用于主动构成内容以便在连续社交通信中使用的系统和方法
【专利摘要】本发明提供了一种用于分析并且传递社交数据的系统和方法。由计算设备或服务器系统执行的方法包括获取社交数据并且从所述社交数据衍生出至少两个概念。确定所述至少两个概念之间的关系。所述方法还包括使用所述关系构成新社交数据对象并且传输所述新社交数据对象。获取与新社交数据对象相关联的用户反馈，并且所述计算设备或服务器系统使用所述用户反馈计算调整命令。执行所述调整命令对所述方法中使用的参数进行调整。在执行所述调整命令之后，重复所述方法。
【专利说明】用于主动构成内容以便在连续社交通信中使用的系统和方法
相关申请的交叉引用
[0001]本申请请求2013年9月19日提交的、并且标题为“System and Method forContinuous Social Communicat1n(用于连续社交通信的系统和方法)”的第61/880,027号美国临时申请的优先权，所述申请的内容通过引用以其全部并入本文。
技术领域
[0002]以下内容总体上涉及构成内容以便在社交数据通信中使用。
【背景技术】
[0003]近年来，社交媒体已经成为个人和消费者在线(例如，在互联网上)交互的流行方式。社交媒体还影响企业目的在于和其客户、粉丝、和潜在客户在线交互的方式。
[0004]通常，一人或多人通过写消息(例如，文章、在线帖子、博客、评论等)、创建视频、或创建音轨来创建社交媒体。这个过程可能困难并且耗时。
【附图说明】
[0005]现在参考附图仅通过举例方式来描述实施例，在附图中:
[0006]图1是与互联网或云计算环境、或与两者交互的社交通信系统的框图。
[0007]图2是用于社交通信的计算系统的示例实施例的框图，包括所述计算系统的示例部件。
[0008]图3是通过网络与彼此交互从而形成社交通信系统的多个计算设备的示例实施例的框图。
[0009]图4是展示主动式接收器模块、主动式构成器模块、主动式发送器模块与社交分析合成器模块之间的数据交互和流动的示意图。
[0010]图5是用于构成新社交数据并传输所述新社交数据的计算机可执行或处理器实施指令的示例实施例的流程图
[0011]图6是主动式接收器模块的框图，展示了所述主动式接收器模块的示例部件。
[0012]图7是用于接收社交数据的计算机可执行或处理器实施指令的示例实施例的流程图。
[0013]图8是主动式构成器模块的框图，展示了所述主动式构成器模块的示例部件。
[0014]图9A是用于构成新社交数据的计算机可执行或处理器实施指令的示例实施例的流程图。
[0015]图9B是根据图9A中所描述的操作、用于组合社交数据的计算机可执行或处理器实施指令的示例实施例的流程图。
[0016]图9C是根据图9A中所描述的操作、用于提取社交数据的计算机可执行或处理器实施指令的示例实施例的流程图。
[0017]图9D是根据图9A中所描述的操作、用于创建社交数据的计算机可执行或处理器实施指令的示例实施例的流程图。
[0018]图10是框图，展示了模板数据库的示例部件。
[0019]图11是观点模板的示例实施例。
[0020]图12是用于生成用于填入观点模板中的文本的计算机可执行或处理器实施指令的示例实施例的流程图。
[0021]图13是新闻文章模板的示例实施例。
[0022]图14是用于生成用于填入新闻文章模板中的文本的计算机可执行或处理器实施指令的示例实施例的流程图。
[0023]图15是收入新闻发布模板的示例实施例。
[0024]图16是用于生成收入比较报告的计算机可执行或处理器实施指令的示例实施例的流程图。
[0025]图17是产品新闻发布模板的示例实施例。
[0026]图18是用于生成产品比较报告的计算机可执行或处理器实施指令的示例实施例的流程图。
[0027]图19是用于基于之前构成的社交数据对象来构成新社交数据对象的计算机可执行或处理器实施指令的示例实施例的流程图。
[0028]图20是用于构成音频和视频内容的计算机可执行或处理器实施指令的示例实施例的流程图。
[0029]图21是在不同的时间实例的视频图像和覆盖的音频内容的示例实施例的示意图。
[0030]图22是主动式发送器模块的框图，展示了所述主动式发送器模块的示例部件。
[0031]图23是用于传输新社交数据的计算机可执行或处理器实施指令的示例实施例的流程图。
[0032]图24是社交分析合成器模块的框图，展示了所述社交分析合成器模块的示例部件。
[0033]图25是计算机可执行或处理器实施指令的示例实施例的流程图，这些指令用于确定针对主动式接收器模块、主动式构成器模块、和主动式发送器模块实施的任何过程进行的调整。
【具体实施方式】
[0034]应当认识的是，为了说明的简化和清晰，在认为适当时，参考数字可在图中被重复以指示相应或相似的元件。此外，陈述了许多特定细节，以提供对本文中所描述的示例实施例的透彻理解。然而，本领域的普通技术人员将理解的是，没有这些特定细节也可以实践本文中所描述的示例实施例。在其他情形下，没有详细描述公知方法、程序和部件，以不使本文中所描述的示例实施例难理解。并且，本说明不被认为是限制本文中所描述的示例实施例的范围。
[0035]本文中所描述的所提出的系统和方法涉及构成社交数据。所构成的社交数据可以用于(例如但不限于)连续社交通信的情境。换言之，下文中所描述的与构成器模块相关的系统架构和操作可以与本文中所描述的连续社交通信系统一起使用，可以单独使用，或者可以与没有在本文中描述的其他系统一起使用。
[0036]本文中的社交数据是指人能够通过数据通信网络(如互联网)查看或听到、或既能查看又能听到的内容。社交数据包括例如文本、视频、图形、和音频数据、或以上的组合。文本的示例包括博客、电子邮件、消息、帖子、文章、评论等。例如，文本可以出现在网站上，如脸谱网(Facebook)、推特(Twitter)、领英(LinkedIn)、拼趣(Pinterest)、其他社交网站、杂志网站、报纸网站、公司网站、博客等。文本还可以是网站上的评论的形式、RSS源中提供的文本等。视频的示例可以出现在Facebook、YouTube、新闻网站、个人网站、博客(又称为视频博客)、公司网站等。图形数据(如图片)也可以通过上述媒体来提供。音频数据可以通过各种网站来提供，如上述那些网站、音频广播、“播客”、在线无线电台等。应认识到，社交数据的形式可以不同。
[0037]本文中的社交数据对象是指社交数据单元，如文本文章、视频、评论、消息、音轨、图形、或包括不同类型数据的混合媒体社交片段。社交数据流包括多个社交数据对象。例如，在人的一系列的评论中，每条评论即是一个社交数据对象。在另一个示例中，在一组文本文章中，每篇文章即是一个社交数据对象。在另一个示例中，在一组视频中，每个视频文件即是一个社交数据对象。社交数据包括至少一个社交数据对象。
[0038]应认识到，从商业角度看，有效的社交通信是一项重大挑战。数字社交站点(如Twitter、Facebook、YouTube等)的广阔范围、通信的实时性质、所使用的不同语言、和不同的通信方式(例如，文本、音频、视频等)使得对于企业而言有效听取其客户和与其通信具有挑战性。网站、信道和通信方式的数量不断增加可能以太多的实时数据和极少的合适且相关的信息来使企业不知所措。还应认识到，在商业上扮演决策制定角色的人经常对谁在说什么、使用什么样的通信信道、和要重点听取哪些人感到困惑。
[0039]应认识到，通常，一个或多个人生成社交数据。例如，人通过写入消息、文章、评论等、或通过生成其他社交数据(例如，图片、视频和音频数据)来生成社交数据。这个生成过程(尽管有时部分得到计算机帮助)是耗时的并且要一个或多个人付出努力。例如，人通常在文本消息中打字，并且输入多个计算命令来附上图形或视频、或两者。在创建社交数据之后，人将需要将社交数据分布到网站、社交网络、或另一个通信信道中。这也是一个需要人的输入的耗时过程。
[0040]还应认识到，当人生成社交数据时，在社交数据被分布之前，人无法估计社交数据能被其他人接受的程度。在社交数据被分布之后，人也可能无法评估内容被其他人接受的程度。此外，许多软件和计算技术要求人查看网站或查看报告来解释来自其他人的反馈。
[0041]还应认识到，生成人们感兴趣的社交数据、和识别哪些人会发现社交数据有趣对于人而言是一个困难的过程，并且对于计算设备而言要困难得多。计算技术通常需要人的输入来识别感兴趣的话题、以及识别可能对话题感兴趣的人。还应认识到，生成大量涵盖许多不同话题的社交数据是一个困难且耗时的过程。此外，难以在短时间范围内在大数据规模上完成所述任务。
[0042]本文中所描述的提出的系统和方法解决了一个或多个以上问题。所提出的系统和方法使用一个或多个计算设备来接收社交数据、识别社交数据之间的关系、基于所识别的关系和所接收的社交数据构成新社交数据、并且传输所述新社交数据。在优选的示例实施例中，这些系统和方法是自动化的并且针对连续操作不需要人的输入。在另一个示例实施例中，人的某一输入用于定制这些系统和方法的操作。
[0043]所提出的系统和方法能够在这个过程中获取反馈以改进与上述任何操作相关的计算。例如，获取关于新构成的社交数据的反馈，并且这个反馈可以用于调整与在哪儿和何时传输新构成的社交数据相关的参数。这个反馈还可以用于调整在构成新社交数据时使用的参数和调整在识别关系时使用的参数。以下描述了关于所提出的系统和方法的更多细节和示例实施例。
[0044]所提出的系统和方法可以用于实时听取、分析、内容组成、和针对性广播。这些系统例如实时捕捉数据的全局数据流。对所述流数据进行分析并且用于以智能方式确定内容组成和以智能方式确定发送构成后的消息的人物、事件、时间和方式。
[0045]转到图1，所提出的系统102包括主动式接收器模块103、主动式构成器模块104、主动式发送器模块105、和社交分析合成器模块106。系统102与互联网或云计算环境、或与两者101通信。所述云计算环境可以是公共的或者专用的。在示例实施例中，这些模块一起运行来接收社交数据、识别社交数据之间的关系、基于所识别的关系和所接收的社交数据构成新社交数据、并且传输所述新社交数据。
[0046]主动式接收器模块103从互联网或云计算环境、或两者中接收社交数据。接收器模块103能够同时从许多数据流接收社交数据。接收器模块103还分析所接收的社交数据来识别社交数据之间的关系。思想、人、地点、群体、公司、文字、数字或值的单位在本文中被称为概念。主动式接收器模块103识别至少两个概念并且识别这至少两个概念之间的关系。例如，所述主动式接收器模块识别社交数据的始发者、社交数据的消费者、与社交数据的内容之间的关系。接收器模块103输出所识别的关系。
[0047]主动式构成器模块104使用这些关系和社交数据来构成新社交数据。例如，构成器模块104修改、提取、组合、或合成社交数据、或这些技术的组合来构成新社交数据。主动式构成器模块104输出新构成的社交数据。构成的社交数据是指由系统102构成的社交数据。
[0048]主动式发送器模块105确定适当的通信信道和社交网络，通过这些通信信道和社交网络发送新构成的社交数据。主动式发送器模块105还被配置成用于使用与新构成的社交数据相关联的跟踪符接收关于新构成的社交数据的反馈。
