Google 推荐的作者分数

Google 是如何生成作者分数的？

谷歌的专利涵盖了向未订阅帖子并生成作者评分的搜索者推荐消息服务中帖子的方法。

有趣的是，该专利引用了作者评分，并多次引用了 AuthorRank。 我在 2007 年第一次写了关于 Agentrank 的文章，随着时间的推移，它被称为 AgentRank 和 AuthorRank 以及作者分数。

情况发生了变化，谷歌已经失去了它的个人社交网络。 我们从有关消息传递系统的专利中学习。 这些消息来自一个微博应用程序，人们可以在其中关注作者或订阅以关注他们。 那将是在 Twitter 或 Google+ 之类的地方，作者是帖子的作者。

Agentrank中的作者分数是针对网页上的所有内容，而不仅仅是在微博平台上。 该专利专注于微博内容，但也可以在博客文章和文章中考虑它，因为它的各个方面可能涵盖两者。

专利告诉我们：

本文档一般描述了向消息服务的非订阅搜索者推荐帖子以及为帖子作者评分。

关于作者的其他近期专利

我还看到一些其他专利，这些专利告诉我们作者在博客文章和文章等地方被谷歌关注和评分。 我写了关于那些的：

• 2020 年 2 月 21 日 - 谷歌使用网站表示向量进行专业和权威分类
• 2020 年 3 月 30 日——作者向量：谷歌知道谁写了哪些文章
• 2020 年 6 月 15 日 – 根据信息增益分数对搜索结果进行排名
• 2021 年 7 月 5 日 – 由 Google 识别的原始内容和原始作者

消息系统可以使消息系统的搜索者能够订阅来自其他搜索者的帖子。 这使得当其他搜索者提交帖子（例如，文本或多媒体消息）时，订阅搜索者将帖子传送到服务器系统。 每个订阅搜索者可以查看一个帖子流，其中该流包括：

• (i) 来自任何订阅作者的帖子
• (ii) 消息系统为订阅搜索者推荐的帖子，即使搜索者没有订阅帖子的作者。

我还没有看到这个作者得分专利实施，或者我会使用它。 关注一下就好了。

为什么帖子会被推荐

推荐的帖子可以包括一个简短的注释或图标，将帖子标识为未订阅的帖子。 它还可能包括帖子被推荐的原因。 它还可以包括使搜索者能够修改与推荐原因相关联的推荐设置的选项。

可以根据作者的帖子分数推荐帖子。 用于为帖子评分的示例信号包括：

• 帖子作者的声誉
• 实质性的帖子内容
• 发帖时帖子作者的地理位置
• 帖子的评论数
• 评论内容
• 搜索者提供的关于帖子的有利搜索者意见的迹象的数量。 这些可能是“喜欢”界面元素的许多搜索者选择

帖子的分数可以在发布时计算出来，并根据每条评论和点赞重新计算。

作者和搜索者之间的关系可能决定是否有推荐

在社交网络图中，帖子的作者和消息传递系统的搜索者可以确定它是否被推荐给搜索者。 社交网络图可以是识别消息服务的搜索者之间的关系和关系强度的数据结构。

当搜索者：

• (i) 同意关注另一个搜索者
• (ii) 对其他搜索者帖子的评论
• (iii) 在为搜索者存储的另一个数据集中识别来自消息服务。 消息服务可以访问或搜索者提供给消息服务的数据集，例如搜索者的地址簿
• (iv) 被描绘在照片中
• (v) 在特定时间被认为在地理上彼此接近。 这些可能是每个搜索者在许多不同时间聚集在一起的移动电话）
• (vi) 经常互相发送电子邮件或聊天
• (vi) 在第三方网站上的互动

两个搜索者之间的距离基于连接两个搜索者所需的个人数量以及连接关系链中每个关系的强度。

衡量帖子的作者分数

两个搜索者之间的距离可以衡量帖子的得分。 距离可以权衡用于生成分数的各个信号。 例如根据后续搜索者与搜索者的相关程度对“后续搜索者的数量”信号进行加权。 我们了解到距离还可以计算推荐帖子所需的阈值。

例如，两个搜索者距离越远，搜索者之一的帖子得分越低和/或搜索者之一的帖子得分必须超过以进入另一搜索者的流中的阈值水平越高。

帖子的分数可以与帖子作者的声誉分数一起使用。 声誉分数可以根据多个标准计算> 例如，关注作者的搜索者数量以及作者在其帖子上收到的评论的数量和质量。

声誉分数可以使用跟随作者的每个搜索者的类似计算的声誉分数来工作。 换句话说，如果声誉得分高的作者同意订阅特定作者的帖子，则该特定作者的声誉得分可能会高于以下作者排名不高的情况。

高声誉的作者

一些作者恶意生成高分帖子。 他们可能会这样做，以便帖子将发送给不关注恶意作者的搜索者。 他们这样做可能是因为他们在提高分数方面取得的成功有限。 毕竟，声誉得分高的作者可能不愿意订阅恶意作者并接收恶意作者的帖子。

恶意作者可能会设置虚拟账号，对恶意作者的帖子进行好评，并频繁对恶意作者的帖子发表评论。 尽管如此，虚拟账户不太可能具有很高的声誉分数。 因此，基于作者的声誉对帖子进行评分可以是防止消息传递系统推荐来自恶意搜索者的帖子的特别有益的方式。

这些作者评分听起来很适合与 Google 早期的社交网络（例如 Google+）配合使用。 我们可能会再次从谷歌看到未来的社交网络。 他们与 Twitter 重新签订了数据共享协议，并将 Twitter 结果转化为 SERP。

很难说他们是否有任何计划将其他社交网站集成到 Google SERP 中。 已经有一段时间了，所以他们可能会。 当这个专利中重新出现的信誉评分AgentRank首次出现时，Google+还有几年时间才会出现。

作者如何对专利进行评分

服务器系统从许多计算设备接收每个计算设备的搜索者提供的搜索者输入请求第一搜索者作者接收的帖子的指示。

服务器系统从第一计算设备接收包括文本并且由第一计算设备的第一搜索者创作的帖子。

帖子可以从服务器系统传输到许多计算设备。

帖子的分数可以满足传输给未请求接收第一搜索者创作的帖子的第二搜索者的标准。

该确定使用社交网络图中第二搜索者到第一搜索者的距离。

响应于确定帖子分数满足传输到第二搜索者的标准，帖子从服务器系统转到与第二搜索者相关联的第二计算设备。

帖子的个性化作者分数

搜索引擎接收来自多台计算机的查询和订阅由第一搜索者创作的帖子的请求。 这些作者获得了帖子的个性化分数。 该分数特定于第二个搜索者，该搜索者没有请求第一个搜索者发表的帖子。

个性化分数来自第二搜索者与第一搜索者创作的社交网络之间的社交网络图中的距离。 个性化分数可能超过阈值。 该帖子从服务器系统传送到与第二搜索者相关联的第二计算设备。

搜索者输入从第一台计算机开始，该计算机标识了第一搜索者订阅的许多作者。 第一搜索者订阅的许多作者的指示从第一计算设备转到服务器系统。 许多帖子从第一个计算设备和服务器系统开始。 复数包括：

• (i) 由第一个搜索者订阅的作者创建的订阅帖子
• (ii) 服务器系统确定符合传输给第一个搜索者的标准的推荐帖子

该确定使用第一搜索者到社交网络图中的一个或多个其他搜索者的距离。 多个帖子是第一计算设备的显示器上的完整帖子流。

该系统包括一个张贴计算机化设备。 发帖搜索者将帖子从发帖计算机化设备传输到服务器系统。 该系统包括第一多个计算机化设备。

已经登录到第一多个计算机化设备的第一多个搜索者已经请求接收由张贴搜索者创作的张贴。

该系统包括第二多个计算机化设备。 已经登录到第二数量的计算机的第二多个搜索者没有请求接收由张贴搜索者创作的张贴。

该系统包括将第二组多个识别为接收帖子的计算机化设备的装置。 第二个数字是基于帖子的得分以及社交网络图中第二搜索者到帖子搜索者的距离满足接收帖子的条件的设备。

该系统包括在服务器系统处的重发机制，以从发布计算机化设备接收帖子，以将帖子发送到第一组多台计算机到第二组多台计算机。

作者评分专利的更多功能

这些和其他实现可以可选地包括以下特征中的一个或多个。 服务器系统可能不提供第二个搜索者帖子

• (i) 由第一个搜索者创作
• (ii) 与不符合标准的分数有关

响应于接收到请求，服务器系统可以向多个计算设备发送第一搜索者随后写的所有帖子。 帖子的预期接收者可能不识别帖子、多个计算设备或多个计算设备的搜索者。 该确定可以使用社交网络中第二搜索者到第一搜索者的距离来改变标准。

该确定可以使用社交网络中第二搜索者到第一搜索者的距离来改变分数。 帖子的分数可以确定搜索者提交的与帖子相关联的评论数量，并将评论数量与第一搜索者创作的帖子已接收到的历史评论数量进行比较。

