BR112016014653B1 - Método implementado por computador para prever preferências de compartilhamento de privacidade, meio legível por computador não transitório e pelo menos um dispositivo de computação - Google Patents

Abstract

SISTEMAS E MÉTODOS PARA AÇÕES DE USUÁRIO GUIADAS. Sistemas e métodos para ações de usuário guiadas são descritos, incluindo detectar uma primeira ação executada por um usuário; coletar informação associada com a primeira ação; recuperar um modelo preditivo com base na informação; determinar um nível de aplicabilidade do modelo preditivo para a primeira ação, o modelo preditivo sugere uma segunda ação; fornecer a segunda ação em uma interface de usuário quando o nível de aplicabilidade atinge um nível de limiar; e receber entrada a partir do usuário selecionando a segunda ação ou uma terceira ação.

Description

FUNDAMENTOS Campo

[001] O assunto aqui discutido refere-se geralmente ao processamento de dados e, mais particularmente, a sistemas e métodos para ações de usuário guiadas.

Fundamentos Relacionados

[002] Os usuários frequentemente criam conteúdo, como novas fotos, vídeos, e mensagens para compartilhar com familiares, amigos, conhecidos, e outros usuários. No entanto, o processo de compartilhamento pode ser complicado. Por exemplo, mesmo se um usuário estiver em um sistema de e-mail ou rede social com grupos ou círculos sociais de contatos já estabelecidos, o usuário deve manualmente identificar e selecionar o usuário com quem ele ou ela quer compartilhar uma determinada foto, vídeo, postagem ou outro conteúdo.

[003] Por exemplo, uma pessoa (por exemplo, Alice) está em uma viagem tirando fotos a cada dia. Alice quer compartilhar algumas das fotos com sua família quase diariamente. Toda vez que ela compartilha fotos com sua família, Alice precisa selecionar as fotos a serem compartilhadas, selecionar um método de compartilhamento (por exemplo, via e-mail, rede social, etc.), e selecionar sua família como o destinatário.

SUMÁRIO

[004] O assunto inclui métodos para ações de usuário guiadas, incluindo detectar uma primeira ação realizada por um usuário; coletar informação associada com a primeira ação; recuperar um modelo preditivo com base na informação; determinar um nível de aplicabilidade do modelo preditivo para a primeira ação, o modelo preditivo sugere uma segunda ação; fornecer a segunda ação em uma interface de usuário quando o nível de aplicabilidade atinge um nível de limiar; e receber entrada a partir do usuário selecionando a segunda ação ou uma terceira ação.

[005] Os métodos são implementados utilizando um ou mais dispositivos e / ou sistemas de computação. Os métodos podem ser armazenados em meios legíveis por computador.

BREVE DESCRIÇÃO DOS DESENHOS

[006] A Figura 1 mostra um fluxograma de dados de um exemplo de sistema de acordo com algumas implementações.

[007] A Figura 2A mostra um fluxograma de dados de um exemplo de implementação de geração de modelo preditivo.

[008] A Figura 2B mostra um fluxograma de dados de exemplos de implementações de previsões de ação de usuário.

[009] A Figura 3 mostra exemplos de interfaces de usuário de acordo com alguns exemplos de implementações.

[010] A Figura 4 mostra um exemplo de uma implementação de processo.

[011] A Figura 5 mostra um exemplo de ambiente adequado para alguns exemplos de implementações.

[012] A Figura 6 mostra um exemplo de um ambiente de computação com um exemplo de dispositivo de computação adequado para utilização em alguns exemplos de implementações.

DESCRIÇÃO DETALHADA

[013] O assunto descrito neste documento é ensinado por meio de exemplos de implementações. Vários detalhes foram omitidos por razões de clareza e para evitar obscurecer o assunto. Os exemplos mostrados abaixo são direcionados para estruturas e funções para implementar sistemas e métodos para ações de usuário guiadas.

[014] A Figura 1 mostra um fluxograma de dados de um exemplo de sistema de acordo com alguns exemplos de implementações. O sistema 100 inclui uma porção de geração de modelo 110-130 e uma porção de aplicação de modelo 130180. Em algumas implementações, a porção de geração de modelo é 110-135, e a porção de aplicação de modelo é 135180, com as funções de modelos preditivos 130 e mecanismo de previsão 150 combinadas em um gerador de previsão 135. A porção de geração de modelo inclui, por exemplo, usar aprendizagem de máquina 120 para analisar ações anteriores de um usuário, o comportamento e / ou hábitos do usuário, e dados associados com o usuário (coletivamente referidos como o histórico de usuário 110), e para gerar modelos preditivos 130 associados ao usuário. Por exemplo, com a permissão do usuário, sistema 100 (por exemplo, aprendizagem de máquina 120) usa e analisa observações passadas de comportamento de compartilhamento (por exemplo, ações de compartilhamento passadas) pelo usuário para gerar uma ou mais previsões (por exemplo, modelos preditivos) do público desejado associado com o usuário e / ou métodos de compartilhamento desejados para novas ações de compartilhamento por parte do usuário. Histórico 110 pode ser o histórico de um ou mais aplicativos, sites, serviços de diferentes fornecedores, etc. que o usuário deu permissões ou autorizações para reunir o histórico de utilização do usuário e ações de usuário. A porção de geração de modelo de sistema 100 é ainda descrita na Figura 2A abaixo.

[015] Restante na Figura 1, na porção de aplicação de modelo de sistema 100, quando o usuário tenta compartilhar dados (por exemplo, foto, vídeo, etc.) ou tomar uma ou mais ações de compartilhamento 140, o sistema 100 (por exemplo, mecanismo de previsão 150) identifica e usa um ou mais modelos preditivos 130 com base nas ações 140 para fornecer ao usuário uma ou mais previsões 160, que podem incluir uma ou mais opções de ação, como uma previsão de compartilhamento (por exemplo, compartilhar com a família do usuário por e-mail) e um ou mais opções de compartilhamento (por exemplo, compartilhar com a família do usuário por um método selecionado por usuário; compartilhar com destinatários selecionados por usuário por um método previsto de compartilhamento através da conta da rede social do usuário; uma terceira opção de compartilhamento, etc.). Ações 140 tornam-se parte do histórico do usuário 110 se o usuário deu permissão para usar ações 140.

