CN107004170B

CN107004170B - 为惯例外事件定制的服务内容

Info

Publication number: CN107004170B
Application number: CN201580065853.6A
Authority: CN
Inventors: G·拉维; D·多塔恩科恩; O·韦纳斯; H·比特兰; L·拉哈尼; I·普里奈斯; H·索梅奇
Original assignee: Microsoft Technology Licensing LLC
Current assignee: Microsoft Technology Licensing LLC
Priority date: 2014-12-05
Filing date: 2015-12-04
Publication date: 2021-11-26
Anticipated expiration: 2035-12-04
Also published as: US10320913B2; US20160164974A1; CN107004170A; EP3227840A1; WO2016090193A1

Abstract

在实现方式中，识别从事件的检测到的实例的模式的偏离，其中所述事件属于用户的惯例。识别出的偏离对应于惯例外事件。生成对应于识别出的惯例外事件的上下文信息。此外，基于上下文信息选择用于向用户呈现内容的一个或多个推荐动作。向服务提供关于识别出的惯例外事件的指示、上下文信息、以及一个或多个推荐动作，服务可以是用户设备上的应用。服务可以基于识别出的惯例外事件、生成的对应于识别出的惯例外事件的上下文信息向用户呈现内容。服务可以遵循或忽视所选的一个或多个推荐动作中的任一个。

Description

为惯例外事件定制的服务内容

背景技术

据说人类是具有习惯的生物。因此，许多设备被设计为适用于或定制为适应用户的习惯行为或惯例。例如，许多蜂窝电话和家庭电话允许用户将快速拨号号码设置于其中，从而允许用户通过仅按下一个键或按钮来拨打快速拨号号码，而不是必须拨打整个电话号码。类似地，许多计算机程序允许用户定制图形用户界面(GUI)，以便使得常用的工具或特征更易于访问。虽然在用户参与其习惯行为时这些设备是最有用的，但是在用户偏离其惯例时这些设备的实用性受到损害。例如，用户可能变得习惯于帮助其行为习惯的或以其它方式为其行为习惯定制的但是在违背惯例动作时不可用的特征。然而，通常，在用户已经背离、正在背离或计划背离其惯例时，帮助才是最有用的。

发明内容

提供该“发明内容”是为了以简化形式介绍下文在具体实施方式中进一步描述的概念的选择。该发明内容并不旨在标识所要求保护的技术方案的关键特征或必要特征，也不旨在用作帮助确定所要求保护的技术方案的范围。

本公开的各方面涉及为惯例外事件定制的服务内容。事件可以对应于定义的用户动作或一组用户动作，其可以在定义的条件下，例如一天中的某时、一周中的某天、位置、或与用户相关联的其它模式或其它可检测的行为，例如与地理位置相关联的动作、位置的语义、与用户一起的人、天气条件等。用户惯例或用户的惯例可以对应于可以对应于用户的重复发生的动作、行为模式、或其它习惯行为，例如用户的锻炼习惯、用户的工作通勤惯例等。在该方面，可以根据组成惯例的一个或多个事件定义该惯例。

在某些方面，本公开提供了相对用户检测和追踪事件的一个或多个实例。可以相对一个或多个惯例分析检测到的事件。例如，基于对应于用户的由组成惯例的检测到的事件形成的模式，惯例可以被识别为对应于该用户。

在其它方面，本公开涉及识别在用户和用户的一个或多个惯例之间的偏离(divergence)。可以通过确定组成惯例的一个或多个事件是惯例外事件，来识别在用户和用户惯例之间的偏离。在一些情况下，在以下情形下对于一惯例而言一事件可能是惯例外的：确定用户相对该惯例将偏离或已经偏离该事件。对此，偏离可以对应于背离惯例的事件的检测到的事件的建模模式。

通过识别惯例外事件，可以基于识别出的惯例外事件，向用户提供内容(例如服务内容)，从而为惯例外事件定制内容。因此，例如，用户可以接收帮助或接收定制的内容，即使在识别出用户将偏离、正偏离或已经偏离其惯例时。在一些方面，可以基于识别一个或多个惯例外事件，以及还基于对应于惯例外事件的上下文信息，将内容提供给用户。可以为一个或多个惯例外事件生成上下文信息，其可以表示惯例外事件的上下文(例如，惯例外事件的属性)。此外，可以确定向用户提供内容的一个或多个推荐动作。这些和其它方面被认为在本公开的范围内。

附图说明

在下文参考附图详细描述了本发明，其中：

图1是示出了根据本公开的实现方式用于为惯例外事件定制内容的系统的框图；

图2是示出了根据本公开的实现方式的示例性惯例管理环境的框图；

图3示出了根据本公开实现方式的示例性内容；

图4是示出了根据本公开实现方式的用于为惯例外事件定制内容的方法的流程图；

图5是示出了根据本公开实现方式的用于为惯例外事件定制内容的方法的流程图；

图6是示出了根据本公开实现方式的用于为惯例外事件定制内容的方法的流程图；以及

图7是适于用于本公开实现方式中的示例性计算环境的框图。

具体实施方式

结合本文的特异性描述本发明的技术方案以满足法定要求。然而，描述本身并不旨在限制本专利的范围。而是，发明人已经构思出结合其它当前或将来的技术所要求保护的技术方案还可能以其它方式体现，以包括类似于在本文档中描述的步骤的不同步骤或步骤组合。此外，虽然术语“步骤”和/或“框”在此可以用于表示采用的方法的不同元素，但是所述术语不应当被解释为暗示在此公开的各种步骤当中或之间的任何特定次序，除非明确描述各步骤的次序时。

本公开的各方面涉及为惯例外事件定制的服务内容。事件可以对应于定义的用户动作或用户动作组，其可以在定义的条件之下，例如，一天中的某时、一周中的某天、位置、或与用户相关联的其它模式或其它可检测的行为，例如与地理位置相关联的动作、位置的语义、与用户在一起的人、天气条件等。用户惯例或用户的惯例可以对应于用户的重复发生的动作或行为模式。在该方面，可以根据组成惯例的一个或多个事件来定义惯例。

在某些方面，本公开提供了相对用户检测和追踪事件的一个或多个实例。可以相对一个或多个惯例分析检测到的事件。例如，基于对应于用户的由组成惯例的检测到的事件形成的模式，该惯例可以被识别为对应于该用户。

在其它方面，本公开涉及识别在用户和用户的一个或多个惯例之间的偏离。用户和用户的惯例之间的偏离可以通过确定组成该惯例的一个或多个事件是惯例外事件来识别。在一些情况下，在以下情形下相对于一个惯例一个事件可能是惯例外的：确定用户相对该惯例将偏离、已经偏离或可能偏离该事件。对此，偏离可以对应于背离惯例的事件的检测到的事件的建模模式。

通过识别惯例外事件，可以基于识别出的惯例外事件而将内容(例如，服务内容)提供给用户，从而为惯例外事件定制该内容。因此，即使在识别出用户将偏离、正在偏离或已经偏离其惯例时，用户也可以接收辅助。在一些方面，可以基于识别一个或多个惯例外事件，以及还基于对应于惯例外事件的上下文信息，而将内容提供给用户。可以针对一个或多个惯例外事件生成上下文信息，其可以表示惯例外事件的上下文。此外，可以基于用于向用户提供内容的一个或多个推荐动作来提供内容。

在某些方面，可以基于能够表示发生惯例事件的一个或多个实例的累积的用户数据，来分析惯例。累积的用户数据可以包括对应于用户的数据的集合。可以通过多种可能的数据源和/或数据系统随着时间连续收集用户数据，所述用户数据总体形成用户动作的模式的详细记录，且对应于用户的一个或多个惯例。根据累积的用户数据可以在用户独自不可实现的范围、精度和数量的级别上识别、提取和/或分析用户的这些惯例。

意图是用户数据的积累体现针对个体、商业和公共部门组织的健壮的隐私和数据保护。在该方面，用户被赋予了对与用户数据相关的多个方面的控制权，包括能够选择加入或选择退出数据收集和/或在本文描述的各种追踪或分析特征中的任意一个。此外，将实现保护措施来保护敏感用户数据在没有用户明确同意的情况下不被其他方(包括其他用户)访问。另外，在可能时，意图是使任意数据成为匿名的。

转向图1，提供了示出了可以采用本公开的一些实现方式的示例性系统100的图。应当理解的是，本文描述的这个和其它布置仅仅是作为例子来阐述的。除了或替代图示的那些之外，还可以使用其它布置和元件(例如，机器、接口、功能、命令以及功能组等)，并且一些元件可以被一起省略。此外，本文描述的许多元件是功能实体，其可以被实现为分立的或分布的部件或与其它部件结合，并且在任意适当的组合和位置处。本文描述的由一个或多个实体执行的各种功能可以由硬件、固件和/或软件执行。例如，可以通过执行存储于存储器内的指令的处理器来实现各种功能。

除了未示出的其它部件外，系统100包括多个用户设备，例如用户设备102a和102b-102n；多个数据源，例如数据源104a和104b-104n；服务器106；以及网络108。应该理解的是，图1中示出的系统100是一个适当的计算系统架构的例子。图1中示出的每个部件可以经由任意类型的计算设备(例如，计算设备700)实现，稍后将例如结合图7描述。部件可以经由网络108彼此通信，所述网络可以包括但不限于一个或多个局域网(LAN)和/或广域网(WAN)。在示例性实现方式中，网络108包括互联网和/或蜂窝网络，以及多种可能的公共和/或私有网络中的任何一个。

