个性化上下文建议引擎制造技术

本文中描述的技术的各方面通过提供针对特定用户兴趣而定制的建议来提供更高效的用户界面。建议可以由在用户的计算设备上运行的个人助理或某个其他应用来提供。本文中描述的技术的目标是在用户能够并且实际想要使用它们时提供相关的建议。这些建议旨在提供用户想要使用的信息或服务。

Personalized context recommendation engine

The various aspects of the technology described in this article provide a more efficient user interface by providing recommendations tailored to specific user interests. The suggestion can be provided by a personal assistant or some other application that runs on the user's computing device. The objective of the technology described in this article is to provide relevant suggestions when users can and actually want to use them. These suggestions are intended to provide the information or services that the user wants to use.

【技术实现步骤摘要】
【国外来华专利技术】个性化上下文建议引擎
技术介绍
个人助理程序提供传统上由人类助理提供的服务。例如，个人助理可以更新日历、提供提醒、跟踪活动和执行其他功能。一些个人助理程序可以响应于语音命令并且与用户进行可听见的通信。当用户可能对这些项目之一感兴趣时，个人助理可以向用户建议餐馆、音乐、任务、电影和其他项目。
技术实现思路
提供本
技术实现思路
以便以简化的形式介绍概念的选择，这些概念在下面的具体实施方式中被进一步描述。本
技术实现思路
并非旨在标识所要求保护的主题的关键特征或必要特征，也不旨在被孤立地用作确定所要求保护的主题的范围中的辅助。本文中描述的技术的各方面通过提供针对特定用户兴趣而定制的建议来提供更高效的用户界面。建议可以由在用户的计算设备上运行的个人助理或某个其他应用来提供。本文中描述的技术的目标是在用户能够并且实际想要使用它们时提供相关的建议。这些建议旨在提供用户想要使用的信息或服务。相关建议和呈现建议的适当时间可以通过关联规则来确定。关联规则通过分析用户过去的动作以确定用户在给定上下文中对建议感兴趣的概率被生成。本文中描述的技术可以分析描述用户动作的信号以构建与不同类型的事件相关联的数据向量。例如，不同类型的数据向量可以描述电影事件、音乐事件、旅行事件、餐饮事件、购物事件等。数据向量然后被用作机器学习算法的输入以生成关联规则。一旦被生成，用户的当前上下文可以被监测，以当关联规则的上下文部分与当前上下文相匹配时触发与关联规则相关联的建议。附图说明以下参考附图详细描述本申请中描述的技术的各方面，在附图中：图1是适用于实现本文中描述的技术的各方面的示例性计算环境的框图；图2是描绘根据本文中描述的技术的一方面的可以用于生成特定于用户的关联规则的示例性计算环境的图；图3是描绘根据本文中描述的技术的一方面的包括用于生成特定于用户的关联规则的多个计算设备的示例性计算环境的图；图4是描绘根据本文中描述的技术的一方面的生成特定于用户的关联规则的方法的图；以及图5是描绘根据本文中描述的技术的一方面的生成特定于用户的关联规则的方法的图。具体实施方式本专利技术的实施例的主题在本文中被具体描述以满足法定要求。然而，描述本身并不旨在限制该专利的范围。相反，专利技术人已经考虑到，所要求保护的主题也可以结合其他现有技术或将来的技术以其他方式被实施，以包括与本文档中描述的步骤不同的步骤或类似步骤的组合。此外，尽管术语“步骤”和/或“框”在本文中可以用于表示所采用的方法的不同元素，但是术语不应当被解释为暗示在本文中公开的各个步骤之中或之间的任何特定顺序，除非和除了明确地描述了各个步骤的顺序时。本文中描述的技术的各方面通过提供针对特定用户兴趣而定制的建议来提供更高效的用户界面。建议可以由在用户的计算设备上运行的个人助理或某个其他应用来提供。本文中描述的技术的目标是在用户能够并且实际想要使用它们时提供相关的建议。这些建议旨在提供用户想要使用的信息或服务。当用户的上下文指示对建议的可能兴趣时，可以提供建议。“可能兴趣”从先前的活动模式并且也可能从其他人的活动模式得到。例如，可以向用户提供激活或打开歌曲播放列表的建议。上下文可以是用户先前已经听过特定播放集的时间、地点和/或情境。例如，用户可以在健身房锻炼时听特定播放集。在确定用户的当前上下文在健身房时，可以向用户显现打开播放列表的建议。取决于上下文，其他类型的建议可以涉及旅行选项、娱乐选项、购物选项等。这些建议在本文中也可以被描述为推荐或场景。建议可以基于关联规则被触发。关联规则表示用户行为模式。每个用户都可以具有个性化的关联规则，即使是对于相同的建议。例如，当第一用户在健身房时，可以对于第一用户触发听音乐的建议，并且当第二用户回家工作时可以对于该用户触发听音乐的建议。本文中描述的技术分析用户活动以确定用户何时可能对特定建议感兴趣。关联规则将用户上下文与建议相关联。上下文可以是多变量的。例如，上下文可以是位置、时间和日期。建议可以是特定建议或一类建议。建议的类别可以采用模板的形式，数据可以被添加到模板以形成向用户呈现的建议。建议也可以从分析用户行为模式来获得，以生成个性化建议。实际上，关联规则分配在给定特定上下文的情况下用户对建议感兴趣的概率。不同的用户可以具有将特定上下文与建议相关联的不同的概率。关联规则中的概率可以利用分析用户的先前活动的机器学习算法被确定。机器学习算法还可以考虑到多个用户的活动来构建关联规则。在这种场景下，当计算关联规则的概率时，特定于用户的数据可以被给予比一般数据更多的权重。本文中描述的技术的各方面收集可以与关联规则相关的用户活动数据。相关信息可以被存储在描述用户参与的特定活动或事件的数据向量内。例如，描述用户听音乐的音乐事件可以包括各种向量分量，诸如所听的音乐的流派、听音乐的时间、用户在听音乐时的位置、以及其他信息。信息的每个部分可以形成数据向量中的分量的值。例如，数据向量的第一分量可以定义事件的时间。与第一分量相关联的值可以从用户活动信息被提取，用户活动信息从一个或多个用户设备接收。类似地，与位置、音乐流派等相关联的数据向量的分量可以从用户活动数据来被赋值。数据向量被用作生成关联规则的机器学习方法的输入。不同类型的算法可以被用于使用数据向量作为输入来生成关联规则。示例性算法包括但不限于：多关系关联规则、基于上下文的关联规则、加权类学习、高阶模式发现、K最佳模式发现、近似频繁项集挖掘、广义关联规则分层分类法(概念层次)、定量关联规则、间隔数据关联规则、最大关联规则、顺序模式挖掘和顺序规则。用于形成向量的用户活动数据在本文中可以被描述为信号或用户信号。信号可以包括从在一个或多个用户设备上运行的个人助理接收或由其收集的状态信息。除了个人助理之外，信号信息可以由电子邮件系统、操作系统、浏览器或用户数字生态系统的任何其他部件来提供。用于生成关联规则的信号数据可以从多个设备组合。状态信息可以描述计算设备的状态(诸如时间和位置)，以及诸如电影应用、音乐应用、餐饮或预约应用、旅行应用、购物应用、电子邮件应用、日历应用、搜索数据、网络浏览等各个应用的状态。此外，信用卡信息、供应商信息或其他帐户信息可以被接收作为用户信号以跟踪用户购买。技术的各方面可以为用户提供选择或退出本文中描述的数据共享布置的机会。本文中描述的技术的各方面可以执行信号增强。从个人助理接收的信号中的一些信号可能是模糊的或以其他方式受益于增强。例如，信号数据可以包括伴随有时间戳的GPS信息以及用户在该位置处花费大于阈值时间段的指示。信号可以通过查找与位置相关联的实体(诸如餐馆或健身房)来被增强。然后可以针对实体检索附加信息。例如，餐馆可以被确定为提供韩国食物。然后韩国食物可以被输入作为描述事件的数据向量分量中的值。其他类型的信号增强可以是用户个人的。例如，用户设备上的日历条目可以指示“与妈妈的晚餐”。可以分析与该用户相关联的知识库以标识用户的妈妈并且生成餐馆事件中的同伴条目。已经简要地描述了本文中描述的技术的各方面的概述，下面描述适用于实现该技术的示例性操作环境。示例性操作环境总体上参考附图，并且特别地最初参考图1，示出了用于实现本文中描述的技术的各方面的示例性操作环境，并且其总体上被表示为计算设备100。计算设备100仅是合适的计算环境的一本文档来自技高网...

