CN106648862A - 一种向用户推荐个性化调度的功能项序列的方法和系统 - Google Patents

Abstract

本发明公开了一种向用户推荐个性化调度的功能项序列的方法和系统。所述方法包括获取由用户输入的至少一个用户意图，创建包括用于实现用户意图的若干功能项的功能项序列；确定在功能项序列中若干功能项调度的用户偏好。所述方法还包括确定在功能项序列中若干功能项之间的相关性；确定在功能项序列中若干功能项调度的调度限制。所述方法进一步包括根据所述用户偏好，相关性以及调度限制，通过最优化方法在功能项序列中的若干功能项确定所述个性化调度用以实现用户意图；以及向用户推荐所述个性化调度的功能项序列。

Description

一种向用户推荐个性化调度的功能项序列的方法和系统

技术领域

本发明涉及信息技术和用户界面技术，特别涉及一种个性化的功能项序列调度的方法和系统。

背景技术

现今，移动终端应用(简称应用)成长为一个巨大的市场，并且，相应地，随着人们越来越依赖于应用程序来完成他们的日常需求，人们的生活方式也发生了很大的变化，移动用户在他们的智能手机上安装了大量的应用程序，每天都频繁的使用应用程序。虽然，人们做出很大的努力，想研究出更好的方法来提高用户体验，但这样的研究主要集中在应用程序层面，然而，事实上，用户行为表明他们只频繁使用应用程序中少数页面或功能。另一方面，用户的需求通常是由一个接着一个的一系列连续操作来实现。所述连续操作可以是一个满足用户的需求的功能序列。

例如，当用户的需求为照相时，用户不需要用到微信上聊天等其他功能。相反，如果此时在微信上提供给用户准确的“照相”功能页面，与向用户提供完整的应用程序相比，具有更好的用户体验。当用户的需求为“我想吃小龙虾”时，一个较好的解决方案是提供这样的功能序列：用“打开饭桌”功能去预定座位，用优步请求页面前往具体地方，然后去Yelp评论页面留言。

然而，现有技术常常忽视应用程序功能使用层面。因此，即使用户想用寻求多个功能来满足需求，但是用户很难发现隐藏的功能序列，并且对于用户而言，如何花费较少的时间去研究如何使用该隐藏的功能序列是更为困难的。

本发明公开的方法及其系统用于解决现有技术中的一个或者多个问题。

发明内容

本发明一方面公开了一种向用户推荐个性化功能项序列调度的方法，该方法包括获取由用户输入的至少一个用户意图，创建包括用于实现用户意图的若干功能项的功能项序列；确定在功能项序列中若干功能项调度的用户偏好。所述方法还包括确定在功能项序列中若干功能项之间的相关性；确定在功能项序列中若干功能项调度的调度限制。该方法还包括：根据所述用户偏好，相关性以及调度限制，通过最优化方法在功能项序列中的若干功能项确定所述个性化调度用以实现用户意图。

本发明另一方面公开了一种向用户推荐个性化调度的功能项序列的系统。这个系统包括了输入模块，功能项序列模块，功能项偏好学习模块，功能项序列调度模块，和最优调度输出模块。输入模块用于通过用户输入获取至少一个用户意图，功能项序列模块用于创建包括用于实现用户意图的功能项的若干功能项序列。功能偏好学习模块用于确定在功能项序列中若干功能项调度的用户偏好。功能项序列调度模块用于确定在功能项序列中若干功能项之间的相关性和调度限制，根据所述用户偏好，相关性以及调度限制，通过最优化方法在功能项序列中的若干功能项确定所述个性化调度用以实现用户意图。进一步，最优调度输出模块用于向用户推荐具有个性化调度的功能项序列。

本发明的其他方面，所属技术领域技术人员能够依据本发明的权利要求书，说明书，以及附图有效实施并充分公开。

附图说明

图1为本发明具体实施方式的工作环境示意图。

图2为本发明具体实施方式的计算系统的结构框图。

图3为本发明具体实施方式的功能项序列调度和推荐系统结构示意图。

图4为本发明具体实施方式的功能项序列调度和推荐的流程图。

具体实施方式

为了便于理解本发明，下面参照相关附图对本发明进行更全面的描述。除非另外指出，在各图中相同的参考数字用于相同的部件。

在这里引用，术语“功能项”(FUNC或者func)用于表示一个应用程序的接入点，即应用程序的一个功能。每个功能项可能是一个功能层次的操作流程，所述功能项与满足用户特定要求的功能或者服务相关。对于同样的需要，不同的用户根据用户习惯或者偏好会使用不同移动应用程序上不同功能项来实现(比如，有些用户用Facebook分享照片，其他用户用微信分享照片)。因为所述功能项提供了本地应用程序，网络应用程序，或定制的功能的入口，所以利用所述功能项可以使其从一个移动应用程序过渡到其他移动应用程序从而实现功能序列。