应该理解的是，在本公开的范围内，可以在系统100内采用任意数量的用户设备、服务器和数据源。每个可以包括单个设备或在分布式环境中合作的多个设备。例如，可以经由布置在分布式环境中的统一提供本文描述的功能的多个设备提供服务器106。另外，未示出的其它部件也可以包含于分布式环境中。

用户设备102a和102b-102n可以是在系统100的客户端侧的客户端设备，而服务器106可以在系统100的服务器侧。服务器106可以包括服务器侧软件，其设计为结合用户设备102a和102b-102n上的客户端侧软件工作，以便实现在本公开中讨论的特征和功能的任意组合。提供系统100的这种划分以示出适合系统的一个例子，并且对每个实现方式不要求服务器106和用户设备102a和102b-102n的任何组合保持为单独的实体。

用户设备102a和102b-102n可以采用多种形式，例如个人计算机(PC)、膝上型计算机、移动电话、智能电话、智能手表、平板计算机、可穿戴计算机、个人数字助理(PDA)、MP3播放器、全球定位系统(GPS)设备、视频播放器、手持通信设备、工作站、这些描述设备的任意组合、或任意其它适当设备。

数据源104a和104b-104n可以包括数据源和/或数据系统，其配置为使得数据可用于系统100的各种成分中的任一种。在一些情况下，至少一个数据源与用户设备102a和102b-102n和服务器106是离散的。然而，至少一个数据源可以并入和/或集成到这些部件中的至少一个中。

系统100可以用于实现惯例管理环境，其中可以相对多个用户识别、追踪和分析惯例。现在结合图1参考图2，图2示出了根据本公开的实现方式的系统100的示例性惯例管理环境210。

惯例管理环境210包括惯例追踪器212。惯例追踪器212包括惯例识别器216和惯例外检测器218。惯例识别器216配置为根据用户数据识别一个或多个用户的惯例。在一些情况下，针对用户的惯例识别是适应性的，从而针对一个用户识别的惯例在将来基于随着时间的用户行为的改变(例如，行为模式的改变)可能不再针对该用户而被识别。惯例外检测器218配置为检测或识别在用户和其惯例之间的偏离。在各种实现方式中，惯例外检测器218可以用于检测或识别用户将偏离、正在偏离、或已经偏离于组成惯例的一个或多个事件。在一些情况下，基于用户行为的改变可以随着时间而调整用户的惯例，从而更精确地检测和识别从这些惯例的偏离(例如，以适应用户行为模式的改变)。

虽然惯例识别器216和惯例外检测器218示出为单独的部件，但是至少一些功能可以在部件之间共享。例如，识别惯例或事件可以隐含在惯例外检测器218的功能中。作为例子，惯例外检测器218在确定是否应该识别惯例外事件时可以考虑由检测到的事件形成的模式(表示惯例)的强度。因此，可以理解的是，不是所有在此描述的实现方式都需要惯例识别器216和惯例外检测器218。

惯例识别器216和惯例外检测器218可以采用来自一个或多个数据源的累积的用户数据和/或解释性数据，所述数据源例如是数据源204a和204b-204n的任意组合，对应于图1中数据源104a和104b-104n。用户数据对应于与一个或多个用户相关联的数据。如本文使用的，用户可以对应于用户账户，例如，用户账户222之一，其可选地可以与用户名、密码、用户设备(例如，媒体访问控制地址)、互联网协议(IP)地址、通用唯一标识符(UUID)和/或其它用户标识符中的一个或多个相关联。

解释性数据对应于惯例追踪器212用于解释用户数据的数据。解释性数据可以用于向用户数据提供上下文，这可以支持由惯例追踪器212做出的确定或推理。作为例子，用户数据可以表示用户吃了甜甜圈，而解释性数据可以包括营养信息，由惯例追踪器212用于推断用户吃了不健康的一餐。利用用户数据和/或用户数据与解释性数据的组合，惯例追踪器212可以检测用户相对惯例的事件，将在后文更详细地描述。

数据收集部件214可以用于促进一个或多个用户的数据和/或用于惯例追踪器212的解释性数据的累积。数据可以通过数据收集部件214进行累积以及可选地重新格式化和/或组合，并存储于一个或多个数据库中。数据源104a和104b-104n的任意组合可以包括通过数据收集部件214累积的一个或多个用户的用户数据和/或解释性数据。

用户数据可以与一个或多个用户账户(例如，用户账户222)相关联。在一些情况中，用户数据可能不直接与用户账户相关联，而是与已知或指定为对应于相同用户的另一用户账户相关联。例如，用户账户222之一可以链接到一个或多个其它用户账户，其可以在另一系统或其它系统中。例如，相同用户可以具有Facebook账户、PayPal账户、Google账户、Twitter账户、银行账户、eBay账户以及Amazon账户，其每一个可以与用户的用户数据相关联。

用户数据和解释性数据可以从多个源累积，在所述源中可获得多种形式的数据。用户数据的例子包括源自一个或多个传感器的数据，例如传感器提供智能电话数据、家庭传感器数据、全球定位系统(GPS)数据、车辆信号数据、可穿戴设备数据、用户设备数据、陀螺仪数据、加速度计数据、日历数据、电子邮件数据、日程数据、信用卡使用数据、购买历史数据、可由传感器(或检测器)部件感知或检测到的其它传感器数据，其源自与用户相关联的传感器部件(包括地点、运动、方向、位置、用户接入、用户活动、网络接入、充电设备、或能够由一个或多个传感器部件提供的其它数据)以及更多。在一些方面，可以在用户信号中提供用户数据。用户信号可以是从对应的数据源对用户数据的馈送。例如，用户信号可以来自智能电话、家庭传感器设备、GPS设备(例如，用于位置坐标)、车辆传感器设备、可穿戴设备、用户设备、陀螺仪传感器、加速度计传感器、日历服务、电子邮件账户、信用卡账户、或其它数据源。

可以以多种可能的方式实现惯例追踪器212以追踪惯例。在一些情况下，惯例追踪器212包括推理引擎(例如，基于规则的推理引擎)，其用于追踪惯例。推理引擎可以利用解释性数据来关联用户数据和惯例的一个或多个事件，以及识别和检测从惯例的一个或多个事件的偏离。在一些情况下，惯例追踪器212可以采用对应于惯例的惯例模型，其例子在以下结合惯例模型230(在此也称作“惯例230”)进行描述；以及对应于可检测事件的事件模型，其例子在以下结合事件模型234(在此也称作“事件234”)进行描述。

惯例追踪器212可以可选地基于对应于惯例的惯例模型230追踪惯例。惯例模型230对应于对应惯例的表示，其例子包括惯例模型232a和232b(在本文也称作“惯例232a和232b”)。每个惯例模型包括组成对应惯例的一个或多个事件。例如，惯例模型232a包括事件模型234a(在本文也称作“事件234a”)，并且惯例模型232b包括事件模型234b(在本文中也称作“事件234b”)。

如上所述，事件可以对应于定义的用户动作或用户动作组，其可以在定义的条件下，例如，一天中的某时、一周中的某天、位置、或与用户相关联的其它模式或其它可检测行为，例如与地理位置相关联的动作、位置的语义、与用户在一起的人、天气条件等。每个用户动作可以由惯例追踪器212利用由数据收集部件214提供的与用户相关联的一个或多个用户信号进行识别。事件的例子是用户在餐厅吃饭、用户在特定餐厅吃饭、用户在地理区域、用户在地理位置、用户参加会议、接收与用户相关联的传感器读数、用户去健身房、以及用户在工作等许多更多可能性。

不同的惯例可以共享一个或多个事件，但是可以通过至少一个事件彼此区分开。因此，一个惯例可以包括去健身房的事件(例如，在特定时间或时间帧，例如在一周的某天、或在一天的特定小时)以及去工作的事件，以及另一惯例可以包括用户参加会议的事件和用户去健身房的事件。在当前例子中，从事件234选择组成惯例232a和232b的事件234a和234b。注意在一些情况下，事件(例如，事件234之一)可能不组成惯例，而是可用于识别一个或多个惯例外事件。

每个事件可以具有对应的事件定义，其包括一个或多个条件以及可选的一个或多个追踪变量。例如，事件234包括条件235和追踪变量236；并且惯例模型232b包括事件234b，其包括条件235b和追踪变量236b。惯例追踪器212利用条件来确定是否发生以及是否应该检测事件的实例。特别地，惯例追踪器212可以基于确定满足对应于事件的条件，来检测已经发生事件的实例。

可以对检测事件的实例放置多种条件中的任一种。在一些方面，可以通过使得对应于事件的数据可用于惯例追踪器212而满足事件的一个或多个条件。作为例子，对应于用户的血压读数的事件的实例可以以血压读数可用于监视用户的血压的惯例为条件。

事件可以可选地包括一个或多个事件变量。事件变量包括数据字段，其可以填充有由惯例追踪器212根据用户数据生成的数据，用户数据是数据收集部件214所提供的。具有一个或多个事件变量的事件还可以被称作变量事件。其它事件可以是静态的，并可以称作静态事件。

在一些情况下，事件的条件可以采用一个或多个事件变量。例如，事件的一个或多个条件可以对由用户数据针对事件的一个或多个事件变量提供的值进行一个或多个约束。例如，对于事件的实例已经发生而言,事件可以要求血压读数在指定范围内。

