基于社交活动数据的排序的制作方法

学会基础的数字排序方法，如升序降序 #生活技巧# #工作学习技巧# #数字技能提升#

基于社交活动数据的排序的制作方法
【专利摘要】本申请描述了基于社交活动数据的排序。本文描述的各种技术涉及使用社交活动数据来对由计算操作针对用户而返回的结果的排序进行个性化。针对计算操作所返回的结果中的每个结果，可以计算用户对相应结果的相应第一亲和性和用户对相应结果的相应第二亲和性，并将相应第一亲和性和相应第二亲和性用于对结果进行排序。可以基于用户的社交活动数据与点击了相应结果的第一组历史用户的社交活动数据之间的相关性来计算用户对相应结果的相应第一亲和性。此外，可以基于用户的社交活动数据与跳过了相应结果的第二组历史用户的社交活动数据之间的相关性来计算用户对相应结果的相应第二亲和性。
【专利说明】基于社交活动数据的排序
【技术领域】
[0001]本发明涉及数据处理领域，更具体而言，涉及基于社交活动数据的排序。
【背景技术】
[0002]社交网络服务是能够有助于(例如，基于共同的兴趣、活动、背景、真实生活联系等)在人们中建立社交网络的在线服务、平台或者站点。社交网络服务可以包括对每个用户的展示(例如，用户简介)，并且每个用户可以具有和其他用户的联系。社交网络服务还可以使用户能够将其个人网络中的想法、活动、事件、兴趣等分享到他们的个人网络的子集或者分享给公众(例如，其个人网络之外的用户)。
[0003]一些传统技术采用与用户的社交网络相关联的数据来将搜索引擎向该用户返回的搜索结果进行个性化。例如，一些传统方法使用与特定用户有联系的其他用户(例如，该特定用户的一跳或者两跳联系等)的社交网络活动所关联的数据，来对响应于搜索查询而向该特定用户返回的搜索结果进行扩充或者个性化。传统技术的示例包括:基于由与特定用户有联系的其他用户所表达的关于社交网络内容的反馈，来对针对特定用户的搜索结果进行注释；以及对特定用户的、被与该特定用户有联系的其他用户最近阅读或者推荐的搜索结果进行突出显示。然而，与特定用户有联系的其他用户的社交网络活动所关联的数据的稀少性可能导致该特定用户的搜索查询几乎不受这种传统技术影响。
[0004]此外，用于对搜索引擎向给定用户返回的搜索结果进行个性化的其他传统技术通常利用该给定用户的搜索历史数据。因此，在使用搜索引擎时与给定用户的活动相关的数据可以用于对该给定用户的搜索结果进行个性化。然而，如果给定用户之前还没有访问过或者使用过该搜索引擎(例如，该给定用户是该搜索引擎的新用户)，则使用这种传统技术通常不能够对搜索结果进行个性化。此外，如果该给定用户使用该搜索引擎执行表达新兴趣的新类型搜索，则该给定用户的搜索历史如果被用于对该给定用户的搜索结果进行个性化，则可能不是特别相关。作为示例，如果该给定用户之前使用该搜索引擎执行了关于编程语言的多个搜索，则该给定用户的搜索历史可能与后续的关于餐厅的搜索缺乏相关性，并且由此，如果被用于对响应于关于餐厅的查询而返回的搜索结果进行个性化则可能具有有限的作用。

【发明内容】

[0005]本文所描述的是关于使用社交活动数据来对由计算操作向用户返回的结果的排序进行个性化的各种技术。针对计算操作所返回的结果中的每个结果，可以计算用户对相应结果的相应第一亲和性和用户对相应结果的相应第二亲和性。可以基于用户的社交活动数据与点击了相应结果的第一组历史用户的社交活动数据之间的相关性来计算用户对相应结果的相应第一亲和性。此外，可以基于用户的社交活动数据与跳过了相应结果的第二组历史用户的社交活动数据之间的相关性来计算用户对相应结果的相应第二亲和性。另夕卜，可以至少部分地基于针对结果中的每个结果的相应结果的相应第一亲和性和相应第二亲和性来对计算操作所返回的结果进行排序。因此，用户的社交活动数据可以被用作鉴别特征，以基于对历史用户的行为的经验观察和历史用户的社交活动数据来计算用户对结果中的每个结果的亲和性。
[0006]以上
【发明内容】
展示了简化的
【发明内容】
，以提供对本文论述的系统和/或方法的一些方面的基本理解。该
【发明内容】
不是对本文论述的系统和/或方法的详尽综述。其不意在识别关键/重要元素或者描绘这样的系统和/或方法的范围。其唯一的目的是以简化的形式呈现一些构思，作为稍后展示的更详细的描述的前序。