[0049]社交分析合成器模块106从每一个其他模块103、104、105获取数据(包括但不限于社交数据)并且分析所述数据。社交分析合成器模块106使用分析结果来生成针对与模块103、104、105和106中任何模块相关的一项或多项不同操作的调整。
[0050]在示例实施例中，每个模块存在多个实例。例如，多个主动式接收器模块103位于不同的地理地点。一个主动式接收器模块位于北美，另一个主动式接收器模块位于南美，另一个主动式接收器模块位于欧洲，而另一个主动式接收器模块位于亚洲。类似地，可以有多个主动式构成器模块、多个主动式发送器模块和多个社交分析合成器模块。这些模块将能够彼此通信并且在彼此之间发送信息。所述多个模块允许数据的分布式或并行处理。此外，位于每个地理区域的多个模块可以获取特定于所述地理区域的社交数据并且将社交数据传输至属于所述特定地理区域中的用户的计算设备(例如，计算机、笔记本电脑、移动设备、平板、智能电话、可穿戴计算机等)。在示例实施例中，南美的社交数据是在那个区域内获取并且用于构成传输至南美内的计算设备的社交数据。在另一个示例实施例中，社交数据是在欧洲获取的和在南美获取，并且来自这两个区域的社交数据被组合并且用于构成传输至北美的计算设备的社交数据。
[0051]转到图2，展示了系统102a的示例实施例。为了容易理解，后缀“a”或“b”等用于表示前述元件的不同实施例。系统102a是计算设备或服务器系统并且其包括处理器设备201、通信设备202和存储器203。所述通信设备被配置成用于通过有线或无线网络、或两者通信。主动式接收器模块103a、主动式构成器模块104a、主动式发送器模块105a、和社交分析合成器模块106a由软件实现并且驻留在同一计算设备或服务器系统102a上。换言之，这些模块可以共享计算资源，如用于处理、通信和存储器的资源。
[0052]转到图3，展示了系统102b的另一个示例实施例。系统102b包括不同的模块103b、104b、105b、106b，这些模块是被配置成通过网络313与彼此通信的单独计算设备或服务器系统。具体而言，主动式接收器模块103b包括处理器设备301、通信设备302、和存储器303。主动式构成器模块104b包括处理器设备304、通信设备305、和存储器306。主动式发送器模块105b包括处理器设备307、通信设备308、和存储器309。社交分析合成器模块106b包括处理器设备310、通信设备311、和存储器312。
[0053]尽管图3中仅展示了单个主动式接收器模块103b、单个主动式构成器模块104b、单个主动式发送器模块105b和单个社交分析合成器模块106b，但可以认识到，针对每个模块可以具有能够使用网络313与彼此通信的多个实例。如以上关于图1所描述的，针对每个模块可以具有多个实例，并且这些模块可以位于不同的地理地点。
[0054]可以认识到，可以具有用于实现系统102的计算结构的其他示例实施例。
[0055]应认识到，所述处理器设备、所述通信设备和所述存储器的当前已知和未来的技术适用于本文中所描述的原理。处理器的当前已知技术包括多核处理器。通信设备的当前已知技术包括有线和无线通信设备两者。存储器的当前已知技术包括磁盘驱动器和固态驱动器。计算设备或服务器系统的示例包括专用机架式服务器、台式计算机、笔记本电脑、机顶盒、和组合了各种特征的集成设备。计算设备或服务器使用例如操作系统，如WindowsServer操作系统、Mac操作系统、Unix操作系统、Linux操作系统、FreeBSD操作系统、Ubuntu操作系统等。
[0056]应认识到，本文中例示的执行指令的任何模块或部件可以包括或以其他方式访问计算机可读介质，如存储介质、计算机存储介质、或如例如磁盘、光盘或磁带等的数据存储设备(可移除和/或不可移除)。计算机存储介质可以包括在任何方法或技术中实现的用于存储信息(如计算机可读指令、数据结构、程序模块、或其他数据)的易失性和非易失性、可移除和不可移除介质。计算机存储介质的示例包括RAM、R0M、EEPR0M、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光存储设备、磁带盒、磁带、磁盘存储设备或其他磁性存储设备、或者能够用于存储所需信息且可以由应用、模块或两者访问的任何其他介质。任何这类计算机存储介质可以是系统102、或模块103、104、105、106中的任何或每个模块的一部分、或者可由其访问或与其连接。本文中所描述的任何应用或模块可以使用计算机可读/可执行指令来实现，这些指令可以由这类计算机可读介质存储或以其他方式保留。
[0057]转到图4，展示了这些模块之间的交互。系统102被配置成用于听取数据流、构成自动化和智能消息、发布自动化内容、和听取人们关于所发布的内容说些什么。
[0058]具体而言，主动式接收器模块103从一个或多个数据流接收社交数据401。数据流可以同时和实时接收。数据流可以源自不同的来源，如Twitter、Facebook、YouTube、LinkedIn、Pintres t、博客网站、新闻网站、公司网站、论坛、RSS源、电子邮件、社交联网站点等。主动式接收器模块103分析社交数据、确定或识别社交数据之间的关系、并且输出这些关系402。
[0059]在具体示例中，主动式接收器模块103从不同的社交媒体源获取关于具体汽车品牌的社交数据和关于具体体育队的社交数据。主动式接收器103使用分析法来确定汽车品牌与体育队之间存在关系。例如，所述关系可以是汽车品牌的买家或所有者是体育队的粉丝。所述关系可以是查看汽车品牌的广告的人与出席体育队的事件的人之间存在高度相关性。输出一个或多个关系。
[0060]主动式构成器模块104获取这些关系402并且获取与这些关系相对应的社交数据。主动式构成器模块104使用这些关系和相应数据来构成新社交数据403。主动式构成器模块104还被配置成用于自动创建全部消息或衍生消息、或两者。主动式构成器模块104可以随后应用分析法来推荐使用面向给定目标观众的不同社交数据、由机器创建的适当、或最优消息。
[0061]继续所述具体示例，主动式构成器模块104通过组合关于车辆品牌的现有文本文章和关于体育队的现有文本文章来构成新的文本文章。在另一个示例中，所述主动式构成器模块通过总结车辆品牌的不同的现有文章来构成关于所述汽车品牌的新文章、并且将关于所述体育队的广告包括在新文章中。在另一个示例中，所述主动式构成器模块识别已经生成关于体育队和汽车品牌两者的社交数据内容的人，尽管每个话题的社交数据可以在不同时间和从不同的来源公开，并且将这个社交内容一起组合进新社交数据消息。在另一个示例实施例中，所述主动式构成器模块可以将与汽车品牌相关视频数据和/或音频数据与和体育队相关的视频数据和/或音频数据组合从而构成新的视频数据和/或音频数据。可以使用其他数据类型的组合。
[0062]主动式发送器模块105获取新构成的社交数据403并且确定与新构成的社交数据的传输相关的多个因素或参数。主动式发送器模块105还插入或添加标志来跟踪人们对新构成的社交数据的响应。基于传输因素，主动式发送器模块传输具有标志的构成的社交数据404。所述主动式发送器模块还被配置成用于接收关于构成的社交数据405的反馈，其中，所述反馈的收集包括这些标志的使用。所述新构成的社交数据和任何相关联的反馈406被发送至主动式接收器模块103。
[0063]继续关于汽车品牌和体育队的具体示例，主动式发送器模块105确定轨迹或传输参数。例如，已知由对所述汽车品牌和所述体育队感兴趣的人阅读的社交网络、论坛、邮件列表、网站等被识别为传输目标。并且，识别体育队的特殊事件(如竞争赛事，像比赛或竞赛)以便为应何时传输构成的数据确定调度或定时。目标读者的地点也将用于确定构成的社交数据的语言和应传输构成的社交数据所在的当地时间。。用于确定构成的社交数据被查看的时间长度的标志(如点击数量、转发数量)、时间跟踪符等用于收集关于人们对构成的社交数据的反应的信息。与所述汽车品牌和体育队相关的构成的社交数据和相关联的反馈被发送至主动式接收器模块103。
[0064]继续图4，主动式接收器模块103接收构成的社交数据和相关联的反馈406。主动式接收器模块103分析此数据以确定是否存在任何关系或相关性。例如，所述反馈可以用于确定或确认用于生成新构成的社交数据的关系是正确的还是不正确的。
[0065]继续关于汽车品牌和体育队的具体示例，主动式接收器模块103接收构成的社交数据和相关联的反馈。如果所述反馈显示人们关于构成的社交数据正提供积极评论和积极反馈，则主动式接收器模块确定汽车品牌与体育队之间的关系是正确的。主动式接收器模块可以增加与汽车品牌与体育队之间的具体关系相关联的额定值。因为积极反馈，主动式接收器模块可以挖掘或提取与所述汽车品牌和体育队相关的甚至更多社交数据。如果反馈是消极的，则主动式接收器模块纠正或废弃汽车品牌与体育队之间的关系。可以降低关于所述关系的评级。在示例实施例中，主动式接收器可以减少或限制搜索对于汽车品牌和体育队特殊的社交数据。
[0066]社交分析合成器模块106从其他模块103、104、105周期性地、或连续地获取数据。社交分析合成器模块106分析所述数据以确定可以对每个模块(包括模块106)执行的操作做出什么调整。通过从模块103、104和105中的每个模块获取数据可以认识到，所述社交分析合成器单独相比于模块103、104和105中的每个模块具有更多的上下文信息。
[0067]继续关于汽车品牌和体育队的具体示例，社交分析合成器模块106获取以下数据:人们正在用与新构成的社交数据对象中所使用的第一语言不同的第二语言对新构成的社交数据对象进行积极响应。可以从主动式发送器模块105或从主动式接收器模块103、或从两者获取这类信息。因此，所述社交分析合成器模块向主动式构成器模块104发送调整命令，从而使用所述第二语言构成关于所述汽车品牌和体育队的新社交数据。
[0068]在另一个示例中，社交分析合成器模块106获取以下数据:关于和汽车品牌和体育队相关的新构成的社交数据对象的积极反馈来自具体的地理附近地区(例如，邮政编码、地区代码、市、自治区、州、省等)。可以通过分析来自主动式接收器模块103或来自主动式发送器模块105、或来自两者的数据来获取此数据。然后，所述社交分析合成器生成并发送调整命令至主动式接收器模块103以获取关于那个具体地理附近地区的社交数据。关于所述具体地理附近地区的社交数据包括例如当地最近的事件、当地行话和俚语、当地俗语、当地知名人物、和当地聚集地点。社交分析合成器生成并且发送调整命令至主动式构成器模块104，从而构成新社交数据，所述新社交数据组合了关于所述汽车品牌、体育队和地理附近地区的社交数据。所述社交分析合成器生成并发送调整命令至主动式发送器模块105，从而向位于所述地理附近地区的人们发送新构成的社交数据，并且在人们很可能阅读或消费这类社交数据的时间段期间(例如，晚上、周末等)发送新构成的社交数据。
[0069]继续图4，每个模块还被配置成用于从其自己收集的数据学习并且改进其自己的方法和决策算法。可以使用当前已知和未来认识的机器学习和机器智能计算。例如，主动式接收器模块103具有反馈回路407;主动式构成器模块104具有反馈回路408;主动式发送器模块105具有反馈回路409;并且所述社交分析合成器模块具有反馈回路410。以此方式，每个模块中的过程可以不断单独改进，并且还使用社交分析合成器模块106发送的调整来改进。这个在模块基础上和全系统基础上的自学允许系统102是没有人类干预的完全自动化。