追踪变量是由惯例追踪器212相对事件的对应的检测到的实例分配和/或记录的事件变量。特别地，对应于追踪变量的值可以与用户相关联地(例如，相对于用户账户222的对应一个)存储于惯例追踪数据238中。

追踪变量可以对应于多个用户数据的任一个，其例子在以上进行了描述并且包括可以由一个或多个传感器感测的传感器数据或读数(例如，与用户设备相关联的关于地点、位置、运动/方向、用户接入/触摸、与充电器连接/断开连接、在用户设备上的用户活动的信息，或可以由一个或多个传感器(例如在移动设备上发现的传感器)感知到的其它信息)，GPS坐标样本等。可以理解的是，追踪变量的值可以与一个或多个事件和/或惯例相关联，并不必是事件或惯例特定的。追踪变量的例子是对应于事件的相应实例的时间戳。时间戳可以表示事件的实例相对于事件的其它实例(以及可选的对应惯例的一个或多个其它事件的实例)的相对次序或顺序。

作为另一例子，事件可以包括用户到达商店。一个追踪变量可以对应于到达位置，例如到达位置名称。在检测事件时，惯例追踪器212可以基于包括关于用户电话(例如，图1的用户设备102a)的GPS数据的用户数据来推断满足到达，其中基于解释性数据将到达位置名称识别为商店并进行存储，所述解释性数据包括用于使来自用户电话的坐标与对应的位置名称相关联的地图数据。因此，例如，对于一个实例，到达位置名称可以是“Walmart”；而对于另一实例，到达位置名称可以是“Target”。然而，可以理解的是，检测和追踪事件的粒度级别可以改变。因此，作为例子，到达位置名称不需要是追踪变量。此外，可能的追踪变量(或更一般地事件变量)的其它例子包括到达时间(例如，时间戳)、到达位置坐标、驱动速度、每英里汽油消耗量、车辆名称等。

惯例追踪器212可以搜索和/或分析用户数据以获得多个事件和/或其事件变量中的任一个。通过匹配用户数据和一个或多个事件和/或其事件变量，惯例追踪器212可以检测事件，并根据用户的检测到的事件的模式来识别惯例，以及相对于用户识别和检测从惯例的事件的可能的或实际的偏离。

本文描述了惯例识别器216如何进行这种确定的一些例子。然而，惯例识别和追踪的许多变型是可能的。在一些情况下，在确定用户是否实践惯例时，惯例识别器216可以确定惯例的置信度分数，和/或惯例的一个或多个事件的相应置信度分数。当惯例的置信度分数超过阈值时，惯例识别器216可以确定用户实践惯例。类似地，当事件的置信度分数超过阈值时，惯例识别器216可以确定用户实践事件。

置信度分数可以对应于出现在检测到的事件的追踪变量的一个或多个值的分布中对应的建模模式的相对强度。置信度分数可以受到各种因素的影响，例如，模式的方差、形成模式的检测到的事件的年龄、以及形成模式的检测到的事件的数量。在一些情况下，当分配给惯例的所有事件的所有置信度分数超过其相应的阈值时，惯例识别器216可以确定用户实践惯例。应该注意的是，上述阈值的任意组合可以相对彼此相同或不同。

可以通过利用一个或多个置信度度量来确定事件和/或惯例的置信度分数。在一些实现方式中，基于如检测到的事件形成的模式表示的、事件和/或惯例随着时间的检测到的重复或迭代，置信度度量增加置信度分数。基于相对一个或所有重复或迭代的经过时间，可以对置信度分数进行折扣。例如，基于对应的用户行为发生在很久远的过去，在过去很高的置信度分数现在可能是很低的。作为另一例子，随着时间的推移，可能从考量和/或存储逐渐停止迭代。这样，惯例识别器216可以适应于不断改变的生活方式，其中用户可以随着时间改变其行为。

如上所述，惯例追踪器212可以将在追踪用户惯例时采用的各种数据中的任意数据存储为惯例追踪数据238。在一些情况下，惯例追踪数据238可选地包括识别惯例以及在惯例和一个或多个用户之间的分配的条目。条目可以存储或表示与惯例相关联的各种数据中的任一种，例如，惯例的事件和/或与这些事件的追踪变量相关联的值。惯例追踪数据238还可以包括关于事件和/或惯例的置信度分数，其对应于一个或多个用户。如上所述，随着时间，当周期性地分析用户数据并且确定和/或更新置信度分数时，惯例追踪器212可以更新惯例追踪数据238。

惯例外检测器218可以利用惯例追踪数据238来基于确定用户将偏离、正偏离或已经偏离该用户的惯例的一个或多个事件而检测或识别该用户处于惯例外。在这方面，惯例外检测器218可以识别一个或多个惯例外事件。在一些情况下，在以下情形下针对一个惯例而言一个事件可以是惯例外的：确定相对于该惯例用户将偏离或已偏离该事件。就此，偏离可以对应于背离惯例事件的检测到的事件的建模模式。可以利用统计模型(例如，参数模型、或其它适当的模型)对模式进行建模，并可以对模式进行分析以用于识别对其的偏离。

可以理解的是，在一些情况下，一个事件可以基于从该事件的实际偏离而被识别为是惯例外的，在实际偏离中用户数据表示用户已经违背了该事件的某个条件或模式，这与从该事件的预测偏离相反，在预测偏离中用户数据表示用户可能违反该事件的某个条件或模式。例如，惯例外事件的例子可以是用户在他们通常并不执行一个或多个用户动作(例如事件)的时间执行该动作。在一些情况下，用户可能在他们通常不进行电话呼叫的时间进行电话呼叫。在其它情况下，用户可能在用户通常不发送电子邮件的深夜发送电子邮件。然而，基于临时的偏离，无需将事件识别为是惯例外的。例子是基于儿童(即，用户)与他们通常不在线通信的人进行通信来识别惯例外事件。另一例子是基于儿童(即，用户)访问儿童通常不访问的网站而识别惯例外事件。再一个例子是基于用户的驾驶行为(例如，由用户驾驶的车辆和/或用户的蜂窝电话中的一个或多个陀螺仪、加速度计和/或其它传感器数据表示的)中不寻常的模式(例如，古怪的行为)而识别惯例外事件。

还可以理解的是，一个事件可以基于与该事件的偏离的预测而被识别为是惯例外的。这样，对惯例外事件的识别可以是前瞻性的。对偏离的预测可以基于解释性数据、检测到的事件、以及关于将来用户动作的一个或多个推理。作为例子，用户可能通常每周四去公园，但是惯例外检测器218可以基于表示周四很可能下雨的天气预报来预测用户可能在下周四不去公园散步。另一例子是识别或检测到用户在周一在公园，并且惯例外检测器218预测用户下周四可能不去公园，因为用户的模式表示用户通常每周仅去公园一次或仅在公园散步一次。

从事件的实际偏离的例子是用户错过了用户每周三参与的会议。预测偏离的例子是在检测到用户实际已经错过会议之前预测用户将错过会议。例如，惯例外检测器218可以基于确定用户在会议期间将度假且不在城里而推断用户将错过会议。确定可以基于一个或多个检测到的事件和/或用户数据，例如日历安排数据。

一个事件可以基于确定用户尚未、将不会或可能不满足该事件的预测实例而被识别为是惯例外的。例如，惯例外检测器218可以分析历史检测到的事件以获得一个或多个追踪变量的值的模式，以便预测一个或多个追踪变量的值范围以定义事件的预测实例。当确定用户尚未、将不会或可能不满足预测的值范围时，可以检测到惯例外事件。作为例子，惯例外检测器218可以分析过去用户外出吃午饭的时间分布(例如，利用时间戳值)，并预测用户将在12:00PM和1:00PM之间外出吃午饭。基于检测到的事件表示用户自从到达办公室后尚未离开，在1:00PM之后，惯例外检测器218可以基于实际偏离将事件识别为是惯例外的。作为另一例子，基于检测到的事件表示用户已经为该天在11:30AM安排了午餐会议，惯例外检测器218可以基于预测到的偏离而将事件识别为是惯例外的。

如上所述，可以采用检测到的事件的模式来识别惯例对应于用户和/或检测从惯例的偏离。例如，惯例外检测器218可以基于检测到从惯例的事件的一个或多个追踪变量的建模模式的偏离，来检测惯例外事件。

下文描述了示例性方法，其中事件的每个实例具有形成模式的追踪变量的对应历史值，并且惯例追踪器212可以评估追踪变量的分布以获得模式。在后续例子中，事件的追踪变量是对应于事件的实例的时间戳。然而，可以理解的是，在概念上，后续内容可以应用于不同类型的历史值。

一包时间戳(即，给定追踪变量的值)可以表示为

并且被映射为一周中小时和天的二维柱状图。该二维柱状图可以包括事件的实例之和，例如：

该柱状图可以用于确定衍生柱状图。例如，一周某天的柱状图可以对应于：

h_j＝Σ_ih_ij

一天的小时柱状图可以对应于：

h_i＝Σ_jh_ij

作为另一例子，可以为特定语义时间分辨率确定以下形式的一个或多个柱状图：

h_ic＝Σ_j∈Ch_ij

可以采用各种语义时间分辨率中的任一种，例如工作日和周末、或者早晨、下午和夜晚。后者的例子是C∈{早晨，下午，夜晚}，早晨＝{9,10,11}，下午＝{12,13,14,15,16}，以及晚上＝{21,22,23,24}。

