用于电子邮件传输管理的系统和方法专利检索-许可空中管制专利检索查询-专利查询网

用于 电子邮件传输管理的系统和方法

阅读：219发布：2024-01-12

专利汇可以提供用于电子邮件传输管理的系统和方法专利检索，专利查询，专利分析的服务。并且描述了用于基于对电子邮件内容的用户响应的预测来控制电子邮件的传输的技术。根据各种实施例，访问与特定成员相关联的成员电子邮件交互数据和描述特定电子邮件内容项目的电子邮件内容数据。然后将数据编码到一个或多个特征向量中并组装从而生成经组装的特征向量。此后，基于经组装的特征向量和经训练的预测模型来执行预测建模过程，以预测特定成员对特定电子邮件内容项目执行特定用户动作的可能性。，下面是用于电子邮件传输管理的系统和方法专利的具体信息内容。

权利要求

1.一种用于控制电子邮件传输的计算机实现的方法，所述方法包括：
访问数据，所述数据包括描述特定电子邮件内容项目的电子邮件内容数据和描述特定成员与各种电子邮件内容的交互的成员电子邮件交互数据；
将从外部数据源访问的数据编码到一个或多个特征向量中，并组装所述一个或多个特征向量从而生成经组装的特征向量；
基于经组装的特征向量和所训练的预测模型来执行预测建模，以预测特定成员对特定电子邮件内容项目执行特定用户动作的可能性；以及
依赖于所述预测来控制电子邮件内容项目向特定成员的传输。
2.如权利要求1所述的方法，其中电子邮件内容数据指定电子邮件类型，并且其中电子邮件类型是如下各项中的至少一个：网络连接更新电子邮件、新闻更新电子邮件、职位更新电子邮件、影响力人物发帖更新电子邮件、公司更新电子邮件、组更新电子邮件、大学更新电子邮件和摘要电子邮件。
3.如权利要求1所述的方法，其中成员电子邮件交互数据指示被传输到特定成员的各种电子邮件类型的量、由特定成员结合各种电子邮件类型提交的点击的量、以及由特定成员结合各种电子邮件类型提交的电子邮件取消订阅请求的量。
4.如权利要求1所述的方法，其中用户动作是点击响应、未点击响应、悬停响应和转换响应中的任一个。
5.如权利要求1所述的方法，进一步包括：
经由一个或多个数据源来访问描述特定成员与在线社交网络服务的各种特征或内容的交互的成员站点交互数据；以及
将成员站点交互数据编码到经组装的特征向量中。
6.如权利要求5所述的方法，其中成员站点交互数据指示由特定成员与在线社交网络服务的各种特征或内容相关联地执行的各种用户动作的量。
7.如权利要求1所述的方法，进一步包括：
经由一个或多个数据源来访问描述特定成员的成员简档数据；以及
将成员简档数据编码到经组装的特征向量中。
8.如权利要求7所述的方法，其中成员简档数据包括如下各项中的至少一个：与特定成员相关联的年龄、位置、行业、当前职位、雇主、经验、技能、教育、学校、背书、资历级别、公司大小和连接。
9.如权利要求1所述的方法，其中预测模型是如下各项中的任一个：逻辑回归模型、朴素贝叶斯模型、支持向量机（SVM）模型、决策树模型和神经网络模型。
10.如权利要求1所述的方法，其中预测模块基于包括经组装的特征向量的训练集合数据来执行用于改良逻辑回归模型的系数的训练操作。
11.如权利要求1所述的方法，进一步包括：
标识与特定成员类似的在线社交网络服务的类似成员；
访问与一个或多个类似成员相关联的成员简档数据、成员电子邮件交互数据和成员站点交互数据中的至少一个；以及
将与所述一个或多个类似成员相关联的成员简档数据、成员电子邮件交互数据和成员站点交互数据中的至少一个插入到经组装的特征向量中。
12.如权利要求11所述的方法，其中所述类似成员是通过下述操作来标识的：
访问与所述特定成员相关联的成员简档数据；以及
确定关联于所述类似成员的成员简档数据与关联于所述特定成员的所访问的成员简档数据之间的匹配。
13.如权利要求1所述的方法，进一步包括：
标识经由在线社交网络服务连接到所述特定成员的成员连接；
访问与一个或多个成员连接相关联的成员简档数据、成员电子邮件交互数据和成员站点交互数据中的至少一个；以及
将与所述一个或多个成员连接相关联的成员简档数据、成员电子邮件交互数据和成员站点交互数据中的至少一个插入到经组装的特征向量中。
14.如权利要求1所述的方法，进一步包括：
确定所述特定成员对特定电子邮件内容项目执行特定用户动作的可能性低于预定阈值；以及
减少特定电子邮件内容项目向所述特定成员的分发。
15.如权利要求14所述的方法，其中所述减少进一步包括：
更新与所述特定成员相关联的电子邮件偏好设置，经更新的电子邮件偏好设置指定用于分发给所述特定成员的特定电子邮件内容项目的减少的量或降低的频率。
16.如权利要求14所述的方法，其中所述减少进一步包括下述操作中的至少一个：
减少用于分发给所述特定成员的电子邮件中包括的特定电子邮件内容项目的量；
降低用于分发给所述特定成员的特定电子邮件内容项目的频率；
暂时地阻止特定电子邮件内容项目被分发给所述特定成员；以及
使特定成员取消订阅特定电子邮件内容项目的分发。
17.如权利要求1所述的方法，进一步包括：
确定所述特定成员对特定电子邮件内容项目执行特定用户动作的可能性大于预定阈值；以及
增加特定电子邮件内容项目向所述特定成员的分发。
18.如权利要求17所述的方法，其中所述增加进一步包括下述操作中的至少一个：
增加用于分发给所述特定成员的电子邮件中包括的特定电子邮件内容项目的量；以及提高用于分发给所述特定成员的特定电子邮件内容项目的频率。
19.一种系统，包括：
源模块，被配置成：
访问数据，所述数据包括与特定成员相关联的成员电子邮件交互数据和描述特定电子邮件内容项目的电子邮件内容数据；以及
将从外部数据源访问的数据编码到一个或多个特征向量中，并组装所述一个或多个特征向量从而生成经组装的特征向量；
预测模块，被配置成基于经组装的特征向量和所训练的预测模型来执行预测建模，以预测特定成员对特定电子邮件内容项目执行特定用户动作的可能性；以及
电子邮件管理模块，依赖于所述预测来控制电子邮件内容项目向特定成员的传输。
20.一种非临时性机器可读存储介质，包括指令，所述指令在由机器的一个或多个处理器执行时使机器执行包括下述各项的操作：
访问数据，所述数据包括与特定成员相关联的成员电子邮件交互数据和描述特定电子邮件内容项目的电子邮件内容数据；
将从外部数据源访问的数据编码到一个或多个特征向量中，并组装所述一个或多个特征向量从而生成经组装的特征向量；
基于经组装的特征向量和所训练的预测模型来执行预测建模，以预测特定成员对特定电子邮件内容项目执行特定用户动作的可能性；以及
依赖于所述预测来控制电子邮件内容项目向特定成员的传输。
21.一种对指令进行编码的机器可读存储介质，所述指令在由机器的一个或多个处理器执行时使机器实施如权利要求1至18中任一项所述的方法。

说明书全文

用于电子邮件传输管理的系统和方法

[0001] 相关申请本国际申请是于2014年1月30日提交的序列号为14/168,703的美国专利申请的继续申请并要求该美国专利申请下的优先权的权益，该申请以其全部内容通过引用并入本文。

技术领域

[0002] 本申请总体涉及数据处理系统，并且在一个具体示例中涉及用于响应于对电子邮件内容的用户响应的预测而管理电子邮件的传输的技术。

背景技术

[0003] 诸如LinkedIn®之类的社交网络服务经由电子邮件联系许多成员。这些电子邮件可以包含与新闻文章、影响力人物发帖、连接更新、组讨论、营销内容等有关的信息。附图说明

[0004] 一些实施例是作为示例图示的，而不是附图的各图中的限制，在附图中：图1是示出了与本发明的一些实施例一致的社交联网服务的功能组件的框图；
图2是根据各种实施例的示例系统的框图；
图3图示了根据各种实施例的示例性摘要电子邮件；
图4是图示了根据各种实施例的示例方法的流程图；
图5图示了根据各种实施例的示例性数据流；
图6图示了根据各种实施例的电子邮件内容数据和包含电子邮件内容数据的特征向量的示例；
图7图示了根据各种实施例的成员电子邮件交互数据和包含成员电子邮件交互数据的特征向量的示例；
图8图示了根据各种实施例的成员站点交互数据和包含成员站点交互数据的特征向量的示例；
图9图示了根据各种实施例的成员简档数据和包含成员简档数据的特征向量的示例；
图10是根据各种实施例的图示了示例方法的流程图；
图11是图示了根据各种实施例的示例方法的流程图；
图12图示了根据各种实施例的用于调整电子邮件偏好的示例性用户界面；
图13图示了根据各种实施例的用户界面的示例性部分；
图14是图示了根据各种实施例的示例方法的流程图；
图15是图示了根据各种实施例的示例方法的流程图；
图16图示了根据各种实施例的示例性电子邮件消息；
图17图示了根据各种实施例的分段模型方法的各个方面；以及
图18是计算机系统的具有示例形式的机器的图解表示，在该计算机系统内，可以执行用于使该机器执行本文讨论的方法中的任何一个或多个的指令集。