根据功能项的概念,不利用应用程序层次操作能够更顺利的创建用户行为的功能流。所述应用程序层次操作是指需要频繁返回主页，由多个移动应用程序或网络服务中执行的操作，因此所述应用程序层次操作需要更多的用户交互(触屏或者按键)，这导致用户更难执行功能序列。

根据本发明实例中，其中一个解决创建和使用来自不同应用程序的功能的困难的方法是通过提供个性化的功能项序列调度过程和系统。该系统可以综合用户的个人偏好数据和其他用户的记录向用户推荐最佳的或个性化的功能项序列和调度。

图1所示本发明具体实施方式的工作环境示意图100，如图1所示，环境100包括终端102，服务器106，用户108和网络110。

终端102(也可以叫终端设备)指具有一定运算能力的任何合适的用户移动终端，比如个人电脑(PC)，工作站计算机、服务器计算机、便携式计算设备(平板电脑)、智能手机或移动手机，或任何其他的用户端移动计算设备。在具体实例中，终端102可能是移动终端设备，如智能手机，平板电脑，或者移动手机等。所述终端102应用于任何合适的计算平台，所述用户108用所述终端102连接所述网络110和向所述服务器106发出请求。所述终端102可以从任何合适的来源获得网页，如本地储存设备，从服务供应商的有线或无线网络设备或者从互联网上。

具体的，所述服务器106指的是为了提供某些网络服务器功能而配置的一个或多个服务器计算机(如搜索服务器)。所述服务器106包括并行执行计算机程序的一个或多个处理器。所述服务器106存储终端102访问的网页，并且每一个网页都有唯一的网站地址，所述唯一的网络地址称为统一定位器(URL)。所述服务器106根据所述用户108的请求向终端102提供各种应用程序和/或向所述用户推荐各种网页和/或应用程序以及应用程序功能，所述服务器106也可以是云端服务器。

所述终端102和所述服务器106通过所述网络110通讯连接，比如有线电视网络、电话网络和/或卫星网路等。虽然图1中只有一个终端102和一个服务器106，但是可以包括任意数量的终端和/或网络设备。

终端102和/或服务器106能够在任何合适的电子计算平台上应用。图2为本发明实施例能够应用终端102和/或服务器106的计算系统200的框图。

如图2所示，计算机系统200包括处理器202，存储介质204，显示器206，通讯模块208，数据库210以及外围设备212。其中某些设备可被省略，也可以包括其他设备。

处理器202可以包括任何合适的一个或多个处理器。具体的，处理器202可以包括多线程或并行处理的多个核心。存储介质204可以包括内存模块，比如ROM，RAM,闪存模块,以及大容量存储器，比如光盘和硬盘。存储介质204存储有计算机程序，当处理器202执行这些计算机程序时，可以实现各种方法步骤。

此外，外围设备212包括各种传感器和其他的I/O设备，比如键盘和鼠标。通信模块208包括某些通过通信网络建立连接的网络接口设备。数据库210包括一个或多个用于存储某些数据并在存储数据上执行某些操作，比如数据库搜索的数据库。

在操作过程中，通过终端102或者终端102上的网页浏览器，用户108使用终端102上或者来自于各种服务器106网络上的某些应用程序(APPs)，或移动应用程序。一个移动应用程序有用来实现某些功能的主页或者其他直接接入点。移动应用程序接入点包括移动设备或网络上功能的入口，功能类型和其他相关信息，如位置，状况，功能性质等。所述功能包括本地移动应用程序，网络应用程序和定制功能如云端应用程序编程接口(API)。

本地移动应用程序指在特定的操作系统用特定编程语言编码移动设备应用程序。在移动设备上直接安装所述本地移动应用程序。网络应用程序指一个通过在移动设备上的网页浏览器特制功能的网址。功能入口和入口类型包括各种配置，例如，接入点包括网络应用程序页面的链接，定制功能的链接，已安装本地应用程序页面的链接或快捷键。本地应用程序的压缩版本的页面的链接，本地应用程序下载和安装操作的链接和应用程序网页指南的链接，所述网页指南用于建议用户打开备选应用程序等。

