使内容以群集中表现不好的用户为目标制造技术

提供了一种方法，该方法包括：获得目标用户的个体行为数据和其他用户的群体行为数据，以及执行机器学习算法以基于群体行为数据来确定针对任务的表现基准。该方法还包括：将其他用户聚集到多个用户群集中，将目标用户分类到群集中的一个群集中，标识目标用户的一个或多个焦点特征，该一个或多个焦点特征表现差于在目标用户被分类到的用户群集中的多个用户的一个或多个特征的至少一个基准；基于目标用户的标识的一个或多个特征来标识与一个或多个任务或任务链相关联的作为目标的内容，以及经由计算设备来递送作为目标的内容。

Target content to users who do not perform well in a cluster

A method is provided, which includes obtaining individual behavior data of target users and group behavior data of other users, and executing machine learning algorithm to determine performance benchmarks for tasks based on group behavior data. The method also includes: aggregating other users into multiple user clusters, classifying the target user into one cluster in the cluster, identifying one or more focus features of the target user, which are inferior to at least one benchmark of one or more features of multiple users in the user cluster to which the target user is classified; and based on the target user's benchmark. One or more features of knowledge identify the content as a target associated with one or more tasks or task chains, and deliver the content as a target via computing devices.

【技术实现步骤摘要】
【国外来华专利技术】使内容以群集中表现不好的用户为目标
技术介绍
包括计算机游戏的计算机应用由具有范围从新手到专家的各种技能水平的用户玩。大部分玩家可能从来没有到达专家的技术水平，但是可能还具有潜力以通过集中于应用中的具体任务或者子任务上来提高他们的表现，在这些特定的任务或子任务中玩家具有用于改进的空间。除了技术水平，玩家还基于具体特征和度量来区分他们自己。例如，玩家可以在他们游戏设置的风格中、反应时间、速度和精确度中区分。随意玩家可能具有不同于更认真的玩家的方式来完成游戏，并且游戏策略在攻击性玩家和防御性玩家之间以及在侵略性的和玩家和被动的玩家之间很广泛地变化。许多现存计算机应用包括应用中教程或线索系统以帮助用户改进他们的表现。然而，当前的教程要求用户认识到用户需要帮助，并且去打开教程以寻求帮助。而且，教程的或者线索系统的水平可能对用户太高级或者太简单，无论是去掉了游戏中的乐趣，还是未能降低用户与游戏的挫折。最后，教程和线索系统为被限定为开发者向他们赋予的想法，并且因此，开发者在开发游戏时并未预测到将发生的用户的理解或技能上的差距不大可能被这样的系统解决。
技术实现思路
为了处理上述挑战，提供了一种方法，该方法包括：从目标用户与至少一个计算设备上的应用程序的交互获得个体行为数据；以及从多个用户与其他计算设备上的该应用程序的其他实例的交互获得群体行为数据。该方法还包括：执行机器学习算法以基于该群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准，以及基于用户之间的一个或多个特征的相似度来将该多个用户聚集到多个用户群集中。该方法还包括：基于该用户群集中的用户和该目标用户之间的一个或多个特征的相似度，来将该目标用户分类到该多个用户群集中的一个用户群集中，以及从该个体行为数据和该群体行为数据标识该目标用户的一个或多个焦点特征，该一个或多个焦点特征表现差于该目标用户被分类到的该用户群集中的该多个用户的该一个或多个特征的该表现基准中的一个或多个表现基准。该方法还包括：基于该目标用户的标识的该一个或多个特征，来标识与该一个或多个任务或任务链相关联的作为目标的内容，以及经由该计算设备来递送该作为目标的内容。本
技术实现思路
