个性化趋势图像搜索建议背景
图像搜索现在得到大多数搜索引擎的支持。传统上，用户在浏览器中输入
基于文本的搜索而搜索引擎返回与搜索项有关的图像。而且，一些搜索引擎为
用户针对基于文本的搜索或基于图像的搜索提供建议的搜索项。例如，一些传
统web浏览器显示可选图像和/或文本描述的列表或阵列。在一些现有解决方案
中，用户可点击这些图像/文本描述来启动搜索或以其它方式获得关于所点击表
示的更多信息。通常，这些表示被提供给浏览器或站点的所有用户，一般因为
其相关性或流行度。这些传统系统不向用户提供个性化。
概述
本公开描述了用于提供个性化的基于图像的搜索建议的系统和方法。在至
少一个示例中，算法根据趋势图像搜索确定个性化图像搜索，以提供针对特定
用户的个性化趋势图像搜索建议。本文描述的技术还可从多个候选图像生成一
个或多个代表性图像，以表示(多个)个性化趋势图像搜索中的每一个。代表
性图像可基于相应图像的查看次数的增加以及其它信息来从候选图像中选择。
提供本概述以便以简化的形式介绍以下在详细描述中进一步描述的一些
概念。本发明内容不旨在标识所要求保护的主题的关键或必要特征，也不旨在
用于帮助确定所要求保护的主题的范围。例如术语“技术”可指代上述上下文和
通篇文档中所准许的系统、方法、计算机可读指令、模块、算法、硬件逻辑和
/或操作。
附图简述
参考附图来描述具体实施方式。在附图中，附图标记最左边的数字标识该
附图标记首次出现的附图。不同附图中的相同参考标记指示相似或相同的项。
图1是描绘用于实现在此描述的个性化趋势图像搜索的示例环境的框图。
图2是描绘分布式计算资源的示例计算设备的框图。
图3是描绘可执行个性化趋势图像搜索建议的示例处理架构的框图。
图4是解说与其它方法相比，在此描述的技术的有效性。
详细描述
概览
此处描述的示例通过使用包括例如处理单元和加速器的资源来建议个性
化的、趋势图像搜索查询来提供用于改变用户体验的技术和构造。可使用专用
的编程和/或用指定指令来编程以实现指定功能的硬件来实现这样的资源。例如，
资源可具有不同的执行模型，诸如在用于图形处理单元(GPU)和计算机处理
单元(CPU)的情况下。
用户通常通过在与搜索引擎相关联的搜索框中输入短查询(诸如一个或多
个搜索项)来探索网络。这种类型的传统搜索已被用于返回基于文本的结果，
例如，文本链接的列表，以及返回图像。更近期以来，一些web界面已经开始
通过提供指示某个当前主题或有报道价值的事件的可选图像来建议搜索。在这
样的系统中，登录到与搜索引擎相关联的web界面的每个用户被呈现相同的一
个或多个可选图像。略微的变化将考虑用户的地理位置并定制可选图像以包括
本地人可能感兴趣的图像。在这些现有系统中，选择那些图像之一可通过搜索
引擎启动查询或可将用户定向到与该图像相关联的站点。当然，每个用户在访
问搜索引擎或以其它方式与web对接时具有独特的偏好和搜索目标。此处描述
的系统可向访问搜索引擎或web界面的用户提供多个个性化图像，每个个性化
图像表示一(针对该用户的)个性化搜索建议。此处描述的技术还标识趋势图
像搜索，即，在流行度或频率上增加的搜索，以向用户提供最新的体验。所述
技术随后可向那些趋势图像搜索应用个性化算法。
在各示例中，在此描述的用于建议个性化趋势图像搜索的算法可通过审阅
图像搜索日志将图像搜索查询标识为趋势性的。在这些示例中，用户允许访问
关于其搜索历史的信息。贯穿本公开，用户具有允许其图像搜索查询被使用的
选项。此处描述的技术可容易地针对高容量用户(例如具有大规模搜索历史的
用户)从趋势搜索查询中标识搜索，因为可能有关于该用户的大量信息。在其
它实现中，更可能的是该用户搜索历史是相对稀少的，且从而关于用户的偏好
仅有有限的知识。在一些示例中，不具有搜索历史或者选择不允许访问其搜索
历史的用户可能不受益于此处描述的技术。相反，其体验可能是上面描述的传
统体验之一。在其它示例中，基于做出相同或类似查询的其它用户的图像搜索
查询，此处描述的技术可针对不具有搜索历史或选择不允许访问其搜索历史的
用户应用。在各示例中，用于建议图像搜索的算法查看具有类似搜索的其它用
户的搜索历史以确定趋势图像搜索查询的个性化。在至少一个示例中，所述技
术考虑其它用户的图像搜索查询的点击信息并应用矩阵因子分解技术来确定
所有趋势搜索中的个性化趋势搜索。
此处描述的技术可响应于个性化趋势图像搜索针对所确定的个性化趋势
图像搜索中的每一个从多个候选图像中选择显示给该用户的相应图像。在一些
示例中，所述技术基于多个属性对候选图像打分或排名，具有最高得分或排名
的图像被用作代表性图像，即，以呈现给用户。例如，用于选择用于呈现给用
户的代表性图像的算法可基于其相关性、其一致性、其点击的属性(诸如点击
的增加或总数)、和/或其它来对图像打分或排名。在一些实现中，代表性图像
可最佳地视觉表示理解图像搜索查询为趋势图像搜索查询的理由。
个性化趋势图像搜索建议框架的示例在以下描述和附图中被更详细地呈
现。
在带有具有2100万用户和在两周周期上具有4100万查询的大规模搜索日
志的商业图像搜索引擎上采用此处描述的技术的实施例表明：与5个基线——
最流行候选(MPC)模型、个人频率(PF)加上MPC模型、基于项的写作过
滤(IBCF)方法、单向量分解(SVD)模型、以及加权归一化矩阵因子分解(WRMF)
方法——相比，此处描述的框架相对于现有系统提供了最多50％的更好的查询
预测。示例实验结果在以下附图的描述中被更详细地呈现。
此处描述的示例提供了适用于建议个性化趋势图像搜索查询并呈现代表
所建议的个性化图像搜索查询中的每一个的至少一个图像的技术和构造。在各