【专利附图】

【附图说明】
[0007]图1示出了利用社交活动数据来对计算操作返回的结果的排序进行个性化的示例性系统的功能框图。
[0008]图2示出了利用聚合社交活动数据对计算操作返回的结果的排序进行个性化以提供经排序的结果的示例性系统的功能框图。
[0009]图3至图8示出了基于对历史用户的行为的经验观察生成聚合社交活动数据以及基于聚合社交活动数据计算当前用户的亲和性的示例。
[0010]图9是示出利用社交活动数据对计算操作返回的结果的排序进行个性化的示例性方法的流程图。
[0011]图10示出了示例性计算设备。
【具体实施方式】
[0012]现在参照附图来描述关于基于观察到的用户的行为数据来解读社交活动数据的各种技术，其中，遍及全文使用相同的附图标记表示相同的元素。在接下来的描述中，为了说明的目的，陈述了大量具体细节以提供对一个或更多方面的彻底理解。然而，显然可以实践这样的一个方面或多个方面而无需这些具体细节。在其他实例中，为了有助于描述一个或更多方面，以框图形式示出了公知的结构和设备。另外，要理解的是，被描述成由某个系统部件完成的功能性可以由多个部件来执行。类似地，例如，一个部件可以被配置成执行被描述成由多个部件完成的功能性。
[0013]此外，术语“或”意在表示包容性的“或”而不是排他性的“或”。也就是说，除非另有指明，或从上下文清楚可知，否则短语“X使用A或B”意在指任何自然的包容性排列。也就是说，以下示例中的任何示例都满足短语“X使用A或B”:X使用A ；X使用B ;或X使用A和B 二者。此外，在本申请和所附权利要求中使用的冠词“a”和“an”应该通常被解读为意指“一个或更多个”，除非另有指明或从上下文清楚可知其指向单数形式。
[0014]如本文所提出的，用户的社交活动数据可以被用作鉴别特征以计算用户对计算操作(例如，搜索操作、自动完成操作、广告选择操作、集中浏览操作等)返回的结果的亲和性(affinity)。可以基于对历史用户的行为数据的经验观察以及历史用户的社交活动数据来解读用户的社交活动数据。
[0015]现在参照附图，图1示出了利用社交活动数据来对计算操作返回的结果102的排序进行个性化的系统100。系统100包括数据储存库104。根据各实施方式，数据储存库104包括N个历史用户的社交活动数据和该N个历史用户的行为数据，其中，N可以是基本上任何整数。更具体地，数据储存库104可以包括第一历史用户的社交活动数据1106........第N历史用户的社交活动数据N108(统称为社交活动数据106至108)。此外，数据储存库
104可以包括第一历史用户的行为数据1110........第N历史用户的行为数据NI 12 (统称
为行为数据110至112)。另外，数据储存库104包括当前用户的社交活动数据114。如本文所使用的，术语“当前用户”指可以针对其来将由计算操作返回的结果102进行个性化的用户。
[0016]系统100可以通过将结果102的排序个性化来调整当前用户的体验，以给当前用户提供经排序的结果122。这样的个性化取决于历史用户的过去行为(例如，行为数据110至112)和公共社交活动(例如，当前用户的社交活动数据114与历史用户的社交活动数据106至108之间的相似性)。
[0017]社交活动数据106至108和社交活动数据114是相应用户在社交网站上的活动的记录(例如，社交活动数据1106是第一历史用户在社交网站上的活动的记录，社交活动数据114是当前用户在社交网站上的活动的记录，等等)。根据各实施方式，社交活动数据106至108和社交活动数据114可以包括由相应用户所表达的关于社交网络内容的反馈(例如，社交活动数据1106可以包括由第一历史用户所表达的关于社交网络内容的反馈，社交活动数据114可以包括由当前用户所表达的关于社交网络内容的反馈，等等)。所表达的关于社交网络内容的反馈可以是能够表示用户偏好的明确的用户生成信号。作为示例，社交网络内容可以是状态更新、评论、照片、链接、广告、社交网页、事件等。例如，用户(例如，历史用户中的一个用户、当前用户等)可以使用社交网络服务的“喜欢”特征、“跟随”特征、“+I”特征、“推荐”特征等(例如，社交网络服务可以包括能够被用户使用来表达他或她对相应社交网络内容喜欢、享受、支持等的喜欢按钮、跟随按钮、+1按钮、推荐按钮等)来表达关于社交网络内容的反馈。关于社交网络内容的反馈的表达也可以指“喜欢”、“跟随”、“赞同”或“推荐”该社交网络内容。根据另一个示例，用户可以使用“不喜欢”特征或者基本上任何其他内容投票系统例如星级评定系统来表达关于社交网络内容的反馈。