被提供以用简化的形式介绍对概念的选择，这些概念将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技术主题的关键特征或必要特征，也并非旨在被用来限制所要求保护的技术主题的范围。此外，所要求保护的技术主题并不限于解决在本公开内容的任何部分中被提到的任何或所有缺点的实现方式。附图说明在附图的示图中以示例而非限制的方式示出了本公开内容，其中相同的附图标记指示相同的元件，并且其中：图1示出了根据本说明书的实施例的计算机实现的方法。图2示出了根据本说明书的实施例的计算机系统。图3示出了根据本说明书的实施例的用户群集的示例。图4示出了根据本说明书的实施例的示例性计算机游戏，计算机实现的方法在该计算机游戏中被应用。图5示出了根据本说明书的实施例的用户群集的另一示例。图6示出了根据本说明书的另一实施例的特征的示例，这些特征可以被用来将用户分类到web浏览器中的用户群集中。图7示出了根据本说明书的另一实施例的示例性web浏览器，计算机实现的方法在该web络浏览器中被应用。图8示出了根据本说明书的实施例的示例计算机系统。具体实施方式现在将参考附图来描述本专利技术的所选择的实施例。本领域技术人员从本公开内容将显而易见的是，本专利技术的实施例的以下描述仅用于说明，而不是为了限制由所附权利要求及其等效物所限定的本专利技术的目的。本公开内容涉及计算机实现的方法以及涉及实施本说明书的计算机实现的方法的计算机系统，在图1中示出了该计算机实现的方法的实施例，在图2中示出了该计算机系统的实施例。首先参考图1，计算机实现的方法100包括四个通用步骤：进行中的离线基准化110、第一运行120、模型构建130以及作为目标的内容和监控140。应当领会到，当离线基准化110被连续地执行时，模型构建步骤130和作为目标的内容和监控步骤140被迭代地重复。而且，术语“指导”被用在本文中以指示可能被递送的一种类型的作为目标的内容。离线基准化110包括从多个用户获取群体行为数据，该多个用户包括目标用于(步骤111)。这可以被通过当应用程序正在运行并且用户正在执行各种任务时，从多个用户中收集遥测数据或记录数据、由此收集关于在与目标用户的哪些情况类似的情况下多个用户的群体行为背景信息而被实现。因此，应用程序可以被配置为记录由用户进行的各种活动，连同在活动时间的程序的状态，并且这一数据可以是指遥测数据。作为一个具体示例，从输入设备(诸如键盘、鼠标、触摸屏、游戏控制器等)接收的用户输入参数可以被记录为应用程序发生中的事件，并且被存储为针对其他用户的用户遥测数据。群体行为数据可以被编译到统一的、整体的基准化数据库中以利用表现基准来测量个体目标用户的表现。以这种方式，多个用户的群体行为可以被用作目标用户改进潜力的“资料库”(oracle，例如，预测器)，或者被用作参考点，目标用户的行为可以针对该参考点而被比较，从而使得针对改进的具体区域可以被标识。针对改进的这些具体的区域可以是由多个用户中的一些用户执行的具体的任务或任务链，它们如果成功地被模仿，则可以改进目标用户的表现。第一运行120包括从目标用户获取个体行为数据(步骤121)。当新目标用户开始使用应用程序时，关于目标用户的行为(包括用户输入等)的遥测数据被收集，类似于用于针对群体行为数据的的随后的比较的群体行为数据。方法100还包括执行机器学习算法(机器学习算法装置)以用于基于群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准，该群体行为数据可以通过在在步骤111和步骤121所收集的个体行为数据和群体行为数据上训练具有多个层的神经网络而被实现，更多细节将被描述如下。转到图2，在个体行为数据和群体行为数据上具有多个层14的神经网络12由一个或多个逻辑处理器902实现。如在图2中由箭头所示，数据流是单向的，并且不具有对输入的反馈。每个层14包括一个或多个节点16，其另外被称为感知器或“人工神经”。层14可以包括具有输入层节点16a的输入层14a、具有隐藏层节点16b的中间隐藏层14b和具有输出层节点16c的输出层14c。每个节点16接受多个输入并且生成分支到多个副本中的单个数据信号，该多个副本转而作为数据信号而被依次分发给其他节点。输出层节点16c是被配置为检测一个或多个特征的特征检测器16c，该一个或多个特征中的每个特征可以与针对被输入到相应的特征检测器16c的每个参数的统计权重相关联。每个特征可以与一个或多个任务以及一个或多个表现基准相关联。特征可以与任务或任务链(例如，击键、鼠标点击和web搜索)以及表现基准(例如，流逝的时间和完成给定任务所需要的用户操作的数目)相关联。每个特征检测器16c可以起处理节点的作用，并且一个或多个节点可以由处理器902实现。而且，被操作地耦连到处理器902的存储器可以被提供以用于存储针对每个特征检测器16c的学习的权重。在训练期间，神经网络学习针对每个特征检测器16c的最佳统计权重，从而使得针对由一个或多个特征检测器检测到的特征的权重的对应集合可以利用方法100中的本文档来自技高网...

