基于信息传播的个性化警报生成

背景技术

本公开涉及信息传播，并且更具体地涉及在信息的传播之前生成个性化警报。

技术使得信息能够快速且容易地传播。信息可能事实上准确或者事实上不准确。进一步，机器学习正成为技术中的普遍工具；机器学习可通过分析信息和关联来自动更新和改善功能。

发明内容

本公开的实施例包括用于个性化提醒的系统、方法和计算机程序产品。实施例可包括被配置为执行操作的处理器。操作可以包括分析用户在网络内的交互和生成用户的用户简档。操作可以进一步包括：识别用户经由网络共享帖子的尝试；以及向用户提示个性化警报以评估帖子，其中，个性化警报是基于交互、用户简档和帖子的属性而生成的。

在一些实施例中，定义用户简档包括评估用户如何参与网络。评估用户如何参与网络可考虑用户的滚动速度、用户与网络上的内容的交互的数量、以及用户与网络上的内容的交互之间的时间。

在一些实施例中，交互和用户简档是包括在语料库中的用户数据，帖子的属性包括在语料库中，语料库用于训练机器学习算法，并且机器学习算法生成个性化警报。一些实施例可以进一步包括从用户接收反馈并且将反馈整合到语料库中。

一些实施例可进一步包括分析与网络上的内容的交互并基于交互来评估用户的反应。

在一些实施例中，帖子的属性包括帖子的主题和帖子的流行度。

一些实施例可以进一步包括分析属性，基于属性识别一个或多个特征，将属性与一个或多个历史属性进行比较，以及确定属性在信誉(reputation)阈值之上。在一些实施例中，帖子的属性可以包括帖子的起源的信誉和帖子的实际争议(contentiousness)。

以上概述并不旨在描述本公开的每个所示实施例或每个实现方式。

附图说明

本申请包括的附图被结合到说明书中并且形成说明书的一部分。它们示出了本公开的实施方式，并且与描述一起用于解释本公开的原理。附图仅说明某些实施例，而并不限制本公开。

图1示出根据本公开的一些实施例的代表性部件的系统。

图2示出了根据本公开露的一些实施例的生成分析参与(analyticalengagement)的流程图。

图3示出了根据本公开的一些实施例的系统决策树。

图4示出了根据本公开的一些实施例的数据编译的流程图。

图5示出了根据本发明实施例的云计算环境。

图6示出了根据本发明的实施例的抽象模型层。

图7示出了根据本公开的实施例的可以用于实现本文所描述的方法、工具和模块和任何相关功能中的一个或多个的示例性计算机系统的高级框图。

虽然本发明可有不同修改和替代形式，但是其细节已经通过举例在附图中示出并且将被详细描述。然而，应当理解，本发明并不局限于所描述的具体实施例。相反，本发明旨在覆盖落在本发明的范围内的所有修改、等同物以及替换物。

具体实施方式

本公开的方面涉及信息的传播，并且更具体地，涉及在信息的传播之前生成个性化警报。

个体可访问和/或传播信息。可以访问和/或传播信息，而不考虑该信息实际上是否准确。分析思考使个人能够避免无思考地接受消费的信息，使个人能够在发布信息之前评估信息的真实性。因此，分析思考可以通过鼓励个体主动决定是否传播信息来减缓不准确材料的传播。在信息消耗和/或传播时鼓励分析思考可能因此减缓不准确信息的传播。

本公开的实施例可以鼓励个体在消费和/或传播信息时进行分析思考，并且由此减少实际不准确的信息的传播。本公开的实施例可因此促进个人的知识增长并减缓实际不准确信息的传播，同时减少或消除冷却言论(chilled speech)的影响。

本公开的实施例包括用于个性化警报以在信息的传播之前进行分析思考的系统、方法和计算机程序产品。一种系统可以包括存储器和与该存储器通信的处理器。处理器可以被配置为执行操作，这些操作包括分析用户在网络内的交互和生成用户的用户简档。处理器的操作可以进一步包括识别用户经由网络共享帖子的尝试，并且提示用户个性化警报以评估帖子，其中，个性化警报是基于交互、用户简档和帖子的属性而生成的。

图1示出根据本公开的一些实施例的代表性部件的系统100。用户110可向用户装置120提交输入。用户装置120可将用户输入110提交到网络系统130。网络系统130可使得用户110的输入可用于主动代理150。主动代理150可鼓励用户110进行分析思考。

用户110可向能够与网络系统130通信的用户设备120提交输入。本公开的实施例可以与当前使用的或可以稍后开发的设备和系统一起使用。用户装置120可以是例如移动电话、计算机、通信装置(例如，耳机或数据入口门户)、被配置为与网络系统通信的机器人(例如，智能集线器设备)等。

用户装置120可与网络系统130通信。网络系统130将设备连接在一起。网络系统130可以是其中用户110可以直接或间接地与一个或多个其他个体交互的系统。网络系统130可为(例如)通信网络、网站(例如，互联网聊天室)、通信客户端(例如，用于与其他个人通信的移动应用程序)、或社交网络系统(例如，社交媒体平台)。