[0070]可以认识到，随着提供更多数据和随着系统102执行更多迭代来发送构成的社交数据，系统102变得更有效和更高效。
[0071]以下描述了系统102的其他示例方面。
[0072]系统102被配置成用于实时捕捉社交数据。
[0073]系统102被配置成用于实时分析与企业、具体人或一方有关的社交数据。
[0074]系统102被配置成用于实时创建和构成针对某些人或某一群体的社交数据。
[0075]系统102被配置成用于确定传输新构成的社交数据的最佳或适当时间。
[0076]系统102被配置成用于确定到达所选择的或目标人群或群体的最佳或适当社交信道。
[0077]系统102被配置成用于确定人们关于系统102所发送的新社交数据说了什么。
[0078]系统102被配置成用于应用度量分析法来确定社交通信方法的有效性。
[0079]系统102被配置成用于确定和推荐分析技术和参数、社交数据内容、传输信道、目标人、和数据搜集和挖掘方法从而方便连续环路、端到端通信。
[0080]系统102被配置成用于例如使用主从安排来添加N个系统或模块。
[0081 ]将认识到，系统102可以执行其他操作。
[0082]在示例实施例中，由系统102实施的用于提供社交通信的计算机或处理器实施指令包括获取社交数据。所述系统于是构成从所述社交数据衍生出来的新社交数据对象。可以认识到，新的社交数据对象可以具有所获取的社交数据的恰好相同的内容、或所获取的社交数据的一部分、或没有所获取的社交数据的内容。所述系统传输新社交数据对象并且获取与所述新社交数据对象相关联的反馈。所述系统使用所述反馈计算调整命令，其中，执行所述调整命令对所述系统执行的操作中所使用的参数进行调整。
[0083]在示例实施例中，所述系统使用主动式接收器模块获取社交数据对象，并且主动式构成器模块将所述社交数据对象传递至主动式发送器模块以供传输。执行计算和分析从而确定社交数据对象是否适合于传输，并且如果适合，则应向哪一方和在什么时间传输社交数据对象。
[0084]图5中展示了用于提供社交通信的计算机或处理器实施指令的另一个示例实施例。这些指令由系统102实施。在框501，系统102接收社交数据。在框502，所述系统确定社交数据之间的关系和相关性。在框503，所述系统使用这些关系和相关性构成新社交数据。在框504，所述系统传输构成的社交数据。在框505，所述系统接收关于构成的社交数据的反馈。在框505之后的框506，所述系统使用关于构成的社交数据的反馈来调整构成的社交数据的传输参数。此外，或者在替代方案中，在框505之后的框507，所述系统使用关于构成的社交数据的反馈来调整所接收的社交数据之间的关系和相关性。可以认识到，可以基于所述反馈进行其他调整。如点划线所指示的，所述过程环回到框501并且重复。
主动式接收器模块
[0085]主动式接收器模块103自动且动态地听取N个全局数据流并且连接至互联网站点或专用网络、或两者。所述主动式接收器模块可以包括用于消除不想要的信息的分析过滤器、用于检测有价值信息的机器学习、和用于快速揭露重要的对话或社会趋势的推荐引擎。进一步地，所述主动式接收器模块能够与其他模块整合，如主动式构成器模块104、主动式发送器模块105、和社交分析合成器模块106。
[0086]转到图6，展示了主动式接收器模块103的示例部件。这些示例部件包括初始取样器和标志模块601、中间取样器和标志模块602、数据存储后取样器和标志模块603、分析模块604、和关系/相关性模块605。
[0087]为了方便实时和高效分析所获取的社交数据，使用不同水平的速度和粒度来处理所获取的社交数据。模块601首先用于以较快的速度和较低的取样速率对所获取的社交数据进行初始取样和标记。这允许主动式接收器模块103实时提供一些结果。相对于模块601，模块602用于以较低的速度和较高的取样速率对所获取数据进行取样和标记。这允许主动式接收器模块103提供从模块602衍生出来的更详细的结果，尽管与从模块601衍生出来的结果相比存在一定延迟。模块603相比较模块602以相对较慢的速度而相比较模块602以高得多的取样速率对主动式接收器模块存储的所有社交数据进行取样。与从模块602衍生出的结果相比较，这允许主动式接收器模块103提供从模块603衍生出来的甚至更详细的结果。因此，可以认识到，不同的分析等级可以彼此并行进行并且可以非常快得提供初始结果、有一定延迟地提供中间结果、和有进一步延迟地提供数据存储后结果。
[0088]取样器和标志模块601、602、603还识别和提取与社交数据相关联的其他数据，包括例如社交数据发布或发帖的时间或日期、或两者;主题标签;跟踪像素；网页臭虫，又称为网站信标、跟踪虫、标签、或页面标签;C00kie(信息记录程序);数字签名；关键字;与社交数据相关联的用户和/或公司身份;与社交数据相关联的IP地址;与社交数据相关联的地理数据(例如，地理标签)；到社交数据的用户输入路径;证书;读取或跟随社交数据的作者的用户(例如，追随者)；已经消费社交数据的用户；等。主动式接收器模块103和/或社交分析合成器模块106可以使用此数据来确定社交数据之间的关系。
[0089]分析模块604可以使用各种方法来分析社交数据和相关联的其他数据。进行分析以确定关系、相关性、相似性、和逆相关。可以使用的算法的非限制性示例包括人工神经网络、最近邻、皮尔森积差相关、贝叶斯统计、决策树、回归分析、模糊逻辑、K-均值算法、聚类、模糊聚类、蒙特卡罗法、学习自动机、即时差异学习、先验算法、ANOVA法、贝叶斯网络、和隐马尔可夫模型。更普遍地，当前已知和未来认识的分析方法可以用于识别社交数据之间的关系、相关性、相似性、和逆相关。分析模块604(例如)从这些模块601、602和/或603获取数据。
[0090]将认识到，两个概念之间的逆相关例如使得对第一概念的青睐或相似性与对第二概念的不喜欢或排斥相关。
[0091]关系/相关性模块605使用来自分析模块的结果生成对至少两个概念之间的关系表征的项和值。这些概念可以包括关键字、时间、地点、人、视频数据、音频数据、图形等的任意组合。
[0092]关系模块605还可以识别关键字突发。根据时间标绘关键字、多个关键字的流行程度。分析模块将感兴趣的暂时区域识别和标记为关键字流行程度曲线中的突发。分析模块识别与感兴趣的关键字相关联的一个或多个相关关键字(例如，具有流行程度突发的关键字)。相关关键字与在和所述突发相同的暂时区域的感兴趣的关键字密切相关。2009年I月10 日提交的、标题为 “Method and System for Informat1n Discovery and TextAnalysis(用于信息发现和文本分析的方法和系统)”的第12/501,324号美国专利申请中详细描述了这类方法，该专利申请的全部内容通过引用并入本文。
[0093]在另一个示例方面，关系模块605还可以识别话题(例如，关键字)与对关键字感兴趣的用户之间的关系。所述关系模块例如可以识别被认为是话题专家的用户。如果给定用户经常对话题进行评论，并且有许多“跟随”所述给定用户的其他用户，则所述给定用户被认为是专家。关系模块还可以识别专家用户感兴趣的其他话题，尽管专家用户可能不被认为是那些其他话题的专家。关系模块可以获取给定用户跟随着的多个辅助用户；获取认为这些辅助用户是其专家的话题;并且使那些话题与所述给定用户相关联。关系模块还可以确定专家使用的内容并且因此创建专家与专家的追随者、与内容之间的关联或关系。所述内容例如包括但不限于常用的关键字、常用的关键字对、常用的标签、和常用的链接。可以认识到，有各种方式使话题与用户相关在一起。2013年6月21日提交的、标题为“System andMethod for Analysing Social Network Data(用于分析社交网络数据的方法和系统)”的第61/837,933号美国专利申请中描述了进一步细节，该专利申请的全部内容通过引用并入本文。
[0094]另一方面，关系模块605能够识别涉及数据网络中的影响。如本文中所使用的，术语“影响者”是指主要产生并共享与话题相关的内容的用户账户并且被认为对社交数据网络中的其他用户是有影响的。网页等级算法(谷歌用来测量网络中网页的重要性的一种已知算法)在本文中用于测量社交数据网络中的用户的重要性。使用网页等级算法来对用户账户评分以确定其影响。换言之，用户所具有的追随者的数量不是确定影响的仅有的决定因素。例如，用户艾米(Amy)具有最大的追随者数量(例如，戴夫(Dave)、卡罗尔(Carol)和埃迪(Eddie))并且是这个网络中最有影响力的用户(S卩，网页等级分数为46.1%)。用户卡罗尔具有追随者戴夫和埃迪，并且网页等级分数为5.6%。另一个用户布莱恩(Brian)仅具有一个叫艾米的追随者并且具有42.3%的网页等级分数。尽管布莱恩仅具有一个追随者(SP艾米)，但他比具有两个追随者的卡罗尔更有影响力，主要是因为布莱恩具有艾米的精神占有率的一大部分。换言之，尽管卡罗尔比布莱恩具有更多的追随者，但她不一定比布莱恩具有更大的影响。在示例实施例中，识别谁是用户的追随者还可以被分解成影响的计算。
[0095]获取影响者与其他用户之间的关系，如用户社区。获取影响者与影响者所生成的内容、或与影响者的用户社区相关联的内容、或两者之间的关系。
[0096]转到图7，提供了示例计算机或处理器实施指令用于根据主动式接收器模块103接收和分析数据。在框701，主动式接收器模块从一个或多个社交数据流接收社交数据。在框702，主动式接收器模块首先使用快速且低清晰度的取样速率(例如，使用模块601)对社交数据取样。在框703，主动式接收器模块应用ETL (提取、变换、加载)处理。ETL过程的第一部分包括从源系统提取数据。变换阶段将一系列规则或函数应用于从所述来源提取的数据从而衍生出数据以便加载到终端目标中。加载阶段将数据加载到终端目标，如存储器。
[0097]在框704，所述主动式接收器模块使用中间清晰度取样速率(例如，使用601)对社交数据取样。在框705，所述主动式接收器模块使用高清晰度取样速率(例如，使用模块603)对社交数据取样。在示例实施例中，初始取样、中间取样和高清晰度取样并行进行。在另一个示例实施例中，这些取样按顺序进行。
[0098]继续图7，在初始取样社交数据(框702)之后，所述主动式接收器模块输入或识别数据标志(框706)。其继续分析取样的社交数据(框707)、从取样数据确定关系(框708)、并且使用这些关系确定早期或初始社会趋势结果(框709)。
[0099]类似地，在框704之后，所述主动式接收器模块输入或识别取样的社交数据中的数据标志(710框)。其继续分析取样的社交数据(框711)、从取样数据确定关系(框712)、并且使用这些关系确定中间社会趋势结果(框713)。
[0100]所述主动式接收器模块还输入或识别从框705获取的所取样的社交数据中的数据标志(框714)。其继续分析取样的社交数据(框715)、从取样数据确定关系(框716)、并且使用这些关系确定高清晰度社会趋势结果(框717)。
[0101]在示例实施例中，在框706至709的操作、在框710至713的操作、和在框714至717的操作并行进行。然而，将在来自框712、713、716和717的关系和结果之前确定来自框708和709的关系和结果。
