CN107533685A - 个性化上下文建议引擎 - Google Patents

Abstract

本文中描述的技术的各方面通过提供针对特定用户兴趣而定制的建议来提供更高效的用户界面。建议可以由在用户的计算设备上运行的个人助理或某个其他应用来提供。本文中描述的技术的目标是在用户能够并且实际想要使用它们时提供相关的建议。这些建议旨在提供用户想要使用的信息或服务。

Description

个性化上下文建议引擎

背景技术

个人助理程序提供传统上由人类助理提供的服务。例如，个人助理可以更新日历、提供提醒、跟踪活动和执行其他功能。一些个人助理程序可以响应于语音命令并且与用户进行可听见的通信。当用户可能对这些项目之一感兴趣时，个人助理可以向用户建议餐馆、音乐、任务、电影和其他项目。

发明内容

提供本发明内容以便以简化的形式介绍概念的选择，这些概念在下面的具体实施方式中被进一步描述。本发明内容并非旨在标识所要求保护的主题的关键特征或必要特征，也不旨在被孤立地用作确定所要求保护的主题的范围中的辅助。

本文中描述的技术的各方面通过提供针对特定用户兴趣而定制的建议来提供更高效的用户界面。建议可以由在用户的计算设备上运行的个人助理或某个其他应用来提供。本文中描述的技术的目标是在用户能够并且实际想要使用它们时提供相关的建议。这些建议旨在提供用户想要使用的信息或服务。

相关建议和呈现建议的适当时间可以通过关联规则来确定。关联规则通过分析用户过去的动作以确定用户在给定上下文中对建议感兴趣的概率被生成。本文中描述的技术可以分析描述用户动作的信号以构建与不同类型的事件相关联的数据向量。例如，不同类型的数据向量可以描述电影事件、音乐事件、旅行事件、餐饮事件、购物事件等。数据向量然后被用作机器学习算法的输入以生成关联规则。

一旦被生成，用户的当前上下文可以被监测，以当关联规则的上下文部分与当前上下文相匹配时触发与关联规则相关联的建议。

附图说明

以下参考附图详细描述本申请中描述的技术的各方面，在附图中：

图1是适用于实现本文中描述的技术的各方面的示例性计算环境的框图；

图2是描绘根据本文中描述的技术的一方面的可以用于生成特定于用户的关联规则的示例性计算环境的图；

图3是描绘根据本文中描述的技术的一方面的包括用于生成特定于用户的关联规则的多个计算设备的示例性计算环境的图；

图4是描绘根据本文中描述的技术的一方面的生成特定于用户的关联规则的方法的图；以及

图5是描绘根据本文中描述的技术的一方面的生成特定于用户的关联规则的方法的图。

具体实施方式

本发明的实施例的主题在本文中被具体描述以满足法定要求。然而，描述本身并不旨在限制该专利的范围。相反，发明人已经考虑到，所要求保护的主题也可以结合其他现有技术或将来的技术以其他方式被实施，以包括与本文档中描述的步骤不同的步骤或类似步骤的组合。此外，尽管术语“步骤”和/或“框”在本文中可以用于表示所采用的方法的不同元素，但是术语不应当被解释为暗示在本文中公开的各个步骤之中或之间的任何特定顺序，除非和除了明确地描述了各个步骤的顺序时。

本文中描述的技术的各方面通过提供针对特定用户兴趣而定制的建议来提供更高效的用户界面。建议可以由在用户的计算设备上运行的个人助理或某个其他应用来提供。本文中描述的技术的目标是在用户能够并且实际想要使用它们时提供相关的建议。这些建议旨在提供用户想要使用的信息或服务。

当用户的上下文指示对建议的可能兴趣时，可以提供建议。“可能兴趣”从先前的活动模式并且也可能从其他人的活动模式得到。例如，可以向用户提供激活或打开歌曲播放列表的建议。上下文可以是用户先前已经听过特定播放集的时间、地点和/或情境。例如，用户可以在健身房锻炼时听特定播放集。在确定用户的当前上下文在健身房时，可以向用户显现打开播放列表的建议。取决于上下文，其他类型的建议可以涉及旅行选项、娱乐选项、购物选项等。这些建议在本文中也可以被描述为推荐或场景。