个实例中，经由来自模块或API的编程配置的以执行在此描述的各技术的处理
单元可包括GPU、现场可编程门阵列(FPGA)、另一类别的数字信号处理器
(DSP)或在一些实例中可由CPU驱动的其他硬件逻辑组件。例如，但非限制，
可被使用的硬件逻辑组件的说明性类型包括专用集成电路(ASIC)、专用标准
产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。
进一步参考图1-4来描述各示例、场景和方面。
说明性环境
图1显示了其中个性化趋势图像搜索建议的示例可操作的示例环境100。
在一些示例中，环境100的各个设备和/或组件包括可相互通信以及经由一个或
多个网络104与外部设备通信的分布式计算资源102。
例如，网络104可包括诸如因特网之类的公共网络、诸如机构和/或个人内
联网的专用网络、或专用和公共网络的某种组合。网络104还可包括任何类型
的有线和/或无线网络，包括但不限于局域网(LAN)、广域网(WAN)、卫
星网络、有线网络、Wi-Fi网络、WiMax网络、移动通信网络(如3G、4G等
等)或它们的任意组合。网络104可利用通信协议，包括基于分组的和/或基于
数据报的协议，如网际协议(IP)、传输控制协议(TCP)、用户数据报协议
(UDP)或其他类型的协议。而且，网络104还可包括便于网络通信和/或形成
网络的硬件基础的若干设备，如交换机、路由器、网关、接入点、防火墙、基
站、中继器、主干设备等等。
在一些示例中，网络104可进一步包括能够实现到无线网络的连接的设备，
诸如无线接入点(WAP)。网络可支持通过WAP的连接性，WAP经由各个电
磁频率(例如，无线电频率)来发送和接收数据，包括支持电气和电子工程师
协会(IEEE)802.11标准(例如，802.11g、802.11n等)和其他标准的WAP。
在各个示例中，分布式计算资源102包括设备106(1)－106(N).在本
公开的实现中，分布式计算资源102包括搜索引擎或结合搜索引擎操作。各示
例支持以下场景：其中设备106可包括一个或多个可在群集中操作或在其他分
组的配置中操作以共享资源、平衡负载、提升性能、提供故障转移支持或冗余
或出于其他目的的计算设备。设备106可属于各种各样的类别或分类的设备，
诸如传统的服务器类型设备、桌面计算机类型设备、移动类型设备、专用类型
设备、嵌入式类型设备和/或可穿戴类型设备。由此，虽然示出为桌面计算机，
但是设备106可包括多种多样的设备类型并不限于特定类型的设备。设备106
可表示但不限于：台式计算机、服务器计算机、web服务器计算机、个人计算
机、移动计算机、膝上型计算机、平板计算机、可穿戴计算机、植入计算设备、
电信设备、车载计算机、启用网络的计算机、瘦客户机、终端、个人数据助理
(PDA)、游戏控制台、游戏设备、工作站、媒体播放器、个人录像机(PVR)、
机顶盒、相机、用于包括在计算设备内的集成组件、家用电器、或任何其他类
型的计算设备。
设备106可包括任何具有诸如经由总线112可操作地连接到计算机可读介
质110的一个或多个处理单元108的计算设备，总线112在一些实例中可包括
系统总线、数据总线、地址总线、PCI总线、迷你PCI总线以及任何各种本地、
外围和/或独立总线中的一个或多个。存储在计算机可读介质110上的可执行指
令可包括例如操作系统114、个性化趋势图像搜索建议框架116和/或可由处理
单元108加载并执行的其他模块、程序或应用。作为替代或除此之外，本文
所描述的功能可至少部分地由一个或多个硬件逻辑组件(诸如加速器)来执行。
例如但非限制，说明性的可被使用的硬件逻辑组件的类型包括FPGA、ASIC、
ASSP、SOC、CPLD等。例如，加速器可表示混合设备，诸如来自包括内嵌在
FPGA结构中的CPU资源的ZYLEX或ALTERA的一个。
设备106还可包括一个或多个使得能够在设备106和其他联网设备(诸如
(诸)客户端计算设备120或(诸)其他设备106)之间进行通信的网络接口
118。这样的网络接口118可包括一个或多个网络接口控制器(NIC)或其他类
型的用于经由网络发送和接收通信的收发机设备。为了简明起见，其他组件从
所示设备106中省略。
可在在此描述的个性化图像搜索建议系统中涉及客户端计算设备120。客
户端计算设备120被解说为多个设备120(1)-120(N)。设备120可属于各种各样
的类别或分类的设备，其可与设备106相同或不同，诸如传统的客户端类型设
备、台式计算机类型设备、移动类型设备、专用类型设备、内嵌式类型设备和
/或可穿戴类型设备。由此，虽然被示为移动计算设备(其可具有比设备106少
的计算资源)，但是客户端计算设备120可包括多种多样的设备类型并不限于
任何特定类型的设备。客户端计算设备120可包括但不限于，计算机导航类型
客户端计算设备120(1)(诸如基于卫星的导航系统(包括全球定位系统(GPS)
设备)和其他基于卫星的导航系统设备)、诸如移动电话的电信设备120(2)、
平板计算机120(3)、移动电话/平板混合设备、个人数据助理(PDA)120(4)、
膝上型计算机120(5)、其他移动计算机、可穿戴计算机、植入计算设备、台式
计算机、个人(例如，台式)计算机、车载计算机、启用网络的电视、瘦客户
机、终端、游戏控制台、游戏设备、工作站、媒体播放器、个人录像机(PVR)、
机顶盒、相机、用于包括在计算设备内的集成组件、家用电器、或任何被配置
为接收用户输入的其他类型的计算设备。一般而言，设备120中的每一个可以
是提供浏览功能性的任何设备，例如以与在分布式计算资源102上操作或结合
