Метод отображения релевантной контекстно-зависимой информации

Изобретение относится к способу и системе для отображения релевантных данных и рекламы на компьютерных устройствах. Техническим результатом является обеспечение релевантной информации пользователю компьютерного устройства на основе содержания, выбранного пользователем, и пользовательских целей. Способ для отображения релевантной информации, основанной на содержании, на компьютерном устройстве включает: соединение компьютерного устройства с медиасервером; получение содержания с медиа-сервера на компьютерном устройстве; отображение содержания пользователю компьютерного устройства; загрузку содержания на рекламный сервер; установление соединения компьютерного устройства с рекламным сервером; генерирование релевантных блоков данных на основе категорий, части содержания и целевых параметрах, где целевые параметры включают информацию о пользователе, содержащую данные социального профиля пользователя в социальных сетях; анализ содержания рекламным сервером; генерирование атрибутов, ассоциирующихся с элементами содержания, на основе анализа содержания; распознание части текста содержания, выбранного пользователем компьютерного устройства; удаление стоп-слов из содержания; определение атрибутов, ассоциирующихся с элементами содержания, ассоциирующихся с содержанием и выбранной пользователем частью содержания; определение потенциальных целей пользователя компьютерного устройства; отображение пользователю компьютерного устройства потенциальных целей пользователя для выбора пользователем; определение цели, выбранной пользователем компьютерного устройства; применение ассоциативной матрицы с предопределенной ассоциативной моделью к цели, выбранной пользователем компьютерного устройства; выбор по крайней мере одного релевантного блока данных, соответствующего цели пользователя компьютерного устройства; загрузку идентификатора релевантного блока данных на компьютерное устройство с рекламного сервера; генерирование релевантного блока данных с использованием предопределенного шаблона и отображение релевантного блока данных на экране компьютерного устройства. 2 н. и 13 з.п. ф-лы, 14 ил.

 

Настоящее изобретение относится к компьютерным и мобильным устройствам, и в частности, к отображению релевантных данных и рекламы на компьютерных устройствах на основе контекста и релевантной части контента, выбранного пользователем.

Существующий рынок рекламы на компьютерных и мобильных устройствах был в основном сформирован путем применения технологий и принципов рекламы, используемых на персональных компьютерах и ноутбуках, к мобильным платформам. Однако, эффективность рекламы на мобильных устройствах значительно ниже по сравнению с рекламой на персональных компьютерах.

Пользователи мобильных устройств обычно запускают специальные узкие приложения вместо тяжеловесных обычных браузеров, которые занимают большое количество системных ресурсов. Таким образом, мобильные пользователи не используют обычный поиск почти также часто, как и пользователи персональных компьютеров. Соответственно, наиболее популярными способами монетизации на компьютерных устройствах являются релевантные информационные блоки (такие как реклама, баннеры, рекламные блоки, ссылки на веб страницы, текстовые сообщения, веб-страницы и т.д.) и приложения, встроенные в веб-ресурсы.

Релевантные информационные блоки (релевантные блоки данных) - это небольшая реклама, которая занимает части экранов мобильных устройств, которые обычно совсем малы. Поскольку релевантные информационные блоки также очень малы, они содержат очень простые рекламные данные (то есть короткий текст). Эта простая реклама в основном раздражает пользователей и не привлекает внимания, и не побуждает интерес пользователя.

Наиболее часто используемый метод для мобильной рекламы - это использование рекламы наряду с бесплатными приложениями-носителями, переносящими рекламу - то есть реклама, по сути, навязывается пользователям, которые скачивают бесплатное приложение или игру. Эта реклама генерирует некую небольшую прибыль в соответствие с ростом рынка мобильных устройств, но в целом, также является неэффективной.

Традиционный способ рекламы делает каждую рекламу отличной от другой, даже если две рекламы рекламируют один и тот же тип действия, например, "продажу". Данный рекламный подход может быть эффективен для статичных ситуаций, когда у клиента имеется достаточно времени и находится в соответствующем состоянии сознания для просмотра рекламы. Однако, пользователи компьютерных устройств находятся в режиме "на ходу". Эти пользователи не желают тратить много времени и сил, чтобы осознать, что основной смысл двух различных реклам одинаков-"продажа" продуктов различных марок.

В ситуациях мобильных пользователей "на ходу" гораздо важнее показать им наиболее релевантную рекламу в простой и легкой для понимания манере с целью достижения положительных рекламных результатов. Соответственно, желательно показывать один или более релевантных информационных блоков или баннеров, связанных с определенным контекстом показанных данных для любых текстовых или графических данных, показанных на компьютерном устройстве пользователя.

Кроме того, желательно иметь отображенными релевантные информационные блоки на основе пользовательских пола, географического местоположения пользователя, истории просмотров пользователя, статистики медиа-сайтов, содержания веб-сайтов, метаданных страницы и т.д. Однако существующие мобильные рекламные системы не используют релевантные информационные блоки (или рекламу), основанные на контексте, из-за невозможности извлечь сам контекст, за исключением браузерной рекламы на поисковых вебсайтах.

Согласно иллюстративному варианту представляется метод и система для отображения основанной на контексте рекламы/информации пользователям мобильных устройств. Используемая на маленьком экране реклама не требует дополнительного "места на полке", поскольку она отображается в рамках существующих элементов управления ГИП экранов мобильных устройств или на отдельной накладываемой панели интерфейса пользователя.

Согласно иллюстративному варианту система может отображать один или более релевантных информационных блоков, связанных с определенной частью контекста показанных данных для любых показанных пользователю текстовых или графических данных. Релевантные информационные блоки могут быть показаны на основе целевых параметров, например географическом местоположении пользователя, истории интернет-просмотра пользователя, статистики медиа-сайта, контента части веб-сайта, метаданных страницы, открытых данных социального профиля пользователя (возраст, пол, должность, интересов, дружбы), тегах, связанных с текущим пользователем, предоставленных сторонними сервисами (DMP, DSP) и других.

Список релевантных информационных блоков генерируется автоматически либо на основе содержания веб-страницы, либо на основе выбранной части текста и его содержания. Текст веб-страницы предварительно сканируется и вызов интерфейса программирования приложений с предустановленными параметрами добавляется для каждого элемента структуры содержания (т.е. параграфа, предложения, встроенного изображения или видео-блока). Функции интерфейса программирования приложений анализируют данную часть содержания и активируют элементы управления, которые, в свою очередь, могут инициировать показ релевантного информационного блока(ов).

Иллюстративный вариант преимущественно использует узкий контекст содержания, явно выбранного пользователем. Релевантный информационный блок показывается на основе интересов пользователя, указанной частью содержания, т.е. текстом, параграфом, словом, изображением или частью изображения, видео, гиперссылкой и их содержанием и контекстом. В иллюстративном варианте релевантная область, прилегающая к части содержания, выбранного пользователем, называется контекстом. Выбранное содержание может быть словом или комбинацией слов (выражением), областью изображения или видеоблока, и контекст может включать предложение, абзац или весь текст (в случае небольшого текста), геометрически близких изображений или видеоблоков.

На рисунках:

ФИГ. 1 иллюстрирует отображение релевантных информационных блоков на компьютерном устройстве в соответствии с иллюстративным вариантом;

ФИГ. 2 иллюстрирует системную архитектуру в соответствии с иллюстративным вариантом;

ФИГ. 3 иллюстрирует блок-схему метода точного подбора рекламы в соответствии с иллюстративным вариантом;

ФИГ. 4 иллюстрирует блок-схему метода точного подбора рекламы в соответствии с иллюстративным вариантом;

ФИГ. 5, 6, 7, 8 иллюстрируют показ рекламных и органических результатов на экране компьютерного устройства;

ФИГ. 9 иллюстрирует обработку содержания на компьютерном устройстве с использованием списка действий для предопределенных запросов пользователей;

ФИГ. 10 иллюстрирует блок-схему метода точного подбора рекламы в соответствии с иллюстративным вариантом;

ФИГ. 11 иллюстрирует экраны компьютерных устройств в соответствии с иллюстративным вариантом;

ФИГ. 12 иллюстрирует точный подбор рекламы и графическое представление целевой рекламы пользователю;

ФИГ. 13, 14 иллюстрируют блок-схемы алгоритмов Страница ВКД;

Техническим результатом настоящего изобретения является обеспечение релевантной информации пользователю компьютерного устройства на основе содержания, выбранного пользователем, и пользовательских целей.

Согласно иллюстративному варианту представляется метод и система показа контекстно-зависимых дополнительных информационных блоков или рекламы пользователям мобильных/компьютерных устройств. Реклама, используемая на небольшом экране, не требует какого-либо дополнительного "места на полке", поскольку она отображается в рамках существующих элементов управления ГИП или перекрывая панель ГИП экрана компьютерного устройства. В отличие от обычной рекламы, которая вовлекает большое количество трафика данных, библиотека устройства обладает предопределенными шаблонами, которые отображаются пользователю.

Согласно иллюстративному варианту система может показывать один или несколько релевантных информационных блоков, связанных с определенным контекстом, и нечетко выбранными элементами показанных данных для любых текстовых или графических данных, показанных пользователю, на ФИГ. 1. Релевантные информационные блоки могут быть показаны на основе местоположения пользователя, истории просмотра Интернета пользователем, статистики медиа-сайтов, части содержания веб-сайта, метаданных страницы, открытых данных социального профиля пользователя (т.е. возраста, пола, должности, интересов, дружбы), тегов, связанных с текущим пользователем, предоставленных сторонними сервисами (DMP, DSP) и других.