[016] O usuário pode fornecer entrada de usuário 170 através de, por exemplo, uma interface de usuário (não mostrada) para selecionar ou mudar uma das previsões 160 ou opções de ação. Um usuário pode selecionar uma previsão de compartilhamento prevista pelo mecanismo de previsão 150. Um usuário pode alterar alguma parte da previsão de compartilhamento ou selecionar uma das outras opções de compartilhamento. A seleção do usuário torna-se a ação final 180. Em algumas implementações, a ação final 180 (por exemplo, seleção do usuário) é fornecida como um retorno para o histórico 110. A parte de aplicação de modelo de sistema 100 é ainda descrita na Figura 2B abaixo.

[017] Conteúdo de compartilhamento é usado como um exemplo para descrever o assunto aqui. Deve notar-se que o assunto aqui se aplica a todas as ações do usuário e não está limitado a conteúdo de compartilhamento. Por exemplo, uma das ações de usuário pode ser navegar na Internet. Muitos navegadores permitem aos usuários navegar em um modo de navegação privada (por exemplo, navegação anônima em Chrome®, navegação InPrivate no Internet Explorer, navegação privada no Firefox ™ e Safari®).

[018] A porção de geração de modelo ou sistema 100 pode aprender com os hábitos de navegação do usuário e histórico para gerar um ou mais modelos preditivos. Por exemplo, o usuário pode navegar alguns tipos de sites (por exemplo, sites de escolas, organização de notícias, governo, etc.) em modo aberto e outros tipos de sites (por exemplo, sites relacionados com finanças pessoais, saúde, compras on-line, etc.) no modo privado.

[019] Quando o usuário começa a navegar em um site de uma instituição financeira, o sistema 100 pode prever, com base em um ou mais modelos, que o usuário pode querer navegar em modo privado e proporcionar a previsão em uma das opções. O usuário pode aceitar esta previsão e começar a navegar no modo privado. Se o usuário começa a navegar em outro modo ou altera qualquer parte da previsão, retorno das ações ou seleções do usuário é fornecido de volta para o sistema 100 (por exemplo, o histórico 110) para afinar o sistema 100 (por exemplo, mecanismo de aprendizagem de máquina e / ou modelos).

[020] A Figura 2A mostra um fluxograma de dados de um exemplo de implementação de geração de modelo preditivo. Histórico de usuário 110 (por exemplo, ações anteriores, comportamento, hábitos, dados associados com um usuário) inclui, por exemplo, ações anteriores 111-114 fornecidas para (por exemplo, lida por) mecanismo de aprendizagem de máquina 120 para gerar modelos preditivos (por exemplo, modelos de privacidade ou preferências) 130. Em implementações com gerador de previsão 135, e com a autorização do usuário, o histórico de usuário 110 é a entrada para aprendizagem de máquina 120 para fornecer saída para o gerador de previsão 135. Gerador de previsão 135 pode desencadear aprendizagem de máquina 120 para processar histórico 110 e / ou fornecer a saída para gerador de previsão 135. Ações anteriores 111-114 são representadas pela informação sobre conteúdo ou ação (IACA) das ações anteriores.

[021] Como usado aqui, "informação sobre conteúdo ou ação" ou "IACA" é qualquer informação sobre conteúdo, qualquer informação sobre uma ou mais ações tomadas em associação com o conteúdo, ou ambos. Como usado aqui, "conteúdo" é qualquer conteúdo digital ou digitalizado. O conteúdo é qualquer coleta de informação representada em forma digital (isto é, representado em dados binários). Exemplos de conteúdo incluem, mas não estão limitados a um ou mais arquivos, documentos, imagens, vídeos, áudios, postagens, mensagens de comunicação (por exemplo, e-mails, textos de mensagens curtas, mensagens de vídeo, mensagens de áudio, etc., qualquer combinação dos mesmos), jogos, qualquer porção dos mesmos, e qualquer combinação dos mesmos.

[022] Tal como aqui utilizado, "informação sobre conteúdo" é qualquer informação associando com o conteúdo. A informação sobre conteúdo pode ser metadados, que incluem, mas não se limitam a metadados de aplicativo (por exemplo, metadados definidos em uma linguagem ou um formato de arquivo, como o HTML (Linguagem de Marcação de Hipertexto), JPEG (Grupo de Especialistas Fotográficos Conjuntos), etc.), metadados descritivos (por exemplo, descrição de um recurso para identificação e recuperação, como o nome do arquivo, título, autor, e resumo, etc.), metadados estruturais (por exemplo, relações dentro e entre os objetos, tais como parágrafos, páginas, capítulos, etc.), metadados administrativos (por exemplo, para gestão de recursos, tais como controle de versão, data e hora, controle de acesso, diretórios de armazenamento, ou locais, etc.). Esta informação só é usada no exemplo de implementação com o consentimento do usuário.

[023] Em alguns exemplos de implementações, a informação sobre conteúdo inclui todos os dados gravados ou gerados sobre o conteúdo. Por exemplo, a informação pode incluir uma página da Internet (por exemplo, o Localizador de Recurso Uniforme ou URL da página) visitada por um usuário, a última página visitada pelo usuário (por exemplo, a referência, em Protocolo de Transferência de Hipertexto ou HTTP), o tempo quando a página é visitada, a localização do usuário quando a página é visitada, o modo de uma ferramenta, tal como o modo particular de um navegador, o tipo de página da internet, se a página da internet requer autenticação, etc.

[024] Os exemplos acima sobre a página da Internet e outros exemplos aqui em conexão com um usuário são descritos com o pressuposto de que as implementações obtenham o consentimento do usuário para gravar a informação descrita. Se não houver consentimento dado pelo usuário em conexão com um pedaço de informação, esse pedaço de informação não é gravado. Além disso, um usuário pode apagar os dados do histórico do usuário 110 ou todo o histórico 110.

[025] Outros exemplos de dados gravados ou gerados sobre o conteúdo incluem, mas não estão limitados a informação gerada por usuário, gerada por dispositivo, e gerada por aplicativo. Por exemplo, a informação gerada por usuário inclui informação gerada por qualquer usuário ou administrador. Um usuário pode proporcionar descrição, retorno e / ou comentários sobre algum conteúdo. Um administrador pode registrar um incidente sobre algum conteúdo. Informação gerada por dispositivo pode incluir, por exemplo, tipo de dispositivo, recursos incluídos no dispositivo, aplicativos utilizados para abrir o conteúdo, os estados do dispositivo, etc.

[026] Informação gerada por aplicativo pode incluir, por exemplo, informação de texto de uma imagem. O aplicativo pode estar analisando uma imagem (por exemplo, dados de pixel, metadados e / ou dados de vetor) e gerar informação de texto sobre a imagem. Para uma imagem de um piquenique no parque, por exemplo, os dados de texto gerados podem incluir nomes ou identidades das pessoas nessa foto ou vídeo (por exemplo, reconhecimento facial), descrição da imagem (por exemplo, "festa de piquenique em um parque com árvores e grama bebendo refrigerantes" a partir de análise de conteúdo) e metadados (por exemplo, a imagem é tomada por um determinado modelo de câmera, usando um certo “f-stop”, em uma determinada resolução de imagem, etc.).