[0102]将认识到，框706、710和714中所描述的数据标志帮助初步分析和取样数据并且还帮助确定关系。数据标志的示例实施例包括关键字、某些图像、和数据的某些来源(例如，作者、组织、地点、网络源等)。所述数据标志还可以是从取样数据中提取的标签。
[0103]在示例实施例中，通过对所述取样数据进行初步分析来识别所述数据标志，所述初步分析不同于框707、711和715中的更详细的分析。所述数据标志可以用于识别趋势和情绪O
[0104]在另一个示例实施例中，基于某些关键字、某些图像、和某些数据源的检测来将数据标志输入到所述取样数据中。某一组织可以使用这项操作来将数据标志输入到某一取样数据中。例如，当从取样过程中获取SUV的图像、或当文本消息具有字“SUV”、“Jeep”、“4X4”、“CR-V”、“Rav4”和“RDX”中的至少一者时，汽车品牌推广组织输入数据标志“SUV”。可以认识至IJ，可以使用用于输入数据标志的其他规则。还可以在分析操作和关系确定操作过程中使用所输入的数据标志来检测趋势和情绪。
[0105]以下提供了所述主动式接收器模块的其他示例方面。
[0106]主动式接收器模块103被配置成用于实时捕捉一个或多个电子数据流。
[0107]主动式接收器模块103被配置成用于实时分析与企业相关的社交数据。
[0108]主动式接收器模块103被配置成用于将文本从一种语言翻译成另一种语言。
[0109]主动式接收器模块103被配置成用于解释视频、文本、音频和图片从而创建商业信息。商业信息的非限制性示例是情绪信息。
[0110]主动式接收器模块103被配置成用于将元数据应用于社交数据以便提供进一步的商业强化。元数据的非限制性示例包括地理数据、时态数据、商业驱动特点、分析驱动特点等。
[0111]主动式接收器模块103被配置成用于使用所接收到的社交数据和所计算的信息来解释和预测潜在结果和商业情景。
[0112]主动式接收器模块103被配置成用于基于所接收到的社交数据和元数据来建议用户段或目标群体。
[0113]主动式接收器模块103被配置成用于建议或推荐与用户段或目标群体正相关或负相关的社交数据信道。
[0114]主动式接收器模块103被配置成用于使组群相互关联和属性化，如用户、用户段、和社交数据信道。在示例实施例中，主动式接收器模块使用图案、元数据、特点和定型来使用户、用户段和社交数据信道相互关联。
[0115]主动式接收器模块103被配置成用于在极少或没有人类干预的情况下操作。
[0116]主动式接收器模块103被配置成用于将相似性数据和元数据分配给所接收到的社交数据和任何相关联的计算数据。在示例实施例中，相似性数据是从相似性分析中衍生出来的，所述相似性分析是一种发现特定个人、群体、公司、地点、概念品牌、设备、事件、和社交网络所进行(或关于其记录)的活动之间的共现关系的数据挖掘技术。
主动式构成器模块
[0117]主动式构成器模块104被配置成用于以分析方式构成和创建社交数据以便传递给人们。这个模块可以使用商业规则和将所学到的模式来使内容个性化。所述主动式构成器模块被配置成用于例如模拟人类交流、个性、俚语和行话。这个模块被配置成用于评估自己(即，模块104)构成的多个社交数据片或对象，并且进一步被配置成用于基于这些分析来评估排名和推荐最优或适当的响应。进一步地，所述主动式构成器模块能够与其他模块整合，如主动式接收器模块103、主动式发送器模块105、和社交分析合成器模块106。所述主动式构成器模块可以用机器创建个性化内容消息的多个版本并为目标观众推荐适当、或最优解决方案。
[0118]转到图8，展示了主动式构成器模块104的示例部件。示例部件包括文本构成器模块801、视频构成器模块802、图形/图片构成器模块803、音频构成器804、分析模块805、模板模块806和推荐引擎模块807。构成器模块801、802、803和804可以单独操作从而在其各自媒体类型内构成新社交数据，或者可以一起操作从而用混合媒体类型构成新社交数据。这些构成器模块还可以与分析模块、模板模块和推荐弓I擎模块一起操作。
[0119]分析模块805用于分析输出的社交数据、识别对组合过程的调整、并且生成对组合过程进行调整的命令。
[0120]模板模块806存储模板并且帮助应用模板，从而构成新社交数据对象。这些模板可以适合于文本、视频、图形、或音频、或以上的组合。
[0121 ]推荐引擎模块807检查最近构成的社交数据对象以确定用于构成新社交数据对象的推荐内容。
[0122]转到图9A，提供了示例计算机或处理器实施指令用于根据模块104构成社交数据。所述主动式构成器模块从主动式接收器模块103获取社交数据(框901)。然后，所述主动式构成器模块构成从所获取社交数据中衍生出来的新社交数据对象(例如，文本、视频、图形、音频)(框902)。
[0123]不同方法可以用于构成所述新社交数据对象、或多个新社交数据对象。例如，可以组合社交数据以创建新社交数据对象(框905)，可以提取社交数据以创建新社交数据对象(框906)，并且新社交数据可以被创建以形成新社交数据对象(框907)。在另一个示例方法中，所述构成器模块识别外部视频、音频和图片内容并且能够将这个内容合并到构成器内容、或正在被构成的内容中(框925)。框905、906、907和925中的操作可以应用于框902。图9B、图9C和图9D描述了此方面的进一步细节。
[0124]继续图9A，在框903，所述主动式构成器模块输出构成的社交数据。所述主动式构成器模块还可以向构成的社交数据添加标识符或跟踪符，这些标识符或跟踪符用于识别组合后的社交数据的来源和组合后的社交数据之间的关系。
[0125]转到图9B，提供了示例计算机或处理器实施指令用于根据框905组合社交数据。所述主动式构成器模块获取社交数据之间的关系和相关性(框908)。这些关系和相关性例如是从主动式接收器模块获取的。所述主动式构成器模块还获取与这些关系相对应的社交数据(框909)。在框909获取的社交数据可以是主动式接收器模块获取的社交数据的子集，或者可以被第三方来源、或两者获取。在框910，主动式构成器模块通过组合与彼此相关的社交数据来构成新社交数据(例如，新社交数据对象)。
[0126]可以认识到，当实施框910时，可以使用不同组合方法。例如，可以使用文本总结算法(框911)。在另一个示例中，可以使用用于组合文本、视频、图形等的模板(框912)。在示例实施例中，这些模板可以使用自然语言处理来生成文章或短文。模板可以包括关于立场的第一部分、包括支持所述立场的第一论据的第二部分、包括支持所述立场的第二论据的第三部分、包括支持所述立场的第三论据的第四部分、和包括所述立场的总结的第五部分。其他模板可以用于不同类型的文本，包括新闻文章、故事、新闻发布等。
[0127]还可以使用迎合不同语言的自然语言处理。还可以使用自然语言生成。可以认识至IJ，可以使用适用于本文中所描述的原理的当前已知或未来认识的构成算法。
[0128]自然语言生成包括内容确定、文档结构化、聚合、词汇选择、指称表达生成、和实现。内容确定包括决定在文本中提到什么信息。在这种情况下，从与识别的关系相关联的社交数据中提取信息。文档结构化是要表达的信息的总体组织。聚合是合并相似的句子以提高可读性和自然性。词汇选择是向概念放入文字。指称表达生成包括创建识别对象和地区的指称表达。这项任务还包括关于代词和其他类型的首语重复做出决策。实现包括创建实际文本，根据句法、词态学和正词法规则，其应是正确的。例如，针对将来时“将要”使用“将会”。
[0129]继续图9B，当构成新社交数据对象时，可以应用从所述主动式接收器模块获取的、或从第三方来源获取的元数据、或系统102已经生成的元数据(框913)。另外，包含与关键字和关键短语同义或类似的字或短语的类属词典数据库也可以用于构成新社交数据对象(框914)。类属词典数据库可以包括俚语和行话。在示例实施例中，类属词典数据库中的条目(如词或短语的实例，包括俚语和行话)各自与一个或多个地点、或一个或多个人口统计特点、或两者相关联。这些相关联的地点(例如)指示常使用每个具体条目的地方。这些相关联的人口统计特点(例如，年龄、语言、种族、性别、教育、兴趣、社会群体等)指示常使用每个具体条目的人的特点。以此方式，基于目标观众的地点、或目标观众的人口统计特点、或基于两者，主动式构成器模块能够根据目标观众从类属词典中选择常用的适当的词和短语。
[0130]例如，构成的文本可以将教师描述为“严厉的”。了解了文本面向学生后(其是人口统计特点)，所述主动式构成器模块使用类属词典数据库识别词或短语以替换词“严厉的”。所述主动式构成器模块识别出词“艰苦的”是对于学生人口统计而言适当的词，并且因此用“艰苦的”替换词“严厉的”。
[0131]在另一个示例中，构成的文本使用词“无边女帽”描述某种类型的帽子，其在加拿大常常按名字称呼。然而，当所述主动式构成器模块已经获取了构成的文本目标是针对位于美国的读者的数据时，所述主动式构成器模块在类属词典数据库中搜索更适合于美国的词或短语。举例来讲，同义词“无檐小便帽”在类属词典数据库中被找到并且与地点“美国”相关联。因此，“无檐小便帽”用于替换词“无边女帽”。
[0132]转到图9C，提供了示例计算机或处理器实施指令用于根据框906提取社交数据。在框915，所述主动式构成器模块识别与社交数据相关的特点。可以使用元数据、标签、关键字、社交数据的来源等识别这些特点。可以使用元数据、标签、关键字、社交数据的来源等识别这些特点。在框916，所述主动式构成器模块搜索并提取与所识别的特点相关的社交数据。
[0133]例如，所识别的特点之一是人、组织、或地方的社交网络账户名。然后，所述主动式构成器模块将会访问社交网络账户以从所述社交网络账户提取数据。例如，所提取的数据包括相关联的用户、兴趣、最喜欢的地方、最喜欢的食物、不喜欢的事物、态度、文化偏好等。在示例实施例中，社交网络账户是LinkedIn账户或Facebook账户。这个操作(框918)是实施框916的示例实施例。
[0134]实施框916的另一个示例实施例是获取关系并且使用这些关系提取社交数据(框919)。可以用多种方式获取关系，包括但不限于本文中所描述的方法。另一种获取关系的示例方法是使用皮尔森相关性。皮尔森相关性是测量两个变量X与Y之间的线性相关性(依赖性)，给出了在+1与_1(含)之间的值，其中，I是完全正相关，O是没有相关性，而-1是负相关。例如，如果给出数据X，并且确定X和数据Y正相关，则提取数据Y。
[0135]不同类型的数据(例如，用户账户、影响者、专家、追随者、话题、内容、地点等)之间的关系还可以是主动式接收器模块103所获取的那些数据。
[0136]实施框916的另一个示例实施例是使用加权来提取社交数据(框920)。例如，基于统计分析、投票、或其他标准，某些关键字可以静态地或动态地被加权。加权较重的特点可以用于提取社交数据。在示例实施例中，特点加权越重，用于提取和所述特点相关的社交数据的搜索就越广和越深。
[0137]可以使用用于搜索和提取社交数据的其他方法。
[0138]在框917，所提取的社交数据用于形成新社交数据对象。