Стоит отметить, что релевантный информационный блок может быть в форме дополнительной информации в различных форматах, которая может быть актуальна для пользователя. Например, релевантный информационный блок-изображение, может быть текстовыми блоками, (такими как рекламные баннеры, рекламные релевантные информационные блоки, ссылки на веб-страницы), медиа-данными, веб-страницами и др. Релевантные информационные блоки называются рекламой. Вместе с тем любая релевантная информация может быть отображена пользователю.

Список релевантных информационных блоков генерируется автоматически на основе содержания веб-страницы или выбранной части содержания (текста, изображения, части текста, части изображения, мультимедиа и т.д.) и его контекста. Кроме того, любое сочетание целевых параметров могут быть приняты во внимание для генерирования релевантных информационных блоков. Контекст веб-страницы сканируется функция интерфейса программного приложения вычисляет атрибуты содержания с предустановленными параметрами, которые добавляются для каждого элемента структуру содержания. Стоит отметить, что атрибуты содержания могут быть предварительно рассчитано. Функция интерфейса программного приложения проводит явные (или неявные) ассоциации элементов с их атрибутами. Интерфейс программного приложения анализирует предоставленную часть текста и активирует элементы управления, которые инициируют переход к релевантному информационному блоку (ам).

Иллюстративный вариант преимущественно использует узкий контекст содержания, явно выбранного пользователем. Релевантные информационные блоки показываются на основе интересов пользователя, указанной частью текста или части содержания (или гиперссылки и ее содержания) и целевыми параметрами. В иллюстративном варианте релевантная область, прилегающая к части текста, выбранного пользователем, называется контекстом. Выбранное содержание может быть словом или комбинацией слов (выражением), и контекст может включать предложение, абзац или весь текст (в случае небольшого текста).

Согласно иллюстративному варианту пользователи могут уведомить систему о своей заинтересованности в той или иной части содержания, используя, например, инфракрасную камеру, инфракрасный датчик или видеокамеру, где датчик регистратор (интегрированное или внешнее устройство типа Kinect) заменяет физический "сенсорный экран" и распознает жесты пользователей и ассоциирует их с контекстом на экране. Кроме того, текст может быть выделен с помощью мыши. В случае использования мыши пользователь может выделить часть контекста (то есть часть текста или изображения) и использовать щелчок правой кнопкой мыши на выбранном контексте и выбрать в меню "показать релевантный блок данных". Движения и клики мышью могут быть реализованы с помощью клавиатуры. Кроме того, может быть использована специальная кнопка клавиатуры для отображения релевантных блоков данных. Кроме того, пользователи могут использовать микрофон, например, Siri-подобные модели (то есть датчик с фоновым модулем распознавания голоса, который может быть интегрированным, внешним или серверным).

Пользователь указывает часть контекста и свои пожелания посредством голосового комментария, кинестетического детектора (то есть пользователь использует джойстик), мыши или носимых датчиков (то есть специальных перчаток), детектора движения глаз (пользователь может использовать устройство, например, такое как Google-очки или специальная камера), который может распознать часть контекста, на который смотрит пользователь, по положению глаз пользователя и команды (например, двойное мигание) для "активирования" данного решения. Стоит отметить, что иллюстративный вариант использует только часть текста, который считается в качестве выражения интереса пользователей.

Выражение может содержать термин, именованную сущность или фразу, которые, будучи дополненными заголовком всей страницы/параграфа, могут быть использованы для суженного выбора. Дополнительным преимуществом такой явной "активации" является то, что она определяет пользователя, который находится в состоянии "изыскания", "любопытства" или "спроса". В отличие от гиперссылок любая часть текста - кликабельна (то есть выбираемой). Клик, прикосновение, глазом, кинетическое или другое действие, выполненное на элементе страницы (то есть тексте, изображении, медиа-контенте, части текста, части аудио/видео файла) ведет к списку релевантных информационных блоков (страниц, ссылок на страницы, ссылок на элементы страницы), соответствующих содержанию, контексту, конкретному выбору и профилю пользователя и целевым параметрам. Таким образом, пользователю показывается самый релевантный информационный блок.

Согласно одному иллюстративному варианту некоторые элементы могут быть исключены из предварительного просмотра, или они могут быть заменены общими изображениями (или значками). Использование значков вместо некоторых менее релевантных элементов страниц снижает сетевой трафик и нагрузку на мобильное устройство. Это также повышает скорость отображения веб-страниц. Почти любой активируемый (кликабельный, касабельный и др.) текст принимает в счет близлежащий контекст и ведет не на одну страницу, а на список релевантных информационных блоков/страниц, соответствующий содержанию, контексту, конкретному выбору и профилю пользователя.

Согласно другому иллюстративному варианту реализуется основанная на содержании динамическая реклама по запросу. Любой тип содержания (например, видео, аудио, текст и т.д.) имеет тенденцию вызывать или увеличивать желание людей, просматривающих (или прослушивающих) содержание. Существует прямая связь между содержанием и некоторыми желаниями, вызванными содержанием. Согласно иллюстративному варианту данная связь используется для целевой рекламы.

Любая часть содержания (и соответствующего контекста), которая создает определенные желания и ассоциации, может быть использована для нацеливания рекламы (релевантных информационных блоков) на пользователя. Однако основной проблемой является то, что элементы в цепочке Текст→Желание→Удовлетворение, описанное в терминах слово-векторы, не являются близкими друг к другу геометрически. Это значит, что страница или описания продукта, удовлетворяющие определенному желанию, могут не содержать слов первоначального Текста и не именовать или неявно относиться к самому желанию. Таким образом, необходим некоторый анализ ассоциаций Текст-Желание-Удовлетворение. За исключением очевидных случав ассоциации между Текстом и Удовлетворением могут быть сделаны статистически на основе пользовательских переходов.

Стоит отметить, что когда реклама актуальна с точки зрения пользовательских желаний и ожиданий, она больше не рассматривается пользователем как реклама. Вместо этого, пользователь воспринимает целевую рекламу как полезную информацию. Согласно иллюстративному варианту, пользователю предоставляется возможность явно указать часть содержания (например, параграф внутри текста или название продукта), которая провоцирует интерес (или желания). Набор пользовательских целей/желаний (элементов содержания, которые обозначают потенциальный пользовательский интерес) реализован как набор атрибутов элемента (атрибутов информационного блока), автоматически сгенерированного для данного содержания. Система определяет наиболее подходящие атрибуты элемента содержания для конкретного пользователя.

Согласно иллюстративному варианту атрибуты элемента содержания описывают возможные намерения пользователя в отношении тем, раскрытых в содержании и/или смежным темам. Атрибуты элемента содержания могут быть реализованы в виде ранжированного списка ключевых слов, биграмм, дескрипторов тем и т.д., извлеченных из контекста и расширенных синонимом и статистически связанными дескрипторами. Дескрипторы представляют собой простые текстовые метки, расширяющие набор известных слов. Например, процесс может быть описан следующим образом:

текст "СВР - Сингулярных величин разложение - линейной алгебры алгоритм", после лексического анализа и стеммирования помечаются следующим начальным списком дескрипторов:

[кс|свр, кс|сингулярных, кс|величин, кс|разложение, кс|лин, кс|алгебры, кс|алгоритм, бг|сингулярных+величин, бг|величин+разложение, бг|лин+алгебре, бг|алгебре+алгоритм].

Далее список отправляется на категоризацию. После детектирования директорий (маркировки) список расширен на основе словарей категорий следующими метками:

[кат|компьютерные+технологии, кат|компьютеры+устройства, кат|образование].

После получения конкретной части предложения, указанной пользователем, например, 'свр', алгоритм способен обнаружить (из статистики), что поиск с ключевым словом "свр" на тему компьютерных технологий не является приводящей к операции (т.е. не ведет к покупке или регистрации, или к чему-то коммерчески значимому). Таким образом, возможные требования, ассоциирующиеся с данными категориями (и контекстом) ограничены до "Узнать больше". Поэтому к контекстным дескрипторам добавляется новая метка:

[нам|узнать+больше]. Здесь, приставки кс|, бг|, кат| и нам| обозначают ключевое слово, биграмму, категорию и намерение, соответственно.

Анализируется все содержание. Когда пользователь выбирает небольшую часть содержания, кликнув на ней, атрибуты элемента содержания, отражающие данную часть, генерируются и используются для нацеливания пользователя на соответствующую рекламу. Для этого система распознает части содержания, части речи, значение слов и др. При помощи технологии ОЕЯ (Обработки Естественного Языка) или семантического анализа содержания и контекста.

Учитывая, что ОЕЯ обработка может занять значительное время в зависимости от размера содержания, задержки могут повлиять на удобство использования системы. Атрибуты элемента содержания самого содержания могут быть сгенерированы заранее и закэшированы, и захэшированы для последующего использования. Таким образом, пользователю показывается высокорелевантная реклама по запросу, где реклама предоставляется в ответ на прямой запрос клиента (в отличие от принудительного режима), и эта реклама представляется как полезные рекомендации, а не как прямая реклама. Эта реклама является более эффективной, чем случайным образом отображаемая статическая реклама или мигающие релевантные информационные блоки. Другими словами, пользователь указывает на определенную часть содержания и явным образом указывает, что он хочет увидеть.