社交网络图可以是一种数据结构，用于为多个可以发送和接收帖子的搜索者识别多个搜索者之间的熟人关系。

作者评分推荐在社交网络图中的工作原理

社交网络图可以为每个熟人关系识别熟人关系的强度。 距离可能适用于：

• (i) 连接第一个搜索者和第二个搜索者的最少熟人关系数
• (ii) 连接关系的强度。 第一个帖子可能包括发布位置的标识

发布位置可以在第二计算设备的位置的阈值距离内。

确定内容实例之间的常用词集合

将帖子传送到第二计算设备可以取决于确定标准和确定发帖位置在阈值距离内——第二搜索者已经生成或查看的内容实例之间的常用词的集合。

确定词的集合可以包括在集合中不包括w是在预先确定的词集合中； 在特定语言中经常使用。 确定可以是该帖子包括来自该集合的一个或多个词。

将帖子发送到第二计算设备可以取决于确定帖子包括来自该集合的一个或多个词。

确定词的集合可以包括将来自第二搜索者提交给搜索引擎的查询的词识别为要包括在集合中的词。 确定词的集合可以包括将所选搜索引擎结果文档内的词识别为要包括在集合中的词。

选择的搜索引擎结果文档可以是搜索者响应于搜索者提交的搜索查询的搜索结果列表而选择查看的文档。 生成个性化分数可以对社交网络图中第二搜索者与评论来自第一搜索者的帖子的社交网络的搜索者之间的距离起作用。

第一个搜索者可能没有订阅推荐帖子的作者。 完整的帖子流可以包括第一搜索者订阅的每个作者的每个帖子。 推荐的帖子可能来自第一个搜索者尚未订阅的作者。

通常，本说明书中描述的主题的一个方面可以是方法、系统和程序产品。 提交到服务器系统的帖子的每个作者的数量都会得到一个分数。 多个作者中每个作者的分数来自多个作者中已经请求订阅单个作者提交给服务器系统的帖子流的一个或多个作者的分数。

由多个中的特定作者提交的特定帖子进入服务器系统和计算设备。 根据特定作者的得分，特定帖子会得分。 特定帖子从服务器系统到与请求订阅特定作者的帖子的作者相关联的计算设备。

本说明书中描述的主题的另一方面体现在系统中。 该系统包括存储多个帖子作者中的每一个的分数的计算机可读存储库。

该系统包括传输机制以接收来自特定作者的帖子的提交并将帖子广播给订阅由特定作者提交的帖子的作者。 该系统包括基于订阅单个作者的帖子流的一个或多个作者的分数来确定多个作者中的每个作者的分数的装置。

在社交网络中关注和关注作者

在又一方面，本说明书中描述的主题在方法中起作用。 代表多个作者的数据来自服务器系统。 至少有一些作者是作者之一，或者既是跟随作者又是跟随作者。 以下每个作者都订阅了一位或多位被关注的作者，因此关于接收提交给一位或多位被关注作者的帖子。

在服务器系统上根据订阅了被关注作者的后续作者的分数为每个被关注作者打分。 由多个特定作者提交的特定帖子通过服务器系统。 确定过去的分数符合提交给不订阅特定作者的推荐作者的标准。

该帖子从服务器系统到与以下相关的计算设备：

• (i) 订阅特定作者的作者
• (ii) 推荐作者

这些和其他实现可以可选地包括以下特征中的一个或多个。

每个作者的得分还可以基于多个作者中已经请求订阅单个作者提交给服务器系统的帖子流的许多作者。 每个作者的分数还可以基于对单个作者提交给服务器系统的帖子的回复的许多评论。

每个评论来自不同帖子的接收者到服务器系统以传播给不同帖子的其他接收者。 每个作者的分数可以进一步基于评论的质量。 每条评论的质量可能取决于评论中文本的实质性。

每个作者的分数还可以基于其他作者对界面元素的许多选择而获得，该界面元素伴随着个人作者的帖子的显示以及其他作者所查看的。

界面元素的选择表明帖子的好感。 至少一位作者已请求订阅在订阅作者链中与至少一位作者相连的作者。 确定满足传输到未请求订阅由特定ais提交的帖子流的接收者的标准的特定帖子的分数。

该确定可以使用特定作者到社交网络图中的接收作者的距离。 特定帖子和其他帖子会根据帖子的分数分配给排名靠前的作者。 可能会收到来自服务器系统的特定帖子和其他帖子。 特定帖子和其他帖子可以按排名顺序显示计算设备。 为多个作者中的每个作者确定得分可以包括基于一个或多个作者中的每个作者与个体作者的交互水平对一个或多个作者的得分的影响进行加权。

该系统可以包括排名单元，用于为特定作者确定由该特定作者订阅的作者提交的帖子的排名，该排名基于作者的分数。 该系统可以包括作者评分单元，以基于每个作者接收到的关于单独作者的帖子的评论数量来确定多个作者中的每个作者的分数。

评论可以是提交的文本帖子：

• (i) 收到个人作者帖子的其他作者
• (ii) 响应式通信

每篇文章的评论都会提供给服务器系统，以便分发给所有收到该文章的作者。 该系统可以包括多个计算设备，每个计算设备都与帖子的作者相关联。 每个计算设备可以包括显示器。 每个显示可以呈现每个与作者相关联的帖子的排名列表。 每个列表都可以根据相关作者的分数进行排名。

跟随作者可以通过提供搜索者输入来订阅跟随作者，该搜索者输入识别跟随作者希望接收由跟随作者提交到服务器系统的每个帖子作为微博服务的一部分。 每个被关注作者的得分还可以基于与被关注的提议提交给服务器系统的帖子相关联地通过服务器系统的许多评论。

为每个被关注作者生成分数可以基于每个关注作者对被关注作者提交的帖子发表评论的次数来衡量关注作者的分数对被关注作者的影响。

作者评分专利的优势

在某些情况下，特定实施例被用于实现以下优点中的一个或多个。 消息服务可以推荐针对消息服务的特定搜索者的帖子。 推荐的帖子可能与搜索者相关，但可能来自搜索者没有听说过或同意关注的作者。

推荐帖子可以无缝集成到帖子流中以显示给搜索者，为搜索者提供用于查看订阅帖子和推荐帖子的单一界面。

但是，推荐的帖子可能包括一个徽章，表明帖子是被推荐的，并且不是由搜索者同意关注的作者提交的。 用于识别用于推荐的帖子的主要信号的标志可以与帖子一起显示。 主要信号的标识可以包括可选择的界面元素，其在选择时向消息传送服务发信号通知搜索者应该查看来自主要信号的更多或更少帖子。 显示推荐帖子的原因可以建立对推荐和消息服务的信任。

添加推荐帖子允许特别有趣的帖子进入帖子流，即使搜索者没有订阅推荐帖子的作者。 添加推荐帖子还使关注少数作者的搜索者能够继续使用消息传递服务，因为他们的帖子流可能不会枯竭（即，显示为空）。

确定帖子是否应该作为推荐出现的社交网络图允许推荐的帖子比在社交网络图中距离较远的个人的帖子更相关。 根据搜索者交互对社交网络图中的关系强度进行加权，可以对频繁交互的个人进行有效的数学“聚类”，这些个人在排名靠前的帖子上传播给该聚类中的其他搜索者。

作者分数可能部分基于关注或评论被关注作者的作者的分数

帖子的分数可能部分来自帖子作者的声誉分数。 作者的分数可以部分取决于关注或评论被关注作者的作者的分数。 因此，与排名不高的作者的意见相比，与高分相关的作者的“意见”在确定作者分数方面更有价值。 关注作者的得分对关注作者的影响可能取决于搜索者之间的互动。

因此，“垃圾邮件”作者可能不太可能偏向作者推荐系统。 即使垃圾邮件发送者创建了数十个搜索者帐户并让所有帐户都关注特定作者，这数十个帐户也可能具有低分数并且不太可能影响所关注作者的分数。

此外，垃圾邮件发送者不太可能登录数十个帐户中的每一个并与所关注作者的帖子进行交互。 作者的声誉分数可以进一步基于对作者提交的帖子的一般兴趣水平（例如，评论或喜欢）。 一般的兴趣水平可能不特定于单个帖子，而是可以来自一段时间内一系列帖子的活动。 因此，可以使用时间相关的统计分析。

传递作者的声誉分数可能特别重要，因为大多数微博服务搜索者是内容生成者和内容查看者。 因此，作者（以及作者的帖子）可能会根据查看帖子的搜索者的活动进行评分。

在附图和以下描述中概述了一个或多个实施例的细节。 从描述和附图以及权利要求中，其他特征、目的和优点将是显而易见的。

为帖子的作者评分
发明人：Todd Jackson、Andrew A. Bunner、Matthew S. Steiner、John Pongsajapan、Annie Tsung-I Chen、Keith J. Coleman、Edward S. Ho、Sean E. McBride 和 Jessica Shih-Lan Cheng
受让人：谷歌有限责任公司
美国专利：10,949,429
授予时间：2021 年 3 月 16 日
提交时间：2017 年 12 月 18 日

抽象的

通常，本说明书中描述的主题可以是方法、系统和程序产品。 多个帖子作者中的每一个的分数被提交到服务器系统。 多个作者中每个作者的分数基于多个作者中已经请求订阅单个作者提交给服务器系统的帖子流的一个或多个作者的分数。 由多个中的特定作者提交的特定帖子进入服务器系统和计算设备。 根据特定作者的得分，特定帖子会得分。 特定帖子从服务器系统传送到与请求订阅特定作者的帖子的作者相关联的计算设备。

这种作者评分方法是关于推荐作者

本文档描述了在消息服务中推荐帖子以搜索未订阅帖子作者的帖子的方法以对作者进行评分。 通常，计算设备的搜索者可以向托管微博服务的服务器系统提交简短的文本或多媒体帖子。 服务器系统可以将帖子传播到使用微博服务的其他人的计算设备。

特别是，有些人可能会“关注”或订阅搜索者，从而当服务器系统收到搜索者的帖子时，服务器系统会将帖子分发给这些其他人。 来自搜索者的帖子可能不包含识别这些其他人的信息。 帖子可以仅包括识别帖子的作者，服务器系统可以使用该作者从数据库中识别订阅搜索者。