分布式计算资源102操作的搜索引擎通信。
还示出两个用户122A、122B，每个用户与多个客户端计算设备120相关
联。在其它实现中，用户122可仅与设备120之一相关联，或与单一用户122
相关联的多个设备120可存储不同的信息。例如，在本公开的上下文中，用户
122可在多个设备120的每一个上具有不同的浏览或搜索历史，或该多个设备
中的一个或多个设备可被关联以使得该用户在所述设备120之一上的浏览或搜
索历史也被归功于一个或多个其它设备120。在一些实现中，用户122还可或
替换地可包括用户的一个或多个被指派者，诸如用户的助手、用户的管理者、
用户的配偶、用户的父母和/或用户给予其许可来访问特定用户的客户端设备
120的另一实体。
各种类别或分类或设备类型的客户端计算设备120(诸如所示移动电话
120(2)和平板计算机120(3))可表示任何类型的具有诸如经由总线128可操作
地连接到计算机可读介质126的一个或多个处理单元124的计算设备，总线112
在一些实例中可包括系统总线、数据总线、地址总线、PCI总线、迷你PCI总
线以及任何各种本地、外围和/或独立总线中的一个或多个。
存储在计算机可读介质126上的可执行指令可包括例如操作系统130和/
或可由处理单元124加载并执行的模块、程序或应用。作为替代或除此之外，本
文所描述的功能可至少部分地由一个或多个硬件逻辑组件(诸如加速器)来执行。
例如但非限制，说明性的可被使用的硬件逻辑组件的类型包括FPGA、ASIC、ASSP、
SOC、CPLD等。例如，加速器可表示混合设备，诸如来自包括内嵌在FPGA结构中
的CPU资源的ZYLEX或ALTERA的一个。
客户端计算设备120中的每一个还包括允许与分布式计算资源102通信(诸如
与在分布式计算资源102上操作的搜索引擎通信)的浏览器132。例如，浏览器132
可促进搜索查询的提交。浏览器132可以是任何合适类型的web浏览器，包括但不
限于Internet或允许提交对视觉搜索的查询
的其它类型的软件。
客户端计算设备120还可包括一个或多个使得能够经由网络104在相应客
户端计算设备120和其他联网设备(诸如其他客户端计算设备120(例如，来
在单个用户122所拥有的多个设备120之间共享和/或关联信息)或设备106)
之间进行通信的网络接口134。这样的网络接口134可包括一个或多个网络接
口控制器(NIC)或其他类型的用于经由网络发送和接收通信的收发机设备。
在一个示例中，客户端计算设备120可从个性化趋势图像搜索建议框架接收关
于个性化趋势图像搜素查询的信息，包括关于用于显示给用户的代表性图像的
信息。
图2是描绘了分布式计算资源(诸如来自图1的设备106)的示例计算设备200
的框图。在设备200中，可以是图1的处理单元108的一个或多个处理单元202可
表示例如CPU类型处理单元、GPU类型处理单元、FPGA、另一分类的数字信号处
理器(DSP)或可在一些实例中由CPU驱动的其他硬件逻辑组件。例如但非限制，
说明性的可被使用的硬件逻辑组件的类型包括ASIC、ASSP、SOC、CPLD等。
在一些示例中，可以是图1的计算机可读介质110的计算机可读介质204
可存储可由如以上描述的可表示合并在设备200中的处理单元的处理单元202
执行的指令。计算机可读介质204还可存储可由外部处理单元(诸如由外部CPU、
外部GPU)执行的和/或可由外部加速器(诸如FPGA类型加速器、DSP类型
加速器)或任何其他内部或外部加速器执行的指令。在各个示例中，至少一个
CPU、GPU和/或加速器被合并到设备200中，而在一些示例中，CPU、GPU
和/或加速器中的一个或多个是在设备200外部的。
在示出的示例中，计算机可读介质204还包括数据存储206。在一些示例
中，数据存储206包括诸如数据库、数据仓库、或其他类型的结构化或非结构
化数据存储之类的数据存储。在一些示例中，数据存储206包括语料库和/或具
有一个或多个表格、索引、存储的过程等的关系数据库以实现包括例如超文本
标记语言(HTML)表格、资源描述框架(RDF)表格、web本体语言(OWL)
表格和/或可扩展标记语言(XML)表格的数据访问。数据存储206可存储数
据以用于对计算机可读介质204中所存储的和/或由处理单元和/或加速器202
执行的进程、应用、组件、和/或模块的操作。该数据存储可存储与搜索有关的
数据，诸如查询日志、点击信息、搜索结果等。这种与搜索有关的数据可与搜
索引擎相关联或可与其它搜索相关联，包括但不限于本地搜索或网络上的搜索。
以上提到的数据中的一些或全部可被存储在一个或多个处理单元202板载上的
分开的存储器208上，诸如在CPU类型处理器、GPU类型处理器、FPGA类型
加速器、DSP类型加速器和/或另一加速器板载上的存储器。
设备200还可包括一个或多个输入/输出(I/O)接口210，以允许设备200
与输入/输出设备进行通信，输入/输出设备诸如包括外围输入设备(例如，键
盘、鼠标、笔、游戏控制器、语音输入设备、触摸输入设备、姿势输入设备等)
的用户输入设备和/或包括外围输出设备(例如，显示器、打印机、音频扬声器、
触觉输出等)的输出设备。此外，在设备200中，可以是图1中显示的网络接
口118的一个或多个网络接口212可表示例如网络接口控制器(NIC)或其他
类型的用于经由网络发送和接收通信的收发机设备。
在示出的示例中，计算机可读介质204包括操作系统214，其可以是图1
的操作系统114。计算机可读介质204还包括个性化趋势图像搜索建议框架116。