建议可以基于关联规则被触发。关联规则表示用户行为模式。每个用户都可以具有个性化的关联规则，即使是对于相同的建议。例如，当第一用户在健身房时，可以对于第一用户触发听音乐的建议，并且当第二用户回家工作时可以对于该用户触发听音乐的建议。本文中描述的技术分析用户活动以确定用户何时可能对特定建议感兴趣。关联规则将用户上下文与建议相关联。上下文可以是多变量的。例如，上下文可以是位置、时间和日期。建议可以是特定建议或一类建议。建议的类别可以采用模板的形式，数据可以被添加到模板以形成向用户呈现的建议。建议也可以从分析用户行为模式来获得，以生成个性化建议。

实际上，关联规则分配在给定特定上下文的情况下用户对建议感兴趣的概率。不同的用户可以具有将特定上下文与建议相关联的不同的概率。关联规则中的概率可以利用分析用户的先前活动的机器学习算法被确定。机器学习算法还可以考虑到多个用户的活动来构建关联规则。在这种场景下，当计算关联规则的概率时，特定于用户的数据可以被给予比一般数据更多的权重。

本文中描述的技术的各方面收集可以与关联规则相关的用户活动数据。相关信息可以被存储在描述用户参与的特定活动或事件的数据向量内。例如，描述用户听音乐的音乐事件可以包括各种向量分量，诸如所听的音乐的流派、听音乐的时间、用户在听音乐时的位置、以及其他信息。信息的每个部分可以形成数据向量中的分量的值。例如，数据向量的第一分量可以定义事件的时间。与第一分量相关联的值可以从用户活动信息被提取，用户活动信息从一个或多个用户设备接收。类似地，与位置、音乐流派等相关联的数据向量的分量可以从用户活动数据来被赋值。

数据向量被用作生成关联规则的机器学习方法的输入。不同类型的算法可以被用于使用数据向量作为输入来生成关联规则。示例性算法包括但不限于：多关系关联规则、基于上下文的关联规则、加权类学习、高阶模式发现、K最佳模式发现、近似频繁项集挖掘、广义关联规则分层分类法(概念层次)、定量关联规则、间隔数据关联规则、最大关联规则、顺序模式挖掘和顺序规则。

用于形成向量的用户活动数据在本文中可以被描述为信号或用户信号。信号可以包括从在一个或多个用户设备上运行的个人助理接收或由其收集的状态信息。除了个人助理之外，信号信息可以由电子邮件系统、操作系统、浏览器或用户数字生态系统的任何其他部件来提供。用于生成关联规则的信号数据可以从多个设备组合。状态信息可以描述计算设备的状态(诸如时间和位置)，以及诸如电影应用、音乐应用、餐饮或预约应用、旅行应用、购物应用、电子邮件应用、日历应用、搜索数据、网络浏览等各个应用的状态。此外，信用卡信息、供应商信息或其他帐户信息可以被接收作为用户信号以跟踪用户购买。技术的各方面可以为用户提供选择或退出本文中描述的数据共享布置的机会。

本文中描述的技术的各方面可以执行信号增强。从个人助理接收的信号中的一些信号可能是模糊的或以其他方式受益于增强。例如，信号数据可以包括伴随有时间戳的GPS信息以及用户在该位置处花费大于阈值时间段的指示。信号可以通过查找与位置相关联的实体(诸如餐馆或健身房)来被增强。然后可以针对实体检索附加信息。例如，餐馆可以被确定为提供韩国食物。然后韩国食物可以被输入作为描述事件的数据向量分量中的值。

其他类型的信号增强可以是用户个人的。例如，用户设备上的日历条目可以指示“与妈妈的晚餐”。可以分析与该用户相关联的知识库以标识用户的妈妈并且生成餐馆事件中的同伴条目。

已经简要地描述了本文中描述的技术的各方面的概述，下面描述适用于实现该技术的示例性操作环境。

示例性操作环境

总体上参考附图，并且特别地最初参考图1，示出了用于实现本文中描述的技术的各方面的示例性操作环境，并且其总体上被表示为计算设备100。计算设备100仅是合适的计算环境的一个示例，并且不旨在暗示对本文中描述的技术的使用范围的任何限制。计算设备100也不应当被解释为具有与所示部件中的任一项或组合有关的任何依赖或要求。

本文中描述的技术可以在计算机代码或机器可用指令的一般上下文中被描述，计算机代码或机器可用指令包括由诸如个人数据助理或其他手持设备的计算机或其他机器执行的计算机可执行指令，诸如程序部件。通常，程序部件(包括例程、程序、对象、部件、数据结构等)指代执行特定任务或实现特定抽象数据类型的代码。本文中描述的技术可以在各种系统配置中被实践，包括手持设备、消费电子、通用计算机、专用计算设备等。本文中描述的技术的各方面也可以在分布式计算环境中被实践，其中任务由通过通信网络链接的远距离处理设备来执行。

