Система и способ формирования индивидуального содержимого для пользователя сервиса

Изобретение относится к области вычислительной техники. Технический результат заключается в безопасности персональных данных пользователя за счет идентификации пользователя на основании обученной на персональных данных пользователя модели поведения пользователя. Технический результат достигается за счет сбора данных об использовании пользователем вычислительного устройства; обучения модели поведения пользователя на основании собранных данных таким образом, чтобы модель идентифицировала пользователя с заданным уровнем достоверности; формирования индивидуального содержимого для пользователя сервиса на основании заранее заданного окружения сервиса с учетом предоставленной средством передачи модели поведения. 2 н. и 16 з.п. ф-лы, 3 ил.

 

Область техники

Изобретение относится к области анализа данных и машинного обучения, а более конкретно к системам и способам формирования индивидуального содержимого для пользователей сервисов.

Уровень техники

Бурное развитие компьютерных технологий в последнее десятилетие, а также широкое распространение разнообразных вычислительных устройств (персональных компьютеров, ноутбуков, планшетов, смартфонов и т.д.) стали мощным стимулом для использования упомянутых устройств в разнообразных сферах деятельности и для огромного количества задач (от интернет-серфинга до банковских переводов и ведения электронного документооборота). Параллельно с ростом количества вычислительных устройств и объема программного обеспечения, работающего на этих устройствах, быстрыми темпами росло и количество вредоносных программ, а также способов несанкционированного доступа к данным, обрабатываемых указанными устройствами, и мошеннических способов использования этих данных.

Таким образом, особенно важным становятся вопросы информационной безопасности. При этом большое внимание начинает уделяться не только обеспечению информационной безопасности персональных данных пользователей, но и защите персональных данных пользователей от гипотетических (зачастую и маловероятных) угроз, таких как успешные целевые атаки на серверы, хранящие персональные данные пользователей и т.д., что приводит к решениям, основанным на концепции добровольного согласия (например, в Европейском Союзе для этой цели введен общий регламент по защите данных, GDPR), а также решениям, обеспечивающим максимально объемное хранение персональных данных пользователей на вычислительных устройствах пользователей и минимально возможный анализ и использование упомянутых данных на внешних сервисах.

В настоящий момент большое распространение получило использование обученных моделей (и машинного обучения вообще) в разнообразных областях человеческой деятельности. Были сделаны и попытки использовать обученные модели для хранения персональных данных пользователей и использования персональных данных пользователей для разных задач. Например, обученные модели на основании персональных данных пользователей могут позволить предсказывать предпочтения пользователей в заданных областях коммерции или иных информационных технологий, также указанные модели могут использоваться как некоторые идентификаторы пользователей и т.д. Основным преимуществом обученных моделей может стать невозможность выделения из них персональных данных, на основе которых они обучались, что позволяет использовать персональные данные пользователи без их раскрытия (или передачи от одного вычислительного устройства другому, что негативно влияет на информационную безопасность).

В публикации US 20150039315 А1 описана технология получения доступа к вычислительным ресурсам с использованием некоторого набора действий пользователя (по сути параметров, характеризующих поведение пользователя). Пользователь, желающий получить доступ к вычислительным ресурсам, прослушивает звуковой фрагмент, после чего голосом проговаривает, что услышал, в зависимости от точности воспроизведения определяется, предоставлять ли ему доступ к вычислительным ресурсам или нет.

Хотя описанные технологии хорошо справляются с задачами идентификации пользователей по поведению (действиям) пользователя, сами действия пользователя никак не скрываются, эти данные, которые являются персональными данными пользователя, передаются для анализа (идентификации) иным средствам (в том числе расположенным удаленно) и могут быть уязвимы к несанкционированному доступу.

Настоящее изобретение позволяет решать задачу идентификации пользователя на основании его персональных данных, а также формирования индивидуального содержимого для пользователей сервисов на основании персональных данных пользователя без их передачи по сети.

Раскрытие изобретения

Изобретение предназначено для обеспечения информационной безопасности.

Технический результат настоящего изобретения заключается в формировании индивидуального содержимого для пользователя сервиса за счет того, что сервису для этой цели передаются не персональные данные пользователя, а лишь обученная на персональных данных пользователя модель поведения пользователя.

Другой технический результат настоящего изобретения заключается в обеспечении безопасности персональных данных пользователя за счет идентификации пользователя на основании обученной на персональных данных пользователя модели поведения пользователя.

Данный результат достигается с помощью использования системы формирования индивидуального содержимого для пользователя сервиса, которая содержит: средство журналирования, предназначенное для сбора данных об использовании пользователем вычислительного устройства; средство обучения, предназначенное для обучения модели поведения пользователя на основании собранных данных; средство передачи, предназначенное для передачи обученной модели средству формирования содержимого; средство формирования содержимого, предназначенное для формирования индивидуального содержимого для пользователя сервиса на основании заранее заданного окружения сервиса с учетом предоставленной средством передачи модели поведения.

В другом частном случае реализации системы данные о поведении пользователя описывают по меньшей мере: приложения, с которыми работает пользователь, время работы пользователя в указанных приложениях, выполняемые пользователем действия в указанных приложения; поисковые запросы пользователя; сайты, которые посещает пользователь, выполняемые пользователем действия на указанных сайтах; заполненные пользователем формы.