在表示事件使用的额外数据结构可以包括在具有至少一个时间戳的每个日历周中不同的时间戳的数量，其可以表示为：

作为例子，

可以表示在可用时间戳的第二个三周周期期间不同时间戳的数量。N^(j)可以用于表示在追踪数据中可用的j周时间戳的数量，例如，N⁽³⁾表示在时间戳内可用的三周周期的数量。

惯例检测器218可以生成置信度分数，其量化通过追踪变量中的历史值形成特定模式的确定性的水平。在后续例子中，利用贝叶斯统计来应用上述原理。

在一些实现方式中，可以为对应的追踪变量生成置信度分数，追踪变量是通过变化的分辨率的时间间隔来索引的追踪。对于时间戳而言，例子包括周二9AM、工作日早晨和周三下午。可以通过应用Dirichlet多项式模型以及计算每个周期的柱状图的后验预测分布，来计算出置信度分数。这样，在特定柱状图中用于每个箱(bin)的预测可以由以下给出：

当K表示箱的数量时，α₀是编码先验知识的强度的参数，并且

然后，模式预测是柱状图中对应于i^*的箱，并且其置信度由x_i*给出。作为例子，考虑早晨＝3、下午＝4以及晚上＝3的柱状图。利用α₀＝10，模式预测是下午，并且置信分数是

根据各种实现方式，更多的观察导致增加的置信度分数，这表示预测中增加的置信度。作为例子，考虑早晨＝3000、下午＝4000以及晚上＝3000的柱状图。利用类似的计算，置信度分数是

另外，在一些实现方式中，可以为通过周期和时间戳数量索引的对应追踪变量生成置信度分数。例子包括每周访问1次，以及每2周访问3次。利用Gaussian后验，可以为每周期分辨率(表示为j)的模式生成置信度分数这可以通过采用以下公式实现：

其中

在上文中，σ²是样本方差，且

和μ₀是公式的参数。可以通过采用所述数量的时间戳预测周围的固定间隔以及计算累积密度如下来计算出置信度分数：

其中

作为例子，考虑后续观察

以及

N⁽¹⁾＝4以及N⁽²⁾＝2。利用μ₀＝1和

μ⁽¹⁾＝4.075，且conf₁＝0.25。此外μ⁽²⁾＝10.31以及conf₂＝0.99。在上述例子中，虽然对于两周周期存在较少的时间戳可用，但是用户信号的减小方差导致模式存在的增加的置信度。

在确定模式存在之后，或者确定模式的置信度分数足够高(例如，超过阈值)之后，惯例追踪器212可以利用一个或多个这些值来识别惯例对应于用户和/或惯例的一个或多个实例或预测出的实例是否偏离惯例。

作为例子，惯例外检测器218可以确定惯例的追踪变量的值是否偏离该模式。更具体地，惯例外检测器218可以确定追踪变量的值以及因此对应事件的实例或预测出的实例偏离由追踪变量的历史值形成的模式。在一些情况中，在值大约大于或等于从模式的时间戳的一个标准偏差(deviation)时，可以检测出偏离。在一些情况中，在值大约大于或等于从模式的时间戳的两个标准偏差时，可以检测出偏离。例如，可以通过将函数(例如，Gaussian函数或贝尔曲线等)映射到模式的时间戳来建立标准偏差。

作为另一例子，当一个或多个追踪变量的一个或多个置信度分数超过阈值时，惯例识别器216可以确定用户正在实践惯例的事件。就此，可以基于惯例识别器216识别事件的一个或多个追踪变量的历史值的一个或多个模式，确定正在实践惯例的事件。

在关于用户追踪惯例时，惯例追踪器212可以采用位置预测，其可以利用使用时间间隔索引的柱状图模型实现，如上所述。利用当前时间，柱状图模型可以应用于每个已知的位置。这些位置中的每个位置可以产生估计在当前时间对位置的访问的一部分的概率：

量P(time＝t|Place＝p)是上述柱状图模型。P(Placce＝p)是在位置p中的先验概率。时间t的分辨率从窄放松到宽(例如，周二9AM＝>工作日早晨)，直到上述量超过阈值，在该情况中我们的模型预测地点p。

此外，在关于用户追踪惯例时，惯例追踪器212可以采用下一位置预测，其可以利用通过周期和时间戳(即，样本)的数量索引的柱状图模型实现，如上所述。利用该模型，可以利用以下公式计算利用先前访问数量预期特定周的访问：

利用具有最高置信度的周期计算每周的预期访问次数。

在识别出用户的惯例的一个或多个事件中的偏离后，可以基于识别出的偏离利用呈现部件220向用户呈现内容(例如，内容240)。例如，可以在用户设备102a和102b-102n的任意组合中呈现内容。在该能力中，呈现部件220可以采用在惯例追踪数据238中关于用户账户222显示的各种数据中的任一种以及其它数据。呈现部件220可以确定在何时和/或如何将内容呈现给用户。呈现部件220还可以确定向用户呈现什么内容。在一些实施例中，呈现部件220包括在计算设备(例如，在图7中描述的包括用户设备的设备700，例如移动计算设备)上或云中操作的一个或多个应用或服务。

由呈现部件220基于从用户惯例的识别出的偏离作出的关于待呈现内容的确定可以可选地基于对应于在用户和惯例之间的偏离的上下文信息。在一些实现方式中，惯例追踪器212可以生成上下文信息，其可以提供给呈现部件220。上下文信息一般对应于向偏离提供上下文的信息。

惯例追踪器212可以生成上下文信息，其利用解释性数据来至少部分地根据与用户相关联的用户数据推断或确定上下文信息。例如，如果用户位于与其住址不同的国家，则上下文信息可以表示用户不在城里。其它解释性数据可以用于进一步区分该用户是在个人休假还是出差。惯例追踪器212还可以生成上下文信息，其利用解释性数据来至少部分地根据与至少一个其他用户相关联的用户数据(例如，用户数据的集合)推断或确定上下文信息。上下文信息可以包括对应于识别出的偏离的语义数据。语义数据可以补充用于识别偏离的用户数据(例如，传感器数据)，例如用户的检测到的事件的语义，其表示偏离。语义数据的例子包括一天中的时间、是否是周末、工作日或假期、天气条件等。

上下文信息可以表示或对应于从惯例偏离的原因或理由。在一些情况下，生成上下文信息包括对从惯例的偏离进行分类。特别地，惯例追踪器212可以向偏离分配一个或多个预定类别。分配的类别可以对应于偏离的原因或理由的类别。该分配可以可选地基于对用户数据(例如，聚合的用户数据和/或对应于用户的用户数据)和/或解释性数据的分析。

在一些情况下，生成上下文信息包括向偏离分配一个或多个用户特定类别或者对用户特定(即，用户特定)的类别。此外，生成上下文信息可以包括向偏离分配一个或多个用户通用类别或者对用户通用(即，用户通用或对用户不特定的)的类别。对用户特定的原因可以是对用户是个人的。例如，用户可能因为用户生病而错过了上班的事件。对用户通用的原因可以在多个用户之间共享。例如，多个用户可能因为国家假期错过事件的实例。

在一些情况下，惯例追踪器212可以通过相对于一个或多个其他用户的偏离来分析偏离，来确定原因是用户特定的还是用户通用的。例如，惯例追踪器212可以针对相同或不同对应事件和/或惯例而确定原因不在多个用户之间共享。当原因被一个或多个用户共享时，惯例追踪器212可以确定该原因对用户是通用的。作为例子，惯例追踪器212可以基于其他用户从相同事件和/或惯例偏离的数量做出确定。如果许多其他用户偏离相同的事件和/或惯例，则更可能的是：给定用户的偏离的原因对用户是通用的。因此，可以至少部分地基于其他用户的数量超过阈值而将原因分类为用户通用的。

在确定原因是用户特定的还是用户通用的时，或生成用户从惯例偏离的上下文信息和/或类别时，可以基于与该用户的一个或多个识别出的类似性(即，用户的子集)考虑其他用户。例如，惯例追踪器212可以通过一个或多个共享特性选择或分组用户。共享特性的一个例子是共享地理区域。例如，每个用户可以基于来自与该用户相同的城市、州、国家或大陆而被惯例追踪器212考虑。作为另一例子，共享特性可以包括共享人口信息。例子包括共享的性别、年龄、年龄范围、收入水平、种族和/或民族。

惯例追踪器212可以根据与一个或多个用户账户222相关联的数据(例如，多个用户的简档数据)识别一个或多个共享特性。另外或替代地，共享特性可以基于一个或多个事件的一个或多个追踪变量的一个或多个值。例如，追踪变量可以是用户的血糖水平。惯例追踪器212可以基于血糖水平中识别出的类似性来选择用户。该类似性可以关于相对用户累积的数据的聚合(例如，所有累积值的平均值)，或者可以基于一个或多个特定实例、或实例分组，例如与偏离相关联的一个或多个实例。

上下文信息的其它例子是置信度分数、方差分数、以及在识别惯例外事件时生成的其它信息。另一例子是识别出的惯例外事件的重要性水平。例如，重要性水平可以随着针对事件检测到的惯例外事件的次数而增加。当重要性水平较低时，响应于识别出惯例外事件而可能无需任何动作。此外，对于不同的重要性水平，可以采取或建议采取不同的动作。在针对一个或多个其它事件和/或惯例识别出的惯例外事件中也可以考虑重要性水平。例如，重要性水平可以在一个时间段中针对每个识别出的惯例外事件而增加。