框架116可包括一个或多个模块和/或API，它们被示为框216、218、220、222、
224和226，但是这仅仅是一个示例，数量可变得更高或更低。与框216、218、
220、222、224、和226相关联地描述的功能可被组合以由更少数量的模块和/
或API执行，或它可被划分并由更多数量的模块和/或API执行。
在图示中，框216一般表示图像搜索查询储存库模块，该模块具有用于对
处理单元202编程以提取一个或多个图像搜索查询的逻辑，所述图像搜索查询
可以是来自查询日志的查询。查询日志例如可被存储在数据存储206中或外部
数据存储中。在一些示例中图像搜索查询储存库模块216进一步包括用于在与
各个客户端设备120和/或各个用户(例如用户122A和122B)相关联的搜索查
询之间进行区分的逻辑。例如，图像搜索查询储存库模块可读取与搜索查询相
关联的标识做出所述查询的设备120或用户122的日志、头部、设备标识符(ID)、
或其它信息。
框218一般表示趋势图像搜索查询检测模块，该模块具有用于对处理单元
202编程以检测正成为趋势的图像搜索查询的逻辑。在至少一个实施例中，趋
势图像搜索查询检测模块考虑图像搜索查询日志中关于图像搜索的统计数据
并标识具有高频率的预定数量的图像搜索查询。这些图像查询可被认为是正成
为趋势的图像搜索查询。然而，在其它实现中，趋势图像搜索查询检测模块218
可计算这些图像搜索查询中的被标识为具有高频率的每个图像搜索查询的得
分(诸如下面详细描述的“BuzzScore(噪杂度得分)”)。可基于各搜索查询
的得分对搜索查询进行排名。根据查询的排名，可标识出趋势图像搜索查询，
例如，将其标识为具有靠前得分的查询或具有高于阈值得分的得分的查询。
框220表示个性化趋势搜索标识模块，该模块用于对处理单元202编程以
将所述趋势图像搜索查询中的一个或多个标识为针对所标识的用户个性化的
趋势图像搜索查询、或个性化趋势图像搜索查询的逻辑。在至少一个实现中，
模块220查明所标识用户的搜索日志数据，诸如通过对本地数据存储206或远
程数据存储的访问，并将针对用户的搜索日志数据与趋势图像搜索查询相比较。
例如，当趋势图像搜索查询与前一用户搜索紧密相关时，模块220可将该趋势
图像搜索查询标识为所标识的用户的个性化趋势图像搜索查询。
在一些示例中，除了关于所标识用户的信息之外，还可使用来自搜索日志
的关于来自其它用户的搜索查询的信息来标识个性化趋势图像搜索查询。例如，
模块220可利用关于来自其它用户的搜索查询的信息来标识具有类似于所标识
用户的搜索查询的搜索查询的用户。该其它用户的其它搜索查询随后可形成用
于标识个性化趋势图像搜索查询的基础。
框222表示候选图像生成模块，该模块具有用于对处理单元202编程以生
成代表趋势图像搜索查询的候选图像的逻辑。更具体而言，模块222可针对个
性化趋势图像搜索查询中的每一个标识多个候选图像。例如，如果特定棒球运
动员的名字被标识为个性化趋势图像搜索查询，则该棒球运动员的图像可被标
识为候选图像。
框224一般性地示出代表性图像选择模块，该模块具有用于对处理单元202
编程以将候选图像的一子集(例如一个候选图像)选择为代表性图像以在用户
的客户端设备120上呈现给所标识的用户的逻辑。代表性图像可基于相应候选
图像的多个属性选择。例如，代表性图像可基于其与搜索查询的相关性(所述
相关性可作为用户点击该图像的次数)和/或基于其视觉一致性来选择。在至少
一个实施例中，该选择进一步基于该图像的突发性。一般而言，突发性描述了
该图像的趋势性且可将该图像的点击的加速或增加纳入考虑。下面更详细描述
了一种用于计算突发性的方法。在一些示例中，模块224可包括候选图像打分
模块，该模块具有对处理单元202编程以生成每个图像的得分的逻辑，所述得
分可以是从图像的相关性、视觉一致性、突发性和/或其它特征中的一者或多者
得到的综合得分。代表性图像可被选择以最佳地促进用户对趋势搜索的原因的
理解。即，代表性图像可因其传达图像搜索查询所隐含的事件的能力而被选择。
框226表示输出模块，该模块具有对设备200的处理单元202编程以导致
代表性图像被呈现到输入/输出接口210和/或网络接口212的逻辑。
总线228可操作地将计算机可读介质204连接到处理单元202，总线234
可以是总线112并且在一些实例中其可包括系统总线、数据总线、地址总线、
PCI总线、迷你PCI总线以及任何各种本地、外围和/或独立总线中的一个或多
个。
图3是描述了个性化趋势图像搜索查询框架216可执行来促进图像搜索查
询建议的过程的示例架构300的框图。架构300的各个部分可经由离线处理和
/或经由查询时处理来完成。在一些示例中，个性化趋势图像搜索建议框架116
将执行所有处理，无论离线还是查询时。在其它实现中，架构300的部分或全
部可在设备120处执行。
架构300包括在302接收用户标识信息。用户标识信息包括唯一标识用户
122或被用户122用来经由浏览器132访问(诸)分布式计算资源的设备120
的任何信息。例如，(诸)设备120中的每一个可具有唯一标识，在该设备使
用浏览器132时查明该唯一标识。用户标识信息可构成例如设备120标识。在
一些实现中，用户标识信息可构成关于用户122的身份的信息。例如，使用(诸)
设备120的用户可登录到浏览器或以其它方式提供标识信息，该标识信息可被
(诸)分布式计算资源102使用。出于个性化趋势图像搜索建议框架116的目
的，如将在下面更详细地描述的，用户标识信息将所标识的用户与搜索查询相
关联。如本文使用的，“所标识的用户”可指代用户或设备120。