[027] Em alguns exemplos de implementações, a informação sobre conteúdo inclui um ou mais campos do conteúdo que está estruturado. Por exemplo, se o conteúdo é informação armazenada ou recuperada a partir de um banco de dados, os campos do conteúdo podem ser utilizados como informação sobre conteúdo. Se o conteúdo é uma mensagem de e-mail, e campos (por exemplo, Para, De, Assunto, CC, BCC, corpo, etc.) podem ser usados como informação sobre conteúdo.

[028] Como usado aqui, "informação sobre uma ou mais ações" tomada em associação com o conteúdo é qualquer informação associando com ações ou informação sobre ações. Informação sobre ações inclui, mas não se limita ao histórico de informação de utilização (por exemplo, registros de utilização ou logs de utilização), informação sobre a rede, sistema, dispositivos, sistemas operacionais, aplicativos, módulos, software, etc. utilizados para executar as ações, informação sobre o meio ambiente, data, hora, local em que as ações são realizadas, e outras informações disponíveis (por exemplo, informação do destinatário, línguas do aplicativo usado para executar as ações, etc.). A informação sobre as ações pode se sobrepor à informação sobre conteúdo em algumas implementações. Por exemplo, sempre que um usuário define permissões compartilhamento em alguns conteúdos (por exemplo, uma foto, vídeo, postagem, link), as permissões do usuário são associadas com o conteúdo (por exemplo, armazenadas as permissões como metadados). Em algumas implementações, um ambiente do usuário pode ser gravado com o consentimento dado pelo usuário. Por exemplo, identidades de outros usuários conhecidos na proximidade (por rastrear os seus dispositivos ou locais) do usuário.

[029] Com referência à Figura 2A, as ações anteriores (por exemplo, ações 111-114) incluem, por exemplo, a informação sobre conteúdo ou ação (IACA) como mostrado na Tabela 1.

[030] A Tabela 1 mostra uma implementação que considera, por exemplo, oito peças ou campos de IACA (linhas 1-7). Uma implementação pode considerar qualquer informação de IACA (por exemplo, quaisquer campos e quaisquer número de campos). Os campos podem ser diferentes com base no conteúdo. Por exemplo, a ação 112 inclui uma URL como um alvo e uma ação navegada privadamente para o tipo de dados de um link (por exemplo, uma referência), que não é incluído ou utilizado em ações 111, 113, e 114 com tipos de dados de foto e vídeo.

[031] A informação de IACA mostrada nas ações 111-114 são apenas exemplos de IACA. Podem haver diferentes e / ou outros campos de IACA. Por exemplo, pode haver um campo de dispositivo de IACA (não mostrado) para fornecer informação sobre o dispositivo, tal como um telefone, tablet, laptop, ou outro dispositivo.

[032] Mesmo para um determinado campo de IACA, como o campo de localização, pode haver uma informação diferente ou outra. Por exemplo, para o campo de localização, pode haver diferentes ou outros tipos de informação de localização, como a latitude e longitude, dentro ou fora de uma determinada coisa (por exemplo, construção), em um espaço privado ou espaço público. Pode haver diferentes formas de capturar informação de "localização" relevante que podem ser independentes de uma outra (por exemplo, podem ser implementadas para qualquer combinação ou a totalidade da informação de localização para utilização na geração de modelos preditivos 130).

[033] A máquina de aprendizagem 120, que pode ser um sistema, um dispositivo, um aplicativo, ou um módulo de software, pode ser implementada como um caixa preta para processar o histórico de usuário 110 para produzir previsões ou modelos preditivos 130. Máquina de aprendizagem 120 pode ser implementada em qualquer forma para execução das instruções de qualquer um ou mais algoritmos. Um dos algoritmos, por exemplo, pode estar processando histórico de usuário 110 (por exemplo, ações 111-114) para a geração de modelos de "compartilhado com" e / ou "compartilhado por" 130 com um limiar de, por exemplo, 50% (por exemplo, gerar um modelo se o limiar de 50% ou acima é atingido).

[034] Depois de ações 111-114 serem processadas, aprendizagem de máquina 120 gera, por exemplo, os exemplos de modelos apresentados na Tabela 2 para prever quem compartilha conteúdo com e / ou como compartilha o conteúdo por base em um ou mais atributos do conteúdo.

[035] A Tabela 2 mostra que, por exemplo, três modelos ou modelos preditivos 130 M1-M3 são gerados a partir do histórico 110 (por exemplo, ações 111-114). Para maior clareza na ilustração, quatro ações 111-114 são mostradas e descritas. M1 pode ser gerada usando a IACA de ações 111 e 114. M2 e M3 cada pode ser gerada usando a IACA de uma única ação, 112 ou 113, respectivamente. Em algumas implementações, um modelo é gerado apenas se o conjunto de dados que suporta o modelo (isto é, a IACA usada para gerar o modelo) é de um certo tamanho de amostra. Por exemplo, no exemplo da Tabela 2, se não houver um tamanho de conjunto de dados ou requisito de tamanho de amostra 2, modelos M2 e M3 não irão ser gerados devido a insuficiente conjunto de dados de 1. Modelo M1 ainda vai ser gerado devido ao tamanho de conjunto de dados de 2 (ações 111 e 114). Em algumas implementações, força preditiva pode ser estimada com base no tamanho da amostra. Força preditiva pode também ser estimada por um ou mais algoritmos usados pelo sistema 100.

[036] Os modelos M1-M3, bem como outros modelos aqui descritos, são apenas exemplos. Na implementação real, pode haver diferentes e / ou outros modelos. Além disso, diferentes modelos podem ser combinados em um menor número de modelos. No entanto, em outras implementações, os modelos são modelos conceituais ou modelos dinâmicos gerados em tempo real.