在一些情况下，呈现部件220可以基于识别出的从惯例的偏离和/或对应于偏离的上下文信息，向用户提供内容。例如，如果上下文信息表示用户在Scotland度假，则提供给用户的内容可以提供关于国家、在区域内可用的休闲活动等的信息。例如，如果上下文信息表示用户在Canada或在工作，则该内容将不被呈现。当上下文信息包括一个或多个类别时，提供给用户的至少一些内容可以与分配给识别出的偏离的类别相关联(例如，预先关联)。因此，不同的类别可以具有至少一些不同的相关联的内容用于呈现，并且提供给用户的内容可以取决于哪个或哪些类别已经被分配给识别出的偏离。

在一些情况下，可以向用户提供当用户遵守惯例的每个事件时不向用户提供的内容。所述内容可以是基于识别偏离而生成和/或呈现的新内容。例如，假设Ben按照惯例每天在大约1PM外出吃午饭。惯例追踪器212可以基于检测到Ben在3PM尚未离开其办公室，而确定Ben已经偏离惯例。基于检测到的偏离，将建议Ben订餐的内容呈现给Ben，这如果不是识别出偏离则不会呈现给Ben。所述内容可以包括生成的内容(例如，基于识别生成的)，其包括一个或多个特定餐厅，例如快餐厅。至少一些内容可以与惯例外事件相关(例如，惯例外事件的上下文信息)，但是不与用户的事件的追踪模式相关。例如，推荐的餐厅可能在3PM前不开门，因此在基于追踪的检测事件的模式推荐给Ben通常的1PM午饭时，该推荐的餐厅将是不相关的。

在实施例中，内容包括基于检测到的偏离的一个或多个建议、推荐、或相关信息。例如，在一个实施例中，当确定用户在早晨的特定时间(例如，10:00AM)还没到达他的办公室而是待在家中(例如，用户生病)时，可以生成包括建议用户发送取消当日安排的会议的电子邮件和/或询问用户是否想要自动重新安排会议的提示的内容。可以生成并提供给用户额外的内容，包括询问用户是否想要安排约见医生的提示和/或关于用户可能感兴趣的电视节目的信息。

作为另一例子，利用本发明的实施例，可以确定特定的用户每周二晚上玩高尔夫球是一个惯例。当确定该用户错过(或正错过或将错过)她的高尔夫球游戏并因此偏离(或将偏离)她的惯例时，可以生成并提供给用户包括以下一个或多个的内容：(a)基于用户的安排、用户惯例信息、来自与高尔夫球场相关联的源(例如，高尔夫球场的网站)的信息、和/或诸如日历信息的其它用户信息，而在将来安排开球时间的建议；(b)询问用户是否想要弥补错过的高尔夫游戏(事件的错过的实例)和/或用户是否想要在将来自动安排游戏的提示；(c)基于上下文信息，与错过的高尔夫游戏或弥补的游戏相关的额外信息，例如，可能的弥补游戏的日期和时间的场地费。

另外或替代地，呈现部件220可以基于识别出的从惯例的偏离和/或对应于偏离的上下文而抑制呈现内容给用户。例如，有时可以基于惯例识别器216确定用户实践惯例而呈现内容，基于惯例外检测器218检测到在用户和惯例之间的偏离可以不呈现该内容。内容原本可能已经在缺少对惯例外事件的识别时而被呈现，但是由于偏离而不再相关，并因此不被呈现。例如，呈现部件220通常可以基于关于用户实践惯例的指示(例如，来自惯例识别器216)而没有关于识别出的惯例外事件的指示，而向用户呈现内容。

为了说明前文，在以上例子中，基于识别出Ben的惯例，呈现部件220通常可以定期(例如，每天在他1PM午饭之前)向Ben呈现包括推荐Ben吃饭的地点的内容(例如，对应于事件和/或惯例的预测实例)。然而，基于惯例外检测器218确定Ben在12PM吃了午饭，呈现部件220可以抑制呈现对应于该推荐的内容。

当呈现部件220抑制向用户呈现内容时，节省了与呈现内容相关的处理、功率和其它资源。此外，在抑制向用户呈现内容包括抑制基于识别出偏离惯例和/或对应于偏离的上下文信息而生成至少一些内容的情况下，进一步节省了资源。例如，生成内容可能使用网络带宽、处理功率和能量。

此外，呈现部件220可以基于识别出偏离惯例和/或对应于偏离的上下文信息，而修改呈现给用户的内容或其呈现。所述内容可以对应于在用户正在实践惯例并且没有被检测为偏离他们的惯例时通常呈现的内容。修改内容的例子包括编辑内容、替代内容、改变内容、替换内容、以及添加内容。

在上述例子中，餐厅的推荐是这种内容的例子。修改内容的例子是当推荐的餐厅是基于偏离惯例时。例如，基于检测到Ben到2PM尚未吃饭而偏离惯例，仍向Ben推荐餐厅。

然而，推荐的餐厅(即，内容)可以基于识别出偏离，从而其可以不同于在1PM之前推荐的餐厅。作为例子，呈现部件220可以通过从一个或多个其它可选餐厅(即，可选内容)选择餐厅来执行餐厅(即，内容)选择。所述选择可以相对一个或多个标准评价餐厅。基于识别出的偏离惯例，评价的结果可能不同。例如，与偏离相关联的追踪变量的上下文信息和/或值可以导致基于偏离选择的不同餐厅。作为例子，餐厅的选择可以以餐厅在2PM仍提供午饭为条件，而在1PM之前推荐的餐厅在2PM不再提供午饭。

在一些实现方式中，利用一个或多个内容模板或内容卡确定呈现给用户的内容。在图3中示出了填充的示例性内容卡350。内容卡可以包括一个或多个静态内容字段和/或一个或多个动态内容字段。静态内容字段的例子包括图3中的静态内容字段352a、352b、352c和352d。动态内容字段的例子包括动态内容字段354a、354b、354c和354d。静态内容字段对应的内容字段具有每次呈现内容卡时显示的对应内容。动态内容字段对应的内容字段具有在呈现内容卡之间可以变化的对应内容。

在一些情况下，呈现部件220可以利用一个或多个内容卡(例如，内容卡350)基于识别出的偏离惯例和/或对应于偏离的上下文信息，而向用户提供内容。例如，呈现部件220可以基于识别出偏离而选择一个或多个内容卡，和/或基于识别出偏离而修改所选内容卡的一个或多个动态内容字段。因此，例如，一个或多个动态内容字段的对应内容可以基于识别出偏离惯例而而进行修改以用于呈现、从呈现移除、或进行确定。此外，一个或多个内容卡可以基于识别出偏离惯例而进行修改以用于呈现、从呈现移除、抑制呈现或从呈现移除、或者被选择。

因此，内容卡350可以对应于基于识别出的偏离惯例和/或对应于惯例的上下文信息对内容卡350的呈现。然而，当没有识别出偏离时，动态内容字段354a可以读作“开始安排一周的锻炼。这里是您日历上的自由时隙”。动态内容字段354b和354c可以包括与所示不同的一个或多个锻炼时隙，以及动态内容字段354d可以读作“不要询问安排我的锻炼”。

在一些实现方式中，惯例追踪器212为呈现部件220选择或生成在向用户呈现内容时的一个或多个推荐动作。推荐动作对应于呈现部件220可以用于确定向用户呈现内容的各个方面的数据。推荐动作可以对应于用于响应识别出惯例外事件的动作的一个或多个过程。例如，推荐动作可以指定呈现部件应该自动修改用户内容还是应该从用户处请求信息(例如，用户确认)。

推荐动作可以指定或选定一个或多个内容、一个或多个静态和/或动态内容字段(例如，在内容卡中)、一个或多个内容卡、时间、地点或位置、屏幕或菜单、环境、用户交互的模式或方式、或相对动作可以并入到条件或指令中的其它因素。呈现部件220可以选择或挑选遵守与推荐动作相关联或对应于推荐动作的一个或多个条件和/或指令，用于向用户呈现内容。

例如，推荐动作可以向呈现部件220(或另一应用或服务)指示和/或被呈现部件220用于确定以下任意组合：何时向用户呈现内容(例如，利用规定时间或时间范围)；如何向用户呈现内容；向用户呈现什么内容；何时进行修改；生成或选择待向用户呈现的内容；何时抑制向用户呈现内容；何时寻求用户关于内容的反馈；等等。

在一些实施例中，推荐动作可以对应于一个或多个条件，可以基于与用户相关联的用户设备上的传感器，经由以下内容来评估：用户历史、模式或惯例(例如，用户每天在8:00和8:30AM之间开车去工作)、其它用户信息(例如，用户的在线活动、包括错过的通信的用户通信信息)、内容的紧急或过时(例如，内容应该给在早晨呈现给用户但是在10AM之后不再相关)、偏离的特定用户惯例、和/或对应于惯例外事件的上下文信息。例如，当用户可能在8:00和8:30AM之间开车时，在该时间期间推荐呈现给用户的内容可以在用户开车的同时听觉地呈现给用户。作为另一例子，关于用户弥补错过的呼叫的建议的内容，例如当用户每周日呼叫某人(例如，他的妈妈)但是上周日没有呼叫时，可以在用户访问在其移动设备上的电话app时被呈现给用户。所述内容可以呈现为弹出通知、突出消息、通知菜单中的图标或符号、文本、电子邮件、其它通信或类似菜单。(例如，当选择电话app进行呼叫时，显示消息通知用户他周日没有呼叫他的妈妈并询问用户是否想要现在呼叫他的妈妈)。类似地，在另一例子中，当访问电子邮件应用时，提示用户回复用户尚未回复但是基于用户的历史用户总是快速回复来自该联系人的电子邮件(例如，来自用户老板的电子邮件)的电子邮件。替代地，在捡起移动设备且没有访问电子邮件应用时，向用户呈现包括回复电子邮件的提醒的内容。