[0139]转到图9D，提供了示例计算机或处理器实施指令用于根据框907创建社交数据。在框921，所述主动式构成器模块识别与社交数据相关的定型。可以从社交数据中衍生出定型。例如，使用聚类和决策树分类器，可以计算定型。
[0140]在示例定型计算中，创建模型。所述模型表示人、地方、物体、公司、组织、或更概括地概念。随着系统102(包括所述构成器模块)获取得到关于社交通信的、正被传输的数据和反馈的经验，所述主动式构成器模块能够修改模型。特征或定型基于聚类而被分配给所述模型。具体而言，使用凝聚式聚类的迭代来处理表示与所述模型相关的不同特征的聚类。如果这些聚类中的某些聚类满足预定距离阈值，当所述距离表示相似度时，则合并这些聚类。例如，杰卡德距离(基于杰卡德索引)(用于确定集合的相似度的测量值)用于确定两个聚类之间的距离。认为保持的聚类质心是与所述模型相关联的定型。例如，所述模型可以是具有以下定型的服装品牌:运动、跑步、体育、耐克标志(swoosh)、耐克广告语(just do it)。
[0141]在另一个示例定型计算中，相似性传播用于识别共同特征，由此识别定型。相似性传播是一种聚类算法，所述聚类算法鉴于多对数据点之间的相似度集合在数据点之间交换消息以便找出对数据描述得最好的范例点子集。相似性传播将每个数据点与一个范例相关联，从而引起将整个数据集划分成多个聚类。相似性传播的目标是将数据点与其范例之间的相似度的总和最小化。还可以使用相似性传播计算的变化。例如，可以使用相似性传播计算的二进制变量模型。英玛尔E.吉瓦提(Inmar E.Givoni )和布兰登J.弗雷(BrendanJ.Frey)在标题为“A Binary Variable Model of Affinity Propagat1n(相似性传播的二进制变量模型)”(神经计算21,1589-1600(2009))的文件中描述了相似性传播的二进制变量模型的非限制示例，所述文件的全部内容通过引用并入本文。
[0142]另一个示例定型计算是购物篮分析(关联分析)，其是相似性分析的示例。购物篮分析是一种数学建模技术，所述数学建模技术基于以下理论:如果您购买某一组产品，您很可能购买另一组产品。其通常用于分析客户购物习惯并且帮助增加销售额和通过聚焦于销售点交易数据来保持库存。鉴于数据集，先验算法训练并识别产品篮子和产品关联规则。然而，同一种方法在本文中用于识别人的特点(例如，定型)而不是产品的特点。另外，在这种情况下，对用户的社交数据消费(例如，它们读到、看到、听到、评论了什么等)进行分析。先验算法训练并识别典型(例如，定型)的篮子和典型的关联规则。
[0143]可以使用其他用于确定定型的方法。
[0144]继续图9D，定型被用作元数据(框922)。在示例实施例中，元数据是新社交数据对象(框923)，或者元数据可以用于衍生出或构成新社交数据对象(框924)。
[0145]可以认识到，尽管本文中没有具体描述，但关于框905、906和907描述的用于构成新社交数据对象的方法可以用不同的方式组合。也可以应用其他构成新社交数据对象的方式。
[0146]在构成社交数据对象的示例实施例中，社交数据包括名字“克里斯.法利(ChrisFarley)”。为了构成新社交数据对象，使用定型来创建社交数据。例如，定型‘喜剧演员’、‘肥胖’、‘忍者’和‘金发’被创建并且与克里斯?法利相关联。定型于是用于自动创建漫画(例如，克里斯.法利的类卡通图像)。人的图像被自动修改成包括滑稽的微笑和抬起的眼眉，从而与‘喜剧演员’定型相对应。人的图像被自动修改成具有粗腰，从而与‘肥胖’定型相对应。人的图像被自动修改成包括忍着服装和兵器(例如，刀、棍等)，从而与‘忍者’定型相对应。人的图像被自动修改成包括金色的头发，从而与‘金发’定型相对应。以此方式，自动创建包括克里斯.法利的漫画图像的新社交数据对象。可以使用从文本衍生出的不同图形生成方法。例如，映射数据库包含被映射到图形属性的文字，并且那些图形属性进而可以应用于模板图像。这类映射数据库可以用于生成漫画图像。
[0147]在另一个示例实施例中，定型用于创建克里斯.法利的文本描述，并且在文本描述中识别与相同定型匹配的其他人。文本描述是构成的社交数据对象。例如，克里斯.法利的定型还可以用于识别也与‘喜剧演员’和‘忍者’相符的演员“约翰.贝鲁西(JohnBelushi)”。尽管以上示例与人有关，但使用定型来构成社交数据的相同原理还适用于地方、文化、流行趋势、品牌、公司、物体等。
[0148]在示例实施例中，模板被提供用于构成文本、图像、和视频社交数据对象，并且可以使用以上操作和原理。例如，基于所获取的社交数据和关系确定哪个内容用于填入模板。
[0149]转到图1O，提供了模板数据库1001ο数据库1001是模板模块806的一部分。数据库1001包括不同类型的模板，如模板1002。一些模板用于生成文本文件，一些模板用于生成音频文件，一些模板用于生成图像，而一些模板用于生成视频文件。通常，如本文中所使用的模板是指与内容组合来生成社交数据对象的预格式化数据。换言之，内容用于填入模板，并且所述内容可以被格式化或处理以符合模板的格式。
[0150]其他示例类型的模板包括但不限于观点模板1003、新闻文章模板1004、收入发布模板11、和产品发布模板1011。数据库1001还可以包括行业专用新闻发布模板1005，如药物模板1006、电信模板1007、银行模板1008、和农业模板1009。将认识到，可以使用其他模板。
[0151]转到图11，提供了观点模板的示例。所述模板概括了段落和应被填入每个段落中的内容。根据模板，形成引言和关于观点1101的陈述的文本要填入第一段。形成支持观点1102、1103、1104的论据的文本要填入第二段、第三段和第四段。总结观点1105的文本要填入第五段。将认识到，尽管展示了五个段落，但可以有更多段落。例如，可以有多于三个段落来支持观点。
[0152]转到图12，提供了示例计算机或处理器实施指令用于生成文本来填入观点模板。在框1201，主动式构成器模块从社交数据(例如，主动式接收器模块提供的社交数据和关系)识别出观点。观点(例如)可以被识别为在来自用户、专家和影响者等的文章、消息、帖子当中识别的再现陈述。在框1202，观点可以用于生成引言文本，其可以被插入观点模板的段落1101中。
[0153]在框1203，所述主动式构成器模块从社交数据识别与观点相关的因果关系陈述。可以通过使用某些因果关系词语和语言来标识因果关系陈述。例如，使用词语“因为”、“既然”、“由于”、“作为…的结果”、“由…引起”等的陈述被标识为因果关系陈述。
[0154]在示例实施例中，观点是“ABC的产品极好”。从社交数据中提取与这类关系相关的因果关系陈述，并且这类因果关系陈述的示例是:“ABC的产品非常好，因为其容易使用”；“ABC的产品极好，因为其持续了很长时间”；并且“作为小尺寸的结果，ABC的产品成功”。使用主动式接收器模块或社交分析合成器模块提供的关系和分析来识别因果关系陈述。
[0155]继续图12，在框1204，对因果关系陈述进行排名。例如，所述排名基于哪个因果关系陈述最常使用；哪个因果关系陈述被其他评论最多；哪个因果关系陈述被分发最多(例如，以电子邮件被发送、被发帖、被重新发送、被共享等)；或者哪个因果关系陈述被阅读最多;或者这类排名标准的组合。可以认识到，其他标准可以用于对因果关系陈述进行排名。
[0156]在框1205，选择排名前η个因果关系陈述，其中，η是自然数。在示例实施例中，η是
3。在框1206，所选择的每个因果关系陈述用于形成对支持观点的论据的测试(例如，论据段落)。
[0157]继续关于“ABC的产品极好”的观点的示例，因果关系陈述“ABC的产品非常好，因为其容易使用”被处理以形成论据段落。类似地，因果关系陈述“ABC的产品极好，因为其够用很长时间”用于形成另一个论据段落。因果关系陈述“作为小尺寸的结果，ABC的产品是成功的”用于形成另一个论据段落。可以使用其他论据段落，并且使用当前已知和未来认识的语言处理和语言生成算法来重新安排文本。
[0158]继续图12，在框1207，根据因果关系陈述的排名对论据段落排序。在示例实施例中，从排名最高的因果关系陈述到排名最低的因果关系陈述对这些段落进行排序，或者反之亦然。在另一个示例实施例中，与排名第二的因果关系陈述相关的论据段落被定位在模板中的第二段;与排名第三的因果关系陈述相关的论据段落被定位在目模板的第三段;并且排名最高的因果关系陈述被定位为模板中的第四段。将认识到，论据段落的排序可以变化，并且例如，排序可以与因果关系陈述的排名相关。
[0159]在框1208，所述主动式构成器模块使用所述观点和，可选地，所选择的因果关系陈述来生成总结所述观点的文本。
[0160]转到图13，展示了新闻文章模板的示例实施例。模板中所示的部分识别某些类型的内容的排序。每个部分可以表示一个或多个句子或文本段落。
[0161]介绍新闻项、或陈述新闻项关于什么的文本要填入部分1301。提供新闻项的详细说明的文本要填入部分1302。与新闻项相关的图像要填入部分1303。来自对新闻项进行评论的人或组织的引文要填入部分1304。用于结束语的文本要填入部分1305，并且所述部分可以提出不确定性的问题或陈述。
[0162]转到图14，提供了示例计算机或处理器实施指令用于生成内容来填入新闻文章模板。在框1401，所述主动式构成器模块获取对来自社交数据的事件进行描述的文本。社交数据可以包括来自用户、专家或影响者等的文章、社交媒体、发帖、视频、无线电、帖子。应认识至IJ，通过使用光学字符识别算法、或语音转文本算法、或两者从视频或无线电获取文本。在框1402，对事件的描述用于生成有待填入模板的部分1301中的引言文本。
[0163]在框1403，所述主动式构成器模块获取与事件相关的事实。从社交数据获取事实并且这些事实可以包括进一步的细节、与事件相关联的地点、与事件相关联的日期或时间(或两者)、与事件相关联的人或公司的名称、因果关系陈述等。在示例实施例中，当这些详细事实在同一个句子、或同一个文档或同一文件中被描述为事件，则这些详细事实被认为与所述事件相关。可以使用用于确定详细事实与事件之间的相关性和相似性的其他当前已知和未来认识的方法和算法。
[0164]在框1404，这些事实用于生成用于对新闻项进行详细描述的文本，并且所述文本用于填入模板的部分1302。
[0165]在框1405，获取与所述事件相关联的图像。例如，使用与事件的关键字匹配的关键字对图像贴标签，或者将所述图像贴在具有与所述事件的关键字匹配的关键字的另一个文章或消息中。以此方式，例如，所述主动式构成器模块能够确定所述图像与所述事件相关联。所述图像可以用于填入模板的部分1303。
[0166]在框1406，所述主动式构成器模块从与所述事件相关的人(例如，从文章、社交网络、评论板、博客、帖子等)获取引文。这些引文可以来自被认为是相关社交网络或话题中的影响者或专家的人。当获取引文时，还获取提供评论的个人的名字和位置。例如，所述主动式构成器模块在是123公司的CE0、名字为约翰.史密斯的用户的发帖内识别引文，并且所述引文为:“公司ABC的新产品是一个技术奇迹” ！以此方式，当生成部分1304的引用文本时，还使用关于提供引文的个人的信息。所生成的引用文本的示例是:根据123公司的CEO约翰.史密斯，“ABC公司的新产品是一个技术奇迹” !