搜索者可能永远不会发送识别订阅搜索者的通信。 服务器系统可以只接收来自订阅搜索者的通信中订阅搜索者的标识。

订阅搜索者的其他人可以通过登录一个网站来查看搜索者的帖子，该网站为彼此显示微博服务推送给该人的帖子流（即，已关联的计算设备）与搜索者）。 每个帖子流可能包括由其他搜索者创作的帖子，其他人“关注”或“订阅”。 此外，帖子流可以包括微博服务向其他人推荐的帖子，即使对方没有肯定地同意“关注”推荐帖子的作者。

消息服务的一方面涉及向消息服务的搜索者提供推荐帖子，其中搜索者未同意关注或以其他方式订阅推荐帖子的作者。 例如，Bill（微博服务的搜索者）访问由微博服务托管的网站，创建搜索者帐户，并使用他的新搜索者帐户登录微博服务。 用于显示文本帖子目标堆叠列表的微博服务是 Bill 的搜索者帐户独有的。 例如，Bill 可以使用帐户搜索功能来定位搜索者姓名并选择显示“订阅”或“关注”的按钮。

订阅作者

作为响应，将朋友标识为订阅作者的电子通信从比尔的计算设备传输到托管微博服务的服务器系统。 通过这种方式，Bill 可以订阅微博服务的许多搜索者。 服务器系统可以存储订阅的搜索者的标识，以便比尔的帖子不需要标识帖子的接收者。 服务器可以识别收件人并相应地分发帖子。

订阅搜索者后，比尔返回到微博服务网站的收件箱页面。 收件箱页面可能是空的，因为 Bill 最近才订阅了搜索者，因此 Bill 决定跑出去去商店买杂货。 比尔从商店回家后，他注意到收件箱中包含比尔订阅的搜索者撰写的几篇帖子。 特别是在 43 分钟前，弗兰克发帖说，“我喜欢这些炸玉米饼！，（炸玉米饼仓库）”，12 分钟前，法比奥发帖说：“如果有人想买车，请告诉我。 我刚刚把我的跑车撞到了一棵树上:-(，（迈阿密市医院）。”

收件箱还包括 Fran 5 天前发布的帖子。 但是，Carl（收到Fran 帖子但不是Bill 朋友的搜索者）在最后10 分钟内对该帖子发表了评论，从而引发了下一轮帖子分发，这次包括评论。 弗兰的帖子说，“我喜欢这家餐厅，（比萨店）”，卡尔最近的评论说，“你太对了！！！，（比萨店）。”

是否应该根据作者得分进行推荐？

除了 Frank、Fabio 和 Fran（Bill 明确同意遵循的搜索者）之外，Bill 的收件箱还包括 Ron 的一个帖子。 Bill 没有关注 Ron，微博服务将 Ron 的帖子发送给 Bill 显示为“推荐”帖子。 推荐帖子可以是被确定为比尔可能感兴趣的帖子并且伴随有徽章或其他图形界面元素，其为比尔提供帖子不是由比尔订阅的搜索者创作的视觉指示。

每个推荐帖子徽章可以伴随描述微博服务向比尔推荐帖子的原因的文本。 例如，Ron 的帖子可能附有文字说明，“Ron 是旧金山的顶级海报。” Ron 可能经常在旧金山市区范围内发帖，而 Bill 可能已将旧金山确定为他的家。

随着比尔在接下来的几周内继续使用微博服务，他收件箱中数百个帖子中的几十个可能是“推荐”帖子。 微博服务网站可能会告诉比尔为什么这些帖子被推荐给他，但比尔可能不会参与选择帖子作为推荐帖子。 然而，在幕后，推荐服务可以根据几个标准将帖子标记为推荐给比尔。

全球分数可以来自多种信号

在一些示例中，提交到微博服务的每篇帖子都被分配了一个全局分数。 全局分数可以来自多种信号，例如，帖子收到的评论数量、搜索者在查看帖子后为帖子选择的几个“喜欢”，以及帖子作者的声誉。 每个帖子的得分可以根据帖子作者在社交图中的位置进行权衡，以确定该帖子是否应该作为推荐帖子提供给比尔。

A social graph can identify a distance of relatedness between two searchers of the micro-blogging service. For example, if Bill does not follow Ron, but Bill follows Frank, who follows Ron, Ron may be a “friend of a friend” of Bill, a “once removed friend” of Bill, or a friend with one degree of separation. The distance can be a minimum number of individuals connecting any two searchers of the micro-blogging service. For example, a distance of 1 can indicate the relationship between Bill and Ron (friend of friends), where a distance of 0 can indicate a relationship between Bill and Frank (direct friends).

Strenghts Between Relationships

In some examples, each relationship can have strength. For example, Bill and Frank may not interact much (eg, by commenting on each other's posts or sending a private message back and forth), so the strength of their relationship may be 0.3. Frank and Ron, however, may interact daily so that the strength of their relationship is 0.8. The strength of the relationships may modify the distance score or generate the distance score.

For example, the distance between Bill and Frank maybe 0.7 (0.3+0.8/2). The 0.8 strength may get divided by 2 to weigh the relationships that are farther away from Bill less than relationships that are closer to Bill. For example, each level of abstraction from Bill may decrease a weight applied to the strength of the relationship.

The social distance between Bill and other searchers can connect with a post's global score to determine if a particular post should get provided as a recommended post for Bill. In some examples, a particular post's global score (eg, a post score that works on several factors and that may be for all searchers or a set of searchers) can get multiplied by, divided by, or summed with a distance between Bill and an author of the particular post to generate a modified score.

In some examples, the modified score may need to exceed a threshold value (eg, 50) for the associated post to get recommended. In some examples, a post may need to have a modified score that is the highest-ranking over a given period of time (eg, 30 minutes) to get identified as a recommended post.

Using both social distance and post scoring in recommending posts may increase the likelihood that recommended posts are interesting to the searcher. The posts may likely be interesting because of each post's high score also because the post got submitted by some is close to the searcher in the social graph.

A close social graph distance between searchers can be useful in identifying the content of interest because searchers in social networks with similar interests may cluster together, subscribing to content feeds from searchers with similar interests. For example, Bill may be more interested in what his friends' friends are saying than what a random searcher in Russia is talking about (even though the Russian searcher may be submitting posts scored higher than posts by Bill's friends of friends).

A Personal Score May Use Any of Many Statistical Criteria Associated With the Post

In some examples, a personal score for each of Ron's posts got created for Bill. The personal score may use any of many statistical criteria associated with the post. Still, instead of weighting an overall score based on a social network distance between Bill and Ron, the personal score may get made by weighting individual signals or factors that are subsequently combined to generate the score. For example, one of the dozens of signals that may generate a personal score for Ron's posts may be the number of comments that the particular post has received.

This portion of the personal score may use a social network graph on a per comment basis. For example, if five comments for the particular post are from friends of Ron, this quantity of five comments may have a greater positive impact on the personal score for Ron's post than if the five comments were from friends of friends of friends of friends of Bill.

Thus, instead of modifying a global score with a social distance, the “comments” portion of the score is itself calculated based on where in the social graph the searchers that supplied the comments are from concerning Bill. Similar signal-specific weighting can occur for other signals (eg, many followers of Ron, number of likes that Ron receives, and whether the content in a post is similar to content by closely related friends of Bill).

Determining Author Scores

Another aspect of the messaging service includes determining an author's score, which may be one of many factors in determining a score for a post and if the post should get recommended. The reputation of an author can be from several factors.

Example factors include:

• (i) Many comments that the author has received on his posts
• (ii) Several likes that the author has received on his posts
• (iii) Some followers that an author has
• (iv) A length of the comments made on the author's posts
• (v) A length of the author's posts
• (vi) Many unique commenters to the author's posts
• (vii) Content of the author's posts
• (viii) The Content of the comments to the author's posts
• (ix) Score of pages affiliated with the author's searcher account
• (x) Statistical information about whether the author gets associated with spam activity

Some of the factors from a history of the account, for a recent time period, or for an average of several recent time periods (eg, an average count of comments received during a history of an account, during a past month, or an average of the amount received during each of the last 5 months).

An Author's Score May Get Based On the Score of Authors Who Have Agreed to “Follow” the Author

An author's score may get based, in part, on the score of authors who have agreed to “follow” the author so that the followed author's posts get received in the following authors' activity feeds. As an illustration, suppose that over a period of several months, Bill finds a niche submitting posts about odd happenings at his workplace, and several highly scored searchers agree to follow Bill (eg, Britney Spears and Moby agree to follow Bill).

Assuming that Britney Spears and Moby are highly scored authors, Bill's reputational score can get increased based on the high score of Britney and Moby. For example, Bill's score may increase more than if two of his buddies from work were following him. This mechanism for weighting scores based on the scores of authors can utilize mechanisms from or similar to the well-known PAGERANK algorithm.

Weighting authors' scores based on the scores of the following authors may combine PageRank concepts with distinctive and particularly relevant characteristics from a micro-blogging context. PageRank algorithms may base a document's quality on the quality of documents that include a hypertext link to the document. As described in this patent, the authors' scoring weights a reputational score of an author based on a score of the following authors.

An agreement to follow an author, however, may be more significant than a link between pages. When a searcher follows an author, that searcher may receive–in his activity feed–posts generated by the followed author. If unwelcome, posts from a followed author may be intrusive, and the searcher may choose to cancel his subscription to the author.

