CN103988203B - 根据协作的和/或基于内容的节点相互关系提供推荐的系统和方法 - Google Patents

Abstract

在选择的实施例中，推荐产生器基于场所、评论者和用户的属性以及场所的评论者和用户评论构建场所、评论者和用户之间的相互关系的网络。每个相互关系或链接可以为正或负，并且可与其它的链接（或反链接）累积以提供节点链接，节点链接的强度基于链接节点之间的属性的共性和/或诸如评论者的一个节点对诸如场所的其它节点所表达的共同偏好。链接可以是一次的（基于例如评论者与场所之间的直接关系）或高次的（基于例如两个场所均被给定的评论者喜欢的事实）。某些实施例中的推荐引擎基于用户属性和场所偏好通过聚集链接矩阵并确定与用户最强耦合的场所而确定推荐的场所。

Description

根据协作的和/或基于内容的节点相互关系提供推荐的系统 和方法

背景技术

搜索引擎可输出包括兴趣信息的web页面的超链接的列表。一些搜索引擎基于由用户键入的搜索询问确定对应的超链接。搜索引擎的目标是基于搜索询问返回高质量的相关站点的链接。最为常见的是，搜索引擎通过将搜索询问的术语与存储的web页面或web页面内容的数据库匹配来实现这一点。包括搜索询问项的web页面被视为“命中”，并包括于呈现给用户的超链接的列表中。

为了提高搜索的效率，搜索引擎可根据相关性或质量排列命中或超链接的列表。例如，搜索引擎可向每个命中分配评分或等级，并且分数可被分配以对应web页面的相关性或重要性。常规的确定重要性或相关性的方法基于包括web页面的链接结构的每个web页面的内容。

许多常规的搜索引擎利用用于识别可在因特网上得到的web页面的索引系统。索引系统识别页面中的词语并创建这些词语的索引。系统通过分析索引并识别与用户询问最相关的页面响应用户询问。

可通过各种方式执行相关性排列或确定。有时使用其它站点或页面对一个站点或页面的引用作为相关性的一个度量。web页面元数据有时也被用于相关性确定中。

神经网络也被用于因特网搜索领域中。出于描述的目的，假定读者熟悉神经网络如何工作。神经网络可包括三个基本方面——神经元或节点、对神经或节点如何彼此互连或者相关的定义、以及拓扑随时间更新的方式。

发明内容

在选择的实施例中，推荐产生器基于场所、评论者和用户的属性以及场所的评论者和用户评论构建场所、评论者和用户之间的相互关系的网络。每个相互关系或链接可以为正或负，并且可与其它的链接（或反链接）累积以提供节点链接，节点链接的强度基于链接节点之间的属性的共性和/或诸如评论者的一个节点对诸如场所的其它节点所表达的共同偏好。链接可以是一次的（基于例如评论者与场所之间的直接关系）或高次的（基于例如两个场所均被给定的评论者喜欢的事实）。某些实施例中的推荐引擎基于用户属性和场所偏好通过聚集链接矩阵并确定与用户最强耦合的场所而确定推荐的场所。各种实施例中的系统架构可允许响应于各种节点的属性的改变实现神经网络的有效、局部化的更新。

在以下的附图和说明书中阐述一个或多个实现的细节。根据说明书和附图以及权利要求，其它的特征、目的和优点将是明晰的。

附图说明

图1A是用于开发和利用相互关连的节点的网络的环境的框图。

图1B是由示例性内容收集系统执行的处理流程的示意图。

图1C是由示例性内容组织系统执行的处理流程的示意图。

图2是表示场所、评论者与用户之间的相互关系的示意图。

图3是根据一个例子的包括评论者评级的表格。

图4是根据一个例子的包括场所属性的表格。

图5是根据一个例子的包括评论者属性的表格。

图6是根据一个例子的包括用户属性的表格。

图7A和图7B表示根据一个例子的基于内容的场所链接的矩阵。

图8A和图8B表示根据一个例子的协作场所链接的矩阵。

图9是示出根据一个例子的推荐产生的表格。

图10是示出根据一个例子的连接生长的表格。

图11是示出根据又一个例子的规格化前的矩阵数据的表格。

图12是示出根据又一个例子的规格化后的矩阵数据的表格。

图13是示出根据又一个例子的连接蠕变的表格。

图14是根据一个例子的用户界面。

各种附图中的类似的附图标记表示类似的要素。

具体实施方式

所选择的实施例的概要

在某些实现中，推荐引擎可基于与场所、用户、评论者和评论相关联的属性和数据产生推荐。系统可收获由各种评论实体产生的评论并将这些评论解析为评论数据的组织化数据库。该数据可包括场所（诸如餐馆）的属性和由评论者提供的评级或评价。系统还可收集或产生关于评论者的属性的数据，所述属性诸如性别、年龄、职业、婚姻状况、评论频率和评论准确度。在一个实现中，系统还收集关于用户的属性的数据，所述属性诸如性别、年龄、职业、婚姻状况和对某些场所的亲切感（affinity）（正或负）。

示例性系统可基于场所属性和评论者属性产生相互关系的神经网络。例如，可通过诸如价格、风格、着装、位置或由同一评论者所表达的亲切感的共同特征链接场所。可通过个人特性或对某些场所的共同的亲切感链接评论者。可通过对特定场所具有给定的亲切感的评论者的共同属性或通过被给定的评论者喜欢的场所的共同场所属性链接评论者和场所。

系统可创建不同种类的场所和评论者中的两者和更多者之间的相互关系。例如，互相相关的场所可包括餐馆、剧院、活动场所和机构。相互关连的评论者可包括期刊和个人评论者。

每个链接可递增地强化或弱化两个场所之间、场所与评论者之间、或者两个评论者之间的总体相互关系。每个链接可通过使相邻的链接基于源链接的量值被强化或弱化而影响相邻的链接。当两个引用节点（例如场所）分别与共同节点（例如场所）连接时，系统可产生两个引用节点之间的附加的链接或相互关系。

相互关系可一般地归类为协作的和基于内容的。协作关系是根据由给定的评论者所表达的亲切感的。换句话说，协作链接通常处于给定用户所喜欢的事项之间，通常与用户为什么喜欢它们无关。基于内容的关系是根据给定子集中的场所之间所共有的特征的。换句话说，基于内容的链接通常处于具有共同特征的组内的事项之间。也可使用这些方法的混合，例如，链接可识别被给定评论者喜欢的场所中具有共同特征的场所。

随着进一步的评论、评论者和场所数据被添加，相互关系的神经网络动态生长。系统可连续地分析数据以添加正的或负的协作链接、内容链接或内容-协作链接。系统可创建新的衍生链接，将数据规格化以调整数据偏斜，并基于相邻链接的值调整链接。

在各种实现中，系统可基于与推荐请求相关联的数据和用户属性产生推荐。系统可基于将协作的和基于内容的相互关系考虑在内的总体链接强度而提供多个推荐。推荐可包括对特别请求的场所进行补充的场所，例如，响应于对餐馆推荐的用户请求，系统也可产生剧院或夜场的推荐。

示例性系统架构

图1示出基于服务器的推荐产生系统100的示例性网络架构。可以理解，这里描述的功能中的一些或全部可基于客户端设备的通信、数据存储和运算能力而被重新安置到该客户端设备的应用（诸如智能电话应用）。

服务器102主控多个引擎和模块。在本申请中，用户界面模块110位于服务器102上并将web页面或适当的内容提供给客户端侧的应用。爬行和解析模块114执行后面描述的web爬行和源数据收集操作。推荐引擎112访问相互关系的矩阵并根据这里描述的技术产生推荐。商户界面提供以下描述的关于场所运营者与服务器的交互和对由此产生的计划和报告的访问的功能。

数据仓库118存储相互关系的矩阵。仓库包括基于由爬行和解析模块114从评论站点106收集的评论数据122构建反映节点相互关系的数据结构的矩阵构建器126。矩阵构建器还并入了从用户108、场所104和其它web页面收集（通过爬行和解析模块114）的场所、评论者和用户数据124。

