CN101437312B

CN101437312B - 一种手机来电智能提示方法

Info

Publication number: CN101437312B
Application number: CN2008101806700A
Authority: CN
Inventors: 罗匡; 谭继志; 陈文广; 王衡; 汪国平
Original assignee: Peking University
Current assignee: Peking University
Priority date: 2008-06-16
Filing date: 2008-11-19
Publication date: 2011-08-24
Anticipated expiration: 2028-11-19
Also published as: CN101437312A

Abstract

本发明公开了一种手机来电智能提示方法，属于信息技术领域。本发明方法包括下列步骤：a)搜集保存用户以往和外界进行联系的数据并储存；b)按照统一的方式提示来电，用户处理来电后输入对该来电期望的提示方式，保存数据并建立模型，直至模型达到预期；c)根据所述模型设定的提示方法提示来电，用户处理来电后评价对该来电的提示方式，保存数据并更新模型，直至模型达到预期；d)根据更新后的模型设定的提示方法提示来电。本发明方法可根据用户的使用习惯自动根据来电的联系人，来电时间以及用户的日程信息等等智能化地选择用户偏爱的提示方式，更好地满足用户的需求，具有较好的应用前景。

Description

一种手机来电智能提示方法

技术领域

本发明涉及一种手机来电智能提示方法，属于信息技术领域。

背景技术

手机在人们的生活中扮演着越来越重要的角色，为人们的联络沟通提供了无法替代的便利性。

为了满足不同场合的需要，手机通常具有多种工作模式，比如，静音，振动等等。但遗憾的是，一旦将手机置于某种工作模式，则手机将按照该模式设定的规则统一处理来电，无论联系人是谁，这常常给用户带来诸多不便甚至麻烦。比如，手机处于静音状态，则即使是来自重要客户的电话，用户一般也很难得知。另外，用户在改变手机的使用环境时经常忘记手动修改手机的工作模式，由此带来诸多不便，比如，用户由户外进入会议室或演出场所后忘记将手机由一般模式设为静音状态，则很可能出现手机铃声破坏气氛的尴尬情形。

因此，提出一种能够根据用户的使用习惯自动根据来电的联系人，来电时间以及用户的日程信息等等智能化地选择用户偏爱的提示方式将可以解决上述问题，具有较好的应用前景。

发明内容

本发明的目的在于提供一种来电智能提示方法。

本方法与其他方法不同之处在于：根据用户接听来电的历史记录，自动学习用户的偏好，并预测下一次来电最适合的提示方式，方便用户以最正确的方式接听电话，并且不需要用户手动的设置手机的情景模式。该方法的流程为：

1)进行数据搜集，得到用户接听来电的历史数据；

2)进行有指导的学习阶段；

3)进行预测-反馈阶段；

4)进行实际预测阶段。

上述需要预测的提示方式优选包括：静音、振动、响铃、响铃+振动。

上述步骤1)中数据搜集过程可以是：

a)按时间顺序，读取用户手机上的通话记录，将其中的来电记录保存到来电数据集V₁中，去电记录保存到去电数据集V₂中；

b)按照时间顺序，读取用户手机上短信收件箱的短信记录，将接收到的短信信息保存到接收短信数据集V₃中；

c)按照时间顺序，读取用户手机上已发送短信夹的短信记录，将已发送的短信信息保存到已发送短信数据集V₄中；

d)按照时间顺序，读取用户PC上outlook收件箱的e-mail记录，将接收到的e-mail信息保存到接收e-mail数据集V₅中；

e)按照时间顺序，读取用户PC上outlook已发送邮件箱的e-mail记录，将已发送的e-mail信息保存到已发送e-mail数据集V₆中。

上述步骤2)中所述的“有指导的学习阶段”不进行来电的智能提示，而是为用户返回统一的提示方式，比如振动提示，通话结束后让用户根据实际情况指定最希望的一种提示方式，比如从静音、响铃、振动、响铃+振动四种提示方式中选择一种，然后将本次来电数据保存在数据文件中，该数据包含着用户接听来电的个性化偏好，下表1给出了一种可能的数据格式：