架构300包括对历史图像搜索查询数据304上的操作，该数据可被存储在
数据存储206中或别处。在实验中，搜索查询数据304包括来自商业图像搜索
引擎的大规模搜索日志(在两周中具有2100万用户和4100万查询)。搜索查
询数据304一般包括至少用户搜索查询、做出该查询的用户的标识、以及与用
户搜索查询相关联的结果。在一些实现中，搜索查询数据304还包括与搜索查
询相关联的点击信息。
在框306，架构300接收图像搜索查询数据304，且在308架构300可标
识趋势图像搜索查询。图像搜索查询一般因为其频率的近期增加而被标识为趋
势性的。在至少一个实现中，趋势图像搜索查询的标识可包括仅标识特定时间
段上预定数量的最频繁搜索。在一些实现中，确定特定数量的最频繁搜索，且
针对这些最频繁搜索中的每一个计算一度量(在此处在一些实例中被称为
“BuzzScore)。”随后，具有最高BuzzScore的那些频繁搜索被标识为趋势图像
搜索查询。在实验中，10000个最频繁的搜索被标识且BuzzScore被针对那10000
个搜索中的每一个确定。同样在那些实验中，具有100个最高BuzzScore的那
些搜索查询被标识为趋势图像搜索查询。
在一些实现中，BuzzScore可使用等式(1)计算：
B u z z S c o r e ( q j ) = Σ s = d - 1 d - n 1 d - s ( P ( q j | Q d ) - P ( q j | Q s ) ) - - - ( 1 ) ]]>
其中P(qj|Qd)是查询qj在日期d的给定查询集Qd中的可能性。等式(1)
采用加权总和来聚集若干天内的信息中的所有差异。以此方式，在308标识趋
势图像搜索查询可检测在一时刻(例如，在该时刻)具有剧烈提升的流行度的
搜索。在一些实现中，可使用最大差异，即max{P(qk|Qd)-P(qj|Qs)}，尽管
这种方法不能将在考虑下的时间框架中更近期获得其流行度的那些搜索查询
与在该时间框架中更早具有流行度中的尖峰的查询进行区分。在实验中，加权
总和方法比最大差异方法执行得更好。
为了在308标识趋势图像搜索查询，架构300还可选择代表具有类似语义
的查询组的代表搜索。例如，在框306对BuzzScore的计算可进一步采用一般
化计数概念。在一般化计数概念中，如果第二查询qj2是第一查询qj1的子串，
则qj1给出qj2的一般化计数。所以，例如，对“总统巴拉克奥巴马”的搜索
提供了对搜索查询“巴拉克奥巴马”的一般化计数。在等式(1)中计算的
BuzzScore从而可如等式(2)所示地被修改：
BuzzScore′(qj)＝BuzzScorexlog(1+v(qj，d)+v*(qj，d))(2)
其中v(qj，d)是在日期d期间查询qj的计数，而v*(qj，d)是在日期d期间
查询qj的一般化计数。趋势图像搜索查询可被标识为具有最高BuzzScore’的查
询的数量，或具有高于阈值得分的BuzzScore’的那些查询的数量。
架构300进一步包括个性化趋势图像搜索查询310。简言之，310表示确
定在308确定的趋势图像搜索中的哪些搜索是所标识用户最感兴趣的。架构300
可在302接收关于用户的信息，并确定该信息和趋势图像搜索查询之间的关系。
例如，根据该信息可学习到：该用户对“芭蕾”和“美国政治”感兴趣，且310
将确定与这些主题有关的趋势图像搜索查询。
在一些实现中，310将使用来自图像搜索查询数据304的信息来个性化趋
势图像搜索查询。来自图像搜索查询数据304的这种信息可包括所标识用户的
搜索历史。然而，每个个体用户的搜索日志数据经常是稀缺的，且从而可提供
关于用户的非常有限的信息。相应地，架构300可利用关于所标识用户之外的
用户的搜索历史信息。更具体而言，步骤310可标识与所标识用户所做的查询
相同或类似的搜索查询。那些用户所做的其它搜索随后可被用作标识所标识用
户可能感兴趣的其它主题的起点。与那些其它搜索相关联的点击数据可建议哪
些查询是所述用户特别感兴趣的，而没有被点击的那些查询可能是不感兴趣的，
尽管对那些查询的兴趣未被明确地知晓。从而，点击信息主要仅提供了肯定数
据(positivedata)(即，仅被点击的查询)，这类似于单类协同过滤(OCCF)
问题。在一些情况下，OCCF问题已使用矩阵因子分解解决。在使用本文描述
的技术的实验中，也可使用矩阵因子分解，因为建议目标是趋势搜索，趋势搜
索的本性就是在短时间段期间由许多用户发出。没有稀缺性问题。在至少一个
实施例中，权重归一化矩阵因子分解可如等式(3)中所示的那样公式化：
J ( U , Q t ) = Σ i , j W i , j ( R i , j - u i T q j t ) 2 + λ ( | | U | | F 2 + | | Q t | | F 2 ) - - - ( 3 ) ]]>
其中R是点击矩阵，Ri，j＝1指示用户ui发出了训练集中的查询qj，而
(uo，qj)被称为肯定对(positivepair)。Ri，j＝0指示用户ui没有发出训练集中的
查询qj，而(ui，qj)被称为否定对(negativepair)。λ由交叉验证来决定，且在
实验中被设置为0.01。U＝[u1…ui…u||U||]是用户矩阵，其中ui是用户ui的
兴趣，作为z向量。z是潜在主题的数量。是趋势搜索
矩阵，其中是趋势搜索的潜在属性且是z×1向量。Qt是趋势搜索集，
且W是控制肯定对的重要性的权重矩阵，由等式(4)限定：
W i j = 1 R i j = 1 W i j n R i j = 0 - - - ( 4 ) ]]>
