Способ и система определения оптимального значения параметра аукциона для цифрового объекта

Изобретение относится к средствам определения оптимального значения параметра аукциона для цифрового объекта. Техническим результатом является уменьшение нагрузки на сервер аукциона. Система содержит хранилище данных и сервер аукциона, на котором размещен сервис аукциона, причем сервер аукциона включает в себя процессор, выполненный с возможностью исполнения сохраненных инструкций, хранилище данных включает в себя данные истории взаимодействия первой группы пользователей и второй группы пользователей сервиса аукциона, обучающую систему, выполненную с возможностью обмена данными с сервером аукциона и модуль определения, выполненный с возможностью обмена данными с обучающей системой, сервер аукциона выполнен с возможностью обмена данными по меньшей мере с одним компьютерным устройством с экраном, от получения от него запроса, для предоставления цифрового объекта, определение пользователя, связанного с цифровым объектом; в ответ на то, что пользователь, который связан с цифровым объектом, принадлежит второй группе пользователей, применение первого оптимального значения параметра аукциона к цифровому объекту. 2 н. и 22 з.п. ф-лы, 4 ил.

 

ОБЛАСТЬ ТЕХНИКИ

[1] Представленная технология относится к области различных интернет аукционов, конкретнее к способам и системам определения оптимального значения параметра аукциона для цифрового объекта.

УРОВЕНЬ ТЕХНИКИ

[2] В настоящее время различные глобальные или локальные коммуникационные сети (Интернет, Всемирная Паутина, локальные сети и подобные им) предлагают пользователю большой объем информации, которая размещена на различных ресурсах.

[3] В общем случае, данный пользователь может получить доступ к ресурсу коммуникационной сети двумя основными способами. Данный пользователь может получить доступ к конкретному ресурсу напрямую, введя адрес ресурса (обычно URL или Единый указатель ресурса, например www.webpage.com) или же выбрав ссылку в электронном сообщении или на другом веб-ресурсе. В другом случае, данный пользователь может выполнить поиск с помощью поисковой системы для нахождения желаемого ресурса. Последнее особенно подходит для тех случаев, когда данный пользователь знает интересующую его тему, но не знает конкретного адреса интересующего ресурса.

[4] Для пользователя доступны многочисленные поисковые системы. Некоторые из них считаются поисковыми системами общего назначения (такие как YandexTM, GoogleTM, YahooTM и т.д.). Другие рассматриваются как вертикальные поисковые системы, то есть поисковые системы, посвященные конкретным темам поиска, таким как MomondoTM, поисковой системе, посвященной поискам авиарейсов.

[5] Большинство поисковых систем содержит рекламные объявления, размещаемые на странице результатов поиска SERP или предоставляемые через другие объекты (такие как веб-сайты) для платных размещений. При этом рекламодатель как правило платит за количество переходов пользователей на его объявление (так называемая оплата за клик). Для определения размера оплаты за клик для различных рекламных объявлений все крупные поисковые системы используют аукционы рекламы.

[6] Рекламодатели вводят текст, ключевые слова и предложенные цены в систему. Когда пользователь отправляет запрос поисковой системе, система обнаруживает набор рекламы с ключевыми словами, которые соответствуют или близки запросу, и определяет, какую рекламу показать, и где это сделать. Когда отображаются поисковые результаты и реклама, пользователь может щелкнуть на рекламу для получения дальнейшей информации. В этом случае рекламодатель платит поисковой системе сумму, определенную с помощью предложенных цен других конкурирующих рекламодателей. Ожидаемая прибыль, полученная поисковой системой, складывается из цены за щелчок мышью (клик) (эта цена также называется цена-за-клик (cost-per-click (CPC)) или цена-за-действие cost-per-action (CPA)), умноженной на ожидаемое число щелчков мышью (может быть выражена с помощью параметра кликабельности (отношения количества кликов к количеству показов), click-through-rate (CTR)).

[7] В общем случае поисковой системе выгоднее продавать наиболее заметные места размещения - те, на которые вероятнее всего щелкнут - для рекламы с самой высокой ожидаемой прибылью. Чтобы это осуществить, реклама ранжируется по предложенной цене, умноженной на кликабельность, и реклама с самой высокой ожидаемой прибылью показывается в самых заметных местах.

[8] Иногда самый щедрый рекламодатель платит не наивысшую цену, а вторую по величине цену, предложенную вторым по щедрости рекламодателем. Такой тип аукциона называется аукционом второй цены, в отличие от аукциона первой цены, когда победитель платит самую большую предложенную цену. Таким образом, для того чтобы реклама была показана на самом лучшем месте, самый щедрый рекламодатель платит вторую по величине цену, меньшую, чем самая высокая цена. Уменьшенная цена, которую заплатит победитель аукциона, называется стартовой ценой.

[9] Известные решения, в которых стартовая цена определяется функцией предложенной цены рекламодателя или как история предложенных цен рекламодателя, имеют свои недостатки, поскольку они дают возможность рекламодателям негативно влиять на рынок и намеренно понижать стартовую цену, формируя таким образом негативные состояния рыночного равновесия (так же известного как равновесие Нэша).

[10] Из патентной заявки США № US20140006144, опубл. 02.01.2014 (Pardoe et al.) известны способ и система определения предложенной стартовой цены аукциона.

В некоторых вариантах осуществления технологии данные, связанные с рекламными онлайн аукционами из истории, группируются в кластеры на основе исходной возможности провести онлайн рекламу, причем каждый рекламный онлайн аукцион из истории, входящий в кластер, связан с первой более высокой предложенной ценой и со второй более низкой предложенной ценой; определяется отношение доминирования между распределением первых предложенных цен кластера и распределением вторых предложенных цен кластера; на основе отношения доминирования определяется стартовая цена, связанная с кластером; стартовая цена сохраняется как предложенная стартовая цена для реализации онлайн рекламы, причем предложенная стартовая цена связана с исходной возможностью, которая, в свою очередь, связана с кластером.

[11] Из патентной заявки США № US20140172587, опубл. 19.06.2014 (Somech et al.) известны системы, способы и носитель компьютерной информации с находящимися на нем выполняемыми компьютером инструкциями, которые динамически назначают минимальные стартовые цены на аукционе второй цены для показов или событий. Компьютерная система получает предлагаемые цены рекламодателей на показы или события, которые используются для создания статистического распределения. Определяется рекламодатель, предложивший наивысшую цену на показ или событие. Статистическое распределение не включает в себя предложенные цены, полученные от рекламодателя с наивысшей предложенной ценой. Компьютерная система устанавливает минимальную стартовую цену на показ или событие. Минимальная стартовая цена основана на статистическом распределении. С рекламодателя взыскивается наибольшая минимальная стартовая цена или вторая по величине предложенная цена от другого рекламодателя на тот же самый показ. Для отображения на веб-странице, которая соответствует показу или событию, выбирается реклама, связанная с рекламодателем, предложившим наибольшую цену.

[12] Настоящая технология основана на выдвинутых изобретателем(ями) предположениях о том, что существует по меньшей мере одна техническая проблема, присущая известному уровню техники, связанная со значительной нагрузкой на сервер при выполнении онлайн алгоритмов определения стартовой цены. Следовательно, для обеспечения быстродействия обработки запросов пользователей известные способы требуют применения вычислительных систем повышенной производительности.

РАСКРЫТИЕ

[13] Задачей настоящей технологии является устранение по меньшей мере некоторых недостатков, присущих известному уровню техники.

[14] Первым объектом настоящей технологии является способ определения оптимального значения параметра аукциона для цифрового объекта. Cпособ выполняется на сервере аукциона, связанном с хранилищем данных, на сервере аукциона размещен сервис аукциона. Способ включает в себя получение из хранилища данных данных истории взаимодействия первой группы пользователей сервиса аукциона и данных истории взаимодействия второй группы пользователей сервиса аукциона, причем данные истории взаимодействия включают в себя по меньшей мере указатель на цифровой объект, параметр аукциона, связанный с цифровым объектом, и характеристику среды в соответствующий момент времени; офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с первой группой пользователей, причем множество цифровых объектов связано с историей взаимодействий первой группы пользователей; применение алгоритма машинного офлайн обучения для определения первого оптимального значения параметра аукциона для множества цифровых объектов, связанных со второй группой пользователей; сохранение первого оптимального значения параметра аукциона для множества цифровых объектов; в ответ на получение сервером аукциона запроса на сервис аукциона определение цифрового объекта, релевантного запросу; определение пользователя, связанного с цифровым объектом; в ответ на то, что пользователь, который связан с цифровым объектом, принадлежит второй группе пользователей, применение первого оптимального значения параметра аукциона к цифровому объекту.

[15] В некоторых вариантах осуществления способа на этапе получения данных истории взаимодействия дополнительно задается минимальное количество пользователей в первой группе пользователей сервиса аукциона.

[16] В некоторых вариантах осуществления способа на этапе получения данных истории взаимодействия дополнительно задается минимальное количество пользователей во второй группе пользователей сервиса аукциона.

[17] В некоторых вариантах осуществления способа количество пользователей первой группы пользователей сервиса аукциона равно количеству пользователей второй группы.

[18] В некоторых вариантах осуществления способа на этапе получения данных истории взаимодействия первая и вторая группы представляют собой единую группу пользователей сервиса аукциона, а перед этапом офлайн обучения алгоритма машинного обучения выполняется разделение единой группы пользователей на первую группу пользователей сервиса аукциона и вторую группу пользователей сервиса аукциона.

[19] В некоторых вариантах осуществления способа дополнительно выполняется перед офлайн обучением алгоритма машинного обучения разделение множества цифровых объектов по меньшей мере на две категории и разделение первой и второй групп пользователей онлайн аукциона на подгруппы пользователей по соответствующим категориям; офлайн обучение алгоритма машинного обучения на основе данных истории взаимодействия каждой отдельной подгруппы первой группы пользователей; применение алгоритма машинного офлайн обучения для определения первого оптимального значения параметра аукциона для каждой категории множества цифровых объектов, связанных с соответствующей подгруппой второй группы пользователей; после получения сервером аукциона запроса на сервис аукциона в ответ на то, что пользователь, который связан с цифровым объектом, принадлежит подгруппе второй группы пользователей, применение к цифровому объекту первого оптимального значения параметра аукциона соответствующего категории цифрового объекта.

[20] В некоторых вариантах осуществления способа предварительно задается минимальное количество пользователей каждой подгруппы.

[21] В некоторых вариантах осуществления способа в ответ на то, что количество пользователей подгруппы меньше предварительно заданного минимального значения офлайн обучение алгоритма машинного обучения выполняется на основе первой группы пользователей.

[22] В некоторых вариантах осуществления способа хранилище данных включает в себя множество данных истории взаимодействия множества пользователей, при этом на этапе получения данных истории взаимодействия получаются только данные, созданные за предварительно определенный период времени и включающие в себя по меньшей мере указатель на цифровой объект, параметр аукциона, связанный с цифровым объектом, и характеристику среды в соответствующий момент времени.