网络系统130可与主动代理150通信。主动代理150可鼓励用户110进行分析思考。主动代理150可通过例如为用户110提出要考虑的相关问题来鼓励分析思考。主动代理150可收集信息以评估将提出哪些问题以使用户110进行分析思考。信息可包括例如用户110如何响应类似问题、用户110针对特定帖子的估计的偏置、来自用户110的反馈等。

例如，主动代理150可包含数据语料库151中的数据，数据语料库151将“为什么”问题与用户110访问信息和用户110共享信息之间的延迟相关，而“如何”问题与用户110访问信息和用户110共享信息之间的任何延迟不相关。因此，主动代理150可断定用户110在提出“为什么”问题时比在提出“如何”问题时更可能进行分析思考。这样的结论可导致主动代理150增加“为什么”问题的频率并降低“如何”问题的频率。

主动代理150可包括数据语料库151、简档分析器152、上下文提取器154、问题生成器156、和/或反馈模块158。主动代理150可包括数据语料库151，数据语料库151存储针对问题开发收集的数据、问题数据、用户偏好、用户数据、用户反馈、问题推荐、机器学习(ML)模型等。数据语料库151可以用于开发问题和/或ML模型以用于开发针对用户110的个性化警报的问题以进行分析思考。数据语料库151可以获得来自不同源的信息，诸如例如来自用户110的直接输入、用户110选择用于分析的一个或多个简档、存储设备、互联网等。

主动代理150可包含简档分析器152以分析用户数据。简档分析器152可以获得数据语料库151中包含的信息以供分析。例如，简档可以被拉到数据语料库151并且存储在数据语料库151中，并且简档分析器152可以在简档在数据语料库151中时分析简档。简档分析器152可以向数据语料库151贡献数据。例如，简档分析器152可以从数据语料库151或另一个源拉取简档数据，分析简档数据，并且向数据语料库151提交简档数据和/或从分析简档数据获得的任何洞察(insight)。

在一些实施例中，主动代理150可包含上下文提取器154。上下文提取器154可提取用户110查看的帖子的上下文。上下文提取器154可以使用帖子的上下文来帮助确定用户110是否可能体验相对于帖子的偏好(partiality)。与简档分析器152协作，上下文提取器154还可以帮助确定用户相对于帖子可能体验到什么样的偏好。识别一个或多个潜在局面性可以帮助问题生成器156生成对用户110个性化的问题以使用户110进行相对于用户110当前正在查看的帖子的分析思考。

从分析简档数据的简档分析器152以及从提取帖子内容的上下文提取器154获得的洞察可以存储在数据语料库151中以供问题生成器156使用。问题生成器156可以产生个性化问题以使用户110进行分析思考。简档数据、帖子内容、由简档分析器152生成的洞察、和/或由上下文提取器154获得的洞察可以用于直接生成问题，或者可以用于生成然后可以用于生成问题的数据。由问题生成器156生成的问题可以用于使用户110分析地考虑帖子。在一些实施例中，主动代理150可在用户110考虑共享内容时向用户110提示问题。

问题生成器156可以根据所收集的数据、从由上下文生成器154确定的帖子的上下文生成的洞察、从由简档分析器152确定的简档数据生成的洞察、或它们的某种组合，向用户110提示一个或多个问题。问题可提示用户110例如询问帖子如何使用户110感到、用户110是否已看到由其他源托管的类似内容、以及用户110是否相信源是可靠的。

问题生成器156可以从一组预加载的问题中选择呈现给用户110的一个或多个问题。例如，数据语料库151可以包括由专家组织的问题，以最大化其唤起来自用户110的分析响应的能力。包括在数据语料库151中的问题可以全部由专家策划，大部分由专家策划，部分由专家策划，或从由专家策划的问题导出。在一些实施例中，问题生成器156可以从数据语料库151中的专家策划的问题的列表中选择一个或多个问题以向用户110显示以使用户110进行分析性思考。在一些实施例中，问题生成器156可以合并关于用户110的数据和/或帖子的内容，以从专家策划的问题的列表中选择一个或多个问题。

主动代理150可进一步包含反馈模块158。反馈模块158可提供用于用户110直接或间接地将反馈提供到主动代理150的机制。用户110提交的反馈可集成到数据语料库151中和/或用于调整主动代理150。例如，用户110可通过反馈模块158提供主动代理150正提出太多问题且应提较少问题以增加功效的反馈；主动代理150可将此信息集成到数据语料库151中，且将标准提示上的问题的数目从四个问题减少到三个问题。

在一些实施例中，用户110和用户简档的交互是包括在数据语料库151中的用户数据。在一些实施例中，帖子的属性(例如，由上下文提取器154生成的上下文洞察)被包括在数据语料库151中。在一些实施例中，数据语料库151可以用于训练算法(例如，ML算法)，并且ML算法可以包括生成用户110的个性化警报的问题生成器156。一些实施例可以进一步包括从用户接收反馈并且将反馈整合到语料库中。

图2示出了根据本公开的一些实施例的生成分析参与的过程200的流程图。过程200可包括识别数据202、确定会话度量220、将数据输入到模型240中，以及输出提示250。过程200可以全部地或部分地由处理器执行。