进一步，服务器106提供一种形成了合适功能项调度的功能项序列调度和能自动推荐用户偏好的，无冲突，且具有满足客户需求的功能项序列的整体优化调度的推荐系统，所述合适功能项调度指考虑到用户偏好,功能项序列中功能项相关性，优先级限制，图3所示为本发明具体实施方式的功能项序列调度和推荐系统300。

如图3所示，所述功能项序列调度和推荐系统300包括输入模块302，功能项序列模块304，现存调度模块306，功能项序列调度模块308，功能项偏好学习模块310，用户数据库312和最优输出模块314。其中某些模块可被省略，也可以包括其他模块。

所述用户输入模块302用于获取应用程序的用户请求或者接收用户咨询，其中所述应用程序用于满足某些用户需要或提供功能。所述用户请求或咨询可以是任何格式，比如文本格式，声音格式，图片格式等。

所述功能项序列模块304用于接收用户需求，并将用户需求对应设计为功能序列用于满足用户需求。其中，所述用户需求来自于所述用户输入模块302中所述用户请求和咨询。

通过按顺序执行来自于单个应用程序或多个应用程序的多个功能项来满足所述用户需求，不同的用户需求需要不同数量的功能项和/或不同功能项序列。设定满足用户需要的功能项序列为F，其中包括按顺序排列的n个功能项：

其中，在F中每个功能项f_i(1≤i≤n)是在前一个功能f_i-1完成后执行，并且不同的n和/或不同的功能项形成不同的F。N为所属功能项序列中功能项的最大预定数量。

不同的功能需要调度，调度功能序列F是用于安排F上每个f_i的执行时间，每个功能f_i的调度定义为：

其中t_j是指执行或完成f_i可能的调度时间，S(F)是在功能项序列F中所有功能项的调度结果。

因此，所述功能项序列模块304输出功能序列F，功能序列F包括执行用于满足用户需求的n个连续排列的功能。根据预定算法设计完成与用户需求对应的功能项序列规划。

进一步，所述现存调度模块306包括或获取已经为用户调度好的功能，当生成用户的理想功能项序列时，需要考虑包括所述已完成调度的功能的调度限制C。换而言之，所述调度限制C要求在S(f_i)和所述现存调度之间没有冲突。

所述用户数据库312收集和存储包括请求用户的数据在内的所有与用户功能项相关的信息。所述与用户功能项相关的信息包括任何相关用户功能项使用的信息，比如所述用户以及所有其他用户在某环境下某次执行功能f_i的历史记录。

进一步，所述功能项偏好学习模块310基于所述用户数据库312中以收集的用户历史记录，学习在不同时间的功能项f_i的用户个人偏好，比如，所述功能偏好学习模块310使用在协同过滤(CF)模型从所述用户库312学习和预测在每个可用的调度中的用户偏好q(S(f_i))。

所述功能序列调度308利用来自于所述功能偏好学习模块310的用户偏好q(S(f_i))以及在满足所述调度限制C时，在顶点-n-边-加权有向无环图(DAG)网络G＝(V,E)中功能项序列F的功能相关性p(S(fi-1)，S(fi))来确定最优调度T_o。所述功能项序列调度模块308确定所述最优调度后，所述功能序列调度308输出确定结果到所述最优调度模块314。

所述最优调度输出模块314可以向用户呈现能够满足用户要求的功能序列F中个性化和没有冲突的最优调度。用户可以调整或者增添一些新的限制，并且使所述功能序列调度和所述推荐系统进一步确定或者推荐这些调整或者新的限制。用户可以确认呈现的调度，同时所述最优调度输出模块314可以存储用户确认的调度并更新至用户数据库312中，用以进一步学习用户偏好。

具体的，通过各种模块，所述功能项序列调度和推荐系统300完成了本发明实施例中的功能项序列调度和推荐流程。图4为具体实施方式的功能项序列调度和推荐的流程图。

如图4所示，流程开始时，利用一个或多个应用程序的功能项序列能够实现获取关于用户意图的用户输入(402)。根据用户输入，确定用户意图(404)，比如，用户意图包括有一个或多个意图的意图列表，或来自用户的其他意图类别或需要。

进一步，根据用户意图和用于实现用户意图创建至少一个功能项序列(406)。利用预定算法创建至少一个所述功能项序列，例如，首先将用户意图分成若干任务，所述任务作为实现用户意图的基本单位，当意图列表包括若干意图时，单独处理每个意图，在流程最后整合每个意图的处理结果。例如，将用户文本请求引出的一个意图序列输入到所述功能项序列模块304中。

预定义或实时定义意图任务。预定义任务对于一个特定的意图，可以是由固定数量的任务或者可变数量的任务组成。换而言之，对于每个意图，预定义实现每个意图的任务。比如，“在家烹饪”是一个意图，为了实现这个意图，任务包括，“找超市”，“去超市”，“买材料”，“付钱”，“回家”，“找食谱”“准备食物”和“烹饪”。

