CN105765479A - 用于行为预测和分类的分层统计模型 - Google Patents

用于行为预测和分类的分层统计模型 Download PDF

Info

Publication number
CN105765479A
CN105765479A CN201480060604.3A CN201480060604A CN105765479A CN 105765479 A CN105765479 A CN 105765479A CN 201480060604 A CN201480060604 A CN 201480060604A CN 105765479 A CN105765479 A CN 105765479A
Authority
CN
China
Prior art keywords
model
parameter
community
subscriber
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201480060604.3A
Other languages
English (en)
Inventor
J·盖弗
J·文恩
J·埃德莱恩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Microsoft Technology Licensing LLC
Original Assignee
Microsoft Technology Licensing LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Microsoft Technology Licensing LLC filed Critical Microsoft Technology Licensing LLC
Publication of CN105765479A publication Critical patent/CN105765479A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/107—Computer-aided management of electronic mailing [e-mailing]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Transfer Between Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

概括地说，提供了用于分层的、基于特征的统计模型的技术，该模型可以用于用户社区内的个性化分类或预测。个性化是指学习单独用户的习惯和特性并且基于该学习来调整用户体验。该模型可以用于通信应用中，以预测对输入电子邮件消息的用户动作，并且通过基于模型预测做出个性化建议来帮助用户对电子邮件进行分流。与通信应用关联在一起的用户社区可以一起被并入到单个模型中，以能够实现从作为整体的用户社区学习到的情报和从单独用户学习到的情报之间的连续精细粒度的交互。单个模型可以允许基于社区观察的针对全新用户的预测和基于单独观察的针对长期用户的高度个性化预测之间的无缝演进。