[037] Como descrito acima, aprendizagem de máquina 120 pode ser implementada como uma caixa negra que fornece uma ou mais previsões com base no histórico de usuário 110. Um ou mais de qualquer número de algoritmos podem ser dinamicamente aplicados na caixa preta. O que é comum é que dados 110 (Figura 2A) entrem e modelos 130 saiam (Figura 2A). Em algumas implementações, em vez de ou além de modelos 130, a aprendizagem de máquina 120 produz uma saída para o gerador de previsão 135 para gerar uma ou mais previsões. Por exemplo, em algumas implementações, nenhum dos modelos M1-M3 pode ser gerado. Por exemplo, o sistema 100 (Figura 1) pode ser implementado com diferentes condutas ou processos para diferentes domínios. Uma conduta de processo pode ser para navegação (por exemplo, utilizando um ou mais dos navegadores); outra conduta pode ser o compartilhamento em uma rede social; uma terceira conduta pode ser relativa à comunicação de e-mail; uma ou mais condutas podem ser com base no tipo de conteúdo (por exemplo, uma conduta para fotografias, uma conduta para áudio e / ou vídeo, etc.).

[038] Por exemplo, compartilhando fotos, o algoritmo de aprendizagem de máquina irá determinar internamente o que é relevante com base nos dados do histórico 110 que ele recebe, e fornecer uma saída para o gerador de previsão 135 para produzir as previsões. Da mesma forma, para outros domínios de processamento, tais como a navegação, um algoritmo de aprendizagem de máquina diferente irá determinar internamente qual é a configuração do navegador relevante para usar com base nos processos de aprendizagem de máquina 120 de dados de histórico 110.

[039] Em implementações reais, histórico 110 contém informação de um conjunto muito maior de histórico de utilização e / ou ações de usuário. Histórico 110 é provável que cresça ao longo do tempo e a quantidade de histórico associado com informação sobre conteúdo ou ação (IACA) 110 também cresce. Um conjunto de dados maior, de um modo geral, leva a modelos mais precisos sendo gerados. Em implementações que incluem um tamanho de conjunto de dados, quando o conjunto de dados é suficientemente grande (por exemplo, pelo menos, o tamanho do conjunto de dados necessário), o sistema pode começar a fazer previsões de ação de usuário com base em ações anteriores (por exemplo, gerar e aplicar modelos preditivos baseados no histórico 110).

[040] Como outro exemplo, com um usuário Alice, se 100 de fotos de Alice contêm parentes da Alice, Alice pode ter compartilhado 90 das 100 fotos com círculo social online "família" da Alice (por exemplo, um ou mais contatos colocados em um grupo com um rótulo "família"), e compartilhado 10 das 100 fotos com círculo social online "colegas de trabalho” da Alice. O sistema, tal como autorizado pela Alice, determina ou "aprende" que Alice tende a compartilhar fotos de relação de Alice com o círculo social online “família” da Alice (por exemplo, aprendizagem de máquina 120 gera um modelo M4 com base nesta aprendizagem). Se Alice tirou 50 fotos em casa, Alice pode ter compartilhado 45 das 50 fotos com círculo social online “família” da Alice, e 5 das 50 fotos com círculo social online "amigos estendidos" da Alice. O sistema descobre que Alice tende a compartilhar fotos tiradas em casa com círculo social online “família” da Alice (por exemplo, aprendizagem de máquina 120 gera um modelo M5 com base nesta aprendizagem). O resultado é que em Alice agregado tem um modelo multidimensional (por exemplo, M4 e M5) que é capaz de associar diferentes tipos de IACA (por exemplo, localização, hora do dia, identidades de pessoas, etc.) com diferentes preferências de compartilhamento.

[041] Em algumas implementações, modelos preditivos 130 podem ser gerados com base em preferências de privacidade de um usuário. Estes modelos preditivos ou modelos de preferências de privacidade podem ser usados para fazer previsões de configurações ou preferências de compartilhamento de privacidade desejadas. Por exemplo, Alice tira uma foto de parente da Alice às 15:30h no parque e quer compartilhar (a imagem de 15:30). O sistema analisa ações de compartilhamento do passado (por exemplo, histórico 110) com IACA similar. O sistema aprende que e cria um ou mais modelos para o efeito de Alice tende a compartilhar fotos e vídeos de parente de Alice com o círculo social online “família” (modelo M6), exceto quando as imagens e vídeos são tiradas em público, caso em que Alice compartilha com "amigos estendidos" (modelo M7). Mídia (por exemplo, fotos e vídeos) capturada no período da tarde tende a ser compartilhada de forma mais ampla (modelo M8). No exemplo da imagem de 15:30, os modelos de preferências de privacidade M6 e M7 ou M8 levam a uma previsão de que Alice gostaria de compartilhar a imagem de 15:30 de seu parente com seus círculos sociais on-line "família" (M6) e "amigos estendidos" (M7, parque = em público, ou M8, 15:30 = tarde), uma vez que a imagem foi capturada em um local público durante o dia. Tudo o que precede é realizado com o consentimento do usuário.

[042] Dependendo de implementações, algoritmos diferentes podem ser usados para gerar modelos 130, os quais podem ser baseados nas preferências de privacidade de um usuário. Por exemplo, a caixa preta de máquina de aprendizagem de "dados para dentro, previsões para fora" pode funcionar em muitas formas diferentes, utilizando diferentes algoritmos. Os algoritmos que produzem as previsões mais precisas (por exemplo, com base nas ações finais) podem ser retidos ou flutuados para o topo de uma fila de prioridade do aplicativo de algoritmo. O usuário pode decidir a qualquer momento se deve ou não definir sua preferência de privacidade (por exemplo, consentimento) de modo a participar neste exemplo de implementação.

[043] A Figura 2B mostra um fluxograma de dados de exemplos de implementações de previsões de ação de usuário. Um usuário (por exemplo, Alice) pode ter selecionado uma foto como ação 240. Em algumas implementações, tirar ou salvar uma foto pode ser considerado como ação 240, o que desencadeia o processo de gerador de previsão 135 ou mecanismo de previsão 150.

[044] Se o mecanismo de previsão 150 é implementado, no bloco 252, IACA associada com ação 240 e / ou a foto correspondente (por exemplo, conteúdo) é extraída. Alguns exemplos de campos da IACA extraída podem incluir um tipo de dados de fotos, uma horodata, a localização da casa, e uma identificação de uma pessoa na fotografia sendo o parente. No bloco 254, um ou mais modelos são identificados ou selecionados com base na IACA extraída. Por exemplo, o modelo M1 apresentado na Tabela 2, pode ser identificado com base no tipo de dados de foto, a localização da casa, e / ou as pessoas sendo um membro da família (por exemplo, parente sendo um membro da família neste exemplo de implementação).

[045] Em algumas implementações, um ou mais modelos podem ser identificados com base em ações ou ações potenciais, tais como compartilhamento de rede social, envio por e-mail, navegação, etc. Em algumas implementações, modelos podem ser selecionados com base em ambas as ações e tipo de dados, tais como compartilhamento de fotos em uma rede social, compartilhamento de conteúdo de áudio em uma rede social, etc.