当推荐动作是针对一个或多个内容模板或内容卡的时，推荐动作可以指定一个或多个内容卡。例如，推荐动作可以向用户呈现一个或多个内容卡，抑制向用户呈现一个或多个内容光卡，或者何时向用户呈现一个或多个内容卡。此外，推荐动作可以相对于与一个或多个动态和/或静态内容字段的内容相关联的动作指定指定这些字段。

在一些情况下，惯例追踪器212基于生成的上下文信息生成一个或多个推荐动作。例如，推荐动作可以基于偏离惯例的类别。因此，基于偏离被分配了用户特定类别，惯例追踪器212可以选择或生成一个推荐动作；以及基于偏离被分配了用户通用类别，惯例追踪器212可以选择或生成另一推荐动作。作为另一例子，可以基于在识别惯例外事件时使用的置信度分数，来生成至少一个推荐动作。例如，可以基于置信度值超过或未超过阈值而选择或生成推荐动作。

如上所述，在一些实现方式中，呈现部件220可以遵循由惯例追踪器212提供的一个或多个推荐动作。在一些情况下，呈现部件220可以确定是否遵循一个或多个推荐动作。作为例子，推荐例子可以是向用户请求信息。呈现部件220可以基于推荐动作从用户请求信息。呈现部件220或在用户设备上运行的另一应用或服务可以确定或选择遵循一个或多个推荐动作，并可以确定或选择忽略、或不遵循一个或多个其它推荐动作。例如，基于一个或多个标准，例如，呈现部件已经访问了信息、确定用户远离设备或不可能对推荐动作进行响应、确定推荐动作不再适用或不再相关、呈现部件220具有另一适当的或优选的动作和/或其它确定或推理(其基于用户数据(例如，用户设备数据)和/或解释性数据)，可以忽略或不遵循一个或多个推荐动作。

此外，在一些实现方式中，呈现部件220可以选择修改一个或多个推荐动作，并遵循一个或多个修改的推荐动作。另外或替代地，呈现部件220可以基于偏离而不管推荐动作，来选择或生成用于向用户呈现内容的一个或多个动作。这些动作和推荐动作可以以彼此类似或不同的方式进行确定，并可以考虑类似的信息。

在一些情况中，呈现部件220的实例并入到一个或多个服务(例如，应用、过程、程序、线程等)，其可以在用户设备上和/或不同于惯例管理环境210的各种构成的任意组合的系统上运行。作为例子，一个或多个服务可以接收由惯例管理环境210生成和/或存储的信息的任何组合，其可以并入到惯例追踪数据238中。

例子包括一个或多个置信度分数、上下文信息、推荐动作、追踪变量方差分数等。服务可以在用户设备上运行，并可以从服务器接收这种信息。作为另一例子，服务可以在与提供这种信息的服务器不同的系统中的服务器上运行。作为另一例子，可以从与服务在同一设备(例如，用户设备)上运行的一个或多个其它服务接受信息。例如，图2的一个到所有各种部件可以并入到同一设备中，这在一些情况下可能有利于安全性、隐私和/或其它原因。

在一些情况下，这些信息中的一个到所有可以例如基于对这些信息的订阅而被从服务器推送到服务中。作为另一选项，可以通过服务查询这些信息中的一个到所有。作为例子，信息可以存储于对应于惯例追踪数据238的数据库中的一个或多个条目中。服务(例如，应用)可以查询该信息以供呈现部件220使用。

因此，可以理解的是，在一些情况下，可以将惯例追踪器212和/或惯例管理环境210的其它构成提供给应用或服务作为云服务。就此，用户设备上的应用可以可选地并入应用程序接口(API)，用于与云服务通信并用于提供呈现部件220的至少一些功能。这样，可以将共同的框架提供给应用，用于基于从用户的惯例的偏离来为用户定制内容。

因此，本公开的实现方式涉及个给惯例外事件定制服务内容。现在结合图1、2和3参考图4，图4是示出了用于给惯例外事件定制服务内容的方法400的流程图。方法400和本文描述的其它方法的每个框包括计算过程，其可以利用硬件、固件和/或软件的任意组合执行。例如，可以通过执行存储于存储器内的指令的处理器执行各种功能。所述方法还可以实现为存储于计算机存储介质上的计算机可用指令。举几个例子来说，所述方法可以由独立应用、服务或托管服务(独立的或与其它托管服务组合)或到另一产品的插件提供。

在框480处，方法400包括识别用户的惯例的惯例外事件。例如，假设Jane每个周六锻炼。在惯例管理环境210中，惯例232a对应于以时间间隔(对于该例子是一周的天)索引的在健身房锻炼的惯例。假设惯例232a包括具有事件定义的事件，其包括对应于用户心率的第一事件变量、对应于GPS坐标的第二事件变量、以及对应于锻炼时间的第三事件变量。对于待检测的事件，作为一个特定例子，允许检测事件的一组条件可以是用户心率大于120BPM，而GPS坐标在已知健身房的100步半径内。可以理解的是，可以将许多其它变量和条件并入到事件中，并且条件可以提供多个方式使得用户动作有资格作为事件。事件条件的另一例子可以采用加速度计读数来检测提高的物理活动。

第一变量可以来自用户信号，用户信号来自对应于向用户的蜂窝电话传送心率读数的外围设备(例如，用户戴着的健身带中的心率监视器)的数据源，心率读数由数据收集部件214提供到惯例追踪器212。可以从来自对应于用户的蜂窝电话的数据源(例如，在用户的蜂窝电话中的GPS接收器)的用户信号提供第二变量。可以根据对应于系统时钟的数据源生成第三事件变量。

在本例子中，锻炼时间是追踪变量。每次惯例追踪器212检测到事件(即，事件的实例)时，就将时间戳与事件相关联地记录下来。例如，每次Jane锻炼时，可以检测到一个或多个事件。作为整体，检测到的事件的时间戳形成一个或多个模式，其可以由惯例外检测器218识别和分析。时间戳可以充分地聚集在周四和周六，从而惯例外检测器218识别Jane在周四和周六实践锻炼事件。例如，特定天的聚集时间戳可能具有足够低的方差(例如，方差分数表示的)，并具有足够的频率，惯例外检测器218可以识别所述天的模式。

继续本例子，惯例外检测218可以检测周日事件，其对应于Jane接收到即将到来的周六的聚会邀请。例如，可以基于来自在Jane的蜂窝电话上运行的Jane的邮件服务的用户数据，来检测到该事件。例如，Jane可能从

接收到包括到朋友的聚会的邀请的电子邮件，这在Jane的蜂窝电话上的收件箱中识别出(或可以在电子邮件服务器上识别出)。作为另一例子，Jane的朋友可能已经建立了指定Jane作为她的聚会的被邀请人的

Jane可以是注册的

会员，并可以被给予

许可来与第三方服务共享特定信息。

系统已经将聚会邀请的通知推送到数据收集部件214，或者数据收集部件214可能已经查询了

获得了邀请。

惯例外检测器218可以基于由Jane的检测到的事件形成的模式而预测Jane将在即将到来的周六正常地进行锻炼。惯例外检测器218还可以基于预测Jane可能由于参加朋友的聚会而在即将到来的周六偏离一个或多个预测的锻炼事件，而进一步检测到惯例外事件。

在框482，方法400包括生成对应于识别出惯例外事件的上下文信息。作为一个例子，惯例追踪器212可以将Jane的预测出的错过的锻炼事件分类为用户特定的。惯例追踪器212可以基于使得惯例外事件被检测到的一个或多个检测到的事件，而将用户特定类别分配给惯例外事件。例如，可以给婚礼邀请的检测到的事件分配用户特定类别(例如，在方法400之前预先分配的)，这可以应用于惯例外事件，或者用于生成惯例外事件的上下文信息。

作为另一例子，惯例追踪器212能够针对除了Jane外的多个其他用户分析类似的惯例并检测类似的事件。惯例追踪器212可以评估为其他用户识别出的惯例外事件，并且基于其他用户的检测到的事件和/或惯例外事件而生成上下文信息。例如，惯例追踪器212可以整体地分析惯例外事件，并且基于没有检测到与聚集的惯例外事件的关联而确定Jane的惯例外事件是用户特定的。如果预测许多用户将在周六错过其锻炼，则已经检测到关联，在该情况下可以基于关联对惯例外事件分配用户通用类别。利用该方法可以通过用作用于确定惯例外事件是否是用户特定的启发法来减少处理。此外，在许多实现方式中，惯例追踪器212主动追踪其他用户的追踪类似惯例(即，惯例模型)，从而对应于检测到的其他用户的事件和/或惯例外事件的信息已经可用。