其中应当小于1，因为肯定对更显著，以避免失衡问题。
在此示例中，仅趋势搜索被用作目标矩阵。因为趋势搜索的数量与用户的
数量相比极小，所以结果可能受损。在一些实例中，通过考虑所有搜索查询(即，
趋势和非趋势搜索查询)来理解用户和趋势搜索之间的潜在关系可能导致更好
的结果。例如，Qt和Qt可分别被qj，Q，和Q取代，其中当Qc是公共搜索集
时Q＝Qt∪Qc，且表示公共搜索查询。然而，使用公共搜索集忽视了趋势
搜索的重要性，趋势搜索是建议目标。具体而言，将每个公共搜索与每个趋势
搜索相同地对待可能牺牲趋势搜索的准确性，这是因为与趋势搜索相比公共搜
索大得多的数量。
使用“趋势知晓”的加权归一化矩阵因子分解技术(TA-WRMF)，本公
开的各方面利用关于公共搜索的信息而不牺牲趋势搜索的准确性。此技术计入
肯定和否定对之间的量化失衡以及趋势和公共搜索之间的量化失衡。具体而言，
TA-WRMF技术可将加权矩阵W定义为等式(5)：
W i j = 1 × W P R i j = 1 q j ∈ Q t 1 R i j = 1 q j ∈ Q c W N R i j = 0 q j ∈ Q t W N × W i j n R i j = 0 q j ∈ Q c - - - ( 5 ) ]]>
其中WP>1增加肯定对的重要性，而WN<1控制否定对的重要性。
仅被应用到否定对。在此构造下，包含的对是更重要的/肯定对。
从上文可以领会，向所有搜索查询应用TA-WRMF技术是很大的任务，且
其执行时间可能不可接受。相应地，在一些示例中，可通过采用面向用户的采
样策略来逼近来减少复杂性。具体而言，否定采样对的数量与用户ui
的肯定对的数量成比例。其中m是否定采样对与肯定采样对的比
如等式(6)中所示：
W i j n ≈ N i n s N i n = m × N i p N i n - - - ( 6 ) ]]>
其中是ui的否定对的数量。现在复杂性被大大降低，且等式(3)可
使用随机梯度下降来求解以获得提升的效率。在此示例中，迭代公式如等式(7)
和(8)所示：
u i = u i + α ( - W i j ( R i j - u i T q j ) q j + λu i ) , - - - ( 7 ) ]]>
q j = q j + α ( - W i j ( R i j - u i T q j ) q j + λq j ) , - - - ( 8 ) ]]>
其中α是学习率而λ是归一化项。在训练阶段，(ui，qj)对的部分被从训练
数据分离以形成验证集，其中当对于验证集中的c次连续迭代等式(3)不减小
时宣布收敛。以下算法概述了优化过程。
表格1
刚刚描述的TA-WRMF功能性是用于个性化趋势图像搜索查询310的一种
方法。个性化的趋势图像搜索查询随后可被呈现给所标识用户。更具体而言，
他针对每个个性化趋势图像搜索查询将图像呈现给该用户。在一些实现中，该
查询的文本描述也可与该图像一起呈现。选择(例如点击)该图像和/或伴随的
文本将为该用户执行该搜索查询。
在312，架构300可标识与个性化趋势图像搜索查询中的每一个相对应的
一个或多个图像。在314，那些图像中的每一个被选为代表性图像，例如，以
作为趋势图像搜索查询的代表呈现给用户，且在316构造该代表性图像的显示。
在一些实施例中，候选图像可以是搜索引擎响应于查询返回的所有图像，
可以是从一个或多个社交图像收集挖掘的图像，或可来自某个其它图像源。代
表性图像可基于某种准则来选择，所述准则可与搜索查询有关(例如，点击的
数量或最近期被点击)、与图像本身有关(例如，上传日期、图像源或图像的
视觉属性)、与用户与图像的交互有关(例如，喜欢的数量或共享的数量)、
或某种其它准则或准则组合。
在一些实施例中，代表性图像可为其促进用户对个性化趋势图像搜索查询
的趋势性质的原因的能力而被选择。即，该代表性图像可因为其最好地讲述了
它所代表的查询为何正成为趋势的故事而被选择。尽管可使用任何数量的准则
来选择该代表性图像，然而在示例实现中，代表性图像314是基于图像的相关
性、图像的新鲜度、图像的视觉一致性、以及关于图像的点击信息而从所有候
选图像中选择的。点击信息可包括点击计数、点击频率的增加(在本文中称为
图像的突发率或“突发性”)或其它。
如此处使用的，假定相关性与和趋势搜索相关联的图像(Ik∈I)的点击
计数(ck，j)有关。在此构造下，ck，j越高，Ik越相关。从而，相关性由
根据公式(9)给定情况下Ik的可能性决定：
P c ( I k , q j t ) = c i j Σ l c l j - - - ( 9 ) ]]>
图像的视觉一致性可通过假定具有更类似邻居的图像具有更高的被选择
的机会来确定。各实现可在尺度不变特征变换特征上应用视觉字袋
(Bag-of-Visual-Word)模型来测量任一对图像(Ik，Il)的相似性sim(k,l)。随机行
走过程随后可被用来得出视觉一致性。对于每个趋势搜索每个图像Ik∈I
以使得ci，j>0是节点nk且形成图像集如果Il是Ik.的K-最近邻居(K-NN，
K＝5)，则nk具有到nl的有向边。边权重ek，l被定义为相应
地，Ik的视觉一致性可根据等式(10)来公式化：
P v ( I k , q j t ) = ( α E + ( 1 - α ) | I j t | 1 T ) P v ( I k , q j t ) - - - ( 10 ) ]]>
其中E是由ei，j构成的过渡矩阵且1是向量1。应当领会，最优值
是具有最大特征值的特征向量。
在确定图像的突发性时，具有极具大量的增加的点击的图像被假定为更好