[23] В некоторых вариантах осуществления способа данные истории взаимодействия дополнительно включают в себя пространственное размещение цифрового объекта на экране компьютерного устройства.

[24] В некоторых вариантах осуществления способа данные истории взаимодействия дополнительно включают в себя указатель типа цифрового объекта.

[25] В некоторых вариантах осуществления способа тип цифрового объекта представляет собой текст, изображение, видео, анимацию, кнопку, форму, гиперссылку, интерактивный элемент или их комбинацию.

[26] В некоторых вариантах осуществления способа данные истории взаимодействия дополнительно включают в себя историю изменения по меньшей мере одного параметра аукциона в течение времени.

[27] В некоторых вариантах осуществления способа характеристики среды включают в себя по меньшей мере одно из: среднюю предложенную цену, и 90% квантиль предложенной цены, и минимальную предложенную цену, и максимальную предложенную цену, и значение вероятности клика на цифровой объект, и значение релевантности цифрового объекта поисковому запросу (relevance score), и указатель на географический регион, и поисковый запрос, в ответ на который был показан цифровой объект.

[28] В некоторых вариантах осуществления способа алгоритм машинного офлайн обучения выполнен с возможностью прогнозировать оптимальное значение по меньшей мере одного из следующих параметров аукциона: минимальная цена размещения, порог амнистирования для рекламодателя.

[29] В некоторых вариантах осуществления способа после сохранения первого оптимального значения параметра аукциона для множества цифровых объектов выполняется обновление упомянутого оптимального значения путем периодического повторения этапов способа.

[30] В некоторых вариантах осуществления способа дополнительно выполняется офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных со второй группой пользователей, причем множество цифровых объектов связано с историей взаимодействий второй группы пользователей; применение алгоритма машинного офлайн обучения для определения второго оптимального значения параметра аукциона для множества цифровых объектов, связанных с первой группой пользователей; сохранение второго оптимального значения параметра аукциона для множества цифровых объектов.

[31] В некоторых вариантах осуществления способа на этапе получения сервером аукциона запроса на сервис аукциона в ответ на то, что пользователь, который связан с цифровым объектом, принадлежит первой группе пользователей сервиса аукциона применение второго оптимального значения параметра аукциона к цифровому объекту.

[32] В некоторых вариантах осуществления способа после сохранения второго оптимального значения параметра аукциона для множества цифровых объектов выполняется обновление упомянутого оптимального значения путем периодического повторения этапов способа.

[33] Еще одним объектом настоящей технологии является система отображения цифровых объектов, предоставленных пользователями. Система включает в себя сервер аукциона, сервер аукциона взаимно соединен по меньшей мере с одним хранилищем данных, причем сервер аукциона включает в себя процессор, процессор выполнен с возможностью исполнения сохраненных инструкций. Хранилище данных включает в себя данные истории взаимодействия первой группы пользователей сервиса аукциона и данные истории взаимодействия второй группы пользователей сервиса аукциона. Причем данные истории взаимодействия включают в себя по меньшей мере указатель на цифровой объект, параметр аукциона, связанный с цифровым объектом, и характеристику среды в соответствующий момент времени. Процессор при исполнении инструкций выполнен с возможностью получать доступ к данным истории взаимодействия первой и второй групп пользователей сервиса аукциона. Система также включает обучающую систему, которая выполнена с возможностью обмена данными с сервером аукциона; инициации доступа процессора к данным истории взаимодействия; офлайн обучения алгоритма машинного обучения на основе данных из истории взаимодействия, связанных с первой группой пользователей сервиса аукциона, причем множество цифровых объектов связано с историей взаимодействий первой группы пользователей сервиса аукциона. Система также включает модуль определения, который выполнен с возможностью обмена данными с обучающей системой; применения алгоритма машинного офлайн обучения для определения первого оптимального значения параметра аукциона для множества цифровых объектов, при этом множество цифровых объектов связано со второй группой пользователей сервиса аукциона; сохранения первого оптимального значения параметра аукциона для множества цифровых объектов в хранилище данных. Сервер аукциона выполнен с возможностью обмена данными по меньшей мере с одним компьютерным устройством с экраном; получения запроса, передаваемого компьютерным устройством для предоставления цифрового объекта; выполнения инструкций, запрограммированных на доступ к системе хранения данных для определения цифрового объекта, релевантного запросу; определение пользователя, связанного с цифровым объектом; определение того, что пользователь, связанный с цифровым объектом, относится ко второй группе пользователей сервиса аукциона; применение первого оптимального значения параметра аукциона для цифрового объекта и предоставление цифрового объекта для отображения на экране компьютерного устройства.

[34] В некоторых вариантах осуществления системы введено по меньшей мере одно дополнительное хранилище данных.

[35] В некоторых вариантах осуществления системы данные истории взаимодействия первой группы пользователей сервиса аукциона и данные истории взаимодействия второй группы пользователей сервиса аукциона хранят на разных хранилищах данных.

[36] В некоторых вариантах осуществления системы обучающая система выполнена с дополнительной возможностью офлайн обучения алгоритма машинного обучения на основе данных из истории взаимодействия, связанных со второй группой пользователей сервиса аукциона, причем множество цифровых объектов связано с историей взаимодействий второй группы пользователей сервиса аукциона; модуль определения выполнен с дополнительной возможностью применения алгоритма машинного офлайн обучения для определения второго оптимального значения параметра аукциона для множества цифровых объектов, при этом множество цифровых объектов связано с первой группой пользователей сервиса аукциона; сохранения второго оптимального значения параметра аукциона для множества цифровых объектов в системе хранения данных.

[37] В некоторых вариантах осуществления системы сервер 114 аукциона выполнен с дополнительной возможностью выполнения инструкций, запрограммированных на определение того, что пользователь, связанный с цифровым объектом, относится к первой группе пользователей сервиса аукциона; применение второго оптимального значения параметра аукциона для цифрового объекта.

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

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

[40] В контексте данной заявки, слова “первый”, “второй”, “третий” и т.д. были использованы в качестве порядковых числительных только для того, чтобы показать различие между существительными, отличающимися друг от друга, а не в целях описания любой конкретной взаимосвязи данных между этими существительными. Таким образом, ссылка на “первый” и “второй” элемент не исключает того, что два элемента являются одним и тем же физическим реальным элементом. Так, например, в некоторых случаях, “первая” и “вторая” группы пользователей могут быть единой группой пользователей, в других случаях они могут быть различными группами пользователей.

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

[42] В контексте настоящего описания «информация» содержит информацию любого рода или типа, которая может храниться в базе данных. Таким образом, информация содержит, среди прочего, аудиовизуальные произведения (изображения, видео, звукозаписи, презентации и т.д.), данные (данные о местоположении, цифровые данные и т.д.), текст (описания, рекламные объявления, сообщения и т.д.), документы, таблицы и т.д.

[43] В контексте настоящего описания, если четко не указано иное, "указание" на цифровой объект может представлять собой сам цифровой объект или указатель, отсылку, ссылку или другой косвенный способ, позволяющий получателю указания найти сеть, память, базу данных или другой машиночитаемый носитель, из которого может быть извлечен цифровой объект. Например, указание на документ может включать в себя сам документ (т.е. его содержимое), или же оно может являться уникальным дескриптором документа, идентифицирующим файл по отношению к конкретной файловой системе, или каким-то другими средствами передавать получателю указание на сетевую папку, адрес памяти, таблицу в базе данных или другое место, в котором можно получить доступ к файлу. Как будет понятно специалистам в данной области техники, степень точности, необходимая для такого указания, зависит от степени первичного понимания того, как должна быть интерпретирована информация, которой обмениваются получатель и отправитель указателя. Например, если до установления связи между отправителем и получателем понятно, что указатель на цифровой объект принимает вид ключа базы данных для записи в конкретной таблице заранее установленной базы данных, содержащей цифровой объект, то передача ключа базы данных – это все, что необходимо для эффективной передачи цифрового объекта получателю, несмотря на то, что сам по себе цифровой объект не передавался между отправителем и получателем указания.

[44] В контексте настоящего описания, выражение «Сервис аукциона» подразумевает под собой компьютерною программу и может включать в себя, без введения ограничений, онлайн сервисы по продаже товаров и услуг и/или онлайн сервисы контекстной рекламы, в которых посредством аукциона определяется стоимость размещения рекламных объявлений, например, так называемая «стоимость за клик».

[45] Среди конкретных примеров онлайн сервисов по продаже товаров и услуг известны, например, e-bay (www.e-bay.com), Amazon (www.amazon.com).

[46] Среди конкретных примеров онлайн сервисов контекстной рекламы известны, например, Google ADwords (adwords.google.com), Яндекс.Директ (direct.yandex.ru).

[47] В контексте настоящего описания «хранилище данных» подразумевает под собой носитель любого типа и характера, включая ОЗУ, ПЗУ, диски (CD-ROM, DVD-диски, дискеты, жесткие диски и т.д.), USB флеш-накопители, твердотельные накопители, накопители на магнитной ленте и т.д.

[48] Варианты осуществления настоящей технологии содержат, по меньшей мере, одну из вышеупомянутых целей и/или объектов, но наличие всех не является обязательным.

[49] Дополнительные и/или альтернативные характеристики, аспекты и преимущества вариантов осуществления настоящей технологии станут очевидными из последующего описания, прилагаемых фигур и прилагаемой формулы изобретения.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[50] Для лучшего понимания представленной технологии, а также других ее аспектов и дополнительных характеристик сделана ссылка на следующее описание, которое должно использоваться в сочетании с прилагаемыми фигурами, в которых:

[51] Фиг. 1 представляет собой схематическую диаграмму, иллюстрирующую систему 100, подходящую для осуществления настоящей технологии.

[52] Фиг. 2 представляет собой блок-схему заявляемого способа, отображающую способ 200, выполняемый системой 100, реализованный в соответствии с неограничивающими вариантами осуществления технологии.

[53] Фиг. 3 представляет собой иллюстративный пример осуществления хранилища 116 данных для случая онлайн аукциона контекстной рекламы.

[54] Фиг. 4 представляет собой иллюстративный пример осуществления хранилища 116 данных для случая онлайн аукциона по продаже товаров.

ПОДРОБНОЕ ОПИСАНИЕ

[55] Все примеры и используемые здесь условные конструкции предназначены, главным образом, для того, чтобы помочь читателю понять принципы настоящей технологии, а не для установления границ ее объема.

[56] Кроме того, для ясности в понимании, следующее описание касается достаточно упрощенных вариантов осуществления настоящей технологии. Как будет понятно специалисту в данной области техники, многие варианты осуществления настоящей технологии будут обладать гораздо большей сложностью.