表1：来电信息提取格式

一条典型的接听记录向量举例如下：

{是，朋友，平级，工作，忙，5，51，52，72，1425，354，93，137，2，19，35，39，156，35，139，9，97，12，103，立即接听，振动}

该阶段结束后，数据文件中将包含若干条和上述向量类似的接听记录向量作为机器学习的样本集，以系统反馈属性作为分类属性，可以将某种机器学习(或称数据挖掘)算法应用于该样本集上进行学习，形成关于系统反馈的规则集(例如使用决策树或基于规则的学习方法等)或关于系统反馈知识的某种表示(例如使用神经网络方法等)。可以选择的机器学习算法包括经典的决策树算法、支持向量机算法、基于规则的学习算法、神经网络算法、贝叶斯网络算法以及这些算法的各种衍生算法等。机器学习算法生成的规则集可以作为知识存储下来，以后根据来电的可观测属性，利用这些规则，对系统反馈方式进行预测。

学习算法对样本集处理后生成的结果即可作为针对该用户关于系统反馈的知识表示。例如其中的一种选择是用决策树算法C4.5作为学习算法，则生成的结果为一棵树，其形式类似于下述这棵树：

联系人类别＝老师

|长期接收短信频率<＝3：振动

|长期接收短信频率>3：响铃+振动

联系人类别＝同学：振动

联系人类别＝朋友

|短期来电频率<＝11：振动

|短期来电频率>11

||与上次短信时间间隔<＝5：响铃

||与上次短信时间间隔>5

|||短期接收短信频率<＝68

||||通话时长<＝61：振动

||||通话时长>61：响铃

|||短期接收短信频率>68：振动

联系人类别＝家人：响铃+振动

联系人类别＝学生：振动

联系人类别＝同事：振动

联系人类别＝其他：振动

联系人类别＝未知：振动

该树即为该用户的规则集，可以用来对未来来电的系统反馈方式做出预测决策。

上述步骤3)中所述的“预测-反馈”阶段根据b)中学习到的用户模型对新的来电进行预测，通话结束后让用户评价本次预测是否是他/她最希望的提示方式，如果预测不准确，需要对模型进行更新。该阶段结束后，产生最终的用户模型。

上述步骤4)中所述的“实际预测”阶段根据c)中得到的最终用户模型对一个新的来电进行预测，并实际向用户反馈这种预测。

本发明方法可根据用户的使用习惯自动根据来电的联系人，来电时间以及用户的日程信息等等智能化地选择用户偏爱的提示方式，更好地满足用户的需求，具有较好的应用前景。

附图说明

图1是本发明实施例系统结构示意图。

图2是本发明实施例方法流程化示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本实施例采用如附图1所示的系统实施本发明方法。

如附图1所示，该系统由PDA端和PC端组成，其中该PDA具有手机的所有功能。其中PDA端又由数据搜集模块、预处理模块、网络连接模块和预测模块组成；PC端又由数据搜集模块、预处理模块、网络连接模块和机器学习模块组成。

用户与PDA和PC的交互信息由各自的数据搜集模块进行搜集，得到的原始数据经过预处理过程产生结构化的数据。PDA端的交互数据通过网络连接模块传递到PC端，与PC端的交互数据进行整合，产生基于向量表示的数据，然后在PC的机器学习模块产生用户模型。该用户模型通过PC的网络连接模块更新到PDA端，当有一个新的来电到来的时候，PDA端的预测模块根据用户模型对本次来电的提示方式进行预测，然后反馈给用户。

本方法最重要的部分是全面的获取用户与他人联系的信息，该信息整合了移动设备与PC各自的信息。其中在移动设备上主要考察用户与他人通过短信和电话进行联系的信息，而在PC上则包括了e-mail、各种即时聊天工具如msn、qq、gtalk等，以及用户论坛和网络blog的留言等。