地描述搜索查询。在此实现中，每个趋势搜索的图像Ik∈I的突发性
根据等式(11)来公式化：
P b ( I k , q j t ) = Σ s = d - 1 d - n 1 d - s ( P ( I k | q j t , d ) - P ( I k | q j t , s ) ) , - - - ( 11 ) ]]>
其中是在日期d给定趋势搜索的情况下图像Ik被点击的概率。
还可考虑该图像的新鲜度。具体而言，更旧的图像极少是当前事件的最佳
表示。最常见地，与趋势搜索相关联的趋势图像将是在近期更新的，即，在该
趋势的时间附近。新鲜度可根据等式(12)来确定；
P f ( I k | q j t , d ) = d - T ( I k ) - - - ( 12 ) ]]>
其中趋势查询是在日期d检测到的趋势查询，而与趋势查询q相关联的图
像Ik在时间T(Ik)由图像搜索引擎来获取。
在一些实现中，和中的每一个可
被确定，且针对集合I中的每个图像计算复合得分或排名。在至少一个实现中，
具有最高复合得分或排名的图像是代表性图像。在一些实现中，不同图像可被
选择为代表性图像。例如，最高排名的图像可能不可用，例如因为其是权限受
限的。本领域技术人员受益于本公开将领会其它场景和修改。
在316，架构300在客户端设备120上构造代表性图像的显示。在一个实
现中，多个个性化趋势图像搜索查询被标识，每个个性化趋势图像搜索查询的
代表性图像被确定，且那些代表性图像在用户打开web浏览器之际在阵列中显
示给该用户。该查询的文本描述也可与该图像一起被显示。因为该架构的目标
是建议图像查询，所以图像的显示可在不存在该用户的同期搜索查询的情况下
进行。在一些实现中，用户仅需要访问浏览器以被呈现个性化趋势图像搜索查
询。在其它实现中，可向用户提示选择一链接或其它特征来指示代表性图像的
呈现。
在示例实验中，在两周内收集图像搜索日志且日志中的每个条目包括5个
元素，即用户、查询、URL、时间和国籍。数据集包含2100万唯一用户、4100
万唯一查询、以及6100万唯一URL。仅美国的搜索日志被使用且控制被使用
来减少目标是提升特定搜索的垃圾用户的数量。(具体而言，在单一会话中发
出超过50个搜索查询的任何用户被标记为垃圾用户，且其查询日志被从考虑
中移除)。类似地，具有低于特定阈值(在一些实验中为3)的频率的任何查
询被移除。在该移除垃圾用户和低频率搜索之后，在最终的数据集中有1500
万唯一用户、900万唯一查询、以及6100万唯一URL。
在实验中，使用等式(1)和(2)(其中s＝3)来确定趋势搜索。为了评
估，前100个趋势查询被标识为趋势图像搜索查询。TA-WRMF模型随后被应
用到趋势查询以确定个性化趋势图像搜索查询。上面描述的TA-WRMF模型被
连同5个基线一起考虑：最流行候选(MPC)模型、个人频率(PF)加上MPC
模型、基于项的写作过滤(IBCF)方法、单向量分解(SVD)模型、以及加权
归一化矩阵因子分解(WRMF)方法。为了进一步分析，WRMF方法被在两个
数据集上运行，即，所有查询和仅趋势查询。为了确定趋势查询的个性化的效
用，采用平均准确率均值(MAP)作为度量。图4解说了各个技术的比较。如
图所示，TA-WRMF模型提供了比这5个基线中的每一个都更好的结果。
示例语句
A:一种方法，包括：从多个用户图像搜索查询中标识趋势图像搜索查询；
将所述趋势图像搜索查询的子集标识为个性化趋势图像搜索查询，其中所述个
性化趋势图像搜索查询是针对多个用户中的所标识用户个性化的且是至少部
分基于所述所标识用户和所述趋势图像搜索查询之间的关系来标识的；对于所
述个性化趋势图像搜索查询中的个体查询，确定代表所述个性化趋势图像搜索
查询中的相应查询的一个或多个候选图像；以及针对所述个性化趋势图像搜索
查询中的个体查询，从代表所述个性化趋势图像搜索查询中的相应查询的所述
候选图像中标识至少一个代表性图像。
B:如段落A所述的方法，其中所述多个用户图像搜索查询是由多个用户做
出的和/或其中标识趋势图像搜索查询包括确定多个图像搜索查询的得分且标
识所述趋势图像搜索查询是至少基于所述得分的。
C:如段落A或B所述的方法，进一步包括至少部分基于所述趋势图像搜索
查询、所述趋势图像搜索查询之外的多个用户图像搜索查询、以及与对所述用
户图像搜索查询的响应相关联的点击信息来标识所述所标识用户和所述趋势
图像搜索查询之间的关系。
D:如段落A-C中任一段所述的方法，其中确定所述所标识用户和所述趋势
图像搜索查询之间的关系包括将所述所标识用户的搜索日志数据与多个第二
用户的搜索日志数据相比较。
E:如段落A-D中任一段所述的方法，其中所述多个用户图像搜索查询包括
来自所述所标识用户之外的用户的用户图像搜索查询。
F:如段落A-E中任一段所述的方法，进一步包括指示在与所述所标识用户
相关联的设备上向所述所标识用户显示所述代表性图像。
G:如段落A-F中任一段所述的方法，其中指示显示所述代表性图像是在不
存在所述所标识用户的同期搜索的情况下执行的。
H:如段落A-G中任一段所述的方法，其中从所述候选图像中标识所述代表
性图像包括对所述候选图像中的个体图像打分并至少部分基于得分来选择所
述代表性图像。
I:如段落A-G中任一段所述的方法，其中打分至少基于所述候选图像的相
关性、所述候选图像的视觉一致性、所述候选图像的新鲜度、或所述候选图像
的突发性中的至少一者。
J:如段落A-I中任一段所述的方法，其中所述打分至少部分基于所述候选
图像的突发性，且所述突发性是作为相应图像的点击的增加来测量的。