在某些实施例中，网络120包括因特网或万维网。网络还可包括诸如蜂窝数据网络、内联网、VPN和外联网的私有和半私有网络。

本领域技术人员可以理解，在这里描述的技术可在各种系统和数据库拓扑中被实现，并可与各种运算方法一致。在以下的文献中描述了适于各种实施例的方面的拓扑和方法：K.R.Nichols,“A Reconfigurable Computing Architecture for ImplementingArtificial Neural Networks on FPGA”,硕士论文,The University of Guelph,2003年12月；F.Rosenblati,“The Perception:A Probabilistic Model For InformationStorage And Organization In The Brain”,Psychol,Rev.,65(6):386-408,1958；K.Steinbuch和U.A.W.Piske,“Learning Matrices and their Applications”,IEEETrans.Electron.Computers,12:846-862,1963；J.A Bamden,“High-level Reasoning,Computational Challenges for Connectionism,and the Conposit solution”,Appl.Intell.,5(2):103-135,1995年4月；B.Denby,P.Garda,B.Granado.C.Kiesling,J.–c.Prevotet和A.Wassatch,“Fast Triggering in High Energy Physics ExperimentsUsing Hardware Neural Networks”,IEEE Trans.On Neural Networks,14(5):1010-1027,2003年9月；R.O.Duda,P.E.Hart和D.G.Stork,“Pattern Classification”,JohnWiley&Sons,New York,第二版,2001年；H.Eichenbaum,“The Cognitive Neuroscience ofMemory:An Introduction”,Oxford University Press,New York,2002年；K.Fukushima,“Cognitron:A Self-Organizing Multilayered Neural Network”,Bioi.Cybern,20(3-4):127-136,1975年11月5日；K.Fukushima和S.Miyake，“A Self-Organizing NeuralNetwork With A Function Of Associative Memory:Feedback Type Cognitron”,BioiCybern.,28(4):202-208,1978年3月3日；J.M.Fuster,“Cortex and Mind:UnifyingCognition”,Oxford University Press,New York,2002年；R.Gadea,J.Cerda,F.Ballester和A.Mocholi,“Artificial Neural Network Implementation On A SingleFPGA Of A Pipelined On-Line Backpropagation”,ISSS2000,Madrid,Spain,2000年9月；S.Grossberg,“Adaptive Pattern Classification And Universal Recoding:I.Parallel Development And Coding Of Neural Feature Detector”,Bioi.Cybern.,23(3):121-134,1976年7月30日；S.Grossberg,“Adaptive Pattern Classification AndUniversal Recoding:II.Feedback,Expectation,Olfaction,Illusions”,Bioi.Cybern.,23(4):187-202,1976年8月30日；S.Haykin,“Neural Networks:A ComprehensiveFoundation”,Prentice Hall,Upper Saddle River,N.J.第二版,1999年；R.Hecht-Nielsen,“Neurocomputing”,Addison Wesley,Reading,Mass.,1989年；R.Hecht-Nielsen,“A Theory Of Thalamocortex”,出自R.Hecht-Nielsen和T.McKenna为编者的“Computational Models for Neuroscience:Human Cortical Information”；S.Y.Kung,M.W.和S.H.Lin.,“Biometric Authentication:A Machine Leaning Approach.PrenticeHall PTR,Upper Saddle River”,N.J.,2005年；B.Widrow和M.Kamenetsky,“On TheEfficiency Of Adaptive Algorithms”,出自S.Haykin和B.Widrow,为编者的“Least-Mean-Square Adaptive Filters”,John Wiley&Sons,New York,2003年；B.Widrow和M.Kamenetsky,“Statistical Efficiency Of Adaptive Algorithms”,Neural Netw.,16(5-6):735-744,2003年6月7月;B.Widrow和M.A.Lehr,“30Years Of Adaptive NeuralNetworks:Perception,Madaline,andbackpropagation”,Proc.IEEE,78(9):1415-1442,1990年9月；发明名称为“Enterprise relevancy ranking using a neural network”的美国专利号7,840,569，在这里并入作为参考；发明名称为“Neural Network LearningDevice,Method,and Program”的美国专利号7,895,140，在这里并入作为参考；发明名称为“Neural Network For Electronic Search Applications”的美国专利号7,979,370，在这里并入作为参考。

节点/场所类型

在一个实现中，神经网络中的节点是诸如餐馆、剧院、夜店、宾馆、音乐厅和其它活动场所的场所。然而，由于这里描述的系统和方法的灵活性，它们可以以多种多样的其它方式被应用。网络中的节点可以是诸如特定菜单项目或宾馆内的特定房间的子场所项目。节点也可以是诸如衣服、家具或葡萄酒的时尚消耗品，或者甚至是诸如音乐、书、杂志、TV秀或电影的内容。节点被可选地设定为诸如机械师、理发师、运输、医生、牙医、景观建筑师、内部设计人员或保姆服务的服务。在其它的实现中，节点可以是居住的街区或城市、申请的大学、非常合适的职业或杂货店。在有一些其它的应用中，节点可与诸如用户可能喜欢的朋友或活动的社交方面相关联。在其它的实施例中，节点是医疗状况或治疗。

这里描述的技术也可通过提供用户不可能做什么的预测而被用于欺诈检测，这又更可能与信用卡的盗用（例如）相关联。该技术也可通过在甚至不相干的分类之间预测品牌亲切感而被用于行销/联合品牌的机会。该技术也可通过分析用户的精细的喜欢和厌恶之间的共现而被应用于保险精算/风险评价应用，其可被用作风险指示。该技术也可通过将市场“聚集”到“群用户”中并如后面描述的那样预测群用户的行为而被用于预测金融市场的行为或趋势。类似地，可实现关于地理移动（迁移模式）的大规模人群行为的预测，并由此可产生供零售商和房产开发商等使用的随时间的人口普查和人口统计计划。并且，该技术可被用于估计对于某种类型的媒体（诸如电视秀）或媒体通道（有线或web）的亲切感。

从以下的描述可以理解，在每个这样的实现中，节点属性、评论者属性和相互关系将被选择以部分地与有原因地与评论者对某些节点的偏好相关联的因素对应。例如，在被设计为提供职业建议的系统中，节点属性可包括与每种职业相关联的技能，用户属性可包括能力倾向分数或调查问卷结果。

以下，结合其中的节点是诸如餐馆、宾馆或剧院的场所的示例性系统来描述系统100。为了方便，使用术语“场所”表示神经网络节点。应当理解，在以下的部分中，术语“场所”被广泛地用于表示在网络中与诸如用户和/或评论者的其它网络节点相关联的任何实体或项目。

识别场所评论

从诸如评论或评级的场所评价和评估以及诸如蚂蚁足迹的隐含数据源导出用户或评论者对场所的亲切感（同样为正或负）。个人可在社交web页面、评论论坛和网站或博客上发布评级。也可通过经由设置在各种网站上的“赞”或“顶”按钮进行的投票发布评级。作为一个例子，可在menuism.com、dine.com、opentable.com、google.com、reviewsahoy.com和realeats.com上找到餐馆的用户评论。个人对某些场所的亲切感也可从他们的花钱习惯或购买历史看出，花钱习惯或购买历史的数据可从诸如信用卡账单的金融交易记录收集。个人的web浏览历史或蚂蚁足迹也可提供对某些场所亲切感的洞察，该亲切感从个人在——包括但不限于——与每个场所相关联的网站的多个论坛之间产生的各种评论或Cookie看出。个人的网站导航书签和浏览历史也反映浏览行为，并且可同样地被挖掘用于源数据。诸如从蜂窝GPS数据导出的个人随时间的地理位置可同样地与场所相关，并由此产生反映场所亲切感的数据。该方法也可提供停留时间数据，它可被用于分类或配置数据。杂志订购信息也可被用作个人对给定场所（当该术语在这里被广义使用时）的亲切感的指示。个人的专业许可也可被用作对场所（包括但不限于组织）的亲切感的数据源。

以上的关于场所亲切感的数据源可基于与兴趣亲切感和数据之间的相关强度密切相关的因素而被确定优先顺序。引用更多数量的场所的数据或站点会更可信，原因是这些站点更可能比较、对照场所或将其评级。类似地，对每个场所或评论者规定更多数量的属性（诸如在结构化字段中）的站点趋于更加有效或更加可信。总的说来，具有更多数量的单个场所评论和/或单个评论者评论的站点将包括更可靠的亲切感。包括“相关项目”、“还观看了”或“购买它的人还购买了”字段或框也可被视为站点的数据强烈地与实际亲切感相关的指示。类似地，站点包括地理上接近的推荐、基于社交网络的推荐、和基于补充场所（例如宾馆和餐馆）的推荐也可指示更可靠的数据。更有效或更精确的评论者的行为也可被分析以例如通过确定这些评论者趋于在哪里公布评论而区分各种数据源。诸如与多个社交网络化的个人相关联的数据结构的分组结构的存在也可被用作将站点的数据的潜在值分级或评级的度量。博客也可被爬行以确定哪些评论或评级站点最经常被引用。

在一个实施例中，数值与以上的变量中的一些或全部相关联，基于系统的设计人员对站点上的评论数据的预测值与变量之间的相关性的相对强度的估计而向每个变量分配权重。例如，站点上的最佳评论者的密度与站点上被引用的场所的数量相比可被分配更大的权重。可以使用得到的加权数值评分以确定收获操作的优先顺序。

收获场所评论和评论者数据

可通过使用诸如在发明名称为“Method and system for Incremental WebCrawling”、转让给IBM Corporation且在这里并入作为参考的美国专利号6,631,369中描述的技术的web爬行技术收获评论。根据该技术，在初始爬行中，爬虫创建文件存储的第一全文索引，在其之后执行增量爬行。

作为替代方案或者另外地，系统100可将由商业搜索引擎提供的高速缓存的web页面作为目标。用于根据搜索引擎高速缓存重构内容站点的适当的协议如下。首先，通过爬行诸如黄页或其它适当的目录的目录列出针对分类的完整场所目录。对于目录中的每个项目，系统100在各种搜索引擎中运行一系列的搜索询问，每个询问限于诸如dine.com的兴趣内容站点的结果。搜索结果被解析，并且相关高速缓存页面的URL被获取。高速缓存页面接着被获取并置于仓库中，之后其基于与兴趣场所相关联的名称、城市、电话号码和其它数据字段被解析。以这种方式，兴趣场所的高速缓存的评论页面可被识别。可选地，在搜索引擎之间以及在多个场所之间重复该处理，以在前面的部分中阐述的确定站点优先顺序作为目标，来收集想要的源数据阵列。

数据可选地可通过针对空白字段检查解析的场所或评论者内容被确证。场所或评论者内容也可相对唯一识别信息（场所电话号码或评论者电子邮件地址或账户名）被检查，以确保其与目标场所或评论者对应。

在确证之后，页面可被解析以提取兴趣数据。可以使用解析器代码以分离出结构化的兴趣字段、评论和上述的其它兴趣信息。所提取的数据可以是要被分析以用于计算个性化的数据库表或文件中的上传数据。出于此目的，可以使用诸如在发明名称为“Generating Structured Information”、转让给Google.Inc.且在这里加入其内容作为参考的美国专利号7,788,293中教导的技术。

相同的方法可用于收获关于评论者或用户的数据（在后面更详细地描述）。数据优选为公共站点上的结构化格式，并可预测个性和亲切感。数据源可如在前面的部分中阐述的那样被确定优先顺序或者评级，诸如根据由评论者给出的评论的数量、评论者的评论在其它站点上的引用、和评论者的评论与由系统100（后面讨论）和从其收获数据的第三方评论站点产生的总体评级的对准。评论者数据接着如上面解释的那样被选择性地爬行和分析。

爬行和解析器模块114可被配置为协调某些web节点或网络节点的爬行和消化。由于实际限制，整个万维网不能被同时爬行和解析。爬行和解析处理可在不同的内容收集计算机或代理之间协调。可以部署多个远程爬行引擎（在远程网络节点处），其中的每个可针对上述的属性检查数据源（诸如web页面或高速缓存的web页面），并且在定位到丰富的数据源的情况下召集爬行和解析节点。远程爬行节点可基于实时的重大新闻事件而协调其爬行，或者响应于在这里描述的数据矩阵中所反映的大规模用户行为的偏移而优化内容收集。