[046] Se mais do que um modelo é identificado em 254, como no caso da imagem de 15:30 acima com modelos M6 - M8, é feita uma determinação no bloco 256 para usar um ou mais dos modelos identificados. Um exemplo de implementação do bloco 256 pode envolver atribuição de pesos para uma ou mais peças ou campos da IACA extraída. Por exemplo, tipo de dados pode ser atribuído um peso de X; localização, um peso de Y, e pessoas, um peso de Z. Se cada de X, Y, Z é suficiente para atingir um nível de limiar, então um modelo com o maior peso é escolhida. Se for necessária a combinação de dois ou mais pesos X, Y e Z para atingir o nível de limiar, então os modelos que contribuem para a soma dos pesos que satisfazem o nível de limiar são escolhidos. Se mais do que uma previsão pode ser prevista a partir dos modelos escolhidos, as previsões podem ser apresentadas ao usuário, a fim de diminuir o peso ou somas de pesos, como mostrado na imagem 300B, Figura 3, que é descrita abaixo. Em algumas implementações, a determinação é feito não usando pesos, mas usando fatores diferentes, que podem ser quaisquer fatores.

[047] Se gerador de previsão 135 é implementado, gerador de previsão 135 pode processar saída existente a partir de aprendizagem de máquina 120 (Figura 1) ou pode solicitar aprendizagem de máquina 120 para fornecer saída sob demanda ou em uma base necessária. Por exemplo, gerador de previsão 135 pode processar ações 140 como descrito na caixa 252. Em vez da caixa 254, gerador de previsão 135 pode solicitar aprendizagem de máquina 120 para gerar saída a partir do histórico 110 com base em IACA de ações 140. Se mais de uma previsão é gerada, as previsões podem ser priorizadas, classificadas, ou reduzidas. Aprendizagem de máquina 120 e gerador de previsão 135 podem funcionar como um mecanismo preditivo de caixa preta que continuam a crescer com base no histórico e 110 retorno a partir da ação definitiva 180. Em algumas implementações, tanto 135 e 150 podem ser implementados com diferentes condutas ou processos para diferentes domínios. Por exemplo, gerador de previsão 135 pode ser implementado no domínio de compartilhamento de fotografias, e mecanismo de previsão 150 pode ser implementado no domínio de navegação de Internet.

[048] No bloco 160, uma ou mais previsões podem ser apresentadas ao usuário (por exemplo, Alice). Em algumas implementações, um usuário pode decidir (por exemplo, por meio da configuração ou definição) que se uma das previsões satisfaz um determinado nível (por exemplo, possui um peso ou a soma dos pesos de 80% ou 90%), esta previsão pode ser selecionada automaticamente e usada sem a entrada de um usuário consentindo (por exemplo, compartilha automaticamente a imagem de 15:30 para círculo social online “família” de Alice sem apresentar as previsões para Alice para seleção, embora Alice tenha dado consentimento prévio para utilização do sistema). Se uma ou mais previsões são apresentadas ao usuário a 160, o usuário pode fornecer a entrada 170 através de uma interface de usuário (não mostrada) para identificar ou selecionar uma das previsões. O usuário também pode fornecer entrada (por exemplo, quem compartilha conteúdo com e / ou como compartilhar o conteúdo por, etc.) que não está em nenhuma das previsões. A entrada do usuário pode ser fornecida como um retorno para, por exemplo, histórico 110 na Figura 1. A máquina de aprendizagem 120 pode incorporar ou levar conta para o retorno do usuário em geração de modelos e / ou alterações de um ou mais modelos já gerados. Em algumas implementações, modelos preditivos 130 podem ser geridos por um gestor que muda ou apaga um ou mais modelos com base no retorno do usuário.

[049] Tal como acontece com os exemplos de implementações anteriores, o usuário permanece no controle de se este recurso é usado (por exemplo, consentimento), e pode a qualquer momento decidir não usar esse recurso.

[050] No bloco 180, a ação final é tomada, como compartilhar a imagem de 15:30 círculo social online de Alice "Família" em uma rede social, o envio de um documento por e-mail para os destinatários identificados, comutar ou usar o modo privado de um navegador para visitar um site, etc.

[051] A Figura 3 mostra exemplos de interfaces de usuário de acordo com alguns exemplos de implementações. A interface de usuário aqui é descrita usando capturas de tela 300A-300C de um dispositivo móvel. Na captura de tela 300A, um usuário realiza uma ação (240, Figura 2B), que pode ser tirar uma foto, salvar uma foto ou selecionar uma foto. Em algumas implementações, tal como mostrado na imagem 300B, ação 240 é mapeada para uma maior certeza da intenção do usuário, tal como o usuário pressionar o botão "Compartilhar" 310. Em seguida, o processo do mecanismo de previsão (por exemplo, blocos 252-256) é executado para chegar a uma ou mais previsões 160, como descrito na Figura 2B. Na Figura 3, as previsões 160 são mostradas nas imagens 300B e 300C. Captura de tela 300B mostra previsões de "compartilhado por" e capturas de tela 300C mostram as previsões de "compartilhado com", que podem ser baseadas em seleções do usuário das previsões "compartilhado por" em captura de tela 300B.

[052] Os exemplos de previsões de "compartilhado por" em captura de tela 300B são "Bluetooth", "Soc-network- Z.com", "E-mail", e outros, que são escondidos no submenu "Ver tudo". As previsões de "compartilhado por" podem ser apresentadas na ordem da maior para a menor das certezas de previsões ou pontuações de peso. Por exemplo, "Bluetooth", pode ter uma pontuação de 90%, "Soc-network-Z.com" pode ter uma pontuação de 88%, e "E-mail" pode ter uma pontuação de 65%. Outras previsões atingindo o limiar de requisito mínimo (por exemplo, 50%) podem ser escondidas no submenu "Ver tudo".

[053] Na captura tela 300B, por exemplo, o usuário fornece entrada para selecionar a opção "Soc-network- Z.com", que pode ser fornecida como um retorno de volta para o sistema tal como descrito acima. A seleção do usuário leva à captura de tela 300C, onde as previsões "compartilhado com" podem ser apresentadas ao usuário. Compartilhar por Soc-network-Z.com 330 é mostrado, e o usuário neste exemplo é John XYZ. Uma previsão é mostrada prevendo que John XYZ gostaria de compartilhar a foto com seu círculo social online “família” 320. John pode inserir mais destinatários e / ou substituir o círculo social online "família", que pode ser fornecido como um retorno de volta para o sistema tal como descrito acima. Como divulgado acima, o exemplo de implementação é realizado apenas com o consentimento do usuário, neste caso John XYZ.

