CN103154940A

CN103154940A - 数据收集系统中的数据模型模式更新

Info

Publication number: CN103154940A
Application number: CN2010800694506A
Authority: CN
Inventors: 约翰·吉尔姆; 马蒂亚斯·利德斯特伦; 莫娜·马蒂
Original assignee: Telefonaktiebolaget LM Ericsson AB
Current assignee: Telefonaktiebolaget LM Ericsson AB
Priority date: 2010-10-04
Filing date: 2010-10-04
Publication date: 2013-06-12
Also published as: US9805111B2; WO2012047138A1; US20130311468A1; EP2625630A1; EP2625630A4

Abstract

数据收集系统(10)的模式处理节点(21)中的模式分析设备(27)包括：模式更新单元，配备有模式收集元件，被配置为根据至少一个现有数据模型来获得历史数据的现有模式，其中，所述现有模式与和所述数据收集系统关联的实体(11)有关；以及根据另一数据模型来获得较新数据的另一模式，其中，所述另一模式也与所述实体有关；模式更新元件，被配置为对所述模式彼此进行比较，确定是否能够将所述现有数据模型映射在所述另一数据模型上，以及如果能够将所述现有数据模型映射在所述另一数据模型上，则针对所述历史数据以所述另一模式来更新所述现有模式。

Description

数据收集系统中的数据模型模式更新

技术领域

本发明通常涉及识别数据收集系统中的数据中的模式。更具体地，本发明涉及用于根据至少一个数据模型来改变数据中的模式的方法、模式分析设备计算机程序和计算机程序产品。

背景技术

为了获得与各种类型的消费者行为相关的信息，对各种情况下的用户简档(profile)感兴趣。例如，对获得与用户在零售店(比如超市)中的购物习惯相关的这种简档感兴趣。

对用户简档感兴趣的另一领域是通信领域，例如无线通信。在此，出于各种原因(例如对将要提供给用户的服务进行计费和识别)，对用户简档(例如用户使用通信网络的方式)感兴趣，但用户简档也与如何管理并且度量网络相关。

然后一般基于在用户环境中所收集的数据来确定用户简档。更具体地，用户简档一般基于所收集的数据中的模式。基于大量数据，则有可能使用例如机器学习来获得数据中的模式。然后将一个或多个这种模式用于获得用户简档。与机器学习技术相关的示例包括支持矢量机器和主分量分析。

当基于数据来获得用户简档时，这些类型的技术是有用的。然而，如果产生简档所基于的数据以引入新的数据类型的方式随时间改变，则基于较旧数据的较旧简档的准确度不可靠，并且因此使用较旧简档可以是有风险的。

本发明针对允许继续使用现有简档。

发明内容

本发明因此针对允许新数据影响基于历史数据产生的简档。

本发明的一个目的因此是允许新数据影响基于历史数据产生的简档。

根据本发明的第一方面，该目的通过一种用于根据至少一个数据模型来改变数据中的模式的方法来实现，其中，根据实体在数据库中对所述数据进行分组，在数据收集系统的模式处理节点中执行所述方法。所述方法包括以下步骤：

根据至少一个现有数据模型获得历史数据的现有模式，其中，所述现有模式与和所述数据收集系统关联的实体有关，

根据另一数据模型获得较新数据的另一模式，其中，所述另一模式也与所述实体有关，

对模式彼此进行比较，

基于所述比较来确定是否能够将所述现有数据模型映射在所述另一数据模型上，以及

如果能够将所述现有数据模型映射在所述另一数据模型上，则针对所述历史数据以所述另一模式来更新所述现有模式。

根据本发明的第二方面，该目的通过一种数据收集系统的模式处理节点中的模式分析设备来实现，所述模式分析设备包括：

模式更新单元，配备有：

模式收集元件，被配置为根据至少一个现有数据模型来获得历史数据的现有模式，其中，所述现有模式与和所述数据收集系统关联的实体有关，以及

根据另一数据模型获得较新数据的另一模式，其中，所述另一模式也与所述实体有关，以及

模式更新元件，被配置为：

根据本发明的第三方面，该目的通过一种用于根据至少一个数据模型来改变数据中的模式的计算机程序来实现，其中，根据实体在数据库中对所述数据进行分组，所述计算机程序包括计算机程序代码，当所述计算机程序代码在数据收集系统的模式处理节点的计算机中的处理器上运行时使得所述计算机：

对模式彼此进行比较，

本发明的第四方面针对一种包括根据第三方面的计算机程序以及存储所述计算机程序的计算机可读装置在内的计算机程序产品。

根据这些方面的本发明具有很多优点。本发明使得有可能在由于数据模型更丰富而造成模式变得更丰富的情况下在实体的简档中包括所述模式。以此方式，有可能使用与新数据相结合的现有数据以获得简档，这可以加速对简档的确定。因此可以快速获得可靠的简档。还存在对数据模型以及模式的更高效的使用。