Еще в одном частном случае реализации системы модель поведения пользователя обучают таким образом, чтобы указанная модель идентифицировала пользователя с заданным уровнем достоверности.

В другом частном случае реализации системы модель поведения пользователя представляет собой нейронную сеть с весами, которая используется для предсказания последующего поведения пользователя.

Еще в одном частном случае реализации системы база моделей поведения содержит модели поведения пользователя, собранные при регистрации пользователя на сервисе.

В другом частном случае реализации системы средство передачи передает обученную модель поведения пользователя средству формирования содержимого по меньшей мере: с заранее заданной периодичностью; по запросу средства формирования содержимого.

Еще в одном частном случае реализации системы средство передачи дополнительно предназначено для авторизации пользователя на сервисе на основании результата сравнения предоставленной средству формирования содержимого модели поведения пользователя с моделями из базы моделей поведения.

В другом частном случае реализации системы для сравнения двух моделей поведения применяют по меньшей мере: матрицы диаграмм рассеяния; индивидуальные диаграммы рассеяния; тесты статистической значимости.

Еще в одном частном случае реализации системы в качестве заданного окружения сервиса выступает по меньшей мере: список товаров и услуг, доступ к которым может быть предоставлен пользователю; данные, на доступ к которым пользователю выдано разрешении на основании анализа предоставленной средством передачи модели поведения.

Данный результат достигается с помощью использования способа формирования индивидуального содержимого для пользователя сервиса, при этом способ содержит этапы, которые реализуются с помощью средств из системы формирования индивидуального содержимого для пользователя сервиса и на которых: собирают данные об использовании пользователем вычислительного устройства; обучают модель поведения пользователя на основании собранных данных, таким образом, чтобы модель идентифицировала пользователя с заданным уровнем достоверности; формируют индивидуальное содержимое для пользователя сервиса на основании заранее заданного окружения сервиса с учетом предоставленной средством передачи модели поведения.

В другом частном случае реализации способа данные о поведении пользователя описывают по меньшей мере: приложения, с которыми работает пользователь, время работы пользователя в указанных приложениях, выполняемые пользователем действия в указанных приложения; поисковые запросы пользователя; сайты, которые посещает пользователь, выполняемые пользователем действия на указанных сайтах; заполненные пользователем формы.

Еще в одном частном случае реализации способа модель поведения пользователя обучают таким образом, чтобы указанная модель идентифицировала пользователя с заданным уровнем достоверности

В другом частном случае реализации способа модель поведения пользователя представляет собой нейронную сеть с весами, которая используется для предсказания последующего поведения пользователя.

Еще в одном частном случае реализации способа передают обученную модель поведения пользователя средству формирования содержимого по меньшей мере: с заранее заданной периодичностью; по запросу средства формирования содержимого.

В другом частном случае реализации способа база моделей поведения содержит модели поведения пользователя, собранные при регистрации пользователя на сервисе.

Еще в одном частном случае реализации способа дополнительно перед формированием индивидуального содержимого для пользователя сервиса авторизуют пользователя на сервисе на основании результата сравнения предоставленной средством передачи модели поведения пользователя с моделями из базы моделей поведения.

В другом частном случае реализации способа для сравнения двух моделей поведения применяют по меньшей мере: матрицы диаграмм рассеяния; индивидуальные диаграммы рассеяния; тесты статистической значимости.

Еще в одном частном случае реализации способа в качестве заданного окружения сервиса выступает по меньшей мере: список товаров и услуг, доступ к которым может быть предоставлен пользователю; данные, на доступ к которым пользователю выдано разрешении на основании анализа предоставленной модели поведения.

Краткое описание чертежей

Фиг. 1 представляет структурную схему системы формирования индивидуального содержимого для пользователя сервиса.

Фиг. 2 представляет структурную схему способа формирования индивидуального содержимого для пользователя сервиса.

Фиг. 3 представляет пример компьютерной системы общего назначения, персональный компьютер или сервер.

Хотя изобретение может иметь различные модификации и альтернативные формы, характерные признаки, показанные в качестве примера на чертежах, будут описаны подробно. Следует понимать, однако, что цель описания заключается не в ограничении изобретения конкретным его воплощением. Наоборот, целью описания является охват всех изменений, модификаций, входящих в рамки данного изобретения, как это определено приложенной формуле.

Описание вариантов осуществления изобретения

Объекты и признаки настоящего изобретения, способы для достижения этих объектов и признаков станут очевидными посредством отсылки к примерным вариантам осуществления. Однако настоящее изобретение не ограничивается примерными вариантами осуществления, раскрытыми ниже, оно может воплощаться в различных видах. Сущность, приведенная в описании, является ничем иным, как конкретными деталями, необходимыми для помощи специалисту в области техники в исчерпывающем понимании изобретения, и настоящее изобретение определяется в объеме приложенной формулы.

Фиг. 1 представляет структурную схему системы формирования индивидуального содержимого для пользователя сервиса.