Это имеет преимущества по сравнению с обычной рекламой Google™, которая требует от пользователя переключиться на поиск Google™ и ввести поисковую строку. Это особенно важно на компьютерных устройствах (мобильных телефонах, ноутбуках, настольных компьютерах, игровых консолях, телевизорах, интернет-планшетах, планшетных компьютерах, ультрамобильных компьютерах, мобильных интернет-устройствах, электронных книгах, смартфонах и др.), поскольку поиск (используя Google™ или другие средства) сильно привязан к способности ввода, который весьма ограничен в отношении компьютерных устройств. На стационарных компьютерах случай "Читать→Выбрать→Поисковый выбор" гораздо проще, чем на компьютерных устройствах. Иллюстративный пример обеспечивает пользователей быстрым вызовом: "Читать→Указать→Искать."

Стоит отметить, что ОЕЯ технология обеспечивает автоматизированный анализ частей текста, выбранных пользователем, и определение содержания текста. ОЕЯ также определяет основные объекты, такие как ассоциации, субъекта, географический объект, количество/объем, деньги/валюту, проценты, данные компании и др. Список объектов может быть расширен с помощью атрибутов элемента и целевыми данными (например, временем, географическим местоположением, личными предпочтениями, ассоциациями пользователя, регистрациями и членством в социальных сетях, полом, языком и др.). Согласно иллюстративному варианту NPL помогает пользователю, когда пользователь испытывает трудности с запоминанием и вводом поискового текста или с выбором, копированием и вставкой нужного текста, или с выделением текста и запуском поиска.

Согласно иллюстративному варианту система использует ОЕЯ и "угадывания" частей текста, которые могут представлять интерес для пользователя, на основе приблизительного местоположения в тексте. Известные методы Извлечения Сущностей (ИС алгоритмы) могут быть использованы наряду со статистическим анализом степени необычности слов в части речи (ЧР) для конкретного параграфа, текста и его категории. Необычные слова (например, слова которые провоцируют интерес пользователя к определенной части содержания) могут быть сгруппированы по пользовательским интересам. Необычные слова используются как "изюминка" - пункты интересов, которые система может предложить пользователю.

Согласно одному иллюстративному варианту вместо поискового запроса могут быть использованы содержание и связанные с ним атрибуты элемента содержания на основе явного выбора пользователя. Атрибуты элемента содержания - это набор формализованных свойств, вытекающих из смысла содержания. Атрибуты элемента содержания (метаданные) представлены в виде машиночитаемого языка, включающего ключевые слова, биграммы, n-граммы, обнаруженные именованные сущности, ожидаемые категории, а также пользовательские категории и теги, основанные на частотных распределениях. Иными словами, используются все возможные данные, которые могут быть использованы для определения релевантности рекламы.

Согласно иллюстративному варианту используется двухкомпонентное нацеливание (или двухуровневое представление запроса) рекламы. Реклама нацелена на пользователя на основе комбинации контекстных атрибутов элемента содержания и выбора или явного указания слов. Этот новый подход обеспечивает преимущества над рекламой, основанной на поиске иди на релевантных информационных блоках, которые используют либо общую тему страницы, либо явный поисковый запрос.

Специалист примет во внимание, что нацеленная реклама по запросу выигрышна для компьютерных устройств, имеющих небольшой размер экрана. Постоянно висящие релевантные информационные блоки (реклама) занимает место на экране и требуют изменения исходного содержания. Согласно иллюстративному варианту содержание (т.е. объект, такой как предложение или часть предложения, часть изображения, параграф статьи, фрагмент видео, изображение, трехмерная модель и т.д.), указанный пользователем, используется для рекламы вместо одного поискового условия, вырванного из контекста.

Таким образом, согласно иллюстративному варианту нерелевантная реклама будет полностью устранена. Реклама показывается по запросу, вместо релевантных информационных блоков, которые занимают пространство экрана. Реклама отображается согласно части содержания, явно выбранного пользователем. Таким образом, реклама показывает только релевантную информацию на основе части содержания, в отличие от некоторой общей рекламы на базе всего содержания.

Зная набор призывов "желаемого содержания" реклама может быть сгенерирована и показана. Например, отель - бронирование, отзывы; ресторан - меню, резервирование столика; продукт - купить, отзывы и т.д. Согласно иллюстративному варианту список ключевых объектов и их категории автоматически генерируются с помощью технологии Обработки Естественного Языка.

Например, если статья посвящена горнолыжному курорту и пользователь щелкнул на части, описывающей один из курортных отелей, то существует высокая вероятность того, что пользователь хочет узнать больше об этом отеле, забронировать там номер или купить билеты на подъемник и др. однако, если пользователь щелкает на новых лыжах, то, скорее всего, он хочет посмотреть некоторые отзывы и выяснить, где он может купить или взять их в прокат. Для реализации данного сценария система используется предварительно определенную ассоциативную модель, которая определяет список возможных действий для каждого типа объектов. Ассоциативная модель формируется на основании обратной связи с пользователем (то есть действиях пользователей). Ассоциативная модель может быть скорректирована на основании собранной статистики и маркетинговых исследований.

В случае, когда выбранная пользователем часть содержания является комплексной и содержит несколько потенциальных целей и пожеланий, процесс отображения рекламы выполняется в два шага. В первом шаге система определяет пожелания пользователя. Во втором шаге реклама генерируется на основании данных из первого шага и отображается пользователю. В первом шаге пользователю предоставляется список (слова и пиктограммы) возможных целей. Пользователя спрашивают, что является самым интересным для него в данный момент. Затем пользователь выбирает одну или несколько целей. Эти данные используются во втором шаге, и пользователю отображается реклама, релевантная выбранным пользовательским целям.

Согласно одному иллюстративному варианту весь экран компьютерного устройства (или его часть) может быть преобразована в одну активную гиперссылку, вместо большого количества гиперссылок (большинство из которых не используется). Это позволяет избежать постоянно отображенной рекламы и релевантных информационных блоков, которые занимают небольшой экран компьютерного устройства. Кроме того, пользователь может видеть неограниченное количество рекламы, поскольку релевантные информационные блоки показываются по запросу и не занимают место на экране в течение длительного времени.

Согласно иллюстративному варианту любое текстовое содержание может быть использовано для целевой рекламы. Система может отображать пользователям несколько релевантных информационных блоков на основе соответствующего контекста. Экранный интерфейс иллюстративного варианта может использовать элементы управления (панели, окна ввода, кнопки, флажки и др.) для дополнительных операций. Пользователь может переопределить запрос с помощью списка опций. Например, система может предоставить кнопку "Я разочарован" или "Не то, что я ищу," которые означают, что клиент недоволен предложенной рекламой.

Также система может предоставить способ выбрать рекламу, которая близка (или очень близка) к потребностям клиента, но не вполне отвечает его требованиям. Это обеспечивает пользователю возможность оценить рекламу непосредственно на сайте с помощью кнопок "нравится", "не нравится" и т.д. Далее данная информация может быть использована в качестве обратной связи с рекламодателями для нацеливания рекламы и поощрения пользователей. Оно также обеспечивает клиентам эффект "геймификаации" клиентам, например, увеличивает взаимодействие клиентов с рекламой и вовлекает внутренние мотиваторы, такие как чувство независимости и контроля. Активное управление вместе с релевантными информационными блоками изображено на ФИГ. 1.

Согласно иллюстративному варианту нацеленная реклама по запросу видима только временно, в отличие от навязчивых постоянных релевантных информационных блоков. Таким образом, реклама преимущественно не требует "места на полке " и не разрушает оригинальное содержание. Пользователю может быть отображено большое количество рекламы, усиливая эффект рекламы. Реклама не раздражает пользователя (или, по крайней мере, раздражает пользователя меньше, чем обычная реклама), поскольку она генерируется на основе пользовательских предпочтений. Реклама нацелена на конкретного пользователя на основе семантического контекстного анализа, при необходимости без отслеживания действий пользователя. Обеспечивается обратная связь от контентных пользователей.

Пользователи (клиенты) могут щелкнуть на части содержания, которое каким-то образом стимулирует их чувства - это обеспечивает дополнительную обратную связь о качестве содержания. Пользователи могут сообщить медиа-ресурсу напрямую - "это интересно" и "это не интересно". История щелчков и анализ "щелкнутых" частей содержания делает возможным распознавание шаблонов, которые могут помочь сделать содержание более привлекательным для пользователя. Реклама, которая получает больше определенного количества отрицательных пользовательских отзывов в течение периода времени Т, автоматически исключается из процесса представления, а рекламодатель получает уведомление.

Согласно иллюстративному варианту используется несколько порогов уведомлений о качестве с предопределенными действиями для отрицательных и положительных отзывах. Отзывы хранятся на сервере в форме связей: <реклама, временная метка, отзыв>. Только владелец сервера обладает прямым доступом ко всем данным для последующего анализа. Данные отзывов доступны пользователям в агрегированной форме (например, сумма, среднее и т.д.)

Пользователь инициирует процесс обратной связи путем щелканья/касания кнопки обратной связи. Каждая кнопка ассоциируется с идентификатором релевантного информационного блока (идентификатором веб-страницы), который передается на сервер обратной связи. Каждый отзыв регистрируется /сохраняется в базе данных в форме записи, содержащей:

- идентификатор релевантного информационного блока;

- сигнатура пользователя;

- временная метка; и

- тип обратной связи (например, нравится, не нравится, бесполезно, не соответствует теме, дорого, жалоба и др.).