识别数据202可以包括分析用户数据210。用户数据可以包括用户简档数据212和/或用户交互数据214。用户简档数据212可以包括从用户简档收集的关于用户的信息。用户简档数据212可以包括例如用户人口统计、从属关系、地理、兴趣、工作历史、喜爱的书等等。用户交互数据214可包括用户与平台或服务进行交互的动作。用户交互数据214可包括例如用户喜欢、评论和共享；用户滚动速度；随时间的用户点击；随时间的用户反应；和类似信息。

分析用户数据210可导致基于用户信息来评估用户简档。可以使用历史用户信息和/或当前用户信息来评估用户简档。在一些实施例中，历史用户信息可以用于评估用户简档，并且可以将来自用户当前参与的会话的信息与用户简档进行比较以评估用户与历史使用的偏离。在一些实施例中，系统可将与历史上导出的简档的偏离关联为用户性情(temperament)的偏离，且可相应地改变输出。例如，指示用户的偏离的数据可以指示用户失望，并且因此系统将输出一个问题以提示分析思考而不是三个。

在一些实施例中，可以定义用户简档，并且定义用户简档可以包括评估用户如何参与网络。评估用户如何参与网络可考虑用户的滚动速度、用户与网络上的内容的交互的数量、以及用户与网络上的内容的交互之间的时间。

在一些实施例中，用户简档可包括关于用户的不同细节。关于用户的细节可被称为用户数据。用户数据可包括用户的一个或多个活动，诸如喜欢、分享和/或评论。用户数据可包括用户的一个或多个联系人，诸如从属关系、兴趣和影响。在个性化中收集和/或使用的数据可根据默认设置来设置、由用户设置或其某种组合。例如，用户可以决定可以收集和使用关于用户喜欢的信息，而可以不收集或使用关于用户共享的信息。

可以从用户的简档、来自用户的输入、关于这样的信息的元数据或者它们的某种组合来收集用户数据。例如，用户可以请求个性化引擎从现有面向公开的简档收集用户数据。直接输入的实例可以是用户采取个性化测验；直接输入的另一示例可以是用户向系统提交反馈。

用户数据可以用于识别用户的偏好(partiality)或喜好(favoritism)。偏好可能使合理的思考过程失真并且妨碍个体做出合理的决定。个体的偏好的类型可以包括，例如，确认偏见、锚定偏见、晕圈效应、可用性启发式、乐观性偏见等等。可以使用本领域已知的或以后研发的方法来识别偏好。在一些实施例中，可以通过分析用户浏览或交互的历史话题来评估偏好；例如，如果用户查看了关于特定话题的许多帖子，则可以指示用户具有针对该特定话题的偏好。识别用户的偏好可以使得系统能够向用户突出该偏好。识别偏好可以使用户能够例如通过在存在所识别的偏好时更严格地分析信息来补偿该偏好。

识别数据202可包括分析帖子数据220。帖子数据可以包括帖子主题222和帖子内容224。帖子分析算法可以用于分析帖子主题222和帖子内容224；例如，可以使用潜在狄利克雷分配(LDA)模型来评估帖子主题222和/或帖子内容224。可以使用其他分析算法，诸如潜在语义索引(LDI)模型。可以通过用训练的分类器来处理帖子以根据帖子包含的信息或关键字的类型来对帖子进行分类来识别帖子主题222。可以通过用训练的分类器来处理帖子以根据内容对帖子进行分类，来识别帖子内容224。

帖子话题222和/或帖子内容224可以被认为是帖子属性或帖子的属性。在一些实施例中，帖子的属性包括帖子的标题和/或主题以及帖子的流行度。帖子的流行度可以是对帖子的扩散性的测量，例如，帖子是否已经变成病毒性或者是否变成病毒性的可能性。可通过例如如何在特定时间跨度内查看和/或共享帖子来测量帖子的流行度。

相同的训练的分类器可以用于分析帖子主题222和帖子内容234两者；可替代地，不同的训练的分类器可以用于分析帖子数据220的不同组件。训练的分类器可被训练、重新训练和更新以改善识别和/或分析过程。在一些实施例中，从用户输入(例如，用户反馈)收集的数据可用于重新训练识别和/或分析数据的模型。

一些实施例可以进一步包括分析属性，基于属性识别一个或多个特征，将属性与一个或多个历史属性进行比较，以及确定属性在信誉阈值之上。在一些实施例中，帖子的属性可以包括帖子的起源的信誉和帖子的实际争议。

过程200可包括确定会话度量230。会话的度量可以包括导航模式。确定会话度量230可包括评估用户的导航模式。用户的导航模式可以包括例如用户滚动速度、随时间的点击、所交互的帖子的类型(例如，记录、图像、或文章)、所交互的内容的类型(例如，喜剧sketch或文档)、在给定时间段内所交互的帖子的数量、和类似信息。确定会话度量230可包括将用户的当前导航模式与用户的历史导航模式进行比较。例如，用户通常可以阅读历史纪录片；如果用户观看喜剧滑雪，则可以检测用户导航模式的改变。