具体实施方式

[0005] 描述了用于响应于对电子邮件内容的用户响应的预测而管理电子邮件的示例方法和系统。在以下描述中，出于解释的目的，阐述了许多具体细节，以便提供对示例实施例的透彻理解。然而，对本领域技术人员来说将显而易见的是，可以在没有这些具体细节的情况下实践本发明。

[0006] 根据本文描述的各种示例性实施例，一种电子邮件管理系统被配置成预测用户对特定电子邮件内容项目执行用户动作的可能性并相应地管理电子邮件的传输。例如，电子邮件管理系统可以预测在线社交网络服务（例如，LinkedIn®）的特定成员将在摘要电子邮件中的特定项目上点击的可能性。作为另一示例，电子邮件管理系统可以预测在线社交网络服务的特定成员将访问、打开或查看任何邮件的可能性。相应地，本文描述的电子邮件管理系统被配置成确定或预测在线社交网络服务的成员可能与什么电子邮件（或电子邮件内的什么内容）交互并相应地管理电子邮件的传输。预测信息可以被电子邮件管理系统用来例如在该预测确定存在点击该电子邮件的低可能性的情况下降档/过滤掉去往成员的某些电子邮件，这可以减少不想要的电子邮件的传输并且因此减少网络业务量，以及降低成本且减少成员烦恼，同时显著地改进点击通过率（CTR）。因此，电子邮件管理系统可以基于预测的结果来控制电子邮件的传输。

[0007] 电子邮件管理系统可以包括各种类型的组件模块，这些组件模块包括源模块，该源模块将来自外部数据源的原始数据编码到特征向量中并组装该特征向量以生成经组装的特征向量。在一些实施例中，由源模块输出的经组装的特征向量可以包括各种特征，这些特征描述了社交联网网站的成员、特定电子邮件内容项目、成员的电子邮件活动、成员在社交联网网站上的其他活动、类似成员的活动、成员的连接的活动等等。然后可以将经组装的特征向量传递到预测模块用于预测特定成员是否将点击特定电子邮件内容项目。

[0008] 预测模块可以使用各种已知预测建模技术中的任一种来执行预测建模。例如，预测模块可以将诸如逻辑回归模型之类的基于统计学的机器学习模型应用于经组装的特征向量中的特征。例如，电子邮件管理系统200可以使用L2正则化逻辑回归，即，，
其中该函数被最小化为ω的函数。

[0009] 因此，为了提高用户体验并减少不想要的电子邮件，对于给定成员和电子邮件类型或内容，电子邮件管理系统预测响应概率（其中响应可以是点击、注册或任何其他活动）。在这种概率的情况下，可以采取多个动作，包括：决定不发送电子邮件、推荐取消订阅、通过对内容重新排序来对电子邮件进行个性化、公文包优化过程（其中电子邮件管理系统调整电子邮件分发的各个方面以全面地符合成员兴趣）等等。

[0010] 图1是图示了与一些实施例一致的诸如社交网络系统20之类的社交网络服务的各种组件或功能模块的框图。如图1中所示，前端由用户界面模块（例如，web服务器）22构成，该用户界面模块22从各种客户端计算设备接收请求并将适当响应传送到进行请求的客户端设备。例如，（一个或多个）用户界面模块22可以接收采用超文本传输协议（HTTP）请求的形式的请求或者其他基于web的应用编程接口（API）请求。应用逻辑层包括各种应用服务器模块14，其与（一个或多个）用户界面模块22结合生成具有从数据层中的各种数据源检索的数据的各种用户界面（例如，网页）。对于一些实施例，使用个体应用服务器模块24来实现与社交网络服务的各种服务和特征相关联的功能。例如，组织建立社交网络服务的社交图谱中的存在的能力（包括代表组织建立定制网页和代表组织公布消息或状态更新的能力）可以是在独立应用服务器模块24中实现的服务。类似地，被使得对社交网络服务的成员来说可用的各种其他应用或服务将被体现在其自身的应用服务器模块24中。

[0011] 如图1中所示，数据层包括若干数据库，诸如用于存储简档数据的数据库28，该简档数据包括成员简档数据以及针对各种组织的简档数据两者。与一些实施例一致，当一人最初注册以变成社交网络服务的成员时，该人将被提示提供一些个人信息，诸如他或她的姓名、年龄（例如，出生日期）、性别、兴趣、联系信息、家乡、地址、成员的配偶和/或家庭成员的姓名、教育背景（例如，学校、专业、入学和/或毕业日期等）、就业历史、技能、专业组织等等。该信息被存储在例如具有附图标记28的数据库中。类似地，当组织的代表最初将该组织注册到社交网络服务时，该代表可以被提示提供与该组织有关的某些信息。该信息可以被存储在例如具有附图标记28的数据库或另一数据库（未示出）中。对于一些实施例，可以处理（例如，在后台中或离线）简档数据以生成各种所导出的简档数据。例如，如果成员已经提供与该成员已经在相同公司或不同公司保持的各种职位头衔以及多长时间有关的信息，则该信息可以被用于推断或导出指示成员的总体资历级别或特定公司内的资历级别的成员简档属性。对于一些实施例，从一个或多个外部托管的数据源导入或以其他方式访问数据可以增强针对成员和组织两者的简档数据。例如，特别对于公司，可以从一个或多个外部数据源导入财务数据并可以使该财务数据成为公司简档的一部分。

[0012] 一旦被注册，成员就可以邀请其他成员或被其他成员邀请以经由社交网络服务而连接。“连接”可能需要由这些成员作出的双方同意，使得全部两个成员对连接的建立作出肯定应答。类似地，对于一些实施例，成员可以选择“追随”另一成员。与建立连接形成对照，“追随”另一成员的构思典型地是单方操作，且至少对于一些实施例，不需要正被追随的成员的肯定应答或批准。当一个成员追随另一个时，正在进行追随的成员可以接收由正被追随的成员发布的或者与由正被追随的成员从事的各种活动相关的状态更新或其他消息。类似地，当成员追随组织时，该成员变得有资格接收代表该组织发布的消息或状态更新。例如，代表成员正在追随的组织发布的消息或状态更新将出现在成员的个性化数据馈送或内容流中。在任何情况下，成员与其他成员或与其他实体和对象建立的各种关联和关系被存储和维持在图1中利用附图标记30示出的社交图谱内。

[0013] 社交网络服务可以提供宽范围的其他应用和服务，这些应用和服务允许成员有机会共享和接收常常针对成员的兴趣而定制的信息。例如，对于一些实施例，社交网络服务可以包括允许成员上传和与其他成员共享照片的照片共享应用。对于一些实施例，成员可能能够自组织成组或者围绕感兴趣的主题或题目而组织的兴趣组。对于一些实施例，社交网络服务可以托管各种职位列表，该职位列表提供关于各种组织的职位空缺的细节。

[0014] 随着成员经由社交网络服务来与可用的各种应用、服务和内容交互，成员的行为（例如，所查看的内容、所选择的链接或成员兴趣按钮等等）可以被监视并且涉及成员的活动和行为的信息可以被存储，例如如图1中所指示那样由具有附图标记32的数据库存储。该信息可以用于将成员分类为处于各种类别中。例如，如果成员执行职位列表的频繁搜索，由此展现出指示成员是可能的求职者的行为，则该信息可以被用于将该成员分类为求职者。该分类然后可以出于使其他人能够将该成员作为目标以接收消息或状态更新的目的而被用作成员简档属性。相应地，具有可用职位空缺的公司可以发布消息，该消息具体被导向到作为求职者且因而更可能乐于接受招聘努力的社交网络服务的某些成员。对于一些实施例，社交网络系统20包括本文中一般被称作电子邮件管理系统200的内容。下面结合图2来更详细地描述电子邮件管理系统200。

[0015] 尽管未示出，但对于一些实施例，社交网络系统20提供应用编程接口（API）模块，经由该应用编程接口（API）模块，第三方应用可以访问由社交网络服务提供的各种服务和数据。例如，使用API，第三方应用可以提供用户界面和逻辑，该用户界面和逻辑使组织的经授权的代表能够将来自第三方应用的消息发布给社交网络服务的内容托管平台，该内容托管平台促进由社交网络服务维持和呈现的活动或内容流的呈现。这样的第三方应用可以是基于浏览器的应用，或可以是操作系统专用的。特别地，一些第三方应用可以在具有移动操作系统的一个或多个移动设备（例如，电话或平板计算设备）上驻留和执行。