在图1B和图1C中表示了内容收集和内容组织的系统和处理流程的例子。图1B示出了由可包括爬行和解析模块114的内容收集系统执行的处理。在框150处，爬行和解析模块114识别诸如攀岩的在神经网络中需要的主题目标。目标也可以是特定URL或其集合的形式。在框152处，模块114识别已处于系统的存储网络内的、形式为先前所收集的web页面（或其表示）的当前内容。在步骤154处，在一个实施例中采取持久性系统网络节点的形式的内容收集器根据2个输入的比较和分析确定哪个或哪些主题或URL要被模块114收集。内容收集器验证包含要被收集的主题的目标站点的地址和内容，并创建要由模块114爬行和解析的项目的队列。作为例子，分布式的队列的第一条目可以是[波士顿,餐馆,goolge.com,“全部”]，其与爬虫节点收集与goolge.com的对波士顿区域的任何餐馆的评论相关联的所有高速缓存页面的请求相对应。内容收集器也可基于爬行节点的相对优先级动态地向特定的爬行节点分配一定的队列项目（160）。在步骤162处，包括爬虫节点的分布式阵列的内容收集引擎接收或访问分布式队列和从内容收集器动态分配的收集命令。在爬行和解析模块114的控制下，内容收集引擎收集上面讨论的高速缓存web页面。输出是根据上述的方法所解析的高速缓存web内容的库。

图1C表示由可包括矩阵构建器126的内容组织器执行的示例性处理。在步骤174处，内容组织器接收或访问要被解析并被添加到网络的高速缓存页面的库。在各种实施例中，内容组织器可以是持久性系统网络节点。内容组织引擎（参见步骤182）可包括访问解析分配的分布式队列并接收分配的解析节点的分布阵列，该分配是可选地动态分配给特定的爬行节点或具有诸如带宽或吞吐量的某些属性的爬行节点的分配。内容组织引擎还访问被特别设计为当数据呈现在某些站点上时对数据进行解析的站点特定的解析器的阵列。例如，由于Google.com可以用与餐馆不同的格式呈现其宾馆数据，因此，向内容组织引擎呈现特定于Google宾馆页面的解析器引擎，以供解析对应的高速缓存web页面使用。如图1C所示的其它例子包括特定于Facebook.com的场所或事件页面的解析器。当站点改变其呈现数据的方式时，该架构可有利于解析器引擎的修改。例如，Local.yahoo.com可能改变其宾馆页面的数据格式，响应于此，单个解析器引擎可被更新。内容组织引擎（182）的输出被矩阵构建器126使用以创建附加的节点和这里所描述的相互关系的矩阵。所得到的web内容的矩阵和数据库被呈现以供由呈现以下描述的用户界面或者与这里讨论的移动设备客户端应用通信的web服务器的多个实例同时访问。

收集用户数据

在创建账户时或者响应于诸如对新推荐的请求的另一触发事件，系统100可要求用户输入包括性别、年龄、婚姻状况、孩子年龄、孩子性别、与用户有社交关系的第三方、习惯、兴趣、喜好的场所信息（处于一个或多个场所分类中）、偏好或不偏好的评论实体（如果有的话）的各种数据。

用户接着被要求列出喜好或偏好的场所。作为例子，用户可列出喜好的餐馆。在神经网络不包括餐馆的情况下，系统100要求替代的喜好。

系统100可选地可以针对关于用户的附加信息爬行web并接着根据上述的方法解析并确证数据。该补充数据可被添加到用户简档，来自用户简档的数据将在以下阐述的各种操作中被使用。

创建节点相互关系

数据网络中的节点表示场所、场所属性、用户、用户属性、评论者和评论者属性等。链接表示这些节点之间的关系。因此，两个项目之间的链接的数量会随着关于两个项目的数据的增长而增长。每个链接的强度表示两个连接的项目之间的亲切感，诸如星级的类似性（在场所的评论中）、共同持有的属性的数量。链接的符号可以为正或负。

链接可被关联，以指定场所、场所属性、用户、评论者、内容源或它们的任何组合中的两者或更多者之间的亲切感。例如，如图2所示，两个场所200、210可相互关连，原因是它们具有共同的属性201、211，即，它们均是同一街区中的意大利餐馆。评论者220、230相关，原因是他们同样地具有共同的多个属性。用户240、250同样地通过共有的属性相互关连。评论者220与两个场所200和210相互关连，原因是评论者递交了对两个场所的评论，这转而创建了场所200与210之间的附加关系（即，它们被同一评论者评论）。用户250经由共有的属性与两个评论者220和230相关，用户240经由共有的属性仅与评论者220相关。评论者220和230因此也相互关连，原因也是他们共有用户240的属性。用户240借助于用户表达了对该特定场所的亲切感的事实也直接链接到场所200。评论者220和230因此通过用户240与场所200具有二次关系。

该数据架构允许相互独立地调整链接或相互关系。触及同一节点的链接可针对一个伙伴节点而不针对其它伙伴节点被调整。同一节点上的链接可一起被“比例缩放”以保持其伙伴中的每个的相对值，同时改变对该节点的总体驱动/影响。

在选择的实施例中，减法或“反相关”链接可弱化从一个节点到另一节点的关系。也可向网络添加减法节点，以规格化平均链接值太强烈地为正的局部节点的总体正的“音色（timbre）”。减法节点也可用于调停节点之间的竞争以相互影响，原因是链接的强度指示一个节点会对另一节点的作用。减法节点可有助于锐化或关注由给定节点给出的正影响。

在各种实现中，链接可根据对其下游节点的影响的优先级（或到其下游节点的链接的强度）被分类。链接可彼此交互和影响，其方式是限于同一节点上的其它链接或以同一节点上的其它链接为目标，其中添加一个链接改变另一个链接的强度或存在。

来自评论者节点的链接可基于其正负程度被规格化。换句话说，如果给定的评论者是“评分宽松者”，那么其评论可在量值上被减小以将评论规格化到统计目标或平均。来自评论者节点的链接也可被规格化以减小这些链接的影响，例如，评论者具有格外高数量的评论（每个均创建链接），因此如果过度地被比例缩放，则该单个评论者的观点会过分地影响数据网络。相反，可基于所衡量或感觉的评论者有效性或准确性向上比例缩放评论者链接的强度。例如，这可通过评论者的等级或评级或者统计反馈而执行，由此评论者的准确性或预测被衡量。

也可使用加权或规格化以基于共同持有的属性的数量来改变链接的强度。例如，系统100可被配置为将线性或指数减小的作用给予给定类型的每个附加链接，诸如在很多相互关连的评论者对场所给出类似的评论的情况下。超连接的节点之间的链接可同样地被向下比例缩放以减小两个节点之一对扩展的网络的作用。具有相反作用的相反做法——对累积的链接给予提升的作用或对欠连接的节点增加链接强度——也可被实现。

链接也可基于评论者的预测被加权。例如，评论者可基于评论数量、其它web站点上的引用数量、或系统所爬行的第三方站点上的评论者的评级而被评分。基于每个评论者的评论创建的链接可相应地根据评论者的相对评分而被线性或非线性地比例缩放。由评级更高的评论者提供的评论可被分配对应地更高的值或强度。

评论者也可特定于用户地被加权。例如，链接的神经网络可基于请求推荐的用户具有与某些评论者共同持有的亲切感或属性的事实被重新加权。与用户和各种评论者之间的链接相对应，评论者的评级可对应地被更重或更轻地加权。

如果评论者具有由对应的评分或有效性衡量的低于阈值水平的相关性，则其可以可选地从网络被去除。如本文其它处所描述的，评论者的评分可基于第三方站点处的评论者评级和/或系统100的关于对部分地基于给定评论者的评论而计算的推荐是否同意的用户反馈。如果评论者被从系统去除，那么可向上调整剩余评论者的权重以保持规格化。

神经网络中的链接可以是双向（如图所示）或单向的。在某些情况下，链接的预测可以是不对称的或单向的。例如，情况可能是喜欢餐馆A的几乎每个人喜欢餐馆B，但喜欢餐馆B的很少也喜欢餐馆A。在这种情况下，与对餐馆A的亲切感相关联的链接可单向地指向（链接到）餐馆B，但反过来不成立——基于该数据点，节点B不会具有到餐馆A的正链接。为了简化解释，附图针对较简单的方案，其中所有的数据点是对称的，但在各种实现中，链接中的一些或全部是单向的或具有不对称的强度（诸如沿一个方向为+1.5且沿另一方向为+0.5或-0.5）。

数据网络可基于活动反馈环通过考虑由系统100提供的推荐的有效性而被改善。链接可基于推荐多么有效的反馈而被改善（沿任一方向）。推荐的有效性的一个度量是用户是否基于推荐花费资金，这又可经由由诸如金融交易发卡机构的伙伴提供的数据而被衡量。另一度量可以是由用户响应于关于讨论中的推荐或场所的询问或调查而提供的反馈。推荐有效性的又一度量是用户的浏览行为以及用户在第三方站点上留下了对推荐场所的正评论（该评论如上面阐述的那样被收集和解析）的事实。评价推荐有效性的再一个技术是在与场所相关联的物理位置处的地理停留时间，例如由移动设备的GPS数据所衡量的。

应当注意，不仅一次连接基于反馈被更新。确切地说，在各种实现中，二次和更高次的连接可选地基于反馈被更新。例如，当评论者的等级或评分被更新时，评论者所喜欢的两个餐馆之间的二次连接也被更新或对应地被修改。

推荐与用户的评估之间的不匹配可驱动与相关联的节点之间的链接的减小或弱化，并且反过来也可被执行。响应于与评论者节点的推荐之间的正反馈，该节点与相邻节点之间的链接可被强化。类似地，由评论者的评论创建的链接可被分配更大的强度。