[0167]在进一步的示例中，所生成的引用文本包括引文的数据源的链接。链接的非限制性示例包括超级链、编码URL链接、主题标签、社交联网账户句柄或标识符。例如，如果来自约翰.史密斯的引文被张帖在某一社交联网web应用或网站上，然后在所生成的引用文本中提供所述某个社交联网web应用或网站上的发帖链接。例如，引文的来源的链接可以是Twitter账户、Twitter发帖、YouTube网页、博客、网站、或任何其他数据站点。所生成的引用文本的示例是:根据123公司的CEO约翰.史密斯，“ABC公司的新产品是一个技术奇迹” !http://t.CO/123ABC。所述链接可以已经与引文相关联，并且可以是主动式构成器模块所提供或所获取的数据的一部分。
[0168]按照框1407，关于个人的引文和信息用于生成新闻文章的文本。
[0169]可以用于新闻文章模板的部分1304中的文本引文模板的示例为:根据[插入姓名]，“[插入引文]”。另一个文本引文模板是:所述[插入姓名]，“[插入引文]”。包括释义的另一个文本引文模板是:[插入姓名]相信[插入引文]。另一个文本引文模板是[插入引文]”，陈述[插入姓名]。可以使用其他句子模板和结构，并且不同的模板用于同一新闻文章中以便提供句子变化。
[0170]在框1408，所述主动式构成器模块从社交数据获取与事件相关的不确定性陈述。不确定性陈述是引起对和事件相关的问题或事实怀疑或不确定的陈述。例如，存在问题标记的陈述被认为是不确定性陈述。在另一个示例中，如果陈述包括某些短语，如“不理解”、“不清楚”、和“不知道”，则所述陈述被认为是不确定性陈述。例如，句子“不清楚ABC公司的产生是否会被国际市场接受”被认为是不确定性陈述。在另一个示例中，句子“我不知道ABC公司将能够生产足够满足需求的产品”是另一个不确定性陈述。在另一个示例中，句子“有人知道什么时候销售ABC公司的产品吗? ”是另一个不确定性陈述。
[0171]在框1409，所述主动式构成器模块使用不确定性陈述来生成结束语的文本，所述文本用于填入模板的部分1305。不确定性陈述可以被修改从而与新闻文章模板的语法和语气匹配。
[0172]例如，不确定性陈述“有人知道什么时候销售ABC公司的产品吗”应用于句子或短语模板:仍然要回答问题，如‘[插入不确定性陈述]’。所输出的结束语于是为:仍然要回答问题，如“什么时候会销售ABC公司的产品?”。
[0173]在另一个示例中，不确定性陈述“不清楚ABC公司是否会被国际市场接受”应用于句子或短语模板:还需拭目以待[插入不确定陈述]。所输出的结束语于是为:是否将销售ABC公司的产品还需拭目以待。
[0174]可以使用用于结束语的其他句子或短语模板，其可以用于设定语气。应认识到，从写作或文学角度看，语气是指文本的态度(例如，严肃、高兴、幽默、忧郁、事实、积极、讽刺等)O
[0175]更普遍地，每个文章模板、新闻发布模板或其他文本消息或发帖模板能够利用各种不同的句子模板来形成各种句子和段落，并且保持一致语气。例如，每个句子模板与某篇文章模板、新闻发布模板、或其他文本模板、以及谋篇文章模板、新闻发布模板、或其他文本模板内的位置(例如，段落、句子编号等)相关联。每个句子模板还与语气标志相关联，所述语气标志指示句子的语气。所述主动式构成器模块选择一致语气或赞美语气的句子以供在同一文章、新闻发布、或文本消息或发帖中使用。
[0176]转到图15，展示了收入新闻发布模板，包括收入新闻发布的不同部分或段落。尽管图15的示例中展示了这些不同的特定顺序，但还可以使用不同的顺序。每个部分包括一个或多个句子或一个或多个文本段落。
[0177]从CEO陈述中获取或衍生出的文本要填入部分1501。从CFO陈述中获取或衍生出的文本要填入部分1502。文本或图、或两者(包括公司的当前收入)要填入部分1503。将同一家公司的当前收入与过去的收入进行比较的文本或图、或两者要填入部分1504。包括前瞻性陈述的文本要填入部分1505。对公司的一般企业信息进行描述的文本要填入部分1506。包括与收入新闻发布相关免责声明的文本要填入部分1507。
[0178]可以从不同的社交数据(包括已经描述的那些社交数据，和进一步包括但不限于公司提供的文件和电子邮件、和过去的新闻发布)获取用于获取收入新闻发布模板的数据。
[0179]转到图16，提供了示例计算机或处理器实施指令用于生成与收入相关的竞争情报数据。这些操作可以与生成主题公司的收入新闻发布结合使用，从而使得竞争情报报告也被生成并且与收入新闻发布相关联。在框1601，所述主动式构成器模块获取主题公司的收入数据用于收入新闻发布模板。根据所述模板，使用所获取的收入数据生成文本(例如，用于部分1503)(框1602)。所述主动式构成器模块获取或识别是主题公司的竞争者的公司(框1603)。然后，所述主动式构成器模块获取竞争公司的收入数据并且将竞争公司的收入与主题公司的收入进行比较(框1604)。在框1605，使用比较数据生成收入比较报告。在框1606，收入比较报告(又称为竞争情报报告)附着于主题公司的构成的收入新闻发布。用数据标志对收入比较报告进行标记，所述数据标志指示收入比较报告默认不用于公开分发。
[0180]以此方式，尽管主题公司的收入新闻发布可以被自动分发，但相关联的收入比较报告不被公开分发。例如，替代地，收入比较报告被私下分发给选择的客户或选择的个人或多个人(例如，CF0、CE0等)以供私下审阅。所选择的客户或所选择的个人于是可以审阅收入新闻发布和收入比较报告从而获得更好的竞争情报。
[0181]转到图17，展示了产品新闻发布模板，包括产品新闻发布的不同部分或段落。尽管图17的示例中展示了这些不同的特定顺序，但还可以使用不同的顺序。每个部分包括一个或多个句子或一个或多个文本段落。
[0182]从CEO陈述中获取或衍生出的文本要填入部分1701。从CTO陈述中获取或衍生出的文本要填入部分1702。对产品进行描述的文本或图、或两者要填入部分1703。将同一家公司的当前产品与过去的或旧的产品进行比较的文本或图、或两者要填入部分1704。包括前瞻性陈述的文本要填入部分1705。对公司的一般企业信息进行描述的文本要填入部分1706。包括与产品新闻发布相关免责声明的文本要填入部分1707。
[0183]可以从不同的社交数据(包括已经描述的那些社交数据，和进一步包括但不限于公司提供的文件和电子邮件、和过去的新闻发布)获取用于获取产品新闻发布模板的数据。
[0184]转到图18，提供了示例计算机或处理器实施指令用于生成与产品相关的竞争情报数据。这些操作可以与生成主题公司的产品新闻发布结合使用，从而使得竞争情报报告也被生成并且与产品新闻发布相关联。在框1801，所述主动式构成器模块获取关于主题公司的产品的数据用于产品新闻发布模板。根据所述模板，使用所获取的产品数据生成的文本和图(例如，用于部分1703)(框1802)。所述主动式构成器模块获取或识别是主题公司的竞争者的公司(框1803)。所述主动式构成器模块于是获取关于竞争公司所提供的产品的产品数据并且将竞争产品与主题公司的产品进行比较(框1804)。例如，识别并在主题公司的产品与竞争产品之间比较特征类型(例如，大小、重量、成本、功能特征、表现特征、副作用、流行程度、电池使用寿命等)。在框1805，比较数据用于生成产品比较报告。在框1806，产品比较报告(又称为竞争情报报告)附着于主题公司的构成的产品新闻发布。用数据标志对产品比较报告进行标记，所述数据标志指示产品比较报告默认不用于公开分发。
[0185]以此方式，尽管主题公司的产品新闻发布可以被自动分发，但相关联的产品比较报告不被公开分发。例如，替代地，产品比较报告被私下分发给选择的客户或选择的个人或多个人(例如，CF0、CT0等)以供私下审阅。所选择的客户或所选择的个人于是可以审阅产品新闻发布和产品比较报告从而获得更好的竞争情报。
[0186]另一方面，推荐引擎模块807检查最近构成的社交数据对象以确定用于构成新社交数据对象的推荐内容。例如，当生成构成的社交数据对象(例如，之前构成的社交数据对象)时，所述主动式构成器模块可以同时、或者之后开始收集数据以生成与之前构成的社交数据对象相关的、或是其增补内容的另一个新的构成的社交数据对象。换言之，所述主动式构成器模块自动开始供应下一个社交数据对象(例如，本文、音频、视频等)。
[0187]这种自动供应包括检查之前构成的社交数据对象的内容以确定或预测在新的构成的社交数据对象中应传递的思想和内容。
[0188]转到图19，提供了示例计算机或处理器实施指令用于基于之前构成的社交数据对构成新社交数据对象。例如，可以使用模块807、或更普遍地所述主动式构成器模块来实施这些指令。在框1901，所述主动式构成器模块获取之前构成的社交数据对象(例如，新闻文章、发帖、新闻发布、消息、音频文件、视频、图片等)。
[0189]在框1902，所述主动式构成器模块在之前构成的社交数据对象中识别关键字、关键词、关键名称、关键地点、关键日期等。对于图片和视频，所述主动式构成器模块可以识别关键对象、脸部、地点、和与社交数据对象相关联的其他元数据。
[0190]在实施框1902的示例实施例中，所述主动式构成器模块识别前瞻性陈述、将来时短语、和不确定性陈述(框1905)。这些识别的陈述和短语被分析以在之前构成的社交数据对象中识别关键字、关键词、关键名称、关键地点、关键日期等。可以使用实施框1902的其他方式。
[0191]继续图19，在框1903，所述主动式构成器模块对社交数据进行搜索以获取识别的关键字、关键词、关键名称、关键地点、关键日期等。在实施框1903的示例实施例中，对所述主动式接收器模块所获取的传入和不断更新的社交数据流进行搜索和分析。可以使用实施框1903的其他方式。
[0192]在框1904，来自框1903的搜索结果用于构成是之前构成的社交数据对象的增补内容的新社交数据对象。
[0193]在实施框1904的示例实施例中，新社交数据对象包括来自这些搜索结果的新内容并且包括来自之前构成的社交数据对象的内容(框1907)。在另一个示例实施例中，当构成新社交数据对象时，所述主动式构成器模块参考之前构成的社交数据对象(框1908)。框1907和1908可以一起进行，或者仅使用框1907，或者仅使用框1908。可以使用实施框1904的其他方式。
[0194]例如，按照框1908，新社交数据对象通过包括之前构成的社交数据对象的标题、【公开日】期、公开来源、之前构成的社交数据对象的数据链接、或以上的任意组合来进行参考。
[0195]转到图20，提供了示例计算机或处理器可执行指令用于构成包括音频内容的社交数据对象、和用于构成包括视频内容的社交数据对象。所述过程从生成文本数据开始(框2001)。可以用许多方式(包括上述方法)生成或构成文本。
[0196]在框2002，所述主动式构成器模块使用文本转语音方法来生成音频文件。以此方式，创建音频内容。
[0197]为了创建视频内容，继续图20，在框2003，所述主动式构成器模块获取与文本数据相关的图像和视频。例如，这些图像和视频最初是在具有某些关键字或短语的文章或消息或帖子中被公开的，并且这些短语在框2001的构成的文本数据中。在另一个示例中，这些图像和视频具有与文本数据的内容或元数据匹配的元数据。可以使用识别图像和视频与文本数据之间的关系的其他方式。
[0198]在框2004，所述主动式构成器模块组合图像和视频来生成与音频文件的长度大致匹配的视频文件。例如，图像和视频可以级联在一起以形成一系列图像，从而形成视频。或者图像可以是嵌入式视频。可以使用组合图像、或组合视频、或组合图像与视频的其他方式。作为非限制性具体示例，如果音频文件长t秒，则生成的视频文件也大致长t秒。