Структурная схема системы формирования индивидуального содержимого для пользователя сервиса состоит из средства журналирования 110, средства обучения 120, модели поведения пользователя 121, средства передачи 130, базы моделей поведения 131, средства формирования содержимого 140, содержимого сервиса 141, индивидуального содержимого 142, средства анализа 150.

Основным назначением системы формирования индивидуального содержимого для пользователя сервиса является формирование из заранее заданного содержимого удаленного сервиса индивидуального содержимого пользователя на основании анализа его работы на своем вычислительном устройстве.

При этом по меньшей мере выступают:

в качестве удаленного сервиса - онлайн-магазин, в качестве содержимого сервиса - совокупность товаров (включающих информацию о товаре), доступную в указанном онлайн-магазине;

в качестве удаленного сервиса - рекламная площадка (предоставляющая рекламу пользователям, к примеру, помещающим информационные сайты), в качестве содержимого сервиса - рекламные блоки (медиаданные рекламы товаров и услуг, к примеру баннеры);

в качестве удаленного сервиса - ресурс, предоставляющий информационный услуги, в качестве содержимого сервиса - информационные, новостные и т.д. блоки данных, передаваемых пользователям (по аналогии с RSS-каналами).

Средство журналирования 110 предназначено для сбора данных (журналирования, англ. logging) об использовании пользователем вычислительного устройства и передачи собранных данных средству обучения 120.

В одном из вариантов реализации системы в качестве вычислительного устройства пользователя выступает по меньшей мере:

персональный компьютер;

ноутбук;

планшет;

мобильный телефон или смартфон.

Еще в одном из вариантов реализации системы в качестве вычислительного устройства выступает совокупность вычислительных устройств на которых работает программное обеспечение, связанное между собой единым аккаунтом пользователя.

Например, в качестве вычислительного устройства может рассматриваться персональный компьютер пользователя, iPhone пользователя и планшет iPad, на которых работает ПО, подключенное к удаленным сервисам под единым аккаунтом (к примеру, к YouTube под одним аккаунтом) или единому облачному сервису (к примеру на основе технологии Handoff), т.е. вычислительное устройство, на котором используется технология единого входа (англ. Single Sign-On, SSO).

Еще в одном из вариантов реализации системы данные о поведении пользователя включают по меньшей мере:

названия приложений, с которыми работает пользователь, время работы пользователя в указанных приложениях, выполняемые пользователем действия в указанных приложения;

поисковые запросы пользователя;

адреса сайтов, которые посещает пользователь, выполняемые пользователем действия на указанных сайтах (по каким ссылкам переходил пользователь, выделял и копировал текст со страниц сайтов и т.д.);

данные из заполненных пользователем форм;

информацию о движениях курсора мыши, тачпада и иных устройств ввода;

переходы на другие страницы с целевой страницы;

идентификаторы устройств или средств ввода (англ. hardware ID);

идентификаторы приложения-клиента.

Например, в качестве данных о поведении пользователя собирают запросы к голосовым помощникам таким как Alisa, Alexa, Siri и т.д.

Еще в одном примере в качестве данных о поведении пользователя собирают поисковые запросы Google и адреса сайтов, на которые переходил пользователь после каждого поискового запроса.

Еще в одном из вариантов реализации системы собранные данные с помощью средства журналирования 110 дополнительно анализируют с целью по меньшей мере:

не журналировать данные, имеющие низкий приоритет при формировании индивидуального содержимого для пользователя сервиса 142 средством формирования содержимого 140;

не журналировать дублирующие данные;

корректировать ошибочные данные. Средство обучения 120 предназначено для обучения модели поведения пользователя 121 на основании собранных данных и передачи обученной модели поведения пользователя 121 средству передачи 130.

В одном из вариантов реализации системы модель поведения пользователя 121 представляет собой нейронную сеть с весами, которая используется для предсказания последующего поведения пользователя.

Например, обученная модель поведения пользователя 121 формируется на основании данных о поисковых запросах пользователя таким образом, чтобы при использовании указанной модели 121 было возможным определить, какой из известных поисковых запросов (в том числе и модифицированных известных поисковых запросов, т.е. запросов составленных на основании комбинации нескольких известных запросов) с наибольшей вероятностью будет выполнен пользователем в будущем.

Еще в одном из вариантов реализации системы модель поведения пользователя 121 обучают таким образом, чтобы указанная модель 121 идентифицировала пользователя с заданным уровнем достоверности.

Еще в одном из вариантов реализации системы обучение модели поведения пользователя 121 производится следующим образом:

полученные данные поведения пользователя параметризируют в виде вектора (к примеру, производится лексический анализ, в результате которого речь переводится в слова, слова в вектор слов);

полученный вектор очищают от низкоприоритетной информации, устраняют шумы и т.д.;

очищенный вектор подают на вход обучающего алгоритма. Например, для двух пользователей, которые работали на одном и том же вычислительном устройстве, но выполняли разные действия (работая с разными приложениями, выполняя разные поисковые запросы, заполняя разные формы и т.д.), будут сформированы разные обученные модели поведения пользователя 121, при этом указанные модели будут однозначно отличаться друг от друга, а степень их отличия будет характеризовать уровень достоверности идентификации пользователя для заданной обученной модели поведения пользователя 121. При этом для сравнения указанных обученных моделей поведения пользователя 121 могут использоваться разные метрики (см. ниже). Кроме того, для одного пользователя, который работал в разное время на вычислительном устройстве, будут сформированы схожие обученные модели поведения пользователя 121, такие что с заданным уровнем достоверности будут идентифицировать только одного пользователя.