节点结构有利于网络的运算和比例缩放。将会看出，节点网络创建了便于搜索和操作的自然查找表。具有不同类型的节点间链接的节点结构提供了在新的信息段被添加时更新结构的便利方式，并且，在某些实施例中，其执行不会像在将亲切感表示为项目之间的单各数字权重的传统数据库中那样丢失原始信息。各种实施例中的数据被表示为数据库的索引行、链接列表或分布式文件。

相互关系或链接的矩阵可广义地分类为基于内容的相互关系、协作相互关系和内容-协作相互关系。第一种类型的基于内容的链接在某些实施例中以由同一评论者评论的多个场所的场所属性为前提。基于内容的链接基于共有的属性在场所之间建立相互关系。链接（或反链接）的强度依赖于共同持有的事项的数量、比较评级和这里所描述的其它因素。

协作场所相互关系关联被同一评论者喜欢的场所，通常与评论者为什么喜欢该场所没有任何依赖性或关系。链接（或反链接）的强度依赖于评论者的评级、同一列表上的接近度和这里所描述的其它因素。当两个场所共同出现在例如同一人的喜好或偏好场所的列表中、评级或推荐站点上的同一“前十”或其它分组列表上、或者同一搜索引擎的搜索结果上时，出现协作链接。列表内的接近度可被用作控制链接强度的变量。也可使用蚂蚁足迹以通过跟踪人的冲浪行为并链接给定用户常光顾的场所来创建协作链接，而与蛛网无关。以这种方式，餐馆A可被视为与博物馆B相互关连，如果许多被跟踪的用户光顾这两个地点的话。用户在每个站点的停留时间或者用户留下评级或评论的事实也可以是链接是否被创建的因素。在某些实施例中，该跟踪的完成不需使用Cookie，而是通过根据这里在其它位置所描述的技术从web收集关于用户的有关评级和评论站点的活动的数据。

内容-协作相互关系或链接由喜欢（或厌恶）同一场所的评论者的共同（或不共同）的评论者属性产生。场所属性可针对共同或不共同的特征被分析，并且可在特定场所和评论者属性之间或在场所属性与评论者属性之间建立链接。链接的强度可依赖于属性在向场所给予一定的评分或类似的比较评级的评论者之中的出现率。

图3-12所示的示例性架构在某些实施例中有利于网络的动态更新和自适应。例如，当向网络添加新餐馆或评论时，这些节点分别创建一次、二次和更高次链接，这些链接被添加到网络。受影响的链接可通过在运算上相对简单的（且非资源密集的）加法或其它算术运算更新，并且神经网络不需要基本完全被重新计算或改造。

产生推荐

系统或用户可触发推荐引擎。用户可通过经由web入口、客户端应用或电子消息输入基于所提供的诸如类型、地理或价格的场所属性来产生推荐的请求而这样做。系统100可访问用户简档以从用户简档收集诸如喜欢的其它场所、性别、职业或年龄的数据。系统100也可自动产生用于被包括在诸如文本消息或电子邮件消息的电子消息中的推荐，该推荐被发送到目标用户或者用于在web入口或由用户访问的客户端应用上呈现。

在选择的实施例中，推荐引擎根据以下的协议响应地识别具有最强链接的场所。基于所识别的“喜欢场所”，系统100识别与所识别的场所具有最强链接值的和具有指定场所属性的前N个场所。作为替代方案或者另外地，基于具有指定属性的被最高评级的场所，系统100识别与所识别的场所具有最强链接值的前N个场所。可单独使用或者与前述相组合使用的另一替代方案是，基于具有指定属性并由朋友或选择的评论者推荐的被最高评级的场所，识别与所识别的场所具有最强链接值的前N个场所。推荐引擎也可基于用户的属性产生推荐，例如通过识别与用户属性具有最强链接的前N个场所。

在某些实施例中，使用这些技术中的多个，并且基于关于每个协议的预测或准确度的经验观察将得到的场所推荐进行加权。加权因子可以是简单的系数或一次、二次或更高次的公式。

在向一组用户提供推荐的情况下，可以使用这些相同的技术，但需要修改，即通过直接用户输入或者通过对用户属性值进行算术混合或平均以得出复合组用户简档而选择用户属性来匹配组。

也可基于诸如由智能电话的GPS数据提供的实时位置信息而提供推荐。如在后面更完整地描述的那样，系统100可发送要么包括部分地基于位置和/或时间的推荐要么提示用户访问界面以接收推荐的电子消息或者警告。例如，如果已知用户在推荐引擎对该特定用户排序很高的演出开始前不久接近剧院，那么系统100可向用户产生包括推荐、到系统100的web入口的超链接、或用于激活可启动这里描述的界面的客户端推荐应用的链接的电子警告。

警告或推荐可基于与场所有关的促销特价产生并附有该促销特价。例如，电子通知可包含推荐连同针对有关的潜在预订或预约的促销折扣。也可部分地基于促销状态选择在界面中（或经由电子消息）呈现的推荐。也就是说，推荐引擎可强化与促销特价相关联的链接节点，因此引擎在确定要推荐的节点（即，与和用户或推荐请求相关联的节点最强烈地链接的那些）时会将促销特价考虑在内。

推荐引擎可同样地将关于推荐的场所和相关联的“网站转换率”的用户反馈考虑在内。例如，与这里教导的技术一致，可对用户基于推荐较频繁地进行预约的场所增加链接强度。

例子

图3-12示出了这里描述的推荐引擎的一个简化实现。本领域技术人员可以理解，本例子可被扩展以并入这里所描述的附加特征中的任一个或全部。从这些替代和扩展中所选择的将在下面提及，并且这些解释不是为了限制。

图3表示评论者评级的示例性矩阵。评论者1对12家餐馆中的9家提供了评论，评级范围从1星到5星，5星为最高。评论者2-7分别同样地对12家餐馆的不同子集提供了评级。在其它的实施例中，场所可以是不同类型的场所，诸如4个餐馆、4个夜场和4个剧院。评级可使用更广的数值或字母范围，整数或非整数。

图4表示与图3的场所对应的属性矩阵。在本例子中，每个餐馆都位于马萨诸塞州的波士顿，价格在10个点的范围上变化。虽然在某些实施例中使用数字代码，但着装被分配了字母代码（正装和便装）。在本例子中，使用邮编作为街区值。营业时间被分配了从预先确定的营业时间库所选择的代码，在其它的实施例中，营业时间被提供各种字段，一个字段用于一星期中的一天。

图5表示图3示出的评论者1-7的评论者属性。在本例子中，评论者属性限于性别、年龄、职业、教育、婚姻状况、子女数量、评论数量和评论准确度。可从预先确定的库选择代码。评论数量基于按上面描述的那样所收集的数据。评论准确度可基于上面讨论的反馈控制数据而计算。作为替代方案，可以使用复合评论者评分，其可选地将评论数量、评论在其它站点上的引用、主控评论的站点数量、和/或推荐与正的用户反馈的一致性考虑在内。

图6是表示7个用户的用户属性的阵列的表格。该方法类似于上面针对评论者所阐述的，但针对用户使用了附加或不同的数据字段。在本实施例中，每个用户被要求4个喜好的场所。在其它的实施例中，在用户简档中包括各种不同场所分类中的优选场所的列表。如上面所提及的，该用户数据可按上述方式由每个用户输入和/或从web数据源收集。

图7是基于图4的场所属性的基于内容的场所链接的阵列。餐馆4和餐馆2具有1个与共同着装相关联的链接。可以看出，链接的值+0.25小于其它的链接，使得它对推荐具有较小的影响。换句话说，链接相对弱。餐馆4和餐馆1具有3个链接，即与共同街区相关联的+1.25、基于共同风格的+1和基于相同着装的+0.25。餐馆4与餐馆1之间的基于内容的链接的净值为+2.50。如将结合图8说明的，该矩阵可以可选地包括与多个附加场所属性相关联的链接，并且还可包括与不共同属性相关联的反链接或负链接。

图8是基于在图3中阐述的评论的协作场所链接的矩阵。以餐馆7与餐馆3之间的关联为例，存在与评论者2将这2个餐馆评级为4星的事实相关联的+1的链接。餐馆6和7基于共同正评论被给予较强的正链接，原因是评论者3将该2个餐馆评为5星。返回到餐馆7与3之间的链接，基于由评论者1（其向餐馆3给了4星且向餐馆7给1星）表达的对这些餐馆的相反的亲切感被分配-0.75的反链接。在如餐馆11与餐馆5之间的链接所示的评论以更加强烈的相反方式对餐馆评级（即1星和5星）的情况下，可以使用更高的负量值。基于评论者5的1星/5星评级，示出了-1.00的反链接。如上面所提及的，可基于共同性或不共同性分配不同链接的更大阵列——这些仅是代表。

内容-协作相互关系的矩阵（未示出）可反映根据每个场所与每个评论者之间的共同或不共同特征产生的链接。例如，评论者可具有称为“风格亲切感”的特性，当其匹配场所风格时，可创建预先确定的强度的链接。另外，内容-协作矩阵可表示对场所的亲切感与评论者属性之间的链接。在本例子中，对场所高度评级的评论者之间的共同属性链接到场所。例如，年龄为31-35的评论者可不相称地将场所评级为差，在这种情况下，在场所与评论者属性“年龄31-35”之间创建反链接。

图9表示基于对美国餐馆的推荐的询问和用户对餐馆7的亲切感（取自图6的主题用户的简档）的推荐引擎的说明性输出。在其它的实施例中，可以使用更多的输入，诸如场所属性和其它偏好的场所。在本例子中，推荐是基于内容的链接强度901、协作链接强度903和内容-协作链接强度905的混合。每个链接强度被分配不同的加权因子902、904、906，尽管在其它的实施例中，混合公式是二次或更高次的公式而不是一次的乘积和。值910-914是从餐馆3和餐馆7如图7所示的那样不具有链接的事实导出的。这对于餐馆6/7同样成立，而餐馆9/7和12/7示出了+0.25的链接。类似地，图9中的矩阵分别为餐馆链接3/7、6/7、9/7和12/7示出了累积的链接强度915-918。内容-协作链接强度是基于内容-协作链接矩阵（未示出）的。加权因子902、904和906是恒定的，但可根据每种类型的链接的预测或准确性（基于以上讨论的反馈控制）而被不同地设定。得到的推荐值920-923反映了每个餐馆与以上示出的餐馆7之间的总体链接强度907。