本实施例方法的流程图如附图2所示：

1)事件监测模块得到用户来电消息；

2)获取本次来电相关信息，将信息格式化为一个n维向量，向量中的每一维表示其中某个属性的值；

3)判断当前是否属于有指导的学习阶段，若否转9)；

4)给出某种统一的提示，如振动；

5)要求用户指定本次来电最希望的提示方式，将该方式作为类标签加到2)中获取的n维向量中，得到一个新的n维向量；

6)将5)中得到的n维向量写入数据文件；

7)判断有指导的学习阶段是否结束，若否转13)

8)采用机器学习的方法对数据文件中的若干n维向量进行学习，建立基于向量空间的用户模型，转13)。其中可以选择的机器学习算法包括经典的决策树算法、支持向量机算法、基于规则的学习算法、神经网络算法、贝叶斯网络算法以及这些算法的各种衍生算法等。

9)根据用户模型进行预测，并给出预测的提示方式

10)判断当前是否属于预测-反馈阶段，若否转13)

11)要求用户判断本次预测的提示方式是否准确

12)根据用户评价结果对模型进行更新

13)结束

其中，步骤2)中得到n维向量的方法如下：

1)得到本次来电的时间t，来电人姓名n1，来电号码n2；

2)根据n1读取手机上通讯录，得到联系人的类别c和地位高低p；

3)根据n1，读取手机上开始时间t1和结束时间t2构成的闭区间[t1，t2]包含t的日程的活动名称a，以及忙碌状态b；

4)根据t、n1和n2从2小节的V₁中得到相同来电的长短期频率f1和f2，以及本次来电与上次来电的时间间隔i1；

5)根据t、n1和n2从2小节的V₂中得到相同去电的长短期频率f3和f4，以及本次来电与上次来电的时间间隔i2；

6)根据t、n1和n2从2小节的V₃中得到与本次来电人联系时接收短信的长短期频率f5和f6，以及本次来电与上次接收短信的时间间隔i3；

7)根据t、n1和n2从2小节的V₄中得到与本次来电人联系时发送短信的长短期频率f7和f8，以及本次来电与上次发送短信的时间间隔i4；

8)根据t、n1从2小节的V₅中得到与本次来电人联系时接收e-mail的长短期频率f9和f10，以及本次来电与上次接收e-mail的时间间隔i5；

9)根据t、n1从2小节的V₆中得到与本次来电人联系时发送e-mail的长短期频率f11和f12，以及本次来电与上次发送e-mail的时间间隔i6；

10)通话结束，获取本次通话时长d；

11)计算t之前所有相同来电的平均通话时长ad1，以及相同去电的平均通话时长ad2。

其中，上述步骤2)到11)中的c，p，a，b，f1-f12，i1-i6，d，ad1，ad2就是n维向量中的属性。

Claims

1.一种手机来电智能提示方法，所述方法包括有指导的学习阶段和预测-反馈阶段，所述有指导的学习阶段不进行来电的智能提示，而是为用户返回统一的提示方式，通话结束后让用户根据实际情况指定最希望的一种提示方式，然后将本次来电数据保存在数据文件中，该数据包含着用户接听来电的个性化偏好，

所述方法包括下列步骤：

a)搜集保存用户以往和外界进行联系的数据并储存；

b)按照统一的方式提示来电，用户处理来电后输入对该来电期望的提示方式，保存数据并采用机器学习方法建立模型；

c)根据所述模型设定的提示方法提示来电，用户处理来电后评价对该来电的提示方式，保存数据并更新模型；

d)根据更新后的模型设定的提示方法提示来电。

2.如权利要求1所述的方法，其特征在于：步骤c)和d)所述提示方法包括：静音，振动，响铃和，响铃+振动。

3.如权利要求1所述的方法，其特征在于：步骤a)所述数据包括：用户的来电通话记录，去电通话记录，接收短信记录，发送短信记录，接收邮件记录和，发送邮件记录；所述数据分别储存于各自的数据集中。

4.如权利要求1所述的方法，其特征在于：步骤b)所述统一的方式为振动提示。

5.如权利要求1所述的方法，其特征在于，步骤b)所述机器学习方法选自决策树算法、支持向量机算法、基于规则的学习算法、神经网络算法、贝叶斯网络算法和它们的衍生算法。