[57] Некоторые полезные примеры модификаций настоящей технологии также могут быть охвачены нижеследующим описанием. Целью этого является также исключительно помощь в понимании, а не определение объема и границ настоящей технологии. Эти модификации не представляют собой исчерпывающего списка, и специалисты в данной области техники могут создавать другие модификации, остающиеся в границах объема настоящей технологии. Кроме того, те случаи, в которых не были представлены примеры модификаций, не должны интерпретироваться как то, что никакие модификации невозможны, и/или что то, что было описано, является единственным вариантом осуществления этого элемента настоящей технологии.

[58] На Фиг. 1 проиллюстрирована диаграмма сетевой компьютерной системы 100. Важно иметь в виду, что компьютерная система 100 является лишь одним из возможных вариантов осуществления настоящей технологии. Таким образом, все последующее описание представлено только как описание иллюстративного примера представленной технологии. Это описание не может определять объем и сущность представленной технологии. Некоторые случаи, которые считаются полезными примерами модификаций компьютерной системы 100, также могут быть охвачены нижеследующим описанием. Это сделано только для помощи в понимании и, снова-таки, не для определения объема и сущности представленной технологии. Эти модификации не являются исчерпывающим списком и для специалиста в данной области техники будет очевидно, что другие модификации возможны. Кроме того, следует иметь в виду, что компьютерная система 100 представляет собой в некоторых конкретных проявлениях достаточно простой вариант осуществления технологии, и в подобных случаях представлен здесь с целью облегчения понимания. Как будет понятно специалисту в данной области техники, многие варианты осуществления будут обладать большей сложностью.

[59] Фиг. 1 представляет собой систему 100 в соответствии с одним вариантом осуществления представленной технологии. Система 100 содержит электронное устройство 102. Электронное устройство 102 обычно связано с пользователем (не показан) и, таким образом, может иногда считаться "клиентским устройством". Следует отметить, что факт связи электронного устройства 102 с пользователем не обязательно означает специальный режим работы, такой как необходимость авторизации, регистрации и т.д.

[60] Варианты осуществления электронного устройства 102 конкретно не ограничены, но в качестве примера электронного устройства 102 может использоваться персональный компьютер (настольный компьютер, ноутбук, нетбук и т.п.), беспроводное электронное устройство (мобильный телефон, смартфон, планшет и т.п.), а также сетевое оборудование (маршрутизатор, коммутатор или шлюз). Общий вариант осуществления электронного устройства 102 известен в области техники и поэтому не будет здесь подробно описан. Достаточно сказать, что электронное устройство 102 содержит пользовательский интерфейс ввода (такой как клавиатуру, мышь, сенсорную панель, сенсорный экран и т.п.) для получения пользовательского ввода; пользовательский интерфейс вывода 104 (такой как экран, сенсорный экран, принтер и т.п.) для предоставления визуального или звукового вывода пользователю; интерфейс сетевой связи (такой как модем, сетевую карту и т.п.) для двусторонней связи по сети 108 передачи данных и процессор, соединенный с пользовательским интерфейсом ввода, пользовательским интерфейсом вывода и интерфейсом сетевой связи, настроенный выполнять различные процедуры, включая те, что описаны здесь ниже. С этой целью процессор может сохранять или иметь доступ к машиночитаемым командам, выполнение которых инициирует процессор выполнять различные описанные здесь процедуры. В качестве конкретного примера электронное устройство 102 может представлять собой ноутбук AppleTM MacBook ProTM .

[61] Электронное устройство 102 содержит аппаратное оборудование и/или программное оборудование (или их комбинацию), в частности приложение 106. Приложение 106 может быть реализовано в виде интернет браузера, обеспечивающего доступ к различным ресурсам по сети 108 передачи данных, либо, например, отдельного приложения, обеспечивающего доступ по сети 108 передачи данных к конкретному ресурсу. Стоит отметить, что в качестве приложения 106 может быть использован любой подходящий веб-браузер, неограничивающими вариантами которых могут быть Яндекс браузер, Google Chrome, Mozilla Firefox, Microsoft Internet Explorer, Safari и др. Веб-браузер может обеспечивать доступ пользователя к неограниченному числу веб-ресурсов, представляющих собой в том или ином виде сервис аукциона. Альтернативно или дополнительно на электронном устройстве может быть установлено отдельное приложение 106, обеспечивающее доступ пользователя к одному или нескольким конкретным веб-ресурсам, представляющим собой в том или ином виде сервис аукциона.

[62] Система 100 содержит упомянутую выше сеть 108 передачи данных. В некоторых не ограничивающих вариантах осуществления представленной технологии, сеть 108 передачи данных может представлять собой Интернет. В других вариантах осуществления представленной технологии, сеть 108 передачи данных может быть реализована иначе – в виде глобальной сети передачи данных, локальной сети передачи данных, частной сети передачи данных и т.п.

[63] Система 100 дополнительно включает в себя по меньшей мере один сервер 114 аукциона, подключенный к сети 108 передачи данных, и по меньшей мере одно хранилище данных 116, связанное с сервером 114 аукциона. Сервер 114 аукциона может представлять собой обычный компьютерный сервер. В примере варианта осуществления представленной технологии, сервер 114 аукциона может представлять собой сервер Dell™ PowerEdge™, на котором используется операционная система Microsoft™ Windows Server™. Излишне говорить, что сервер 114 аукциона может представлять собой любое другое подходящее аппаратное и/или прикладное программное, и/или системное программное обеспечение или их комбинацию. В представленном не ограничивающем варианте осуществления представленной технологии, сервер 114 аукциона является одиночным сервером. В других не ограничивающих вариантах осуществления представленной технологии, функциональность сервера 114 аукциона может быть распределена и может выполняться с помощью нескольких серверов.

[64] Вариант осуществления сервера 114 аукциона хорошо известен. Тем не менее, вкратце, сервер 114 аукциона содержит коммуникационный интерфейс (не показан), который настроен и выполнен с возможностью устанавливать соединение с различными элементам (например, электронным устройством 102 и другими устройствами, потенциально присоединенными к сети 108 передачи данных) через сеть 108 передачи данных. Сервер 114 аукциона дополнительно содержит по меньшей мере один компьютерный процессор (не показан), функционально соединенный с коммуникационным интерфейсом и настроенный и выполненный с возможностью выполнять различные процессы, описанные здесь.

[65] Сервер 114 аукциона коммуникативно соединен с (или иным образом имеет доступ к) по меньшей мере одним хранилищем 116 данных. Несмотря на то, что хранилище 116 данных отделено от сервера 114 аукциона, в альтернативных вариантах, функциональность хранилища 116 данных может реализовать сервер 114 аукциона. В других не ограничивающих вариантах осуществления представленной технологии, функциональность хранилища 116 данных может быть распределена между несколькими хранилищами 116 данных. Возможен вариант осуществления настоящей технологии, в котором система 100 включает в себя по меньшей мере одно дополнительное хранилище 116 данных.

[66] Основной задачей хранилища 116 данных является хранение истории взаимодействия пользователей сервиса аукциона. Далее со ссылкой на Фиг. 3 хранилище 116 данных будет описано подробнее. История взаимодействия пользователей с сервисом аукциона может храниться в хранилище 116 данных в виде одной или нескольких баз данных 300. Необходимое количество хранилищ 116 данных, а также количество баз 300 данных в каждом хранилище 116 данных выбирается исходя из параметров системы 100, объема и типа хранимых данных. Технологии распределения данных между несколькими хранилищами данных и несколькими базами данных широко известны специалистам в данной области техники и поэтому их подробное описание опущено. Стоит лишь отметить, что несколько хранилищ 116 данных могут хранить идентичные данные для обеспечения быстродействия системы и повышения надежности хранения данных. Следует иметь в виду, что могут существовать другие неограничивающие варианты осуществления хранилища 116 данных. Для упрощения нижеследующего описания конфигурация хранилища 116 данных была сильно упрощена. Считается, что специалисты в данной области техники смогут понять подробности осуществления хранилища 116 данных и его компонентов, которые могли быть опущены в описании с целью упрощения.

[67] База 300 данных (Фиг. 3) может хранить данные, например, в виде таблиц 302 и 304. В общем случае таблицы 302, 304 отображают ID 310 пользователя и, по меньшей мере, три параметра истории взаимодействия пользователя: указание 320 на цифровой объект, параметр 330 аукциона, характеристику 340 среды. В вариантах осуществления настоящей технологии таблицы 302, 304 могут дополнительно отображать и другие параметры истории взаимодействия пользователя, например, по меньшей мере одно из: указатель типа цифрового объекта, пространственное размещение цифрового объекта на экране компьютерного устройства, значение вероятности клика на цифровой объект, значение релевантности цифрового объекта поисковому запросу (relevance score), указатель на географический регион, поисковый запрос, в ответ на который был показан цифровой объект. Несмотря на то, что в иллюстративном примере на Фиг. 3 база 300 данных содержит две таблицы 302, 304, в других вариантах осуществления база 300 данных может содержать, например, одну общую таблицу, либо наоборот большее количество таблиц.

[68] В некоторых вариантах осуществления настоящей технологии таблицы 302, 304 могут отображать изменения по меньшей мере одного параметра аукциона в течение времени.

[69] В качестве неограничивающего примера осуществления настоящей технологии в таблице 302 расположены данные истории взаимодействия первой группы пользователей сервиса аукциона, а в таблице 304 расположены данные истории взаимодействия второй группы пользователей сервиса аукциона. База 300 данных может содержать всего одну таблицу, в которой будут присутствовать данные истории взаимодействия первой и второй групп пользователей сервиса аукциона одновременно. Разделение на группы может быть выполнено заранее в хранилище 116 данных, как это показано на Фиг. 3, либо может быть выполнено сервером 114 аукциона перед выполнением офлайн обучения алгоритма машинного обучения, о чем будет подробнее сказано далее при описании способа. Принцип, по которому сервер 114 аукциона может разделять пользователей сервиса аукциона на первую и вторую группы пользователей сервиса аукциона, никак конкретно не ограничен. Так, например, пользователи могут разделяться случайным образом на равное или неравное количество либо в заранее определенном порядке, например на четные и нечетные.

[70] Для целей иллюстрации таблица 302 данных истории взаимодействия первой группы пользователей содержит всего 4 записи: 3102, 3104, 3106, 3108. А таблица 304 данных истории взаимодействия второй группы пользователей содержит всего 3 записи: 3112, 3114, 3116. Естественно, в реальной жизни таблицы 302 и 304 могут содержать любое другое количество записей. Таким образом, представленные здесь примеры будут распространяться и на большее количество записей в таблицах 302 и 304. В качестве неограничивающих примеров таблица 302 может содержать 100 000 записей, а таблица 304 - 80 000 записей. Либо, например, таблица 302 может содержать 10 000 записей, а таблица 304 – 1 миллион записей. Стоит также отметить, что количество записей в таблицах может быть равно или не равно друг другу.