Еще в одном из вариантов реализации системы модель поведения пользователя 121 обучается предварительно таким образом, чтобы характеризовать поведение большой группы пользователей. При этом для разных групп пользователей могут быть могут быть обучены несколько разных моделей поведения пользователя 121, чтобы характеризовать разные группы пользователей.

При этом средству обучения 120 передаетсся одна из указанных моделей поведения пользователя 121 в зависимости от собранных средством журналирования 110 данных. Подобный подход позволяет снизить требования к ресурсам вычислительного устройства пользователя, поскольку выполняется не полное обучение модели поведения пользователя, а лишь дообучение.

Еще в одном из вариантов реализации системы предобученные модели поведения пользователя 121 формируют на стороне удаленного сервиса, индивидуальное содержимое 142 которого будет формироваться в зависимости от обученной модели поведения пользователя 121 для каждого конкретного пользователя.

Например, сервис предоставляющий рекламные материалы (в виде баннеров на новостных сайтах и онлайн-магазинах), формирует разные обученные модели поведения пользователя 121, характеризующих разные группы пользователей (спортсмены, домохозяйки, студенты и т.д.). В зависимости от того какой из сайтов-партнеров указанного сервиса посещает тот или иной пользователь его системе формирования индивидуального содержимого для пользователя сервиса передается соответствующая предварительно обученная модель поведения пользователя (к примеру, для пользователей, посещающих онлайн-магазин спортивных товаров, будет передана обученная модель поведения пользователя 121, предварительно обученная под поведение спортсменов. Такая предварительно обученная модель поведения пользователя 121 настроена (обучена) так, чтобы учитывать поисковые запросы пользователя на сайтах со спортивной тематикой, использование спортивных приложений (трекеров, пульсометров и т.д.) и игнорирует остальные данные, собираемые средством журналирования 110 (т.е. остальные данные вносят незначительный или нулевой вклад в результат работы обученной модели поведения пользователя).

Средство передачи 130 предназначено для передачи обученной модели 121 средству формирования содержимого 140.

При этом средство передачи 130 также производит проверку выполнения условий, при которых требуется передача обученной модели 121, авторизации пользователя и т.д. (см. ниже).

База моделей поведения 131 содержит модели поведения пользователя, собранные при регистрации пользователя на сервисе.

Например, сервис по продаже книг онлайн может содержать базу зарегистрированных пользователей, при этом в качестве регистрационной информации передают не логин и пароль пользователя, а обученную модель 121 своего поведения, при этом сама упомянутая модель 121 строилась с использованием предоставленного сервисом ПО, включающего в себя по меньшей мере средство журналирования 110, средство обучения 120 и средство передачи 130. Таким образом, после первого посещения пользователем сервиса, после того, как формируется обученная модель 121 и передается сервису, она размещается в базе моделей поведения 131. И при повторных посещениях сервиса пользователем передают (а точнее средство передачи 130) дообученную модель поведения пользователя 121, которая может отличаться от переданной ранее модели поведения пользователя 121, но не более той меры, которая позволяет однозначно идентифицировать пользователя на указанном сервисе (см. выше).

В одном из вариантов реализации системы средство передачи 130 представляет собой по меньшей мере:

отдельное приложение, перехватывающее запросы сервисов на предоставление им обученной модели поведения пользователя 121 в качестве идентификатора пользователя;

плагин, установленный в браузере и автоматически предоставляющий обученную модель поведения пользователя 121 сервису при переходе пользователя на сайт указанного сервиса;

сценарий (например, в виде JS кода), содержащий элементы обученной модели поведения пользователя 121 и внедряемый на сайт сервиса.

Например, средство передачи 130 представляет собой плагин к браузеру Google Chrome, устанавливаемый на вычислительной системе пользователя по запросу сайта онлайн-магазина продажи книг при первом посещении указанного сайта. Данный плагин передает сформированную модель поведения пользователя 121 в качестве идентификатора пользователя каждый раз при посещении указанного сайта.

Еще в одном из вариантов реализации системы средство передачи 130 передает обученную модель поведения пользователя 121 средству формирования содержимого 140 по меньшей мере:

с заранее заданной периодичностью;

по запросу средства формирования содержимого 140.

Например, если пользователь пользуется некоторым ПО, предоставленным сервисом, данное ПО (описанное выше) может передавать сервису обновленные (дообученные) модели поведения пользователя 121 с периодичностью один раз в сутки. В результате чего пользователь при посещении сервиса по меньшей мере 1) всегда авторизирован на сервисе; 2) получает релевантную и свежую информацию, т.е. индивидуальное содержимое 142 сервиса (см. ниже).

Еще в одном из вариантов реализации системы средство передачи 130 дополнительно предназначено для авторизации пользователя на сервисе на основании результата сравнения переданной средству формирования содержимого модели поведения пользователя 121 с моделями из базы моделей поведения 131.