二次关系也可包括在用于计算总体链接强度的链接矩阵中。例如，餐馆8被评论者4和评论者5喜欢。这些评论者又均喜欢餐馆5。餐馆5可基于该二次关系被分配到餐馆8的+0.25的直接链接。该链接可独立于与评论者4或评论者5相关联的节点而在矩阵中操作。

二次关系的替代形式如图10所示。图10示出了根据协作场所链接产生的二次链接。如图8所示，餐馆8正链接到餐馆3和餐馆5，因此在餐馆3与5之间直接创建了+0.25的链接。餐馆12和7均负链接到餐馆8，因此创建了+0.15的链接以反映该反链接比前面提到的正链接弱的信念。类似地，在餐馆11和12之间建立了更弱的二次链接，原因是虽然两者都负链接到餐馆8，但链接的量值明显不同。

当计算2个节点之间的总体链接强度时，这些二次关系可直接被添加到相关矩阵或者以其它方式在运算上组合。

图11表示将跨着相同节点的更加多种多样的链接（诸如二次链接）考虑在内的更复杂的系统中的任意一组链接值。可以看出，值强烈地为正，很少有值为负。例如，在数据具有与评论者给出慷慨的评级的倾向相关联的偏斜的情况下可以看到这一点。如果图11的数据是基于内容，那么它可具有与协作链接或内容-协作链接的平行矩阵不同的偏斜。因此，其可用于将图11的数据规格化以促进与其它矩阵中的链接的运算组合。

图12表示在示例性的校正操作之后的数据。在本例子中，从所有的数据点减去恒定值5。在其它的实施例中，可选择减去的值，使得数据集命中共同的或期望的均值或中值。在其它的实施例中，通过乘法或除法实现规格化。例如，通过将链接强度乘以（1-X），一定的百分比可像税一样从受影响的链接减去，其中X是0到1的税率。本方法中的税率可以是不断进步的以适应用户和评论者向小数量的更流行的场所聚集的倾向，如这里讨论的那样，这可导致这些场所对神经网络的剩余部分投射太大的阴影或具有过度的影响。

应当注意，规格化可以以局部级别或网络级别发生。以局部级别，连接到某些节点的所有链接可被规格化，或者去向或来自某个节点的所有链接可被规格化（回想一下，链接可以是单向的或不对称的）。作为替代方案，规格化可以以数据矩阵级别发生。例如，基于内容的链接矩阵可被规格化，或者网络的其它数据子集可被规格化。

图13表示高次连接的另一形式，即连接蠕变。在本例子中，图12中的餐馆10与餐馆1之间的链接被视为太高，原因是它会对连接的节点具有过度的影响。因此，从链接10/1减去1.5的链接强度，向较不强烈为正的链接10/2、10/7和10/8加上0.5。链接10/1强度的部分不被重新分配给链接10/9，原因是它已在预先确定的阈值之上，在该阈值之上链接不具有增加的连接蠕变红利，或者在该阈值之上不应添加高次链接。

用户界面

图14是用于部署在web入口或诸如台式计算机、智能电话、平板PC、汽车多媒体界面或其它移动计算设备的客户端设备处的示例性用户界面。服务器或本地应用提供演变的个性化标志和个性化音频音轨以匹配所显示的行程。当用户通过界面导航不同的功能或页面时，音轨可持续并与用户一起“旅行”。界面还被设计为向用户提供生物视觉数据反馈。系统允许用户基于他们从系统接收的反馈陈述他们的目标和意图。

图14是向用户提供选项的直观视角、用于收集/比较/预筛选/考虑的空间、和立即行动的能力的概要页面。具体而言，概要页面具有三个不同的部分和功能。

首先，在推荐面板1410处，呈现多个推荐。在优选的实施例中，如图14所示，存在提供的5个推荐。在其它的实施例中，提供2-7、3-6、4-6、4-8、4-9或2-10个推荐。推荐的数量可以以每个场所为基础，使得向餐馆提供5个推荐，并推荐同样的数量的宾馆。作为替代方案，提供较少数量的补充场所（例如宾馆）推荐。

其次，收集和比较面板1420提供用于比较和对照兴趣推荐的位置。面板提供场所风格或类型、场所名称、地理区域和价格。面板还提供针对各种场所预订或检查可用性或评级的按钮。可选地邻近每个场所提供用于向Ava日历（后面讨论）添加事件的按钮。还提供指示每个场所的活动和/或预订的当前状态的状态标识。可选地，可提供按钮以开启在地图上描绘场所的窗口或图像。

第三，日历面板（未示出）将馈送或导入用户个人Ava日历的视图并提供对用户日程和可用时间的立即评价的交互性。日历允许导入用户的其它约会并向诸如Outlook、Google和iCal的任何第三方日历系统导出Ava日历项目。

这三个面板被配置于页面下部，使得决定的做出在页面上从选项菜单（顶部）向下流向考虑和比较（中间）以达成决定、并最终到达日程安排/预订/发布/共享/行动（底部）。在某些实施例中，该配置可有利于做出决定。

用户可在这三个阶段中的任一个处直接预订推荐，或者在前两个阶段中的任一个处添加推荐到日历。该配置在某些实施例中可提高用户基于推荐进行预约或预订的可能性。

附加的可选功能（未示出）包括交通预约界面。例如，界面可呈现启动与诸如出租车服务的第三方交通提供商通信的预订或预约入口并做出与餐馆或其它预订对应的预订的交通按钮。该界面还允许在一天或多天范围内的多个其它推荐活动中的两者或多者之间安排交通服务。

类似地，可对多种多样的补充场所、服务或活动提供预订功能。例子包括宾馆房间、机票预约、电影票、剧院票、博物馆票、音乐票、体育活动、产品递送（诸如花）、房产服务或搬家服务（诸如城市之间的包装和运输服务）。

界面可基于第一预订场所或行动选择性地建议替代性的行动或场所。例如，餐馆预订可提示产生夜店或剧院推荐。作为另一例子，预订通过房产代理的房产旅行可提示对搬家服务的推荐。随后的预订又可产生对最近的预订、更早的预订或者两者进行补充的附加推荐。

可根据以上阐述的技术过滤和选择这些后续的推荐。具体而言，推荐可以是根据用户的简档、属性、场所偏好、过去预订行为和/或之前关于某些场所的反馈的。例如，推荐可根据用户对链接到潜在的第二或第三推荐的给定场所所表达的偏好或用户的最近预订如上面阐述的那样而被过滤。

也可基于诸如由智能电话GPS数据提供的实时位置信息提供推荐。系统100可发送包括部分地基于位置和/或时间的推荐或者提示用户访问界面以接收推荐的电子消息或警告。例如，如果已知用户在推荐引擎对该特定用户排序很高的演出开始前不久接近剧院，那么系统100可向用户产生包括推荐、到系统的web入口的超链接、或用于激活可启动这里描述的界面的客户端推荐应用的链接的电子警告。

警告或推荐可基于与场所有关的促销特价产生并附有该促销特价。例如，电子通知可包含推荐连同针对有关的潜在预订或预约的促销折扣。也可部分地基于促销状态选择在界面中（或经由电子消息）呈现的推荐。也就是说，推荐引擎可强化与促销特价相关联的链接节点，因此引擎在确定要推荐的节点（即，与和用户或推荐请求相关联的节点最强烈地链接的那些）时会将促销特价考虑在内。

推荐引擎可同样地将关于推荐的场所和相关联的“网站转换率”的用户反馈考虑在内。例如，与这里教导的技术一致，可对用户基于推荐较频繁地进行预约的场所增加链接强度。

可向用户提供简档页面或“我的账户”页面，该简档页面或“我的账户”页面提供关于该数据和收集或共享用于提供对于行为的洞察和视角的任何其它数据的分析。该页面向用户提供作为“习惯打磨”的反馈机制，原因是关于自身活动的分析以视觉形式被提供。例如，页面可在诸如健康（健身房、瑜伽）、家庭（博物馆、旅行、吃饭）和差事（牙医、技工、杂货店）的可定制的目标分类内呈现行动的图形趋势。基于用户限定的目标，概要页面的建议可被做为特色以突出相关的活动来填充现有的日历时间间隙。

界面也可提供其它的提示以有利于行动和打磨习惯。例如，界面可提供嵌入移动设备应用中的提示计划活动之间的过渡和计划的开始的暗示和触发器。例如，移动客户端应用可触发在下一计划活动时的钟声、减少围绕差事的焦虑的音乐、在出现下一计划活动时的定制的音乐过渡、或者在下一计划活动时的视觉提示（闪烁的LED）。

如所提及的，可通过多种多样的设备呈现这里所描述的界面。还构想了附加的装置，包括电视屏、第三方网站（通过伙伴关系）、店内售货亭或个人钥匙链或软件狗。

商户界面

场所可由可包括诸如餐馆所有人、航空公司或宾馆运营者的商户的第三方运营。系统100可被配置为向商户提供用户行为的可视化表示。例如，可向商户提供对蚂蚁足迹数据模式（包括实时的）的访问。商户可与这些模式“交互”并请求系统100注入与用户的当前位置和所表达的偏好有关的诸如促销特价的颠覆性内容。

也可向商户提供其顾客（即光顾其机构的用户）的喜欢和厌恶的匿名简档。这可包括由评论者和提供反馈的用户（其也构成评论者）提供的评论。

说明性的实现

以下讨论与以上的教导一致的一个说明性系统的实现。讨论被一般地组织为四个部分：内容收集、内容组织、个性化和用户界面。

内容收集系统的目标是执行3个步骤：1）识别“对象”（场所、活动和其它的用户兴趣实例），2）找到/匹配具有关于这些对象的深度信息（对象特性、评论和与其它对象的关联性）的电子页面，以及3）将页面检索到存储系统中。