[71] Процессор сервера 114 аукциона при исполнении инструкций выполнен с возможностью получать доступ к данным истории взаимодействия первой группы пользователей (таблица 302) и данным истории взаимодействия второй группы пользователей (таблица 304) из хранилища 116 данных.

[72] Сервер 114 аукциона выполнен с возможностью получения, сохранения, удаления, перемещения данных из хранилища 116 данных.

[73] В соответствии с настоящей технологией система 100 включает в себя обучающую систему 118. Обучающая система 118 включает в себя машиночитаемые инструкции, которые, при их выполнении, побуждают процессор сервера 114 аукциона осуществлять доступ к данным истории взаимодействия, связанным с первой группой пользователей сервиса аукциона, которые расположены в хранилище 116 данных; офлайн обучение алгоритма машинного обучения на основе данных из истории взаимодействия, связанных с первой группой пользователей сервиса аукциона.

[74] Система 100 включает в себя модуль определения 120. Модуль определения 120 включает в себя машиночитаемые инструкции, которые, при их выполнении, побуждают процессор сервера 114 аукциона осуществлять обмен данными с обучающей системой 118; применение алгоритма машинного офлайн обучения для определения оптимального значения параметра аукциона для множества цифровых объектов, при этом множество цифровых объектов связано со второй группой пользователей сервиса аукциона; и сохранение оптимального значения параметра аукциона для множества цифровых объектов в хранилище 116 данных.

[75] В иллюстративном примере системы 100, изображенном на Фиг.1, обучающая система 118 и модуль определения 120 являются модулями сервера 114 аукциона. Однако возможны варианты осуществления настоящей технологии, в которых по меньшей мере одно из: обучающая система 118 и модуль определения 120 представляет собой отдельный сервер обучения (не показан) и сервер определения (не показан) соответственно. При этом сервер обучения и/или сервер определения будут связаны с сервером 114 аукциона. Таким образом сервер 114 аукциона включает в себя или имеет доступ к обучающей системе 118 и модулю определения 120.

[76] Сервер 114 аукциона выполнен с возможностью обмена данными по меньшей мере с одним компьютерным устройством 102 с экраном 104 по сети 108 передачи данных. Сервер 114 аукциона выполнен с возможностью получать запросы от компьютерного устройства 102 для предоставления цифрового объекта; выполнять инструкции, запрограммированные на доступ к системе хранения данных для определения цифрового объекта, релевантного запросу; определение пользователя, связанного с цифровым объектом; определение того, что пользователь, связанный с цифровым объектом, относится ко второй группе пользователей сервиса аукциона; применение первого оптимального значения параметра аукциона для цифрового объекта и предоставление цифрового объекта для отображения на экране 104 компьютерного устройства 102.

[77] Возможен вариант осуществления настоящей технологии, в котором обучающая система 118 выполнена с дополнительной возможностью офлайн обучения алгоритма машинного обучения на основе данных из истории взаимодействия, связанных со второй группой пользователей сервиса аукциона, причем множество цифровых объектов связано с историей взаимодействий второй группы пользователей сервиса аукциона; модуль определения 120 выполнен с дополнительной возможностью применения алгоритма машинного офлайн обучения для определения второго оптимального значения параметра аукциона для множества цифровых объектов, при этом множество цифровых объектов связано с первой группой пользователей сервиса аукциона; сохранения второго оптимального значения параметра аукциона для множества цифровых объектов в системе хранения данных 116.

[78] Возможен вариант осуществления настоящей технологии, в котором сервер 114 аукциона выполнен с дополнительной возможностью выполнения инструкций, запрограммированных на определение того, что пользователь, связанный с цифровым объектом, относится к первой группе пользователей сервиса аукциона; применение второго оптимального значения параметра аукциона для цифрового объекта.

[79] Данная архитектура системы 100 на Фиг. 1 и примеры, представленные здесь выше, способны реализовать способ определения оптимального значения параметра аукциона для цифрового объекта. Способ может выполняться на сервере 114 аукциона. Сервер 114 аукциона связан с по меньшей мере одним хранилищем 116 данных. На сервере 114 аукциона размещен по меньшей мере один сервис аукциона. Как было отмечено выше сервис аукциона представляет собой компьютерною программу и может включать в себя, без введения ограничений, онлайн сервисы по продаже товаров и услуг и/или онлайн сервисы контекстной рекламы, в которых посредством аукциона определяется стоимость размещения рекламных объявлений, например, так называемая «стоимость за клик». Сервис аукциона, в частности, отвечает за: предоставление запрашиваемой информации пользователю компьютерного устройства 102 в ответ на запросы посылаемые с компьютерного устройства 102, размещение цифрового объекта, сохранение данных истории взаимодействия пользователя в хранилище 116 данных.

[80] На Фиг. 2 представлена блок-схема этапов способа 200, который выполняется в соответствии с не ограничивающими вариантами осуществления представленной технологии.

[81] Этап 202 – получение из хранилища данных данных истории взаимодействия первой группы пользователей сервиса аукциона и данных истории взаимодействия второй группы пользователей сервиса аукциона.

[82] Способ 200 начинается на этапе 202, в котором сервер 114 аукциона получает из хранилища 116 данных данные истории взаимодействия первой и второй группы сервиса аукциона.

[83] В некоторых вариантах осуществления представленной технологии на этапе получения данных истории взаимодействия дополнительно задают минимальное количество пользователей в первой группе пользователей сервиса аукциона.

[84] В некоторых вариантах осуществления представленной технологии на этапе получения данных истории взаимодействия дополнительно задают минимальное количество пользователей во второй группе пользователей сервиса аукциона.

[85] В некоторых вариантах осуществления представленной технологии количество пользователей первой группы пользователей сервиса аукциона равно количеству пользователей второй группы.

[86] В некоторых вариантах осуществления представленной технологии на этапе получения данных истории взаимодействия первая и вторая группы представляют собой единую группу пользователей сервиса аукциона, а перед этапом офлайн обучения алгоритма машинного обучения выполняют разделение единой группы пользователей на первую группу пользователей сервиса аукциона и вторую группу пользователей сервиса аукциона.

[87] В иллюстративном примере на Фиг. 3 данные истории взаимодействия первой группы пользователей сервиса аукциона отделены от данных истории взаимодействия второй группы пользователей и размещены соответственно в таблице 302 и таблице 304. Однако в других вариантах осуществления настоящей технологии эти данные могут быть сохранены в базе 300 данных в виде единой таблицы для единой группы пользователей. В таком случае сервер 114 аукциона получает данные истории взаимодействия единой группы пользователей, затем перед этапом офлайн обучения алгоритма машинного обучения сервер 114 аукциона разделяет единую группу пользователей на первую и вторую.

[88] Принцип, по которому сервер 114 аукциона может разделять единую группу пользователей сервиса аукциона на первую и вторую группы пользователей сервиса аукциона, никак конкретно не ограничен. Так, например, пользователи могут разделяться случайным образом на равное или неравное количество либо в заранее определенном порядке, например на четные и нечетные.

[89] В некоторых вариантах осуществления представленной технологии дополнительно выполняют перед офлайн обучением алгоритма машинного обучения разделение множества цифровых объектов по меньшей мере на две категории и разделение первой и второй группы пользователей онлайн аукциона на подгруппы пользователей по соответствующим категориям.

[90] В некоторых вариантах осуществления представленной технологии предварительно задают минимальное количество пользователей каждой подгруппы.

[91] В некоторых вариантах осуществления представленной технологии в ответ на то, что количество пользователей подгруппы меньше предварительно заданного минимального значения офлайн обучение алгоритма машинного обучения выполняют на основе группы пользователей.

[92] Для каждого пользователя сервиса аукциона в базе данных на хранилище 116 данных хранятся данные его истории взаимодействия с сервисом аукциона. Со ссылкой на Фиг. 3 в базе 300 данных хранятся данные истории взаимодействия первой группы пользователей сервиса аукциона (таблица 302) и данные истории взаимодействия второй группы пользователей сервиса аукциона (таблица 304). Первая группа пользователей включает в себя четырех пользователей 3102, 3104, 3106, 3108. Вторая группа включает в себя всего трех пользователей 3112, 3114, 3116. Как было описано выше данный пример является иллюстративным вариантом осуществления настоящей технологии и число пользователей в каждой из групп может быть существенно большим или меньшим, чем показано на Фиг. 3.

[93] На Фиг. 3 таблицы 302 и 304 содержат пример данных для аукциона контекстной рекламы.

[94] В качестве одной из возможных альтернатив на Фиг. 4 представлен иллюстративный вариант осуществления хранилища 116 данных для случая онлайн аукциона по продаже товаров. Аналогично базе 300 данных (фиг. 3) хранилище 116 данных на фиг. 4 содержит базу 400 данных. При этом база 400 данных содержит данные истории взаимодействия пользователей в виде единой таблицы 401 без разделения на первую и вторую группы пользователей сервиса аукциона. В общем случае таблица 401 аналогично таблицам 302 и 304 на Фиг. 3 отображает ID 310 пользователя и, по меньшей мере, три параметра истории взаимодействия пользователя: указание 320 на цифровой объект, параметр 330 аукциона, характеристику 340 среды.

[95] Данные истории взаимодействия, которые необходимы для осуществления настоящей технологии, должны включать в себя по меньшей мере 3 параметра: указание 320 на цифровой объект, параметр 330 аукциона, связанный с цифровым объектом, и характеристику 340 среды в соответствующий момент времени. Как показано на Фиг. 3 пользователь 3104 в первой группе пользователей и пользователь 3116 во второй группе пользователей имеют неполные данные истории взаимодействия (не содержат всех трех минимально необходимых параметров). Таким образом, данные истории взаимодействия пользователей 3104 и 3116 не будут приниматься во внимание на этапе офлайн обучения алгоритма машинного обучения.

[96] Согласно таблице 401 на Фиг. 4 пользователи 4102 и 4105 имеют неполные данные истории взаимодействия (не содержат всех трех минимально необходимых параметров). Таким образом, данные истории взаимодействия пользователей 4102 и 4105 не будут приниматься во внимание на этапе офлайн обучения алгоритма машинного обучения.

[97] В некоторых вариантах осуществления представленной технологии данные истории взаимодействия дополнительно включают в себя пространственное размещение цифрового объекта на экране компьютерного устройства.

[98] В некоторых вариантах осуществления представленной технологии данные истории взаимодействия дополнительно включают в себя указатель типа цифрового объекта.

[99] В некоторых вариантах осуществления представленной технологии тип цифрового объекта представляет собой текст, изображение, видео, анимацию, кнопку, форму, гиперссылку, интерактивный элемент или их комбинацию.