Например, если на одном вычислительном устройстве работает два пользователя, то обученная модель поведения пользователя №1 должна отличаться от обученной модели пользователя №2 настолько, чтобы с заданным уровнем достоверности можно было различать указанных пользователей. При этом, если на разных вычислительных устройствах в разное время работал один и тот же пользователь, то обученная модель пользователя, сформированная на основании данных с вычислительного устройства №1, должна быть схожа с обученной моделью пользователя, сформированная на основании данных с вычислительного устройства №2.

Еще в одном из вариантов реализации системы для сравнения двух моделей поведения применяют по меньшей мере:

матрицы диаграмм рассеяния;

индивидуальные диаграммы рассеяния;

тесты статистической значимости.

Например, в качестве диаграммы рассеяния выступают параметры нейронной сети.

В качестве способа сравнения двух обученных моделей поведения может выступать анализ результата работы двух обученных моделей поведения над заранее подготовленной тестовой выборкой данных. При этом тестовая выборка может подготавливаться из расчета какие действия пользователи могут (или должны) выполнять на указанном сервиса. К примеру, в тестовую выборку могут входить поисковые запросы по товарам онлайн-магазина на который зашли пользователи, или поисковые запросы по товарам и услугам, по показанной пользователям рекламе и т.д.

Например, для пользователя №1 модель поведения обучалась на поисковых запросах пользователя №1 и некоторой группы иных пользователей, а для пользователя №2 модель поведения обучалась на поисковых запросах пользователя №2 и некоторой (не обязательно такой же, как при обучении модели поведения пользователя №1) группы иных пользователей. В качестве проверки насколько обученные модели поведения пользователей №1 и №2 схожи, моделям на вход подается заранее подготовленная тестовая выборка поисковых запросов, а на выходе вычисляются вероятности того, что тот или иной запрос принадлежит соответствующему пользователю (для обученной модели поведения пользователя №1 - пользователю №1, для обученной модели поведения пользователя №2 - пользователю №2). Сравнение полученных результатов (любым известным из уровня техники способом) определяет то, являются ли указанные модели поведения пользователей схожими или отличными.

Средство формирования содержимого 140 предназначено для формирования индивидуального содержимого для пользователя сервиса 142 на основании заранее заданного окружения сервиса 141 с учетом предоставленной средством передачи 130 модели поведения 121.

В одном из вариантов реализации системы в качестве заданного окружения сервиса 141 выступает по меньшей мере:

список товаров и услуг, доступ к которым может быть предоставлен пользователю, при этом в качестве доступа к товару понимается предоставление пользователю информации о товаре или услуге и возможности совершить заказ товара или услуги, в том числе и произвести покупку (оплату) заказанного товара или услуги;

данные, на доступ к которым пользователю выдано разрешение на основании анализа предоставленной средством передачи 130 модели поведения 121.

Например, пользователь заходит на сервис онлайн-продаж бытовой техники, после чего средство передачи 130 передает сервису модель поведения пользователя 121, обученную на поисковых запросах пользователя. Предоставленная обученная модель поведения пользователя 121 будет впоследствии использоваться для идентификации пользователя и авторизации его на данном сервисе. На основании предоставленной обученной модели пользователя 121 и заранее подготовленных поисковых запросов по товарам, предоставляемых сервисом онлайн-продаж, определяется, какие из товаров более приоритетны указанному пользователю (в первую очередь, товары, на которые ведут поисковых запросы, на сопутствующие товары и т.д.), и на основании определенных товаров для указанного пользователя формируются каталоги и ценники.

Таким образом, пользователю предоставляется некоторая заранее подготовленная информация на основании его персональных данных (к примеру, поисковых запросов), без предоставления сервису самих поисковых запросов, а только модели поведения пользователя 121, обученной на указанных поисковых запросах, что в свою очередь повышает информационную безопасность персональных данных пользователя.

Еще в одном примере в качестве сервиса выступает рекламное агентство, предоставляющее через разные площадки (сайты разной тематики: новостные сайты, форумы, онлайн-магазины и т.д.) контекстную рекламу пользователям. Для более точной работы сервиса, т.е. для подбора более релевантной рекламы для каждого конкретного пользователя требуется анализ данных пользователя: данных о поведении пользователя на вычислительном устройстве и в сети, какими приложениями пользуется пользователь, какие запросы формирует, какие сайты посещает и т.д. Основная проблема работы сервиса заключается в сборе указанных данных, с одной стороны сбор многих данных без согласия пользователя незаконно, с другой стороны даже согласованный с пользователем сбор данных может привести к несанкционированному доступу к собранным данным, репутационным и финансовым рискам для пользователя. Поэтому для решения поставленной задачи хорошим решением является использование обученной на вычислительных устройствах пользователя модели поведения пользователя 121. Такая модель не содержит данных пользователя (в том числе и персональных данных), но при этом может использоваться для идентификации пользователя, предсказании его поведения, интересов и т.д.

Недостатком использования обученных моделей поведения пользователя 121 являются высокие требования к вычислительным ресурсам вычислительного устройства пользователя. Даже если обучение модели поведения пользователя на вычислительном устройстве пользователя осуществляется в реальном режиме времени, это может заметно для пользователя влиять на работу указанного вычислительного устройства как такового, а также на работу используемых пользователем приложений. К примеру, вычислительное устройство пользователя может работать медленнее, расход оперативной памяти быть выше, а время автономной работы для мобильных устройств ниже в случае, когда на вычислительном устройстве пользователя осуществляется обучение модели поведения пользователя 121.