虽然预定义了多个任务，但是没有定义关于多个任务的具体顺序或者序列。因此，存在多个任务序列去实现每个意图。也就是说，多个任务实现多个任务序列。

一个功能项能实现一个或者一组任务，而且一个任务也可以通过多个功能项来实现，比如，“照相”是个任务，通过在微信或者Poco美食相机中照相的功能页面实现任务，再例如，Yelp的”熊猫速递”页面是个功能项，能同时实现“菜肴评价”和“查询地址”的任务。因此，通过各种功能项实现每个任务，而且每个意图通过一组任务来实现。

因此，根据用户意图获取任务序列和功能项序列，例如，用户日志包括了任务的时序和用户选择用以实现任务的功能项。进一步，如此获取流程也是连续或主动学习过程。用户访问功能项和任务越频繁，从而形成越流行和越重要的功能项和任务。任务和功能项的重要性学习是主动学习过程。

因此，根据用户输入，创建满足用户需要的功能项序列F＝{f₁,f₂,…,f_n}，创建功能项序列后，用每个功能项f_i的调度S(f_i)＝(f_i,t_j)定义为在F中每个f_i执行时间。

进一步，如果定义时间函数为T(·)。然后T(S(f_i))＝t_j，和T(S(F)是功能项序列F的调度时间结果。T(S(F))可以简单表示为T，T代表在时间顺序中的时间段，T可以作为F调度结果，其中，T中第i个时间对应F中f_i的执行时间。在调度S(f_i)中时间t_j不同的调度可能产生不同的调度结果T。

进一步，获取用户的个人偏好并结合所述功能项序列中所述功能项的调度(408)。即完成个性化过程，如此用户会发现自动调度与用户自己人工调度是一样的或者本质上是相似的。函数q(S(f_i))定义为在功能项f_i调度上的个人偏好。

为了获得q(S(f_i))，确定调度S(f_i)的用户偏好，其中，所述调度S(f_i)是用于任意一个功能项f_i的调度。例如，如果所述用户数据库312有具体信息，可以从所述用户数据库312的历史记录获得用户偏好，其中所述具体信息是指与功能项序列上与功能项有关的用户信息。虽然，所述数据库312的真实用户历史记录仅仅提供稀疏信息，比如在能一定程度上反映用户偏好的交互时间上用户功能项执行频率。

利用协调过滤(CF)模型获得在任意时间调度S(f_i)缺失的用户偏好，通过利用其他用户和用户个人历史数据，在所述协调过滤模型下从稀疏的用户历史数据学习到在任意时间用户执行功能f_i频率和预测缺失数据，CF模型也能处理复杂的环境条件(比如时间，位置，温度，等)，从而能结合其他用户和用户本身显示的历史模式推断和预测隐藏在复杂的条件中的用户偏好。

预测缺失信息的问题被转化为稀疏的N维张量(比如，一个3维张量包括功能项，时间，用户)，解决预测缺失信息的问题用张量分解而不是用解决传统推荐系统的二维矩阵分解。因为在三维张量基础上很容易推出第四维或者更多维度(比如包括位置在内)，为了便于理解，CF模型在这里描述为3维张量：功能，时间，用户。

因此，定义为结果张量，其中n代表功能项的数量，r代表时间的数量，w代表用户的数量。结果张量包括在功能项，时间，和用户之间相互作用的频率，换而言之，在时间t_j内，用户u_k执行功能项f_i的频率(k∈[1,w],i∈[1,n],j∈[1,r])。

利用Cannonical典型分解或者平行因子(CP-分解)模型,通过分解所述张量为三维矩阵and解决所述预测缺失信息的问题，其中，三维矩阵and中的d是中心张量的维度，所述Cannonical典型分解或者平行因子(CP-分解)模型对应学习分别概括了每个功能项，时间和用户变量的因素。

F_i*代表整个矩阵F第i行，相似的，T_j*代表整个T矩阵第j行,U_k*代表整个U矩阵第k行。确定功能是将预测相互作用的缺失频率转化为时间t_j内，用户u_k执行功能项f_i的对应得分，确定功能如下公式所示：