Description

用于行为预测和分类的分层统计模型
背景技术
在协作环境中，用户可以从多个数据源(例如，内容生成器、数据库、搜索引擎、其他用户等等)接收巨大量的数据。例如，用户可以接收电话呼叫、电子邮件消息、日历请求、文本消息、以及其它类型的数据和警报。手动地阅读、响应和组织这些巨大量的数据对于各个用户来说会是难以应对、耗时且低效率的。
一些应用尝试通过预期用户在接收到输入数据时可能采取的动作来简化响应于数据的用户动作。这样的应用可以通过基于所观察的用户响应趋势对用户的行为进行分类，来尝试理解用户的行为。然而，许多尝试具有限制性，这是因为所观察的趋势可能太简单、通用、宽泛或模糊以至于无法准确地预测用户会如何对输入数据进行响应。
发明内容
提供本发明内容以便用简化形式来介绍将在以下具体实施方式中进一步描述的一些概念。本发明内容并非旨在唯一地标识所要求保护的主题的关键特征或必要特征，也不旨在帮助确定所要求保护的主题的范围。
实施例涉及一种分层的、基于特征的统计模型，该模型可以用于用户社区内的个性化分类或预测。该模型可以用于学习单独用户的习惯和特性，并且基于该学习来调整用户体验。与通信应用关联在一起的用户社区可以一起被并入到单个模型中，以能够实现从作为整体的用户社区学习到的情报(intelligence)和从单独用户学习到的情报之间的连续精细粒度的交互。单个模型可以允许基于社区观察的针对全新用户的预测和基于单独观察的针对长期用户的高度个性化预测之间的无缝演进。
通过阅读以下详细描述并且回顾相关联的附图，这些和其它特征和优势将变得显而易见。应当理解的是，前述的一般性描述和以下详细描述都是说明性的，并非限制如所要求保护的各方面。
附图说明
图1示出了用于观察和预测用户动作的示例的基于云的环境；
图2示出了用于对用户社区内的用户行为的个性化预测的分层回归模型的示例因子图；
图3示出了用于预测用户行为的社区参数和个人参数之间的交互；
图4示出了用于预测系统的模型训练的示例系统级视图；
图5示出了基于预测模型来预测用户行为的示例系统级视图；
图6是其中可以实现根据实施例的系统的网络化环境；
图7是其中可以实现实施例的示例计算操作环境的框图；以及
图8示出了根据实施例的、针对提供用于行为预测和分类的分层的基于特征的统计模型的过程的逻辑流图。
具体实施方式
如上面简要描述的，提供了一种用于促进用户社区内的个性化分类或预测的系统。该系统可以包括分层的、基于特征的统计模型，该模型可以用于学习单独用户的行为和习惯，并且基于该学习来调整用户体验。该模型可以用于通信应用中，以预测对输入电子邮件消息的用户动作，并且通过基于模型预测做出个性化建议来帮助用户对电子邮件进行分流(triage)。与通信应用关联在一起的用户社区可以一起被并入到单个模型中，以能够实现从作为整体的用户社区学习到的情报和从单独用户学习到的情报之间的连续精细粒度的交互。单个模型可以允许基于社区观察的针对全新用户的预测和基于单独观察的针对长期用户的高度个性化预测之间的无缝演进。
在以下详细描述中参照了形成其部分的附图，并且其中通过说明的方式示出了特定的实施例或例子。在不脱离本公开内容的精神或范围的情况下，可以组合这些方面，可以利用其它方面，并且可以做出结构上的改变。因此，以下详细描述不应被视为是限制性的，并且本发明的范围由所附权利要求及其等效方案来限定。
虽然将在程序模块(其结合运行在个人计算机上的操作系统上的应用程序来执行)的一般情况中描述实施例，但是本领域技术人员将认识到，还可以组合其它程序模块来实现各方面。
通常，程序模块包括例程、程序、组件、数据结构、以及执行特定任务或实现特定的抽象数据类型的其它类型的结构。此外，本领域技术人员将意识到，可以利用其它的计算机系统配置来实现实施例，这些计算机系统配置包括手持设备、多处理器系统、基于微处理器的或可编程消费类电子设备、迷你计算机、大型计算机、以及类似计算设备。还可以在分布式计算环境中实现实施例，其中由通过通信网络连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于本地和远程存储器存储设备二者中。
实施例可以实现为计算机实现的过程(方法)、计算系统、或者实现为制品(例如，计算机程序产品或计算机可读介质)。计算机程序产品可以是计算机系统可读的计算机存储介质并且编码有计算机程序，其中计算机程序包括用于使得计算机或计算系统执行示例过程的指令。计算机可读存储介质是计算机可读存储器设备。计算机可读存储介质可以例如经由以下各项中的一项或多项来实现：易失性计算机存储器、非易失性存储器、硬盘驱动器、闪存驱动器、软盘或压缩光盘、以及类似介质。
贯穿本说明书，术语“平台”可以是用于提供用于行为预测和分类的分层的、基于特征的统计模型的软件和硬件组件的组合。平台的例子包括但不限于：在多个服务器上执行的托管服务、在单个计算设备上执行的应用、以及类似系统。术语“服务器”一般是指通常在网络化环境中执行一个或多个软件程序的计算设备。然而，服务器还可以实现为在网络上被视为服务器的一个或多个计算设备上执行的虚拟服务器(软件程序)。下面提供了关于这些技术和示例操作的更多细节。
根据一些实施例，可以提供用于通信系统中的行为预测和分类的分层的、基于特征的统计模型。根据其它实施例，可以提供用于以下系统中的一个或多个系统的类似的行为预测和分类：广告系统、内容或产品市场中的内容生成/分布系统、搜索系统、导航系统、服务系统、以及类似系统。
例如，在广告系统(例如，视频、印刷、搜索等等)中，可以确定社区和个性化参数以用于预测可能带来最高收益或吸引最多关注的广告。在内容市场(例如，新闻文章、TV演出、书籍、音乐等等)或者产品市场(电子产品、食品等等)中，可以确定社区和个性化参数以用于预测个人感兴趣购买的产品或内容。在搜索系统(例如，通用或本地化搜索引擎)中，可以确定社区和个性化参数以用于预测个人最有可能选择的结果。在导航系统(航空预订、车辆GPS等等)中，可以确定社区和个性化参数以用于预测针对个人偏好的最佳旅行路线。此外，在服务系统(例如，医疗、财务规划、维护等等)中，可以确定社区和个性化参数，以用于基于生活方式偏好、风险容限以及个人与一般人群相比的类似方面来预测对服务的最佳使用(例如，采取什么医疗过程、买/卖哪些仪器、执行维护的频繁程度如何等等)。实际上，实施例可以用于任何系统中，其中该系统能够访问大量的个人偏好，以学习与以该系统中的个人为目标的项目或事件相关联的社区和个性化参数。
图1示出了根据实施例的用于观察和预测用户动作的示例的基于云的环境。
如图100中所显示的，用户(102、104和106)可以通过基于云的网络110访问提供许多通信能力的应用，例如通信应用116。通信应用116可以托管在远程服务器112处并且经过用户的客户端设备通过基于云的网络110来访问。通信应用116还可以本地地托管在用户的客户端设备处，并且与通信应用相关联的数据可以通过基于云的网络110从远程服务器112中获取。通信应用116可以是提供许多通信能力(例如，电子邮件、文本消息传送、VOIP、举行会议、即时消息传送、电话呼叫、联系人、管理、日历管理、以及其它类似能力)的应用。在用户的客户端设备处可以接收与通信应用116相关联的不同类型的数据(例如，电子邮件消息、文本消息、即时消息、语音信箱消息、电话呼叫、多媒体和/或视听消息、文档、RSS订阅、社交网络更新、以及其它类似的警报(alert)和数据)并且与这些数据进行交互。示例的客户端设备可以包括膝上型计算机136、台式计算机132、智能电话134、车载电话、移动电话、平板设备和/或家庭自动化设备。