В связи с указанными проблемами целесообразно использовать предварительно обученные модели поведения пользователя 121, для использования которых требуется лишь незначительное дообучение. Такой подход позволяет решить все упомянутые проблемы:

пользователю предоставляется модель поведения пользователя 121, предназначенная для формирования индивидуального содержимого 142 для пользователя конкретного сервиса, что значительно улучшает точность формирования указанного индивидуального содержимого 142;

обучение (дообучение) модели поведения пользователя 121 не приводит к передаче данных пользователя за вычислительное устройство (например, по компьютерной сети на специализированный сервис), что повышает информационную безопасность данных пользователя;

дообучение модели поведения пользователя 121, а не полноценное обучение модели поведения пользователя 121, снижает требования к вычислительным ресурсам вычислительного устройства пользователя.

В описанном выше примере рекламного агентства для разных площадок (сайтов) используются разные предобученные модели поведения пользователя 121. К примеру, для новостных сайтов предобучаются модели таким образом, чтобы учитывать поисковые запросы пользователей на интересующие их новости, определять какие темы наиболее интересны пользователям и т.д., на спортивных сайтах - таким образом, чтобы учитывать используемые на вычислительных устройствах пользователей спортивные приложения и т.д. Такие модели поведения пользователя 121 выдаются пользователям в качестве идентификаторов для посещения соответствующих сайтов (например, для получения индивидуальных новостей, доступа к форумам, личным кабинетам и т.д.) и затем предоставляются от пользователей соответствующим сайтам (при заходе на сайты, например с помощью специальных плагинов, установленных в браузерах), а от сайтов - рекламному агентству (сервису). На основании уже полностью обученных моделей поведения пользователя 121 рекламное агентство определяет какую именно рекламу требуется показывать для конкретного пользователя.

Дополнительно разные рекламные агентства (разные сервисы) могут обмениваться между собой указанными обученными и предобученными моделями поведения пользователя 121 для повышения точности формирования индивидуального содержимого для пользователя конкретного сайта.

Средство анализа 150 предназначено для сбора данных о действиях пользователя на сервисе, анализа статистики о действиях пользователя на сервисе на основании собранных данных и вынесения решения о необходимости переобучения модели поведения пользователя 121.

На основании того, какие именно действия выполняет пользователь (к примеру, какими товарами интересуется, какие покупки делает и т.д.) может быть вынесено решение о необходимости переобучения или дообучения модели поведения пользователя 121 с тем, чтобы при последующих посещениях сервиса для указанного пользователя формировалось более релевантное содержимое сервиса 142. Оценкой релевантности может служить как количественная характеристика времени, проведенного на сервисе, кол-во сделанных или отклоненных заказов, сообщений в службу поддержки и т.д.

В одном из вариантов реализации системы модель поведения пользователя 121 может формироваться (обучаться) не полностью, а дообучаться уже готовая, частично обученная модель поведения «универсального» пользователя. Например, в случае, когда обученная модель поведения пользователя 121 представляет собой нейронную сеть, дообучение заключается в корректировке весов слоев указанной нейронной сети на основании данных, полученных от средства формирования содержимого 140.

Например, в случае, когда в качестве сервиса выступает онлайн-магазин при первом посещении пользователем сайта онлайн-магазина в зависимости от тех действий, которые пользователя выполняет на сайте (например, какие каталоги просматривает, какие товары ищет и т.д.) для доступа к своему личному кабинету в данном онлайн-магазине пользователю предоставляется в качестве идентификатора уже предобученная модель поведения пользователя 121, учитывающая некоторые поисковые запросы, которые уже выполнял пользователь и настроенная на более точное предсказание того, что в указанном онлайн-магазине требуется данному пользователю. При этом при предварительном обучении модели поведения пользователя 121 учитывалось поведение большой группы людей со схожими запросами, поэтому с одной стороны указанная модель поведения пользователя 121 подходит большому кол-ву пользователей, а с другой стороны использование такой модели поведения пользователя 121 при формировании индивидуального содержимого для пользователя данного онлайн-магазина может приводить к менее корректным результатам. Поэтому и требуется дообучать предоставленную модель поведения 121 пользователя на вычислительном устройстве пользователя Таким образом частично снижаются требования к вычислительным ресурсам вычислительного устройства пользователя, и ускоряется обучение модели поведения пользователя за счет того, что не требуется проходить весь цикл обучения с большими обучающими выборками и т.д. При этом, если одна и та же первоначально обученная модель поведения пользователя 121 будет предоставлена двум разным пользователям, то после дообучения на их вычислительных устройствах в зависимости от действия пользователей, указанные две модели будет отличаться (см. выше).

Фиг. 2 представляет структурную схему способа формирования индивидуального содержимого для пользователя сервиса.