[0016] 现在转至图2，电子邮件管理系统200包括源模块202、预测模块204、电子邮件管理模块206和数据库208。电子邮件管理系统200的各个模块可以被实现在诸如响应预测设备之类的单个设备上或由该单个设备执行，或者被实现在经由网络而互连的分离设备上。上述响应预测设备可以是例如客户机或应用服务器。

[0017] 简言之，源模块202被配置成访问各种数据，包括描述特定电子邮件内容项目的电子邮件内容数据和描述特定成员与各种电子邮件内容的交互的成员电子邮件交互数据。源模块202还将从外部数据源访问的数据编码到一个或多个特征向量中，并组装该一个或多个特征向量，从而生成经组装的特征向量（参见图5）。此后，预测模块204基于经组装的特征向量和预测模型来执行预测建模过程，以预测特定成员对特定电子邮件内容项目（例如，由原始电子邮件内容数据描述的电子邮件内容项目）执行特定用户动作的可能性。预测模块204可以使用各种已知预测建模技术中的任一种来执行预测建模。例如，预测模块204可以将诸如逻辑回归模型之类的基于统计学的机器学习模型应用于经组装的特征向量。

[0018] 图5图示了关于电子邮件管理系统200的各部分的数据流的示意图。如图5中所示，源模块202可以提取或取得位于（一个或多个）外部数据源50a-50c处的更多特征或原始数据。在一些实施例中，外部数据源50a-50c可以对应于可由源模块202经由网络（例如，因特网）访问的远程数据存储设施、数据储存库、Web服务器等。根据各种实施例，原始特征可以是可被用于预测特定成员将对特定电子邮件内容项目执行特定用户动作的可能性的任何类型的信息。例如，源模块202可以访问描述特定电子邮件内容项目的电子邮件内容数据和描述特定成员与各种电子邮件内容的交互的成员电子邮件交互数据，如下面更详细地描述的。

[0019] 在一些实施例中，术语“电子邮件内容项目”指代特定类型的电子邮件，诸如网络连接更新电子邮件、新闻更新电子邮件、职位更新电子邮件、影响力人物发帖更新电子邮件、公司更新电子邮件、组更新电子邮件和大学更新电子邮件。在一些实施例中，电子邮件类型是与在线社交网络服务相关联的摘要电子邮件（参见图3），该摘要电子邮件包括如下各项中的至少一个：网络连接更新信息、新闻更新信息、职位更新信息、影响力人物发帖更新信息、公司更新信息、组更新信息、大学更新信息。在一些实施例中，术语“电子邮件内容项目”指代电子邮件（例如，摘要电子邮件）内包括的内容，诸如网络更新信息、影响力人物更新信息、职位更新信息、组更新信息、大学更新信息、公司更新信息等。在一些实施例中，电子邮件内容项目可以是电子邮件或另一通知（例如文本消息、即时消息、聊天消息等）中包括的广告、要约、促销、优惠券、特价、买卖、文章、新闻项目、博客发帖等等。

[0020] 在一些实施例中，用户动作可以是点击响应、未点击响应、悬停响应（例如，用户使鼠标光标悬停在电子邮件内容项目上方达预定时间段）、取消订阅响应、转换响应（例如，用户选择电子邮件中的广告或报价并基于该广告来完成交易）、点赞响应（例如，成员点赞该项目）、评论响应（例如，成员对项目进行评论）、共享响应（例如，成员共享该项目）、追随响应（例如，成员追随该项目）、评级响应（例如，成员基于结合电子邮件内容项目而显示的评级选项的范围来对电子邮件内容项目进行评级）等等。

[0021] 在一些实施例中，由源模块202访问的电子邮件内容数据指定电子邮件类型、电子邮件格式、电子邮件标题、电子邮件关键词、以及电子邮件图像、电子邮件内容项目呈递信息（例如，关于电子邮件内容项目的外观的电子邮件内容项目的各种呈递特性，诸如电子邮件格式、电子邮件大小/形状、电子邮件图像特性、电子邮件颜色特性、电子邮件边界/框特性、电子邮件标题字体大小、电子邮件标题字体类型、电子邮件关键词字体大小、电子邮件关键词字体类型等）等等。可从其访问这样的原始电子邮件内容数据的外部数据源可以是与诸如LinkedIn®或Facebook®之类的社交网络服务相关联的数据库、数据储存库、存储设施、Web服务器等。例如，图6图示了可由源模块202访问且被编码到特征向量中的电子邮件内容数据600的示例。特别地，电子邮件内容数据600标识针对电子邮件的电子邮件类型、电子邮件格式、电子邮件标题、电子邮件关键词和电子邮件图像等。因此，源模块202可以将上述电子邮件内容数据600编码到一个或多个特征向量501中，然后，该一个或多个特征向量501可以被包括在最后的经组装的特征向量510（例如，参见图5）中，该特征向量510被传递到预测模块204。

[0022] 根据各种示例性实施例，由预测模块204执行的监督学习模型可以考虑与成员的电子邮件活动（针对每一种类型发送出了多少电子邮件以及接收到多少点击、或者是否成员已经从任何类型的电子邮件取消订阅等）相关的特征。例如，源模块202可以从数据源（例如，图5中的数据源50a-50c）访问成员电子邮件交互数据，该成员电子邮件交互数据描述成员与各种类型的电子邮件（网络连接更新电子邮件、新闻更新电子邮件等）的各种电子邮件内容项目的交互的历史。在一些实施例中，成员电子邮件交互数据可以指示（例如，在给定时间间隔内）被传输到特定成员的各种电子邮件类型的量、结合各种电子邮件类型的由特定成员（例如，在给定时间间隔内）提交的点击量、结合各种电子邮件类型的由特定成员（例如，在给定时间间隔内）提交的电子邮件取消订阅请求的量。例如，图7图示了可由源模块202访问且被编码到特征向量502中的成员电子邮件交互数据700的示例。特别地，成员电子邮件交互数据700标识用户已（例如，在给定时间段内）接收到第一类型的电子邮件中的多少、用户已（例如，在给定时间间隔内）点击第一类型的电子邮件中的多少、用户是否已（例如，在给定时间间隔内）从第一类型的电子邮件取消订阅，以及针对其他类型的电子邮件以此类推。因此，源模块202可以将上述成员电子邮件交互数据700编码到一个或多个特征向量502中，然后，该一个或多个特征向量502可以被包括在被传递到预测模块204的最后的经组装的特征向量510中（例如，参见图5）。

[0023] 根据各种示例性实施例，由预测模块204执行的监督学习模型可以考虑与成员在站点上的其他活动（页面查看、点赞、所消费的内容的体积和类型、在站点上进行的搜索等）相关的特征。例如，源模块202可以从数据源（例如，图5中的数据源50a-50c）访问描述特定成员与在线社交网络服务的各种特征或内容的交互的成员站点交互数据。在一些实施例中，成员站点交互数据可以指示由特定成员执行的与关联于在线社交网络服务的各种特征、产品或内容（例如LinkedIn上的内容馈送、“你可能知道的人物”用户界面、搜索用户界面、职位页面、成员简档页面、公司的页面、组页面、影响力人物页面、大学页面等）相关联的各种用户动作（例如查看、印象、点赞、评论、共享、追随、发帖等）的量。例如，图8图示了可由源模块202访问且被编码到特征向量503中的成员站点交互数据800的示例。特别地，成员电子邮件交互数据800标识用户已经结合特定产品特征（例如，在给定时间间隔期间）执行特定用户动作（例如查看、印象、点赞、评论、共享、追随、发帖等）多少次。因此，源模块202可以将上述成员站点交互数据800编码到一个或多个特征向量503中，然后，该一个或多个特征向量503可以被包括在被传递到预测模块204的最后的经组装的特征向量510中（例如，参见图5）。

[0024] 成员电子邮件交互数据和成员站点交互数据可以被存储在服务器或类似存储设施（例如数据库、数据储存库等）中，并可以对应于与诸如LinkedIn®或Facebook®之类的社交网络服务上的成员的账户相关联的成员交互历史或行为历史。例如，成员电子邮件交互数据和成员站点交互数据可以对应于图1中所示的社交网络系统20的数据库28、30和32中存储的简档数据、社交图谱数据和/或成员活动和行为数据。相应地，可从其访问这样的原始成员数据的外部数据源可以是与诸如LinkedIn®或Facebook®之类的社交网络服务相关联的数据库、数据储存库、存储设施、Web服务器等。