[100] В некоторых вариантах осуществления представленной технологии данные истории взаимодействия дополнительно включают в себя историю изменения по меньшей мере одного параметра аукциона в течение времени.

[101] Следовательно, возвращаясь к примерам на Фиг. 3 и Фиг.4, таблицы 302, 304 и 401 могут содержать дополнительные столбцы помимо 310, 320, 330, 340, в которых для части пользователей могут иметься дополнительные параметры данных истории взаимодействия. Эти дополнительные параметры данных истории взаимодействия могут быть приняты во внимание в вариантах осуществления настоящей технологии при разделении множества цифровых объектов по меньшей мере на две категории и разделении первой и второй групп пользователей онлайн аукциона на подгруппы пользователей по соответствующим категориям и/или на этапе офлайн обучения алгоритма машинного обучения. Однако эти дополнительные параметры данных истории взаимодействия могут быть приняты во внимание только в том случае, если данные истории взаимодействия этого пользователя содержат указатель 320 на цифровой объект, параметр 330 аукциона, связанный с цифровым объектом, и характеристику среды 340 в соответствующий момент времени.

[102] В некоторых вариантах осуществления представленной технологии характеристики среды включают в себя по меньшей мере одно из: среднюю предложенную цену, и 90% квантиль предложенной цены, и минимальную предложенную цену, и максимальную предложенную цену, и значение вероятности клика на цифровой объект, и значение релевантности цифрового объекта поисковому запросу (relevance score), и указатель на географический регион, и поисковый запрос, в ответ на который был показан цифровой объект.

[103] В примере на Фиг. 3 база 300 данных включает в себя данные истории взаимодействия первой и второй групп пользователей, расположенные в соответствующих двух таблицах 302 и 304. Из первой группы пользователей для этапа офлайн обучения будут взяты в расчет данные истории взаимодействия трех пользователей: 3102, 3106 и 3108. Из второй группы пользователей для этапа офлайн обучения будут взяты в расчет данные истории взаимодействия двух пользователей: 3112 и 3114.

[104] В примере на Фиг. 4 база 400 данных включает в себя данные истории взаимодействия первой и второй групп пользователей, расположенные в единой таблице 401. То есть пользователи не разделены на две группы.

[105] Для осуществления дальнейших этапов способа согласно настоящей технологии сервер 114 аукциона выполняет разделение единой группы пользователей на первую и вторую группы пользователей в хранилище 116 данных. Как было отмечено выше, разделение может быть выполнено случайным образом. Как показано на Фиг. 4, таблица 401 разделяется на две таблицы 402 и 404, которые соответствуют первой и второй группам пользователей. В представленном примере в таблице 402 содержатся данные истории взаимодействия выделенной первой группы пользователей: 4101, 4103, 4105 и 4107, а в таблице 404 содержатся данные истории взаимодействия выделенной второй группы пользователей: 4102, 4104, 4106.

[106] Из первой группы пользователей для этапа офлайн обучения будут взяты в расчет данные истории взаимодействия трех пользователей: 4101, 4103 и 4107. Из второй группы пользователей для этапа офлайн обучения будут взяты в расчет данные истории взаимодействия двух пользователей: 4104 и 4106.

[107] Затем способ 200 переходит к этапу 204.

[108] Этап 204 – офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с первой группой пользователей.

[109] На этапе 204, сервер 114 аукциона на основе полученных данных истории взаимодействия посредством обучающей системы 118 выполняет офлайн обучение алгоритма машинного обучения. Сервер 114 аукциона выполняет офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона на основе данных истории взаимодействия, связанных с первой группой пользователей.

[110] Так, в иллюстративном примере на Фиг. 3 сервер 114 аукциона выполняет посредством обучающей системы 118 офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с пользователями 3102, 3106 и 3108 из первой группы пользователей. Как было отмечено выше, данные истории взаимодействия пользователя 3104 не принимаются во внимание на данном этапе, поскольку являются неполными.

[111] Так, в иллюстративном примере на Фиг. 4 сервер 114 аукциона выполняет посредством обучающей системы 118 офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с пользователями 4101, 4103 и 4107 из первой группы пользователей. Как было отмечено выше, данные истории взаимодействия пользователя 4105 не принимаются во внимание на данном этапе, поскольку являются неполными.

[112] В некоторых вариантах осуществления представленной технологии дополнительно выполняют офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных со второй группой пользователей, причем множество цифровых объектов связано с историей взаимодействий второй группы пользователей.

[113] Аналогичным образом для примера на Фиг. 3 сервер 114 аукциона может выполнять посредством обучающей системы 118 офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с пользователями 3112, 3114 из второй группы пользователей. Как было отмечено выше, данные истории взаимодействия, связанные с пользователем 3116, не принимаются во внимание на данном этапе, поскольку являются неполными.

[114] Для примера на Фиг. 4 сервер 114 аукциона может выполнять посредством обучающей системы 118 офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с пользователями 4104, 4106 из второй группы пользователей. Как было отмечено выше, данные истории взаимодействия, связанные с пользователем 4102, не принимаются во внимание на данном этапе, поскольку являются неполными.

[115] В некоторых вариантах осуществления представленной технологии алгоритм машинного офлайн обучения выполнен с возможностью прогнозировать оптимальное значение по меньшей мере одного из следующих параметров аукциона: минимальная цена размещения, порог амнистирования для рекламодателя. Этот вариант характерен в основном для случая аукционов контекстной рекламы.

[116] В некоторых вариантах осуществления представленной технологии дополнительно выполняют офлайн обучение алгоритма машинного обучения на основе данных истории взаимодействия каждой отдельной подгруппы первой группы пользователей.

[117] Затем способ переходит к этапу 206.

[118] Этап 206 – применение алгоритма машинного офлайн обучения для определения первого оптимального значения параметра аукциона для множества цифровых объектов, связанных со второй группой пользователей

[119] На этапе 206 сервер 114 аукциона посредством модуля определения 120 применяет алгоритм машинного офлайн обучения для определения первого оптимального значения параметра аукциона для множества цифровых объектов, связанных со второй группой пользователей.

[120] Так, в примере на Фиг.3 алгоритм машинного офлайн обучения, который был обучен прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с пользователями 3102, 3106 и 3108 из первой группы пользователей, применяют для определения первого оптимального значения, связанного с пользователями 3112 и 3114, связанными со второй группой пользователей. Опять же данные истории взаимодействия, связанные с пользователем 3116, на данном этапе не принимаются во внимание, поскольку являются неполными.

[121] Аналогично в примере на Фиг.4 алгоритм машинного офлайн обучения, который был обучен прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с пользователями 4101, 4103 и 4107 из первой группы пользователей, применяют для определения первого оптимального значения, связанного с пользователями 4104 и 4106, связанными со второй группой пользователей. Опять же данные истории взаимодействия, связанные с пользователем 4102, на данном этапе не принимаются во внимание, поскольку являются неполными.

[122] В некоторых вариантах осуществления представленной технологии дополнительно выполняют применение алгоритма машинного офлайн обучения для определения второго оптимального значения параметра аукциона для множества цифровых объектов, связанных с первой группой пользователей.

[123] В примере на фиг. 3 алгоритм машинного офлайн обучения, который был обучен прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с пользователями 3112, 3114 из второй группы пользователей, применяют для определения второго оптимального значения, связанного с пользователями 3102, 3106 и 3108, связанными с первой группой пользователей. Опять же данные истории взаимодействия, связанные с пользователем 3104, на данном этапе не принимаются во внимание, поскольку являются неполными.

[124] Аналогичным образом в примере на фиг. 4 алгоритм машинного офлайн обучения, который был обучен прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с пользователями 4104, 4106 из второй группы пользователей, применяют для определения второго оптимального значения, связанного с пользователями 4101, 4103 и 4107, связанными с первой группой пользователей. Опять же данные истории взаимодействия, связанные с пользователем 4105, на данном этапе не принимаются во внимание, поскольку являются неполными.

[125] В некоторых вариантах осуществления представленной технологии дополнительно выполняется применение алгоритма машинного офлайн обучения для определения первого оптимального значения параметра аукциона для каждой категории множества цифровых объектов, связанных с соответствующей подгруппой второй группы пользователей.

[126] Затем способ переходит к этапу 208.

[127] Этап 208 - сохранение первого оптимального значения параметра аукциона для множества цифровых объектов.

[128] На этапе 208 сервер 114 аукциона посредством модуля 120 определения сохраняет в хранилище 116 данных первое оптимальное значение параметра аукциона для множества цифровых объектов.

[129] В некоторых вариантах осуществления представленной технологии дополнительно выполняют сохранение второго оптимального значения параметра аукциона для множества цифровых объектов.

[130] Стоит отметить, что выполнение этапов 202-208 может осуществляться в периоды наименьшей загрузки системы, например по ночам, когда число запросов от пользователей минимально.

[131] В некоторых вариантах осуществления представленной технологии после сохранения первого оптимального значения параметра аукциона для множества цифровых объектов выполняется обновление упомянутого оптимального значения путем периодического повторения этапов способа.

[132] В некоторых вариантах осуществления представленной технологии после сохранения второго оптимального значения параметра аукциона для множества цифровых объектов выполняется обновление упомянутого оптимального значения путем периодического повторения этапов способа.

[133] Период повторения этапов способа может составлять, например, без введения ограничений: несколько дней, неделя, месяц и т.д. Для некоторых случаев целесообразным может быть ежедневное обновление оптимального значения параметра аукциона.

[134] Этап 210 – в ответ на получение сервером аукциона запроса на сервис аукциона определение цифрового объекта, релевантного запросу; определение пользователя, связанного с цифровым объектом.

[135] На этапе 210 сервер 114 аукциона по сети 108 передачи данных получает запрос от компьютерного устройства 102 на сервис аукциона. В случае аукциона товаров и услуг это может быть запрос на размещение нового цифрового объекта (например, описания и фотографий товара, предлагаемого к продаже) на аукционе. В случае аукциона контекстной рекламы - это может быть, например, запрос на размещение нового цифрового объекта (например, текстового рекламного объявления) в сервисе аукциона для отображения цифрового объекта (рекламного объявления) на странице результатов поиска SERP.

[136] Сервер 114 аукциона определяет цифровой объект, релевантный запросу в хранилище 116 данных. Допустим, запрос пользователя компьютерного устройства 102 содержит указание на цифровой объект Apple Iphone 5S. В базе 400 на Фиг. 4 данных содержатся данные истории взаимодействия пользователей первой и второй групп, связанные с релевантным цифровым объектом.

[137] Сервер 114 аукциона выполняет определение пользователя, связанного с цифровым объектом. В случае, если пользователь компьютерного устройства 102, который отправил запрос на размещение нового цифрового объекта, присутствует в одной из групп пользователей сервиса аукциона, сервер 114 аукциона определяет к какой именно группе он относится. Допустим, это пользователь 4104 из второй группы пользователей.