Структурная схема способа формирования индивидуального содержимого для пользователя сервиса содержит этап 210, на котором собирают данные о поведении пользователя, этап 220, на котором, обучают модель поведения пользователя, этап 230, на котором собирают данные о действиях пользователя, этап 240, на котором авторизуют пользователя на сервисе, этап 250, на котором формируют индивидуальное содержимое пользователя, этап 260, на котором анализируют статистику о действиях пользователя на сервисе.

На этапе 210 с помощью средства журналирования 110 собирают данные об использовании пользователем вычислительного устройства.

На этапе 220 с помощью средства обучения 120 обучают модель поведения пользователя 121 на основании собранных на этапе 210 данных таким образом, чтобы модель идентифицировала пользователя с заданным уровнем достоверности.

На этапе 230 с помощью средства анализа 150 собирают данные о действиях пользователя на сервисе.

На этапе 240 с помощью средства передачи 130 авторизуют пользователя на сервисе на основании результата сравнения предоставленной на этапе 220 модели поведения пользователя 121 с моделями из базы моделей поведения 131.

На этапе 250 с помощью средства формирования содержимого 140 формируют индивидуальное содержимое для пользователя сервиса 142 на основании заранее заданного окружения сервиса 141 с учетом предоставленной средством передачи 130 модели поведения 121.

На этапе 260 с помощью средства анализа 150 анализируют статистику о действиях пользователя на сервисе на основании собранных на этапе 230 данных и выносят решение о необходимости переобучения модели поведения пользователя 121.

Фиг. 3 представляет пример компьютерной системы общего назначения, персональный компьютер или сервер 20, содержащий центральный процессор 21, системную память 22 и системную шину 23, которая содержит разные системные компоненты, в том числе память, связанную с центральным процессором 21. Системная шина 23 реализована, как любая известная из уровня техники шинная структура, содержащая в свою очередь память шины или контроллер памяти шины, периферийную шину и локальную шину, которая способна взаимодействовать с любой другой шинной архитектурой. Системная память содержит постоянное запоминающее устройство (ПЗУ) 24, память с произвольным доступом (ОЗУ) 25. Основная система ввода/вывода (BIOS) 26, содержит основные процедуры, которые обеспечивают передачу информации между элементами персонального компьютера 20, например, в момент загрузки операционной системы с использованием ПЗУ 24.

Персональный компьютер 20 в свою очередь содержит жесткий диск 27 для чтения и записи данных, привод магнитных дисков 28 для чтения и записи на сменные магнитные диски 29 и оптический привод 30 для чтения и записи на сменные оптические диски 31, такие как CD-ROM, DVD-ROM и иные оптические носители информации. Жесткий диск 27, привод магнитных дисков 28, оптический привод 30 соединены с системной шиной 23 через интерфейс жесткого диска 32, интерфейс магнитных дисков 33 и интерфейс оптического привода 34 соответственно. Приводы и соответствующие компьютерные носители информации представляют собой энергонезависимые средства хранения компьютерных инструкций, структур данных, программных модулей и прочих данных персонального компьютера 20.

Настоящее описание раскрывает реализацию системы, которая использует жесткий диск 27, сменный магнитный диск 29 и сменный оптический диск 31, но следует понимать, что возможно применение иных типов компьютерных носителей информации 56, которые способны хранить данные в доступной для чтения компьютером форме (твердотельные накопители, флеш карты памяти, цифровые диски, память с произвольным доступом (ОЗУ) и т.п.), которые подключены к системной шине 23 через контроллер 55.

Компьютер 20 имеет файловую систему 36, где хранится записанная операционная система 35, а также дополнительные программные приложения 37, другие программные модули 38 и данные программ 39. Пользователь имеет возможность вводить команды и информацию в персональный компьютер 20 посредством устройств ввода (клавиатуры 40, манипулятора «мышь» 42). Могут использоваться другие устройства ввода (не отображены): микрофон, джойстик, игровая консоль, сканер и т.п. Подобные устройства ввода по своему обычаю подключают к компьютерной системе 20 через последовательный порт 46, который в свою очередь подсоединен к системной шине, но могут быть подключены иным способом, например, при помощи параллельного порта, игрового порта или универсальной последовательной шины (USB). Монитор 47 или иной тип устройства отображения также подсоединен к системной шине 23 через интерфейс, такой как видеоадаптер 48. В дополнение к монитору 47, персональный компьютер может быть оснащен другими периферийными устройствами вывода (не отображены), например, колонками, принтером и т.п.

Персональный компьютер 20 способен работать в сетевом окружении, при этом используется сетевое соединение с другим или несколькими удаленными компьютерами 49. Удаленный компьютер (или компьютеры) 49 являются такими же персональными компьютерами или серверами, которые имеют большинство или все упомянутые элементы, отмеченные ранее при описании существа персонального компьютера 20, представленного на Фиг. 3. В вычислительной сети могут присутствовать также и другие устройства, например, маршрутизаторы, сетевые станции, пиринговые устройства или иные сетевые узлы.