[0025] 根据各种示例性实施例，成员电子邮件交互数据和/或成员站点交互数据可以包括情境数据或情境特征，该情境数据或情境特征描述特定成员可在其中与特定电子邮件内容项目或站点产品交互的潜在或实际情境。原始情境数据的示例包括时间、日期、一天中的小时、一周中的天、一周中的小时、因特网协议（IP）地址、当前用户地理位置信息、是否经由移动设备（例如，智能电话或平板）或非移动设备（例如，台式机）访问电子邮件、通过其显示电子邮件内容项目的通道（例如电子邮件应用、web可访问电子邮件、SMS或MMS文本消息、即时聊天消息、LinkedIn®上的邮件中服务、Facebook®上的信使服务等）、描述被用以呈递电子邮件内容的浏览器的浏览器数据（例如浏览器模型、浏览器品牌、浏览器能力、浏览器版本等）等等。

[0026] 根据各种示例性实施例，由预测模块204执行的监督学习模型可以考虑与成员相关的成员简档数据（例如，成员简档属性）。例如，源模块202可以从数据源（例如，图5中的数据源50a-50c）访问描述特定成员的成员简档数据，包括性别、年龄、当前位置、先前位置、行业、教育、母校、当前职位、当前雇主、先前职位、先前雇主、经验、技能、连接数目、背书、资历级别、公司大小、连接的身份、网络、组、兴趣、偏好、嗜好、购买历史、浏览历史、种族、性取向等等。例如，图9图示了可由源模块202访问且被编码到特征向量504中的成员简档数据900的示例，然后，特征向量504可以被包括在被传递到预测模块204的最后的经组装的特征向量510中（例如，参见图5）。原始成员简档数据可以被存储在服务器或类似存储设施（例如数据库、数据储存库等）中，并可以对应于与诸如LinkedIn®或Facebook®之类的社交网络服务上的成员的账户相关联的成员简档数据或成员属性。例如，原始成员简档数据可以对应于图1中所示的社交网络系统20的数据库28、30和32中存储的简档数据、社交图谱数据和/或成员活动和行为数据。相应地，可从其访问这样的原始成员数据的外部数据源可以是与诸如LinkedIn®或Facebook®之类的社交网络服务相关联的数据库、数据储存库、存储设施、Web服务器等。

[0027] 根据各种示例性实施例，由预测模块204执行的监督学习模型可以考虑与在线社交网络服务上的特定成员的成员连接相关的各种特征。例如，源模块202可以提取与成员的连接相关联的各种类型的上述数据（例如成员简档数据、成员电子邮件交互数据、成员站点交互数据等）。在一些实施例中，源模块202可以访问这样的信息，所述这样的信息与具有与特定成员的某种程度的连接性（例如，仅第一程度、或仅第一和第二程度连接等）的一个或多个成员连接相关联。在一些实施例中，源模块202可以访问与一个或多个成员连接相关联的信息，所述一个或多个成员连接已经与特定成员交互达到某种限度程度（例如，与特定成员交换了阈值数目的消息、发帖、推荐、背书等）等等。因此，源模块202可以将上述数据编码到一个或多个特征向量505中，然后，该一个或多个特征向量505可以被包括在被传递到预测模块204的最后的经组装的特征向量510中（例如，参见图5）。在利用针对单个成员连接的特征的情况下，源模块202可以生成针对单个成员连接的数据（例如，成员站点交互数据）的特征向量，以用于插入到经组装的特征向量中。在利用来自多个成员连接的特征的情况下，源模块202可以生成针对每一个成员连接的数据（例如，成员站点交互数据）的单独特征向量，以用于插入到经组装的特征向量中，或者源模块202可以（例如，基于平均值、中值、均值等）生成针对所有成员连接的数据（例如，成员站点交互数据）的单个特征向量，以用于插入到经组装的特征向量中。在一些实施例中，成员连接的活动可以通过连接的强度而被加权。例如，如果源模块202（例如，基于与该特定成员进行的阈值数目的消息、发帖、推荐、背书等的交换）确定连接到特定成员的给定成员与该特定成员具有强关系，则源模块202可以使与该成员连接相关联的数据的权重大于与另一成员连接相关联的数据。

[0028] 根据各种示例性实施例，由预测模块204执行的监督学习模型可以考虑与类似于特定成员的在线社交网络服务的成员相关的各种特征。例如，源模块202可以提取与类似成员相关联的各种类型的上述数据（例如成员简档数据、成员电子邮件交互数据、成员站点交互数据等）。源模块202可以基于各成员（例如，具有相同/类似头衔、资历级别等或工作在相同行业、功能区域等中的成员）的成员简档数据中的相似性确定类似成员以及基于其他成员活动（例如成员站点交互数据、成员电子邮件交互数据等）或基于成员的连接中的相似性等等来确定相似性。因此，源模块202可以将类似成员的特征编码到一个或多个特征向量506中，然后，该一个或多个特征向量506可以被包括在被传递到预测模块204的最后的经组装的特征向量510中（例如，参见图5）。在利用针对单个类似成员的特征的情况下，源模块
202可以生成针对单个类似成员的数据（例如，成员站点交互数据）的特征向量，以用于插入到经组装的特征向量中。在利用来自多个类似成员的特征的情况下，源模块202可以生成针对每一个类似成员的数据（例如，成员站点交互数据）的单独特征向量，以用于插入到经组装的特征向量中，或者源模块202可以（例如，基于平均值、中值、均值等）生成针对所有类似成员的数据（例如，成员站点交互数据）的单个特征向量，以用于插入到经组装的特征向量中。在一些实施例中，成员连接的活动可以由该成员与特定成员有多类似而加权。例如，如果源模块202（例如，基于类似成员和特定成员的成员简档属性之间的紧密匹配）确定类似成员与特定成员非常类似，则源模块202可以使与该类似成员相关联的数据的权重大于与不那么类似于特定成员的另一成员相关联的数据。

[0029] 在一些实施例中，与特定成员的一个或多个类似成员或成员连接相关联的特征（与上述各种实施例一致）可以替换与它们自身的特定成员相关联的特征。例如，与类似成员或成员连接相关联的特征可以被插入到特征向量502-504中。

[0030] 如上所述，源模块202将从外部数据源访问的数据编码到一个或多个特征向量501-506中，并组装该一个或多个特征向量，从而生成经组装的特征向量510（参见图5）。如模式识别和机器学习领域的技术人员所理解的，特征向量是表示某个对象的数值特征的n维向量。根据各种示例性实施例，源模块202可以访问配置文件（例如，在数据库208中），该配置文件指定了描述旋转体要如何被编码到特征向量中的原始数据编码规则。原始数据编码规则的示例是：位于外部数据源S的存储位置L处的特定成员特征F要被插入到成员特征向量M的位置X中。相应地，参照图5-9，配置文件可以指定源模块202要如何将成员电子邮件交互特征编码到成员电子邮件交互特征向量502中、将成员站点交互特征编码到成员站点交互特征向量503中、将成员简档特征编码到成员简档特征向量504中等等。

[0031] 如上所述，预测模块204基于经组装的特征向量510和预测模型来执行预测建模过程，以预测特定成员对特定电子邮件内容项目（例如，特定类型的电子邮件）执行特定用户动作（例如，点击）的可能性（例如，概率）。

[0032] 预测模块可以使用各种已知预测建模技术中的任一种来执行预测建模过程。例如，根据各种示例性实施例，预测模块可以基于诸如逻辑回归模型之类的基于统计学的机器学习模型来执行预测建模过程。

[0033] 如本领域技术人员所理解的，逻辑回归是使用逻辑函数的基于统计学的机器学习技术的示例。逻辑函数基于被称作分对数（logit）的变量。分对数是根据对应独立预测变量的回归系数的集合定义的。逻辑回归可以用于预测在给定独立/预测变量的集合的情况下事件发生的概率。使用逻辑回归的高度简化的示例机器学习模型可以是ln[p/(1-p)] = a + BX + e或[p/(1-p)] = exp(a + BX + e)，其中ln是自然对数logexp，其中exp=2.71828…，p是事件Y发生的概率P(Y=1)，p/(1-p)是“优势比（odds ratio）”，In[p/(1-p)]是对数优势比，或者“分对数”，a是关于常数项的系数，B是关于（一个或多个）独立/预测变量的（一个或多个）回归系数，X是（一个或多个）独立/预测变量，并且e是误差项。

[0034] 逻辑回归模型的独立/预测变量是由自始至终描述的经组装的特征向量表示的属性。回归系数可以使用最大似然来估计，或通过监督学习技术从在日志中收集的数据学习到的，或从日志数据计算的，如下面更详细描述。相应地，一旦适当回归系数（例如，B）被确定，经组装的特征向量中包括的特征就可以被插塞到逻辑回归模型中，以便预测事件Y发生（其中事件Y可以是例如特定成员是否在特定情境中点击特定电子邮件内容项目）的概率。换言之，在包括与特定成员、特定电子邮件内容项目、成员的电子邮件活动、成员在在线社交网络服务网站上的其他活动等等相关联的各种特征的经组装的特征向量的条件下，可以将经组装的特征向量应用于逻辑回归模型，以确定特定成员将以特定方式（例如，点击）对特定电子邮件内容项目做出响应的概率。逻辑回归是本领域技术人员非常理解的，并且不会在本文中进一步详细地加以描述，以避免遮蔽本公开的各种方面。