一些实施例可包括分析与网络上的内容的交互并基于交互来评估用户的反应。例如，用户数据可以指示用户平均每分钟10次点击；如果用户参与平均每分钟15次点击的会话，则系统可以将用户的处置解释为处于热情状态。可替代地，如果用户平均每分钟十次点击，并且用户参与平均每分钟六次点击的会话，则系统可以将用户的处置解释为处于失去热情状态。

过程200可以包括将数据输入到模型240中。该模型可以是ML模型。在一些实施例中，ML模型可以是监督ML算法。模型可集成会话度量、用户数据和帖子数据。该模型可以使用任何整合的和/或可用的数据作为输入来为用户生成一个或多个问题和/或陈述以鼓励该用户参与分析思考。该模型可以例如通过将输入数据分类成一个或多个问题集合并且从这些集合中选择一个或多个问题、从预加载到数据库的问题列表中选择一个或多个问题、形成一个或多个新问题(例如，使用有组织的问题和反馈数据来结合额外的问题)、或它们的某种组合来生成针对用户的一个或多个问题。

过程200可以包括输出提示250。由模型生成的用于鼓励分析思考的问题和/或陈述可以在提示上输出以供用户查看和/或参与。一些实施例可以包括选择某种类型的提示的用户设置。例如，一些用户可以选择提示作为可视提示(例如，弹出式屏幕或连接到帖子的标签)，一些用户可以选择听觉提示(例如，机器人可以大声阅读由模型生成的问题)，并且一些用户可以选择其组合(例如，五个问题可以被可视地显示，并且机器人大声阅读问题中的一个)。

用户的状态(例如，热情或失去热情)可促成用户的一个或多个反应，并且该系统可相应地适配。例如，相比处于热情状态的用户，该系统可以向处于失去热情状态的用户提供更少的问题。在另示例中，系统可以向处于失去热情状态的用户呈现更简单的问题，并且向处于热情状态的用户呈现更复杂的问题。

图3示出了根据本公开一些实施例的系统决策树300。系统决策树300可以通过系统的检测、输入和输出将系统从第一位置(例如，开始302位置)引导至决策的完成(例如，结束354位置)并且返回至第一位置。

系统可以在休眠或静止状态中启动302，等待和监测用户活动。系统可以检测用户共享帖子的意图。系统可以通过例如观察用户按下分享按钮来检测用户是否愿意共享帖子312。如果用户不愿意312a共享帖子，则分析可以结束304并且使系统返回到其原始开始302状态。

如果用户愿意312b共享帖子，决策树及其分析可以继续。系统可以评估用户简档320以继续决策树。评估用户简档可包括编译和评估用户人口统计数据、历史输入和类似信息以近似用户的习惯、偏好和其他可能特性。系统可以评估用户简档320以优化针对用户的警报的个性化。例如，第一用户的简档可以指示第一用户被分析地通过关于第一用户的感觉的问题来参与；第二用户的简档可以指示第二用户被分析地通过引用来自一个或多个外部源的数字数据的问题来参与。

系统可以评估帖子信息330。评估帖子的信息可以包括评估帖子的标题、主题和/或内容。系统可使用算法(例如，帖子分析算法)来评估帖子信息330。帖子信息可以用于评估帖子的流行度、用户兴趣、帖子的满意度、和其他数据。

帖子信息可以与用户简档配合使用，以个性化特定于用户的提醒。例如，第一用户可能倾向于共享帖子，因为帖子与第一用户的视图对齐；因此，个性化警报可以包括引起关于确认偏见的分析思考的问题。在另一示例中，第二用户可能倾向于共享帖子，因为该帖子引起情绪响应；个性化提醒因此可以在个性化提醒中包括关于用户的反应的问题。

系统随后可将数据输入到推荐模型340。输入到推荐模型的数据可以包括用户简档数据、帖子信息、用户反馈(例如，来自一个或多个先前提示的用户输入)、和类似信息。推荐模型可以是ML模型。

系统然后可以推荐可以用于提示用户的问题350。问题可以是在给定环境(诸如例如用户的最近反应、帖子内容、和历史用户简档数据)的情况下对于用户个性化的警报。推荐问题可被呈现给用户以提示用户在用户与特定帖子交互或传播特定帖子之前参与分析思考。例如，用户可以阅读文章，并且系统可以包括在文章的结尾处以及在集成的共享按钮之上的标签；该标签可以为用户提出问题以在点击共享按钮之前仔细地考虑帖子的内容。

系统决策树300可以在推荐一个或多个问题之后结束354。系统决策树300然后可以返回到其原始开始302状态并保持休眠，直到它检测到用户310的共享意图，此时系统决策树300可以再次开始。

图4示出了根据本公开的一些实施例的数据编译400的流程图。系统可以识别用户410、确定所识别的用户的会话交互420、将数据输入到推荐模型430、基于收集的数据和使用的推荐模型来推荐问题440、以及基于并入的数据从推荐矩阵450中选择一个或多个个性化警报。推荐矩阵450可以用于向用户呈现个性化警报，该个性化警报鼓励该用户参与分析思考，从而有效地减慢信息的扩散，同时仍然使得能够共享信息和想法。因此，本公开可以实现用户的知识增长，并且减缓实际不准确信息的传播，而无需冷却言论(例如，由管理员移除帖子)。