PageRank Scores v. Author Scores

On the contrary, placing a hypertext link on a web page may require little effort and may occupy only a few characters on a page designed to display to others (and thus may not impact the page author in the same manner). A quality of a webpage based on the PageRank mechanism may score the pages based on the opinions of other content generators (ie, the authors of the webpages). In contrast, in a micro-blogging context, following searchers who are also individuals may be consumers of the content to which they subscribe.

Thus, a subscription may be a more valuable mechanism for transmitting scores than an unobtrusive link between pages. A subscription may be an active indication that one author enjoys the subscribed author's content or is at least willing to have the content from the subscribed searcher forced into the subscribing searcher's activity feed.

Additionally, the interaction between the following author and a followed author's posts may get observed and used, connecting the following author and the followed author. If the following author “ignores” or filters from display the followed author's posts, the connection may get weighed less. On the other hand, if the following author comments, likes, or clicks to expand or separately view posts of a followed author, the connection provided a greater weight. The weighting may also be from the number of posts that the followed author submits for dissemination to the following author.

Thus, if the following author posts dozens of times a day and the following author remains subscribed to the following searcher, the connection may get a greater weight if the followed author is posted every few months. The weights can determine how significantly a following author's score impacts the followed author's score.

Thus, not only do author's scores propagate through a social network of micro-blogging authors based on an explicit agreement to view content generated by other authors, but the scores may originate based on feedback from other searchers (eg, many comments on the following author's own posts). A subscription may be a threshold for propagating an author's score forward.

Still, an impact of the propagation can depend on the interaction between the following and followed searcher (eg, the following author commenting on, liking, or viewing in non-summarized form the followed author's posts).

An Example Web-Based Messaging System Interface

A searcher of the micro-blogging system after logging into the searcher's account. The interface can enable the searcher to submit posts and receive posts from other people. In this illustration, Bill Johnson has logged into the messaging interface and is viewing a post from John Young in the content region of the interface. Tabs allow Bill to view differently filtered lists of posts. Bill can submit a post using the input area.

More specifically, Bill can visit the messaging interface with an internet browser by typing a URL associated with the portal into the address bar. Bill may enter his searcher name and password before he may use the interface. Upon having logged in, the searcher account that Bill is in may show in the interface window.

The searcher-selectable interface elements allow Bill to toggle the presentation of content in the content region of the interface. If Bill selects the “Mail” link, a list of received email messages may display in the content region. Selection of “Compose Mail” may invoke the presence of an interface for sending emails (eg, by typing an address of a searcher, typing a subject, typing textual content, and clicking a submit button). Selection of the “Posts” link may invoke the micro-blogging service interface displayed in the content region.

The micro-blogging interface can display the name and picture of the searcher associated with the account. In this illustration, the name “Bill Johnson” gets associated with the searcher account “Bill” for the micro-blogging service domain “email.com.”

The input area of the micro-blogging interface may allow Bill to submit content for dissemination to other searchers of the micro-blogging service. For example, Bill may move a mouse cursor over the input area and click in the input area. Upon selecting the area, Bill may type a textual string of characters “I just had the best day ever, and want everyone to know it!” The characters may appear for display in the input area.

Adding Multimedia Content to a Post

The searcher selection of the input area may invoke a display of controls for adding multimedia content to the input area or for inclusion in the post. For example, graphical searcher interface elements may appear after Bill clicks in the input area. The graphical searcher interface elements may enable Bill to add a picture to a post or a video to the post, either by selecting a source file on his computer or identifying a source file from a location on the internet.

If Bill types or pastes a Uniform Resource Locator (URL) in the input area, a server system hosting the messaging interface (or code operating locally at Bill's client device) may identify the string of characters as a URL and fetch content from the URL for inclusion in the post. For example, the messaging service may present a list of pictures drawn from a source document associated with the URL.

Bill can select a subset of the displayed pictures to include in the post that he is composing. Thus, a summary of the content drawn from a URL may display in the searcher interface. Bill may then select portions of the content to include in the post (eg, individual pictures or text).

When Bill gets satisfied with the post that he has generated in the input area, Bill may select a “Post” graphical interface element. In this example, the “Post” interface element is not displayed in a screenshot and is provided for display upon a searcher selection of the input area. After selecting the “Post” interface element, Bill's post may get transmitted by his client computing device to a server system that hosts the micro-blogging messaging service. The server system may identify searchers who have agreed to receive Bill's posts and transmit an instance of Bill's post to each searcher.

In some examples, the “post” may include only the textual and multimedia content visible to Bill or the textual and multimedia content. Thus, a person's description of all post content may be from a person if the person can display a screenshot of either Bill's display or a recipient searcher's display. In other examples, the “post” includes additional information necessary to transmit the post and for the server system to handle the received post.

For example, the additional information may include an identifying number for Bill, a source uniform resource identifier (URI) for multimedia content, etc. The additional information may not be visible to Bill or recipient searchers. In some examples, a post does not identify searchers or searcher accounts to whom the post should go or get disseminated.

The Micro-Blogging Interface Also Displays Posts From Other Searchers

The micro-blogging interface also displays posts from other searchers. Such as a single post from the searcher John Young. John's post may be the most recent post or most highly ranked post of several posts viewed by scrolling down in the interface using the scroll bar. John's post can also be an “activity” because the post, while originating with content from John, may get expanded with content from other searchers of the micro-blogging service.

For example, in this illustration, John's post included the title “My New House!” and a picture of his house. John's post did not include any additional content and got submitted on the date of August 20.

John's post got received by the micro-blogging service's server system and disseminated to the other searchers of the micro-blogging service that had selected John as an individual they would like to follow. For example, Bill may have selected the “Contacts” link and entered into an input box John's email address and name.

The micro-blogging service may have identified that John's email address got associated with a micro-blogging account, and Bill may have requested to subscribe to John's posts. In some examples, John got prompted to confirm that Bill may receive his posts before John's posts get disseminated to Bill.

John 的帖子还显示三个人（Shawn、Mary 和 Marty）“喜欢”了 John 的帖子。 “喜欢”是任何表示收件人对帖子有好感的迹象。 可以通过图形界面元素（例如，“喜欢”按钮）的单输入搜索者选择来调用喜欢。

约翰的帖子还显示，8 月 22 日，一名搜索者标记或以其他方式表明约翰·杨在这所房子的照片中。 在此插图中，未标识标记了 John 的搜索者。 然而，标记搜索者的视觉识别可以在一些示例中显示。

约翰的帖子包括在今天 4:50 时由 Elisa Locke 发表的评论“它是如此美丽”的显示。 Elisa Locke 可能已经在微博界面中看到了 John 的帖子，如图所示。 Elisa 可能选择了一个评论按钮，并在评论输入框中输入了文本“It is so Beautiful”。 在发送评论后，John 的帖子可能会更新以包括 Elisa 的评论（如帖子中所示），并且更新后的帖子可能会重新传播给所有帖子收件人。

John 的帖子还包括一个界面元素，使 Bill 能够展开 John 帖子的显示，以显示折叠在当前视图中的其他搜索者的评论。

消息服务可以为作者之间的互动提供途径

消息传递接口包括 Bill 与 John 的帖子交互的机制。 例如，Bill 可以选择评论界面元素。 作为响应，搜索者界面元素和控件可能会出现，使比尔能够生成和提交文本或多媒体内容以包含在帖子中。 评论会分发给所有收到帖子的搜索者，这样当其他搜索者查看帖子时，他们会看到比尔的评论。 无论搜索者之前是否查看过帖子，帖子都可以针对所有搜索者更新。

比尔还可以选择一个“喜欢”的界面元素来显示他对帖子的好感。 选择“喜欢”界面元素会影响帖子的评分（可能会增加帖子作为推荐帖子显示给其他搜索者的可能性），提醒其他搜索者 Bil​​l 认为该帖子很有趣，并且会得到用于开发 Bill 喜欢的帖子的个性化模型（以帮助提供相关内容作为 Bill 帐户的推荐帖子）。

比尔可以将其他人添加到帖子中。 例如，Bill 可以选择“@Reply”界面元素。 作为响应，可以显示图形界面元素和控件，使比尔能够识别微博服务的其他搜索者。 其他搜索者也可能被添加到帖子中，而 Bill 没有提供明确的搜索者输入来添加他们。

例如，Bill 可能会在帖子的照片中标记“Bob”，而 Bob 可能会被添加到帖子中。 在从比尔的客户端设备接收到这些其他搜索者的标识后，微博服务可以将其他搜索者添加到帖子接收者列表中。 因此，John 的帖子可能会出现在@replied 搜索者的帖子流中。 新的、@replied 的搜索者可能会因为订阅了特定的陶工而被注册或查看帖子上的所有新活动（例如，评论、喜欢、约翰添加的内容等）。新的搜索者可能会订阅特定的帖子，但可能不会订阅帖子作者。

在一些示例中，当@replied 搜索者接收到帖子时，接收到的帖子可以指示与@replied 搜索者共享帖子的搜索者。 例如，该帖子可能会声明，“苏珊与您转发了此帖子。” 帖子还可以显示共享历史记录。 例如，帖子可能会声明，“Susan 从 Jill 转发了这篇帖子，Jill 转发了来自 Bob 的帖子。”

作为另一种选择，比尔可以通过选择电子邮件界面元素并输入个人的电子邮件地址来通过电子邮件发送帖子。 作为回应，帖子内容可能会通过电子邮件发送到个人的电子邮件帐户。 帖子内容的接收者可能不会订阅帖子（就像@reply 一样，帖子内容的更新可以通过收到的电子邮件消息查看）。 然而，这可以包括使搜索者能够订阅特定帖子的链接或其他机制。