通过预测分数S_ijk表示对于用户u_k，在时间t_j内调度S(f_i)中用户缺失的偏好。

所述模型的目标是结合显示的历史数据来计算功能项F^r×d，时间T^l×d，用户U^n×d,的变量，通过最小化以下目标函数计算所述变量：

其中p_ijk是从所述用户数据库312中显示的功能项-时间-用户频率历史记录；是基于所述变量的欧几里德距离的正则项。

图4中，获取用户的偏好后，确定或获取在功能项序列中功能项之间的相关性(410)。由于在功能项序列中的功能项是连续执行并整体满足用户需要，所以在功能项序列中的功能项与相邻功能项的存在相关性，而不是单独影响。例如，函数p(S(f_i-1),S(f_i))定义为调度与前一个调度的相关性。相关性也可以扩展到所述调度与前两个或两个以上的调度。

换而言之，功能项序列中功能项相关性也属于所述功能调度考虑范畴。在时间顺序中，用户常常在不同对应时间下连续执行功能项序列中的功能项，并且在功能项之间本身存在相关性。从标注问题(或者称为序列标签问题)到获取联合条件概率，采用隐马尔科夫模型(HMMs)建模需要将所述功能项之间的相关性作为一个考虑因素，其中，所述联合条件概率是指为实施整个功能项序列的用户偏好的联合条件概率。

以利用一元模型HMMs为例子，通过计算p(S(f_i-1)，S(f_i))＝P(S(f_i)|S(f_i-1))的条件概率确定功能项相关性，也就意味着，调度S(f_i)的概率与它前一个调度有关并且依赖于前一个调度S(f_i-1)。相关性可考虑扩展到F中的功能项和所述功能项前两个或几个功能项，计算式为p(S(f_i-2),S(f_i-1),S(f_i))＝P(S(f_i)|S(f_i-1),S(f_i-2))或者p(S(f_i-n),…,S(f_i-1),S(f_i))＝P(S(f_i)|S(f_i-1),…,S(f_i-n)).

从所述用户数据库312记录的频率值获取所述条件概率，例如，当考虑到与前一个调度相关性时，可以从 中得出条件概率P(S(f_i)|S(f_i-1)，其中C指用户经验的调度的观察计数。

进一步，用户U_k在任意时间t_j的功能f_i的条件下，利用从所述个人偏好学习模块310中归一预测分数从而获取q(S(f_i))，q(S(f_i))可以解释为在时间t_j上单功能f_i的调度S(f_i)下用户执行频率的概率，并且q(S(f_i))反映了单个调度的用户偏好。

S(f_i))，q(S(f_i)，p(S(f_i-1)的概率适用于标注问题，并且用联合概率P用来表明在相对可能的调度结果时间系列T上实施整个功能项序列的用户偏好，联合概率公式如下：

进一步，如图4，获得调度限制需要考虑功能项序列中的功能项调度(412)，也就是说，调度需要遵从调度限制的优先和无冲突。

设函数d(f_i)为功能f_i持续时间(完成功能项所需时间)，函数l(f_i-1,f_i)指从前一个功能项f_i-1,的位置到达功能f_i的位置的迁移时间，调度限制C的定义如下：

T(S(f_i))–T(S(f_i-1))≥d(f_i-1)+l(f_i-1,f_i) (6)

进一步，所述功能项序列调度根据个人偏好，相关性，和调度限制进行优化或者调整，从而确定至少一个个性化功能项序列调度(414)，也就是说，T_o定义为最优T，所述最优T是指在所有可能调度中找出个性化功能项序列调度的最优或匹配的方案，T_o用于执行满足用户需求的功能项序列F，其中，所述用户需求符合个人偏好，相关性，和调度限制。

换而言之，基于以上述变量，个性化功能项序列调度被归纳为发现最优T_o的优化问题，其中所述最优T_o是指符合调度限制，并最大限度满足用户个人偏好，其中所述用户个人偏好是具有相关性的功能项F执行序列，所述最优T_o公式如下：

其中q(S(f_i))是指在功能项f_i调度上用户偏好，其中，利用协同过滤(CF)模型和结合其他用户和用户的个人功能项的使用历史记录学习和预测所述用户偏好。应用适合于标注问题研究的隐马尔科夫模型(HMMs)，通过前调度S(f_i-1)计算调度S(f_i)的条件概率获取反映功能项相关性的p(S(f_i-1)，S(f_i)，容易推导出扩展到前两个或前几个功能项的相关性，如p(S(f_i-2)，S(f_i-1)，S(f_i))或p(S(f_i-n)，…S(f_i-1)，S(f_i))。e_i表示调度S(f_i)是否满足调度限制C取决于是否能找到最佳的调度结果T_o作为在n个顶点的路径加权有向无环图(DAG)网络G＝(V,E)中的最优路径。其中，创建所述n个顶点的路径加权有向无环图(DAG)网络G＝(V,E)是利用图论问题中的关键路径分析模式。