该系统可通过收集用户简档信息(诸如用户的人口统计、用户交互历史、用户兴趣和交互、和类似用户信息)来识别用户410。用户可以选择加入或选择退出任何个性化；例如，用户可以指示系统可以出于个性化目的使用工作历史数据，但是出于相同的个性化目的可以不使用地理位置历史。

系统还可基于用户提供的附加信息来识别用户410。在一些实施例中，该系统可包括用户的反应历史以识别用户的当前反应并由此增强个性化。该系统可以包括用户反馈以将用户偏好、设置和其他数据结合到用户识别中。在一些实施例中，可以直接表达用户反馈；例如，用户可以命令系统并入某些偏好，或者用户向系统标识特定问题使用户参与分析思想。在一些实施例中，用户反馈可为隐式的；例如，系统可辨识某些问题导致在用户点击共享按钮之前的5秒暂停，而其他问题仅导致在用户点击共享按钮之前的2秒暂停。

系统可以确定用户的会话交互420。该系统可聚合来自先前用户会话的数据并将当前会话与先前会话进行比较。会话交互数据可以包括例如用户体验(UX)导航模式，诸如滚动速度、随时间点击和随时间反应。该信息可例如用于识别当前会话中的用户反应和/或情绪。该信息可以整合帖子数据(例如，帖子主题和/或内容)；该系统可以使用例如分析算法(例如，LDA或LSI)来识别帖子数据。系统可以进一步基于情境化信息从用户数据和帖子数据中提取特征。

用户简档数据和会话信息可被聚集并用作推荐模型的训练或其他输入数据430。推荐模型可以是或包括分类模型，例如，支持向量机(SVM)模型、逻辑回归模型、深度神经网络(DNN)模型等。用户数据、帖子数据、用户交互数据、用户反应数据、帖子内容、和/或其提取的特征可以被合并为用于推荐模型的训练数据。

无论是收集的还是开发的数据，都可以被聚集成推荐矩阵450。推荐矩阵450可以包括用户数据450a和帖子数据450b的输入。用户数据450a和帖子数据450b可以用于生成输出数据450c。

用户数据450a可以包括关于用户的信息。用户数据450a可包括用户简档数据451和反应数据452。简档数据451可包括用户可在简档、类似识别系统中包括的信息或关于用户的其他信息。简档数据451可包括例如用户个人信息(例如，地理、教育等)、历史数据(例如，与帖子的交互、滚动速度、和对内容的反应)、兴趣(例如，所跟踪的内容提供商类型、书愿单内容、和历史数据中的趋势)等。可为一个或多个用户451a-451c保留简档数据451。反应数据452可包括关于一个或多个用户451a-451c中的每一个的处置452a-452c的信息。

帖子数据450b可包括关于一个或多个用户451a-451c正在考虑共享的发布的信息。帖子数据450b可包括帖子主题453、流行度454和准确度455。不同的帖子可以有不同的主题453a-453c。帖子可以具有一个或多个主题；例如，讨论用于享受比萨饼的最佳服装的帖子可以标注有“时尚”和“食物”标识符两者。每个帖子可具有流行度评级454a-454c以指示该帖子是否是病毒性的或该帖子有多大可能成为病毒性的。每个帖子还可以具有准确度评级455a-455c，以指示帖子在本质上是否是事实或观点，和/或在帖子中陈述的任何事实有多有争议。

帖子数据450b可进一步包括关于流行度的信息454。流行度454可指示帖子当前有多少用户参与、之前有多少用户参与该帖子、该帖子当前有多病毒性、该帖子变得病毒性有多大可能性、和类似信息。帖子的流行度454可基于趋势、一天中的时间、一周中的一天、相似类别中的其他帖子有多流行等而变化。因此，流行度454将随帖子以及用户查看帖子的时间两者而变化。流行度标签454a-454c因此可随时间改变，即使对于同一帖子也是如此。

帖子数据450b可以被归一化。例如，可以从主题集合(例如，健康、当前事件、时尚和/或烹饪)中选择帖子主题453。数字标识符(诸如流行度454和准确度455)可以数字地或以预设比例进行标准化。例如，帖子的流行度454可以在零和一之间被数值地归一化，使得评级0.1表示帖子不太可能变成病毒性的，而评级0.99表示帖子已经是病毒性的。类似地，准确度455可以使用在零和一之间归一化的评级系统，使得0.1评级指示帖子与可靠来源相冲突，0.5评级指示帖子是不可验证的(例如，没有可比较的数据可用或帖子是看法)，并且0.99评级指示帖子可经由许多可靠来源来验证。当前的标度可以使用语言学范围；例如，流行度范围可以包括不是病毒性的、不太可能变成病毒性的、潜在病毒性的、几乎病毒性的、以及当前病毒性的。

可以针对可用于共享的每个帖子保持帖子数据450b。例如，每个帖子的主题453可以变化，使得若干帖子具有若干主题标签453a-453c。主题标签453a-453c可以专用于每个帖子。主题标签453a-453c可以是完全唯一的、类似的、相同的、具有区别和重叠两者、或者其某种组合。