根据本发明的一种变形，每个模式包括多个属性。

根据该变形，所述方法中的比较模式的步骤包括：对所述模式的属性彼此进行比较，其中，每个属性对应于数据模型的数据，以及更新的步骤包括：将所述另一模式的属性添加到所述现有模式。

根据该变形，所述模式更新元件当被配置为比较模式时还被配置为对所述模式的属性彼此进行比较，其中，每个属性对应于数据模型的数据，以及当被配置为更新模式时还被配置为将所述另一模式的属性添加到所述现有模式。

根据该变形，所述计算机程序和计算机程序产品的计算机程序代码还被配置为当比较模式时对所述模式的属性彼此进行比较包括，其中，每个属性对应于数据模型的数据，当更新模式时将所述另一模式的属性添加到所述现有模式。

根据本发明的另一变形，每个模式被作为矢量加以提供。

根据该变形，所述比较步骤包括：确定所述矢量之间的距离，以及确定是否能够将所述现有数据模型映射在所述另一数据模型上的步骤包括：对所述距离与距离阈值进行比较。

根据本发明的该变形，所述模式更新元件当被配置为比较模式时还被配置为：确定所述矢量之间的距离，以及当确定是否能够将所述现有数据模型映射在所述另一数据模型上时对所述距离与距离阈值进行比较。

根据本发明的同一变形，所述计算机程序和计算机程序产品的计算机程序代码使得所述计算机：当比较模式时确定所述矢量之间的距离，并且当确定是否能够将所述现有数据模型映射在所述另一数据模型上时对所述距离与距离阈值进行比较。

根据本发明的其它变形，在考虑策略集合的同时进行模式的比较。在此，所述策略集合可以包括关于至少一个属性的绝对策略。所述策略集合也可以包括关于至少一个属性的聚集(aggregate)策略。

在本发明的另一变形中，对所述现有模式与所述另一模式进行比较的步骤包括：根据所述另一数据模型，在所述较新数据中关于所述现有模式的出现来比较所述另一模式的出现，以及所述更新步骤包括：按照与在所述较新数据中相同的关系，用所述另一模式来更新所述现有模式。

在本发明的该变形中，所述模式更新元件当被配置为比较模式时还被配置为：根据所述另一数据模型，在所述较新数据中关于所述现有模式的出现来比较所述另一模式的出现，并且当更新所述现有模式时，按照与在所述较新数据中相同的关系，用所述另一模式来更新所述现有模式。

在本发明的该变形中，所述计算机程序和计算机程序产品的计算机程序代码使得所述计算机：当对所述现有模式与所述另一模式进行比较时，根据所述另一数据模型，在所述较新数据中关于所述现有模式的出现来比较所述另一模式的出现，并且当更新所述现有模式时，按照与在所述较新数据中相同的关系，用所述另一模式来更新所述现有模式。

根据本发明的另一变形，所述方法包括另一步骤：基于至少一些较新数据来识别所述另一模式。

根据本发明的该变形，所述模式分析设备还包括：模式分析单元，被配置为基于所述较新数据中的至少一些来至少识别所述另一模式。

根据本发明的该同一变形，所述计算机程序和计算机程序产品的计算机程序代码使得所述计算机基于所述较新数据中的至少一些来至少识别所述另一模式。

根据本发明的又一变形，所述方法还包括步骤：基于所述另一模式和所述数据模型来确定数据导致新模式的概率，对所述概率与概率阈值进行比较，并且丢弃所述概率落到所述阈值之下的数据。

根据本发明的该变形，所述模式分析设备可以包括：数据丢弃器，其被配置为基于所述另一模式和所述数据模型来确定数据导致新模式的概率，对所述概率与概率阈值进行比较，并且丢弃所述概率落到所述阈值之下的数据。

根据本发明的同一变形，所述计算机程序和计算机程序产品的计算机程序代码使得所述计算机基于所述另一模式和所述数据模型来确定数据导致新模式的概率，对所述概率与概率阈值进行比较，并且丢弃所述概率落到所述阈值之下的数据。

根据又一变形，所述现有模式具有标记。

在该变形中，所述方法还包括步骤：基于已更新的模式来改变所述标记。

根据本发明的同一变形，所述模式更新元件还被配置为基于已更新的模式来改变所述标记。

根据本发明的同一变形，所述计算机程序和计算机程序产品的计算机程序代码使得所述计算机基于已更新的模式来改变所述标记。

在本发明的上下文中，实体是与数据读数或数据相关联的实体，并且可以是数据收集系统的用户、数据收集系统的用户终端的用户以及这种用户终端。因此，所述实体可以是机器。实体也可以是一组这种用户或用户终端或与数据读数关联的系统中的某个其它实体(例如建筑物)。

在此，历史数据是与现有模式关联的数据，即，在已识别出现有模式之前就生成的数据。新数据预期包含在所述历史数据之后(即晚于其)生成的数据，因此，在识别现有模式时尚未考虑该新数据。