[138] В альтернативном варианте пользователь может не принадлежать ни одной из групп пользователей. В таком случае сервер 114 аукциона определяет нового пользователя в одну из групп пользователей, допустим, тоже во вторую группу. При этом очевидно, что для нового пользователя отсутствуют данные его истории взаимодействия с сервисом аукциона.

[139] Этап 212 - в ответ на то, что пользователь, который связан с цифровым объектом, принадлежит второй группе пользователей, применение первого оптимального значения параметра аукциона к цифровому объекту.

[140] На этапе 212 в случае если пользователь принадлежит второй группе пользователей, сервер 114 аукциона осуществляет применение первого оптимального значения параметра аукциона к цифровому объекту.

[141] В альтернативном варианте осуществления представленной технологии если пользователь принадлежит первой группе пользователей, сервер 114 аукциона осуществляет применение второго оптимального значения параметра аукциона к цифровому объекту.

[142] Возвращаясь к представленному выше примеру, после того как сервер 114 аукциона определил, что пользователь, от которого был получен запрос, является пользователем 4104 из второй группы, сервер 114 аукциона осуществляет применение первого оптимального значения параметра аукциона к цифровому объекту из запроса пользователя.

[143] После выполнения этапа 212 способ завершается.

[144] Заявляемые способ и система определения оптимального значения параметра аукциона для цифрового объекта позволяют существенно снизить нагрузку на сервер по сравнению с известными алгоритмами.

[145] Модификации и усовершенствования описанных выше вариантов осуществления представленной технологии могут быть очевидны специалисту в данной области техники. Предшествующее описание является скорее примерным, чем ограничивающим. Таким образом, объем представленной технологии ограничен только объемом прилагаемой формулы изобретения.

[146] Таким образом, с некоторой точки зрения, варианты осуществления настоящей технологии можно изложить следующим образом, структурированно, пронумерованными пунктами:

[147] ПУНКТ 1. Способ (200) определения оптимального значения параметра аукциона для цифрового объекта; способ (200) выполняется на сервере аукциона (114), связанном с хранилищем данных (116), на сервере аукциона (114) размещен сервис аукциона, способ включает в себя:

получение (202) из хранилища данных данных истории взаимодействия первой группы пользователей сервиса аукциона и данных истории взаимодействия второй группы пользователей сервиса аукциона, причем данные истории взаимодействия включают в себя по меньшей мере указатель на цифровой объект (320), параметр аукциона (330), связанный с цифровым объектом, и характеристику среды (340) в соответствующий момент времени;

офлайн обучение (204) алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с первой группой пользователей, причем множество цифровых объектов связано с историей взаимодействий первой группы пользователей;

применение (206) алгоритма машинного офлайн обучения для определения первого оптимального значения параметра аукциона для множества цифровых объектов, связанных со второй группой пользователей;

сохранение (208) первого оптимального значения параметра аукциона для множества цифровых объектов;

в ответ на получение сервером аукциона запроса на сервис аукциона

определение (210) цифрового объекта, релевантного запросу;

определение (210) пользователя, связанного с цифровым объектом;

в ответ на то, что пользователь, который связан с цифровым объектом, принадлежит второй группе пользователей, применение (212) первого оптимального значения параметра аукциона к цифровому объекту.

ПУНКТ 2. Способ по п.1, в котором на этапе (202) получения данных истории взаимодействия дополнительно задают минимальное количество пользователей в первой группе пользователей сервиса аукциона.

ПУНКТ 3. Способ по п.1, в котором на этапе (202) получения данных истории взаимодействия дополнительно задают минимальное количество пользователей во второй группе пользователей сервиса аукциона.

ПУНКТ 4. Способ по любому из пп. 1-3, в котором количество пользователей первой группы пользователей сервиса аукциона равно количеству пользователей второй группы.

ПУНКТ 5. Способ по п. 1, в котором на этапе (202) получения данных истории взаимодействия первая и вторая группы представляют собой единую группу пользователей сервиса аукциона, а перед этапом (204) офлайн обучения алгоритма машинного обучения выполняют разделение единой группы пользователей на первую группу пользователей сервиса аукциона и вторую группу пользователей сервиса аукциона.

ПУНКТ 6. Способ по п. 1, в котором дополнительно выполняется:

перед офлайн обучением (204) алгоритма машинного обучения разделение множества цифровых объектов по меньшей мере на две категории и разделение первой и второй групп пользователей онлайн аукциона на подгруппы пользователей по соответствующим категориям;

офлайн обучение (204) алгоритма машинного обучения на основе данных истории взаимодействия каждой отдельной подгруппы первой группы пользователей;

применение (206) алгоритма машинного офлайн обучения для определения первого оптимального значения параметра аукциона для каждой категории множества цифровых объектов, связанных с соответствующей подгруппой второй группы пользователей;

после получения сервером аукциона запроса на сервис аукциона в ответ на то, что пользователь, который связан с цифровым объектом, принадлежит подгруппе второй группы пользователей, применение к цифровому объекту первого оптимального значения параметра аукциона соответствующего категории цифрового объекта.

ПУНКТ 7. Способ по п. 6, в котором предварительно задают минимальное количество пользователей каждой подгруппы.

ПУНКТ 8. Способ по п. 7, в котором в ответ на то, что количество пользователей подгруппы меньше предварительно заданного минимального значения офлайн обучение алгоритма машинного обучения выполняют на основе группы пользователей.

ПУНКТ 9. Способ по п. 1, в котором хранилище данных (116) включает в себя множество данных истории взаимодействия множества пользователей, при этом на этапе (202) получения данных истории взаимодействия получаются только данные, созданные за предварительно определенный период времени и включающие в себя по меньшей мере указатель (320) на цифровой объект, параметр аукциона (330), связанный с цифровым объектом, и характеристику среды (340) в соответствующий момент времени.

ПУНКТ 10. Способ по п. 1, в котором данные истории взаимодействия дополнительно включают в себя пространственное размещение цифрового объекта на экране компьютерного устройства.

ПУНКТ 11. Способ по п. 1, в котором данные истории взаимодействия дополнительно включают в себя указатель типа цифрового объекта.

ПУНКТ 12. Способ по п. 11, в котором тип цифрового объекта представляет собой текст, изображение, видео, анимацию, кнопку, форму, гиперссылку, интерактивный элемент или их комбинацию.

ПУНКТ 13. Способ по п. 1, в котором данные истории взаимодействия дополнительно включают в себя историю изменения по меньшей мере одного параметра аукциона в течение времени.

ПУНКТ 14. Способ по п. 1, в котором характеристики среды (340) включают в себя по меньшей мере одно из: среднюю предложенную цену, и 90% квантиль предложенной цены, и минимальную предложенную цену, и максимальную предложенную цену, и значение вероятности клика на цифровой объект, и значение релевантности цифрового объекта поисковому запросу (relevance score), и указатель на географический регион, и поисковый запрос, в ответ на который был показан цифровой объект.

ПУНКТ 15. Способ по п.1, в котором алгоритм машинного офлайн обучения выполнен с возможностью прогнозировать оптимальное значение по меньшей мере одного из следующих параметров аукциона: минимальная цена размещения, порог амнистирования для рекламодателя.

ПУНКТ 16. Способ по п.1, в котором после (208) сохранения первого оптимального значения параметра аукциона для множества цифровых объектов выполняется обновление упомянутого оптимального значения путем периодического повторения этапов способа.

ПУНКТ 17. Способ по п.1, в котором дополнительно выполняется:

офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных со второй группой пользователей, причем множество цифровых объектов связано с историей взаимодействий второй группы пользователей;

применение алгоритма машинного офлайн обучения для определения второго оптимального значения параметра аукциона для множества цифровых объектов, связанных с первой группой пользователей;

сохранение второго оптимального значения параметра аукциона для множества цифровых объектов.

ПУНКТ 18. Способ по п. 17, в котором на этапе получения сервером аукциона запроса на сервис аукциона в ответ на то, что пользователь, который связан с цифровым объектом, принадлежит первой группе пользователей сервиса аукциона применение второго оптимального значения параметра аукциона к цифровому объекту.

ПУНКТ 19. Способ по п.17, в котором после сохранения второго оптимального значения параметра аукциона для множества цифровых объектов выполняют обновление упомянутого оптимального значения путем периодического повторения этапов способа.

ПУНКТ 20. Система отображения цифровых объектов (100), предоставленных пользователями, система включает в себя:

сервер (114) аукциона, сервер (114) аукциона взаимно соединен по меньшей мере с одним хранилищем данных (116), причем сервер (114) аукциона включает в себя процессор, процессор выполнен с возможностью исполнения сохраненных инструкций, хранилище данных (116) включает в себя данные истории взаимодействия первой группы пользователей сервиса аукциона и данные истории взаимодействия второй группы пользователей сервиса аукциона, причем данные истории взаимодействия включают в себя по меньшей мере указатель на цифровой объект (320), параметр аукциона (330), связанный с цифровым объектом, и характеристику среды (340) в соответствующий момент времени; процессор при исполнении инструкций выполнен с возможностью получать доступ к данным истории взаимодействия первой и второй групп пользователей сервиса аукциона;

обучающую систему (118), которая выполнена с возможностью обмена данными с сервером (114) аукциона; инициации доступа процессора к данным истории взаимодействия; офлайн обучения алгоритма машинного обучения на основе данных из истории взаимодействия, связанных с первой группой пользователей сервиса аукциона, причем множество цифровых объектов связано с историей взаимодействий первой группы пользователей сервиса аукциона;

модуль определения (120), который выполнен с возможностью обмена данными с обучающей системой; применения алгоритма машинного офлайн обучения для определения первого оптимального значения параметра аукциона для множества цифровых объектов, при этом множество цифровых объектов связано со второй группой пользователей сервиса аукциона; сохранения первого оптимального значения параметра аукциона для множества цифровых объектов в хранилище данных (116);

сервер (114) аукциона выполнен с возможностью обмена данными по меньшей мере с одним компьютерным устройством (102) с экраном (104); получения запроса, передаваемого компьютерным устройством (102) для предоставления цифрового объекта; выполнения инструкций, запрограммированных на доступ к системе хранения данных для определения цифрового объекта, релевантного запросу; определение пользователя, связанного с цифровым объектом; определение того, что пользователь, связанный с цифровым объектом, относится ко второй группе пользователей сервиса аукциона; применение первого оптимального значения параметра аукциона для цифрового объекта и предоставление цифрового объекта для отображения на экране компьютерного устройства.

ПУНКТ 21. Система по п. 20, в которой введено по меньшей мере одно дополнительное хранилище данных.

ПУНКТ 22. Система по п. 21, в которой данные истории взаимодействия первой группы пользователей сервиса аукциона и данные истории взаимодействия второй группы пользователей сервиса аукциона хранят на разных хранилищах данных.

