一增強決策，在第二級融合所述多個第一增強決策以提供多個第二增強決策，該第二增強決策在數(shù)量上比所述第一增強決策少。
13.如權(quán)利要求12所述的系統(tǒng)，其中所述中央處理單元包括一個網(wǎng)絡服務器。
14.如權(quán)利要求12所述的系統(tǒng)，其中所述向用戶輸出推薦的裝置包括一個顯示器(240)。
15.如權(quán)利要求12所述的系統(tǒng)，其中所述系統(tǒng)包括在用戶的存儲設(shè)備中存儲點心文件的裝置，所述點心文件包含在所述存儲器中的用戶簡檔的標識符。
16.如權(quán)利要求14所述的系統(tǒng)，其中顯示器位于遠程控制器中。
全文摘要
一種用于提供推薦器計分的分層決策融合的方法和系統(tǒng)，其中提供了至少兩級融合。在該方法中，第一級的多個推薦器根據(jù)感興趣的主題而被分組。多個第一級融合中心從預定數(shù)量的推薦器中接收多個輸出。第一級融合中心輸出第一增強決策，一系列第二級融合中心接收預定數(shù)量的第一增強決策，執(zhí)行第二級融合步驟從而獲得第二增強決策級。分組可以是閱讀歷史、音樂、收看歷史、購物歷史、和上述的混合，使得增強決策可以基于電影和音樂二者的分級來推薦電影。
文檔編號H04N7/16GK1633808SQ02826297
公開日2005年6月29日 申請日期2002年12月9日 優(yōu)先權(quán)日2001年12月27日
發(fā)明者A·布查克, J·D·謝菲爾 申請人:皇家飛利浦電子股份有限公司