与实体有关的模式可以是该实体生成的数据中的模式。其也可以是对该实体进行的活动的测量中的模式。其还可以是由与该实体相关联的设备所产生的数据中的模式或对与该实体相关联的设备进行的活动的测量中的模式。在后一情况下，实体可以是数据通信系统的用户，以及与用户关联的设备可以是该用户的用户终端。

应强调的是：术语“包括/包含”当在本说明书中使用时用于指定所声明的特征、整体、步骤或组件的存在性，但不排除一个或多个其它特征、整体、步骤、组件或其群组的存在性或附加性。”

附图说明

现将结合附图更详细地描述本发明，其中：

图1示意性地示出了用户终端与具有无线通信系统的形式的数据收集系统进行通信，

图2示出了数据收集系统中的模式分析器的简化框图，

图3示出了模式分析器中的模式更新单元的简化框图，

图4示出了在数据收集系统的数据模型分析器中执行的方法步骤的流程图，

图5示意性地示出了在模式分析器的模式分析单元中执行的方法步骤的流程图，

图6示意性地示出了在模式分析器的模式更新单元中执行的方法步骤的流程图，

图7示意性地示出了根据本发明实施例的具有CD ROM盘的形式的计算机程序产品，该CD ROM盘具有执行本发明的功能的计算机程序，

图8示意性地示出了可以实现数据模式处理节点的计算机。

具体实施方式

在以下描述中，为了解释的目的而非限制的目的，阐述具体细节(例如特定架构、接口、技术等)，以提供对本发明的透彻理解。然而，本领域技术人员应理解：可以在脱离这些具体细节的其它实施例中实践本发明。在其它实例中，省略对公知设备、电路和方法的详细描述，以免因不必要的细节而使得本发明的描述不够突出。

本发明大体上针对提供和与数据收集系统关联的实体相关的数据中的模式。这些模式可以用于获得系统中的实体的简档，其中，实体可以是用户。在此，数据收集系统可以是通信系统，并且在此是无线通信系统。其模式被获得的实体可以是该系统的用户，例如用户终端(比如蜂窝电话)的用户或蜂窝电话的用户组。然而，实体也可以是对象(例如用户终端)或与数据读数关联的系统中的某个其它实体(例如提供了系统或一部分系统的建筑物)。系统也可以是除了通信系统之外的另一类型的系统，例如，超市或对映射实体的模式感兴趣的综合服务提供商。

为了满足用户需求，而且也为了更好地设计通信网络以及网络瓶颈，并且使服务适应用户的偏好，对映射实体(例如用户)的行为是感兴趣的。这允许例如电信网络的网络运营商知道什么类型的通信将要得以优先化。与优先化相关的示例是短延迟(这在语音通信中是重要的)以及高带宽(这在大量计算机通信应用中是重要的)。

通过映射实体的行为或模式，则有可能进行涉及网络设计的智能判定。这还允许系统运营商发现需要什么类型的服务以及何时需要，这对于行销和广告目的也是感兴趣的。

这些模式可以基于例如机器学习算法而被识别，并且可以存储在数据库中。然而，系统不是静态的。它们随着时间而改变，服务亦可能如此。这也意味着实体的模式正在改变。这些新服务和模式然后也可以连同先前行为的旧模式一起存储。然而，将感兴趣的是：组合对这些不同情况的学习。因此，将感兴趣的是：利用用户关于新服务的行为，并且将它们也应用在先前行为的现有模式上。因此，感兴趣的是：并非仅丢弃旧历史模式，而是在新环境中利用它们。本发明针对该情况。

现将在通信系统的非限制示例上下文中更详细地描述本发明的第一实施例。图1示出了系统10。在此，系统10可以是蜂窝系统(例如通用移动电信系统(UMTS)网络或长期演进(LTE)系统)。系统可以有利地是IP多媒体子系统(IMS)系统。

存在连接到系统10的与用户相关联的用户终端UT11。在此，用户终端可以是电话(例如移动电话)或计算机(例如膝上型计算机、平板计算机或掌上型计算机)。它们仅是可以与本发明一起使用的用户终端的示例。

用户终端11使用网络接口与系统10通信，在示例实施例中网络接口是空中接口。在此以基站BS12的形式提供该接口，BS12在某个网络中又被称为eNodeB。在系统10中，存在负责通信的不同方面的多个各种节点。在示例系统10中，存在第一通信服务器14(在此，具有服务呼叫会话控制功能(S-CSCF)服务器的形式)、第二通信服务器16(在此，具有代理呼叫会话控制功能(P-CSCF)服务器的形式)以及应用服务器(AS)18。第一通信服务器14和第二通信服务器16的呼叫会话控制功能处理到达用户终端11的通信的连接性方面，而应用服务器18经由这些通信服务器14和16所处理的通信链路来提供服务。作为示例，应用服务器18可以是多媒体电话(MMTEL)服务器或基于蜂窝的即按即说(Push-to-Talk，PoC)服务器。在此，还应注意：在该示例中，系统节点使用通信协议(在该示例中是会话发起协议(SIP))来通信。因此，它们交换SIP消息。在此，应理解：IMS和SIP仅仅是可以使用的一些类型的系统、消息和协议的示例。因此，有可能使用其它类型的系统、消息和协议。关于其它类型的系统的示例是通用接入网络和裸SIP，另一协议的示例是H.323。在IMS的示例中，系统还可以包括各种协议转换节点，用于在IMS/SIP与应用服务器所使用的协议之间进行转换。关于此的示例是IP多媒体服务交换功能(IM-SSF)服务器，其在IMS/SIP与3GPP TS29.278中所描述的CAMEL(用于移动网络增强逻辑的定制化应用)之间，并且也可以在IMS/SIP与3GPP TS29.002中所描述的MAP(移动应用部分)之间执行转换。另一可能的转换服务器是OSA服务能力服务器(OSA-SCS)，用于在IMS/SIP与3GPP TS29.198中所描述的OSA(开放服务接入)之间进行转换。