[0035] 预测模块可以使用本领域技术人员所理解的各种其他预测建模技术来预测特定成员是否将点击特定电子邮件内容项目。例如，其他预测建模技术可以包括其他机器学习模型，诸如朴素贝叶斯模型、支持向量机（SVM）模型、决策树模型和神经网络模型，所有这些均被本领域技术人员所理解。

[0036] 根据各种示例性实施例，电子邮件管理系统可以用于离线训练（用于生成、训练和改良预测模型）和在线推断（用于基于预测模型来预测特定成员是否将点击特定电子邮件内容项目）两者的目的。

[0037] 例如，如果预测模块204正在利用逻辑回归模型（如上所述），则逻辑回归模型的回归系数可以通过监督学习技术从在日志中收集的数据学习到或者从日志数据计算。相应地，在一个实施例中，电子邮件管理系统200可以通过将日志数据组装到经组装的特征向量中来在离线训练模式中进行操作。例如，每当社交网络服务的成员对特定电子邮件内容项目执行特定用户动作，描述该交互的各方面的各种信息（例如描述成员的信息、描述电子邮件内容项目的信息等）可以作为条目而被存储在交互日志中。随着时间的推移，日志数据可以包括表示不同成员与不同电子邮件内容项目之间的交互的数百万或甚至数十亿个条目。相应地，电子邮件管理系统可以访问例如过去30天中的所有日志条目，其中各种成员对各种电子邮件内容项目执行了各种用户动作（例如，点击或未点击），并且，基于本文描述的各种实施例，电子邮件管理系统可以将这些日志条目中的每一个转换成经组装的特征向量。
出于训练系统200的目的，系统200一般需要其中用户执行了动作（例如，点击）的正训练示例以及其中用户未执行动作（例如，未点击）的负训练示例两者。经组装的特征向量（例如，图5中所示的经组装的特征向量510）然后可以被传递到预测模块，以便改良针对逻辑回归模型的回归系数。例如，可以针对该任务利用基于交替方向乘子法技术的统计学习。

[0038] 此后，一旦回归系数被确定，电子邮件管理系统200就可以进行操作以基于关于单个经组装的特征向量的所训练的模型（包括所训练的模型系数）来执行在线推断。例如，根据本文描述的各种示例性实施例，电子邮件管理系统200被配置成预测特定成员将针对各种电子邮件内容项目执行特定用户动作的可能性，以便确定各种电子邮件内容项目中的哪个或哪些应当在特定情境中被显示给特定成员。例如，假设在线社交网络服务正在试图确定什么类型的电子邮件（或电子邮件内的内容）应当被发送到用户John Smith。电子邮件管理系统200可以预测在给定特定情境的情况下特定成员John Smith将点击各种电子邮件内容项目（诸如电子邮件内容项目E1、E2、E3等）的可能性。此后，电子邮件管理系统200可以基于在给定特定情境的情况下用户有多大可能性将对电子邮件内容项目中的每一个执行用户动作（例如，点击）来对电子邮件内容项目E1、E2、E3等进行评级。例如，如果成员将点击E1和E3的可能性较低，但成员将点击E2的可能性较高，则可以将电子邮件内容项目E2评级为高于E1和E3。相应地，电子邮件管理系统200可以确定E2而不是E1或E3应当被显示给成员或者E2应当被比E1或E3更高地（或更突出地）显示，这是由于预测模块204已经确定成员更可能点击E2而不是E1或E3。相应地，每当电子邮件要被传输到成员并且要作出关于什么内容应当被显示在电子邮件中的确定时，可以执行该在线推断过程。

[0039] 图4是图示了根据各种示例性实施例的示例方法400的流程图。方法400可以至少部分地由例如图2中所示的电子邮件管理系统200（或具有类似模块的装置）执行。现在将简要地描述方法400中的操作401-404。在操作401中，源模块202访问描述特定电子邮件内容项目的电子邮件内容数据和描述特定成员与各种电子邮件内容的交互的成员电子邮件交互数据。在操作402中，源模块202将从外部数据源访问的数据编码到一个或多个特征向量中。在操作403中，源模块204组装该一个或多个特征向量，从而生成经组装的特征向量（参见图5）。最后，在操作404中，预测模块204基于经组装的特征向量和预测模型来执行预测建模过程，以预测特定成员（例如，在原始成员数据中描述的成员）对特定电子邮件内容项目（例如，由原始电子邮件内容数据描述的电子邮件内容项目）执行特定用户动作的可能性。预测模块204可以使用各种已知预测建模技术中的任一种来执行预测建模。例如，预测模块
204可以将诸如逻辑回归模型之类的基于统计学的机器学习模型应用于经组装的特征向量。现在将更详细地描述上述操作401-404中的每一个和电子邮件管理系统200的上述模块中的每一个。

[0040] 图10是图示了与上述各种实施例一致的示例方法1000的流程图。方法1000可以至少部分地由例如图2中所示的电子邮件管理系统200（或具有类似模块的装置，诸如图1中所示的客户机110和112或应用服务器118）执行。在操作1001中，源模块202标识与特定成员类似的在线社交网络服务的类似成员。在一些实施例中，类似成员可以是通过下述操作来标识的：访问与特定成员相关联的成员简档数据；以及确定关联于类似成员的成员简档数据与关联于特定成员的所访问的成员简档数据之间的匹配。在其他实施例中，类似成员可以是通过基于其他成员活动（例如成员站点交互数据、成员电子邮件交互数据等）的相似性或者基于成员的连接中的相似性等等来标识的。在操作1002中，源模块202访问与该一个或多个类似成员相关联的成员简档数据、成员电子邮件交互数据和成员站点交互数据中的至少一个。在操作1003中，源模块202将与该一个或多个类似成员相关联的成员简档数据、成员电子邮件交互数据和成员站点交互数据中的至少一个插入到经组装的特征向量中。打算的是，方法1000的操作可以结合本文公开的其他特征中的任一个。

[0041] 图11是图示了与上述各种实施例一致的示例方法1100的流程图。方法1100可以至少部分地由例如图2中所示的电子邮件管理系统200（或具有类似模块的装置，诸如图1中所示的客户机110和112或应用服务器118）执行。在操作1101中，源模块202标识经由在线社交网络服务连接到特定成员的成员连接。在操作1102中，源模块202访问与该一个或多个成员连接相关联的成员简档数据、成员电子邮件交互数据和成员站点交互数据中的至少一个。在操作1103中，源模块202将与该一个或多个成员连接相关联的成员简档数据、成员电子邮件交互数据和成员站点交互数据中的至少一个插入到经组装的特征向量中。打算的是，方法1100的操作可以结合本文公开的其他特征中的任一个。

[0042] 在一些实施例中，在预测模块204确定特定成员对电子邮件内容项目（例如，特定类型的电子邮件，诸如网络更新电子邮件、职位更新电子邮件、新闻更新电子邮件等）执行特定用户动作（例如点击、打开、查看等）的可能性之后，电子邮件管理系统200的电子邮件管理模块206可以将该可能性与各种预定阈值进行比较，以便调整、调低或改良正被传输到特定成员的电子邮件的量、频率和类型。

[0043] 在一些实施例中，如果所预测出的可能性低于预定阈值（例如，指示特定成员不太可能点击该电子邮件内容项目），则电子邮件管理模块206可以减少该类型的电子邮件内容项目向特定成员的分发。例如，在一些实施例中，电子邮件管理模块206可以调整与特定成员相关联的电子邮件偏好设置（例如，参见图12），以导致该特定类型的电子邮件内容项目向特定成员的分发减少。例如，在一些实施例中，电子邮件管理模块206可以降低该特定类型的电子邮件被传输到成员的频率（例如从每日到每周或到每月等）。在一些实施例中，电子邮件管理模块206可以暂时阻止该电子邮件类型被传输到成员（例如，电子邮件管理模块206可以阻止该类型的接下来X个电子邮件被传输到成员，或者电子邮件管理模块206可以阻止该电子邮件类型在给定时间段（诸如下周或下月或接下来六个月等）内被传输到成员）。在一些实施例中，电子邮件管理模块206可以自动地使用户取消订阅该类型的电子邮件。在一些实施例中，电子邮件管理模块206可以减少电子邮件消息内该电子邮件内容项目的量（例如，每个电子邮件仅2个新闻项目，而不是每个电子邮件10个新闻项目）。206可以暂时地或无限期地（例如，直到用户改变其电子邮件偏好设置中的适当设置）减少电子邮件内容类型的这个量。