具体的，创建n个顶点的路径加权有向无环图(DAG)网络以寻找图中的最优路径，所述最优路径代表了满足所有调度限制C的最优T_o，所述最优T_o调度F的最佳或最个性化的调度。

当涉及图论模型上的关键路径分析方法，通过以下标记法建立DAG模型

1)G＝(V,E)是指有向无环图(DAG)。

2)顶点集合V中的顶点是指t_j时间上调度S(f_i)，还包括两个额外的指定的，分别作为起始顶点和终止顶点的顶点V_S和V_E。

3)边集合E中的边是指按F顺序中从前一个顶点到下一个顶点之间的有向线段。

4)路径(v_s,v_e)是指连接从起始顶点V_S到终止顶点V_E之间，所有顶点的边的路线。沿着路径的多个顶点的时间组成一组时间段T，因此具有符合条件边的路径是F的调度并且最优路径path_o是在F上最优时间段T_o。

此外，功能项序列调度最优化方案满足以下限制：

1)在序列中功能项的优先级：由于F中的功能f_i是按序排列，选择可能作为执行时间的t_j应该是满足优先级限制，即t_j大于前一个功能项f_i-1调度执行时间。

2)执行功能项持续时间：功能项f_i的调度时间不应该在前一个功能项f_i-1持续时间内。

3)迁移成本：当功能项需要在不同位置上执行，在相邻功能项之间迁移将会有时间成本。调度时需要考虑时间成本。

函数d(f_i)定义为功能项f_i的持续时间，函数l(f_i-1,f_i)为在功能项之间的迁移成本，其中调度限制C如方程6所示。

为了满足限制C，分配指示子e_i给有向无环图中每个边用于表明其是否满足限制，从而向用户保证调度没有冲突。

值得注意，连接开始和结束顶点组v_s和v_e的边取值为1。

进一步，在顶点-n-边-加权图中，通过分配每个顶点值的权重来加权顶点V，关于边E的权重，每个边被分配值的权重。路径代表着可能成为最优调度的调度，其中，所述路径具有符合要求并且通过v_s到v_e相应的顶点的边(相反的，e_i＝0表示没有符合要求的边)。

由于优化功能项序列调度的目标是在限制C的控制下和在优化时间系列T_o内最大化调度功能项序列F的用户偏好，寻找最大化联合概率P的T_o可以表示所述目标：

用在DAG模式中顶点的权重为和边的权重为用在有向无环图的公式9中描述的最优目标进一步转换为寻找最优路径，如公式10所示的，所述最优路径是指所有顶点和边面的总数最小时：

在有向无环图中应用改进的迪杰斯特拉算法以生成所述最短路径。迪杰斯特拉算法是一个计算复杂度成本较小的层次递进算法。在算法每一个计算步骤中，一些顶点具有永久标号，另一些顶点具有临时标号。

例如，通过以下步骤完成该层次递进算法：

步骤1在拓扑排序中有所有顶点，并且为起始顶点Vs分配数值为M_s＝0的永久标号，其余顶点分配临时标号R_ij＝∞。

步骤2在可能还没有永久标签的路径上，与有前永久标号的顶点v_i′j′通过符合条件的定向边连接的每一个顶点v_ij生成了新的临时标签，其临时标号的值如下所示：

其中R_ij是指沿着路径，顶点和侧面的权重，以及e_i的互补对数，在有前永久标签顶点上的累计值。

步骤3：不同路径下在所有顶点的临时标签中最小值R_ij指定为在相对的顶点中，有M_ij值的永久标签。

M_ij＝min{R_ij} (12)

重复步骤3和步骤4直到结束顶点v_e,获得永久标签。所述最优路径是指在有最小值的结束顶点上有M_e永久标签的顶点。

因此，通过对具有最小值的结束顶点v_e追溯，获得最优路径path_o，沿着路径path_o的顶点时间组成最优时间系列T_o，并且作为最终优化功能项序列调度时间结果。

进一步，如图4所示，确定最优或者个性化的功能项序列调度后，可能向用户呈现或推荐功能项序列和个性化功能项序列(416)，用户可选择具有功能项调度的功能项序列，系统自动执行功能项序列，其中包括在已确定的功能项调度基础上，从一个功能项到另一个功能项的定向过渡。或者如果用户选择特殊功能项或功能项组，系统将会引用这个功能项或者功能项组。为了后续功能项序列调度确定，所述用户库312将记录和存储包括用户使用的序列，功能项，调度在内的用户选择。