可以生成其它的上下文信息，例如由惯例外检测器218生成的预测分数，其对应于惯例外事件将发生的预测可能性。上下文信息的另一例子是关于事件基于预测的偏离而不基于从事件的实际偏离的指示。其它上下文信息可以包括由惯例外检测器218生成的对应于Jane实践惯例的事件的置信度的置信度分数。可以根据追踪变量的一个或多个值而生成其它上下文信息。这些值可以来自惯例的惯例外事件的检测到的事件。作为另一例子，这些值可以来自用于识别引起惯例外事件的偏离的一个或多个检测到的事件的追踪变量。

在框484处，方法400包括基于识别出的惯例外事件和生成的上下文信息向用户呈现内容。继续本例子，呈现部件220可以接收惯例外事件的识别，以及生成的上下文信息。基于接收到的识别和生成的上下文信息，呈现部件220可以选择并呈现对应于图3中的内容卡350的内容卡(例如，在图1中用户设备102a中呈现的)。

呈现部件220可以基于表示惯例外事件是预测的偏离的上下文信息以及表示惯例外事件预测发生在周六的上下文信息，而生成动态内容字段354a。因此，动态内容字段354a可以读作“看起来您可能错过本周六的锻炼。这里是您日历上的一些替代时隙”。注意，可以替代地生成动态内容字段354a，其类似于图3中示出的，具有表示实际偏离的上下文信息。还基于上下文信息填充动态内容字段354b和354c。例如，生成这些日期可以考虑错过的锻炼是针对将到来的周六而预测的。

作为另一例子，呈现部件220可以额外地或替代地基于识别出惯例外事件和/或上下文信息，抑制向Jane呈现不同于上述内容卡的另一内容卡。例如，呈现部件220通常可以在周日向Jane呈现其它内容卡，以为即将到来的一周安排她的锻炼。之前可能已经利用惯例识别器216识别了她的锻炼惯例。呈现部件220可以抑制呈现和可能地生成该内容卡的内容，因为该内容卡对于即将到来的一周可能不再与Jane相关。如果Jane已经例如利用其它内容卡安排了周六锻炼，则呈现部件220可以自动取消锻炼，或可以基于Jane的输入(例如，基于请求许可取消锻炼而接收到的输入)取消锻炼。

在至少这些方式中，呈现部件220可以给惯例外事件定制提供给Jane的内容。因此，Jane不仅可以在她处于惯例中而且可以在她偏离她的惯例时接收到帮助。

现在结合图1和2参考图5，图5是示出了用于给惯例外事件定制服务内容的方法500的流程图。在框580处，方法500包括识别用户事件的惯例外事件。例如，惯例追踪器212可以运行为云上的云服务，或可以是用户设备上的本地服务。惯例外检测器218可以识别惯例232b的至少一个事件234b是惯例外的。

在框582处，方法500包括生成对应于识别出惯例外事件的上下文信息。例如，惯例追踪器212可以为识别出的惯例外事件生成至少一些上下文信息224，如图2所示。还可以生成或确定对应于识别出的惯例外事件的一个或多个推荐动作。例如，惯例追踪器212可以为识别出的惯例外事件生成至少一些推荐动作226，如图2所示。作为例子，惯例追踪器212可以为识别出的惯例外事件从一个或多个推荐动作(例如，在方法500之前预先定义的推荐动作)进行选择。所述选择可以基于生成的上下文信息。此外，可以基于上下文信息可选地修改和/或定制所选的推荐动作模板。注意，仅通过示例，将上下文信息224、推荐动作226和惯例追踪数据238示出为在用户账户222内。上下文信息224和推荐动作226例如可以是一个或多个用户特定的或不特定的，并可以关联于用户或不关联于用户进行存储。

在框584处，方法500包括向服务提供关于识别出的惯例外事件的指示和生成的上下文信息，所述服务基于识别出的惯例外事件和生成的上下文信息向用户呈现内容。注意，向服务提供生成的上下文信息无须在每个实现方式中都执行。此外，一个或多个推荐动作和/或其它惯例外事件可以可选地提供给服务。

作为一个例子，云服务可以向服务提供上述惯例外数据，所述服务可以在包括云服务的云系统的外部。所述服务可以是第三方服务，并可以在用户设备102a上运行。更具体地，所述服务可以是应用，例如日历应用、地图应用、电子邮件应用、或其它类型的应用或app。应用可以并入用于与云服务通信的API。这可以包括请求数据和/或请求数据的一个或多个部分。作为请求的替代，例如，在检测到惯例外事件时，将至少一些数据推送到应用中。应用可以订阅接收这些推送消息。API可以进一步提供功能，用于解释接收到的数据(例如，推荐动作和上下文信息)，并可能用于至少部分地帮助内容的呈现。

虽然框584提及单个服务，但是还可以将相同的或不同的惯例外数据提供给其它服务。因此，每个服务可以基于惯例外事件(例如，相同的惯例外事件)提供内容，而无需单独识别和追踪用户行为。在一些情况下，这些服务中的至少一些可以在与在框584中提及的服务相同的用户设备上。当服务器提供信息时，在一些情况下，仅需要向用户设备发送一次信息以供用户设备上的多个服务使用。

在一些情况下，可以使用相同的云系统和/或云服务来执行方法500，从而向多个服务提供惯例外数据，所述多个服务可以在多个不同用户设备上运行。这样，惯例管理环境210可以通过集中惯例追踪功能而节省大量处理、带宽、存储和计算资源。例如，数据收集部件214可以累积多个用户的用户数据和解释性数据，从而每个用户设备不要求单独的和冗余的数据收集和存储。此外，每个用户设备无需为惯例追踪目的而存储和/或取回惯例模型230。另外，可以通过与和用户紧密连结的用户设备不关联而使得处理和存储惯例追踪数据更匿名和安全。

现在结合图1和图2参考图6，图6是示出了用于给惯例外事件定制服务内容的方法600的流程图。在框680处，方法600包括接收关于识别出的惯例外事件的指示和对应于惯例外事件的生成的上下文信息。例如，服务(例如，上述结合方法500描述的应用)可以至少接收关于识别出的惯例外事件的指示以及可选的其它惯例外数据，例如生成的上下文信息和一个或多个推荐动作。

在框682处，方法600包括：基于惯例外事件和生成的上下文信息，向用户呈现内容。例如，服务可以利用接收到的各种惯例外数据中的任一个来呈现内容。可以利用用户设备102a的一个或多个呈现部件向用户呈现内容。当接收到一个或多个推荐动作时，服务可以例如默认地遵循至少一个推荐动作。例如，服务可以实现与推荐动作相关联的一个或多个规则。除了或替代一个或多个推荐动作，服务可以可选地确定一个或多个要执行的其它动作。作为例子，服务可以决定不执行推荐动作，并可以基于决定执行一个或多个其它动作。

在描述了本公开的实现方式后，在下文描述可以实现本发明的实施例的示例性操作环境，以便提供本公开的各方面的一般上下文。特别地，开始参考图7，用于实现本发明的实施例的示例性操作环境示出为并一般指定为计算设备700。计算设备700仅仅是适当的计算环境的一个例子，并不旨在暗示对本发明的用途或功能的范围的任何限制。计算设备700也不应该被解释为具有与图示的部件的任意一个或组合有关的任何依赖或要求。

可以以计算机代码或机器可用指令的一般上下文描述本发明，包括由计算机或其它机器(例如，个人数据助理或其它手持设备)执行的计算机可执行指令(例如，程序模块)。一般而言，包括例程、程序、对象、部件、数据结构等的程序模块指的是执行特定任务或实现特定抽象数据类型的代码。本发明可以用多个系统配置来实施，包括手持设备、消费电子产品、通用计算机、更专业的计算设备等。本发明还可以在分布式计算环境中实施，其中通过经由通信网络链接的远程处理设备执行任务。

参考图7，计算设备700包括总线710，其直接或间接耦合下列设备：存储器712、一个或多个处理器714、一个或多个呈现部件716、输入/输出(I/O)端口718、输入/输出部件720、以及图示的电源722。总线710表示可以是一个或多个总线(例如，地址总线、数据总线或其组合)。虽然为了清晰用线条示出图7的各个框，但是实际上，描绘各个部件并不是如此清楚，从喻义上来说，线条将更精确地是灰色和模糊的。例如，人们可以将呈现部件(例如，显示设备)看作是I/O部件。另外，处理器具有存储器。发明人认识到这是本领域的本质，并重申图7的图仅说明可以结合本发明的一个或多个实施例使用的示例性计算设备。没有在诸如“工作站”、“服务器”、“膝上型计算机”、“手持设备”等的这些类别之间进行区分，因为在图7的范围内这些都能被想到并都是指“计算设备”。

计算设备700通常包括多个计算机可读介质。计算机可读介质可以是计算设备700可访问的任意可用的介质，并包括易失性和非易失性介质、可移除和不可移除介质。通过例子而非限制，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括易失性和非易失性、可移除和不可移除介质，其实现于存储信息(例如，计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中。计算机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、数字通用盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备、或者能够用于存储期望信息并能够由计算设备700访问的任何其它介质。计算机存储介质不包括信号本身。通信介质通常具体体现计算机可读指令、数据结构、程序模块、或在已调数据信号中(例如，载波或其它传输机构)的其它数据并包括任何信息输送介质。术语“已调数据信号”是指这样的信号：其特性中的一个或多个以将信息编码在该信号中的方式被设置或改变。通过例子而非限制，通信介质包括：有线介质，例如有线网络或直连线连接；以及无线介质，例如声、RF、红外以及其它无线介质。上述任意组合也应该包含于计算机可读介质的范围内。