[054] Em captura de tela 300C, a previsão de compartilhar com círculo social online "Família" de John é uma previsão padrão correta baseada em John não alterando a previsão. Quando John pressiona o botão ou widget "Compartilha" 340, a foto tirada na tela 300A é compartilhada com círculo social online "Família" de John em Soc-network-Z.com.

[055] Em algumas implementações, as previsões de "compartilhado por" e as previsões de "compartilhado com" podem ser apresentadas juntas em uma interface de usuário ou na tela. Por exemplo, em captura de tela 300B, ao lado de cada opção "compartilhado por" podem ser uma ou mais opções "compartilhado com".

[056] Dependendo de implementações, diferentes dispositivos ou diferentes aplicativos de um dispositivo podem fazer utilização de previsões de diferentes maneiras. Por exemplo, um aplicativo de câmera pode preencher previamente uma ou mais configurações de compartilhamento com preferências de privacidade previstas (por exemplo, círculo social online "Família"). Em algumas implementações, previsões ou preferências de privacidade podem oferecidas como atalhos e / ou sugestões (por exemplo, além de uma ou mais configurações ou previsões padrão), o que permite ao usuário acessar com um simples toque ou clique. Em todos os exemplos de implementações, o usuário pode decidir não participar ou consentir.

[057] Em algumas implementações, previsão de ação de usuário pode ser implementada para aplicar para compartilhamento de lote (por exemplo, compartilhamento ou envio por e-mail de mídia). Por exemplo, se Alice tira 10 fotos de parente de Alice, em seguida, tira 5 fotos de um colega de trabalho, em seguida, tira mais 10 fotos de parente de Alice, uma implementação de previsão de ação de usuário pode avisar Alice para primeiro compartilhar todas as 20 fotos de parente de Alice com círculo social online "família" de Alice em uma rede social, e então avisar Alice para enviar os 5 fotos do colega de trabalho de Alice por e-mail para a equipe de trabalho da Alice (usando um ou mais endereços de e-mail). Em todos os exemplos de implementações, o usuário permanece no controle de participação, e pode decidir consentir ou não consentir a qualquer momento.

[058] Como descrito acima, previsão de ação de usuário pode ser implementada para aplicar a qualquer conteúdo, utilizando qualquer aplicativo, e em relação a qualquer ação de usuário. Por exemplo, modelos de preferências de privacidade baseados em navegação de Alice podem ser gerados com base em hábitos de navegação de Alice e histórico. Os modelos podem ser utilizados cada vez que Alice está navegando. Um modelo pode indicar que quando Alice navegou alguns tipos de sites (por exemplo, sites de informação de saúde), ela tende a navegar no modo privado do navegador. Aplicar o modelo, quando Alice começa a navegar em um tipo de site que Alice normalmente navega no modo privado (e Alice não está navegando nesse modo), o navegador pode sugerir a Alice para usar o modo privado ou automaticamente ativar o modo privado, com base na configuração ou definições de Alice no navegador. Como observado acima, Alice pode decidir concordar ou não concordar.

[059] A Figura 4 mostra um exemplo de uma implementação de processo. Processo 400 pode ser implementar as operações da Figura 2B e / ou descritas na Figura 3. No bloco 405, uma ação executada por um usuário (por exemplo, a ação 240) é detectada. Em 410, a informação (por exemplo, IACA) associada com a primeira ação e / ou o conteúdo em ligação com a primeira ação é recolhida, coletada, identificada, ou extraída. Em 415, um ou mais modelos preditivos com base na informação coletada em 410 são identificados, selecionados, ou recuperados. Em 420, os níveis de aplicabilidade dos modelos preditivos para a primeira ação são determinados, por exemplo, utilização de pesos como descrito no bloco 256, Figura 2B. Cada modelo preditivo sugere ou prevê pelo menos uma ação prevista (por exemplo, uma ação de selecionar quem compartilhar conteúdo com e / ou uma ação de selecionar a forma como o conteúdo é compartilhado por, como usar o aplicativo para compartilhar o conteúdo).

[060] Em 425, uma ou mais ações previstas pelos modelos, determinadas a serem usadas com base nos níveis de aplicabilidade atingindo um nível de limiar, são fornecidas ou apresentadas em uma interface de usuário. Em 430, entrada de um usuário é recebida selecionando uma ação prevista ou outra ação prevista (ou modificando uma ação prevista ou fornecendo uma ação não prevista). A ação selecionada em 430 é realizada. A seleção ou entrada do usuário pode ser fornecida como um retorno para o sistema, por exemplo, para melhorar o sistema (por exemplo, precisão, desempenho, previsões, etc.).

[061] Em alguns exemplos, processo 400 pode ser implementado com diferentes, menos ou mais blocos. Processo 400 pode ser implementado como instruções executáveis por computador, que podem ser armazenadas em um meio, carregadas em um ou mais processadores de um ou mais dispositivos de computação, e executadas como um método implementado por computador.

[062] A Figura 5 mostra um exemplo de ambiente adequado para alguns exemplos de implementações. Ambiente 500 inclui dispositivos 505-545, e cada é comunicativamente ligado a pelo menos um outro dispositivo através de, por exemplo, rede 560 (por exemplo, por conexões com fio e / ou sem fio). Alguns dispositivos podem ser comunicativamente ligados a um ou mais dispositivos de armazenamento 530 e 545.

[063] Um exemplo de um ou mais dispositivos 505-545 pode ser dispositivo de computação 605 descrito abaixo na Figura 6. Dispositivos 505-545 podem incluir, mas não estão limitados a, um computador 505 (por exemplo, um dispositivo de computação portátil), um dispositivo móvel 510 (por exemplo, telefone inteligente ou tablet), uma TV 515, um dispositivo associado com um veículo 520, um computador servidor 525, dispositivos de computação 535-540, dispositivos de armazenamento 530 e 545.

[064] Em algumas implementações, dispositivos 505-520 podem ser considerados dispositivos de usuários, tais como dispositivos utilizados pelos usuários para criar conteúdo e / ou emitir pedidos, tais como compartilhamento de conteúdo em uma rede social. Dispositivos 525-545 podem ser dispositivos associados com prestadores de serviços (por exemplo, usado por prestadores de serviços para prestação de serviços e / ou armazenamento de dados, como páginas de internet, textos, partes de texto, imagens, porções de imagem, áudio, segmentos de áudio, vídeos, segmentos de vídeo, e / ou informação sobre os mesmos).