[0018]附加地或者可替代地，社交活动数据106至108和社交活动数据114可以包括相应用户的简介数据、由相应用户分享的社交网络内容、相应用户的设备上安装的应用的列表、由相应用户积极使用的应用的列表及它们的组合等。用户的简介数据的示例包括用户的当前城市、家乡、性别、年龄、生日、语言、教育水平、学位、上过的学校、雇主、职位、宗教、政治观点、活动、兴趣、技能、专长、获奖情况、团体等。此外，由用户分享的内容可以是例如状态更新、评论、照片、链接、广告、社交网页、事件等。
[0019]在本文提出的很多示例中，社交活动数据106至108和社交活动数据114包括由用户表达的对社交网络内容的“喜欢”(例如,用户已经“喜欢”过该社交网络内容)。然而要理解的是，这些示例可以被扩展到基本上任何其他类型的所表达的关于社交网络内容的反馈或者其他类型的社交活动数据(例如，简介数据、分享的社交网络内容、在设备上安装的应用、被积极使用的应用等)。
[0020]此外，可以设想社交活动数据106至108和社交活动数据114可以以各种粒度等级被聚合。例如，以其自然粒度，对摇滚乐队C的喜欢可以与对摇滚乐队D的喜欢不同地被处理。然而，这些喜欢也可以被聚合到单个相关社交活动组(例如对与摇滚乐队C相关的事物的喜欢)中或者聚合到对所有相关音乐的喜欢的更粗粒度组中。可替代地，可以使用更细粒度的喜欢；例如，在周末对摇滚乐队C的喜欢可以是与在工作日对摇滚乐队C的喜欢不同的信号。根据示例，可以基于语义、经验相似性等进行分组。
[0021]另外，社交活动数据106至108和社交活动数据114可以附加地或者可替代地包括推断的活动或者简介数据。例如，人Z可能没有表达过对西雅图的喜欢，但是如果人Z的社交网络中的大多数人喜欢西雅图，则可以推断人Z也喜欢西雅图。
[0022]行为数据110至112包括所观察到的相应历史用户的行为的记录。可以在与返回结果102的计算操作相关联的情况中观察历史用户的这种行为。例如，在搜索情况中(例如，当计算操作是搜索操作时)，行为数据110至112可以包括历史用户与搜索引擎的交互的记录。根据该示例，行为数据110至112可也包括历史用户针对一组搜索查询所点击的搜索结果和所跳过的搜索结果的日志。作为示例，行为数据1110可以包括:第一历史用户针对第一搜索查询所点击的搜索结果和所跳过的搜索结果的日志、第一历史用户针对第二查询所点击的搜索结果和所跳过的搜索结果的日志，等等。根据另一个示例，在广告情况中(例如，当计算操作是广告选择操作时)，行为数据110至112可以包括历史用户点击的广告和跳过的广告的日志。作为另一示例，在自动完成情况中(例如，当计算操作是自动完成时)，行为数据HO至112可以包括历史用户针对一组用户输入(例如，搜索查询或者搜索查询的一部分等)所点击的建议搜索查询(例如，由搜索引擎提供)和所跳过的建议搜索查询的日志。
[0023]当在本文中使用时，术语“点击”意指包括基本任何形式的用户选择，而不仅限于通过快速按压和释放按钮所进行的选择。可以使用基本上任何类型的用户界面来进行用户选择。此外，在一些情况下，可以不存在由用户做出的明确选择。例如，可以推断用户偏好的不要求进一步选择的搜索结果答案(例如，天气结果、对问题的直接答案等)。
[0024]可以设想可以执行基本上任何由处理器所执行的计算操作，以针对用户返回结果102。根据示例，所述针对用户返回结果102的计算操作可以是响应于搜索查询而针对用户返回搜索结果的搜索操作。
[0025]作为另一个示例，所述针对用户返回结果102的计算操作可以是针对用户返回建议的搜索查询的自动完成操作。例如，可以向用户返回建议的搜索查询而不需要用户输入完整的搜索查询(例如，可以基于部分的搜索查询来预测建议的搜索查询)。