Сигнатура пользователя - это хэш пользовательских данных браузера, которые не содержат никакой личной информации. Идентификатор релевантного информационного блока - это идентификатор рекламного сообщения. Временная метка - это текущее время с точностью до миллисекунд.

Согласно иллюстративному варианту каждый пользователь имеет доступ только к:

- агрегированным записям, отфильтрованным про пользовательской сигнатуре и агрегированным по идентификатору релевантного информационного блока;

- агрегированным записям, не отфильтрованным по идентификатору релевантного информационного блока.

Таким образом, никакие персональные данные, содержащиеся в отзывах других пользователей, не доступны пользователю.

Например, если объект - это новый автомобиль, список ассоциаций может включать поиск дилера, заказ пробной поездки, поиск нового автомобиля в кредит и др. Таким образом, реклама, предлагающая данные услуги, генерируется и отображается пользователю. Архитектура системы показана на ФИГ. 2. Система включает рекламный сервер 240. Рекламный сервер 240 обрабатывает содержание, хранит и выбирает рекламу. Специальные рекламные библиотеки 230 и 250 объединяют рекламный сервер 240 с медиа-ресурсами и приложениями, установленными на компьютерных устройствах.

Рекламные библиотеки 230 и 250 отображают рекламу и обрабатывают пользовательские реакции на рекламу. Например, пользователь может щелкнуть на релевантном информационном блоке, проигнорировать его, запросить перенацеливание или выразить свое разочарование рекламой. Рекламные библиотеки 230 и 250 предназначены для работы с компьютерными устройствами 260 и медиа-сайтами 210 (сайты - набор веб-страниц (со скриптами, файлами, ссылками и т.д.), отображаемыми пользователю посредством веб-браузера).

Согласно иллюстративному варианту содержание хранится на удаленном медиа-сервере (стороннем сервере, на котором размещен меда-ресурс для приложений или сайтов, потребляемых пользователем) 220 и предоставляется медиа-приложениям на компьютерных устройствах 260 или медиа-сайтах 210. Медиа-сервер является сторонним сервером, на котором размещаются медиа-ресурсы для приложений или сайтов, потребляемых пользователем. Издатель - это лицо, который владеет медиа-ресурсом.

Система интеграции с медиа-сервером 220 осуществляется рекламными библиотеками 230 и 250. Анализ содержания проводится на медиа-сервере 220, то что вычислительная нагрузка на клиентов 210 и 260 - минимальна.

Согласно иллюстративному варианту реклама хранится на рекламном сервере 240. Рекламный сервер 240 доступен через универсальные порталы управления 270, доступные компьютерными устройствами 260 и медиа-сайтами 210. После того как пользователь щелкнет на части содержания, модуль ОЕЯ определяет объекты внутри текста, классифицирует объекты и определяет отношения между объектами. Как результат, пользовательские пожелания (желания) ассоциируются с предложениями и параграфами текста. Согласно статистике до 80% слов используются в качестве связующих элементов, которые не отражают пользовательские пожелания. Таким образом, объекты, которые на самом деле вызывают пользовательские пожелания, довольно малочисленны.

Далее создается ассоциативная модель с матрицей. Ассоциативная матрица определяет связи между объектами и пользовательскими пожеланиями, вызванные этими объектами. Ассоциативная матрица также определяет границы этих связей. Иными словами, определяются связи между объектом-желанием и ограничениями приложений для данной пары. Например, пол, время года, общественные события и др. являются важными ограничениями для поведения и желаний людей.

Стоит отметить, что ассоциации базируются на различных факторах и в основном на типе объекта. Например, объект отель имеет один набор ассоциаций, объект ресторан имеет другой набор ассоциаций, и объект автомобиль имеет еще один ассоциативный набор и так далее. Ассоциативная матрица наследует некоторые принципы из концепции "графа интересов" и расширяет их реализацией некоторых новых возможностей.

Например, классификация Эми Джо Кима поведения игроков в игры (соревноваться, исследовать, взаимодействовать, выражать) может быть использована для распознавания слов в содержании, которые ассоциируются с каждым типом поведения (например, слова "проектировать, создавать, строить" связаны с настроением "выражать"), и ассоциируют настроение пользователя с услугами и деятельностью, подходящими для такого настроения. Пирамида Маслова может быть использована для представления приоритезации желаний. Кроме того, могут быть использованы связи между рекламными категориями услуг/продуктов, которые основаны на статистическом распределении (популярности) классификаций в ресурсах (таких как Pinterest). Классификация внешних мотиваторов (статус, доступ, полномочие, материал) и внутренние мотиваторы (компетентность, самостоятельность, родство) может быть также применена к классификации содержания и рекламы.

В качестве результата ассоциации создается список рекламных целей. Ассоциативная модель формируется на основе социологических и статистических данных. Ассоциативная модель постоянно обновляется (обучается) в процессе развертывания системы. Поскольку содержание определяет и стимулирует пожелания (желания) пользователя, содержание может быть проанализировано ОЕЯ только один раз. Затем, может быть создана универсальная модель пользовательских пожеланий путем применения ОЕЯ к ассоциативной матрице. Реклама может быть классифицирована в соответствии с ее отношением к пользовательским желаниям, вместо классификации продуктов/услуг.

В дополнение к ключевым словам (например, марке или названию продукта или услуги), каждый объект в содержании может быть ассоциирован с несколькими возможными деятельностями, которые могут быть выполнены с объектом, например, "купить", "бронирование", "заказ", "послушать", "смотреть" и др. Кроме того, каждый объект может быть ассоциирован с каким-то желанием, например, "безопасность", "голод", "жажда", "любопытство", "любовь" и др. В содержании также могут содержаться ключевые слова взаимодействия, например, "строить", "выиграть", "нравиться", "собирать" и др. Это может помочь в определении текущего состояния клиента для лучшего нацеливания рекламы.

На ФИГ. 3 показана блок-схема метода для точного подбора рекламы, в соответствии с иллюстративным вариантом. В шаге 310 издатель добавляет новое содержание на медиа-ресурс. В шаге 320 метаданные содержания и веб-страницы (т.е. параметры веб-страницы отображенные просматривающему. HTML теги, определяющие метаданные страницы, называются мета-тегами) загружаются с медиа-источника на рекламный сервер. В шаге 330 содержание анализируется, для того чтобы определить цели пользователя (желания) (для генерирования атрибутов элемента содержания, КД). Затем, пользователь выбирает часть содержания в шаге 340, и часть содержания и соответствующие цели (т.е. пользовательские цели, атрибуты элемента содержания) идентифицируются в шаге 350, и процесс переходит к шагу 360.

Если в шаге 360 выявлено более одной потенциальной пользовательской цели, все потенциальные цели показываются в шаге 365, чтобы пользователь мог выбрать одну из них. Далее, процесс переходит к шагу 370, где цель выбирается пользователем, и процесс переходит к шагу 375, где выбирается реклама, соответствующая цели и целевым параметрам. Затем процесс переходит к шагу 380, где выбирается бесплатное (органическое содержание). Далее процесс переходит к шагу 390, где определяется местоположение платного содержания и/или органического содержания на экране компьютерного устройства. Релевантный информационный блок(и) и/или органическое содержание отображается в шаге 395 и процесс завершается в шаге 398.

Стоит отметить, что часть содержания, выбранная пользователем, определяется на начальной стадии процесса. Система обрабатывает пользовательские ошибки, вызванные неверным положением пальца пользователя на экране компьютерного устройства, путем аппроксимации точки касания с несколькими "предугаданными" точками с помощью случайного сдвига [0-Х]. Согласно одному иллюстративному варианту минимальная целевая область - это предложение. Если касание пальцем затрагивает более одного предложения, система автоматически включает весь параграф. Если касание пальцем происходит между параграфами, для ОЕЯ анализа используются оба близлежащих предложения. В случае компьютерных устройств с более крупными экранами, для анализа используется позиция внутри предложения.

Параграфы, например, в HTML формате являются геометрическими объектами с известными границами. Это позволяет определять параграф внутри текста, выбранного пользователем компьютерного устройства. Геометрические границы предложений или других частей текста могут быть рассчитаны также для определения конкретной части текста, выбранного пользователем. Например, текст:

"UCWeb назвала Индию своей второй штаб-квартирой в апреле. В то время соучредитель и президент Ксяопенг Хе сказал, что компания будет добиваться партнерских отношений в сферах и вертикалях для построения процветающей экосистемы на индийском рынке, где IC Browser был впервые запущен в 2011. Ма на борту будет полезен в качестве работника UCWeb по вводу в различных секторах."

Пользователь, заинтересованный узнать больше о "UC Browser", может коснуться точки рядом с данной фразой, но не точно на ней. Приложение, показывающее эту фразу, трактует событие прикосновения, как связанное со словом "где" (перед "UC Browser"). Иллюстрационный алгоритм помогает найти наиболее вероятные точки интереса. Для иллюстрационного предложения слова "изюминки": "Ксяопенг" (вероятно, именованная сущность), "индийский рынок", "процветающей экосистемы " и "UC Browser". Таким образом, пользователь легко может уточнить свой поиск по "UC Browser" лишь выбрав термин из списка предположений.