[0199]在框2005，音频文件可以覆盖在视频文件上。以此方式，视频文件具有伴随着视频图像的音频成分。
[0200]在框2006，可选地，基于在音频文件中说出的文本的定时，从所生成的文本数据提取文本并将其显示到视频文件中的图像上。例如，关键字、短语或句子可以从所生成的文本数据中被提取并显示在视频文件中。所述文本可以作为流式文本或静态文本来显示、覆盖视频图像或被嵌入、或以另一种方式被显示。
[0201]转到图21，提供了示例示意图来展示形成视频文件的组合的视频和音频数据。所生成的文本数据可以是公司的与其新产品和收入相关的新闻发布。不同的时间实例被展示为tl和t2。在时间tl，展示了视频文件2101。并且在同一时间，显示了视频文件2101，音频成分2103被播放并且说出“ABC公司在2014年已经发布了新产品。新产品提出要改进…”。基于在tl播放音频内容，在图像中显示相应的文本(或其一部分)2102。在tl显示的文本2102为:“ABC公司在2014年发布了新产品”。
[0202]在时间t2，在所述视频文件中展示不同的图像2104。在时间t2播放的音频成分2106说出:“ABC公司的收入在前两个财务期内上升。股份价值增长22 。因此，在时间12在视频中提取和显示文本2105为:“股份价值增长22%”。
[0203]可以使用所述视频文件中文本和图像的其他显示配置。在另一个示例实施例中，没有音频覆盖，并且所述视频文件仅包括与文本数据覆盖视频和图像数据的显示组合的视频和图像数据。
[0204]另一方面，主动式构成器模块104被配置成用于在极少或没有人类干预的情况下操作。
主动式发送器模块
[0205]主动式发送器模块105以分析方式评价用于将新构成的社交数据传递至某些用户和目标群体的优选或适当的社交数据信道。所述主动式发送器模块还评价发送或传输新构成的社交数据的优选时间
[0206]转到图22，展示了主动式发送器模块105的示例部件。示例部件包括遥测模块2201、调度模块2202、跟踪和分析模块2203、以及用于传输的数据存储器2204。遥测模块2201被配置成用于确定或识别通过其应发送或广播某些社交数据的社交数据信道。社交数据对象可以是文本文章、消息、视频、评论、音轨、图形、或混合媒体社交片段RSS源、视频或音频信道、博客、或潜在汽车买家查看或跟随的群体、汽车品牌的当前所有者、和汽车品牌的过去所有者。调度模块2202确定发送构成的社交数据对象的优选时间范围或日期范围、或两者。例如，如果新构成的社交数据对象是关于股票或商业新闻的，则构成的社交数据对象将被调度成在工作日的工作时间期间发送。跟踪和分析模块2203将数据跟踪符或标志插入构成的社交数据对象来方便收集来自人们的反馈。数据跟踪符或标志包括例如标签、反馈(例如，喜欢、不喜欢、评级、好评、差评等)、网页的查看数量等。
[0207]用于传输的数据存储器2204存储具有相关联的数据跟踪符或标志的社交数据对象。所述社交数据对象可以被打包为“购物车”。具有相同社交数据对象或不同社交数据对象的多个购物车存储在数据存储器2204。根据相关联的遥测和调度参数启动或传输购物车。同一购物车可以被启动多次。一个或多个购物车在活动下被组织以广播构成的社交数据。数据跟踪符或标志用于分析活动的或每个推车的成功。
[0208]转到图23，提供了示例计算机或处理器实施指令用于根据主动式发送器模块105传输构成的社交数据。在框2301，所述主动式发送器模块获取构成的社交数据。在框2302，所述主动式发送器模块确定构成的社交数据的遥测。在框2303，所述主动式发送器模块确定构成的社交数据的传输调度。用于获取反馈的跟踪符被添加到构成的社交数据(框2304)，并且包括这些跟踪符的社交数据联合调度和遥测参数一起被存储(框2305)。在调度参数确定的时间，所述主动式发送器模块按照遥测参数将构成的社交数据发送到所识别的社交数据信道(框2306)。
[0209]继续图23，所述主动式发送器模块使用跟踪符接收反馈(框2307)并且使用所述反馈调整遥测参数或调度参数、或两者(框2308)。
[0210]以下提供了主动式发送器模块105的其他示例方面。
[0211]主动式发送器模块105被配置成用于在极少或没有人类干预的情况下传输消息并且通常传输社交数据。
[0212]主动式发送器模块105被配置成用于使用机器学习算法和分析算法来选择一个或多个数据通信信道来讲构成的社交数据对象传递给观众或用户。数据通信信道包括但不限于互联网公司，FaceBook、Twitter、和Bloomberg。信道还可以包括传统电视、收音机、和报纸出版信道。
[0213]主动式发送器模块105被配置成用于自动将目标通信信道加宽或变窄从而到达某一目标观众或用户。
[0214]主动式发送器模块105被配置成用于整合来自第三方公司或组织的数据和元数据以帮助增强信道靶向和用户靶向，由此提高社交数据的有效性。
[0215]主动式发送器模块105被配置成用于应用和传输唯一标志来跟踪构成的社交数据。除其他关键性能指标外，这些标志还跟踪构成的社交数据的有效性、数据通信信道的有效性、和ROI(投资回报)有效性。
[0216]主动式发送器模块105被配置成用于自动推荐发送/传输构成的社交数据的最佳时间或适当时间。
[0217]主动式发送器模块105被配置成用于听取或解释构成的社交数据是否被数据通信信道成功接收、或被用户成功查看/消费、或两者。
[0218]主动式发送器模块105被配置成用于分析用户对构成的社交数据的响应并且自动对目标信道或用户、或对两者做出改变。在示例中，做出改变的决策基于成功传输或不成功传输(被用户接收)。
[0219]主动式发送器模块105被配置成用于为未来或后续构成的社交数据传输过滤掉某个或某些数据通信信道和用户。
[0220]主动式发送器模块105被配置成用于取决于主动式发送器模块接收的分析响应来将之前发送的构成的社交数据的传输重复N次。在这个情景下，N的值可以用分析方式来确定。
[0221]主动式发送器模块105被配置成用于以分析方式确定每次传输活动之间的持续时间。
[0222]主动式发送器模块105被配置成用于将来自主动式构成器模块104的元数据应用于构成的社交数据的传输，以便提供进一步的商业信息强化。元数据包括但不限于地理数据、时态数据、商业驱动特点、唯一活动ID、关键字、主题标签或等效物、分析驱动特点等。
[0223]主动式发送器模块105被配置成用于例如通过使用多个主动式发送器模块105来缩放大小。换言之，尽管图中展示了一个模块105，但同一模块可以具有多个实例以适应大规模数据传输。
社交分析合成器模块
[0224]社交分析合成器模块106被配置成用于执行机器学习、分析、和根据商业驱动规则做出决策。社交分析合成器模块106确定的结果和推荐以智能方式与主动式接收器模块103、主动式构成器模块104、主动式发送器模块105中任一者或多者、或可以与系统102整合的任何其他模块整合。这个模块106可以被放置或定位在多个地理地点，从而方便在其他模块之前实时通信。这种安排或其他安排可以用于以大数据规模提供低延迟收听、社交内容创建和内容传输。
[0225]社交分析合成器模块106还被配置成用于识别唯一整体模式、相关性、和深刻见解。在示例实施例中，模块106能够通过分析来自至少两个模块(例如，模块103、104和105中的任意两个或更多模块)的所有数据来识别模式或深刻见解，这些模式或深刻见解没有以其他方式通过单独分析来自每个模块104、104和105的数据来确定。在示例实施例中，反馈或调整命令由社交分析合成器模块106实时提供给其他模块。随着时间过去和随着多次迭代，模块103、104、105和106中的每个模块在连续社交通信和在其自己各自的操作上变得有效和高效。
[0226]转到图24，展示了社交分析合成器模块106的示例部件。示例部件包括来自主动式接收器模块2401的数据副本、来自主动式构成器模块2402的数据副本、和来自主动式发送器模块2403的数据副本。这些数据副本包括每个模块获取输入数据、中间数据、每个模块的输出数据、每个使用的算法和计算、每个模块使用的参数等。优选地，尽管不一定，但这些数据存储器2401、2402和2403经常被更新。在示例实施例中，随着来自这些其他模块的新数据变得可用，社交分析合成器模块106实时获取来自其他模块103、104、105的数据。
[0227]继续图24，示例部件还包括来自第三方系统的数据存储器2404、分析模块2405、机器学习模块2406和调整模块2407。分析模块2405和机器学习模块2406使用当前已知或未来了解的计算算法处理数据2401、2402、2403、2404，从而做出决策和改进所有模块(103、104、105和106)之间的过程。调整模块2407基于来自分析模块和机器学习，模块的结果生成调整命令。然后，将这些调整命令发送至相应的模块(例如，模块103、104、105和106中的任一者或多者)。
[0228]在示例实施例中，来自第三方系统的数据2404可以来自另一个社交网络，如LinkedIn、Facebook、Twittter等。
[0229]以下展示了社交分析合成器模块106的其他示例方面。
[0230]社交分析合成器模块106被配置成用于将来自一个或多个子系统和模块(包括但不限于主动式接收器模块103、主动式构成器模块104、和主动式发送器模块105)的数据实时整合。外部或第三方系统可以与模块106整合。
[0231]社交分析合成器模块106被配置成用于将机器学习和分析应用于所获取数据以搜索“整体”数据模式、相关性和深刻见解。
[0232]社交分析合成器模块106被配置成用于实时反馈通过分析和机器学习方法确定的模式、相关性和深刻见解。所述反馈被引导至模块103、104、105和106，并且这个整合的反馈环路随着时间改进了每个模块和整个系统102的智能。
[0233]社交分析合成器模块106被配置成用于缩放这类模块的数量。换言之，尽管这些图展示了一个模块106，但这类模块106有多个实例以改进反馈的有效性和响应时间。
[0234]社交分析合成器模块106被配置成用于在极少或没有人类干预的情况下操作。
[0235]转到图25，提供了示例计算机或处理器实施指令用于根据模块106分析数据并且基于所述分析提供调整命令。在框2501，所述社交分析合成器模块从所述主动式接收器模块、所述主动式构成器模块和所述主动式发送器模块获取并存储数据。分析和机器学习应用于所述数据(框2502)。所述社交分析合成器确定有待对所述主动式接收器模块、所述主动式构成器模块、和所述主动式发送器模块中的任何模块中使用的算法或方法进行的调整(框2503)。然后，将这些调整、调整命令发送到相应的模块或多个相应的模块(框2504)。
[0236]以下描述了这些系统和方法的一般示例实施例。
[0237]—般而言，一种由计算设备执行的、用于构成社交数据的方法包括获取社交数据；基于至少两个概念之间的关系从所述社交数据获取所述两个概念;并且使用所述至少两个概念和所述社交数据构成新社交数据对象。
[0238]在本发明的一方面，所述方法进一步包括:传输所述新社交数据对象;获取与所述新社交数据对象相关联的用户反馈;并且使用所述用户反馈计算调整命令，其中，执行所述调整命令对所述方法中所使用的参数进行调整。
[0239]在所述方法的另一方面，所述社交数据包括社交数据对象，并且所述新社交数据对象包括所述社交数据对象。
[0240]在所述方法的另一方面，所述主动式接收器模块被配置成用于至少获取所述社交数据;所述主动式构成器模块被配置成用于至少构成所述新社交数据对象;所述主动式发送器模块被配置成用于至少传输所述新社交数据对象;并且其中，所述主动式接收器模块、所述主动式构成器模块和所述主动式发送器模块彼此通信。