在本例子中要被检索的对象构成基于兴趣对象的任何一组web页面。可基于分类、特定分类的过滤器和作为目标的内容源而选择对象。

这种类型的检索又可分解为几个内容模式。内容模式1被称为“Global Grab”。在该模式中，系统寻求识别和检索关于分类中的每个对象（例如“San Diego的所有餐馆”）的信息。在内容模式2——保持同步中，系统寻求使收集关注于：i）刷新关于旧对象的陈旧信息，或ii）识别旧分类的刚出现的新对象。在称为智能浏览的内容模式3中，系统寻求使数据搜索基于其实时发现动态地对自身更新，以“放大”并关注特定的趋势和对象。

一种类型的Global Grab是蜘蛛爬取。这是由因特网搜索引擎使用的常规方法，根据该常规方法，系统下载内容提供商的站点的页面、扫描该页面以获得到站点上的其它页面的链接、并接着下载这些页面。通过重复该过程，可覆盖整个站点。系统还可实现页码标记搜索，其中系统主动寻求例如类似于“餐馆”的术语的第1页，接着是第2页，以此类推。

另一类型的Global Grab是爬行。有时，诸如在站点阻挡自动索引的情况下，期望不必直接从内容站点得到页面。在这种情况下，可以从搜索引擎的高速缓存复制站点的结构，该搜索引擎爬行并高速缓存每个页面作为因特网的“另一拷贝”。这里，系统使用搜索引擎以搜索兴趣URL。通常，将在第一结果中包括URL连同到页面的高速缓存拷贝的“高速缓存页面”链接。系统接着可下载在与原始页面相同的“高速缓存页面”中列出的链接。系统接着可扫描该页面以得到到站点上其它页面的链接，并针对这些页面重复该处理。

第三类型的Global Grab涉及得到所有对象的列表并接着在站点内找到这些对象。这是被设计为比蜘蛛爬取更全局性的方法，以确保从给定站点检索分类的每个单个对象，如果对象可用的话。首先，诸如通过爬行类似于用于“San Diego的餐馆”的Yellowpages.com的因特网目录，创建目标对象的完整列表。接着，系统将具有该对象的完整列表，对象的数据是被需要的。下一步骤是，在搜索引擎中依次搜索这些对象中的每个，将搜索限于来自目标网站的页面。从因特网目录提取的数据的不同组合可被用于对搜索询问排名，并且通常，企业名称、都市名称和电话号码是用于锁定到目标站点上的对象上的有用方式。

搜索引擎会检索目标兴趣站点上的与这些搜索询问参数匹配这些搜索询问参数的页。通常，结果中的前几页中的一个是正确的匹配。通过针对因特网目录中的每个对象重复该搜索引擎和检索处理，系统可能构建关于该分类的目标站点的数据的完整复制。

第四类型的Global Grab涉及第三方爬虫。可以设想，第三方服务将爬行web并使得这些爬行的结果可用于购买。在这种情况下，由于系统可向服务询问从一定的网站组产生的每个页面，Global Grab方法的第一步骤被简化。如果这种第三方服务也使得页面可用于检索，那么爬行的速度被提高。

转到内容模式2——保持同步，假定系统已完成Global Grab并具有给定分类的所有对象的数据。任务则变为在对象的数据变化时，与对象维持同步或更新。可引入新对象，诸如当餐馆开张时。旧对象可变得过时，诸如当餐馆关闭时。关于对象的数据可以变化，诸如如果营业时间或菜单项目变化的话。通过在全局目录上进行爬行（其速度快）并接着关注对象列表的任何变化，新旧对象可被识别。作为替代方案，系统可舍弃旧数据并接着运行新的Global Grab。最后，系统可依赖于“更新通知”，其可以以几种形式被获取：i）一些站点关注这些变化，诸如本地报纸中的“新餐馆列表”；ii）许多内容提供商API将通知站点的开张和关闭；iii）URL和web页面标题经常会接收可被迅速筛选的“关闭”戳记。基于数据的类型（活动立即过期，餐馆可能需要每几个月被刷新以检查主要变化），由系统收集的每条数据被标注有过期日期。已经过期的数据可具有重新检索的关联页面以用于刷新。由于URL是已知的，因此重新检索处理被简化。

内容模式3——智能协调检索——涉及“吃节点”或检索计算机，它们可基于实时活动协调其搜索以优化响应于大规模用户行为的内容收集。在该实现中，检索计算机被给予对检索队列的“写”访问。如果检索计算机识别出与它们的原始目标类似但更强的趋势，那么检索计算机可召集其它计算机以通过将新目标（或目标区域内的一组目标）写到检索队列上而更深入地观察该现象。如果线索被证实是有误的并指示了更加错误的线索（例如如果站点区域被垃圾或陈旧数据覆盖），检索计算机则也可通过相互警告而在收集过程中智能地交互。在这种情况下，检索计算机可扫描队列并删除队列上的类似的作业，使得将来的计算机不使资源用于查探低价值的目标区域。以这种方式，不同的搜索节点借助于共享的队列再次相互通知关于其掌握了什么，以帮助引导它们的协作搜索。

下面转到将对象匹配到内容页面，每当系统从关于兴趣对象的目标站点收集数据时，系统应确保目标站点上的数据实际上是引用兴趣对象。当在不同的站点之间尝试交叉引用对象时，这是特别正确的。系统可选地利用“匹配可能性”分数以做出该确定，其中考虑多个变量。例如，如果系统尝试匹配两个不同站点上的场所，那么它们具有相同的电话号码或地址的事实会趋于指示它们为同一场所。范围一致的数值标识对于该目的是特别有价值的，诸如电话号码、UPC符号和纬度/经度。也可使用诸如地址的非数值标识（字符串），并且可通过取得字符上的汉明距离或者解析出每一个的街道号码、街道名称等来检查两个站点的地址的相似性。

通过使用来自一个站点的数据来选择在另一站点上找到的对象，数据在多个站点之间被交叉引用，接着使用上述的步骤以从不同站点上的这些对象找到新的内容页面。

检索计算机群可通过以编程方式从头构建每个检索计算机而被创建。每个计算机是从诸如Amazon Machine Image（AMI）的盘镜像被重现。AMI被载入为Amazon EC2（弹性云计算）上的弹性计算节点或使用以Java编写的标准库的其它服务。AMI具有计算机所需要的一切，包括Java运行时环境、与诸如Git等的中心版本控制仓库通信的能力。AMI还具有在EC2节点诞生时运行并在EC2节点诞生时接收传递给EC2节点的启动脚本。到启动脚本的用户参数告诉它在哪里下载用于节点的最新代码指令，诸如S3位置的URL或Git仓库的URL。启动脚本具有访问最新代码指令并将代码载入到新的EC2节点上的凭证。群中的每个EC2节点下载类似的指令，因此它们均准备共同的任务。这些指令告诉它如何连接到具有要检索的URL的消息队列，以及如何从事检索处理。每个检索计算机接着启动下载的代码（运行JAR文件等）并因此开始工作。最后，群中的每个计算机被分配其自身的IP地址（经由Amazon弹性IP系统等），使得它们可独立于其它节点地由内容站点调节，并与其它节点并行地工作。

通过使用系统想要检索的页面的URL列表（通常很长，有几百万），任务被分布于检索计算机群中。该列表可以是文本文件、数据库表或其它简单的串行存储系统。目标是在该多个计算机之间分布这些URL。通过与独立于所有检索计算机生存的队列服务而最佳地实现该处理。作为例子，Amazon提供简单队列服务（SQS），其中每个URL作为字符串消息被存储于队列上。因此，队列保持存储器，存储器的URL仍要被爬行。群中的每个计算机可向队列询问要被爬行的下一项目。队列接着将项目分配给特定的检索计算机，并将该项目标记为“锁定”，使得其它的检索计算机不再尝试在该项目上工作。同时，系统监视检索计算机是否以及时的方式完成了任务。如果检索计算机没有再联系队列以说明作业被完成，那么队列将项目恢复为“未锁定”，使得其它的计算机可执行任务。一旦计算机再联系队列并通知它任务已被完成，那么队列从队列去除该项目。因此，可在任意数量的检索计算机之间共享的工作流被建立，在工作流中，检索计算机可同时操作以贯穿检索任务列表而工作。

页面由群中的所有计算机被检索。通过从消息传送队列取得消息，每个检索计算机已具有要检索的URL。计算机接着执行将远程文件（web页面等）的内容流处理到存储器中的功能（在PHP中为file_get_contents；在Java中为url.openStream()；等等）。计算机接着将该文件保存到全局存储系统（见下）。关于重复速率，应当注意，没有单个的计算机太迅速地命中给定的内容源。因此，每个计算机被“调节”以仅在每0.1-10秒完成一个页面请求。以上讨论的第三方爬虫的使用可使得不需要以这种方式进行调节。每个页面请求被检查以确定其是否成功，并且如果出现失败，那么在下一尝试之前使用更长的间隔。系统可针对间隔回滚实现不同的安排，诸如指数回滚。

全局存储系统可以是分布式存储平台（Amazon S3等）。在Amazon S3的情况下，数据作为URL被存储于可从任何计算机访问的桶中。每个检索计算机在S3（或其它服务）上的仓库文件夹中将检索文件的内容存储为也是URL的文件路径字符串。因此，日后，文件可通过输入存储系统URL而被检索。对这些仓库文件夹的访问是私有的，使得它们只可通过系统的内容收集和内容组织系统被访问。

现在转到内容组织，目标是取得从因特网收集的内容并将其组织以供通过界面访问。输入可以是最新的一组所收集的web页面的硬驱动目录。输出可以是上传到大规模（但高度组织化）的数据库的数据。输出可通过重复以下的处理产生：1）找到页面；2）解析页面的信息；3）将页面匹配到数据库中的对象；4）更新数据库。