Согласно иллюстративному варианту медиа-ресурсы используются для точного нацеливания рекламы. Иллюстративный вариант использует каталог ресурсов, который указывает содержание и пользовательскую историю по ресурсу. Например, некоторые каталоги, использованные для нацеленной рекламы, привлекают конкретную аудиторию - например, у каждой из "финансовых рынков", "банковских новостей", "путешествия", "технических новостей", "бизнес-школ", "малых бизнесов", "разработке", "садоводстве", "недвижимости", "автомобилей" и др. есть своя собственная аудитория. Пользовательская история, собранная на рекламном сервере, может быть использована для расширения/уточнения более подробно пользовательский профиль. Однако пользовательская история служит только в качестве дополнительной (необязательной) информации.

На ФИГ. 4 показана блок-схема метода для точного подбора рекламы согласно иллюстративному варианту. В шаге 410 распознается часть содержания, выбранная пользователем. Метаданные (цели), ассоциирующиеся с выбранной частью содержания, определяются в шаге 420. Далее, метаданные всего содержания применяются в шаге 430. Эти метаданные являются метаданными контекста содержания, иными словами, метаданные - это дополнительные данные, которые описывают содержание (ключевые слова, категории, заглавия и др. ссылки).

В шаге 440 применяются дополнительные ограничения (пол, сайт, тип устройства, расположение, язык, возраст, пол и др.). Если в шаге 450 обнаружено более одной потенциальной пользовательской цели, возможные цели показываются пользователю для выбора одной в шаге 460, и процесс переходит к шагу 470. В противном случае ассоциативная модель (матрица) применяется к цели в шаге 470. Впоследствии ограничения (геолокационные данные, пол, часовой пояс, тип пользовательского устройства, веб-сайт и др.) применяются к пользовательским данным в шаге 480. Затем находится наиболее соответствующая реклама в шаге 490.

Например, когда человек щелкает на предложении с описанием ресторана и музыкальной группы, которая играет в этом ресторане той ночью, в первом шаге алгоритм должен выбрать между "едой" и "музыкой", и затем клиент выбирает категорию "еда", и оказывается, что ресторан имеет другое географическое местоположение чем пользователь (например, пользователь находится в США, а ресторан во Франции), и нет необходимости предлагать этому человеку забронировать столик в этом ресторане, а имело бы больше смысла предложить ему местный ресторан с тем же типом кухни.

Например, содержание может быть связано с автомобилями, а контекст может включать категории "покупка", "ремонт", 'продажа" и "распродажа". Система принимает во внимание пользовательскую историю посещенных сайтов, тип операционной системы компьютерного устройства, модель компьютерного устройства, финансовый статус пользователя, предпочтения пользователя. Система также принимает во внимание метаданные текущей страницы или метаданные посещенных страниц, пользовательские поисковые запросы, почтовые сообщения и сообщения и комментарии в социальных сетях.

Согласно одному иллюстративному варианту релевантная реклама может быть выбрана на основе ключевых слов и размещения на странице, в настоящее время просматриваемой пользователем. Контекст - это иерархия группы слов или тем, соответствующих содержанию (тексту), расположенному вокруг выбранного слова, предложения, параграфа или части текста. В иллюстративном варианте контекст анализируется, и релевантная реклама показывается в зависимости от веса текста и метаданных, включая дополнительную информацию для нацеливания рекламы. Стоит отметить, что весь текст используется в качестве мета-ссылки. Реклама формируется на рекламном сервере и показывается без изменений в оригинальной структуре страниц. Область, выбранная пользователем, подсвечивается как гиперссылка.

Согласно одному иллюстративному варианту реклама, за которую не заплатили, не показывается. Отслеживание платной рекламы выполняется на рекламном сервере, который отправляет уведомляет. Оплаченное содержание хранится как набор записей, которые содержат данные о:

- показах (в течение кампании, месяца, дня);

- пользовательских посещениях после щелканья на релевантном информационном блоке (в течение кампании, месяца, дня);

- операциях (продажах, звонках, CMC и др.);

- рассчитанной стоимости показа рекламы, перехода на сайт, операции (в течение кампании, месяца, дня);

- максимальном и минимальном количестве показов рекламы, перехода на сайт, операции (в течение кампании, месяца, дня);

- максимальных и минимальных ценах показов рекламы, перехода на сайт, операции (в течение кампании, месяца, дня);

- совокупный ценовой лимит;

- совокупный временной лимит.

Согласно одному иллюстративному варианту счета рекламодателя инкрементируются и сравниваются с лимитом, и релевантный информационный блок помечается как неактивный и больше не показывается, если достигнут лимит. Если баланс счета увеличивается, релевантный информационный блок показывается снова. Согласно одному иллюстративному варианту содержание - это мета-ссылка. Пользователь может добраться до связанной страницы при помощи касания, жеста, движения глаз, голоса и др. Щелчок выполняется как специальный жест: движение влево или вправо на параграфе для перехода между параграфами. Ссылка строится динамически на основе результатов семантического анализа.

Контекст данного текстового выражения (который может состоять из слова) в данном текстовом документе является текстовым документом, который включает выражение и окружающий текст. Диапазон окружающего текста определен уровнем контекста, который может принимать значение из части предложения, предложения, параграфа, статьи, набора доменных имен и др. Контекст определенного уровня контекста С считается значимым, если множество его значений А, полученных с помощью функции М:А=М(С), не является пустым, где М - отображение значений. Отображение значений является аппроксимацией функции, определенной на домене структуры содержания, и обладающей своим диапазоном в ограниченном наборе пользовательских реакций или намерений (любопытство, узнать больше, желаю иметь и др.).

Отображение значений показывает потенциальный пользовательский интерес, который может быть переключен при встрече с определенными частями текста. Контекстный уровень определен для конкретного текстового выражения конкретного уровня. Предложение: различать следующие уровни выражений, от небольших элементов до больших: Слово, Группа слов, Составляющая предложения, (последовательность слов между запятыми и др.), Предложение, Группа предложений, Параграф. Следующие контекстные уровни для Слова: Группа слов, Составляющая предложения, Предложение, Группа предложений, параграф, Группа параграфов, Статья, Группа статей, Тема в разделе, Предметная область. Для группы слов: Составляющая предложения, Предложение, Группа предложений, Параграф и др.

Алгоритм извлечения ключевых слов может быть использован в данной реализации изобретения следующим образом:

Вход: текстовый элемент Е, квантиль q

Выход: S - список ключевых слов/биграмм в форме КД (Контекстного Дескриптора)

Для описания ключевых слов в качестве КД используется специальная форма. Простой КД - это пара: (КД_тип, КД_значение), где КД_тип берет значение из {ключевого слова, биграммы,…} и КД_значение - это нормализованное (стеммированный, леммированный, "нижнерегистровый") слово или биграмма.

1. Извлечь все текстовые выражения, которые удовлетворяют следующим шаблонам:

<статья>[прилагательное]{существительное/число}[глагол]

[прилагательное]{существительное/число}[глагол]

…

Обозначения:

<.> - ровно один элемент

{.}-один или более элементов

[.] - ноль или более элементов

Добавить все эти выражения в мульти-набор R.

2. Удалить стоп-слова (если они являются частью шаблона) из выражений. Стоп-слова - это слова языка, которые считаются низкоинформативными, мусором или шумом, такие как артикли, предложения и др.

3. Подсчитать частоту слов и биграмм, включенных в выражения.

4. Построить распределение. Отсортировать слова и биграммы по этому распределению. Выбрать слова и биграммы с максимальной частотой, используя данный квантиль q.

Добавить эти слова и биграммы в возвращенный набор S. Анализируется только Значимое содержание. Алгоритм полезности может быть использован следующим образом:

Вход: веб-страница Р, квантили q1, q2

Выход: Набор значимых элементов М

1. Рассмотреть данную веб-страницу как набор HTML-заголовков+HTML-элементов, Р={h1,…,hN, e1,…,еМ} и мета-информации (мета-описание+мета-содержание) М={m1,…,mK}.

2. Удалить элементы с низким значением длинны текста и элементы с большим значением относительной концентрации ссылок из Р.

3. Сделать стеммирование слов в Р и М, удалить стоп-слова.

4. Мультинабор значимых элементов S={}

5. Сделать векторизатор текста на основе мета-информации m1,…,mK', V[m1,…,mK'](х) - вектор-функция. Она показывает, как много слов из {m1,…,mK'} содержится в текстовом элементе x.

6. Добавить в S такие элементы е из Р, которые удовлетворяют условию сум(V[m1,…,mK'](е))/длин(V[m1,…,mK'])>=q1, где сум (V[m1,…,mK'](е)) - это сумма элементов вектора, длина (V[m1,…,mK']) - длина вектора (что является эквивалентом для "количества аргументов функции").

7. найти такие заголовки h1,…,hL, что:

h: Сум (V[h](x))-> макс х из Р, где макс - вектор максимальной длины. Назовем их базовыми заголовками. Сделать векторизатор V[h1,…,hL](x)

8. Добавить к S такие элементы е из Р: сум (V[h1,…,hL](e))/len(V[h1,…hL])>=q2.

9. Добавить к S элементы, которые удовлетворяют некоторым геометрическим условиям. Например, если базовый набор заголовков - {hi}, добавить в S элементов, которые расположены ниже этого заголовка, в заголовок текста на веб-странице.

10. Набор значимых элементов М=Уникальные элементы из S.