扩展选项，因此所有相关内容都可见

“扩展”选项可以使比尔能够扩展约翰的帖子，以便与帖子相关联的所有内容（例如，他提交的所有内容、所有评论等）可以以扩展的形式一次性查看。 帖子可能会在界面内增加大小，也可能会显示为覆盖在界面上的单独“弹出”框。 在一些示例中，帖子显示订阅该帖子的所有搜索者，以及搜索者是否订阅了单个帖子、关注帖子作者、被推荐到该帖子或被@回复到该帖子。

在一些示例中，搜索者可以通过下拉界面元素选择附加特征。 示例功能可以包括从搜索者的流中删除帖子的能力，忽略帖子上的其他活动，以便帖子不会随着每个评论跳到搜索者流的顶部，订阅流的作者，以及取消订阅流的作者。

如图所示，John 的帖子可能不是 John 提交的用于传播给其他搜索者的静态文本或多媒体内容。 收到帖子的搜索者可能能够对帖子发表评论、添加内容、在图片或视频中标记人物，以及将其他搜索者添加到帖子中。 因此，帖子也可能被称为“活动”，它起源于作为作者的约翰，但随着其他搜索者向活动贡献内容，内容可能会增加。

消息系统界面包括几个用于切换“视图”的选项卡。 每个视图可能包括一组不同的帖子。 例如，每个视图可能对比尔收到的整个帖子集应用不同的过滤器。 “所有帖子”选项卡108a可以显示微博服务已经提供给比尔的账户的所有帖子（例如，因为他订阅了作者或订阅了帖子或者帖子被推荐显示给比尔）。

“订阅的搜索者帖子”选项卡可能会显示 Bill 订阅的作者的帖子，但可能不包括推荐给 Bill 的帖子的显示。 “推荐帖子”选项卡可能包括微博系统为比尔推荐的帖子的显示，但可能不包括比尔订阅的作者的帖子。 “我附近的帖子”选项卡可以包括比尔附近的搜索者提交的帖子列表，比尔订阅的搜索者或所有搜索者。

例如，比尔可能会在消息传递系统的设置中识别家庭位置或邮政编码，或者比尔的位置可能会通过全球定位系统或与比尔正在查看的移动设备相关联的其他位置识别服务来识别消息接口。 如果帖子（例如，John 的帖子）在 Bill 的位置附近，则 John 的帖子可能会出现在“我附近的帖子”选项卡中。 “我附近的帖子”选项卡也可以按时间加权，以便仅显示最近的帖子（例如，以便流说明比尔所在位置附近的最近活动）。 “我附近的帖子”选项卡可以将最近帖子的位置标识为覆盖在地图上的图形界面元素。

一种调用在手机上显示的微博应用程序

该界面可以包括登录到帐户的搜索者的图片和用于提交与搜索者帐户相关联的帖子的输入框。 移动计算设备的当前位置可以显示在界面中。 当前位置可以通过位置识别服务（例如，GPS、蜂窝识别或 Wi-Fi 识别）来识别。 当前位置可以是坐标、地址或地点（例如，商业场所或公共场所）。

在一些示例中，搜索者可以从由服务器系统在移动计算设备的估计地理位置附近确定的场所列表中选择他的场所。

感兴趣的地点框可以显示移动设备的估计地理位置附近的地点列表。 扩展界面元素的选择可以调用感兴趣场所的详细信息的显示，或者能够选择感兴趣的场所中的任何一个并随后显示详细信息（例如，地址、地图、营业时间、网站链接）。

该界面可以包括几个帖子的显示。 每个帖子可以包括发帖人的图片、发帖人的姓名、发帖日期、发帖地点和发帖内容。 帖子内容可以包括原始帖子内容的摘要。 作者的其他帖子内容、其他搜索者的评论以及其他帖子内容可能会响应帖子选择而显示。 例如通过点击帖子。

在一些示例中，发布地点的选择调用发布地点的位置的显示。 比如地图上。 应用程序的界面可能不会与电子邮件应用程序集成（例如，与界面不同）。

帖子的一部分和相关的推荐指标

“正常”视图

“普通”视图展示了 Sergey 的一篇文章，该文章讨论了 Sergey 的阿拉斯加之旅，并包含一个指向可以查看图片的网页的链接。 特权界面元素指示该帖子是“公开的”并且可以被微博服务的所有搜索者查看。 该帖子还包括一个“推荐”界面元素，该元素指示该帖子的特定收件人，而不是来自收件人订阅的作者。

“悬停”视图

“悬停”视图说明“推荐”界面元素包括在鼠标光标悬停在文本上时带下划线的文本（例如，向帖子的接收者指示该文本可能被选择）。 此外，还有解释性文字“为什么？” 也出现。

“点击”视图

“单击”视图说明，在搜索带下划线的“推荐”界面元素时，图形对话框将展开并包括解释性文本。 在此插图中，解释性文本指出该帖子被推荐“因为 . . . . 这在你关注的人中很受欢迎。” 解释性文字的其他示例。 “点击”视图中的对话框还包括一个链接，在选择时，该链接允许收件人搜索者表明他对查看特定帖子或查看基于识别原因推荐的帖子不感兴趣。

“被驳回”的观点

“已关闭”视图说明了在搜索者选择“不感兴趣”链接时可能出现的解释性文本。

微博服务可以响应搜索者对链接的选择，修改标准，以便

• (i) 与显示的帖子相似的帖子不太可能出现
• (ii) 用于推荐所显示帖子的推荐标准。 以便将来可能不会使用解释性文本描述的标准向同一特定搜索者推荐帖子

不同的解释性推荐对话框

每个对话框都说明了解释性文本，指示搜索者为什么向搜索者推荐特定帖子，并包括“不感兴趣”链接。 每个对话框左侧的文本说明了可用于推荐与文本右侧的对话框相关联的帖子的标准。 在一些示例中，帖子基于高分被选为推荐帖子。 响应帖子的选择，可以对帖子（或帖子的分数）执行分析以识别导致高分的主要标准。

“热门”推荐对话框

“热门”推荐对话框可能会显示基于大量帖子活动获得推荐的帖子。 例如，当帖子与大量喜欢、评论和@reply 相关联时，大多数推荐对话框都会显示给帖子收件人。 该帖子可能在一般人中“流行”，也可能因特定类型的附加标准而“流行”。 附加标准可能是活动由订阅的搜索者提供。

附加标准可能是该活动受到具有相似兴趣的人们的欢迎（如对话框）。 类似的兴趣可以基于长期查询来识别，这将在本文档的下面讨论。

次要条件也可以是共享位置的人。 如果帖子的作者和帖子的收件人与同一位置相关联，则位置可以被识别为共享。 如果满足以下条件，则可以识别位置：

• (i) 已习惯阅读或传输微博帖子的移动计算设备已提供特定位置作为发布地点或当前地点
• (ii) 微博应用的搜索者已将微博服务搜索者设置中的特定位置标识为家庭住址或工作地址。

如何获得“顶级海报”推荐对话框

当一个帖子的作者根据作者的帖子收到的许多喜欢、评论和@reply 以及基于该帖子的关注者的数量和质量被确定为顶级发布者时，可能会出现“顶级发布者”推荐对话框。作者。 此外，推荐帖子可能会被推荐，因为它是“顶级海报”中得分特别高的帖子。

与“热门”推荐对话框一样，“热门海报”对话框可以特定于顶级海报何时与接收者共享兴趣或何时顶级海报与接收者共享位置。

此外，可能会根据其他标准推荐顶级发布者，例如当顶级发布者与接收者在同一公共组中时，或者当顶级发布者被识别为与接收者与同一组织相关联时。 此外，在每个顶级海报对话框中，一个链接允许搜索者选择关注相关帖子的作者。

如何获得“过去的重要性”对话框

当基于收件人搜索者提供的历史评论、喜欢和@reply 获得推荐时，可能会出现“过去的重要性”对话框。 例如，当搜索者喜欢、评论或@回复特定帖子时，帖子的内容可能被分析（例如，以创建长期查询），并且帖子的来源可能被识别。

因此，未来的帖子建议包括与被识别为与搜索者相关的主题或来自收件人先前评论、喜欢或@reply 的来源的内容。 推荐中可能会使用相同的主题和相同的来源（与对话框一样）。

建议其他作者关注

在一些示例中，帖子的作者可能建议另一个搜索者关注该作者或推荐另一个搜索者接收来自作者的特定帖子。 如果推荐的帖子或作者排名很高，则该帖子可能会显示为其他搜索者的推荐帖子（与对话框一样）。 推荐对话框可能会显示@replied 给特定搜索者的帖子。

在一些示例中，微博系统确定应该向搜索者推荐特定帖子（例如，因为帖子变得与高分相关联）。 仍然无法确定推荐帖子的特定原因（例如，因为许多因素的权重均等）。 在无法确定推荐帖子的原因的示例中，微博系统可以向搜索者承认该帖子是出于各种原因被推荐的。

推荐帖子的理由

推荐帖子的原因可以基于推荐引擎的哪个组件提供了推荐或者基于被推荐的总得分中的信号的权重来确定。 例如，“相同主题”推荐可以基于保存的查询推荐引擎提供的推荐而获得。 如果帖子分数的阈值百分比（例如，40%）基于其他搜索者的喜欢、评论和@replys，则帖子可能是“流行的”，而如果阈值百分比（例如，帖子得分的 40%）基于帖子接收者之前的喜欢、评论和@reply。

消息系统

该系统可能习惯于向非订阅搜索者推荐帖子并对帖子的作者进行评分。 个人作者可以使用计算设备向活动后端服务器系统提交帖子。 活动后端服务器系统请求全局评分者为帖子生成全局评分，并从订阅的搜索者存储库中识别订阅作者的搜索者。