存储器712包括易失性和/或非易失性存储器形式的计算机存储介质。存储器可以是可移除的、不可移除的或其组合。示例性硬件设备包括固态存储器、硬驱动、光盘驱动等。计算设备700包括一个或多个处理器，其从各种实体(例如，存储器712或I/O部件720)处读取数据。呈现部件716向用户或其它设备呈现数据表示。示例性呈现部件包括显示设备、扬声器、打印部件、振动部件等。

I/O端口718允许计算设备700逻辑地耦合到其它设备(包括I/O部件720)，其中的一些可以是内置的。说明性的部件包括麦克风、操纵杆、游戏垫、卫星盘、扫描仪、打印机、无线设备等。I/O部件720可以提供自然用户接口(NUI)，其处理空中手势、语音或用户生成的其它生理输入。在一些实例中，输入可以被传输到适当的网络元件以供进一步处理。NUI可以实现以下的任意组合：语音识别、触摸和铁笔识别、面部识别、生物识别、在屏幕上和邻近屏幕的手势识别、空中手势、头部和眼部追踪、以及与在计算设备700上的显示器相关联的触摸识别。计算设备700可以装备有深度摄像机，例如立体摄像机系统、红外摄像机系统、RGB摄像机系统和这些的组合，用于手势检测和识别。另外，计算设备700可以装备有支持检测运动的加速度计或陀螺仪。可以将加速度计或陀螺仪的输出提供给计算设备700的显示器，以呈现浸入式增强现实或虚拟现实。

如可以理解的，本公开的实现方式提供给惯例外事件定制内容。已经结合特定实施例描述了本发明，其旨在所有方面是说明性而非限制性的。替代实施例对本发明所述领域的普通技术人员而言是显而易见的，而不背离其范围。

根据以上，可以看出，本发明非常适应于实现上述目标和目的，以及具有所述系统和方法显然的且固有的其它优点。可以理解的是，特定特征和子组合具有实用性，并可以在不参考其它特征和子组合的情况下采用。这在权利要求的范围内被构思出且落入所述范围内。

Claims

1.一种计算机化的系统，包括：

一个或多个传感器，被配置为从多个客户端设备通过一个或多个互联网网络提供传感器数据；

至少一个服务器，包括惯例外检测器，所述惯例外检测器被配置为至少部分地基于提供的所述传感器数据来检测与用户的惯例的偏差；

一个或多个处理器；以及

存储计算机可用指令的一个或多个计算机存储介质，所述计算机可用指令在被所述一个或多个处理器使用时使所述一个或多个处理器执行操作，所述操作包括：

由所述至少一个服务器使用所述惯例外检测器，至少部分地基于所述传感器数据和关于将来用户动作的推理，来预测从事件的检测到的实例的模式的偏离，所述事件属于所述用户的惯例，所预测的偏离与惯例外事件相对应，其中所述惯例外事件的预测是在所述惯例外事件发生之前进行的；

由所述至少一个服务器使用所述惯例外检测器，生成与由所述惯例外检测器预测出的所预测的惯例外事件相对应的上下文信息；

由所述至少一个服务器基于所预测的惯例外事件，确定抑制向所述用户呈现内容的至少一部分，并抑制生成内容的所述至少一部分；

由所述至少一个服务器确定供服务执行的用于基于所预测的惯例外事件、所述上下文信息和抑制向所述用户呈现所述内容的所述至少一部分的确定而向所述用户提供所述内容的推荐动作；以及

由所述至少一个服务器通过所述一个或多个互联网网络向移动客户端设备上的所述服务发送所预测的惯例外事件的指示和所确定的推荐，所述发送使所述服务基于所述推荐动作来管理所述移动客户端设备上的内容呈现。

2.根据权利要求1所述的计算机化的系统，还包括：所述至少一个服务器从所述传感器数据检测所述事件的所述实例。

3.根据权利要求1所述的计算机化的系统，其中所述模式由与所述事件的检测到的实例相对应的时间戳形成。

4.根据权利要求1所述的计算机化的系统，其中所述服务是所述移动客户端设备上的应用，并且用户设备是所述多个客户端设备之一。

5.根据权利要求1所述的计算机化的系统，其中所述上下文信息包括与所预测的惯例外事件相对应的语义数据。

6.根据权利要求1所述的计算机化的系统，其中所述传感器数据包括与所述用户相关联的移动设备的位置数据。

7.根据权利要求1所述的计算机化的系统，其中所述服务是所述移动客户端设备上的应用，并且所述发送使所述应用通过遵循所述推荐动作而生成所述内容并且经由所述移动客户端设备上的用户界面呈现所生成的内容。

8.根据权利要求1所述的计算机化的系统，其中所述模式包括从所述事件的追踪变量的值的分布推导的建模模式，所述值与所述用户相关联地被存储在一个或多个数据库中。

9.根据权利要求1所述的计算机化的系统，其中预测所述偏离包括：使用所述惯例外检测器，至少部分地基于与所述用户相关联的用户数据来预测所述偏离，所述用户数据包括以下各项中的一项或多项：所述传感器数据、全球定位系统(GPS)数据、车辆信号数据、可穿戴设备数据、陀螺仪数据、加速计数据、日历数据、电子邮件数据、日程安排数据、信用卡使用数据以及购物历史数据。

10.一种计算机化的方法，包括：

由用户设备上的服务从服务器接收一个或多个网络通信，所述网络通信包括：

从事件的检测到的实例的模式的偏离的指示，所述事件属于用户的惯例，所述偏离与在惯例外事件发生之前的所预测的惯例外事件相对应，所述偏离至少部分地基于与所述用户相关联的所述用户设备上的一个或多个传感器所提供的传感器数据和关于将来用户动作的推理而被确定；

与所预测的惯例外事件相对应的上下文信息；和

供所述服务执行的用于基于所预测的惯例外事件向所述用户提供内容的推荐动作，其中所述推荐动作包括抑制向呈现所述内容的至少一部分，并抑制生成所述内容的所述至少一部分；

由所述用户设备上的所述服务基于来自所述一个或多个网络通信的接收到的所预测的惯例外事件的所述指示、接收到的所述推荐动作和接收到的所述上下文信息来生成内容组；以及

使在与所述用户相关联的所述用户设备上呈现所生成的内容组。

11.根据权利要求10所述的计算机化的方法，其中所述生成遵循至少一个推荐动作。

12.根据权利要求10所述的计算机化的方法，其中所述推荐动作包括所述服务实现的一个或多个条件或指令，用于确定何时向所述用户呈现所生成的内容组，如何向所述用户呈现所生成的内容组，何种内容将被包括在所生成的内容组中，何时修改用于生成所述内容组的内容，何时生成所述内容组，何时抑制向所述用户呈现内容，以及何时请求关于所生成的内容组的用户反馈。

13.根据权利要求10所述的计算机化的方法，其中所述偏离与所述事件的错过实例相对应，所生成的内容组包括用于完成与所述事件的所述错过实例相关联的活动的建议，并且所述推荐动作包括用于向所述用户呈现所述建议的一个或多个条件。

14.根据权利要求10所述的计算机化的方法，还包括：

由所述用户设备上的所述服务确定在生成所述内容组时不遵循所述推荐动作。

15.根据权利要求10所述的计算机化的方法，其中接收到的所述上下文信息包括被分配给所述惯例外事件的类别，并且所呈现的内容组包括与所分配的类别相关联的至少一些内容。

16.根据权利要求10所述的计算机化的方法，其中所述上下文信息向所述服务区分所预测的惯例外事件是特定于所述用户的还是非特定于所述用户的，所述服务基于所述上下文信息确定所识别的惯例外事件非特定于所述用户，并且所述服务基于确定所预测的惯例外事件非特定于所述用户而生成所述内容组。

17.根据权利要求10所述的计算机化的方法，其中所述内容组包括从基于所述惯例原本应该呈现给所述用户的内容中修改的内容。

18.一个或多个计算机存储介质，存储有计算机可用指令，所述计算机可用指令在被一个或多个计算设备使用时，使所述一个或多个计算设备执行操作，所述操作包括：

由至少一个服务器至少部分地基于来自多个用户设备的一个或多个传感器的传感器数据和关于将来用户动作的推理，来预测从事件的检测到的实例的模式的偏离，所述事件属于用户的惯例，所预测的偏离与惯例外事件相对应，其中所述惯例外事件的预测是在所述惯例外事件发生之前进行的，并且所述惯例外事件的预测是基于识别出与检测到的事件的实例的模式不同的事件的发生，并且所述模式的强度用于识别所述惯例外事件的预测，并抑制生成内容的至少一部分；

由所述至少一个服务器生成与所预测的惯例外事件相对应的上下文信息；

由所述至少一个服务器确定供服务执行的用于基于所预测的惯例外事件和所述上下文信息向所述用户提供内容的推荐动作；以及

由所述至少一个服务器向用户设备上的所述服务发送所预测的惯例外事件的指示和所确定的推荐，所述发送使所述服务基于所述推荐动作来管理所述用户设备上的所述内容的呈现。

19.根据权利要求18所述的一个或多个计算机存储介质，还包括：由所述至少一个服务器向所述服务提供所述惯例外事件的指示，其中所述服务在所述用户设备上呈现所述内容。

20.根据权利要求18所述的一个或多个计算机存储介质，其中使所述服务管理呈现包括：所述服务抑制在所述用户设备上呈现至少一些内容，所述至少一些内容被指定用于响应于接收到所述用户实施所述惯例的指示而呈现。