Сетевые соединения могут образовывать локальную вычислительную сеть (LAN) 50 и глобальную вычислительную сеть (WAN). Такие сети применяются в корпоративных компьютерных сетях, внутренних сетях компаний и, как правило, имеют доступ к сети Интернет. В LAN- или WAN-сетях персональный компьютер 20 подключен к локальной сети 50 через сетевой адаптер или сетевой интерфейс 51. При использовании сетей персональный компьютер 20 может использовать модем 54 или иные средства обеспечения связи с глобальной вычислительной сетью, такой как Интернет. Модем 54, который является внутренним или внешним устройством, подключен к системной шине 23 посредством последовательного порта 46. Следует уточнить, что сетевые соединения являются лишь примерными и не обязаны отображать точную конфигурацию сети, т.е. в действительности существуют иные способы установления соединения техническими средствами связи одного компьютера с другим.

В заключение следует отметить, что приведенные в описании сведения являются примерами, которые не ограничивают объем настоящего изобретения, определенного формулой.

1. Система формирования индивидуального содержимого для пользователя сервиса, которая содержит:

а) средство журналирования, предназначенное для сбора данных об использовании пользователем вычислительного устройства;

б) средство обучения, предназначенное для обучения модели поведения пользователя на основании собранных данных;

в) средство передачи, предназначенное для передачи обученной модели средству формирования содержимого;

г) средство формирования содержимого, предназначенное для формирования индивидуального содержимого для пользователя сервиса на основании заранее заданного окружения сервиса с учетом предоставленной средством передачи модели поведения.

2. Система по п. 1, в которой данные о поведении пользователя описывают по меньшей мере:

• приложения, с которыми работает пользователь, время работы пользователя в указанных приложениях, выполняемые пользователем действия в указанных приложения;

• поисковые запросы пользователя;

• сайты, которые посещает пользователь, выполняемые пользователем действия на указанных сайтах;

• заполненные пользователем формы.

3. Система по п. 1, в которой модель поведения пользователя обучают таким образом, чтобы указанная модель идентифицировала пользователя с заданным уровнем достоверности.

4. Система по п. 1, в которой модель поведения пользователя представляет собой нейронную сеть с весами, которая используется для предсказания последующего поведения пользователя.

5. Система по п. 1, в которой база моделей поведения содержит модели поведения пользователя, собранные при регистрации пользователя на сервисе.

6. Система по п. 1, в которой средство передачи передает обученную модель поведения пользователя средству формирования содержимого по меньшей мере:

• с заранее заданной периодичностью;

• по запросу средства формирования содержимого.

7. Система по п. 1, в которой средство передачи дополнительно предназначено для авторизации пользователя на сервисе на основании результата сравнения предоставленной средству формирования содержимого модели поведения пользователя с моделями из базы моделей поведения.

8. Система по п. 7, в которой для сравнения двух моделей поведения применяют по меньшей мере:

• матрицы диаграмм рассеяния;

• индивидуальные диаграммы рассеяния;

• тесты статистической значимости.

9. Система по п. 1, в которой в качестве заданного окружения сервиса выступает по меньшей мере:

• список товаров и услуг, доступ к которым может быть предоставлен пользователю;

• данные, на доступ к которым пользователю выдано разрешение на основании анализа предоставленной средством передачи модели поведения.

10. Способ формирования индивидуального содержимого для пользователя сервиса, при этом способ содержит этапы, которые реализуются с помощью средств из системы по п. 1 и на которых:

а) собирают данные об использовании пользователем вычислительного устройства;

б) обучают модель поведения пользователя на основании собранных данных таким образом, чтобы модель идентифицировала пользователя с заданным уровнем достоверности;

в) формируют индивидуальное содержимое для пользователя сервиса на основании заранее заданного окружения сервиса с учетом предоставленной средством передачи модели поведения.

11. Способ по п. 10, по которому данные о поведении пользователя описывают по меньшей мере:

• приложения, с которыми работает пользователь, время работы пользователя в указанных приложениях, выполняемые пользователем действия в указанных приложения;

• поисковые запросы пользователя;

• сайты, которые посещает пользователь, выполняемые пользователем действия на указанных сайтах;

• заполненные пользователем формы.

12. Способ по п. 10, по которому модель поведения пользователя обучают таким образом, чтобы указанная модель идентифицировала пользователя с заданным уровнем достоверности

13. Способ по п. 10, по которому модель поведения пользователя представляет собой нейронную сеть с весами, которая используется для предсказания последующего поведения пользователя.

14. Способ по п. 10, по которому передают обученную модель поведения пользователя средству формирования содержимого по меньшей мере:

• с заранее заданной периодичностью;

• по запросу средства формирования содержимого.

15. Способ по п. 10, по которому база моделей поведения содержит модели поведения пользователя, собранные при регистрации пользователя на сервисе.

16. Способ по п. 10, по которому дополнительно перед формированием индивидуального содержимого для пользователя сервиса авторизуют пользователя на сервисе на основании результата сравнения предоставленной средством передачи модели поведения пользователя с моделями из базы моделей поведения.

17. Способ по п. 16, по которому для сравнения двух моделей поведения применяют по меньшей мере:

• матрицы диаграмм рассеяния;

• индивидуальные диаграммы рассеяния;

• тесты статистической значимости.

18. Способ по п. 10, по которому в качестве заданного окружения сервиса выступает по меньшей мере:

• список товаров и услуг, доступ к которым может быть предоставлен пользователю;

• данные, на доступ к которым пользователю выдано разрешение на основании анализа предоставленной модели поведения.