在示例的实施例中，在用户的个人计算设备处通过基于云的网络110接收到输入数据时，用户102可以通过执行特定的动作来对输入数据进行响应。例如，举一些示例的动作，响应于接收到电子邮件消息，用户102可以阅读电子邮件并对其进行响应、忽略电子邮件、对电子邮件划分优先次序、删除电子邮件、对电子邮件加标志、将电子邮件移动到特定分类的文件夹、和/或保存电子邮件以供后续处理。举另一个例子，如果用户102接收到日历警报和/或事件请求，则用户可以将事件添加到用户的个人日历，并且还可以将事件分类为工作事件或个人事件，并且可以将事件标记为重要。再举另一个例子，当用户接收到文本消息时，用户可以采取的一些可用响应动作可以包括：阅读、响应、删除、或者保存消息以供后续处理。上面的示例响应动作表示用户响应于输入数据可以采取的一些可用动作，然而应认识到的是，响应于接收到不同的输入数据，存在可用于用户采取的多个其它动作。类似地，通过基于云的网络110与通信应用116相关联的另一个用户104可以在用户的客户端设备处接收个人数据，并且可以响应于接收到的数据而执行其它动作。
在根据实施例的系统中，与通信应用116相关联的预测系统114可以促进对用户动作的个性化分类和预测。个性化可以指学习用户的习惯和特征，并且基于该学习来调整用户体验。预测系统114可以观察与数据的多个用户交互，并且可以基于所观察到的用户交互来预测响应于输入数据的进一步用户动作。预测系统114可以基于所观察到的与数据的用户交互来构建预测模型，以便预测用户响应于接收到新数据可能采取的动作。
在根据实施例的系统中，预测系统114可以被配置为监测单独的用户，使得预测系统114可以做出对于特定观察的用户而言个性化的用户动作的预测。预测系统114还可以被配置为同时观察多个用户的群组。预测系统114可以将所观察到的用户群组的动作并入到单个预测模型中，这可以允许从单独用户学习到的情报和从作为整体的群组学习到的情报之间的连续精细粒度的交互。将所观察到的单独用户和用户群组的动作并入到预测模型中可以实现针对全新用户的预测和针对长期用户的高度个性化预测之间的无缝演进。例如，当没有关于新用户的历史信息可用时，可以基于由预测系统114观察和组织的多个用户(102、104和106)的群组数据来预测该特定用户的响应动作。
可以以用户友好的方式来将预测呈现给用户，使得用户可以容易地理解基于预测已采取了什么动作或者将要采取什么动作。例如，如果预测是用户会忽略项目，则用户接口可以以灰色而非黑色来呈现项目，或者如果预测是用户会删除项目，则可以在项目旁边呈现“删除”按钮(与被视为重要的项目(其中“删除”按钮不一定会立即呈现)相反)。在示例的实施例中，基于所预测的动作，预测系统114可以被配置为实时地向用户102提供所建议的动作，并且等待用户对所预测动作的批准。在另一个实施例中，预测系统114可以代表用户102来自动地执行所预测的动作。例如，系统可以将电子邮件附件自动地保存到标注的(labeled)文件夹，或者将输入消息标记为高优先级以便进行响应。预测系统114还可以被配置为连续地观察响应于输入数据的用户动作，以持续和动态地对所确定的概率进行更新，并改进用户动作预测，以便增加所预测动作的准确性。
如本文所描述的，示例的预测系统114可以是电子邮件预测系统，其中该系统可以预测用户动作(例如，答复、阅读、删除和忽略)，以通过基于预测模型做出个性化建议或指示来帮助用户对电子邮件进行分流。当接收到消息时，将消息转换为特征值集合，其中特征是从所识别的消息属性中推导出的、到预测模型的输入。示例的特征可以是，发送者是否是经理、附件的数量、发送者域、以及其它基于内容的特征。每个特征可以与若干个桶(bucket)关联，其中每个桶表示特征可以采取的不同离散值。
如本文所使用的，特征可以是自包含(self-contained)计算，其产生零对或更多对的形式(特征桶，特征桶值)，其中值是数值。每个这样的对可以被称为桶项目。特征计算可以取决于与接收到的消息或其它接收到的数据相关联的原始数据，并且还可以取决于对其它相关特征的计算。特征桶可以表示针对要采取的动作的离散选择集合。特征桶还可以表示连续属性的离散化。每个特征可以具有特征标识。每个特征桶可以具有针对特征可以是唯一的本地桶标识。特征标识和特定的本地特征桶标识的组合可以提供全局标识，其可以用作用于桶值的密钥。用于特征的桶标识可以事先已知，并且在操作中可以出现额外的桶标识。在特征计算产生一个或多个桶项目的情况下，用于这些特征的桶值可以归一化为总和为1.0，以便允许不同的特征同等地参与计算。特征集可以是用于定义对输入到预测模型中的特征数据的计算的特征的集合。
如本文中还使用的，公共特征可以是单独的桶通常适用于多个不同用户(即，用户社区)的特征。例如，诸如“发送者是经理”(其具有“发送者是中级经理”和“发送者是高级经理”作为桶)之类的特征可以是公共特征，这是因为该特征可以适用于其他用户。非公共特征可以是与特定用户相关联的个人特征。例如，发送者特征(其中相关联的桶是发送者的标识)可以与特定的用户相关联，这是由于随机采用的两个邮箱不太可能会具有共同的发送者，并且对于给定的发送者而言用户可以具有不同的响应模式。依赖于用户的映射可以指定针对每个用户和每个个人桶标识的相应社区参数的标识。
如下面将进一步详细描述的，在预测模型中，针对给定用户变得活跃的桶标识可以具有相关联的参数或权重。如果针对给定的桶标识还未建立权重，则可以从与桶标识相关联的社区分布中推导出权重。社区分布可以由社区参数(包括均值参数和精度参数)来参数化。可以针对公共特征的所有特征标识和桶标识来学习社区分布。如果针对给定的桶标识还未建立社区参数，则可以从给定桶的特征级参数中推导出社区参数。个人参数可以是表示每个特征桶对所观察的动作的贡献的权重。在示例的预测模型中，个人和社区参数可以维持对不确定性的测量。
图2示出了根据一些示例实施例的、用于对用户社区内的用户行为的个性化预测的分层回归模型的示例因子图。
在根据实施例的系统中，用于预测用户社区内的用户行为的示例性预测模型可以是分层回归模型。图200示出了预测模型的因子图，其表示就预测模型的因子而言的联合概率密度函数。在因子图中，小的正方形(202，204)是因子(函数、约束、或分布)，并且圆圈206表示随机变量。每个因子可以连接到作为输入或输出参与函数的计算的变量。从因子出来的箭头示出了因子的输出变量，即，这样的变量被因子定义为对输入变量的依赖。因子图中的因子可以一起相乘，以给出联合概率分布。在一些例子中，针对图200的因子图的概率分布可以写成如下：
其中：
u：用户索引
n：针对给定用户的消息索引
i：针对给定用户的特征桶索引
c[i]：对给定的个人桶索引播种(seeding)的社区特征或桶的依赖于用户的索引
正态(高斯)分布
伽玛(GAMMA)分布
具有指定的均值μ和精度τ的正态(高斯)分布
wui：针对给定用户和特征桶索引的权重(个人参数)
μc：针对给定特征或桶的社区分布的均值
τc：针对给定特征或桶的社区分布的精度
xuni：给定用户、消息和桶索引的特征值
sun：针对给定用户和消息的潜在得分变量
yun：所观察的或所预测的模型输出—真或假
v：表示添加到得分变量的噪声的超参数
II：由所包含的标识表示的约束