ПУНКТ 23. Система по п. 20, в которой обучающая система (118) выполнена с дополнительной возможностью:

офлайн обучения алгоритма машинного обучения на основе данных из истории взаимодействия, связанных со второй группой пользователей сервиса аукциона, причем множество цифровых объектов связано с историей взаимодействий второй группы пользователей сервиса аукциона;

модуль определения (120) выполнен с дополнительной возможностью применения алгоритма машинного офлайн обучения для определения второго оптимального значения параметра аукциона для множества цифровых объектов, при этом множество цифровых объектов связано с первой группой пользователей сервиса аукциона; сохранения второго оптимального значения параметра аукциона для множества цифровых объектов в системе хранения данных (116).

ПУНКТ 24. Система по п. 23, в которой сервер (114) аукциона выполнен с дополнительной возможностью выполнения инструкций, запрограммированных на определение того, что пользователь, связанный с цифровым объектом, относится к первой группе пользователей сервиса аукциона; применение второго оптимального значения параметра аукциона для цифрового объекта.

1. Способ определения оптимального значения параметра аукциона для цифрового объекта; способ выполняется на сервере аукциона, связанном с хранилищем данных, на сервере аукциона размещен сервис аукциона, способ включает в себя:

получение из хранилища данных данных истории взаимодействия первой группы пользователей сервиса аукциона и данных истории взаимодействия второй группы пользователей сервиса аукциона, причем данные истории взаимодействия включают в себя по меньшей мере указатель на цифровой объект, параметр аукциона, связанный с цифровым объектом, и характеристику среды в соответствующий момент времени;

офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных с первой группой пользователей, причем множество цифровых объектов связано с историей взаимодействий первой группы пользователей;

применение алгоритма машинного офлайн обучения для определения первого оптимального значения параметра аукциона для множества цифровых объектов, связанных со второй группой пользователей;

сохранение первого оптимального значения параметра аукциона для множества цифровых объектов;

в ответ на получение сервером аукциона запроса на сервис аукциона

определение цифрового объекта, релевантного запросу;

определение пользователя, связанного с цифровым объектом;

в ответ на то, что пользователь, который связан с цифровым объектом, принадлежит второй группе пользователей, применение первого оптимального значения параметра аукциона к цифровому объекту.

2. Способ по п.1, в котором на этапе получения данных истории взаимодействия дополнительно задается минимальное количество пользователей в первой группе пользователей сервиса аукциона.

3. Способ по п.1, в котором на этапе получения данных истории взаимодействия дополнительно задается минимальное количество пользователей во второй группе пользователей сервиса аукциона.

4. Способ по любому из пп. 1-3, в котором количество пользователей первой группы пользователей сервиса аукциона равно количеству пользователей второй группы.

5. Способ по п. 1, в котором на этапе получения данных истории взаимодействия первая и вторая группы представляют собой единую группу пользователей сервиса аукциона, а перед этапом офлайн обучения алгоритма машинного обучения выполняется разделение единой группы пользователей на первую группу пользователей сервиса аукциона и вторую группу пользователей сервиса аукциона.

6. Способ по п. 1, в котором дополнительно выполняется:

перед офлайн обучением алгоритма машинного обучения разделение множества цифровых объектов по меньшей мере на две категории и разделение первой и второй групп пользователей онлайн аукциона на подгруппы пользователей по соответствующим категориям;

офлайн обучение алгоритма машинного обучения на основе данных истории взаимодействия каждой отдельной подгруппы первой группы пользователей;

применение алгоритма машинного офлайн обучения для определения первого оптимального значения параметра аукциона для каждой категории множества цифровых объектов, связанных с соответствующей подгруппой второй группы пользователей;

после получения сервером аукциона запроса на сервис аукциона в ответ на то, что пользователь, который связан с цифровым объектом, принадлежит подгруппе второй группы пользователей, применение к цифровому объекту первого оптимального значения параметра аукциона соответствующего категории цифрового объекта.

7. Способ по п. 6, в котором предварительно задается минимальное количество пользователей каждой подгруппы.

8. Способ по п. 7, в котором в ответ на то, что количество пользователей подгруппы меньше предварительно заданного минимального значения офлайн обучение алгоритма машинного обучения выполняется на основе группы пользователей.

9. Способ по п. 1, в котором хранилище данных включает в себя множество данных истории взаимодействия множества пользователей, при этом на этапе получения данных истории взаимодействия получаются только данные, созданные за предварительно определенный период времени и включающие в себя по меньшей мере указатель на цифровой объект, параметр аукциона, связанный с цифровым объектом, и характеристику среды в соответствующий момент времени.

10. Способ по п. 1, в котором данные истории взаимодействия дополнительно включают в себя пространственное размещение цифрового объекта на экране компьютерного устройства.

11. Способ по п. 1, в котором данные истории взаимодействия дополнительно включают в себя указатель типа цифрового объекта.

12. Способ по п. 11, в котором тип цифрового объекта представляет собой текст, изображение, видео, анимацию, кнопку, форму, гиперссылку, интерактивный элемент или их комбинацию.

13. Способ по п. 1, в котором данные истории взаимодействия дополнительно включают в себя историю изменения по меньшей мере одного параметра аукциона в течение времени.

14. Способ по п. 1, в котором характеристики среды включают в себя по меньшей мере одно из: среднюю предложенную цену, и 90% квантиль предложенной цены, и минимальную предложенную цену, и максимальную предложенную цену, и значение вероятности клика на цифровой объект, и значение релевантности цифрового объекта поисковому запросу, и указатель на географический регион, и поисковый запрос, в ответ на который был показан цифровой объект.

15. Способ по п.1, в котором алгоритм машинного офлайн обучения выполнен с возможностью прогнозировать оптимальное значение по меньшей мере одного из следующих параметров аукциона: минимальная цена размещения, порог амнистирования для рекламодателя.

16. Способ по п.1, в котором после сохранения первого оптимального значения параметра аукциона для множества цифровых объектов выполняется обновление упомянутого оптимального значения путем периодического повторения этапов способа.

17. Способ по п.1, в котором дополнительно выполняется:

офлайн обучение алгоритма машинного обучения прогнозировать оптимальное значение параметров аукциона для множества цифровых объектов на основе данных истории взаимодействия, связанных со второй группой пользователей, причем множество цифровых объектов связано с историей взаимодействий второй группы пользователей;

применение алгоритма машинного офлайн обучения для определения второго оптимального значения параметра аукциона для множества цифровых объектов, связанных с первой группой пользователей;

сохранение второго оптимального значения параметра аукциона для множества цифровых объектов.

18. Способ по п. 17, в котором на этапе получения сервером аукциона запроса на сервис аукциона в ответ на то, что пользователь, который связан с цифровым объектом, принадлежит первой группе пользователей сервиса аукциона применение второго оптимального значения параметра аукциона к цифровому объекту.

19. Способ по п.17, в котором после сохранения второго оптимального значения параметра аукциона для множества цифровых объектов выполняется обновление упомянутого оптимального значения путем периодического повторения этапов способа.

20. Система отображения цифровых объектов, предоставленных пользователями, система включает в себя:

сервер аукциона, сервер аукциона взаимно соединен по меньшей мере с одним хранилищем данных, причем сервер аукциона включает в себя процессор, процессор выполнен с возможностью исполнения сохраненных инструкций, хранилище данных включает в себя данные истории взаимодействия первой группы пользователей сервиса аукциона и данные истории взаимодействия второй группы пользователей сервиса аукциона, причем данные истории взаимодействия включают в себя по меньшей мере указатель на цифровой объект, параметр аукциона, связанный с цифровым объектом, и характеристику среды в соответствующий момент времени; процессор при исполнении инструкций выполнен с возможностью получать доступ к данным истории взаимодействия первой и второй групп пользователей сервиса аукциона;

обучающую систему, которая выполнена с возможностью обмена данными с сервером аукциона; инициации доступа процессора к данным истории взаимодействия; офлайн обучения алгоритма машинного обучения на основе данных из истории взаимодействия, связанных с первой группой пользователей сервиса аукциона, причем множество цифровых объектов связано с историей взаимодействий первой группы пользователей сервиса аукциона;

модуль определения, который выполнен с возможностью обмена данными с обучающей системой; применения алгоритма машинного офлайн обучения для определения первого оптимального значения параметра аукциона для множества цифровых объектов, при этом множество цифровых объектов связано со второй группой пользователей сервиса аукциона; сохранения первого оптимального значения параметра аукциона для множества цифровых объектов в хранилище данных;

сервер аукциона выполнен с возможностью обмена данными по меньшей мере с одним компьютерным устройством с экраном; получения запроса, передаваемого компьютерным устройством для предоставления цифрового объекта; выполнения инструкций, запрограммированных на доступ к системе хранения данных для определения цифрового объекта, релевантного запросу; определение пользователя, связанного с цифровым объектом; определение того, что пользователь, связанный с цифровым объектом, относится ко второй группе пользователей сервиса аукциона; применение первого оптимального значения параметра аукциона для цифрового объекта и предоставление цифрового объекта для отображения на экране компьютерного устройства.

21. Система по п. 20, в которой введено по меньшей мере одно дополнительное хранилище данных.

22. Система по п. 21, в которой данные истории взаимодействия первой группы пользователей сервиса аукциона и данные истории взаимодействия второй группы пользователей сервиса аукциона хранят на разных хранилищах данных.

23. Система по п. 20, в которой обучающая система выполнена с дополнительной возможностью офлайн обучения алгоритма машинного обучения на основе данных из истории взаимодействия, связанных со второй группой пользователей сервиса аукциона, причем множество цифровых объектов связано с историей взаимодействий второй группы пользователей сервиса аукциона;

модуль определения выполнен с дополнительной возможностью применения алгоритма машинного офлайн обучения для определения второго оптимального значения параметра аукциона для множества цифровых объектов, при этом множество цифровых объектов связано с первой группой пользователей сервиса аукциона; сохранения второго оптимального значения параметра аукциона для множества цифровых объектов в системе хранения данных.

24. Система по п. 23, в которой сервер аукциона выполнен с дополнительной возможностью выполнения инструкций, запрограммированных на определение того, что пользователь, связанный с цифровым объектом, относится к первой группе пользователей сервиса аукциона; применение второго оптимального значения параметра аукциона для цифрового объекта.



 

Похожие патенты:

Изобретение относится к технологиям сетевой связи. Технический результат заключается в повышении защищенности канала обмена сообщениями между микропроцессорной картой с платежным приложением и терминалом.

Изобретение относится к устройствам предоставления рекомендаций пользователю. Технический результат заключается в обеспечении возможности предоставления панели рекомендаций на основе типа устройства.

Настоящее изобретение относится к технологии для создания локальной интерактивной службы на основе места/времени, которая обеспечивает информацию многоформатного контента пользователю, который перемещается, неся интеллектуальный терминал, на котором установлено специализированное приложение.