Семантический анализ выполняется, когда содержание публикуется в режиме реального времени, или при опросе страниц. Для пользователя не требуется никакого дополнительного программного обеспечения (все работает в браузере, как обычные ссылки). Все вычисления выполняются на серверной стороне. Серверная сторона состоит из следующих сервисов:

Семантический Сервер Содержания - отвечает за предварительную обработку составляющих содержания и за хранение их в машиночитаемом формате;

Серевер Рекламных Особенностей - отвечает за предварительную обработку результирующих текстов и за хранение их в машиночитаемом формате;

Целевой Сервер - отвечает за анализ читательских запросов по содержанию и выполнение поиска совпадающих результатов, наиболее актуальных сточки зрения намерения пользователя.

Типы результатов могут быть использованы в иллюстративном варианте: продвигаемый результат, взято от рекламодателя, продвинутый, всегда актуальный, органическое содержание показывается, когда не существует релевантного продаваемого содержания.

Пример органических результатов: отзывы об объекте, мнения с форумов (механизмы надежных рекламодателей), географические точки, цена и информация о продаже, похожие объекты. В зависимости от обнаруженных категорий органические результаты могут быть обработаны из GOOGLE, WIKIPEDIA, ETSY и др. Органические или Продвигаемые результаты могут быть расслоены по пользовательским намерениям, они призваны быть использованными применительно к части содержания: Узнать больше о, Интересно, что это, Что об этом нового, Что говорят об этом люди, Где я могу это достать, Сколько это стоит, Хочу это купить. Стоит отметить, что органические и продвигаемые результаты показываются одновременно.

На ФИГ. 5, 6, 7, 8 показаны рекламные и органические результаты на экране компьютерного устройства. Размер каждого объекта и количество объектов на экране могут варьироваться в зависимости от типа экрана компьютерного устройства и конфигурации мобильного приложения для отображения объектов. Если наличествует несколько объектов, объекты могут быть прокручены вверх и вниз в виде цикла, показанного на ФИГ. 5-8. Стоит отметить, что пользователь может выбрать действие для каждого объекта (например, открыть, проголосовать за/против, отправить другу и др.)

На ФИГ. 9 показана обработка содержания на компьютерном устройстве с использованием списка действий для предварительно определенных пользовательских запросов. Пользователь может переместить (вверх, вниз, влево и вправо) части содержания за пределы экрана компьютерного устройства при помощи специального жеста. На месте удаленного содержания могут быть показаны кнопки действий. Также могут быть показаны слова (цели) из выбранного контекста - например, бензиносжигатели, транспортные средства и др. Пользователь может выбрать одно или несколько слов (целей) и/или действий (из кнопок или списков), чтобы уточнить информацию, для обратной связи или для открытия релевантных информационных блоков данных. Таким образом, пользователю будет показана наиболее актуальная реклама. Стоит отметить, что одно или несколько слов/целей может включать ряд ссылок на различные рекламные или органические (натуральные) объекты, которые могут быть показаны на экране компьютерного устройства (см. ФИГ. 9). Стоит отметить, что выбранное содержание может быть развернуто посредством анимации таким образом, что рекламное или органическое содержание и список слов показываются из-за содержания. Экран мобильного устройства может иметь специальный элемент, позволяющий перемещение частей содержания веб-страницы для отображения целей.

Согласно одному иллюстративному варианту система превращает все содержание в активную ссылку. Система использует ассоциативную модель, описывающую возможные пожелания и действия пользователя, которые могут быть приняты на основании содержания объекта. Иными словами, система предоставляет пользователю действия, если объект представляет интерес для пользователя. Например, ассоциация для объекта "отель" может быть "бронирование номеров", для " ресторана" - "зарезервировать столик" и др.

Согласно одному иллюстративному варианту релевантные данные определяются для польователя на основе доступных данных (геолокационных данных, персональных данных, часовом поясе, типе компьютерного устройства и др.). Таким образом, после создания модели для одного пользователя, она может быть использована для других подобных пользователей. Это экономит большое количество рекламных ресурсов. Пользователь может определить свой рекламный выбор в любой момент, что снижает негативный эффект обычной рекламы.

На ФИГ. 10 показана блок-схема метода для точного подбора рекламы согласно иллюстративному варианту. Рекламодатель может создать новый релевантный информационный блок или целевую группу, или кампанию в шаге 710 (т.е. создать новую рекламу) и вручную определить ключевые слова, а также он может вручную определить целевые параметры. Целевые параметры- это список атрибутов рекламы, который описывает аудиторию, которой должна быть отображена эта реклама, включая возраст пользователя, пол, местоположение, пользовательскую историю просмотров, статистику медиа-сайтов, содержание веб-сайта, метаданные страницы и др. любую социальную информацию о пользователе, доступную глобально, историю просмотров или поисковых запросов. Если ключевые слова определены в шаге 720, то ключевые слова преобразуются в КД в шаге 740, и процесс переходит в шаг 750. Стоит отметить, что шаги 720 и 725 являются независимыми и могут быть выполнены параллельно или последовательно. Если целевые параметры определены в шаге 725, тогда КД создаются на основе целевых параметров в шаге 727, и процесс переходит к шагу 750. Рекламодатель также может указать Единые Указатели Ресурсов своего продукта или услуги. В противном случае ключевые слова создаются автоматически алгоритмом СтраницаВКД в шаге 730. Рекламная категория может быть автоматически определена для каждого релевантного информационного блока в шаге 750, используя следующий алгоритм:

извлекается КД релевантного информационного блока, используя ключевые слова;

определить главную категорию или категории для релевантного информационного блока на основе алгоритма голосования;

категория целевой группы определяется как набор категорий релевантных информационных блоков целевой группы, упорядоченных в порядке убывания частоты встречаемости;

КД и категория извлекаются из контекста. Применяется эвристический алгоритм поиска ключевых слов, специфичных для страницы и для всей категории. Выполняется анализ части речи текста. Наборы КД создаются и голосованием определяются категории.

Релевантная реклама для контекста определяется как реклама, у которой есть категория, соответствующая категории контекста. Сортировка рекламы может быть реализована посредством алгоритма голосования: КД контекста голосует за КД релевантного информационного блока. Количество голосов КД подсчитывается для каждого релевантного информационного блока, и релевантные информационные блоки сортируются в порядке убывания голосов.

КД - э то сущность, у которой есть контекстный объект (например, ключевые слова, биграмма) и веса, назначенные объекту. Чем больше вес, тем больше важность объекта. Алгоритм голосования реализуется следующим образом. Объекты кандидаты и объекты участники голосования имеют свои свойства и веса. Изначально, голоса для каждого кандидата равны нулю. Далее для каждого кандидата и для каждого свойства к кандидатам с таким свойством добавляется вес свойства. Победившими кандидатами являются объекты, собравшие наибольшее количество голосов.

Далее процесс переходит к шагу 755. Если рекламодателем добавлены категории исключения, то набор основных рекламных категорий обновляется в шаге 760:

взрослый, автомобили, бизнес, финансы деньги, развлечения новости и сплетни, еда и напитки, игры, здоровье и фитнес, фильмы ТВ, музыка, новости и погода, покупки, социальные сети, общество - латино, общество - мужской образ жизни, общество - женский образ жизни, спорт, стиль и мода, технология, путешествие, утилиты и др.

Затем для каждой категории в шаге 765 создается набор сущностей контекстных дескрипторов (КД), содержащих особенности текста (ключевые слова, биграммы). КД описывает данные страницы следующим образом:

- создается набор поисковых фраз для категории;

- создается набор поисковых фраз для категории;

- Единые Указатели Ресурсов страницы, которые считаются базовыми для данной категории, получаются при помощи Интерфейса Программирования Приложений поисковой системы. Может быть получено произвольное количество Единых Указателей Ресурсов.

- Каждая страница обрабатывается алгоритмом СтраницаВКД, который преобразует содержание страницы в набор КД. КД используются в качестве координат в пространстве контекста для измерения сходства или соответствия между ними. Косинус матрицы используется для подсчета КД.

Набор КД, упорядоченных в порядке убывания частоты встречаемости, определяет категорию. Наиболее частые КД описывают категорию лучше, чем менее частые. Алгоритм для получения КД может быть вручную модифицирован, чтобы отфильтровать результаты алгоритма СтраницаВКД.

Далее процесс переходит в шаг 770. Процесс сохраняет набор КД на сервер. В шаге 775 пользователь выбирает содержание (или часть содержания). Процесс ищет ключевые слова в выбранном содержании в шаге 780. Далее процесс переходит к шагу 782, где определяются категории из ключевых слов, и в шаге 784 система определяет дополнительные объекты на основе целевых параметров. Процесс выбирает рекламу путем сопоставления категорий с сервера в шаге 785. Выбранная реклама отображается пользователю в шаге 790.

Согласно одному иллюстративному варианту используется алгоритм СтраницаВКД. Выбираются метаданные страницы, и удаляются стоп-слова. Выбираются заголовки страниц и из них удаляются стоп-слова. Параграфы с содержанием, которое близко к метаданным/заголовкам и стоп-словам удаляются. Наиболее часто используемые ключевые слова/биграммы выбираются из совокупного текста. Ключевые слова/биграммы преобразуются в КД. Веса назначаются на основе местоположения ключевых слов/биграмм - параграфу назначается больший вес, а заголовку присваивается меньший вес.

На ФИГ. 11 показаны экраны мобильного устройства. Релевантные данные показываются согласно пользовательским целям/желаниям, выбранных на основа контекста содержания. Как только элемент экрана релевантного блока данных активируется, то показываются связанные с целями/пожеланиями данные. Например, часть текста может быть переворачивается, при этом показываются цели, и пользователь может выбрать одну из целей. Как только цель выбрана, показываются релевантные блоки данных.