继续参考图1，计算设备100包括直接或间接耦合以下设备的总线110：存储器112、一个或多个处理器114、一个或多个呈现部件116、输入/输出(I/O)端口118、I/O部件120和说明性电源122。总线110所表示的可以是一个或多个总线(诸如地址总线、数据总线或其组合)。尽管为了清楚起见图1的各个框用线示出，但是实际上，界定各种部件不是那么清楚，并且隐喻地，线将更准确地是灰色和模糊的。例如，可以将诸如显示设备的呈现部件视为I/O部件。另外，处理器具有存储器。本发明人认识到，这是本领域的性质，并且重申图1的图示仅说明可以结合本文中描述的技术的一个或多个方面来使用的示例性计算设备。在诸如“工作站”、“服务器”、“膝上型计算机”、“手持设备”等这样的类别之间不进行区分，因为所有这些预期在图1的范围内并且指代“计算机”或“计算设备”。

计算设备100通常包括各种计算机可读介质。计算机可读介质可以是能够由计算设备100访问的任何可用介质，并且包括易失性和非易失性介质、可移除和不可移除介质。作为示例而非限制，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以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。

计算机存储介质包括但不限于RAM、ROM、EEPROM、闪速存储器或其他存储器技术、CD-ROM、数字通用盘(DVD)或其他光盘存储设备、磁带盒、磁带、磁盘存储设备或其他磁存储设备。计算机存储介质不包括传播的数据信号。

通信介质通常在诸如载波或其他传输机制的调制数据信号中实施计算机可读指令、数据结构、程序模块或其他数据，并且包括任何信息传递介质。术语“调制数据信号”是指以将信息编码在信号中的方式使其特性中的一个或多个特性被设置或改变的信号。作为示例而非限制，通信介质包括诸如有线网络或直接有线连接等有线介质，以及诸如声学、RF、红外和其他无线介质的无线介质。上述任一项的组合也应当被包括在计算机可读介质的范围内。

存储器112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112可以是可移除的、不可移除的或其组合。示例性存储器包括固态存储器、硬盘驱动器、光盘驱动器等。计算设备100包括从诸如总线110、存储器112或I/O部件120等各种实体读取数据的一个或多个处理器114。呈现部件116将数据指示呈现给用户或其他设备。示例性呈现部件116包括显示设备、扬声器、打印部件、振动部件等。I/O端口118使得计算设备100能够在逻辑上耦合到其他设备，包括I/O部件120，其中的一些可以被内置。

说明性的I/O部件包括麦克风、操纵杆、游戏手柄、卫星天线、扫描仪、打印机、显示设备、无线设备、控制器(诸如触笔、键盘和鼠标)、自然用户界面(NUI)等。在实施例中，提供笔式数字化仪(未示出)和附带的输入仪器(也未示出，但是仅作为示例可以包括笔或触笔)，以便数字地捕获徒手用户输入。笔式数字化仪与处理器114之间的连接可以是直接的或者经由利用本领域已知的串行端口、并行端口和/或其他接口和/或系统总线的耦合。此外，数字化仪输入部件可以是与诸如显示设备等输出部件分离的部件，或者在一些实施例中，数字化仪的可用输入区域可以与显示设备的显示区域共存，与显示设备集成，或者可以作为覆盖或以其他方式附加到显示设备的单独设备而存在。任何和所有这样的变型及其任何组合都被认为在本文中描述的技术的实施例的范围内。

NUI处理由用户生成的空中姿势、语音或其他生理输入。适当的NUI输入可以被解释为用于与计算设备100相关联地呈现的墨水笔画。这些请求可以被传输到适当的网络元件用于进一步处理。NUI实现与计算设备100上的显示相关联的语音识别、触摸和触笔识别、面部识别、生物识别、屏幕上和邻近屏幕的姿势识别、空中姿势、头部和眼睛跟踪、以及触摸识别的任何组合。计算设备100可以配备有用于姿势检测和识别的深度相机，诸如立体相机系统、红外相机系统、RGB相机系统以及这些的组合。此外，计算设备100可以配备有能够检测运动的加速度计或陀螺仪。加速度计或陀螺仪的输出可以被提供给计算设备100的显示器，以渲染沉浸式增强现实或虚拟现实。