[0026]根据又一个示例，针对用户返回结果102的计算操作可以是针对用户返回广告的广告选择操作。因此，基于下述的排序，可以针对用户选择一个或更多广告。另外，可以在显示器上针对用户呈现所选择的一个或更多广告。例如，可以使用广告选择操作来选择付费搜索广告；然而，要求保护的主题不限于此。
[0027]此外，还可以设想本文描述的技术可以应用于其他应用(例如，可以返回结果102的其他计算操作)。这样的其他应用的示例包括在网站上的关注浏览、普通互联网浏览(例如，生成推荐等)等。
[0028]系统100可以基于对历史用户的行为数据110至112的经验观察以及当前用户的社交活动数据114与历史用户的社交活动数据106至108的相似性，来解读当前用户的社交活动数据114。从而，系统100通过对历史用户的经验观察而不是通过基于对社交活动的语义理解的推断来解读社交活动数据114。根据示例，如果当前用户已经表达过关于具有多样的、戏剧的且华丽的风格的流行歌手的社交网页的反馈(例如，当前用户喜欢过该流行歌手的社交网页)，则在搜索引擎情况中使用该信息的直接或语义方法可以是在针对当前用户返回的搜索结果中提高该流行歌手的主页的排序。相反地，系统100解读当前用户(例如如前面所述的表达关于该流行歌手的社交网页的反馈的当前用户)的社交活动数据114，从而通过以下方式来经验性地学习信息:通过观察到类似地表达关于该流行歌手的社交网页的反馈的历史用户比普通用户更可能搜索动画片、幽默和科学相关的网站，并且与普通用户相比具有较小可能来搜索体育、园艺或者投资相关网站。此外，系统100还可以确定例如表达关于该流行歌手的社交网页的反馈的用户在发出具体查询之后，更可能或者具有较小可能点击或者跳过某些搜索结果。
[0029]要理解的是，经验观察可以源于与社交活动的语义关系、人口统计关系或者起源关系。然而，不论关系的性质如何，系统100可以利用经验信息来对用于当前用户的搜索结果的排序进行个性化。
[0030]系统100还包括行为分组部件116，该行为分组部件116针对结果102中的每个结果根据行为数据Iio至112对N个历史用户进行分组。例如，行为分组部件116可以形成被观察到针对第一结果具有第一行为的第一组历史用户和被观察到针对第一结果具有第二行为的第二组历史用户。此外，行为分组部件116可以形成被观察到针对第二结果具有第一行为的第三组历史用户和被观察到针对第二结果具有第二行为的第四组历史用户。行为分组部件116可以类似地针对除第一结果和第二结果外的剩余结果102来形成组。作为示例，第一行为可以是点击结果，而第二行为可以是跳过该结果，反之亦然。因此，行为分组部件116可以建立更可能点击特定结果的一组历史用户和更可能跳过该特定结果的完全不同的一组历史用户。还可以设想行为分组部件116可以针对结果102中的每个结果形成多于两个的组(例如，如果针对给定结果可以有多于两个的可能行为)。
[0031]根据搜索情况中的示例，行为分组部件116可以基于针对查询-结果对的行为数据110至112来从N个历史用户中形成组。根据这个示例，针对响应于特定搜索查询所返回的搜索结果(例如，结果102)，行为分组部件可以形成:被观察到点击了响应于该特定搜索查询而返回的第一搜索结果的第一组历史用户、被观察到跳过响应于该特定搜索查询而返回的第一搜索结果的第二组历史用户、被观察到点击了响应于该特定搜索查询而返回的第二搜索结果的第三组历史用户、以及被观察到跳过响应于该特定搜索查询而返回的第二搜索结果的第四组历史用户，等等。然而，根据另一个示例，可以设想行为分组部件116可以基于针对查询的结果102中的每个结果的行为数据110至112来从N个历史用户中形成组。根据该示例，不论返回搜索结果(例如，结果102)的搜索查询如何，行为分组部件116都可以形成被观察到点击了搜索查询的第一搜索结果的第一组历史用户和被观察到跳过搜索查询的第一搜索结果的第二组历史用户，等等。