当处理通信并且提供服务时，系统10中的各个服务器收集各个实体的活动(例如用户终端11的活动)的数据。然后可以将包括测量在内的由服务器所收集的这些数据例如存储在日志文件中。数据可以此后从日志文件被获取，并且根据所使用的各个数据模型而存储在数据数据库DDB20中。来自系统10中各种类型的通信处理设备(比如上述服务器14、16和18)的数据然后可以存储在该数据库20中。

在系统10中，还有模式处理节点21。则在该节点21中，可以识别并且处理与实体关联的数据中的模式。在此，节点21包括可以因此通过计算机或服务器来提供的模式分析设备27。模式分析设备进而包括数据模型分析器DMA22和模式分析器PA26以及数据收集器DC23。在此，数据收集器23控制将来自各个系统节点的数据存储在数据数据库20中，其中，第一通信服务器14和第二通信服务器16是这些系统节点中的两个，且应用服务器18是另一系统节点。在模式分析器26访问数据模型数据库24、模式数据库PDB28以及过滤模式数据库FPDB32的同时，数据模型分析器22访问数据数据库20和数据模型数据库DMDB24。

在系统10中可以通过计算机或服务器来实现模式处理节点。图8中示意性地示出了该计算机84。该计算机84包括连接到总线90的处理器86和程序存储器88，其中，存储器88将包括当由处理器运行时实现模式分析设备的功能的软件。还应理解：上述处理器可以是单个中央处理单元，但其也可以是分布式的，因此可以经由计算机84中的两个或更多个不同处理器单元来实现数据分析设备的功能。例如，处理器86可以包括通用微处理器、指令集处理器和/或有关芯片集和/或专用微处理器(例如ASIC(专用集成电路))。处理器也可以包括用于高速缓存目的的板载存储器。

图2示出了与数据模型数据库24、模式数据库28和过滤模式数据库32进行通信的模式分析器26的框图。模式分析器26更具体地包括：与数据模型数据库24进行通信的模式分析单元PA_U34、与模式数据库28进行通信的模式更新单元PU_U36以及与过滤模式数据库32进行通信的模式过滤单元PF_U38。

图3示出了模式更新单元36的框图。其包括模式收集元件PC_E40以及模式更新元件PU_E44。

现在将参照图1～图3以及图4、图5和图6来更详细地描述示例第一实施例的功能，其中，图4示出了在数据模型分析器中执行的方法步骤的流程图，图5示意性地示出了在模式分析器26的模式分析单元34中执行的方法步骤的流程图，以及图6示意性地示出了在模式分析器26的模式更新单元36中执行的方法步骤的流程图。

通过多个不同传感器从网络收集与各个实体有关的数据，其中，基站12可以被视为是一个这样的传感器。这是隐式传感器。其它类型的隐式传感器是所使用的定位系统。本发明也可以用于显式传感器，例如温度传感器、压力传感器等。数据还与不同的实体(例如系统10的用户)有关，在该示例中，用户是用户终端(以用户终端11为例)的用户。对数据添加时间戳，并且可以相对于服务器14、16和18来本地存储数据，且存储在例如服务器的各种日志文件中。

然而，该数据应传送到数据数据库20。由于用户终端标识由来自归属订户服务器(HSS)的用户标识唯一地识别，并且SIP消息是绑定到用户标识的会话，因此进行该操作的一种方式是通过对服务器14、16和18上的实体简档进行数据挖掘。这使得有可能比较与用户标识有关的所有交易，使用它作为键值(key)并且从服务器的日志文件中挖掘这些交易。具体地，在存在长时间停留于单个运营商的用户的情况下，很可能他们将保持同一标识，然后其可以用于在数据数据库20中输入数据。在该示例中，模式分析设备27的数据收集器23执行这种数据挖掘。然而，应理解：可以在该设备之外(例如作为数据数据库20的一部分)提供数据收集器。作为备选，也可以在网络中的若干节点上通过分布式方式来实例化节点21的功能。如果需要与HSS的通信，则有可能使用Diameter协议来执行该操作。