На ФИГ. 12 показан точный выбор рекламы и графическое представление целевой рекламы пользователю. Пользователь может выбрать часть содержания 910. Объект 940 показывается над содержанием или в меню браузера, или в раскладывающемся меню. Пользователь может открыть дополнительное окно 960 (например, новое окно в браузере или окно в текущем браузере). Рекламное или органическое содержание 985 и 990 может быть отображено в окне 960 в предназначенной области 970 вместе с объектами 980 (поиск, текст, YouTube и др.), отражающими намерения пользователя. Показанные рекламное или органическое содержание 985 и 990 выбирается на базе: анализа содержания, категории содержания, языка, выбранной области содержания и пользовательских предпочтений. Стоит отметить, что пользовательские намерения явно отображаются вместе с бесплатным органическим содержанием.

На ФИГ. 13 показана блок-схема показательного алгоритма СтраницаВКД, использующего поиск релевантных страниц. В шаге 1005 метаданные (М) собираются по Единым Указателям Ресурсов (ключевым словам, содержанию). Стоит отметить, что метаданные могут быть недоступны. Метаданные предоставляются издателем (например, теги<meta>продажа автомобилей</meta>). В шаге 1010 метаданные очищаются от стоп-слов. В шаге 1015 данные из заголовков (например, <head>) и из выбранных слов собираются и очищаются от стоп-слов в шаге 1020. В шаге 1025 данные из параграфов собираются и очищаются от тегов в шаге 1030.

В шаге 1035 очищенные метаданные из шага 1010 и данные заголовков, плюс выбранные слова из шага 1020 векторизуются: V=векторизовать (М'+Н'). В шаге 1040 процесс проверяет, если V>0. Если V>0, то процесс переходит к шагу 1041. Если V<=0 (например, набор метаданных и заголовков пуст), процесс переходит к шагу 1077, где набор всех текстовых элементов (параграфов, частей предложений, частей текста, слов, частей слов и т.д) делается равным R. Далее процесс переходит в шаг 1050.

В шаге 1041 набор параграфов Р' (или части содержания, например, двух или более параграфов, распознанной информации в выбранной части изображения, видео или аудио) разбивается на кусок текста Ti, и процесс переходит к шагу 1045.

В шаге 1045 процесс проверяет, остался ли еще текст (содержание: часть изображения, часть текста и т.д.) Ti. Если текст существует, следующий текст Ti получается в шаге 1046. В шаге 1047 элемент Pi векторизуется: VTi=V(Ti), где VTi - это продукт векторизации. В шаге 1048 текстовый элемент Ti применяется к базовому векторизатору V, который производит вектор координат, и процесс проверяет больше ли сумма координат вектора, деленная на величину вектора, чем α, где α - это уровень, выше которого взят параграф. α определяется эмпирически и, как правило, находится в диапазоне 0.14-0.16. Если в шаге 1048 условие не выполняется, параграф не включается в массив возможных параграфов для отображения, и процесс возвращается к шагу 1045. В противном случае текущий Ti добавляется в R, и номер i текстового элемента добавляется к I в шаге 1049.

Если в шаге 1057 номер текущего параграфа отличается от ранее записанного более чем на единицу, то процесс берет один из непроверенных пропущенных параграфов в шаге 1058. В противном случае процесс возвращается к шагу 1045.

В шаге 1059 процесс проверяет, больше ли сумма вектора координат, разделенная на величину вектора, чем α/2, где α - это уровень, выше которого взят параграф. Если условие не выполняется, процесс возвращается к шагу 1045. В противном случае, если условие выполняется, процесс переходит к шагу 1060, где пропущенный параграф добавляется в R, и его номер добавляется к I. Затем в шаге 1061 процесс проверяет, проверены ли все пропущенные параграфы. Если не все пропущенные параграфы были проверены, процесс возвращается в шаг 1058. В противном случае процесс переходит к шагу 1045.

Если, в шаге 1045 не осталось Ti, процесс переходит к шагу 1050, где М' и Н' добавляются к результирующим параграфам в шаге 1050. В противном случае процесс переходит к шагу 1071.

Затем в шаге 1052 элемент векторизуется: VR=V(R), где VR - это продукт векторизации. VR сортируется по частоте встречаемости в шаге 1053. В шаге 1054 особенности выбираются (или отбираются) по квантилю. Выбранные данные отображаются пользователю в шаге 1055.

На ФИГ. 14 показана блок-схема показательного алгоритма СтраницаВКД. В шаге 1005 метаданные (М) собираются по Единым Указателям Ресурсов (ключевым словам, содержанию). Стоит отметить, что метаданные могут быть недоступны. Метаданные предоставляются издателем (например, теги<meta>продажа автомобилей</meta>). В шаге 1010 метаданные очищаются от стоп-слов. В шаге 1015 данные из заголовков (например, <head>) и из выбранных слов собираются и очищаются от стоп-слов в шаге 1020. В шаге 1025 данные из параграфов собираются и очищаются от тегов в шаге 1030.

В шаге 1035 очищенные метаданные из шага 1010 и данные заголовков, плюс выбранные слова в шаге 1020 векторизуются: V=векторизовать (М'+H'). В шаге 1040 процесс проверяет, если V>0. Если V>0, то процесс переходит к шагу 1041. Если V<=0 (например, набор метаданных и заголовков пуст), процесс переходит к шагу 1077, где набор всех текстовых элементов (параграфов, частей предложений, частей текста, слов, частей слов и т.д) делается равным R. Далее процесс переходит в шаг 1050.

В шаге 1041 набор параграфов Р' (или части содержания, например, двух или более параграфов, распознанной информации в выбранной части изображения, видео или аудио) разбивается на кусок текста Ti, и процесс переходит к шагу 1045.

В шаге 1045 процесс проверяет, остался ли еще текст (содержание: часть изображения, часть текста и т.д.) Ti. Если текст существует, следующий текст Ti получается в шаге 1046. В шаге 1047 элемент Pi векторизуется: VTi=V(Ti), где VTi - это продукт векторизации. В шаге 1048 текстовый элемент Ti применяется к базовому векторизатору V, который производит вектор координат, и процесс проверяет больше ли сумма координат вектора, деленная на величину вектора, чем α, где α - это уровень, выше которого взят параграф. α определяется эмпирически и, как правило, находится в диапазоне 0.14-0.16. Если в шаге 1048 условие не выполняется, параграф не включается в массив возможных параграфов для отображения, и процесс возвращается к шагу 1045. В противном случае текущий Ti добавляется в R, и номер i текстового элемента добавляется к I в шаге 1049, и процесс возвращается к шагу 1045.

Если в шаге 1045 не осталось Ti, процесс берет номер первого параграфа Р1 в шаге 1065. В шаге 1067 процесс берет номер следующего параграфа, хранимого в I. Стоит отметить, что процесс проверки параграфов может быть запущен с последнего параграфа или с любого записанного параграфа, если параграфы выбираются случайным образом. В шаге 1069 процесс проверяет отличается ли номер текущего параграфа от ранее записанного параграфа более чем на 1.

В случае если условие выполняется, процесс берет один из непроверенных пропущенных параграфов в шаге 1070. В противном случае процесс переходит к шагу 1071, где номер следующего параграфа из шага 1067 становится текущим номером, и процесс возвращается к шагу 1067. В шаге 1072 процесс проверяет, больше ли сумма пропущенных вектор координат, разделенная на величину вектора, чем α/2. Если это условие не выполняется, то процесс возвращается к шагу 1071.

В противном случае процесс переходит к шагу 1073, где пропущенный параграф добавляется в R, и его номер добавляется к I. Затем в шаге 1074 процесс проверяет, проверены ли все пропущенные параграфы между двумя параграфами. Если не все пропущенные параграфы были проверены, процесс возвращается к шагу 1070. В противном случае процесс проверяет в шаге 1075, последний ли это номер параграфа. Если номер параграфа - последний, М' и Н' добавляются к результирующим параграфам в шаге 1050. В противном случае процесс переходит к шагу 1071, где номер следующего параграфа становится текущим. Далее процесс переходит к шагу 1067.

Далее в шаге 1052 элемент векторизуется: VR=V(R), где VR - это продукт векторизации. VR сортируется по частоте встречаемости в шаге 1053. В шаге 1054 особенности выбираются (или отбираются) по квантилю. Выбранные данные отображаются пользователю в шаге 1055.

Приведенный выше алгоритм анализа текстовых документов веб-страниц СтраницаВКД является показательной реализацией алгоритма СтраницаВКД:

Параметры преобразования ВКД определяются как ВКД={ИзображениеВКД, МузыкаВКД, ВидеоВКД, ЧастьИзображенияВКД…} некоторых нетекстовых дескрипторов содержания. В случае музыки речь выбирается и записывается в КД. Для изображений алгоритм распознает изображения, описывает их и сохраняет в КД. Для видео-содержания алгоритм разбивает содержание на аудио-поток и изображения и обрабатывает их раздельно. Алгоритм определяет вытяжку базовых элементов Е - алгоритм может получить метаданные и заголовок. Вытяжка учитывает геометрию страницы и текущий вид и определяет квантиль релевантности q.