【技术保护点】
1.一种由一个或多个计算设备执行的方法，所述方法包括：从目标用户与至少一个计算设备上的应用程序的交互获得个体行为数据；从多个用户与其他计算设备上的所述应用程序的其他实例的交互获得群体行为数据；基于所述群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准；基于用户之间的一个或多个特征的相似度来将所述多个用户聚集到多个用户群集中；基于所述用户群集中的用户和所述目标用户之间的一个或多个特征的相似度来将所述目标用户分类到所述多个用户群集中的一个用户群集中；从所述个体行为数据和所述群体行为数据标识所述目标用户的一个或多个焦点特征，所述一个或多个焦点特征表现差于所述目标用户被分类到的所述用户群集中的所述多个用户的所述一个或多个特征的所述表现基准中的一个或多个表现基准；基于所述目标用户的标识的所述一个或多个特征来标识与所述一个或多个任务或任务链相关联的作为目标的内容；以及经由所述计算设备来递送所述作为目标的内容。

【技术特征摘要】
【国外来华专利技术】2016.06.28 US 15/195,9441.一种由一个或多个计算设备执行的方法，所述方法包括：从目标用户与至少一个计算设备上的应用程序的交互获得个体行为数据；从多个用户与其他计算设备上的所述应用程序的其他实例的交互获得群体行为数据；基于所述群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准；基于用户之间的一个或多个特征的相似度来将所述多个用户聚集到多个用户群集中；基于所述用户群集中的用户和所述目标用户之间的一个或多个特征的相似度来将所述目标用户分类到所述多个用户群集中的一个用户群集中；从所述个体行为数据和所述群体行为数据标识所述目标用户的一个或多个焦点特征，所述一个或多个焦点特征表现差于所述目标用户被分类到的所述用户群集中的所述多个用户的所述一个或多个特征的所述表现基准中的一个或多个表现基准；基于所述目标用户的标识的所述一个或多个特征来标识与所述一个或多个任务或任务链相关联的作为目标的内容；以及经由所述计算设备来递送所述作为目标的内容。2.根据权利要求1所述的方法，其中确定所述一个或多个表现基准至少部分通过执行机器学习算法而被完成；其中执行所述机器学习算法包括：训练神经网络，所述神经网络在所述个体行为数据和所述群体行为数据上具有多个层，所述层中的至少一个层包括检测一个或多个特征的一个或多个特征检测器，所述特征检测器中的每个特征检测器具有权重的对应集合，每个特征与所述一个或多个任务或任务链和所述一个或多个表现基准相关联；以及基于权重的所述对应集合来评估所述个体行为数据和所述群体行为数据；并且其中由所述一个或多个特征检测器检测到的所述一个或多个特征由所述目标用户和/或所述神经网络预先确定。3.根据权利要求1所述的方法，其中确定所述一个或多个表现基准至少部分通过执行机器学习算法而被完成；其中所述机器学习算法利用从包括支持向量机、决策树学习和受监督机器学习的组选择的机器学习技术。4.根据权利要求2所述的方法，其中所述方法跟随作为目标的内容的所述递送而被迭代地重复，从而使得基于一个或多个焦点特征的表现针对所述一个或多个表现基准的改变，所述目标用户的所述个体行为数据被重新评估，所述目标用户被重新分类，一个或多个焦点特征被重新标识并且作为目标的内容被重新递送。5.根据权利要求4所述的方法，其中针对由所述一个或多个特征检测器检测到的所述特征的权重的所述对应集合利用所述方法的每个迭代重复而被调整。6.根据权利要求1所述的方法，其中与所述目标用户的标识的所述一个或多个焦点特征相关联的所述一个或多个任务被布置在链接的序列中并且与定制的触发相关联。7.根据权利要求6所述的方法，其中所述定制的触发与由所述目标用户可观察和可行动的作为...

【专利技术属性】
技术研发人员：A·弗雷斯蒂，
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