【技术保护点】
一种生成特定于用户的上下文关联规则的方法，包括：从与用户相关联的一个或多个设备接收信号信息；通过标识所述信号信息内的实体并且从知识库检索关于所述实体的补充信息来增强所述信号信息；通过向数据向量的多个分量中的每个分量赋值来构建所述数据向量，其中所述值来自所述信号信息或所述补充信息；使用所述数据向量作为到机器学习算法的输入来生成用于所述用户的关联规则，所述机器学习算法生成所述关联规则作为输出，所述关联规则分配在给定特定用户上下文的情况下所述用户对上下文建议感兴趣的概率；以及存储所述关联规则。

【技术特征摘要】
【国外来华专利技术】2015.04.29 IN 2195/CHE/2015;2016.01.25 US 15/005,61.一种生成特定于用户的上下文关联规则的方法，包括：从与用户相关联的一个或多个设备接收信号信息；通过标识所述信号信息内的实体并且从知识库检索关于所述实体的补充信息来增强所述信号信息；通过向数据向量的多个分量中的每个分量赋值来构建所述数据向量，其中所述值来自所述信号信息或所述补充信息；使用所述数据向量作为到机器学习算法的输入来生成用于所述用户的关联规则，所述机器学习算法生成所述关联规则作为输出，所述关联规则分配在给定特定用户上下文的情况下所述用户对上下文建议感兴趣的概率；以及存储所述关联规则。2.根据权利要求1所述的方法，其中所述方法还包括：从与所述用户相关联的设备接收附加信号信息；从所述附加信号信息确定所述用户的当前上下文；确定所述当前上下文与所述关联规则中的所述特定用户上下文相匹配；以及触发所述上下文建议。3.根据权利要求1所述的方法，其中所述用户上下文是所述用户正在听音乐，并且所述数据向量的所述多个分量包括用户位置、时间和所述音乐的流派。4.根据权利要求1所述的方法，其中所述数据向量包括指示由所述数据向量描述的事件是日常事件的分量。5.根据权利要求1所述的方法，其中所述知识库描述餐馆的类型。6.根据权利要求1所述的方法，其中所述信号信息的至少一部分由在所述计算设备上运行的个人助理来收集。7.根据权利要求1所述的方法，其中所述用户上下文是所述用户正在看电影，并且所述数...

【专利技术属性】
技术研发人员：V·万加拉，R·A·阿兰克，N·A·卡姆达，K·V·M·斯拉万斯，
申请(专利权)人：微软技术许可有限责任公司，
类型：发明
国别省市：美国,US