将用户数据450a和帖子数据450输入到推荐矩阵450中可产生输出450c。输出450c可以包括特别开发来使特定用户参与分析思考的问题集合457。问题集合457a-457c可以基于用户数据450a、帖子数据450b以及在生成问题集合457a-457c时使用的任何模型(包括模型训练数据)而变化。然后，问题集合457a-457c可以用于用个性化警报来提示用户。

例如，第一问题集合457a可以包括：你确信你想要一些可能不准确的事情吗？制作该帖子的人或组织有已知的编辑标准吗？因为帖子可以与你自己的视角一致，你想在传播信息之前用另一个源检查信息吗？

例如，第二问题集合457b可以包括：这篇文章是否放大了任何负面感受？你愿意分享一些可能被别人认为是有害的东西吗？你是否愿意分享可能鼓励不慎行为的帖子？

例如，第三问题集合457c可以包括：你认为来源是可靠的吗？你愿意分享一些可能不准确的东西吗？帖子内容是否与任何专家组织的出版物一致？

问题集合457a-457c可以从专家组织的问题集合中选择。问题可以包括，例如，用户是否检查了帖子的任何事实满意度；帖子如何影响用户感受；帖子是否放大了用户的任何特定感受；用户是否愿意以一定的准确度评级分享某事；用户是否愿意在分享帖子之前验证数据；用户是否愿意分享可能事实上包含不准确信息的帖子；用户可能由于传播帖子而影响的人可能如何对帖子作出反应；用户是否相信帖子是可靠的；用户是否信任帖子的源；用户是否相信帖子中的内容的准确性；帖子中的事实争论是否与有信誉的组织做出的陈述一致；产生帖子的组织是否已经指定编辑标准；用户是否可能正在经历确认偏见；以及类似问题。

应当理解，虽然本公开包括关于云计算的详细描述，但是本文所引用的教导的实现不限于云计算环境。相反，本公开的实施例能够结合现在已知的或以后开发的任何其他类型的计算环境来实现。

云计算是服务交付的模型，用于使得能够方便地、按需地网络访问可配置计算资源(例如，网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机和服务)的共享池，所述可配置计算资源可以以最小的管理努力或与所述服务的提供者的交互来快速供应和释放。该云模型可以包括至少五个特性、至少三个服务模型和至少四个部署模型。

特性如下：

按需自助服务：云消费者可以单方面地根据需要自动地提供计算能力，诸如服务器时间和网络存储，而不需要与服务的提供者的人工交互。

广泛的网络接入：能力可通过网络获得并且通过标准机制接入，该标准机制促进异构瘦客户机平台或厚客户机平台(例如，移动电话、膝上型计算机和PDA)的使用。

资源池：提供者的计算资源被池化以使用多租户模型来服务于多个消费者，该多租户模型具有根据需求动态地分配和重新分配的不同物理和虚拟资源。存在部分独立性的感觉，因为消费者通常不具有对所提供的资源的确切部分的控制或知识，但可能能够在较高抽象级别(例如，国家、州或数据中心)指定部分。

快速弹性：能够快速和弹性地提供能力，在一些情况下自动地快速缩小和快速释放以快速放大。对于消费者而言，可用于供应的能力通常显得不受限制并且可以在任何时间以任何数量购买。

测量的服务：云系统通过在适合于服务类型(例如，存储、处理、带宽和活动用户账户)的某个抽象级别处利用计量能力来自动控制和优化资源使用。可以监测、控制和报告资源使用，为所利用的服务的提供者和消费者提供透明度。

业务模型如下：

软件即服务(SaaS)：提供给消费者的能力是使用在云基础设施上运行的提供者的应用。可通过诸如web浏览器(例如，基于web的电子邮件)之类的瘦客户端接口从不同客户端设备访问应用。消费者不管理或控制包括网络、服务器、操作系统、存储或甚至个别应用能力的底层云基础设施，可能的例外是有限的用户特定应用配置设置。

平台即服务(PaaS)：提供给消费者的能力是将消费者创建的或获取的使用由提供商支持的编程语言和工具创建的应用部署到云基础设施上。消费者不管理或控制包括网络、服务器、操作系统或存储的底层云基础设施，但消费者具有对所部署的应用以及可能的应用托管环境配置的控制。

基础设施即服务(IaaS)：提供给消费者的能力是提供处理、存储、网络和消费者能够部署和运行任意软件的其他基本计算资源，软件可以包括操作系统和应用。消费者不管理或控制底层云基础设施，而是具有对操作系统、存储和部署的应用的控制，并且消费者可能具有对选择的联网组件(例如，主机防火墙)的受限控制。

部署模型如下：

私有云：云基础架构仅为组织运作。它可以由组织或第三方管理，并且可以存在于场所内或场所外。

社区云：云基础架构由若干组织共享并且支持共享了关注(例如，任务、安全要求、策略、和/或合规性考虑)的特定社区。它可以由组织或第三方管理，并且可以存在于场所内或场所外。