另一计算机群可被部署以组织内容。如以上在检索计算机的情况下中描述的那样，内容组织计算机可通过以编程方式从头对其进行构建而被复制。每个计算机是从诸如Amazon Machine Image（AMI）的盘镜像被重现。AMI被载入为Amazon EC2（弹性云计算）上的弹性计算节点或使用以Java编写的标准库的其它服务。AMI具有计算机所需要的一切，包括Java运行时环境、与诸如Git等的中心版本控制仓库通信的能力。AMI还具有在EC2节点诞生时运行并在EC2节点诞生时接收传递给EC2节点的启动脚本。到启动脚本的用户参数告诉它在哪里下载用于节点的最新代码指令，诸如S3位置的URL或Git仓库的URL。启动脚本具有访问最新代码指令并将代码载入到新的EC2节点上的凭证。群中的每个EC2节点下载类似的指令，因此它们均准备共同的任务。

内容组织群中的每个计算机接收2段信息（计算机被编程为找出该信息以在其启动指令中使用）：1）要成为其大脑的代码指令的存储空间位置；2）其接收要被处理的素材的作业队列的位置地址。系统通过创建和管理内容组织处理而控制内容组织群。系统限定需要被组织的所有页面的存储目录。系统因此将该目录变为作业的列表，在这里，每个作业是要被处理的文件。系统接着创建任务队列（见下），用任务将队列载满，并且设定队列的属性以确定为任务在其被收回并分给其它计算机之前完成所拨给的时间。

任务队列可通过使用Amazon简单队列服务（SQS）或个体计算机外部的一些其它的服务而被实现。系统用需要被组织的页面的列表将作业队列载满。队列中的每个项目是全局存储空间中到需要被组织的页面的URL地址。目标是在许多计算机之间分布这些URL。队列允许计算机得到URL并维持存储器，存储器的URL也必须被组织。群中的每个计算机可向队列询问要被爬行的下一项目。队列接着向计算机分配项目，并将给项目标记为“锁定”使得其它计算机不同样尝试在该项目上工作。同时，系统监视队列以确定计算机是否以及时的方式完成任务。如果计算机没有向队列指示任务在拨给的时间内被完成，那么队列将项目恢复为“未锁定”，使得其它计算机可得到该任务。一旦计算机再联系队列并通知它已经完成任务，队列就从队列去除该项目。因此，可在任意数量的检索计算机之间共享的工作流被建立，在工作流中，检索计算机可同时操作以贯穿检索任务列表而工作。

内容收集群的全局存储系统可以是分布式存储平台（Amazon S3等）。在Amazon S3的情况下，数据作为URL被存储于可从任何计算机访问的桶中。每个检索计算机在S3（或其它服务）上的仓库文件夹中将检索文件的内容存储为也是URL的文件路径字符串。因此，日后，文件可通过输入存储系统URL而被检索。对这些仓库文件夹的访问是被限制，使得它们只可通过系统的内容收集和内容组织系统被访问。

系统可利用用于文件名称空间的以下的全局结构：date_retrieved/data_format/content_provider/city/category/。例如，2011-07-07/xml/google/boston/restaurants/。然而，根据爬行的源，原始数据文件可能实际上尚未被组织成该目录结构。在这种情况下，爬行结果应被分类成根据该结构组织的文件。

对于分类原始爬行结果，系统首先检查在内容收集期间检索的所有文件并根据其所代表的对象将其分类。一种这样做的方式是检查爬行的URL。URL会公开内容提供商、城市/都市区域和分类。对于不能从URL计算出这一点的站点，可从文件中的其它地方（地址字段等）提取数据。可从所存储的文件的元数据检索爬行的数据。接着应用于所提取的对象的爬行结果文件（或爬行结果文件的一部分）可被保存在上述的目录结构中。以这种方式，所有的原始爬行结果被放在组织化目录结构中以有利于后续对数据库的组织。

通过访问被分类的文件所位于的存储系统目录，队列被加载（见上）。系统接着蜘蛛爬取该目录以发现该目录及其子目录内的所有文件的列表。系统接着创建作业队列（如上所述）以保持要解析的文件的列表。接下来，系统向队列上传文件位置（到文件的URL），作为给队列的消息阵列。在该点上，队列载有要被解析和组织的一组文件。

每次当群中的计算机前往队列并检索要组织的经分类的页面时，计算机首先从URL分析以下信息：确定如何读取文件的数据的“数据格式”；确定应用哪个页面解析器的“内容提供商”；和确定要提取什么类型的对象的“分类”。计算机已经在其存储器中具有所有不同的解析器，计算机在自身被部署时下载了这些解析器。计算机基于内容提供商和数据格式选取一个解析器，并在文件上运行它。输入是文件自身，输出是存储器中的数据对象，其具有从文件提取并存储在字段中的值。

每次当计算机解析文件并将其数据对象存储在存储器中时，数据接下来被添加到数据库。首先，计算机不得不识别对象在数据库中的位置。这是通过基于对象的分类选择数据库表（在Amazon中为域）并以降序使用以下所述的来定位对象的行来实现的：i）来自内容提供商（例如，local.yahoo.com上的餐馆id）的对象的唯一id，ii）诸如电话号码的另一唯一数字标识，和iii）名称、地址和纬度/经度模糊匹配。如果确定的条目还不存在，那么计算机创建新的行。计算机接着在该行上运行更新，从而为了效率在单个数据库命中中更新每个属性（字段）。针对计算机在队列中碰到的每个经分类的页面重复这一点，直到所有经分类的页面已被组织到数据库中。

接下来，系统通过产生神经网络结构而对内容个性化，神经网络结构将世界中的对象连接为网络内的节点。系统基于关于用户的亲切感所已知的东西来激活节点的子集。通过网络跟随激活以推论用户喜欢别的什么。

神经网络可按如下被实现。到节点的连接被存储为列表{N1、W1、N2、W2、…}，这里，连接的节点N与其权重W成对。该列表在数据库中与节点的其它属性被保存在相同的行中。另选地，也可存储来自节点的连接的列表。要被激活的节点的子集由用户提供的关于喜欢和厌恶的数据而被识别。用户可被要求在不同的分类中回答他们的“喜好”。用户也可对向他们所给出的推荐提供反馈，反馈可以是二元的（批准或不批准）或者其可以是连续的（例如，1到10或-10到10）。系统组装“正激活节点”的列表并分配激活水平，该激活水平是喜好（例如10倍激活）或者被反馈驱动（例如，1到10倍激活）。类似地，系统组装“负激活节点”的列表并分配激活水平（例如，-1倍到-10倍）。

对于用户列表中的每个节点，通过在数据库中访问与web上的该对象共同的共同出现组，连接被建立。系统检索该对象列表并构建从我们的节点到分别具有5个正突触的这些对象的连接。

连接也可基于特征相似性。对于用户列表中的每个节点，系统识别具有类似属性的节点。对于要被匹配的分类，系统取得最突出的属性（例如对于餐馆，为价格、菜肴和气氛），并从数据库搜索与该特征组匹配的其它餐馆。每个匹配产生2个正突触。

连接也可基于交叉访问被建立。对于用户列表中的每个节点，系统识别已经由其它用户交叉访问过的节点。这些用户可以是系统的用户（例如与系统相关联的订购服务的用户）或因特网上其它位置的活动，系统具有关于该活动的数据。这可通过索引评论和对所有节点进行响应来实现。系统识别对兴趣节点的强烈响应，识别提供这些响应的用户，并识别这些用户对其类似地具有强烈响应的其它节点。系统可将这些节点连接到我们的兴趣节点，其中每个类似的响应具有1个正突触。

通过将用户厌恶什么以及与用户确实喜欢的事项不一样的事项考虑在内，负突触可有利于推荐过程。这两个关联涉及负突触，其增加了表示的丰富性。例如，系统可识别对兴趣节点的强烈响应，识别做出这些响应的用户，并识别这些用户对其具有相反的强烈响应的其它节点。作为替代方案，系统可识别用户厌恶的节点，识别厌恶该节点的其它人，识别这些人确实喜欢的节点，并将这些节点正链接到我们的用户偏好。

有时，网络可表现“失控连接性”，这里，一些事项被更多地连接，这接着给予其进一步被连接（例如更多的同时出现）的优势，这又趋于产生更进一步的连接。因此，系统可规格化连接性，其实现是通过检查到节点的现有连接的列表、确定它们的总值（例如连接数N×平均权重W），并且在总值超过某个阈值的情况下，将所有的连接权重除以恒定值以使它们回到范围中。这可对所有的节点重复。作为替代方案，可通过基于通向节点的N*W项的除法、基于来自节点的N*W项的除法、和在整个网络中除以总N*W项来实现规格化。针对其的实现可涉及读取数据库中的节点权重的列表，对这些权重执行规格化，并将新的权重写回到数据库。

添加连接节点的新突触也可立即影响其它的连接。在向列表添加连接时，到该节点的其它连接可以以等于它们与新连接强度的比例的倒数的量被“征税”，即，添加+1突触则以1/10＝0.1对已经在该节点上的其它10个突触征税。当突触变得太弱以至于低于一定的阈值时（通过交互征税或通过规格化），则其被去除（从列表被删除）。

从节点到节点的连接可不断地被分析、更新和巩固以考虑在节点之间出现的账户模式。作为简单的例子，如果A形成到B的强链接且A形成到C的强链接，那么链接B和C的连接可被巩固。可通过使用针对这种模型检查数据库条目的专用脚本来搜索这种模式，并接着将巩固变化写回到受影响的节点列表。

所有这些处理的结果是丰富的信息基础，其准确地将大量多种多样的节点链接到用户的建立的兴趣节点，并具有明显的动态范围和相当的检索效率。

为了检索与用户相关的节点的列表，系统仅需要接着“激活”用户的建立的节点并跟随它们的连接来检索更多的节点，这些节点如足够强地被连接则也将激活，并且根据初始激活强度跟随那些连接到进一步的节点，直到激活根据连接强度随每个连接跳跃逐渐消失。因此，连接强度是激活通过网络传播的阻力的倒数。