在根据实施例的系统中，可以通过对预测模型执行推断(例如，贝叶斯(Bayesian)推断)，来实现在用户接收到数据(例如，用户邮箱208处的电子邮件消息210)时对用户行为的学习和预测。其它的输入数据例如可以是即时消息、会议邀请、音频通信、视频通信、数据分享邀请、以及应用分享邀请。在示例的场景中，来自社区内的多个用户的所有数据可以是可用的，使得可以采用预测模型来确定用于用户社区的社区参数220。可用数据可以包括标注的和未标注的数据，其中标注的数据是所观察到的已经利用由一个或多个用户执行的已知动作来标注的数据。输入数据(例如，在用户邮箱208处接收到的输入电子邮件消息210)可以被转换为特征值集合，其中特征值是从消息210的属性中推导出的、到预测模型的输入。可以针对每个用户、每个接收到的消息或其它接收到的数据以及特征桶来观察xuni(给定用户和桶索引的特征值)，以产生用于预测模型的训练集。可以仅针对标注的数据(即，先前已经利用已知动作来标注的数据)来观察yun。在已经观察和收集了数据之后，可以对预测模型执行推断，以推断用于与接收到的电子邮件消息210相关联的任何用户以及相关联的用户社区内的特征桶的个人参数212(wui)、用于任何社区桶或特征的社区参数220(μc和τc)、以及用于任何未标注的消息的输出(yun)。在示例的实施例中，推断可以返回边缘后验分布，其中wui和μc可以被推断为高斯分布，并且yun可以被推断为贝努利(Bernoulli)分布。每个贝努利分布的参数可以表示相应的输出为真的概率。还可以采用其它推断模式来对预测模型执行推断，并且其它推断模式可以返回分布作为点估计或者作为样本集合。
在示例的实施例中，贝叶斯推断可以采用消息传递算法技术来在模型应用参数(社区参数220和个人参数212)以及它们的不确定性。消息传递算法技术可以实现跨越因子图预测模型的多个节点而分布针对大量用户数据的计算负载和存储器需求。在消息传递算法中，消息或者其它类似数据可以用分布的形式，围绕预测模型以迭代调度来传递，直到达到融合为止。可以从融合消息中获取后验边缘。在示例的实施例中，可以采用期望传播(ExpectationPropagation)技术作为消息传递算法，以将近似值有效地识别为边缘后验。
虽然使用特定的预测模型、参数和函数来描述本文的示例实施例(例如，贝叶斯模型)，但是实施例不限于此，并且可以使用其它的模型、参数和函数来实现这些实施例。
图3示出了根据一些示例实施例的、用于预测用户行为的社区参数和个人参数之间的交互。
如先前描述的，预测系统可以被配置为同时观察多个用户的群组，并且可以将所观察的多个单独用户和用户群组的动作并入到单个预测模型中。单个预测模型可以是并入了单独用户和用户群组的分层模型，以实现针对新用户的预测和针对长期用户的个性化预测之间的无缝演进。分层模型可以通过学习和利用个人参数和社区参数中的不确定性来做出预测。图300示出了社区参数和个人参数之间的交互。例如，图300示出了：单独用户分布304，其中每个用户分布包括具有不确定性的个人权重；以及社区分布306，其中社区分布306可以将社区内的所有用户考虑在内。还示出了具有不确定性的社区均值308和社区标准偏差310。
图4示出了根据示例实施例的、用于预测系统的模型训练的示例系统级视图。
示例预测系统可以具有学习模式和预测模式。如图400中所示出的，在学习模式中，预测系统可以被配置为：识别所定义的社区内关联在一起的多个用户402、404，以及连续地观察在接收到输入数据时多个用户的动作，以学习用于预测模型的个人和社区参数。社区可以是与给定的邮箱服务器430相关联的用户群组，或者应用或组织的实例，相关联的群组或分布式群组等等。
在示例实施例中，在学习模式中，作为预测系统的一部分的训练服务器432可以观察所有输入数据，例如，在所定义的时间段期间接收到的、与社区内的每个用户相关联的输入电子邮件消息(406，408)。可以利用所观察到的用户响应于接收到数据而执行的动作(通常是延迟的)(例如，用户是否答复接收到的电子邮件)来标注输入数据或电子邮件消息406、408。另外，可以将所观察到的执行的动作与预期动作进行比较，例如，当预期答复动作时，用户实际上是否答复了接收到的电子邮件。当对标注进行应用时，预测系统可以在应用标注之前等待所定义的时间段，以查看实际动作是否真正与预期动作匹配，以便给予用户充足的时间来打开电子邮件消息并执行动作。
可以在训练服务器432的特征计算器420处对标注的电子邮件消息406、408进行处理，其中训练服务器432可以应用特征计算，以识别与输入数据或电子邮件消息406、408相关联的特征和桶。预测系统可以在一时间段内连续地跟踪多个用户(402、404)，以识别针对接收到的输入数据的用户行为和响应的模式。基于所跟踪的针对输入数据的用户响应模式，预测系统的训练器模块422能够确定针对与每个用户402、404相关联的个人参数(412、414)的统计分布，并且基于个人参数412、414的分布来确定针对社区参数424的统计分布。个人参数412、414可以是表示每个特征桶对所观察到的动作的贡献的权重，并且社区参数424可以是高斯分布的均值和精度(替代地，方差或标准偏差)，其可以表示跨越特定特征或桶权重的整个社区的方差。训练器模块422还可以将个人和社区参数二者的不确定性考虑在内。
在示例的实施例中，学习个人和社区参数可以是连续的在线过程，并且训练器模块422可以被配置为维护对当前学习状态和先前所观察到的数据进行汇总的消息。训练器模块422可以被配置为：当用户社区内的用户接收到新数据并且观察到新的交互时，持续地对社区参数和个人参数进行更新。另外，可以在操作系统、系统升级和系统降级中维护训练器模块422，这样确定的个人参数和社区参数可以被持续地维护以用于训练和预测目的。不同的特征集(可能共享特征子集)可以被配置用于不同的系统版本。在一个例子中，特征可以被版本化，使得如果定义特征的特征计算以显著的方式改变，则可以通过确保特征计算的改变涉及用于特征的新标识符来改变特征版本。将特征标识与固定的计算进行关联还可以允许并行独立的模型同时被训练和运行。预测系统能够在同时运行的模型之间转变。
图5示出了根据一些示例实施例的、基于预测模型来预测用户行为的示例系统级视图。
如先前讨论的，预测系统可以具有学习模式和预测模式。如图500所示出的，在预测模式中，预测系统可以基于分层预测模型来确定用户512响应于在邮箱服务器530处的某些输入数据而采取某些动作的概率。基于所确定的概率，在预测模式中，预测系统可以预测特定用户在接收到特定数据时会采取什么动作，并且当接收到新数据时可以实时地向用户建议动作。
在示例的场景中，用户可以接收到新数据，例如电子邮件消息502。作为预测系统的一部分的特征计算器504可以计算与电子邮件消息502相关联的特征和桶，并且可以将所计算的特征和桶转换为数值。分类器模块506可以基于所确定的特征计算来对电子邮件消息502进行分类。分类器模块506可以从与单独用户512(其与在结合图4所描述的学习模式期间所确定的社区相关联)相关联的社区参数508和个人参数510中得到。可以在传输服务器540处执行分类器模块506和特征计算器504，传输服务器540被配置为通过网络提供来自和去往用户的邮箱的数据(例如电子邮件消息502)。传输服务器540可以向用户的邮箱提供具有所预测的动作520的电子邮件消息502。预测系统可以在社区参数和个人参数之间无缝地折衷，以针对接收到的电子邮件消息502做出预测，使得当用户的观察到的动作与观察到的社区动作不同时，预测系统可以向用户提供个性化的预测。
提供图1-图5中所描绘的示例应用、设备和模块仅是出于说明目的。实施例不限于示例图中所示出的配置和内容，并且可以使用采用本文所描述的原理的其它引擎、客户端应用、服务供应商和模块来实现。
图6是其中可以实现实施例的示例网络化环境。除了本地安装的应用之外，还可以结合托管应用和服务(其可以经由在一个或多个服务器606或单独服务器614上执行的软件来实现)来使用预测应用。托管服务或应用可以通过网络610与单独计算设备(例如，手持计算机、台式计算机601、膝上型计算机602、智能电话603、平板计算机(或平板设备)(‘客户端设备’))上的客户端应用进行通信，并且控制呈现给用户的用户接口。