查询推荐系统以识别接收与相应搜索者相关联的帖子的更多搜索者。 任何搜索者都可以对帖子发表评论，因此帖子可能会被重新评分并重新分发给搜索者和作者。

更详细地，计算设备被示为应用电话和台式计算机。 其他示例计算设备可以包括仪表板汽车导航系统、膝上型计算机、上网本计算机、智能电话、个人数字助理、服务器和台式电话。 作者使用计算设备之一来键入帖子，例如，通过在物理键盘上打字或在触摸屏显示设备上敲击虚拟键盘的键。

向微博服务提交帖子

作者可以将帖子提交到微博服务，例如，通过按下“提交”按钮。 帖子可以通过网络传输到活动后端服务器系统。 网络可以是有线网络（例如因特网）或无线网络（例如移动电话通信网络）。

例如，帖子可以包括内容，例如作者使用键盘输入的文本字符和作者使用键盘选择的多媒体内容。 该帖子还可以包括一个位置。 位置可以是识别帖子被提交的估计地理位置（例如，地理坐标或使用 GPS 技术确定的街道地址）或搜索者选择或确认帖子被提交的地点（例如，餐厅、购物中心或城市公园）。

活动后端服务器系统可以接收帖子并请求全局评分器服务器系统确定帖子的分数。 帖子的分数可以基于若干不同的信号（例如，来自不同来源的统计数据）来确定。 统计数据可以存储在搜索者统计资料库和活动统计资料库中。

示例信号包括帖子内容信号、作者等级信号、评论信号和类似信号。 可以使用信号的任何组合来确定特定帖子的分数，并且组合可以为信号分配不同的权重。

评论在作者得分中的作用

“评论”信号可基于与评论相关的已识别统计信息的多个不同组合来确定（或可表示若干单独的“评论”信号）。 例如，帖子收到的许多评论可能会被识别。 如果该帖子是作者第一次广播，则该帖子可能没有收到任何评论，但如果在收到评论或点赞后重新广播，该帖子可能会有关联评论。

可能会识别出几个独特的评论者。 因此，与评论者的初始评论相比，同一评论者的后续评论可能会在评分中被忽略或提供更少的权重。

可以识别评论的长度，并且可以分析评论的内容。 例如，包含 150 个字符和多媒体内容的评论可能比“真棒！”的简短评论更重要。 没有任何多媒体评论。 被识别为垃圾邮件或链接到垃圾邮件站点的评论可能会打折。 评论可能会根据特定搜索者提交的评论的历史数量进行分析。

因此，相对安静的搜索变得比对他收到的几乎所有帖子发表评论的搜索者的评论权重更大。 帖子的评论可以根据搜索者收到的平均评论数量（绝对数量或帖子的相似年龄）进行标准化。 因此，即使搜索者可能会收到对特定帖子的评论，该帖子也可能不会与分数相关联，因为搜索者可能特别受欢迎并且通常会收到数千条评论。

点赞信号在作者乐谱中的作用

“喜欢”信号可以基于与喜欢有关的已识别统计信息的多个不同组合来确定（或可以表示几个单独的“喜欢”信号）。 可能会使用特定于喜欢的统计信息，但在其他方面类似于上述用于评论的统计信息。

然而，因为喜欢可以是二元信号（例如，被选择或未被选择），喜欢的内容可能不像评论那样被分析。 活动统计储存库可以包括关于帖子的评论和喜欢的所描述的统计信息。

发布内容和作者得分

“发布内容”信号可基于与发布内容相关的已识别统计信息的多个不同组合来确定（或可表示若干单独的“发布内容”信号）。 帖子的长度可能会被识别，并且帖子内容可能会被识别。 例如，包含 120 个文本字符并包含 www.cnn.com 链接的帖子可能会比包含 35 个文本字符和 www.johnspersonalwebpage.com 链接的帖子获得更高的分数。

因此，搜索引擎的网站排名可能会被用来提高帖子的得分（假设在这个例子中 www.cnn.com 的排名比 www.johnspersonalwebpage.com 更有利）。 包含多媒体内容（例如，视频、图片或小工具）可能会增加帖子的分数。

作者排名返回

“AuthorRank”信号可以基于与作者声誉相关的已识别统计信息的多个不同组合来确定（或者可以代表多个“AuthorRank”信号）。 AuthorRank 得到了更详细的讨论。

活动后端可以查询订阅的搜索者储存库以识别已经订阅作者或帖子的搜索者的列表。 活动后端可随后请求推荐系统识别未订阅作者或帖子的搜索并将帖子接收为推荐帖子（此类搜索者在本文中被称为推荐搜索者）。

作者评分作为推荐系统

在一些示例中，推荐系统使用统计信息识别推荐的搜索者。 这可以意味着全局分数或信号的任意组合，结合社交网络图来确定特别推荐的搜索者。

通常，推荐系统可以基于帖子作者和潜在推荐搜索者之间的距离来权衡全局帖子分数、个体信号或推荐阈值。 如果帖子的分数超过阈值（可以根据社交网络图距离修改阈值中的任何一个），则可以将帖子提供给推荐搜索者。

社交网络图和社交距离

讨论了一个示例社交网络图和对社交网络“距离”的解释。 这说明了示例社交网络的示意图。 每个节点标识社交网络的一个成员，节点之间的每条边代表成员之间的关系。 每个关系都可能附有一个数字，用于标识关系的强度。

例如，节点 (“Mary” 被识别为与节点 (“Susan”) 和 (“Frank”) 直接相关。因此，Susan 和 Fraareget 被识别为 Mary 的朋友或熟人，边缘代表熟人关系。熟人关系可能形成：

• (i) 任一搜索者请求订阅另一搜索者微博服务
• (ii) 其他检索者确认了请求
• (iii) 搜索者对微博服务的另一个搜索者的帖子发表了评论
• (iv) 搜索者之一在为另一个搜索者存储的地址簿中。 例如，Mary 的消息系统可能有一个地址簿，该地址簿独立于 Mary 的订阅，但会识别 Mary 已通过电子邮件发送或存储为感兴趣的联系人的个人

因此，可能存在用于在搜索者之间生成熟人关系的多种机制。

熟人关系的强度

熟人关系的强度可能取决于产生熟人关系的机制或搜索者之间随后的联系频率和类型。 例如，两个搜索者相互订阅的关系可能比只有一个搜索者订阅另一个搜索者的关系更强。

搜索者之一订阅另一个搜索者的关系可能比一个搜索者在联系人的地址簿中包括另一个搜索者但不订阅另一个搜索者的关系更强。 搜索者在通讯录中包括搜索者的地址的关系可能比搜索者曾经通过电子邮件向另一个搜索者发送电子邮件但没有将该其他搜索者添加到他的地址簿中的关系更强。

搜索者对另一个搜索者的帖子发表了一次评论但没有订阅另一个搜索者的关系可能比搜索者一次向另一个搜索者发送电子邮件的关系更强。

熟人关系的强度可能取决于搜索者之间的联系频率。 例如，联系频率可以取决于搜索者向另一​​个搜索者发送电子邮件的频率、对另一个搜索者的帖子的评论（例如另一个搜索者的帖子）或对另一个搜索者的帖子的@reply。 如果两个搜索者彼此交互，这种关系可能比交互仅在一个方向上更强。

联系的强度可能取决于联系的最近程度。 例如，比尔在三个月前评论弗兰克的帖子 52 次可能比比尔在上个月评论弗兰克的帖子 22 次对比尔和弗兰克的关系强度的影响要小。 在社交图谱600中，玛丽和苏珊的关系强度为27，弗兰克和玛丽的关系强度为89。

搜索者之间的距离

两个搜索者之间的距离可能不仅仅取决于搜索者是否是熟人以及关系的强度。 距离可以取决于到达另一个搜索者需要多少条边。 例如，苏珊和弗兰克可能会被视为玛丽的“一级”熟人。

“二阶”熟人可以包括一阶熟人的所有熟人。 例如，因为Bill、Thomas 和Lindsey 是Susan 的熟人，而Pizza Store、Lindsey 和Thomas 是Frank 的熟人，所以这些人可能是Mary 的二阶熟人。 三阶熟人（以及任何 n 阶熟人）可能会得到类似的确定。

距离可以是熟人顺序的简单确定。 例如，一阶熟人的距离可能为1，二阶熟人的距离可能为3，三阶熟人的距离可能为9。反之，距离可能随着距离的增加而减小增加（例如，1、0.33 和 0.11）。

两个搜索者之间的距离值可以解释关系的强度

在一些实施方式中，两个搜索者之间的距离值可以说明关系的强度以及连接搜索者的人的关系。 例如，可以计算 Mary 和 Thomas 以及 Mary 和 Pizza Store 之间的距离。 尽管许多用于加权距离的机制成为考虑，但示例强度数和关系数的表示在此说明中只是多个。

Mary 和 Thomas 之间的距离计算为 1（一阶关系的数值表示）*27（一阶强度）+0.33（二阶关系的数值表示）*328（二阶关系的数值表示）强度）=166。

Mary和Pizza店的距离计算为1（一阶关系的数值表示）*89（一阶强度）+0.33（二阶关系的数值表示）*4（二阶关系的数值表示） -阶强度)=90。 在此插图中，尽管 Frank 与 Mary 的关系比 Susan 更强，但 Thomas 与 Mary 的关系比 Pizza Store 更强，因为 Susan 和 Thomas 的关系明显强于 Frank 与 Pizza Store 的关系。

Susan 和Thomas 可能结婚并经常联系，而Frank 可能没有和Pizza 店联系过，他的通讯录中可能只有Pizza 店的电话号码。

在一些示例中，距离基于两个搜索者之间的最短关系数来计算。 在一些示例中，两条路径包括相同数量的关系。 例如，Lindsey 是 Mary 通过 Susan 和 Frank 的二阶关系。 与仅通过苏珊的二阶关系相比，林赛可能会被视为她在社交网络图中更接近（例如，与更高的距离值相关联）。 例如，通过 Frank 的距离可以乘以 2/3，然后与通过 Susan 的距离相加 2/3。

作为社交网络的图

虽然社交图被示意性地示出，但计算机可以将图存储为数据结构。 （表示社交图的数据结构。）在此示例表中，每个搜索者都与表中的一行相关联。 例如，Mary 的第 654 行说明她是 Susan 的熟人，强度为 27，Frank 的熟人为 89。

As mentioned earlier, the calculated distance between an author and a searcher may get used to determine that the searcher should receive a post as recommended, even though the searcher does not subscribe to the author. For example, Mary may subscribe to Frank but may get related to Susan (also a searcher of the micro-blogging service) only through Mary's address book. Also, Mary may not subscribe to any individuals depicted in the graph other than those illustrated as having a first-order relationship with Mary. Thus, the distance to the non-subscribed searchers may get used to determine if Mary should receive a post that the non-subscribed searchers author.