[0241]在所述方法的另一方面，所述主动式接收器模块、所述主动式构成器模块和所述主动式发送器模块中的每一者与所述社交分析合成器模块通信，并且所述方法进一步包括所述社交分析合成器模块向所述主动式接收器模块、所述主动式构成器模块和所述主动式发送器模块中的至少一者发送所述调整命令
[0242]在所述方法的另一方面，构成所述新社交数据对象包括使用自然语言生成。
[0243]在所述方法的另一方面，所述新社交数据对象是文本、视频、图形、音频数据中的任意一个或组合。
[0244]在所述方法的另一方面，所述至少两个概念是所述社交数据的定型特征并且所述关系是定型关系，并且所述方法进一步包括使用所述定型特征来构成所述新社交数据对象。
[0245]在所述方法的另一方面，所述关系使所述至少两个概念联系在一起，并且所述至少两个概念包括以下概念的任意组合:关键字、关键短语、个人、人群、个人的特征、人群的特征、品牌、话题、文本数据、音频数据、视频数据、地点、日期、和每个概念的多个实例。
[0246]在所述方法的另一方面，所述至少两个概念是文本并且使用自然语言处理和文本汇总算法中的至少一者被组合。
[0247]在所述方法的另一方面，所述至少两个概念是文本，所述新社交数据对象是文本，并且所述方法进一步包括:识别所述新社交数据对象中的关键字或关键短语;使用所述关键字或所述关键短语来搜索类属词典数据库来获取同义关键字或同义关键短语;并且用所述同义关键字或所述同义关键短语替换所述关键字或所述关键短语。
[0248]在所述方法的另一方面，所述方法进一步包括:获取所述新社交数据对象的目标观众;并且根据与所述同义关键字或所述同义关键短语相关联的并且指示所述目标观众的至少一个地点和人口特征来选择所述同义关键字或所述同义关键短语。
[0249]在所述方法的另一方面，所述至少两个概念至少包括观点陈述和与所述观点陈述相关的多个因果关系陈述，并且所述方法进一步包括:生成对从所述观点陈述中衍生出来的观点进行介绍的文本引言段落;生成支持所述观点的多个支持性文本段落，所述支持性段落中的每个段落是从所述多个因果关系陈述之一中衍生出来的。
[0250]在所述方法的另一方面，所述至少两个概念至少包括事件和描述所述事件的事实，并且所述方法进一步包括:生成对所述事件进行陈述的文本引言段落;并且生成对所述事件进行描述的辅助文本段落，所述辅助段落是从所述事实中衍生出来的。
[0251]在所述方法的另一方面，所述至少两个概念至少包括事件、来自与所述事件相关的一方的陈述、和识别所述方的信息，并且所述方法进一步包括:生成对所述事件进行陈述的文本引言段落;并且生成引用所述方的辅助文本段落，所述辅助段落是从所述陈述和识别所述方的所述信息中衍生出来的。
[0252]在所述方法的另一方面，所述新社交数据对象是公司的新闻发布，所述新闻发布包括关于所述公司的信息，并且所述方法进一步包括:识别所述公司的竞争对手公司；将关于所述公司的所述信息与关于所述竞争对手公司的信息进行比较;并且使用所述比较生成竞争情报报告。
[0253]在所述方法的另一方面，使用指示所述竞争情报报告不是用于公开分发的数据标志来标记所述竞争情报报告。所述数据标志被配置成被计算系统识别为未经特定授权竞争情报报告不能被大量分发、并且禁止被多方发送或访问。
[0254]在所述方法的另一方面，所述方法进一步包括:将所述新社交数据对象标记为之前构成的社交数据对象;识别所述之前构成的社交数据对象中的关键字和关键词组中的至少一者;使用所述关键字和所述关键词组中的至少一者来进行搜索其他社交数据;并且使用来自所述搜索的结果来构成引用所述之前构成的社交数据对象的后续社交数据对象。
[0255]在所述方法的一方面，构成所述新社交数据对象包括生成文本;使用文本语音转换方法生成音频文件;获取与所述文本相关的图像和视频中的至少一者;使用图像和视频中的所述至少一者生成视频文件，所述视频文件具有与所述音频文件的长度匹配的长度；并且将所述音频文件覆盖在所述视频文件上。
[0256]—般而言，另一种由计算设备执行的、用于传递社交数据的方法包括获取社交数据;从所述社交数据衍生出至少两个概念;确定所述至少两个概念之间的关系;使用所述关系构成所述新社交数据对象;传输所述新社交数据对象;获取与新社交数据对象相关联的用户反馈;并且使用所述用户反馈计算调整命令，其中，执行所述调整命令对所述方法中所使用的参数进行调整。
[0257]在所述方法的一方面，所述主动式接收器模块、所述主动式构成器模块和所述主动式发送器模块中的每一者与社交分析合成器模块通信，并且所述方法进一步包括所述社交分析合成器模块向所述主动式接收器模块、所述主动式构成器模块和所述主动式发送器模块中的至少一者发送所述调整命令。
[0258]在所述方法的一方面，所述方法进一步包括执行所述调整命令和重复所述方法。
[0259]在所述方法的一方面，获取所述社交数据包括所述计算设备与多个社交数据流实时通信。
[0260]在所述方法的一方面，确定所述关系包括使用机器学习算法或模式识别算法、或使用两者。
[0261]在所述方法的一方面，所述方法进一步包括确定通过其传输所述新社交数据对象的社交通信信道并且通过所述社交通信信道传输所述新社交数据对象，其中，所述社交通信信道是使用所述至少两个概念中的至少一个概念确定的。
[0262]在所述方法的一方面，所述方法进一步包括确定传输所述新社交数据对象所在的时间、并且在那时传输所述新社交数据对象，其中，所述时间是使用所述至少两个概念中的至少一个概念确定的。
[0263]在所述方法的一方面，所述方法进一步包括在传输所述新社交数据对象之前向所述新社交数据对象添加数据跟踪符，其中，所述数据跟踪符方便收集所述用户反馈
[0264]将认识到，本文中所描述的系统和方法的示例实施例的不同特征可以用不同的方式相互组合。换言之，尽管没有具体阐明，但根据其他示例实施例，不同的模块、操作和部件可以一起使用。
[0265]本文中描述的所流程图中的步骤或操作仅是示例。在不脱离本发明或这些发明的精神的情况下，这些步骤或操作可以有许多变化。例如，这些步骤可以按不同的顺序进行，或者可以添加、删除或修改步骤。
[0266]尽管已经参照某些特定实施例对以上内容进行了描述，但在不脱离所附权利要求书的范围的情况下，其各种修改对于本领域的技术人员而言将是明显的。
【主权项】
1.一种由计算设备执行的、用于构成社交数据的方法，所述方法包括: 获取社交数据； 基于至少两个概念之间的关系从所述社交数据获取所述两个概念;并且 使用所述至少两个概念和所述社交数据构成新社交数据对象。2.如权利要求1所述的方法，进一步包括: 传输所述新社交数据对象； 获取与新社交数据对象相关联的用户反馈;并且 使用所述用户反馈计算调整命令，其中，执行所述调整命令对所述方法中所使用的参数进行调整。3.如权利要求1所述的方法，其中，所述社交数据包括社交数据对象，并且所述新社交数据对象包括所述社交数据对象。4.如权利要求1所述的方法，其中，主动式接收器模块被配置成用于至少获取所述社交数据;主动式构成器模块被配置成用于至少构成所述新社交数据对象;主动式发送器模块被配置成用于至少传输所述新社交数据对象;并且其中，所述主动式接收器模块、所述主动式构成器模块和所述主动式发送器模块彼此通信。5.如权利要求4所述的方法，其中，所述主动式接收器模块、所述主动式构成器模块和所述主动式发送器模块中的每一者与社交分析合成器模块通信，并且所述方法进一步包括所述社交分析合成器模块向所述主动式接收器模块、所述主动式构成器模块和所述主动式发送器模块中的至少一者发送所述调整命令。6.如权利要求1所述的方法，其中，构成所述新社交数据对象包括使用自然语言生成。7.如权利要求1所述的方法，其中，所述新社交数据对象是文本、视频、图形、音频数据中的任一者或其组合。8.如权利要求1所述的方法，其中，所述至少两个概念是所述社交数据的定型特征并且所述关系是定型关系，并且所述方法进一步包括使用所述定型特征来构成所述新社交数据对象。9.如权利要求1所述的方法，其中，所述关系使所述至少两个概念联系在一起，并且所述至少两个概念包括以下概念的任意组合:关键字、关键短语、个人、人群、个人的特征、人群的特征、品牌、话题、文本数据、音频数据、视频数据、地点、日期、和每个概念的多个实例。10.如权利要求1所述的方法，其中，所述至少两个概念是文本并且使用自然语言处理和文本汇总算法中的至少一者被组合。11.如权利要求1所述的方法，其中，所述至少两个概念是文本，所述新社交数据对象是文本，并且所述方法进一步包括:识别所述新社交数据对象中的关键字或关键短语;使用所述关键字或所述关键短语来搜索类属词典数据库来获取同义关键字或同义关键短语;并且用所述同义关键字或所述同义关键短语替换所述关键字或所述关键短语。12.如权利要求11所述的方法，进一步包括:获取所述新社交数据对象的目标观众;并且根据与所述同义关键字或所述同义关键短语相关联的并且指示所述目标观众的至少一个地点和人口特征来选择所述同义关键字或所述同义关键短语。13.如权利要求1所述的方法，其中，所述至少两个概念至少包括观点陈述和与所述观点陈述相关的多个因果关系陈述，并且所述方法进一步包括:生成对从所述观点陈述中衍生出来的观点进行介绍的文本引言段落;生成支持所述观点的多个支持性文本段落，所述支持性段落中的每个段落是从所述多个因果关系陈述之一中衍生出来的。14.如权利要求1所述的方法，其中，所述至少两个概念至少包括事件和描述所述事件的事实，并且所述方法进一步包括:生成对所述事件进行陈述的文本引言段落;并且生成对所述事件进行描述的辅助文本段落，所述辅助段落是从所述事实中衍生出来的。15.如权利要求1所述的方法，其中，所述至少两个概念至少包括事件、来自与所述事件相关的一方的陈述、和识别所述方的信息，并且所述方法进一步包括:生成对所述事件进行陈述的文本引言段落;并且生成引用所述方的辅助文本段落，所述辅助段落是从所述陈述和识别所述方的所述信息中衍生出来的。16.如权利要求1所述的方法，其中，所述新社交数据对象是公司的新闻发布，所述新闻发布包括关于所述公司的信息，并且所述方法进一步包括:识别所述公司的竞争对手公司；将关于所述公司的所述信息与关于所述竞争对手公司的信息进行比较;并且使用所述比较生成竞争情报报告。17.如权利要求16所述的方法，其中，使用指示所述竞争情报报告不是用于公开分发的数据标志来标记所述竞争情报报告。18.如权利要求1所述的方法，进一步包括:将所述新社交数据对象标记为之前构成的社交数据对象;识别所述之前构成的社交数据对象中的关键字和关键词组中的至少一者；使用所述关键字和所述关键词组中的至少一者来进行搜索其他社交数据;并且使用来自所述搜索的结果来构成引用所述之前构成的社交数据对象的后续社交数据对象。19.如权利要求1所述的方法，其中，构成所述新社交数据对象包括:生成文本;使用文本语音转换方法生成音频文件;获取与所述文本相关的图像和视频中的至少一者;使用图像和视频中的所述至少一者生成视频文件，所述视频文件具有与所述音频文件的长度匹配的长度;并且将所述音频文件覆盖在所述视频文件上。20.—种服务器系统，所述服务器系统被配置成用于传递社交数据，所述服务器系统包括: 处理器； 通信设备； 存储器设备;并且 其中，所述存储器设备包括至少用于以下内容的计算机可执行指令: 获取社交数据； 基于至少两个概念之间的关系从所述社交数据获取所述两个概念;并且 使用所述至少两个概念和所述社交数据构成新社交数据对象。
【文档编号】H04L12/16GK106062730SQ201480063429
【公开日】2016年10月26日
【申请日】2014年6月9日
【发明人】斯图尔特·小川
【申请人】西斯摩斯公司