客户端设备601-603用于访问由托管服务或应用提供的功能。服务器606或服务器614中的一个或多个服务器可以用于提供如上面讨论的各种服务。相关数据可以被存储在一个或多个数据存储设备(例如，数据存储设备609)中，数据存储设备可以由服务器606中的任何一个服务器管理或者由数据库服务器608管理。
网络610可以包括服务器、客户端、互联网服务供应商和通信介质的任何拓扑。根据实施例的系统可以具有静态或动态拓扑。网络610可以包括安全网络(例如，企业网络)、不安全网络(例如，无线开放网络)、或互联网。网络610还可以协调在其它网络(例如，PSTN或蜂窝网络)上的通信。网络610提供本文所描述的节点之间的通信。通过举例而非限制性的方式，网络610可以包括无线介质，例如声、RF、红外线以及其它无线介质。
可以采用计算设备、应用、数据源和数据分布系统的许多其它配置来实现用于行为预测和分类的分层的、基于特征的统计模型。此外，图6中所讨论的网络化环境仅是出于说明目的。实施例不限于示例的应用、模块或过程。
图7和相关联的讨论旨在提供对其中可以实现实施例的合适的计算环境的简要、通用的描述。参照图7，示出了根据实施例的用于应用的示例计算操作环境(例如，计算设备700)的框图。在基本配置中，计算设备700可以是本文所讨论的示例设备中的任何设备，并且可以包括至少一个处理单元702和系统存储器704。计算设备700还可以包括在执行程序时合作的多个处理单元。取决于计算设备的确切配置和类型，系统存储器704可以是易失性的(例如，RAM)、非易失性的(例如，ROM、闪存等等)或者二者的某种组合。系统存储器704通常包括适合于对平台的操作进行控制的操作系统706，例如，来自华盛顿的雷德蒙德的微软公司(MICROSOFTCORPORATION)的WINDOWS或WINDOWS操作系统。系统存储器704还可以包括一个或多个软件应用，例如，预测应用722和训练器模块724。
训练器模块724可以结合操作系统706或预测应用722进行操作，来监测用户社区内的用户行为，以学习个人参数和社区参数。训练器模块724结合预测应用722可以基于个人参数和社区参数来生成分层的、基于特征的统计模型，以便实时地预测和建议用户动作。图7中用虚线708内的那些组件示出了该基本配置。
计算设备700可以具有额外的特征或功能。例如，计算设备700还可以包括额外的数据存储设备(可移动和/或不可移动)，例如，磁盘、光盘或磁带。图7中用可移动存储设备709和不可移动存储设备710示出了这种额外的存储设备。计算机可读存储介质可以包括以用于存储信息(例如，计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术来实现的易失性和非易失性、可移动和不可移动的介质。系统存储器704、可移动存储设备709和不可移动存储设备710都是计算机可读存储介质的例子。计算机可读存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能光盘(DVD)或其它光学存储设备、磁带盒、磁带、磁盘存储或其它磁存储设备、或者可以用于存储期望的信息并且可由计算设备700存取的任何其它介质。任何此类计算机可读存储介质可以是计算设备700的一部分。计算设备700还可以具有输入设备712，例如，键盘、鼠标、笔、语音输入设备、触摸输入设备、用于检测手势的光捕获设备、以及类似输入设备。还可以包括输出设备714，例如，显示器、扬声器、打印机、以及其它类型的输出设备。这些设备在本领域是公知的并且这里无需大幅讨论。
计算设备700还可以包含通信连接716，其允许该设备例如通过分布式计算环境中的无线网络、卫星链路、蜂窝链路以及类似机制来与其它设备718进行通信。其它设备718可以包括执行通信应用的计算机设备、其它目录或策略服务器、以及类似设备。通信连接716是通信介质的一个例子。通信介质在其中可以包括计算机可读指令、数据结构、程序模块、或者经调制的数据信号中的其它数据(例如载波波形或其它传输机制)，并且包括任何信息传递介质。术语“经调制的数据信号”意指以对信号中的信息进行编码的这种方式来设定或改变其一个或多个特性的信号。通过举例而非限制性的方式，通信介质包括有线介质(例如，有线网络或直接有线连接)和无线介质(例如，声、RF、红外线以及其它无线介质)。
示例实施例还包括方法。可以用任何数量的方式(包括本文档中所描述的结构)来实现这些方法。一种此类方式是通过对本文档中所描述的类型的设备的机器操作。
另一种可选方式是使方法的单独操作中的一个或多个操作结合执行一些操作的一个或多个人工操作者来执行。这些人工操作者不需要彼此协作，而是每个人工操作者仅可以与执行程序的一部分的机器一起。
图8示出了根据实施例的、针对用于提供用于行为预测和分类的分层的、基于特征的统计模型的过程的逻辑流图。过程800可以实现为应用或操作系统的一部分。
根据实施例的分层模型可以通过学习和利用个人参数中的不确定性，来允许针对全新用户的预测和对长期用户的高度个性化预测之间的无缝演进。在一些实施例中，可以在分层模型中使用近似贝叶斯推断来学习个人参数和社区参数。近似贝叶斯推断(或者其它学习算法)还可以用于学习社区参数的不确定性。个人参数和社区参数可以在线持续地更新。此外，当使用样本用户集离线训练社区参数时，可以训练和应用分层模型，并且然后在线校正。在其它例子中，当使用样本用户集在线训练社区参数时，可以训练和应用该模型，并且然后在线针对人群进行校正。在另外的实施例中，可以采用预测模型在通信系统中针对电子邮件情报、针对电子邮件接收者的预测动作和/或针对电子邮件分流来做出个性化预测。在其它实施例中，可以在系统的升级和降级过程中保留个人和/或社区参数。在其它实施例中，一次可以操作一个以上的分层模型，并且系统可以被实现为在可用模型之间转换。
提供对根据一些实施例的系统的高级概述，过程800可以以操作810开始，在操作810中，可以构造预测模型，以基于社区参数和个人参数来预测订户交互。预测模型可以是分层的、基于特征的模型，其表示就预测模型的因子而言的联合概率密度函数，其中，因子是包括社区和个人参数的输入。可以采用推断(例如，贝叶斯推断)基于预测模型来确定用户交互的概率。
操作810之后可以是操作820，在操作820中，采用上面讨论的预测模型的预测系统可以观察与通信系统相关联的用户的社区或群组，并且可以学习社区内每个用户与通信系统的交互的习惯和行为。示例的交互可以是响应于接收到与通信系统相关联的输入数据而执行的动作。社区参数可以包括累计学习的与通信系统相关联的所有订户的行为。
操作820之后可以是操作830，在操作830中，预测系统可以在个人与通信系统交互时单独地观察每个用户或订户，并且可以学习单独用户的习惯和行为。可以将所学习到的单独用户的习惯和行为保存为个人参数。
操作830之后可以是操作840，在操作840中，当用户在通信系统处实时地接收到输入数据时，可以采用模型来预测并向用户建议一个或多个交互。所预测的交互可以是基于针对单独订户所观察的个人参数的高度个性化建议，并且在针对用户的历史信息和个人参数可能不可用的情况下，所预测的交互还可以基于社区参数。
过程800中所包括的操作是出于说明目的。可以使用本文所描述的原理，通过具有较少或额外步骤的类似过程、以及按照不同的操作顺序来实现提供根据实施例的、用于行为预测和分类的分层的基于特征的统计模型。
以上说明书、例子和数据提供了对制造和使用实施例的组合的完整描述。虽然以专用于结构特征和/或方法动作的语言来描述了主题，但是应理解的是，所附权利要求中所限定的主题不一定受限于上面所描述的特定特征或动作。相反，上面所描述的特定特征和动作是作为实现权利要求和实施例的示例形式而公开的。