[0032]此外，系统100包括相关性部件118，该相关性部件118确定当前用户的社交活动数据114与在由行为分组部件116针对结果102中的每个结果而形成的各组中的每个组中的历史用户的社交活动数据106至108之间的相关性。针对结果102中的每个结果，相关性部件118可以使用当前用户的社交活动数据114，基于对与前述相关性对应的各组历史用户中的每个组的关联(affiliation)强度，来识别对结果的亲和性。
[0033]更具体地，针对由计算操作返回的结果102中的每个结果，相关性部件118可以基于当前用户的社交活动数据114与点击了相应结果的历史用户(例如，由行为分组部件116形成的第一组历史用户)的社交活动数据106至108之间的相关性，来计算当前用户对相应结果的相应正亲和性。此外，针对由计算操作返回的结果102中的每个结果，相关性部件118可以基于当前用户的社交活动数据114与跳过相应结果的历史用户(例如，由行为分组部件116形成的第二组历史用户)的社交活动数据106至108之间的相关性，来计算当前用户对相应结果的相应负亲和性。根据示例，针对每组历史用户并且针对结果102中的每个结果，相关性部件118可以对当前用户的社交活动数据114与针对该结果的组中的历史用户的社交活动数据106至108之间的相关性进行求和，以确定对结果102的亲和性。作为搜索情况中的示例，针对给定的搜索结果(例如，来自结果102)，相关性部件118可以使用当前用户的社交活动数据114，基于与已经点击过该搜索结果的一组用户的关联强度来确定当前用户对搜索结果的正亲和性，并且基于与已经跳过该搜索结果的一组用户的关联强度来确定当前用户对搜索结果的负亲和性。
[0034]系统100还包括排序部件120，该排序部件120至少部分地基于对结果102的亲和性来对由计算操作返回的结果102进行排序，以输出经排序的结果122。对结果102的亲和性可以是由排序部件120使用的影响对结果102的排序的指标。然而要理解的是，可以向排序部件120提供除对结果102的亲和性之外的指标，并且使用所述指示对结果102进行排序。例如，对结果102的亲和性可以是被输入到搜索引擎的标准排序算法中的特征。根据此示例，对点击结果的较强亲和性可以使得该结果在排序中比用户不太可能点击的结果(例如，由对跳过结果的较强亲和性所表示的结果)的排序要高。
[0035]根据示例，行为分组部件116和相关性部件118可以根据如下等式来计算当前用户u对响应于查询q而返回的结果d的正亲和性和负亲和性:
[0036]
【权利要求】
1.一种利用社交活动数据来对由计算操作所返回的结果的排序进行个性化的方法，包括: 执行针对用户返回结果的计算操作，其中，所述计算操作由处理器执行； 针对所述计算操作所返回的结果中的每个结果: 基于所述用户的社交活动数据与点击了相应结果的第一组历史用户的社交活动数据之间的相关性，来计算所述用户对所述相应结果的相应第一亲和性；以及 基于所述用户的社交活动数据与跳过了所述相应结果的第二组历史用户的社交活动数据之间的相关性，来计算所述用户对所述相应结果的相应第二亲和性；以及 至少部分地基于针对所述结果中的每个结果的所述相应结果的所述相应第一亲和性和所述相应第二亲和性，来对所述计算操作所返回的结果进行排序。
2.根据权利要求1所述的方法，其中，所述用户的社交活动数据、所述点击了所述相应结果的所述第一组历史用户的社交活动数据和所述跳过了所述相应结果的所述第二组历史用户的社交活动数据包括由所述用户、所述第一组中的历史用户和所述第二组中的历史用户所分别表达的关于社交网络内容的反馈。
3.根据权利要求1所述的方法，其中，所述用户的社交活动数据、所述点击了所述相应结果的所述第一组历史用户的社交活动数据和所述跳过了所述相应结果的所述第二组历史用户的社交活动数据包括所述用户、所述第一组中的历史用户和所述第二组中的历史用户的各自的简介数据、各自的所分享的社交网络内容、各自的已安装的应用的列表或各自的积极使用的应用的列表中的至少一个。
4.根据权利要求1所述的方法，还包括:针对所述计算操作所返回的结果中的每个结果，基于所述历史用户的相应行为数据来形成点击了所述相应结果的所述第一组历史用户和跳过了所述相应结果的所述第二组历史用户。