[0044] 在摘要电子邮件（其可以包括网络更新、新闻更新、影响力人物发帖、组更新等）的情况下，如果预测模块204确定特定成员将对该电子邮件内容项目执行用户动作的可能性低于具体阈值，则电子邮件管理模块206可以减少在摘要电子邮件中该特定电子邮件内容项目的分发。例如，电子邮件管理模块206可以无限期地（例如，直到用户改变其电子邮件偏好设置中的适当设置）从摘要电子邮件中移除该电子邮件内容类型。作为另一示例，电子邮件管理模块206可以暂时地（例如，针对接下来X个摘要电子邮件或在给定时间段（诸如下周或下月或接下来六个月等）内）从摘要电子邮件中移除该电子邮件内容类型。作为另一示例，电子邮件管理模块206可以减少摘要电子邮件消息内该电子邮件内容项目的量（例如，每个摘要电子邮件仅两个新闻项目，而不是每个摘要电子邮件10个新闻项目）。作为另一示例，电子邮件管理模块206可以对摘要电子邮件的内容重新排序，从而在摘要电子邮件中较低地或较不突出地放置电子邮件内容项目。

[0045] 在一些实施例中，如果可能性高于预定阈值（例如，指示特定成员有可能点击该电子邮件内容项目），则电子邮件管理模块206可以维持或增加该类型的电子邮件内容项目向特定成员的分发。例如，在一些实施例中，电子邮件管理模块206可以调整与特定成员相关联的电子邮件偏好设置（例如，参见图12），以导致该特定类型的电子邮件内容项目向特定成员的分发增加。例如，在一些实施例中，电子邮件管理模块206可以维持或提高该特定类型的电子邮件被传输到成员的频率（例如从每月到每周或每日等）。在一些实施例中，电子邮件管理模块206可以自动地使用户订阅该类型的电子邮件的分发（例如，如果用户尚未订阅该类型的电子邮件的话）。在一些实施例中，电子邮件管理模块206可以增加电子邮件消息内该电子邮件内容项目的量（例如，从每个电子邮件2个新闻项目取而代之到每个电子邮件10个新闻项目）。206可以暂时地或无限期地（例如，直到用户改变其电子邮件偏好设置中的适当设置）增加电子邮件内容类型的这个量。

[0046] 在摘要电子邮件（其可以包括网络更新、新闻更新、影响力人物发帖、组更新等）的情况下。在这种情况下，如果预测模块204确定特定成员将对该电子邮件内容项目执行用户动作的可能性高于具体阈值，则电子邮件管理模块206可以维持或增加摘要电子邮件中该特定电子邮件内容项目的分发。例如，电子邮件管理模块206可以将该电子邮件内容项目类型包括在去往成员的摘要电子邮件中（例如，如果尚未是这种情况的话）。作为另一示例，电子邮件管理模块206可以增加摘要电子邮件消息内该电子邮件内容项目的量（例如，从每个摘要电子邮件两个新闻项目到每个摘要电子邮件10个新闻项目）。作为另一示例，电子邮件管理模块206可以对摘要电子邮件的内容重新排序，从而在摘要电子邮件中较高地或较突出地放置电子邮件内容项目。

[0047] 在一些实施例中，电子邮件管理系统可以被用于公文包优化过程（例如，其中电子邮件管理系统调整电子邮件分发的各种方面以整体符合成员兴趣）。例如，预测模块204可以通过对被发送到在线社交网络的一个或多个成员的电子邮件的量、类型、特性等等施加或多或少的约束来将所计算出的可能性用于电子邮件公文包优化的目的。例如，预测模块204可以限制每个成员的电子邮件总数，和/或维持跨所有电子邮件或特定类型的电子邮件的全局点击通过率（CTR），和/或限制每个电子邮件类型（例如，职位相关电子邮件）的向成员发送的电子邮件的数目，等等。因此，电子邮件管理系统可以经由阈值（如本文中其他地方所描述的）或经由更整体的方法来调整电子邮件分发的频率，在该更整体的方法中，可以同时优化多个参数或者可以同时加强多个不同约束。特别地，在一些实施例中，电子邮件管理系统可以生成和维持每成员的电子邮件公文包优化信息。例如，基于特定成员的兴趣和所推断的意图，系统200可以每周选择电子邮件的集合以发送到成员。作为另一示例，系统
200可以确信特定成员未接收到每周多于五个电子邮件（并且基于该约束，系统200可以上移或下移被发送到成员的电子邮件的数目，但将确信他们接收到最相关的电子邮件）。约束的另一示例是接收到电子邮件类型1的任何人都不会得到电子邮件类型2，以此类推。因此，可理解的是，系统200可以利用更整体的方法，其中可以同时加强不同类型的约束。

[0048] 在一些实施例中，当电子邮件管理模块206调整成员的电子邮件设置（例如，减少或阻止某个电子邮件类型向成员的分发）时，电子邮件管理模块206可以显示提示，该提示向用户通知电子邮件设置已经被改变（例如，参见图13）并允许用户拒绝该改变。在其他实施例中，电子邮件管理模块206可以自动地调整成员的电子邮件设置（与本文描述的各种实施例一致），而不显示上述提示或用户。在一些实施例中，电子邮件管理模块206可以在继续调整成员的电子邮件设置之前请求用户授权以调整成员的电子邮件设置（例如，经由用户界面中显示的询问提示）。

[0049] 根据各种示例性实施例，电子邮件管理系统200可以显示允许成员调整其电子邮件偏好/设置的用户界面。例如，电子邮件管理模块206可以显示图12中所示的用户界面1200。如图12中所示，电子邮件管理模块206可以显示提示，该提示指示电子邮件管理模块
206已经自动地调整用户的电子邮件偏好，与本文描述的各种实施例一致。

[0050] 图14是图示了与上面描述的各种实施例一致的示例方法1400的流程图。方法1400可以至少部分地由例如图2中所示的电子邮件管理系统200（或具有类似模块的装置，诸如图1中所示的客户机110和112或应用服务器118）执行。在操作1401中，电子邮件管理模块206确定特定成员对特定电子邮件内容项目执行特定用户动作的可能性低于预定阈值。在操作1402中，电子邮件管理模块206减少特定电子邮件内容项目向特定成员的分发。在一些实施例中，电子邮件管理模块206可以更新与特定成员相关联的电子邮件偏好设置，经更新的电子邮件偏好设置指定了用于分发给特定成员的特定电子邮件内容项目的减少的量或降低的频率。例如，电子邮件管理模块206可以减少用于分发给特定成员的电子邮件中包括的特定电子邮件内容项目的量。作为另一示例，电子邮件管理模块206可以降低用于分发给特定成员的特定电子邮件内容项目的频率。作为另一示例，电子邮件管理模块206可以暂时地阻止特定电子邮件内容项目被分发给特定成员。作为另一示例，电子邮件管理模块206可以使特定成员取消订阅特定电子邮件内容项目的分发。每一个上述结果可以与不同的预定阈值相关联（例如，如果可能性小于第一较高阈值，则暂时地阻止成员接收该电子邮件内容项目，固有可能性小于第二较低阈值，则自动地使特定成员取消订阅该特定电子邮件内容项目的分发）。打算的是，方法1400的操作可以结合本文公开的其他特征中的任一个。

[0051] 图15是图示了与上述各种实施例一致的示例方法1500的流程图。方法1500可以至少部分地由例如图2中所示的电子邮件管理系统200（或具有类似模块的装置，诸如图1中所示的客户机110和112或应用服务器118）执行。在操作1501中，源模块202确定特定成员对特定电子邮件内容项目执行特定用户动作的可能性大于预定阈值。在操作1502中，源模块202增加特定电子邮件内容项目向特定成员的分发。例如，在一些实施例中，电子邮件管理模块206可以增加用于分发给特定成员的电子邮件中包括的特定电子邮件内容项目的量。作为另一示例，电子邮件管理模块206可以提高用于分发给特定成员的特定电子邮件内容项目的频率。上述结果中的每一个可以与不同的预定阈值相关联（例如，如果可能性大于第一较低阈值，则增加摘要电子邮件中电子邮件内容项目的量，并且如果可能性大于第二较高阈值，则提高用于分发给特定成员的特定电子邮件内容项目的频率）。打算的是，方法1500的操作可以结合本文公开的其他特征中的任一个。

[0052] 在一些实施例中，考虑成员的简档（技能、过去经验、资历级别、功能区域等），系统200可以考虑电子邮件内容的相关性。在一些实施例中，对于特征的表示，系统200使用多种技术，包括基于历史动作（取决于其分布，例如二项式分布等）来计算置信区间，以及将边界值用作特征。