Claims (15)

1.一种至少部分地在计算设备中执行、用于为行为预测和分类提供分层的、基于特征的统计模型的方法，所述方法包括：
构造分层的、基于特征的模型，用于基于社区参数和个人参数来预测与通信系统的订户交互；
确定与通信系统的订户相关联的一个或多个社区参数；
确定与所述订户相关联的一个或多个个人参数；以及
使用所述模型针对与所述通信系统的一个或多个交互生成一个或多个个性化预测。
2.根据权利要求1所述的方法，还包括：
将所预测的交互用于通信情报和通信分流中的一个或多个中；以及
在线更新所述社区参数和所述个人参数。
3.根据权利要求1所述的方法，还包括：
在学习模式中，在接收到输入通信时，观察与所述输入通信的订户交互，并且利用所观察的交互来标注所述输入通信。
4.根据权利要求3所述的方法，还包括：
在接收到所述输入通信时，将所述输入通信转换为特征值集合。
5.根据权利要求4所述的方法，还包括：
确定与每个特征值集合相关联的一个或多个桶标识，其中，所述特征值是从所述输入通信的属性中推导出的、到所述模型的输入值。
6.根据权利要求1所述的方法，还包括：
当使用样本订户集合离线训练所述社区参数时，训练和应用所述模型，并且然后在线校正所述模型；以及
当使用另一样本订户集合在线训练所述社区参数时，训练和应用所述模型，并且然后针对整个订户集合来在线校正所述模型。
7.一种用于为行为预测和分类提供分层的、基于特征的统计模型的计算设备，所述计算设备包括：
存储器；
耦合到所述存储器的处理器，所述处理器执行预测应用，其中，所述处理器被配置为：
构造分层的、基于特征的模型，用于基于社区参数和个人参数来预测与通信系统的订户交互；
在训练器模块处确定与所述通信系统的订户相关联的一个或多个社区参数；
在所述训练器模块处确定与所述订户相关联的一个或多个个人参数；
使用所述模型针对与所述通信系统的一个或多个交互生成一个或多个个性化预测；以及
基于所预测的交互来对输入通信进行处理。
8.根据权利要求7所述的计算设备，其中，所述预测应用被配置为在学习模式和预测模式中进行操作。
9.根据权利要求7所述的计算设备，其中，所述社区参数和所述个人参数在所述通信系统的升级和降级过程之一中被保留。
10.根据权利要求7所述的计算设备，其中，在学习模式中，所述处理器被配置为：
在预先定义的时间段期间，观察与订户社区中的每个订户相关联的输入通信；以及
利用所观察的由所述订户中的每个订户响应于接收到所述输入通信而执行的动作来标注所述输入通信。
11.根据权利要求10所述的计算设备，其中，在所述学习模式中，所述处理器被配置为：
在所述预测应用的特征计算器模块处对所述输入通信进行处理，以应用特征计算来识别与所述输入通信相关联的特征和桶。
12.根据权利要求11所述的计算设备，其中，所述分层的、基于特征的模型是回归模型。
13.一种其上存储有指令的计算机可读存储器设备，所述指令用于为行为预测和分类提供分层的、基于特征的统计模型，所述指令包括：
构造分层的、基于特征的模型，用于基于社区参数和个人参数来预测与系统的用户交互；
确定与所述系统的用户相关联的一个或多个社区参数；
确定与所述用户相关联的一个或多个个人参数；
使用所述模型针对与所述系统的一个或多个交互生成一个或多个个性化预测；
基于所预测的交互来对输入通信进行处理；以及
基于所预测的交互来向所述用户建议动作。
14.根据权利要求13所述的计算机可读存储器设备，其中，所述指令还包括：
在训练器模块处，在定义的时间段期间观察与订户社区中的每个订户相关联的输入通信；
利用所观察的由所述订户中的每个订户响应于接收到所述输入通信而执行的动作来标注所述输入通信；以及
将所观察的动作与预期动作进行比较。
15.根据权利要求13所述的计算机可读存储器设备，其中，所述系统包括以下各项中的一项或多项：通信系统、广告系统、内容市场中的内容生成/分发系统、产品市场中的内容生成/分发系统、搜索系统、导航系统、以及服务系统。
CN201480060604.3A 2013-11-08 2014-11-04 用于行为预测和分类的分层统计模型 Pending CN105765479A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/076,106 US9558452B2 (en) 2013-11-08 2013-11-08 Hierarchical statistical model for behavior prediction and classification
US14/076,106 2013-11-08
PCT/US2014/063770 WO2015069607A2 (en) 2013-11-08 2014-11-04 Hierarchical statistical model for behavior prediction and classification