通过该过程有效激活的节点的总列表（推荐组）可接着被存储在链接到数据库中的用户的列表中，以供用单个数据库调用来检索，于是列表可相对一组呈现结果被交叉引用。可选地，可针对不同的分类或不同的呈现场景存储不同的子列表，其高速缓存结果用于快速个性化。

用户界面可包括：i）限定web界面的观感的一组HTML文件，其具有使用层叠样式表单（CSS）样式化的设计要素；ii）通过使用在web服务器（Apache等）上运行的后端脚本语言（PHP等）动态产生这些HTML文件的服务器侧脚本集合；iii）允许浏览器（Javascript、jQuery等）内的丰富的用户交互的客户机侧脚本和界面库集合；iv）向web应用（AmazonSimpleDB等）提供数据的后端数据库。

用户界面的功能包括允许用户创建账户并通过使用相对我们的后端数据库中的加密用户表被验证的安全凭证登录。界面还允许用户浏览对象并观看它们是否被推荐。界面允许用户通过城市、通过分类、并接着通过与这些分类有关的许多属性来过滤这些对象。用户可通过点击拇指向上/拇指向下或其它的反馈机制输入对他们的推荐的反馈。界面允许用户将推荐拖拉到“被考虑”区域上，在这里通过使用可分类标题等推荐可在不同的参数之间被比较。界面允许用户将对象拖动到他们的日历上，以通过在某个时间前往对象对其“行动”。界面允许用户构建事件，诸如“我的纽约城市旅行”，在这里用户可创建一组餐馆、宾馆和已推荐的其它机会。用户可输入关于其推荐的评注，以例如自我提醒各种印象。用户可打印出其事件的旅行计划拷贝，或者将这些旅行计划电邮给自己。他们的日历也与其智能电话等上的全球日历同步。用户可与其它人分享他们的推荐，或者构建事件并与其它人分享它们。

界面可经由可扩展的云架构实现。web服务器作为Linux CPU节点在Amazon弹性云计算（EC2）系统上运行。web服务器通过使用弹性IP或其它IP地址中介器接收独立的IP地址。web服务器负载被监视，用户在服务器之间动态分布。过多的用户负载跳脱阈值，这导致创建更多的EC2节点。当用户负载下降到太低时，其跳脱阈值，这导致EC节点的删除以节省成本。

为用户预先计算所有推荐对象的列表。当用户经由界面请求对象时，系统在呈现之前简单地检查这些对象的ID，以看出对象是否出现在推荐列表上。在另一迭代中，个性化被实时计算而不需要预先高速缓存的推荐对象的列表。在本例子中，由于对象将通过界面被呈现，所以它们在该时刻通过个性化引擎被运行以计算它们是否被推荐。

在一些例子中，服务器和/或客户端设备（例如台式计算机或智能电话）被实现在数字电子电路中，或者在计算机硬件、固件、软件中，或者在它们的组合中。装置另选地实现在有形地具体实现在信息载体中（例如在机器可读存储设备中或在传播的信号中）的计算机程序产品中，以由可编程处理器执行；并且，方法步骤由执行指令的可编程处理器执行，以通过操作输入数据和产生输出来执行所描述的实现的功能。另选地，所描述的特征有利地被实现在在可编程系统上可执行的一个或多个计算机程序中，可编程系统包括所耦合的、在与数据存储系统之间往来数据和指令的至少一个可编程处理器，至少一个输入设备，和至少一个输出设备。计算机程序是可选地直接或间接地在计算机中使用以执行一定的活动或产生一定的结果的一组指令。计算机程序另选地以任何形式的编程语言被编写，包括编译或解释语言，并且它以任何形式被部署，包括部署为独立程序或模块、组件、子例程、或适合于在计算环境中使用的其它单元。

作为例子，用于执行指令程序的合适的处理器包括通用微处理器和专用微处理器，和任何类型的计算机的单独处理器或者一个或多个处理器。一般地，处理器会从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本要素是用于执行指令的处理器和用于存储指令和数据的一个或多个存储器。一般地，计算机还会包括用于存储数据文件的一个或多个大规模存储设备，或者与这些设备可操作地耦合以与其通信；这样的设备包括：诸如内部硬盘和可移动盘的磁盘；磁光盘；和光盘。适合于有形地具体实现计算机程序指令和数据的存储设备包括所有形式的非易失性存储器，举例而言，包括：半导体存储器设备，诸如EPROM、EEPROM和闪存设备；磁盘，诸如内部硬盘和可移动盘；磁光盘；和CD-ROM和DVD-ROM盘。处理器和存储器另选地由ASIC（专用集成电路）补充或者被加入其中。

为了提供与用户的交互，一些实例中的特征被实现在具有诸如LCD（液晶显示）监视器或屏幕的用于向用户显示信息的显示设备的计算机上，在台式计算机的情况下，计算机具有键盘和诸如鼠标或跟踪球的指点设备，用户可通过其向计算机提供输入。

在各种实现中，客户端设备是智能电话，诸如在发明名称为“PortableMultifunction Device,Method,and Graphical User Interface for TranslatingDisplayed Content”、转让给Apple,Inc.的美国专利号7,966,578中所描述的，该专利通过引用并入于此。

上述服务器功能另选地实现在计算机系统中，其包括诸如数据服务器的后端部件，或者其包括诸如应用服务器或因特网服务器的中间件组件，或者其包括诸如具有图形用户界面或因特网浏览器的客户端计算机的前端组件，或者其具有它们的任何组合。系统的组件以任何形式或诸如通信网络的任何数据数字通信介质而连接。通信网络的例子包括例如LAN、WAN和形成因特网的计算机和网络。

计算机系统另选地包括客户端和服务器。客户端和服务器一般相互远离，并且通常通过诸如所描述的一个网络交互。客户端和服务器的关系借助于在分别的计算机上运行并且相互具有客户端-服务器关系的计算机程序而产生。

已经描述了大量的实施例。然而，可以理解，在不背离本公开的精神和范围的情况下，各种修改是可选的。因此，其它实施例落入以下的权利要求的范围内。

Claims (23)

1.一种计算机实现的方法，包括：

接收多个用户的属性数据，该数据与用户的多个属性有关并与用户对其具有亲切感的至少第一场所有关；

接收多个场所的场所数据，场所数据与该场所的多个属性有关；

接收多个场所的评论数据，评论数据反映多个评论者对该多个场所的亲切感；

访问包括至少与该多个场所和该多个评论者对应的节点并且还包括所述节点之间的链接的数据网络，每个链接反映至少两个节点之间的相互关系的强度，其中至少多个链接强度是至少根据评论数据和场所数据的，并且其中至少多个链接强度还是根据基于内容的相互关系和协作相互关系两者的，并且部分地基于场所之间的高次相互关系；

基于链接强度和至少一个场所参数确定与用户具有最强的链接的多个推荐场所；

产生包括至少一个推荐场所的推荐数据；和

向客户端设备提供用于在客户端设备的屏幕上显示的推荐数据。

2.根据权利要求1的方法，其中至少多个链接强度还是根据内容-协作相互关系的。

3.根据权利要求1的方法，其中至少多个链接是方向不对称的。

4.根据权利要求1的方法，其中该数据网络被配置为通过对受影响的链接的局部化算术运算被动态更新。

5.根据权利要求1的方法，其中该数据网络包括用于协作链接的第一数据结构和用于基于内容的链接的与第一结构分立的第二数据结构。

6.根据权利要求1的方法，其中评论数据是从第三方评论web站点收集的。

7.根据权利要求1的方法，还包括检索并解析包括场所的评论的、高速缓存的搜索引擎页面。

8.根据权利要求1的方法，其中链接强度部分地基于来自协作相互关系的连接生长。

9.根据权利要求1的方法，其中链接强度部分地基于来自协作相互关系的连接蠕变。

10.根据权利要求1的方法，其中链接强度部分地基于场所之间的二次相互关系。

11.根据权利要求1的方法，还包括提供包括竖向设置在场所比较部分之上的概要部分的用户界面，场所比较部分竖向设置在预约部分之上。

12.一种用于在客户端设备上提供场所推荐的计算机实现的方法，包括：

从客户端设备向服务器设备传送用户的属性数据，该数据与用户的多个属性有关并与用户对其具有亲切感的至少第一场所有关；

从客户端设备向服务器设备传送包括至少一个场所属性的推荐请求；

从服务器设备接收识别多个推荐场所的数据，每个推荐场所是基于数据网络内的场所与用户之间的节点相互关系的强度被选择的，该数据网络包括至少与多个场所和多个评论者对应的节点并且还包括所述节点之间的链接，每个链接反映至少两个节点之间的相互关系的强度，其中至少多个链接强度是根据与场所的多个属性有关的场所数据和反映多个评论者对该多个场所的亲切感的评论数据的，并且其中至少多个链接强度还是根据基于内容的相互关系和协作相互关系两者的，并且部分地基于场所之间的高次相互关系；和

在客户端设备的屏幕上显示识别该多个推荐场所的数据。

13.根据权利要求12的方法，其中至少多个链接强度还是根据内容-协作相互关系的。

14.根据权利要求12的方法，其中至少多个链接是方向不对称的。

15.根据权利要求12的方法，其中该数据网络被配置为通过对受影响的链接的局部化算术运算被动态更新。

16.根据权利要求12的方法，其中该数据网络包括用于协作链接的第一数据结构和用于基于内容的链接的与第一结构分立的第二数据结构。

17.根据权利要求12的方法，其中评论数据是从第三方评论web站点收集的。

18.根据权利要求12的方法，还包括检索并解析包括场所的评论的、高速缓存的搜索引擎页面。

19.根据权利要求12的方法，其中链接强度部分地基于来自协作相互关系的连接生长。

20.根据权利要求12的方法，其中链接强度部分地基于来自协作相互关系的连接蠕变。

21.根据权利要求12的方法，其中链接强度部分地基于场所之间的二次相互关系。

22.根据权利要求12的方法，其中每个亲切感可选地为负。

23.根据权利要求12的方法，还包括在客户端设备上显示包括竖向设置在场所比较部分之上的概要部分的用户界面，场所比较部分竖向设置在预约部分之上。