[065] Por exemplo, um usuário (por exemplo, Alice) pode acessar, visualizar e / ou compartilhar conteúdo ou uma foto usando o dispositivo de usuário 510 em uma rede social apoiada por um ou mais dispositivos 525-545. Dispositivo 510 pode estar executando um aplicativo que implementa ações de usuário guiadas ou previsão de ação de usuário. Depois de Alice tirar uma fotografia com o dispositivo 510, como mostrado na Figura 3, Alice toca no botão "Compartilhar" 310. O aplicativo que implementa ações de usuário guiadas usou modelos gerados com base em dados do histórico de Alice usados para fornecer uma ou mais previsões, como mostrado nas capturas de tela 300B-C. Alice toca no botão "Compartilhar" 340 para aceitar a ação de compartilhamento padrão ou prevista, que pode incluir com quem compartilhar a foto e como compartilhar a foto (por exemplo, usando o aplicativo ou serviço para compartilhar a foto).

[066] A Figura 6 mostra um exemplo de um ambiente de computação com dispositivo de computação de exemplo adequado para utilização em alguns exemplos de implementações. Dispositivo de computação 605 em ambiente de computação 600 pode incluir uma ou mais unidades de processamento, núcleos, ou processadores 610, memória 615 (por exemplo, RAM, ROM, e / ou semelhantes), armazenamento interno 620 (por exemplo, armazenamento de estado sólido, óptico, magnético, e / ou orgânico), e / ou interface de I/O 625, qualquer um dos quais pode ser acoplado com um mecanismo de comunicação ou barramento 630 para comunicar informação ou incorporado no dispositivo de computação 605.

[067] Dispositivo de computação 605 pode ser comunicativamente acoplado para interface de entrada / usuário 635 e um dispositivo / interface de saída 640. Um ou ambos de interface de entrada / usuário 635 e um dispositivo / interface de saída 640 podem ter uma interface com fio ou sem fio e podem ser desmontáveis. Interface de entrada / usuário 635 pode incluir qualquer dispositivo, componente, sensor, ou interface, físico ou virtual, que pode ser usado para fornecer a entrada (por exemplo, botões, interface de tela de toque, teclado, um controle de apontamento / cursor, microfone, câmera, braile, sensor de movimento, leitura óptica, e / ou semelhantes). Dispositivo / interface de saída 640 pode incluir uma tela, televisão, monitor, impressora, alto- falante, braile, ou algo semelhante. Em alguns exemplos de implementações, interface de entrada / usuário 635 e interface / dispositivo de saída 640 pode ser encaixado com ou fisicamente acoplado ao dispositivo de computação 605. Em outras implementações de exemplo, outros dispositivos de computação podem funcionar como ou fornecer as funções de interface de entrada / usuário 635 e dispositivo / interface de saída 640 para um dispositivo de computação 605.

[068] Os exemplos de dispositivo de computação 605 podem incluir, mas não estão limitados a, dispositivos altamente móveis (por exemplo, telefones inteligentes, dispositivos em veículos e outras máquinas, dispositivos transportados pelos seres humanos e animais, e afins), dispositivos móveis (por exemplo, tablets, notebooks, laptops, computadores pessoais, televisores portáteis, rádios e similares) e dispositivos não concebidos para a mobilidade (por exemplo, computadores de mesa, outros computadores, quiosques de informação, televisões com um ou mais processadores incorporados nas mesmas e / ou acoplados nas mesmas, rádios, e semelhantes).

[069] Dispositivo de computação 605 pode ser comunicativamente acoplado (por exemplo, através da interface de I / O 625) para o armazenamento externo 645 e rede 650 para comunicar com qualquer número de componentes, dispositivos e sistemas de rede, incluindo um ou mais dispositivos de computação da mesma configuração ou diferente. Dispositivo de computação 605 ou qualquer dispositivo de computação conectado pode estar funcionando como, fornecendo serviços de, ou referidos como um servidor, cliente, servidor fino, máquina geral, máquina de propósito especial, ou outro rótulo.

[070] Interface de I / O 625 pode incluir, mas não está limitada a, interfaces com fio e / ou sem fio usando qualquer comunicação ou protocolos de I / O ou padrões (por exemplo, Ethernet, 802. 11x, Barramento de Sistema Universal, WiMax, modem, um protocolo de rede celular, e semelhantes) para comunicação de informação para e / ou a partir de pelo menos todos os componentes, dispositivos, e rede conectados em ambiente de computação 600. Rede 650 pode ser qualquer rede ou combinação de redes (por exemplo, a Internet, uma rede local, uma rede de área ampla, uma rede telefônica, uma rede celular, rede de satélite, e semelhantes).

[071] Dispositivo de computação 605 pode usar e / ou comunicar usando meios utilizáveis por computador ou legíveis por computador, incluindo meios transitórios e meios não transitórios. Meios transitórios incluem meios de transmissão (por exemplo, cabos de metal, fibra óptica), sinais, ondas portadoras, e semelhantes. Meios não transitórios incluem meios magnéticos (por exemplo, discos e fitas), meios óticos (por exemplo, CD-ROM, discos de vídeo digitais, discos Blu-ray), meios de estado sólido (por exemplo, RAM, ROM, memória flash, armazenamento de estadi sólido), e outro tipo de armazenamento ou memória não volátil.

[072] Dispositivo de computação 605 pode ser utilizado para implementar as técnicas, métodos, processos, aplicativos ou instruções executáveis por computador em alguns ambientes de computação de exemplo. As instruções executáveis por computador podem ser recuperadas a partir dos meios transitórios, e armazenadas e recuperadas de meios não transitórios. As instruções executáveis podem se originar de um ou mais de qualquer tipo de linguagens de scripting, de programação e de máquina (por exemplo, C, C ++, C #, Java, Visual Basic, Python, Perl, JavaScript, e outros).

[073] Processador (es) 610 pode executar em qualquer sistema operacional (OS) (não mostrado), em um ambiente nativo ou virtual. Um ou mais aplicativos podem ser implantados, que incluem unidade lógica 660, unidade de interface de programação de aplicativo (API) 665, unidade de entrada 670, unidade de saída 675, gestão de modelos 680, processamento de ações 685, mecanismo de previsão 690, e mecanismo de comunicação entre unidades 695 para as diferentes unidades comunicarem umas com as outras, com o sistema operacional, e com outros aplicativos (não mostrados). Por exemplo, gestão de modelos 680, processamento de ações 685, e mecanismo de previsão 690 podem implementar um ou mais processos descritos e mostrados nas Figuras 1-5. As unidades e os elementos descritos podem ser variados em desenho, função, configuração, ou aplicação e não estão limitados às descrições fornecidas.