A Score For A Post

A score for a post, such as a global score for it. This scored can identify a personal score for an individual based on a distance between the individual searcher and the author of the post. For example, if Mary authored a post with a score of 24, the score may get personalized for Thomas and the Pizza Store based on the determined distance as discussed above. For example, the personal score of Mary's post for the Pizza Store maybe 24 (post score)*90 (distance between Pizza Store and Mary)=2,160.

The personal score of Mary's post for Thomas may be 24 (post score)*166 (distance between Thomas and Mary)=3,984. If the personal score exceeds a threshold value (eg, 1,000), the post may get recommended to the searcher.

In some examples, the threshold is a fixed threshold or a fixed percentile of the total number of posts. For example, the top one percent of scores for posts may get recommended. In some examples, the threshold may differ depending upon the order of the relationship. For example, a first-order relationship may have a threshold of 1,000, and a second-order relationship may have a threshold of 3,000. Thus, Mary's post may get recommended to Thomas (eg, because his personal score of 3,984 exceeded the second-order threshold of 3,000) but may not become recommended to the Pizza Store.

Individual Signals That Calculate A Personal Score

In some implementations, individual signals that calculate a personal score for a post can get modified based on a distance between the individual searcher and the author of the post. As a simplified example, a personal score for Mary's post may get determined based on many comments that the post has received (in a complex example, signals other than comments also get used.

In an illustration where the signals are not weighted based on a social graph, the comments score may become based solely on an absolute number of comments that the post has received divided by an average number of comments a post by the author typically receives. For example, if the post has received five comments and an average post by the same author receives two comments votes, the comment portion of the personal score may get assigned a value of 2.5.

Comments as An Example Of Social Author Scores

In a social graph illustration, author scores may get calculated based on scores for each comment. Each comment can become scored based on a distance between the commenter and the individual for whom the personal score is generated. For example, if Susan and Doug commented on Mary's post, a personal score that gets generated for Thomas may be lower than if Susan and Lindsey commented on Mary's post (eg, because Susan and Lindsey are both first-order acquaintances of Thomas, where Doug is a fourth-order acquaintance of Thomas).

Each comment score calculation may get determined based on a score of the comment (eg, quality of the comment, or a normalized value of the comment based on how many comments the commenter normally submits) in a mathematical combination with a social network distance between the searcher to whom the personal score is being calculated and the commenter.

In some implementations, a threshold value that gets used to determine whether a post is to become recommended to a searcher gets varied based on a social network distance between an author of the post and the searcher for whom the recommendation determination is being made. For example, a post may get associated with a global score of 90.

If the score for the post exceeds a threshold that gets calculated for a particular searcher, the post may become recommended to that particular searcher. As an example calculation of the threshold, a standing threshold may get divided by 2.3 (an example distance between two searchers) to provide 87. Because the global score of 90 exceeds the threshold of 87 (that gets calculated for the individual searcher), the post becomes recommended to the searcher. If the post's score did not exceed the threshold, the post might not get recommended to the searcher.

A Personal Scorer Can Be A Server System or Set of Algorithms

A personal scorer can be a server system or set of algorithms that:

• (i) Modifies a global score generated for a post based on personal attributes. It can be a distance between the post author and an individual for whom the personal score is being created)
• (ii) Generates a personal score based on component scores that are each individually scored in combination with the use of a social network graph, as discussed in more detail above

In some implementations, posts get generated for a particular searcher based on one or more queries saved for the particular searcher in a saved queries repository. Each query can be a set of words or alpha-numeric characters that become identified as topically relevant to the content that the particular searcher has previously generated or viewed.

In some examples, the queries get generated based on searcher-selected options. For example, upon a particular searcher (eg, Bill) opening his account or going into a settings page for his account, Bill may become presented with a survey or series of topical categories that Bill may identify as categories of interest. A word associated with each category may get added to a saved query for the searcher. For example, Bill may select a “Cars” option on a settings page and, in response, get presented with a list of various types of cars. Bill may select “Ford” as a sub-option. In response, the saved query for Bill may include the word “Ford.”

Micro-Blogging Service Analyzing The Content of Posts

In some examples, the queries get generated based on searcher-generated content or searcher-viewed content. For example, the micro-blogging service may analyze the content of posts submitted by Bill, posts that Bill reads, posts that Bill comments on, the content of Bill's comments, or posts that Bill “likes.” Because the searcher account for the micro-blogging service may get shared among multiple different services that become provided by a single information provider, additional information may be available for use in a determination of a searcher query. For example, content emails that Bill receives, composes, or replies to may get analyzed.

In another example, search engine web queries that Bill submits may get analyzed. Also, landing pages associated with responsive search results may be analyzed. This is either for highly ranked search results or for search results that Bill selects. For example, Bill may navigate to a general-purpose search engine and type into an input box the query “Ford trucks longevity,”

In response, he may receive a list of search results that identify portions of content from landing pages that get determined to be responsive to the query. Landing pages may respond to the query if the landing pages include words included in the query or synonyms of the word included in the query.

Bill may select one of the search results, and Bill's web browser may navigate to a landing page associated with the search result so that the landing page becomes displayed on Bill's computing device.

Analyzation By Identification Of A Set of Common Words to Multiple Different Sources of Content

The content may get analyzed by identifying a set of common words to multiple different sources of content. These could be multiple different queries, landing pages, emails, posts, or a combination of these. Words from a repository of truncated words may get removed from the set of words. These could include the words “the,” “a,” and “there” may get removed as the truncated words. The repository of truncated words may include words commonly used in a language or dialect (eg, the repository may include 500 most commonly used words in a particular language).

The repository of truncated words may also include words that were not determined to be of interest to searchers. For example, if the word “box” is not commonly used, but posts that become recommended based on the use of the word “box” are rarely “liked,” @replied, viewed in an expanded format, or commented on, the word box may get added to the truncated repository.

In some examples, the content of websites that Bill has generated may get analyzed. For example, Bill may become identified as the author of several different websites about “Jogging.” The websites may include text that describes jogging and links to other jogging websites. Saved queries may also get generated, in part, by analyzing the content of the websites that Bill can get identified as having generated.

A saved query for a particular searcher may get used in a query of posts submitted by searchers of the social network. In some examples, the query gets to run against posts within a pre-determined social network distance of a searcher. For example, the query may become performed against all authors of posts within a distance of 180 or are a third-order searcher or closer to a particular searcher. A post may be responsive to the query if the post includes the query terms.

A post may get scored based on the query terms using mechanisms similar to mechanisms employed for scoring landing pages in response to search engine queries. Posts may become selected by the micro-blogging service to recommend if the post gets identified as responsive to the query and within the particular social network distance. In some examples, posts may also need to have a query score above a threshold value. For example, if a long post includes a single reference to a query term, a query score for the post may not satisfy the threshold.

Searchers Recommended in a Subscribed Searchers Repository

The searchers recommended for a particular post may become added to the subscribed searchers repository as subscribed to the particular post. Thus, when the activity backend receives new activity for a particular post (eg, comments on the post), the activity backend can identify all searchers to which the new activity should get provided. In this manner, all searchers who subscribe to the post author, all searchers that got recommended the post, and all searchers that were @replied to the post may receive updates on a post. When a post gets updated, it may jump to the top of a searcher's post feed.

In some examples, searchers may submit an @reply and comment to the searcher's own post. In some examples, the recipient searchers get treated as searchers when submitting a comment or @reply. In other words, the operations may be re-performed upon receiving a comment or like from searchers. The post (now with the comment) may get restored, and new recipient searchers may become recommendations. A highly ranked activities feed repository may include a list of posts associated with the highest global in some implementation scores.

Searchers of the micro-blogging service may subscribe to the highly ranked activities feed to view content that is globally identified as the most interesting.

The post may get submitted through a search engine query input box, for example, by typing “z. Hello World.” The “z.” character sequence may signify to a search engine frontend server system that the trailing text should get routed to a micro-blogging service server system for dissemination to other searchers.

A post may get routed from a different messaging service. For example, a searcher of the micro-blogging service may link his micro-blogging account to the TWITTER messaging service so that posts that he submits on his TWITTER account are also routed to the described micro-blogging service. Similarly, posts that the searcher receives from searchers on TWITTER may get routed into a feed for the micro-blogging service.