[0053] 如上在各种实施例中所描述的，一些电子邮件（诸如个性化摘要电子邮件）可以在其中包括各种类型的内容。在一些实施例中，特定电子邮件（诸如摘要电子邮件）可以包括可被称作“促销内容”或“样品内容”的内容的具体部分（例如，在电子邮件的底部处），其显示与特定产品或服务（诸如，与在线社交网络服务相关联的产品或服务（例如，LinkedIn社交网络服务上的“你可能认识的人”、“网络更新流”产品））有关的信息。因此，促销内容可以类似于广告，并可以被配置成促销在线社交网络服务的不同类型的产品和服务（或给用户提供其样品）。例如，图16图示了示例性电子邮件1600（例如，摘要电子邮件），其中电子邮件1600包括具有一段或多段内容的主要部分1601以及包括促销内容1603的较低部分1602。这样的促销内容可以被包括在任何类型的电子邮件（诸如网络更新电子邮件、内容到摘要电子邮件、组摘要电子邮件等等）中，以便鼓励用户变得加入LinkedIn或者另一网站或服务上的各种产品。要理解的是，电子邮件可以包括电子邮件中任何地方（而不一定在电子邮件的底部）的促销内容的多个实例。

[0054] 相应地，本文在各种实施例中描述的框架和技术可以被用于找到哪段促销内容针对每一个电子邮件和/或针对每一个用户而言更有意义。更具体地，电子邮件管理系统可以被用于确定最适合于包括在具有其他类型的内容的特定电子邮件中的促销内容1603的特定类型和形式，与本文描述的各种实施例一致。例如，电子邮件管理系统可以预测：如果成员更可能加入该类型的产品，则系统200可以确定与该类型的产品相关的促销内容应当被包括在电子邮件中。作为另一示例，如果电子邮件管理系统确定查看已经包括内容类型A、B和C的电子邮件的用户更可能对与D相关的内容感兴趣而不是对与E相关的内容感兴趣，则系统200可以视情况选择与D相关的促销内容。更具体地，对于给定电子邮件类型中的给定狭槽/位置，电子邮件管理系统被配置成对数目n个外部内容源（原本不是该电子邮件的一部分）进行评级并选择外部内容源中的一个或多个来作为促销内容1603显示，如图16中所示。并且取决于电子邮件中包括的内容或电子邮件类型，该评级的列表将改变。例如，有时，特定促销内容段不会使给定类型的电子邮件有意义（例如，如果与相同产品相关的其他更详细内容已经被包括在电子邮件中的话）。因此，要理解的是，这里描述的各种实施例可以被应用于选择促销内容以包括在电子邮件中。

[0055] 如上所述，诸如电子邮件活动、站点上的其他活动（例如页面查看、搜索等）、社交网络活动、情境（一天中的小时、移动、地理等）、成员简档数据、成员连接、类似成员特征等等之类的各种特征可以被联系到特征向量中且在特征向量中定义。在可替换实施例中，系统200可以不必将所有特征都用作向量的一部分，而是取而代之可以以稍微不同的方式利用它们，诸如用以在分段模型方法中训练不同模型。这可以是有利的，因为有可能存在显著地改变模型行为的一些特征。例如，假设求职者的行为可以显著地与LinkedIn®上的其他用户的行为不同。相应地，如果系统200使用仅来自求职者的示例来训练模型，则模型行为可能是高度专门化的，这是因为求职者的行为在该示例中显著地与其他成员的行为不同。但是如果系统200一起包括求职者和非求职者两者，则总体模型性能可能不如在利用其自身的专门化模型预测求职者和非求职者的响应时那么成功。因此，电子邮件管理系统200可以利用分段模型方法，其中基于一些准则（例如，求职者的特征对非求职者的特征）来分割数据并且针对不同数据集（例如，求职者的特征对非求职者的特征）训练分离的模型。

[0056] 图17图示了包括性向量方法1和分段模型方法2的示例。在方法1中，可以基于包括特征F（例如，求职者状态）以及除特征F外的其他特征的特征向量1700来训练模型M，该特征F可以具有值V1（例如，用户是求职者）和值V2（例如，用户不是求职者）。因此，在方法1中，求职者和非求职者两者的所有特征（以及指示成员是否是求职者的特征F）被包括在向量1700中。相比而言，在方法2中，将求职者的数据分离并包括在与模型M1相关联的向量1701中，而将非求职者的数据分离并包括在针对模型M2的向量1702中，并且分离地训练每一个模型M1和M2。因此，在方法2中，将求职者的所有数据示例包括在第一模型M1中并将非求职者的所有数据示例包括在第二模型M2中，并且分离地训练每一个模型。在一些情况下，总体性能可以在该方法的情况下更好，特别是如果求职者和非求职者的行为显著不同的话。例如，当新成员加入网络时，系统200可以确定成员是否是求职者，并且如果是，则系统200可以利用模型M1来预测该新成员的行为，（而如果该新成员不是求职者，则系统200可以利用模型M2）。这里描述的求职者的示例仅仅是示例性的，并且可要理解的是，这样的分段模型方法可以被用于任何其他特征（例如，从移动设备进行查看的成员对从PC进行查看的成员、具有规则订阅的成员对具有优质订阅的成员等）。因此，要理解的是，尽管系统200可以将所有特征或所有特征的子集包括在向量中，但这样的信息不一定必须被用作向量中的特征，而是还可以以不同的方式（例如，分段模型方法）使用。

[0057] 本文描述的各种技术和实施例可以被应用在递送时间优化（DTO）过程或运动的情境中。例如，电子邮件管理系统200可以根据DTO来标识何时将是向成员递送/发送（一个或多个）电子邮件的最佳时间，以便通过在最适合的时间发送（一个或多个）电子邮件来改进对（一个或多个）电子邮件的响应速率（点击、转换等）。例如，电子邮件管理系统200可以针对给定的成员和电子邮件对预测个性化递送时间（其可以具有一周中的天和/或一天中的小时的值等的形式）。电子邮件管理系统200可以利用成员的简档数据（情境信息、地理位置信息、访问时间信息等）、以及成员对电子邮件和在站点上的历史活动、和如本文描述的任何其他特征，以便预测上述个性化递送时间。在存在要在给定时间窗口中发送的多个电子邮件（例如，如本文在各种实施例中所描述，结合电子邮件公文包优化过程而选择的电子邮件）的情况下，电子邮件管理系统200可以预测何时精确地发送这样的电子邮件。

[0058] 模块、组件和逻辑某些实施例在本文中被描述为包括逻辑或者多个组件、模块或机构。模块可以构成软件模块（例如，（1）在非临时性机器可读介质上或（2）在传输信号中体现的代码）或硬件实现模块。硬件实现模块是能够执行某些操作的有形单元，并可以以某种方式配置或布置。在示例实施例中，一个或多个计算机系统（例如，独立客户端或服务器计算机系统）或者一个或多个处理器可以由软件（例如，应用或应用部分）配置为进行操作以执行如本文描述的某些操作的硬件实现模块。

[0059] 在各种实施例中，硬件实现模块可以以机械或电子方式实现。例如，硬件实现模块可以包括被永久配置成（例如，被配置为专用处理器，诸如现场可编程门阵列（FPGA）或专用集成电路（ASIC））执行某些操作的专用电路或逻辑。硬件实现模块还可以包括暂时由软件配置成执行某些操作的可编程逻辑或电路（例如，如被涵盖在通用处理器或其他可编程处理器内）。将意识到，在专用且永久配置的电路中或在暂时配置的电路（例如，由软件配置）中以机械方式实现硬件实现模块的决策可以由成本和时间考虑驱动。

[0060] 相应地，术语“硬件实现模块”应当被理解成涵盖有形实体，其为被物理地构造、被永久配置（例如，硬接线）或者被暂时或临时性配置（例如，被编程）成以某种方式进行操作和/或执行本文描述的某些操作的实体。考虑到在其中硬件实现模块被暂时配置（例如，被编程）的实施例，硬件实现模块中的每一个不必在任一个时刻处被配置或实例化。例如，在硬件实现模块包括使用软件配置的通用处理器的情况下，通用处理器可以在不同时间被配置为各自不同的硬件实现模块。软件可以相应地将处理器例如配置成在一个时刻构成特定硬件实现模块并在不同的时刻构成不同的硬件实现模块。

[0061] 硬件实现模块可以给其他硬件实现模块提供信息并从其他硬件实现模块接收信息。相应地，所描述的硬件实现模块可以被视为是通信耦合的。在多个这样的硬件实现模块同时存在的情况下，可以通过连接硬件实现模块的信号传输（例如，在适合的电路和总线上）来实现通信。在多个硬件实现模块在不同时间被配置或实例化的实施例中，可以例如通过在该多个硬件实现模块能访问的存储器结构中存储和检索信息来实现这样的硬件实现模块之间的通信。例如，一个硬件实现模块可以执行操作，并将该操作的输出存储在其通信耦合到的存储器设备中。另一硬件实现模块可以然后在稍后的时间处访问存储器设备以检索和处理所存储的输出。硬件实现模块还可以发起与输入或输出设备的通信，并可以对资源（例如，信息的集合）进行操作。