例如，根据从推荐功能项序列中提取的最优调度的信息和结果，以及根据用户选择，系统能够推荐功能项序列调度的细节，如第一个功能项什么时候开始，下一个功能项是什么，从前一个功能项到下一个功能项进行迁移是否有足够时间，是否有在日程上已经调度的其他事件占用了在功能项序列上任意功能项的时间。在完成前一个功能项后用户是否应该马上开始下一个功能项，或者最好选择其他时间开始下一个功能项，这样可以在更适合的时间完成所有功能序列，调度一个实现客户需要的功能项序列最佳的整体方法会是什么等。

因此，利用本发明中的功能项序列调度方法和系统，个性化功能项序列调度问题被归纳为新的公式，并且形成框架，所述框架能够调度实现客户意图的功能项序列。通过所述框架向终端用户自动推荐用户偏好，无冲突和最优的整体调度。通过综合个人历史数据和其他用户的数据，所述体制中的个性化偏好学习模块和算法能够学习并且预测在任何时间下实现功能项的用户隐含偏好。通过应用张量分解和协同过滤器实现其结果。在考虑功能项序列的相关性和满足所有限制情况下，修改和结合图表中一元HMMs模型，从有向无环图中的关键路径分析和改进的迪杰斯特拉算法能够自动搜索功能项序列中最优的整体调度。最后调度是加入用户现存调度后没有任何冲突的最佳调度，其中，实现用户需要的新功能项序列框架提供了所述最后调度。

本发明具体实施例所述的系统仅用于解释，相类似的想法和实现方法均可以应用于其他不同的系统中，将本发明所述系统和方法应用在不同领域，进行改进，替换，调整或者相当于本发明所公开的具体技术实施方案都是本领域普通技术人员不需要通过创造性劳动就能实现的。

Claims (20)

1.一种向用户推荐个性化调度的功能项序列的方法，其特征在于，所述方法包括：

获取由用户输入的至少一个用户意图；

创建包括用于实现用户意图的若干功能项的功能项序列；

确定在功能项序列中若干功能项调度的用户偏好；

确定在功能项序列中若干功能项之间的相关性；

确定在功能项序列中若干功能项调度的调度限制；

根据所述用户偏好、相关性以及调度限制，通过最优化方法确定

用于功能项序列中的若干功能项的所述个性化调度用以实现用户

意图；以及向用户推荐所述个性化调度的功能项序列。

2.根据权利要求1所述的方法，其特征在于，所述创建包括用于实现用户意图的若干功能项的功能项序列，具体包括：将所述用户意图分成多个无序的任务；以及确定与所述任务对应的功能项。

3.根据权利要求1所述的方法，其特征在于，所述确定在功能项序列中若干功能项调度的用户偏好具体包括：根据用户数据库确定用户偏好，所述用户数据库包括关于功能项的用户历史记录。

4.根据权利要求3所述的方法，其特征在于，还包括：当所述用户数据库没有包括足够的关于功能项的用户历史记录时，根据功能、时间以及用户的三维目标函数，利用在其他用户和用户本身的历史记录上的协同过滤模型预测所述用户偏好。

5.根据权利要求3所述的方法，其特征在于，所述确定在功能项序列中若干功能项之间的相关性，具体包括：确定用当前功能项与前一个或前几个功能项的条件概率，用以表示当前功能项与前一个或前几个功能项的相关性；所述条件概率从所述用户数据库记录的频率值获取。

6.根据权利要求5所述的方法，其特征在于，所述确定在功能项序列中若干功能项调度的调度限制具体包括：根据功能项的持续时间和从在前功能项位置切换到所述功能项位置的迁移时间确定所述功能项的调度限制。

7.根据权利要求6所述的方法，其特征在于，所述通过最优化方法确定用于功能项序列中的若干功能项的所述个性化调度，具体包括：确定能够满足所述调度限制并且在具有对应的相关性的功能项序列的功能项执行中，最大限度的满足所述用户偏好的个性化时间结果。

8.根据权利要求7所述的方法，其特征在于，具体包括：假设有n个功能项，i为整数，代表功能项的数量，其中T代表时间结果，T_o代表所述最优时间结果；F＝{f₁,f₂,…,f_n}代表有多个功能项f₁的所述功能项序列，每个功能项序列有一个调度S(f_i)＝(f_i,t_j)；q(S(f_i))代表在功能项f_i调度上的所述用户偏好，p(S(f_i-1)，S(f_i)代表所述相关性，e_i代表调度S(f_i)是否满足调度限制C，通过以下式子确定所述最优时间结果：