公共云：使云基础架构对公众或大型行业组可用，并且由出售云服务的组织拥有。

混合云：云基础架构是两个或更多个云(私有、社区或公共)的组合，这些云保持唯一实体但通过使数据和应用能够移植的标准化或专有技术(例如，云突发以用于云之间的负载平衡)绑定在一起。

云计算环境是面向服务的，集中于无状态、低耦合、模块化和语义互操作性。云计算的核心是包括互连节点网络的基础设施。

图5示出了根据本公开的实施方式的云计算环境510。如图所示，云计算环境510包括一个或多个云计算节点500，云消费者使用的本地计算设备(诸如例如个人数字助理(PDA)或蜂窝电话500A、台式计算机500B、膝上型计算机500C和/或汽车计算机系统500N)可与云计算节点500通信。节点500可彼此通信。它们可在物理上或虚拟地在一个或多个网络中被分组(未示出)，诸如如上所述的私有云、社区云、公共云或混合云、或其组合。

这允许云计算环境510提供基础设施、平台和/或软件作为云消费者不需要为其维护本地计算设备上的资源的服务。应当理解，图5中所示的计算设备500A-N的类型仅旨在是说明性的，并且计算节点500和云计算环境510可以通过任何类型的网络和/或网络可寻址连接(例如，使用网络浏览器)与任何类型的计算机化设备通信。

图6示出了根据本公开的实施例的由(图5的)云计算环境510提供的抽象模型层600。应提前理解，图6中所示的组件、层和功能仅旨在是说明性的，并且本公开的实施方式不限于此。如下所述，提供以下层和对应功能。

硬件和软件层615包括硬件和软件组件。硬件组件的示例包括：大型机602；基于RISC(精简指令集计算机)架构的服务器604；服务器606；刀片服务器608；存储设备611；以及网络和联网组件612。在一些实施例中，软件组件包括网络应用服务器软件614和数据库软件616。

虚拟化层620提供抽象层，从该抽象层可以提供虚拟实体的以下示例：虚拟服务器622；虚拟存储器624；虚拟网络626，包括虚拟专用网络；虚拟应用和操作系统628；以及虚拟客户端630。

在一个示例中，管理层640可以提供以下描述的功能。资源供应642提供用于在云计算环境内执行任务的计算资源和其他资源的动态采购。计量和定价644提供成本跟踪作为资源并在云计算环境内使用，以及为这些资源的消费开账单或发票。在一个示例中，这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证，以及为数据和其他资源提供保护。用户门户646为消费者和系统管理员提供对云计算环境的访问。服务水平管理648提供云计算资源分配和管理，使得满足所需的服务水平。服务水平协议(SLA)规划和履行650提供根据SLA预期未来需求的云计算资源的预安排和采购。

工作负载层660提供可以利用云计算环境的功能的示例。可以从该层提供的工作负荷和功能的示例包括：地图和导航662；软件开发和生命周期管理664；虚拟课堂教育交付667；数据分析处理668；交易处理670；以及进行分析思考的个性化警报672。

应当理解，虽然本公开包括关于云计算的详细描述，但是本文所引用的教导的实现不限于云计算环境。相反，本公开的实施例能够结合当前已知或稍后开发的任何其他类型的计算环境来实现。

图7示出了根据本公开的实施例的可以用于实现本文所描述的方法、工具和模块中的一个或多个、以及任何相关功能(例如，使用计算机的一个或多个处理器电路或计算机处理器)的示例性计算机系统701的高级框图。在一些实施例中，计算机系统701的主要部件可以包括具有一个或多个中央处理单元(CPU)702A、702B、702C和702D的处理器702、存储器子系统704、终端接口712、存储接口716、I/O(输入/输出)设备接口714和网络接口718，所有这些可以经由存储器总线703、I/O总线708和I/O总线接口单元710直接或间接地通信地耦合，以用于部件间通信。

计算机系统701可以包含一个或多个通用可编程CPU 702A、702B、702C和702D，这里统称为CPU 702。在一些实施例中，计算机系统701可以包含相对大的系统的多个处理器；然而，在其他实施例中，计算机系统701可以替代地是单个CPU系统。每个CPU 702可以执行存储在存储器子系统704中的指令，并且可以包括一个或多个级别的板上高速缓存。

系统存储器704可包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)722或高速缓冲存储器724。计算机系统701还可以包括其他可移动/不可移动、易失性/非易失性计算机系统存储介质。仅作为示例，存储系统726可被设置用于从不可移动、非易失性磁介质(诸如，“硬盘驱动器”)读取或写入至不可移动、非易失性磁介质。尽管未示出，可以提供用于从可移动非易失性磁盘(例如，“软盘”)读取或向其写入的磁盘驱动器，或用于从可移动非易失性光盘(如CD-ROM、DVD-ROM、或其他光学介质)读取或向其写入的光盘驱动器。此外，存储器704可包括闪存，例如闪存棒驱动器或闪存驱动器。存储器设备可以通过一个或多个数据介质接口连接到存储器总线703。存储器704可以包括具有一组(例如至少一个)程序模块的至少一个程序产品，这些程序模块被配置为执行不同实施例的功能。