[0062] 本文描述的示例方法的各种操作可以至少部分地由一个或多个处理器执行，该一个或多个处理器被（例如，被软件）暂时配置或被永久配置成执行相关操作。不论是暂时还是永久配置，这样的处理器都可以构成处理器实现模块，该处理器实现模块进行操作以执行一个或多个操作或功能。本文提及的模块可以在一些示例实施例中包括处理器实现模块。

[0063] 类似地，本文描述的方法可以至少部分地是处理器实现的。例如，方法的操作中的至少一些可以由一个或多个处理器或者处理器实现模块执行。某些操作的执行可以分布在该一个或多个处理器之间，该一个或多个处理器不仅驻留在单个机器内，而是跨多个机器部署。在一些示例实施例中，该一个或多个处理器可以位于单个位置（例如，在家庭环境、办公室环境内或作为服务器农场），而在其他实施例中处理器可以跨多个位置而分布。

[0064] 该一个或多个处理器还可以进行操作以支持在“云计算”环境中相关操作的执行，或作为“软件即服务”（SaaS）进行操作。例如，操作中的至少一些可以由计算机的组（作为包括处理器的机器的示例）执行，这些操作经由网络（例如，因特网）且经由一个或多个适合的接口（例如，应用编程接口（API））而可访问。

[0065] 电子装置和系统示例实施例可以在数字电子电路中或者在计算机硬件、固件、软件或它们的组合中实现。示例实施例可以使用计算机程序产品（例如，在信息载体中（例如，在机器可读介质中）有形地体现的计算机程序）来实现，以供数据处理装置（例如，可编程处理器、计算机或多个计算机）执行或控制该数据处理装置的操作。

[0066] 可以以包括汇编或解释语言的任何形式的编程语言编写计算机程序，并且其可以以任何形式部署，包括部署为独立程序或者部署为模块、子例程或适于在计算环境中使用的其他单元。计算机程序可以被部署成在一个计算机上或在一个站点处的多个计算机上执行或者跨多个站点分布且由通信网络互连。

[0067] 在示例实施例中，操作可以由一个或多个可编程处理器执行，该一个或多个可编程处理器执行计算机程序以通过对输入数据进行操作并生成输出来执行功能。方法操作还可以由专用逻辑电路（例如，现场可编程门阵列（FPGA）或专用集成电路（ASIC））执行，并且示例实施例的装置可以被实现为该专用逻辑电路。

[0068] 计算系统可以包括客户端和服务器。客户端和服务器一般彼此远离且典型地通过通信网络来进行交互。客户端和服务器的关系凭借在相应计算机上运行且彼此具有客户端-服务器关系的计算机程序而发生。在部署可编程计算系统的实施例中，将意识到，硬件和软件架构两者需要考虑。具体地，将意识到，对以永久配置的硬件（例如，ASIC）、以暂时配置的硬件（例如，软件和可编程处理器的组合）、还是永久和暂时配置的硬件的组合实现某种功能的选择可以是设计选择。下面陈述可在各种示例实施例中部署的硬件（例如，机器）和软件架构。

[0069] 示例机器架构和机器可读介质图18是采用计算机系统1800的示例形式的机器的框图，在计算机系统1800内，可以执行用于使该机器执行本文讨论的方法中的任一种或多种的指令。在可替换实施例中，该机器操作为独立设备或可以连接（例如，联网）到其他机器。在联网部署中，该机器可以在服务器-客户端网络环境中以服务器或客户机的身份进行操作，或者在对等（或分布式）网络环境中操作为对等机。该机器可以是个人计算机（PC）、平板PC、机顶盒（STB）、个人数字助理（PDA）、蜂窝电话、web器具、网络路由器、交换机或桥接器、或者能够执行指定要由该机器采取的动作的指令（顺序的或以其他方式）的任何机器。进一步，尽管仅单个机器被图示，但术语“机器”还应当被认为包括个体地或联合地执行指令的集合（或多个集合）以执行本文讨论的方法中的任一种或多种的机器的任何集合。

[0070] 示例计算机系统1800包括处理器1802（例如，中央处理单元（CPU）、图形处理单元（GPU）或这两者）、主存储器1804和静态存储器1806，它们经由总线1808来彼此通信。计算机系统1800可以进一步包括视频显示单元1810（例如，液晶显示器（LCD）或阴极射线管（CRT））。计算机系统1800还包括字母数字输入设备1812（例如，键盘或触摸敏感显示屏）、用户界面（UI）导航设备1814（例如，鼠标）、盘驱动单元1816、信号生成设备1818（例如，扬声器）和网络接口设备1820。

[0071] 机器可读介质盘驱动单元1816包括机器可读介质1822，在其上存储指令和数据结构（例如，软件）
1824的一个或多个集合，该一个或多个集合体现本文描述的方法或功能中的任一个或多个或由其利用。指令1824还可以在其由计算机系统1800执行期间完全地或至少部分地驻留在主存储器1804内和/或在处理器1802内，主存储器1804和处理器1802也构成机器可读介质。

[0072] 尽管机器可读介质1822在示例实施例中被示为单个介质，但术语“机器可读介质”可以包括存储该一个或多个指令或数据结构的单个介质或多个介质（例如，集中式或分布式数据库和/或关联的高速缓存和服务器）。术语“机器可读介质”还应当被认为包括能够存储、编码或承载供机器执行的指令且使机器执行本发明的方法中的任一种或多种、或者能够存储、编码或承载由这样的指令利用或与这样的指令相关联的数据结构的任何有形介质。术语“机器可读介质”相应地应当被认为包括但不限于固态存储器以及光学和磁介质。机器可读介质的具体示例包括：非易失性存储器，作为示例包括半导体存储器设备，例如可擦除可编程只读存储器（EPROM）、电可擦除可编程只读存储器（EEPROM）和闪存设备；磁盘，诸如内部硬盘和可移除盘；磁光盘；以及CD-ROM和DVR-ROM盘。

[0073] 传输介质可以进一步使用传输介质在通信网络1826之上传输或接收指令1824。可以使用网络接口设备1820以及多种公知传送协议中的任一种（例如，HTTP）来传输指令1824。通信网络的示例包括局域网（“LAN”）、广域网（“WAN”）、因特网、移动电话网络、普通老式电话（POTS）网络和无线数据网络（例如，WiFi、LTE和WiMAX网络）。术语“传输介质”应当被认为包括能够存储、编码或承载供机器执行的指令的任何无形机器可读介质，并包括数字或模拟通信信号或其他无形介质以促进这样的软件的通信。

[0074] 尽管已经参照具体示例实施例描述了实施例，但将显而易见的是，在不脱离本发明的较宽范围的情况下，可以对这些实施例做出各种修改和改变。相应地，说明书和附图应在说明性而非限制性的意义上看待。作为说明而非限制，形成本文一部分的附图示出了在其中可实践主题的具体实施例。充分详细地描述所说明的实施例，以使本领域技术人员能够实践本文公开的教导。可以利用并从本文导出其他实施例，使得在不脱离本公开的范围的情况下，可以做出结构和逻辑上的替代和改变。因此，本具体实施方式不应在限制的意义上看待，并且各种实施例的范围仅由所附权利要求连同这样的权利要求有权享有的等同物的全范围来限定。

[0075] 本发明主题的这样的实施例在本文中可以个体地和/或共同地由术语“发明”提及，仅为了方便且不意图主动将本申请的范围限于任何单个发明或发明构思（如果事实上多于一个被公开的话）。因此，尽管本文已经说明和描述了具体实施例，但应当意识到，可以用被设计为实现相同目的的任何布置来替代所示出的具体实施例。本公开意图覆盖各种实施例的任何和所有改编或变形。在查阅了上面的描述后，上面的实施例和本文未具体描述的其他实施例的组合将对本领域技术人员而言显而易见。

标题	发布/更新时间	阅读量
用于生成视频流的注释的方法和装置	2020-05-08	591
具有多个同时语音识别器的系统	2020-05-08	531
一种彩票投注的限号处理方法及系统	2020-05-11	315
交互式玩耍套件	2020-05-08	837
机器视觉处理系统、设备、方法及计算机可读存储介质	2020-05-08	45
用于视线校正的设备和方法	2020-05-08	731
基于维度的负载平衡	2020-05-08	537
软件授权方法、获取软件权限的方法及装置	2020-05-08	772
急诊留观管理系统及方法	2020-05-11	885
在支持免许可频带的无线通信系统中由基站发送下行链路信号的方法以及支持该方法的装置	2020-05-08	828

用于电子邮件传输管理的系统和方法

用于电子邮件传输管理的系统和方法

技术领域

背景技术

具体实施方式

该功能需要专业版企业版VIP权限，您可以：