In some implementations, a server system includes all components that are not searcher devices (eg, all components that are not devices.

In examples where postings from multiple of a searcher's sources may get disseminated by the micro-blogging service (eg, messages that post on the micro-blogging service and messages that the searcher posts to the TWITTER messaging service), individuals that follow the searcher may select a subset of the sources to follow for the searcher.

For example, if John subscribes to Bill, John may get presented a list of sources to which Bill's account gets linked so that John may indicate which of the linked sources he would like to receive content from. Thus, John may indicate that he would like to view all content generated by Bill, except for content that Bill posts to TWITTER (eg, because John may also separately follow Bill on TWITTER).

Determining the AuthorRank signal

The author reputation score determining engine can identify an AuthorRank signal the may get used as one of several factors for determining a score for a particular post. The AuthorRank signal may generally identify the trustworthiness of the author. The AuthorRank signal can get based on two broad categories of statistical information:

• (i) Other searcher's interaction with the author's posts and content that the author generates. Such as signals provided by the comment quality determination unit and signals
• (ii) Scores of searchers that have agreed to subscribe to the author (eg, “Scores of Following searcher.”

The first category of signals (eg, searchers' interaction with the author's posts and content that the author generates)bell get discussed first. The number of likes that an author's posts receive may get used to identifying a reputational score for the author. For example, a total number of likes, an average number of likes per post, or an average number of likes over a particular time period (eg, a week) may get used as an input to the author reputation score determining engine.

A similar analysis for the number of likes provided by unique searchers may get used (eg, many individual people like an author's posts over a time period, regardless of how many times a particular individual liked different posts). A similar analysis for a normalized number of likes may become used (eg, a deviation from a historical trend of a particular individual).

The described statistical information may get analyzed for a life of a searcher account or particular time periods (eg, the last 15 days). Similar forms of statistical analysis for several comments may calculate a reputational score for the author.

Many followers (ie, many individuals that have agreed to subscribe to posts authored by the author) may get used in a determination of an author's reputational score. Several “ignore” by searchers may decrease an author's reputation. An “ignore” may be an identification that a searcher indicated that he does not wish to subscribe to the particular post or particular author anymore. Also, a spammer identification signal may get used in the determination of an author's reputation score.

A spammer identification signal may indicate a likelihood that a particular searcher is a spammer. For example, the spammer signal may indicate if a searcher account gets associated with an IP address that has gotten identified as a source of spam if the account gets associated with an undue level of posting or activity, if the searcher's posts or comments include words that have become identified as likely spam (eg, “get rich quick”), or if the searcher's posts or comments include links to web documents that have gotten identified as sources of spam.

追随者订阅作者的来源以确定作者的声誉分数

在一些示例中，每个数量的追随者订阅作者的来源数量被用来确定作者的声誉分数。 例如，一些搜索者可能只订阅作者使用微博搜索生成的内容。 然而，一些搜索者可能订阅作者生成的所有内容（例如，作者使用TWITTER消息服务生成的内容）。 因此，追随者订阅的内容越多可能表明对作者的兴趣越大，并对作者的得分产生积极影响。

与其他搜索者共享的搜索者帖子的一些示例（例如，通过@replying 搜索者的帖子）影响搜索者的排名。 如果已经与搜索者共享的帖子被转发（例如，收到@replied 帖子的个人决定将帖子@reply 给另一个人），则该帖子可能会获得更高的评分，并且可能对作者的评分产生更有利的影响而不是@reply 一次的帖子。

评论质量确定单元可以分析在作者的帖子上接收到的评论的内容并提供统计信息以确定作者的声誉分数。 例如，评论质量确定单元可以分析作者对帖子接收的评论的长度、搜索者提供的评论的评级以及评论中包括的媒体。

举例来说，如果作者收到的平均评论有几百个字符长、评分高且包含图片，那么作者的声誉得分可能会高于“生日快乐！”的平均评论。 评价很差，不包括多媒体内容。

可能会分析作者在帖子中收到的评论中包含的链接的统计数据，以确定链接是否指向垃圾邮件文档（降低作者的声誉评分）或与通过互联网搜索获得高排名的文档相关联引擎（增加作者的声誉分数）。

可以分析关于唯一评论者的数量、评论的回复数量以及每个评论者的评论频率的统计数据。 例如，如果作者的帖子收到许多不同评论者的评论（而不是重复相同的评论者），收到大量评论评论，并且评论者是不常发帖者或评论者，则该作者的声誉评分可能会增加。 在各种示例中，如果对作者帖子的评论由排名靠前的作者提供，则作者的声誉得分可能比排名不靠前的作者增加得更多。

可以分析本文描述的统计信息的多种变体以对作者进行排名或对与作者相关联的帖子进行排名。 例如，可以对信号执行趋势分析以识别信号是向上还是向下趋势。 还可以执行时间依赖性分析来确定作者在一天、一周、一个月或一年中收到其他搜索者与其帖子的交互增加的时间。

数十名同意订阅作者的搜索者

第二类信号，即同意订阅作者的搜索者的分数。 在这项专利中，四位检索者——Bill、Frank、Lindsey 和 Hal——已同意关注作者。 作者的声誉分数不仅可以基于与搜索者帖子的交互获得，而且还可以基于跟随作者的作者的分数（例如，分数 42、17、29 和 182）而确定。

分数 42、17、29 和 182 分别由参考编号引用。 一种理解是，优质作者更有可能订阅其他优质作者，而优质作者可能不太可能订阅低质量作者或垃圾邮件发送者。

因此，高声誉分数会传递给高质量的搜索者。 作者订阅可能被视为传递声誉分数的特别相关链接，因为微博服务的搜索者可能被迫接收来自订阅作者的帖子。

搜索者可能无法将作者标记为已订阅并忘记作者。 事实上，订阅作者的帖子可能会继续在搜索者的订阅源中弹出，从而定期提醒搜索者重新评估他订阅作者的决定。

此外，如果作者开始提交低质量的帖子，那些注意力不集中的订阅搜索者（例如，因为他们很少使用微博服务）不太可能与可能对作者的分数产生积极影响的高分相关联如果向前传递。

考虑了基于订阅搜索者的声誉分数对作者的声誉分数进行加权的多种机制。 作为一个简单的例子，搜索者分数的 50% 可以根据信号和来自评论质量确定单元的信号（或输入到该单元的信号）的任意组合和加权来确定，搜索者声誉的剩余 50%分数根据以下作者的分数确定。

由订阅作者的分数确定的声誉分数的部分可以是订阅作者的平均声誉分数、订阅作者的平均声誉分数、订阅作者的声誉分数之和，Anns，作者的声誉分数通过转发给搜索者在某些实现中看到的作者。

例如，如果具有高声誉得分的搜索者评论另一个搜索者的帖子（但未订阅该搜索者的帖子），则其他搜索者的声誉得分会增加，即使具有高声誉得分的搜索者可能不会订阅另一个搜索者搜索者的帖子。

向非订阅搜索者推荐帖子

这个作者评分过程可能会被使用。 请求接收由第一搜索者作者创作的帖子的多个搜索者的指示被接收。 例如，在一段时间内（例如，几天或几个月），微博消息服务的搜索者可以使用各种机制来订阅第一搜索者。

例如，搜索者可以搜索微博服务的搜索者的目录，并选择第一个搜索者作为每个订阅搜索者想要关注的个体。

特别地，订阅搜索者可能同意由第一搜索者创作的所有帖子将被提供到为每个订阅搜索者显示的帖子流中。 响应于订阅第一搜索者的每个请求，订阅请求的指示可以从计算设备传输到托管微博服务的服务器系统。

服务器系统可以在储存库（例如，储存库546）中存储接收到的订阅指示的列表。 存储的订阅指示可以在稍后请求执行统计分析时由服务器系统从储存库接收。

收到第一个搜索者撰写的帖子。 例如，从计算设备，服务器系统可以查看包含文本内容的帖子。 第一搜索者可能已经使用应用电话计算设备的触摸屏上的虚拟键盘将文本帖子输入到输入框中并选择“帖子”图形界面元素。 应用电话可能已经将文本帖子发送到服务器系统。

确定帖子的分数满足将帖子发送给第二搜索者的标准，其中第二搜索者是未订阅或以其他方式请求接收帖子的微博服务的搜索者，由第一搜索者创作搜索者。

例如，可以计算第一个帖子的分数，如果分数超过阈值，则可以将分数发送给第二个搜索者。

该标准基于社交网络图中第一个和第二个搜索者的距离。 例如，分数必须超过的阈值可以基于连接第一和第二搜索者的最小熟人关系数或第一和第二搜索者之间的距离来计算。 上面更详细地讨论了用于确定两个搜索者之间距离的示例试探法。

帖子分数基于社交网络图中第一个和第二个搜索者的距离。 例如，可以修改帖子的全局分数以基于第一和第二搜索者之间的距离生成个人分数。

在其他示例中，通过基于第二搜索者与统计来源之间的社交网络距离（例如，第二搜索者与评论第一搜索者的帖子的另一搜索者之间的距离）对各种统计进行加权来生成个人分数。

该帖子被传输到第二个搜索者。 可以响应于确定分数满足标准而执行传输。 例如，托管微博服务的服务器系统可以传输它从第一搜索者的计算设备接收的帖子并将帖子分发到与第二搜索者相关联的计算设备。

发送给第二搜索者是指将其发送到计算设备，在该计算设备上，第二搜索者登录了第二搜索者独有的用于微博服务的搜索者账户。

服务器系统将帖子发送给多个第一搜索者（即订阅第一搜索者的搜索者）。