一个或多个程序/实用程序728可被存储在存储器704中，每个程序/实用程序728具有至少一组程序模块730。程序/实用程序728可以包括管理程序(也称为虚拟机监视器)、一个或多个操作系统、一个或多个应用程序、其他程序模块、和程序数据。操作系统、一个或多个应用程序、其他程序模块、和程序数据中的每一个或它们的一些组合可以包括网络环境的实现方式。程序728和/或程序模块730通常执行不同实施例的功能或方法。

尽管存储器总线703在图7中被示为提供CPU 702、存储器子系统704和I/O总线接口710之间的直接通信路径的单个总线结构，但是在一些实施例中，存储器总线703可以包括多个不同的总线或通信路径，其可以以各种形式中的任一种来布置，诸如分级、星形或网络配置中的点对点链路、多个分级总线、并行和冗余路径、或任何其他适当类型的配置。此外，虽然I/O总线接口710和I/O总线708被示出为单个相应的单元，但是在一些实施例中，计算机系统701可以包含多个I/O总线接口单元710、多个I/O总线708或两者。进一步，虽然示出了将I/O总线708与运行到各个I/O设备的各个通信路径分开的多个I/O接口单元710，但是在其他实施例中，一些或全部I/O设备可以直接连接到一个或多个系统I/O总线708。

在一些实施例中，计算机系统701可以是多用户大型计算机系统、单用户系统、服务器计算机或具有很少或没有直接用户界面但从其他计算机系统(客户端)接收请求的类似设备。进一步，在一些实施例中，计算机系统701可以被实现为台式计算机、便携式计算机、膝上型或笔记本计算机、平板计算机、袖珍计算机、电话、智能电话、网络交换机或路由器、或任何其他适当类型的电子设备。

要注意的是，图7旨在描述示例性计算机系统701的代表性主要部件。然而，在一些实施例中，单个组件可以具有比图7中所表示的更大或更小的复杂度，可以存在不同于图7中所示出的那些组件或除图7中所示出的那些组件之外的组件，并且此类组件的数量、类型和配置可以变化。

本公开可以是任何可能的技术细节集成度的系统、方法和/或计算机程序产品。所述计算机程序产品可包含上面具有用于致使处理器执行本发明的方面的计算机可读程序指令的计算机可读存储介质。

计算机可读存储介质可为可保留和存储供指令执行装置使用的指令的有形装置。计算机可读存储介质可以是，例如但不限于，电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备、或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各项：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式紧凑盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、具有记录在其上的指令的诸如穿孔卡或槽中的凸出结构之类的机械编码设备、以及上述各项的任何合适的组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，穿过光纤电缆的光脉冲)或通过电线发射的电信号。

本文描述的计算机可读程序指令可以经由网络(例如，互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理设备，或者下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。

用于执行本公开的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据、或以一种或多种程序设计语言的任何组合编写的源代码或目标代码，这些程序设计语言包括面向对象的程序设计语言(诸如Smalltalk、C++等)和过程程序设计语言(诸如“C”程序设计语言或类似程序设计语言)。计算机可读程序指令可以完全地在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接至用户计算机，或者可连接至外部计算机(例如，使用互联网服务提供商通过互联网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来使电子电路个性化来执行计算机可读程序指令，以便执行本公开的各方面。

这里参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图图示和/或框图来描述本公开的各方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可被提供给计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的或多个框中指定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储媒质中，这些指令使得计算机、可编程数据处理装置、和/或其他设备以特定方式工作，从而，其中存储有指令的计算机可读存储介质包括包含实现流程图和/或框图中的或多个方框中规定的功能/动作的方面的指令的制造品。

也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程装置、或其他设备上执行一系列操作步骤，以产生计算机实现的处理，使得在计算机、其他可编程装置、或其他设备上执行的指令实现流程图和/或框图中的或多个方框中规定的功能/动作。

附图中的流程图和框图示出了根据本公开的不同实施例的系统、方法和计算机程序产品的可能的实现方式的架构、功能和操作。对此，流程图或框图中的每个方框可表示包括用于实现指定的逻辑功能的一个或多个可执行指令的模块、片段或部分指令。在一些备选实现中，框中标注的功能可以不按照图中标注的顺序发生。例如，连续示出的两个方框实际上可以作为一个步骤完成，同时、基本上同时、以部分或完全时间上重叠的方式执行，或者这些方框有时可以根据所涉及的功能而以相反的顺序执行。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作或执行专用硬件与计算机指令的组合的专用的基于硬件的系统来实现。

虽然已经根据具体实施例描述了本公开，但预期其变更和修改将对本领域技术人员变得清楚。已经出于说明的目的呈现了对本披露的不同实施例的描述，但并不旨在是详尽的或限于所披露的实施例。在不脱离所描述的实施例的范围和精神的情况下，许多修改和变化对本领域普通技术人员将是清楚的。这里使用的术语被选择来最好地解释实施例的原理、实际应用、或者相对于市场中发现的技术的技术改进，或者使得本领域普通技术人员能够理解这里公开的实施例。因此，以下权利要求旨在被解释为覆盖落入本公开的真实精神和范围内的所有这样的改变和修改。