K:如段落A-J中任一段所述的方法，其中确定所述一个或多个代表性图像
包括调查与和所述所标识用户不同的多个用户相关联的图像搜索查询的点击
数据
L:一种其上具有计算机可执行指令的计算机可读介质，所述计算机可执行
指令将计算机配置成执行如段落A-K中任一段所述的方法。
M:一种设备，包括：其上具有计算机可执行指令的计算机可读介质，所述
计算机可执行指令将计算机配置成执行如段落A-L中任一段所述的方法，处理
单元，其适于执行所述指令以执行如段落A-L中任一段所述的方法。
N:一种设备，包括：其上具有多个模块和查询日志的一个或多个计算机可
读介质；耦合于所述计算机可读介质的处理单元，所述处理单元适于执行多个
模块中的模块，所述多个模块包括：个性化趋势图像搜索模块，其被配置成至
少部分基于所述所标识用户的偏好来从所述查询日志中的多个图像搜索查询
中标识个性化趋势图像搜索查询；以及代表性图像标识模块，其被配置成标识
与所述个性化趋势图像搜索模块所标识的所述多个个性化趋势图像搜索查询
中的个体个性化趋势图像搜索查询相对应的代表性图像。
O:如段落N所述的设备，进一步包括候选图像生成模块，其被配置成为所
述个性化趋势图像搜索查询中的每一个标识一个或多个候选图像。
O:如段落M或N中任一段所述的设备，其中所述代表性图像标识模块被
配置成从所述候选图像中标识所述代表性图像。
P:如段落M-O中任一段所述的设备，其中所述代表性图像标识模块被配置
成使用与相应个性化趋势图像搜索查询相关联的点击信息对所述候选图像打
分和/或所述代表性图像标识模块被配置成基于与相应个性化图像搜索查询相
关联的点击数的增加的频率来对所述候选图像打分。
Q:如段落M-P中任一段所述的设备，进一步包括输出模块，所述输出模块
被配置成向与所述用户相关联的设备输出与所述个性化趋势图像搜索查询和
相关联的代表性图像有关的信息。
R:如段落M-Q中任一段所述的设备，其中所述输出模块被配置成在不存在
来自所述所标识用户的同期输入的情况下向所述设备输出与所述个性化趋势
图像搜索查询和相关联的代表性图像有关的信息。
S:在其上具有计算机可执行指令的一个或多个计算机可读介质，在执行计
算机可执行指令时，配置计算机来执行操作，所述操作包括：标识趋势图像搜
索查询，所述趋势图像搜索查询包括对视觉内容的基于文本的查询；标识关于
用户的用户偏好信息；至少部分基于所述用户偏好信息，确定趋势图像搜索查
询，其中所述个性化趋势图像搜索查询是针对所述用户个性化的；对于所述个
性化趋势图像搜索查询中的个体查询，确定与所述个性化趋势图像搜索查询中
的相应查询相对应的多个候选图像；以及至少部分关于所述多个候选图像的信
息，将所述多个代表性图像中的至少一个代表性图像标识为个性化图像以呈现
给所述用户
T:如段落S所述的介质，其中关于所述多个候选图像的信息包括所述图像
的突发性。
U:如段落S或T所述的介质，其中关于所述用户的用户偏好信息是至少部
分基于所述用户的搜索历史的。
V:如段落S-U中任一段所述的介质，其中关于所述用户的用户偏好信息是
至少部分基于所述用户之外的用户的搜索历史的。
结语
虽然已经用对结构特征和/或方法动作专用的语言描述了各项技术，但是应
该理解，所附权利要求不必限于所述的特征或动作。相反，这些特征和动作是
作为实现这些技术的示例形式而描述的。
示例过程的操作在单独的框中示出，并且参考这些框来概括。这些过程被
示为逻辑框流，其每个框可表示可用硬件、软件或其组合实现的一个或多个操
作。在软件的上下文中，这些操作表示存储在一个或多个计算机可读介质上的
计算机可执行指令，这些指令在由一个或多个处理器执行时使得一个或多个处
理器执行既定操作。一般而言，计算机可执行指令包括执行特定功能或实现特
定抽象数据类型的例程、程序、对象、模块、组件、数据结构等。描述操作的
次序并不旨在解释为限制，并且任何数量的所述操作可以按任何次序执行、按
任何次序进行组合、细分成多个子操作、和/或并行执行，以实现所描述的过程。
可由与一个或多个设备106、120，200和/或300相关联的资源(诸如一个或多
个内部或外部CPU或GPU)和/或硬件逻辑的一个或多个片段(诸如FPGA、
DSP或其他类型的加速器)来执行所描述的过程。
上述所有方法和过程可以用由一个或多个通用计算机或处理器执行的软
件代码模块来具体化，并且可经由这些软件代码模块来完全自动化。这些代码
模块可以存储在任何类型的计算机可执行存储介质或其他计算机存储设备中。
这些算法中的某些或全部可另选地用专用计算机硬件来具体化。
除非另外具体声明，否则在上下文中可以理解条件语言(诸如能摂、能够
摂、可能摂或可以摂)表示特定示例包括而其他示例不包括特定特征、元素和
/或步骤。因此，这样的条件语言一般并非旨在暗示对于一个或多个示例需要特
定特征、元素和/或步骤，或者一个或多个示例必然包括用于决定的逻辑、具有
或不具有用户输入或提示、在任何特定实施例中是否要包括或要执行特定特征、
元素和/或步骤。除非另外具体声明，应理解联合语言(诸如短语“X、Y或Z
中至少一个”)表示项、词语等可以是X、Y或Z中的任一者、或其组合。
本文所述和/或附图中描述的流程图中任何例行描述、元素或框应理解成潜
在地表示包括用于实现该例程中具体逻辑功能或元素的一个或多个可执行指
令的代码的模块、片段或部分。替换实现被包括在本文描述的示例的范围内，
其中各元素或功能可被删除，或与所示出或讨论的顺序不一致地执行，包括基
本上同步地执行或按相反顺序执行，这取决于所涉及的功能，如本领域技术人
也将理解的。所有这样的修改和变型本文旨在包括在本公开的范围内并且由以
下权利要求书保护。