应用服务器18和处理SIP消息的其它节点(例如通信服务器14和16)将操作记录到日志文件。这些节点中的每一个还配备有会话发起协议用户代理(SIP UA)以及充当预订/通知代理的元件。在该示例中，数据收集器23挖掘作为应用服务器18以及通信服务器14和16的一部分的日志文件，以创建系统10中的交易的数据数据库20。数据数据库20可以通过接口(例如名为Sh接口的接口)接收来自例如数据挖掘活动、来自数据保留以及来自对于有关服务器的日志文件的直接检索的数据。

所挖掘的日志文件信息的数据数据库可以在批处理操作中被创建，或其可以被创建为连续处理，其中，将对日志文件的更新拷贝到数据数据库。备选地，有可能使用SIP协议的预订/通知功能来接收对各个服务器数据库的改变的通知。

在后一情况下，这将如下工作。

前提是已经进行正常IMS系统设置，即已经对于所有交互方执行了认证和授权。此外，当设置应用服务器18时，数据收集设备通过S-CSCF的仲裁来发现它，并且将SIP预订发送到应用服务器18中的SIP UA的预订/通知代理。应用服务器18然后在SIP UA上接收SIP消息，并且将它在内部转发到应用逻辑，应用逻辑将逻辑应用于应用数据和接收到的消息。应用逻辑然后将处理后的消息转发到另一协议接口，并且将动作的记录存储在日志文件中。随着日志文件改变，日志过滤器可以监控这些改变，并且当设置阈值时，日志过滤器可以触发预订/通知代理中的通知。预订/通知代理然后使用SIP UA将通知发送到预订方(即数据收集器23)。

数据收集器23因此可以确保数据存储在数据数据库20中。当数据存储在该数据数据库20中时，其根据一个或多个数据模型而被存储并且与实体关联。

对于语音通信可应用的数据模型的一个示例与语音呼叫有关。该语音呼叫数据模型中的数据类型包括以下类型：日期、a方、b方和持续时间，其中，a方是呼叫的主叫方，b方是呼叫的被叫方，持续时间是呼叫的持续时间，日期是呼叫的日期。然后获取一般由S-CSCF存储在日志文件中的根据该模型的数据，并且将其存储在数据数据库20中。在此也有可能存储呼叫的时间。如果该呼叫与用户终端11有关，则用户终端11一般要么是a方要么是b方。如上所述，在数据数据库20中存储关于系统中的实体的该数据。作为备选，这种存储可以受控于数据收集器23，由各个网络服务器14、16和18自己主动进行。可以通过将数据链接到用户终端的标识符(例如国际移动订户标识(IMSI)或国际移动设备标识(IMEI))来完成根据实体的数据的存储。在此，应理解：可以存在若干数据库，例如针对可以采集关于实体(比如用户终端)的通信模式的信息的每个数据模型有一个数据库。

为了能够确定实体(在此，用户终端11)的行为，必须分析各个数据模型的数据。

数据数据库20中的数据可以被看作对象序列。因此，对象被构造在序列中。在该序列中，对象将出现在子序列中。可以重复这些子序列，在此情况下，它们将构成模式。可以将模式转换为动作序列，可以用可预测(predicatively)并且可分析的方式来使用动作序列。也可以在将暗示例如模式的重现或其重复性的元模式(metapattern)或可以从分析中得出的另一参数中分析模式结构。通过识别数据中的模式来完成该操作。然而，为了识别这些模式，必须分析数据模型。

数据模型分析器22执行数据模型的分析。其从数据数据库20检索根据各个模型的数据，并且分析数据模型(步骤46)。该分析一般涉及：对模型彼此进行比较。这意味着分析模型的数据类型，以寻找彼此的对应性。上述语音呼叫数据模型可以例如与消息传送数据模型(例如MMS数据模型)进行比较。然后将模型的数据类型映射到彼此(步骤48)，即，可以将语音呼叫日期映射到消息日期，将语音呼叫a方映射到消息源，将语音呼叫b方映射到消息目的地，以及可以将语音呼叫持续时间映射到消息长度。在已经执行该映射之后，在数据模型数据库24中存储模型的映射(步骤50)。映射可以存储为所组合的数据模型DM1。然后，有可能根据数据模型数据库24中的所组合的或聚集数据模型DM1来确定数据数据库20中的数据的模式。

同时，对原始数据或测量添加标签，以使得能够在需要时仅检索该原始数据。

基于该数据，则有可能执行模式分析。因此，可以获得或识别随着时间而生成的数据模型的数据中的模式。在此，可以使用已知方法(例如机器学习算法)来执行模式分析。与机器学习算法相关的示例包括基于核的主分量分析(PCA)和支持矢量机器(SVM)。只要模式是正则并且复发的(recurring)，模式就可以是在数据中出现的任何种类的组合。

然后模式分析器26的模式分析单元34可以获得数据模型的数据(例如上述所组合的或聚集数据模型DM1)，并且从数据数据库20获得该数据模型的数据(步骤52)，并且识别其中的模式P1(步骤54)，通过例如分析数据的测试序列并且应用上述算法之一来识别该模式P1。然后在模式数据库28中存储模式P1(步骤56)。