5.根据权利要求1所述的方法，还包括:合并所述相应结果的所述相应第一亲和性和所述相应第二亲和性，以生成用于排序的所述相应结果的相应的经合并的亲和性得分。
6.根据权利要求1所述的方法，还包括: 将所述用户对所述相应结果的所述相应第一亲和性计算成所述用户的社交活动数据与点击了所述相应结果的所述第一组中的历史用户的社交活动数据之间的点积的过去痕迹的总和；以及 将所述用户对所述相应结果的所述相应第二亲和性计算成所述用户的社交活动数据与跳过了所述相应结果的所述第二组中的历史用户的社交活动数据之间的点积的过去痕迹的总和。
7.根据权利要求1所述的方法，还包括: 将所述用户对所述相应结果的所述相应第一亲和性计算成所述用户的社交活动数据与点击了所述相应结果的所述第一组中的历史用户的聚合社交活动数据之间的点积；以及 将所述用户对所述相应结果的所述相应第二亲和性计算成所述用户的社交活动数据与跳过了所述相应结果的所述第二组中的历史用户的聚合社交活动数据之间的点积。
8.根据权利要求1所述的方法，其中，基于以查询-结果级、结果级、查询-域级或域级之一的所述历史用户的相应行为数据来对所述点击了所述相应结果的所述第一组历史用户的社交活动数据和所述跳过了所述相应结果的所述第二组历史用户的社交活动数据进行聚合。
9.一种利用社交活动数据来对由搜索操作响应于搜索查询而向用户返回的搜索结果(102)的排序进行个性化的系统(100)，其中，所述搜索操作由处理器执行，所述系统包括: 数据存储库(104)，所述数据储存库包括用户的社交活动数据(114)和历史用户的社交活动数据(106,108)； 相关性部件(118)，所述相关性部件针对所述搜索操作所返回的结果中的每个结果，计算所述用户对相应搜索结果的相应正亲和性和所述用户对所述相应搜索结果的相应负亲和性，其中，所述正亲和性是基于所述用户的社交活动数据与点击了所述相应结果的第一组历史用户的社交活动数据之间的相关性来计算的，并且其中，所述负亲和性是基于所述用户的社交活动数据与跳过了所述相应结果的第二组历史用户的社交活动数据之间的相关性来计算的；以及 排序部件(120)，所述排序部件至少部分地基于针对所述搜索结果中的每个搜索结果的所述相应搜索结果的所述相应正亲和性和所述相应负亲和性来对所述搜索操作所返回的搜索结果进行排序。
10.一种包括计算机可执行指令的计算机可读存储介质，当所述计算机可执行指令被处理器执行时，使得所述处理器执行以下动作，所述动作包括: 执行响应于搜索查询而针对用户返回搜索结果的搜索操作，其中，所述搜索操作由处理器执行； 针对所述搜索操作所返回的搜索结果中的每个搜索结果，将所述用户对相应搜索结果的相应的经合并的亲和性直接计算成相应正亲和性与相应负亲和性之差，其中:` 所述相应正亲和性是所述用户的社交活动数据与点击了所述相应搜索结果的第一组历史用户的聚合社交活动数据之间的点积；以及 所述相应负亲和性是所述用户的社交活动数据与跳过了所述对应搜索结果的第二组历史用户的聚合社交活动数据之间的点积；以及 至少部分地基于针对所述搜索结果中的每个搜索结果的所述相应搜索结果的所述相应的经合并的亲和性，来对所述搜索操作所返回的搜索结果进行排序。
【文档编号】G06F17/30GK103514253SQ201310271852
【公开日】2014年1月15日 申请日期:2013年6月21日 优先权日:2012年6月22日
【发明者】保罗·内森·班尼特, 埃姆雷·穆罕默德·基契曼, 彼得·理查德·贝利, 尼基尔·丹德卡尔, 段辉中 申请人:微软公司

网址：基于社交活动数据的排序的制作方法 https://klqsh.com/news/view/136419

相关内容

提升社交圈子数据处理性能的方法及装置与流程
社交加圈子的方法和系统与流程
社交圈子小程序源码 宠物交流兴趣交友平台系统定制 社交圈子论坛小程序开发
社交活动策略：如何根据兴趣结识新朋友
基于网络爬虫的电影评论爬取以及数据分析
一种智慧社区互动信息播控系统的制作方法
趣味数学社团活动方案（通用10篇）
高中写作，关于“自律”的论据素材及应用方法
一种基于大模型的多模态情感分析与交互调适方法及系统与流程
健康生活的基本原则和方法.pptx

随便看看