Publications (1)

Publication Number Publication Date
CN105765479A true CN105765479A (zh) 2016-07-13

Family

ID=51946040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480060604.3A Pending CN105765479A (zh) 2013-11-08 2014-11-04 用于行为预测和分类的分层统计模型

Country Status (4)

Country Link
US (1) US9558452B2 (zh)
EP (1) EP3066539A4 (zh)
CN (1) CN105765479A (zh)
WO (1) WO2015069607A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191796A (zh) * 2019-11-25 2020-05-22 上海联影智能医疗科技有限公司 用于增强分布式医疗网络的系统和方法

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9767419B2 (en) * 2014-01-24 2017-09-19 Microsoft Technology Licensing, Llc Crowdsourcing system with community learning
US20160350657A1 (en) * 2015-06-01 2016-12-01 Qualcomm Incorporated Cross-Module Behavioral Validation
US10504029B2 (en) * 2015-06-30 2019-12-10 Microsoft Technology Licensing, Llc Personalized predictive models
WO2017074883A1 (en) * 2015-10-27 2017-05-04 Schlumberger Technology Corporation Optimization under uncertainty for integrated models
GB201602308D0 (en) * 2016-02-09 2016-03-23 Touchtype Ltd System and method for generating predictions
US9983016B2 (en) * 2016-03-15 2018-05-29 Here Global B.V. Predicting short term travel behavior with unknown destination
JP6885394B2 (ja) * 2016-03-31 2021-06-16 日本電気株式会社 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム
US10305921B2 (en) 2016-04-28 2019-05-28 International Business Machines Corporation Network security apparatus and method of detecting malicious behavior in computer networks via cost-sensitive and connectivity constrained classification
US9805306B1 (en) * 2016-11-23 2017-10-31 Accenture Global Solutions Limited Cognitive robotics analyzer
US20180165583A1 (en) * 2016-12-14 2018-06-14 Microsoft Technology Licensing, Llc Controlling systems based on values inferred by a generative model
CN106897062A (zh) * 2017-02-21 2017-06-27 中国联合网络通信集团有限公司 一种应用分类的方法及网络通信系统
US10788951B2 (en) * 2017-02-23 2020-09-29 Bank Of America Corporation Data processing system with machine learning engine to provide dynamic interface functions
US10565444B2 (en) * 2017-09-07 2020-02-18 International Business Machines Corporation Using visual features to identify document sections
WO2019069865A1 (ja) * 2017-10-03 2019-04-11 日本電気株式会社 パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム記録媒体
US11295233B2 (en) * 2017-11-09 2022-04-05 Adobe Inc. Modeling time to open of electronic communications
CN110110214A (zh) * 2018-01-25 2019-08-09 重庆邮电大学 基于双向加权值及用户行为的动态推荐及加噪方法
US10885905B2 (en) * 2018-07-13 2021-01-05 Samsung Electronics Co., Ltd. Predicting user actions on ubiquitous devices
CN111105120B (zh) * 2018-10-29 2022-07-12 北京嘀嘀无限科技发展有限公司 一种工单处理方法及装置
CN111353001B (zh) * 2018-12-24 2023-08-18 杭州海康威视数字技术股份有限公司 对用户进行分类的方法和装置
US10776243B1 (en) 2019-03-19 2020-09-15 Bank Of America Corporation Prediction tool
US20220318499A1 (en) * 2021-03-31 2022-10-06 Microsoft Technology Licensing, Llc Assisted electronic message composition
US20230376744A1 (en) * 2022-05-20 2023-11-23 Microsoft Technology Licensing, Llc Data structure correction using neural network model