以此方式，可以在模式数据库28中存储模型的模式，其中，模式可以基于数据模型中的一个或多个。在用于用户终端11的用户的下表中例示了该模式的一个示例。

U_ID	MMS/天	语音呼叫/天	……	快速速率	标记
						UT	4	5		1	X

在该示例中，发现用户终端UT11的用户具有以下模式：每天发送4条MMS消息，每天进行5次语音呼叫，并且建立1个快速速率连接。在此，还根据具有标记X的模式来评定或标记用户，该标记可以指示重移动(heavy mobile)用户。

在此，可以通过具有表示实体有关信息的属性的矢量A的形式，A＝(a₁，a₂，...a_n)，来提供模式，其中，根据以上给定示例，a₁可以对应于MMS/天，a₂可以对应于每天的语音呼叫，以及a_n可以对应于每天的快速速率连接。因此，模式P1包括多个属性。

现在，有可能例如由应用服务器18在系统中提供新服务。如果例如应用服务器18是在系统10中引入的新服务节点，则可以完成该操作。当安装在应用服务器中实例化的新服务时，该服务器通过上述Sh接口与网络中包括节点21在内的节点以及其它节点进行通信。由于新服务很可能创建与以上所实现的服务不同的交互集合，因此如果可以针对与新服务有关的模式来搜索模式数据库和/或数据数据库，并且它们可以被检索，并且例如在针对手边的服务环境来优化新应用服务器时使用，则这将是有利的。

除了历史数据的现有数据模型(例如所组合的数据模型DM1)之外，该新服务还可以使得创建另一数据模型。作为备选，其可以使得不创建任何另一数据模型，而是创建模式改变。模式改变的其它原因可以是引入新测量方法。因此，这些改变导致模式改变，如果不是在本质上的改变则是在丰富性方面的改变，并且可以从现有模式(比如模式P1)的分量组合推导或递归地推导出该改变。要么由于新测量变得明显，要么由于新服务自身改变了实体的行为，所以新服务可以因此改变数据模型和模式。然而，其也可以仅改变二者之一；具体地，如果甚至在引入新服务的情况下也将数据模型保持恒定，则其可以仅改变模式。

根据本发明，对下述感兴趣：针对现有模式和现有数据模型，应用新服务所引起的另一模式和/或另一数据模型。在引入新服务之后，模式分析器26的模式分析单元34可以因此在此获得系统的较新数据，因此该较新数据可以是另一模型DM2的数据(步骤58)。然后分析该数据，以识别另一模式P2(步骤60)，可以通过以下方式来识别该模式：根据现有模型DM1来分析数据，或如果存在另一数据模型DM2，则通过组合另一数据模型的数据与现有模式P1。可以通过在应用现有模式P1的同时对所述另一数据模型DM2的数据应用分类算法(例如Bayes分类器(监督学习))来完成该操作。还有可能执行对在引入新数据模型(即所述另一数据模型和现有数据模型)之后生成的所有数据的新分析，并且基于该分析来识别另一模式P2。在所有三种情况下，识别另一模式P2(步骤60)。模式更新单元36然后将该另一模式P2存储在模式数据库28中(步骤62)。随着已经识别另一模式，模式分析单元34还发送针对模式分析单元34的模式更新的请求(步骤64)。另一模式P2在此也是具有上述形式的矢量B。因此，其可以通过与现有模式P1相同的方式具有形式B＝(b₁，b₂，...，b_n)。

模式更新单元36在此接收对模式更新的该请求，然后调查是否将要执行模式更新。为了进行该操作，模式更新单元36的模式收集元件40从模式数据库28获得现有模式P1(步骤66)，然后从模式数据库28获得另一模式P2(步骤68)。在此，通过从模式数据库28收集模式(即通过模式收集元件40从模式数据库28获取模式)来执行获得。然而，作为备选，有可能将模式发送到模式收集元件40。模式收集元件40可以因此例如从模式分析单元34接收模式。在模式收集元件40已经收集到模式P1和P2之后，然后模式更新元件44调查是否将要执行更新。通过在考虑策略集合的同时对模式彼此进行比较来完成该操作(步骤70)。比较还可以涉及对属性彼此进行比较，其中，每个属性对应于数据模型的数据。

可以通过确定两个矢量之间的距离来执行该比较。

如果模式具有上述属性，则也可以根据下式来确定距离(又称为欧式距离)：

d (A, B) = \sqrt{{(a_{1} - b_{1})}^{2} + {(a_{2} - b_{2})}^{2} + . . . . . . {(a_{n} - b_{n})}^{2}}

模式更新元件44然后调查是否能够将第一数据模型DM1映射在第二数据模型DM2上(步骤72)，且如果不能，则处理结束(步骤74)。这意味着不进行模式更新。然而，如果能够将第一数据模型DM1映射在第二数据模型DM2上(步骤72)，则以另一模式P2来更新现有模式P1(步骤76)。