[074] Em alguns exemplos de implementações, quando a informação ou uma instrução de execução é recebida pela unidade de API 665, ela pode ser comunicada a uma ou mais outras unidades (por exemplo, unidade lógica 660, unidade de entrada 670, unidade de saída 675, gestão de modelos 680, processamento de ações 685, e mecanismo de previsão 690). Por exemplo, após a unidade de entrada 670 detectar uma ação do usuário, mecanismo de previsão 690 processa esta ação e interage com gestão de modelos 680 para recuperar um ou mais modelos preditivos para fornecer uma ou mais ações previstas. Os modelos podem ser gerados por processamento de ações 685 com base em ações anteriores ou histórico de usuário. Unidade de entrada 670 pode então fornecer a entrada a partir de uma seleção de usuário ou modificar uma das ações previstas. Unidade de saída 675, em seguida, executa a ação final com base na entrada do usuário.

[075] Em alguns casos, a unidade lógica 660 pode ser configurada para controlar o fluxo de informação entre as unidades e dirigir os serviços fornecidos pela unidade de API 665, unidade de entrada 670, unidade de saída 675, gestão de modelos 680, processamento de ações 685, e mecanismo de previsão 690 em alguns exemplos de implementações acima descritos. Por exemplo, o fluxo de um ou mais processos ou implementações pode ser controlado pela unidade lógica 660 por si só ou em conjunto com a unidade de API 665.

[076] Em situações em que os sistemas discutidos aqui recolhem informação pessoal sobre os usuários, ou podem fazer utilização de informação pessoal, os usuários podem ser fornecidos com uma oportunidade de controlar se os programas ou recursos coletam informação do usuário (por exemplo, informação sobre uma rede social do usuário, ações sociais ou atividades, profissão, preferências do usuário, ou localização atual do usuário), ou para controlar se e / ou como receber conteúdo a partir do servidor de conteúdo que pode ser mais relevante para o usuário. Além disso, certos dados podem ser tratados em uma ou mais formas antes de serem armazenados ou usados, de modo que informação pessoalmente identificável é removida. Por exemplo, a identidade de um usuário pode ser tratada de modo que nenhuma informação pessoalmente identificável possa ser determinada para o usuário, ou localização geográfica de um usuário possa ser generalizada onde a informação de localização é obtida (como uma cidade, CEP, ou nível estadual), de modo que um determinado local de um usuário não possa ser determinado. Assim, o usuário pode ter controle sobre como a informação é recolhida sobre o usuário e utilizada por um servidor de conteúdo.

[077] Embora alguns exemplos de implementações tenham sido apresentados e descritos, essas implementações de exemplo são fornecidas para transmitir o assunto aqui descrito para as pessoas que estão familiarizadas com este campo. Deve entender-se que o assunto aqui descrito pode ser implementado de várias formas sem estar limitado aos exemplos de implementações descritos. O assunto aqui descrito pode ser praticado sem essas matérias especificamente definidas ou descritas ou com outros ou diferentes elementos ou questões não descritos. Será apreciado por aqueles que estão familiarizados com este campo que podem ser feitas alterações nestes exemplos de implementações sem se afastar do assunto aqui descrito, tal como definido nas reivindicações anexas e seus equivalentes.

Claims (9)

1. Método implementado por computador para prever preferências de compartilhamento de privacidade, caracterizado pelo fato de que compreende: detectar, por uma interface de entrada, uma primeira ação executada por um usuário; coletar informação associada com a primeira ação; aplicar aprendizagem de máquina (120) para gerar um modelo preditivo (130), baseado na informação e ações passadas de compartilhamento associada com a informação, em que a aprendizagem de máquina (120) é aplicada como uma caixa preta que recebe as ações de compartilhamento passadas e emite o modelo preditivo (130), e sendo que uma pluralidade de condutas são providas para uma pluralidade de respectivos domínios, cada uma das condutas aplicando aprendizagem de máquina (120); recuperar o modelo preditivo (130) com base na informação, em que o modelo preditivo (130) é configurado para prever preferências de compartilhamento de privacidade; determinar um nível de aplicabilidade do modelo preditivo para a primeira ação, em que o modelo preditivo sugere uma segunda ação; apresentar a segunda ação ao usuário na interface de usuário quando o nível de aplicabilidade excede um primeiro nível de limiar associado com um grau de compartilhamento de conteúdo associado à primeira ação; receber entrada a partir do usuário selecionar a segunda ação ou uma terceira ação para o nível de aplicabilidade que excede o primeiro nível de limiar e não excede um segundo nível de limiar que excede o primeiro nível de limiar, e para o nível de aplicabilidade excedendo o segundo nível de limiar, automaticamente selecionar a segunda ação ou a terceira ação baseada na segunda ação fornecida sem receber a entrada do usuário.

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a primeira ação compreende navegar em um ou mais sites online em um modo aberto, e em que apresentar a segunda ação compreende prover o usuário com uma opção para comutar do modo livre para o modo privado, sendo que a aprendizagem de máquina (120) é aplicada para ajustar o sistema com base na entrada (170) do usuário associada com a opção provida.

3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a primeira ação compreende identificar o conteúdo e a segunda ação compreende selecionar um aplicativo para processar o conteúdo.

4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a primeira ação inclui acessar um site e a segunda ação compreende selecionar um modo de um navegador para acessar o site.

5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a pluralidade de condutas compreende uma primeira conduta associada com a atividade de navegação, uma segunda conduta associada à atividade de compartilhamento em um círculo social online de uma rede social, e uma terceira conduta associada à comunicação por e-mail.

6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a determinação do nível de aplicabilidade do modelo preditivo (130) para a primeira ação compreende: realizar um cálculo ponderado de atributos associados com o modelo preditivo (130); e determinar que uma combinação de pelo menos parte do cálculo ponderado dos atributos atinge o nível de limiar.

7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a entrada (170) a partir do usuário selecionando a segunda ação ou uma terceira ação modifica o modelo preditivo (130).

8. Meio legível por computador não transitório, caracterizado pelo fato de que tem instruções executáveis por computador armazenadas no mesmo para realizar o método conforme definido em qualquer uma das reivindicações 1 a 7.

9. Pelo menos um dispositivo de computação, caracterizado pelo fato de que compreende armazenamento e um processador configurado para executar o método conforme definido em qualquer uma das reivindicações 1 a 7.

Images