$T_o=\underset{T}{\arg max}\{{\Π}_{i=1}^{n}q\left(S\right(f_i\left)\right)\·p\left(S\right(f_{i-1}),S(f_i\left)\right)\·$

9.根据权利要求8所述的方法，其特征在于，具体包括：通过目标路径能确定最优时间结果T_o，所述目标路径是指在利用关键路径分析模式创建的所述顶点-n-边-加权有向无环图网络G＝(V,E)上的路径，其中，V代表顶点集合，在顶点集合V上的每个顶点是在时间t_j上的调度S(f_i)，E代表边的集合，边的集合E内的边定义为按所述功能项序列的顺序连接前一个顶点与下一个顶点有向线段。

10.根据权利要求9所述的方法，其特征在于，具体包括：设顶点v_s为开始顶点，v_e为结束顶点，(v_s,v_e)表示连接v_s到v_e之间所有顶点的边组成的路径，所述目标路径为在所述顶点-n-边-加权有向无环图网络中由符合条件的边组成的路径。

11.一种向用户推荐个性化调度的功能序列的系统，其特征在于，所述的系统具体用于：输入模块，用于获取由用户输入至少一个用户意图；功能项序列模块，用于创建包括用于实现用户意图的功能项的若干功能项序列；功能项偏好学习模块，用于确定在功能项序列中若干功能项调度的用户偏好；功能项序列调度模块，用于确定在功能项序列中若干功能项之间的相关性和调度限制，根据所述用户偏好、相关性以及调度限制，通过最优化方法确定用于功能项序列中的若干功能项的所述个性化调度用以实现用户意图；最优调度输出模块，用于向用户推荐具有个性化调度的功能项序列。

12.根据权利要求11所述的系统，其特征在于，所述功能项序列模块具体用于：将所述用户意图分成多个无序的任务；以及确定与所述任务与对应的功能项。

13.根据权利要求11所述的系统，其特征在于，所述功能序列模块具体用于：根据用户数据库中确定用户偏好，所述用户数据库包括关于功能项的用户历史记录。

14.根据权利要求13所述的系统，其特征在于，所述功能偏好学习模块具体用于：当所述用户数据库没有包括足够的关于功能项的用户历史记录时，根据功能，时间以及用户的三维目标函数，利用在其他用户和用户本身的历史记录上的协同过滤模型预测所述用户偏好。

15.根据权利要求13所述的系统，其特征在于，所述功能序列调度模块具体用于：确定用当前功能项与前一个或前几个功能项的条件概率，用以表示当前功能项与前一个或前几个功能项的相关性；所述条件概率从所述用户数据库记录的频率值获取。

16.根据权利要求15，所述的系统，其特征在于，所述功能序列调度模块具体用于：根据功能项的持续时间和从在前功能项位置切换到所述功能项位置的迁移时间确定所述功能项的调度限制。

17.根据权利要求16，所述的系统，其特征在于，所述功能序列调度模块具体用于：确定能够满足所述调度限制并且在具有对应的相关性的功能项序列的功能项执行中，最大限度的满足所述用户偏好的个性化时间结果。

18.根据权利要求17，其特征在于，所述的系统：假设有n个功能项，i为整数，代表功能项的数量，其中T代表时间结果，T_o代表所述最优时间结果；F＝{f₁,f₂,…,f_n}代表有多个功能项f₁的所述功能项序列，每个功能项序列有一个调度S(f_i)＝(f_i,t_j)；q(S(f_i))代表在功能项f_i调度上的所述用户偏好，p(S(f_i-1)，S(f_i)代表所述相关性，e_i代表调度S(f_i)是否满足调度限制C，通过以下式子确定所述最优时间结果：

$T_o=\underset{T}{\arg max}\{{\Π}_{i=1}^{n}q\left(S\right(f_i\left)\right)\·p\left(S\right(f_{i-1}),S(f_i\left)\right).$

19.根据权利要求18所述的系统，其特征在于，通过目标路径能确定最优时间结果T_o，所述目标路径是指在利用关键路径分析模式创建的所述顶点-n-边-加权有向无环图网络G＝(V,E)上的路径，其中，V代表顶点集合，在顶点集合V上的每个顶点是在时间t_j上的调度S(f_i)，E代表边的集合，边的集合E内的边定义为按所述功能项序列的顺序连接前一个顶点与下一个顶点有向线段。

20.根据权利要求19所述的系统，其特征在于：设顶点v_s为开始顶点，v_e为结束顶点，(v_s,v_e)表示连接v_s到v_e之间所有顶点的边组成的路径，所述目标路径为在所述顶点-n-边-加权有向无环图网络中由符合条件的边组成的路径。