在此，调查可以涉及：调查差异是否显著，这可以涉及：对上述距离与阈值进行比较，以及如果距离低于阈值，则模式足够相似，而无需以第二模式P2来更新第一模式P1。

这意味着：如果距离不显著，例如小于0.5*10^-3，则模式更新元件44无需在模式数据库28中更新第一模式P1。另外，其命令数据模型分析设备22以新数据类型的另一模式来更新现有数据模型DM2，并且将已更新的现有数据模型DM1存储在数据模型数据库24中。模式更新元件44然后以另一模式P2的新属性来更新现有模式P1。这可以通过将另一模式的属性添加到现有模式来完成。然后在模式数据库28中存储已更新的现有模式(步骤78)。在此，模式的更新还可以涉及：改变模式的标记。将因此更新第一模式P1和第一数据模型DM1。当已经计算了已更新的模式时，递归地更新模式数据库28。这可以作为替代运营商来完成，或如果这是可能的，则拷贝并且递归地更新数据库。

也可以如下确定距离是显著的。可以将距离与用户已经创建的或在模式更新元件44中预配置的策略集合(例如从开始，当其被制造时)进行比较。

策略是具有类型“if-then”的规则，其确定对于待确定为显著的数据需要什么动作。策略可以是绝对的，即策略可以表示值(“如果读数大于5，则触发事件”)。策略也可以是聚集的(即根据至少一个属性来聚集策略)，并且与阈值关联(即“如果当来自过去两天的读数被求和并且除以当前时间时等于5，则触发事件”)。

策略也可以用于分析元模式，其中，元模式是模式的模式，且这些元模式可以确定可以如何更新模式。例如，可以插入通过分析元模式而彼此频繁接近出现的模式。作为示例，如果模式ACATTAG通常出现在与模式GATTACA相距七个对象的区间内，则可以通过每当GATTACA模式出现时就插入该模式ACATTAG来更新模式数据库28。然后用具有该效果的策略来预配置模式更新元件44，并且当应用于数据时执行该策略。这在此可以涉及：模式更新元件根据另一数据模型在较新数据中针对第一模式的出现来比较另一模式的出现，并且按照与在较新数据中相同的关系，用另一模式来更新第一模式。

这意味着：如果满足条件，则以另一模式P2来更新现有模式P1(步骤76)，这意味着：使得反映在引入新服务之前的情况的现有模式也考虑其中提供另一模式P2的另一数据模型DM2的数据。以此方式，丰富了现有模式P1。

在此，也可以通过模式分析设备中提供的数据丢弃器来去除现有模式P1。去除涉及移除或丢弃较不相关的数据。可以通过应用模式分析来提供这种去除，以用于数据丢弃。换言之，在导出新模式时，将它们与数据模型组合，以确定哪些数据最有可能产生新模式，并且模式更新。该操作然后应用于去除用于最不可能产生新或丰富的模式的数据的数据库。因此移除较不可能产生已更新的模式的数据。即使如此，也应保持特定量的数据点，并且应存储去除算法，这暗示了可以通过逆转算法来重构数据。出于使用模式挖掘算法(例如APRIORI算法)或其它关联规则的目的，可以应用机器学习技术，以使得模式分析自动化。因此，该去除可以涉及：基于另一模式和数据模型来确定数据导致新模式的概率，对该概率与概率阈值进行比较，并且丢弃该概率落到阈值之下的数据。

为了在提供用户简档中使用模式，模式过滤单元38然后选择哪些模式将要被给出并且给谁。该单元38可以基于来自请求者的请求，将模式提供给与实体相关的过滤模式数据库32，其中，请求者可以例如是系统的运营商或系统中的服务提供商。过滤模式数据库32可以是多实例化的，即针对每个请求者提供一个实例。

因此，本发明提供一种用于在由于测量更丰富而导致模式变得更丰富的情况下如何在实体的简档中递归地包括模式的系统和方法。以此方式，也有可能与新数据结合的现有数据来获得简档，这可以加速确定简档。因此可以快速获得可靠的简档。还存在对数据模型以及模式的更高效使用。

可以通过多种方式来实现模式分析设备。有可能通过硬件的形式来提供数据收集器、数据模型分析器、数据丢弃器和模式分析器。然而，也有可能通过软件的形式来提供它们。如上所述，可以有利地以具有包括用于执行它们的功能的计算机程序代码在内的关联程序存储器的一个或多个处理器的形式来提供它们以及它们的元件和单元。然而，该计算机程序代码可以经由计算机程序(例如外部服务器上的程序)来提供，并且然后下载到充当模式分析设备的计算机。

也可以在计算机可读装置(例如当加载到计算机中时将实现模式分析设备的功能的数据载体形式的计算机可读装置(例如承载具有计算机程序代码的该计算机程序的CD ROM盘、闪存、EEPROM存储器或存储器棒))来提供计算机程序代码。因此，本发明可以被提供为包括承载具有计算机程序代码的程序的计算机可读装置在内的计算机程序产品。图7示意性地示出了包括具有上述计算机程序82的CDROM盘80形式的计算机可读装置在内的一种这样的计算机程序产品。