Изобретение относится к системе и машиночитаемому носителю для запроса расценки, обработки заказа или запроса поддержки для детали электрической машины. Технический результат заключается в возможности автоматического определения функций поддержки для сфотографированной детали электрической машины.

Изобретение относится к компьютерной системе и способу обеспечения пользователя информацией, относящейся к продукту, в отношении, по меньшей мере, одного желаемого предмета.

Изобретение относится к системе продаж в магазине. Технический результат заключается в возможности одновременной обработки данных платежным терминалом от нескольких покупателей.

Изобретение относится к средствам функционирования клиента обмена электронными сообщениями. Технический результат заключается уменьшении места для хранения электронных писем на мобильном устройстве.

Изобретение относится к системе и способу обеспечения безопасных транзакций электронной коммерции. Технический результат заключается в повышении безопасности транзакций электронной коммерции.

Изобретение относится к области обработки данных. Способ содержит этапы, на которых: считывают уникальный код на упаковке, которая содержит продукт; в ответ на этап считывания идентифицируют географическое расположение устройства беспроводной связи с использованием GPS; сравнивают географическое расположение со списком авторизованных продавцов продукта и определяют подлинность продукта на основе этапа сравнения.

Изобретение относится к области Интернет-технологий, в частности к отображению страниц. Техническим результатом является расширение арсенала технических средств отображения страниц.

Изобретение относится к способу электронной коммерции через общественную вещательную среду. Технический результат заключается в обеспечении возможности одновременного совершения операции покупки и просмотра контента. В способе используют системный сервер, оперирующий базой данных, контент, метаданные о контенте, гиперметаданные о продуктах или услугах, размещенных в сцене медийного источника развлечений, доставляемые через сеть доставки контента на аппаратно-независимую цифровую учетную запись, работая посредством которой пользователь использует переключающее устройство, обеспечивающее запуск вещания медийного источника развлечений, остановку этого вещания, отображение кодированного гиперметаданными продукта или услуги без необходимости для пользователя покидать указанный медийный источник развлечений и без необходимости перенаправлять пользователя на другой информационный ресурс о выбранном продукте или услуге, выбор продукта или услуги, добавление этого продукта или услуги в окно корзины, оплату продукта или услуги после завершения покупки выбранного продукта или услуги с использованием того же медийного источника развлечений, завершение остановки медийного источника развлечений и продолжение просмотра этого медийного источника развлечений. 8 з.п. ф-лы, 15 ил.

Изобретение относится к автоматизированным системам и системам автоматического управления и может быть использовано при решении задач ситуационного управлении, в которых требуется осуществлять анализ возможных сценариев развития текущей ситуации. Техническим результатом является снижение избыточности объема хранимой информации о множестве полных ситуаций и упрощение процесса ситуационного управления за счет возможности моделирования сценария развития текущей ситуации в виде последовательности ситуаций, наступление которых обусловливается принимаемыми решениями и проявлением случайных факторов условий обстановки. Устройство моделирования сценария развития ситуации содержит элемент ИЛИ, регистр ввода текущей ситуации, блок памяти сценария развития ситуации, генератор тактовых импульсов, блок памяти вариантов решений, первый счетчик, блок оценивания результатов принятия решения, первый блок сравнения, блок буферной памяти ситуаций, блок расчета целевой функции, блок буферной памяти результатов принятия решения, блок выбора решения, блок моделирования результатов принятия решения, второй счетчик, второй блок сравнения, регистр ввода длины сценария, блок вывода сценария развития ситуации. 1 ил.

Группа изобретений относится к способу и устройству для вызова такси. Технический результат – создание интеллектуальных средств, обеспечивающих вызов такси в зависимости от обычного поведения пользователя или данных плана пользователя. Для этого предложен способ, который включает: определение того, необходимо ли пользователю вызвать такси, на основе по меньшей мере данных об обычном поведении и/или данных плана; и когда определено, что пользователю необходимо вызвать такси, формирование и выдачу заказа вызова такси. В настоящем изобретении терминальное устройство автоматически формирует и выдает заказ вызова такси, когда оно определяет, что пользователю необходимо вызвать такси. Таким образом, можно инициировать сервис вызова такси как можно раньше и избежать задержки планов пользователя. 3 н. и 20 з.п. ф-лы, 6 ил.

Изобретение относится к компьютерным технологиям. Технический результат заключается в обеспечении работы клиентского компьютера, посредством которого приложение получается с сервера для использования с основной программой на клиентском компьютере. Технический результат достигается за счет определения функции, предоставляемой основной программой на клиентском компьютере, посылки запроса поиска приложения и списка упомянутых определенных функций на сервер, при этом список упомянутых определенных функций не является списком программ или списком приложений, приема списка приложений, доступных с сервера, которые могут быть использованы в базовом режиме работы, с одной или более из упомянутых определенных функций, представления списка приложений, приема от пользователя выбора приложения из данного списка, посылки этого выбора на сервер, приема выбранного приложения и активации принятого приложения, используя основную программу. 3 н. и 16 з.п. ф-лы, 8 ил.

Изобретение относится к определению изменений в пользовательском интерактивном взаимодействии между первой и второй версией страницы результатов поиска. Технический результат – повышение качества тестирования изменений в пользовательском взаимодействии между первой версией и второй версией страницы результатов поиска. Способ определения изменений в пользовательском взаимодействии между первой и второй версиями страницы результатов поиска включает в себя: представление первой версии первой группе пользователей и второй версии второй группе пользователей; оценку первых и вторых показателей пользовательских взаимодействий с первой и второй версиями страницы результатов поиска соответственно, причем пользовательские взаимодействия принадлежат к предварительно определенному типу пользовательских взаимодействий; определение первого и второго распределений первых показателей и вторых показателей пользовательских взаимодействий, соответственно; анализ первого и второго распределений совместно для определения степени изменений в пользовательском интерактивном взаимодействии, в ответ на тот факт, что изменения в пользовательском интерактивном взаимодействии статистически значимы, определение того, что в пользовательском интерактивном взаимодействии между первой и второй версиями страницы результатов поиска произошло изменение. 2 н. и 12 з.п. ф-лы, 10 ил.

Изобретение относится к системам и способам обработки данных антропометрии тела человека, предназначенным для использования в торговле одеждой, обувью, при электронной торговле, а также при изготовлении ортопедических изделий. Изобретение заключается в получении оцифрованных точных объемных параметров тела человека, включая ногу/стопу, без необходимости раздевания, в их обработке и сохранении полученных трехмерных изображений, а также в обеспечении использования этих сохраненных оцифрованных точных объемных параметров тела человека при автоматическом подборе подходящей модели из базы данных существующих моделей одежды и обуви, при примерке одежды и обуви с использованием пространственно-изменяемого робоманекена и при индивидуальном изготовлении одежды, обуви, ортопедических средств. 3 з.п. ф-лы, 1 ил.

Группа изобретений относится к области техники велосипедов, в частности к способам рекомендации переключения передач велосипеда. Способ рекомендации переключения передач велосипеда, применяемый в мобильном терминале, содержит этапы, на которых собирают данные езды на велосипеде пользователя, сравнивают данные в библиотеке стратегий переключения передач, когда данные полностью совпадают с одной из выборок данных в библиотеке, выводят стратегию переключения передач, когда собранные данные не совпадают полностью ни с одной из выборок данных, вычисляют подобие между собранными данными и выводят пользователю стратегию переключения передач, соответствующую выборке данных с вычисленным наибольшим подобием. Устройство для рекомендации переключения передач велосипеда содержит модуль сбора, модуль сравнения, первый модуль вывода. Устройство для рекомендации переключения передач велосипеда содержит процессор и запоминающее устройство для сохранения инструкций. Достигается повышение эффективности переключения передач. 3 н. и 8 з.п. ф-лы, 8 ил.

Изобретение относится к автоматизированной информационно-справочной системе оценки и управления профессиональными рисками на предприятиях АПК. Технический результат заключается в автоматизации прогнозирования профессиональных рисков на предприятии. Система содержит базу фактических данных работников по состоянию здоровья и профзаболеваниям, базу нормативных данных работников по состоянию здоровья и профзаболеваниям, базу данных по фактическим условиям труда на рабочих местах и базу нормативных данных по фактическим условиям труда на рабочих местах, схемы выборки данных, блоки сравнения, блок накапливающего суммирования аналитических данных, блок вычислителя риска, компаратор, блок выдачи данных, блок управления, устройство хранения коэффициента значимости и оценочных величин риска, блок приема запросов, блок прогнозирования, блок определения вероятности события и тяжести последствий, блок определения категории риска, базу фактических данных по квалификации, стажу и возрасту персонала, базу оптимальных данных по квалификации, стажу и возрасту персонала, базу по фактическим показателям прохождения обучения требованиям охраны труда работниками, базу допустимых данных показателей прохождения обучения требованиям охраны труда работниками, базу фактических данных идентифицированных производственных опасностей. 1 ил.

Изобретение относится к компьютерной технике, предназначенной для применения в сфере мобильных систем. Технический результат заключается в обеспечении поддержки запуска внешней прикладной программы в случае, если стандарт HTML браузера не поврежден и браузер не нуждается в модификации. Технический результат достигается за счет добавления стандартной HTML метки, представляющей плагин в веб-страницу браузера, добавления модуля плагина внешнего приложения, соответствующего метке во внешнем приложении, при этом, после того как на браузер поступает событие клика по метке, событие клика передается в подключаемый модуль внешнего приложения, добавленный во внешнее приложение путем обращения к интерфейсу внешнего приложения, а подключаемый модуль внешнего приложения обращается к интерфейсу программирования приложений, который предоставляется операционной системой для активации прикладной программы путем запуска внешнего приложения. 2 н. и 8 з.п. ф-лы, 5 ил.

Изобретение относится к компьютерной и вычислительной технике. Технический результат заключается в генерировании рекомендаций с использованием дерева решений. Технический результат достигается за счет определения определенного пути через дерево решений, ведущего к определенному узлу рекомендации, содержащему определенную рекомендацию, причем дерево решений содержит узлы условия и узлы рекомендации, причем узел условия содержит условие, ассоциированное с конкретной ветвью дерева решений, и при этом узел рекомендации содержит рекомендацию, ассоциированную с одним или более условий одного или более узлов условия на пути к узлу рекомендации, и при этом определение содержит учет условий узлов условия на пути посредством оценивания условий на основании ряда параметров, генерирования объяснения причины для определенной рекомендации на основании одного из узлов условия на пути, ведущем к узлу рекомендации, предоставления пользователю возможности указывать предложенное действие, и определения узла рекомендации, рекомендация которого соответствует предложенному действию, причем упомянутый узел рекомендации далее именуется узлом предложенного действия. 4 н. и 10 з.п. ф-лы, 9 ил.
Наверх