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060080161A1 (en) * 2000-10-11 2006-04-13 Arnett Nicholas D System and method for collection and analysis of electronic discussion messages
CN101060421A (zh) * 2006-04-19 2007-10-24 腾讯科技（深圳）有限公司 一种垃圾邮件处理系统及分检垃圾邮件的方法
CN101467449A (zh) * 2006-04-06 2009-06-24 肯尼思·H·弗格森 媒体内容节目控制方法和装置
CN102812486A (zh) * 2010-03-25 2012-12-05 诺基亚公司 根据群体行为提供个性化信息资源推荐的方法和设备

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3560670B2 (ja) * 1995-02-06 2004-09-02 富士通株式会社 適応的認識システム
US8938688B2 (en) 1998-12-04 2015-01-20 Nuance Communications, Inc. Contextual prediction of user words and user actions
US6901398B1 (en) 2001-02-12 2005-05-31 Microsoft Corporation System and method for constructing and personalizing a universal information classifier
US7752152B2 (en) * 2006-03-17 2010-07-06 Microsoft Corporation Using predictive user models for language modeling on a personal device with user behavior models based on statistical modeling
US8200506B2 (en) * 2006-12-19 2012-06-12 Accenture Global Services Limited Integrated health management platform
US20120143806A1 (en) 2010-12-06 2012-06-07 Microsoft Corporation Electronic Communications Triage
US8774515B2 (en) 2011-04-20 2014-07-08 Xerox Corporation Learning structured prediction models for interactive image labeling
US10366341B2 (en) 2011-05-11 2019-07-30 Oath Inc. Mining email inboxes for suggesting actions
US9092801B2 (en) 2011-09-23 2015-07-28 24/7 Customer, Inc. Customer journey prediction and resolution
US9082082B2 (en) * 2011-12-06 2015-07-14 The Trustees Of Columbia University In The City Of New York Network information methods devices and systems
US8849730B2 (en) 2011-12-15 2014-09-30 Microsoft Corporation Prediction of user response actions to received data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060080161A1 (en) * 2000-10-11 2006-04-13 Arnett Nicholas D System and method for collection and analysis of electronic discussion messages
CN101467449A (zh) * 2006-04-06 2009-06-24 肯尼思·H·弗格森 媒体内容节目控制方法和装置
CN101060421A (zh) * 2006-04-19 2007-10-24 腾讯科技（深圳）有限公司 一种垃圾邮件处理系统及分检垃圾邮件的方法
CN102812486A (zh) * 2010-03-25 2012-12-05 诺基亚公司 根据群体行为提供个性化信息资源推荐的方法和设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ABUL BASHAR等: "application of Bayesian networks for autonomic network management", 《JOURNAL OF NETWORK AND SYSTEMS MANAGEMENT》 *
邢星: "社交网络个性化推荐方法研究", 《中国博士学位论文全文数据库信息科技刊》 *
项亮: "推荐系统实践", 《人民邮电出版社》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191796A (zh) * 2019-11-25 2020-05-22 上海联影智能医疗科技有限公司 用于增强分布式医疗网络的系统和方法
CN111191796B (zh) * 2019-11-25 2024-03-22 上海联影智能医疗科技有限公司 用于增强分布式医疗网络的系统和方法

Also Published As

Publication number Publication date
US20150134304A1 (en) 2015-05-14
EP3066539A2 (en) 2016-09-14
WO2015069607A2 (en) 2015-05-14
WO2015069607A3 (en) 2015-07-02
EP3066539A4 (en) 2017-07-05
US9558452B2 (en) 2017-01-31

Similar Documents

Publication Publication Date Title
CN105765479A (zh) 用于行为预测和分类的分层统计模型
US20230130567A1 (en) Explainable artificial intelligence-based sales maximization decision models
US10636097B2 (en) Systems and models for data analytics
US11295251B2 (en) Intelligent opportunity recommendation
CN108401459B (zh) 能源消费者的预测性细分
US11386338B2 (en) Integrating multiple domain problem solving in a dialog system for a user
US11272314B2 (en) Geofence selection and modification
US11348020B2 (en) Intelligent crowd-sourced instability detection in a computing environment
US20240249299A1 (en) Explainable artificial intelligence-based sales maximization decision models
US20230060753A1 (en) Systems and methods for generating representative models
WO2021096564A1 (en) Explainable artificial intelligence-based sales maximization decision models
Fernández-Cejas et al. CURIE: Towards an ontology and enterprise architecture of a CRM conceptual model
CN114049529A (zh) 用户行为预测方法、模型训练方法、电子设备及存储介质
US11714966B2 (en) Cognitive responses with electronic messaging
Mousavi et al. An interactive analytics approach for sustainable and resilient case studies: a machine learning perspective
US20180285793A1 (en) Patron presence based workforce capacity notification
US10911395B2 (en) Tailoring effective communication within communities
US20210004738A1 (en) Use of service pattern identifier in augmentation of service catalog
Ahmad et al. A social content management model based on the DART model
Jayadatta et al. An insight into the consequences of digitalization and digital technologies for small and medium enterprises (SMEs) in Africa
JP6731513B1 (ja) チャット管理方法、チャットシステム、未来意図予測サーバー装置、答弁生成サーバー装置、およびプログラム
US20210073699A1 (en) Cognitive enabled blockchain based resource prediction
US20200192943A1 (en) Collaborative learned scoping to extend data reach for a search request
US12014617B2 (en) Contextual item discovery and pattern inculcated reminder mechanism
US12014734B2 (en) Dynamic boundary creation for voice command authentication

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160713