存在可以由本发明构成的多个变形。有可能在模式分析设备中包括数据数据库、模式数据库和过滤模式数据库中的一个或多个。如上所述，也由可能省略数据收集器。此外，也有可能省略数据模型分析器和数据丢弃器。应理解：模式可以由单独的数据模型分析器来识别并存储。然后可以使得仅包括模式分析器在内的模式分析设备根据上述原理来分析并且更新模式，然后可以仅基于这种模式来产生用户简档。还应理解：可以省略模式过滤单元，并且模式中的感兴趣方可以直接访问模式数据库。

因此，虽然已经结合目前被看作最实际和优选的实施例来描述了本发明，但应理解：本发明不限于所公开的实施例，而是相反本发明预期覆盖各种修改和等价布置。因此，本发明仅由所附权利要求限定。

Claims

1.一种用于根据至少一个数据模型(DM1、DM2)来改变数据中的模式的方法，根据实体在数据库(DDB)中对所述数据进行分组，所述方法在数据收集系统(10)的模式处理节点(21)中执行，并且包括以下步骤：

根据至少一个现有数据模型(DM1)来获得(66)历史数据的现有模式(P1)，所述现有模式与和所述数据收集系统关联的实体(11)有关，

根据另一数据模型(DM2)来获得(68)较新数据的另一模式(P2)，所述另一模式也与所述实体有关，

对以上模式彼此进行比较(70)，

基于所述比较来确定(72)是否能够将所述现有数据模型映射在所述另一数据模型上，以及

如果能够将所述现有数据模型映射在所述另一数据模型上，则针对所述历史数据以所述另一模式来更新(76)所述现有模式。

2.根据权利要求1所述的方法，其中，每个模式包括多个属性，比较模式的步骤包括：对所述模式的属性彼此进行比较，其中，每个属性对应于数据模型的数据，以及更新的步骤包括：将所述另一模式的属性添加到所述现有模式。

3.根据权利要求2所述的方法，其中，所述每个模式被作为矢量加以提供，以及所述比较步骤包括：确定所述矢量之间的距离，以及确定是否能够将所述现有数据模型映射在所述另一数据模型上的步骤包括：对所述距离与距离阈值进行比较。

4.根据任一前述权利要求所述的方法，其中，在考虑策略集合的同时进行所述比较步骤。

5.根据权利要求4所述的方法，其中，所述策略集合包括关于至少一个属性的绝对策略。

6.根据权利要求4或5所述的方法，其中，所述策略集合包括关于至少一个属性的聚集策略。

7.根据任一前述权利要求所述的方法，其中，对所述现有模式与所述另一模式进行比较的步骤包括：根据所述另一数据模型，在所述较新数据中关于所述现有模式的出现来比较所述另一模式的出现，以及所述更新步骤包括：按照与在所述较新数据中相同的关系，用所述另一模式来更新所述现有模式。

8.根据任一前述权利要求所述的方法，还包括步骤：基于至少一些较新数据来识别(60)所述另一模式(P2)。

9.根据任一前述权利要求所述的方法，还包括步骤：基于所述另一模式和所述数据模型来确定数据导致新模式的概率，对所述概率与概率阈值进行比较，并且丢弃所述概率落到所述阈值之下的数据。

10.根据任一前述权利要求所述的方法，其中，所述现有模式具有标记，以及所述方法还包括步骤：基于所述已更新的模式来改变所述标记。

11.一种数据收集系统(10)的模式处理节点(21)中的模式分析设备(27)，包括：

模式更新单元(36)，配备有：

模式收集元件(40)，被配置为：

根据至少一个现有数据模型(DM1)来获得历史数据的现有模式(P1)，所述现有模式与和所述数据收集系统关联的实体(11)有关，以及

根据另一数据模型(DM2)来获得较新数据的另一模式(P2)，所述另一模式也与所述实体有关，

对模式彼此进行比较，以及

模式更新元件(44)，被配置为：

12.根据权利要求11所述的模式分析设备(27)，还包括：模式分析单元(34)，被配置为基于所述较新数据中的至少一些来至少识别所述另一模式。

13.一种用于根据至少一个数据模型(DM1、DM2)来改变数据中的模式(P1)的计算机程序(82)，根据实体在数据库(DDB)中对所述数据进行分组，所述计算机程序包括计算机程序代码，其当运行在数据收集系统(10)的模式处理节点(21)的计算机(84)中的处理器(86)上时使得所述计算机：

根据至少一个现有数据模型(DM1)来获得历史数据的现有模式(P1)，所述现有模式与和所述数据收集系统关联的实体(11)有关，

对模式彼此进行比较，

14.一种包括根据权利要求13所述的计算机程序(82)和存储所述计算机程序的计算机可读装置(80)在内的计算机程序产品。