Алгоритм исполняет следующие шаги:

1. Определить текстовое содержание Т и нетекстовое содержание Р;

2. Для Р применить преобразование:

Сделать набор преобразованного элемента Р' пустым;

Для каждого р из Р:

Определить тип y=Туре(р)

Применить преобразование ВКД (y, p) для данного типа и получить дескрипторы, и добавить дескрипторы в качестве отдельного набора в Р';

3. Для Т получить набор преобразованных элементов Т и сохранить t из Т в КД;

4. Получить Т' U Р'. определить базовые элементы В=Е (V U Р'). Другие элементы - это А=(T'UP')\B;

5. Собрать все КД элементы из В в один набор V уникальных элементов. Определить порядок и сгенерировать вектор-функцию векторного аргумента CV, который вычисляет количество пересечений элемента из V с произвольным набором М. Кроме того, вектор веса может быть создан путем применения В к V. Далее CV умножает количество пересечений на вес.

6. набор релевантных R делается пустым;

Для каждого а из А:

Если сумма (CV(a))/длин(CV)>=q, добавить а к R;

Проверить пропущенные элементы, если найдены, уменьшить квантиль наполовину и добавить а к R;

7. Выбрать КД для элементов RUB по квантилю;

8. Отдать результирующий КД.

1. Способ для отображения релевантной информации, основанной на содержании, на компьютерном устройстве, включающий:

соединение компьютерного устройства с медиасервером;

получение содержания с медиасервера на компьютерном устройстве;

отображение содержания пользователю компьютерного устройства, причем любая часть содержания выбираема пользователем и используется для показа пользователю потенциальных целей с целью их выбора пользователем;

загрузку содержания на рекламный сервер;

установление соединения компьютерного устройства с рекламным сервером;

генерирование релевантных блоков данных на основе категорий, части содержания и целевых параметров, где целевые параметры включают информацию о пользователе, содержащую данные социального профиля пользователя в социальных сетях;

анализ содержания рекламным сервером;

генерирование атрибутов, ассоциирующихся с элементами содержания, на основе анализа содержания;

распознание части текста содержания, выбранного пользователем компьютерного устройства;

удаление стоп-слов из содержания;

определение атрибутов, ассоциирующихся с элементами содержания, ассоциирующихся с содержанием и выбранной пользователем частью содержания с использованием технологии Обработки Естественного Языка, где по крайней мере несколько атрибутов рассчитаны предварительно;

определение потенциальных целей пользователя компьютерного устройства с использованием атрибутов, ассоциирующихся с выбранной пользователем частью содержания;

отображение пользователю компьютерного устройства потенциальных целей пользователя для выбора пользователем;

определение цели, выбранной пользователем компьютерного устройства;

применение ассоциативной матрицы с предопределенной ассоциативной моделью к цели, выбранной пользователем компьютерного устройства;

выбор по крайней мере одного релевантного блока данных, соответствующего цели пользователя компьютерного устройства;

загрузку идентификатора релевантного блока данных на компьютерное устройство с рекламного сервера; и

генерирование релевантного блока данных с использованием предопределенного шаблона и отображение релевантного блока данных на экране компьютерного устройства.

2. Способ по п. 1, дополнительно содержащий отображение релевантного органического содержания пользователю компьютерного устройства, если релевантная реклама не найдена.

3. Способ по п. 1, дополнительно содержащий определение потенциальных целей пользователя компьютерного устройства на основании атрибутов, ассоциирующихся с элементами содержания, ассоциирующихся с выбранной пользователем частью содержания и атрибутами, ассоциирующимися с содержанием.

4. Способ по п. 1, дополнительно содержащий преобразование ключевых слов и контекста части содержания в контекстные дескрипторы (КД); генерирование набора ключевых слов из содержания, выбранного пользователем компьютерного устройства алгоритмом преобразования Страницы В Контекстные Дескрипторы (СтраницаВКД), осуществляющим преобразование содержания страницы в набор КД, причем КД используются в качестве координат в пространстве контекста для измерения сходства или соответствия между ними; и определение категории релевантного блока данных, отображаемого на основе определенных рекламодателем ключевых слов, целевых параметров, категорий, и отображение рекламы, если содержание связано с определенными ключевыми словами.

5. Способ по п. 1, дополнительно содержащий определение категорий блоков данных голосованием.

6. Способ по п. 1, дополнительно содержащий генерирование набора ключевых слов из контекста части содержания, выбранного пользователем компьютерного устройства, и дополнительно содержащий проведение анализа части речи содержания с целью выявления ключевых слов.

7. Способ по п. 1, дополнительно содержащий преобразование элемента или набора элементов страницы в активную(ые) ссылку(и).

8. Способ по п. 1, дополнительно содержащий определение атрибутов, ассоциирующихся с частью содержания, ключевыми словами, метаданными вебстраниц, тегами, метаданными, ассоциирующимися с заголовком веб-страницы, ассоциирующимся с частью содержания, выбранного пользователем компьютерного устройства; и выбор релевантного блока данных на основе атрибутов, ассоциирующихся с выбранной пользователем частью содержания, атрибутов содержания и атрибутов контекста части содержания.

9. Способ по п. 1, дополнительно содержащий применение эвристического алгоритма для нахождения ключевых слов в содержании, специфичных для страницы содержания и для категории из всех категорий.

10. Способ по п. 1, дополнительно содержащий применение ограничений к релевантным блокам данных на основе целевых параметров, где ограничениями являются любые из следующего:

географическое положение пользователя компьютерного устройства;

язык пользователя компьютерного устройства;

возраст пользователя компьютерного устройства;

история просмотра документов;

история просмотра интернета пользователем компьютерного устройства;

статистика медиасайтов;

часть содержания веб-сайта;

метаданные страницы;

данные социального профиля пользователя компьютерного устройства;

теги, ассоциирующиеся с текущим пользователем компьютерного устройства, предоставленные сторонними сервисами (DMP, DSP);

тип компьютерного устройства; и

тип операционной системы компьютерного устройства.

11. Способ по п. 1, дополнительно содержащий получение обратной связи пользователя компьютерного устройства на отображенный релевантный блок данных и отправку обратной связи пользователя компьютерного устройства на рекламный сервер.

12. Способ по п. 1, дополнительно содержащий определение расположения блока данных на компьютерном устройстве, определение количества отображенных релевантных блоков данных и упорядочивание рекламы на основе релевантности блоков данных.

13. Способ по п. 1, отличающийся тем, что удаление стоп-слов из содержания осуществляется до преобразования содержания страницы в набор контекстных дескрипторов, причем при преобразовании КД используется косинус ассоциативной матрицы.

14. Способ по п. 4, дополнительно содержащий использование контекста для определения полученного содержания для отображения пользователю, причем осуществляется создание областей блоков данных активными для выполнения действий пользователя компьютерного устройства, где действия пользователя компьютерного устройства любые из следующего:

отображение подробных данных;

отображение изображений;

отображение трехмерных моделей;

проигрывание аудио и видео; и

отображение дополнительного текста,

причем области блоков данных делаются активными для выполнения действия пользователя, где области блоков данных циклически прокручиваются.

15. Система для отображения основанной на содержании рекламы на компьютерном устройстве, включающая:

рекламный сервер, связанный с компьютерным устройством, получающий страницу с компьютерного устройства и сконфигурированный для обработки содержания страницы, хранения и выбора рекламы;

рекламные библиотеки, подключенные к рекламному серверу, рекламные библиотеки, сконфигурированные для интеграции рекламного сервера с компьютерным устройством; и

медиасервер, хранящий страницы и связанный с компьютерным устройством и сконфигурированный для хранения содержания и предоставления содержания компьютерному устройству, причем любая часть предоставляемого содержания выбираема пользователем и используется для показа пользователю потенциальных целей с целью их выбора пользователем;

где медиасервер сконфигурирован для анализа содержания;

рекламные библиотеки сконфигурированы для:

определения метаданных, ассоциирующихся с содержанием, выбранным пользователем компьютерного устройства, посредством генерирования набора ключевых слов из содержания с использованием алгоритма преобразования Страницы В Контекстные Дескрипторы (СтраницаВКД), осуществляющим преобразование содержания страницы в набор контекстных дескрипторов (КД), причем КД используются в качестве координат в пространстве контекста для измерения сходства или соответствия между ними;

с использованием технологии Обработки Естественного Языка определения потенциальных целей пользователя компьютерного устройства на основе метаданных, ассоциирующихся с выбранной пользователем частью содержания, категорий, части содержания и целевых параметров, где целевые параметры включают информацию о пользователе, содержащую данные социального профиля пользователя в социальных сетях, причем осуществляется распознание части текста содержания, удаление стоп-слов из содержания;

показа потенциальных целей пользователя компьютерного устройства пользователю компьютерного устройства;

предоставления органического содержания компьютерному устройству;

определения содержания, выбранного пользователем компьютерного устройства, и контекста части содержания для анализа метаданных содержания;

определения цели, выбранной пользователем компьютерного устройства, и применение ассоциативной матрицы с предопределенной ассоциативной моделью к цели, выбранной пользователем компьютерного устройства; и

генерирование релевантной рекламы с использованием предопределенного шаблона и выбора как минимум одной рекламы, релевантной выбранной цели пользователем компьютерного устройства, и загрузки рекламы на компьютерное устройство с рекламного сервера,

причем система сконфигурирована для получения обратной связи пользователя компьютерного устройства по показанному релевантному блоку данных и для отправки пользовательских отзывов на рекламный сервер, причем генерирование релевантных блоков данных осуществляется на основе категорий, части содержания и целевых параметров, где целевые параметры включают информацию о пользователе, содержащую данные социального профиля пользователя в социальных сетях.