计算设备可以包括无线电。无线电传输和接收无线电通信。计算设备可以是适于通过各种无线网络接收通信和媒体的无线终端。计算设备100可以经由无线协议与其他设备通信，无线协议诸如码分多址(“CDMA”)、全球移动系统(“GSM”)或时分多址(“TDMA”)等。无线电通信可以是近距离连接、远距离连接、或者近距离和远距离无线电信连接的组合。当我们提到“近”和“远”类型的连接时，我们不是指两个设备之间的空间关系。相反，我们通常将近距离和远距离指代为不同类别或类型的连接(即，主连接和辅连接)。近距离连接可以包括到设备(例如，移动热点)的Wi-Fi连接，该设备提供对诸如使用802.11协议的WLAN连接的无线通信网络的接入。与另一计算设备的蓝牙连接是近距离连接的第二示例。远距离连接可以包括使用CDMA、GPRS、GSM、TDMA和802.16协议中的一个或多个的连接。

现在转到图2，示出了根据本文中描述的技术的一方面的示例性的广域计算环境200。计算环境200包括移动设备210，其通过广域网205与个人辅助服务器240以及全部与移动设备210的用户相关联的第一服务212、第二服务216和第三服务220连接。在本文中描述的技术的一方面，移动设备210可以通过网络205与个人助理服务器240和其他服务之一通信。移动设备210和服务可以各自提供用于构建描述事件的数据向量的信号数据。例如，第一服务212可以是在线音乐服务，第二服务216可以是预约服务，第三服务220可以是社交网络平台。

现在转到图3，提供了根据本文中描述的技术的适于生成特定于用户的关联规则的计算环境300。本文中描述的技术不限于图3所示的部件。图3所示的部件仅是示例性的。例如，计算环境300包括与用户相关联的两个用户设备，但是本文中描述的技术的各方面不限于与两个用户设备一起使用。一个用户设备可以是足够的，并且用户可以具有多于两个用户设备。此外，一方面，位于建议服务器340上的部件可以位于诸如第一用户设备310等用户设备上。例如，代替服务器或者除了服务器之外，信号增强和规则生成可以发生在客户端设备上。

计算环境300包括第一用户设备310、第二用户设备320、网络330和建议服务器340。第一用户设备310和第二用户设备320通过网络330连接到建议服务器340。网络330可以是诸如因特网的广域网。第一用户设备310和第二用户设备320可以类似于先前描述的计算设备100，并且可以采用智能电话、平板电脑、电子阅读器、智能眼镜、智能手表、健身跟踪器、增强现实耳机、膝上型计算机、个人计算机或具有互联网连接的其他计算设备的形式。

在本文中描述的技术的一方面，第一用户设备310包括个人助理应用312。个人助理应用312可以向用户提供建议，诸如由人类个人助理提供的那些建议。个人助理312可以能够识别用户的言语并且提供可听见或可看见的建议。在一方面，个人助理312可以与用户的日历、电子邮件、任务、网页浏览和在第一用户设备310上运行的其他应用接口。个人助理312还可以从第一用户设备310访问状态信息或传感器信息。例如，个人助理312可以能够访问从Wi-Fi热点、小区塔或其他定位方法得到的GPS或其他位置信息。

在一方面，用户明确地向个人助理312提供对访问该信息并且将该信息传送到建议服务器340的许可。个人助理312可以向用户提供选择加入或选择退出接口，并且否则通知用户哪些信息正在被收集并且传输到建议服务器340。用户可以被允许指定什么类型的信息可以或不可以被收集和传输。

个人助理应用312包括可以由本文中描述的技术的各方面使用的三个子部件。三个子部件包括上下文收集器314、场景部件316和触发部件318。应当注意，在本文中描述的技术的某些方面，场景和触发部件是可选的。代替位于第一用户设备310上，这些部件可以位于该部件的功能被远程执行的位置处，诸如与建议服务器340在一起。还应当注意，部件可以是独立的，而不是与个人助理应用312集成。

个人助理应用312可以帮助用户通过一个或多个计算设备(诸如，两者都与用户相关联的第一用户设备310和第二用户设备320)来执行任务。当用户使用计算设备时，或者当计算设备知道并且能够收集关于该用户的上下文时，该用户与该计算设备相关联。用户不需要拥有计算设备；例如，用户的工作计算机可以由雇主拥有，但是仍然被认为是“与用户相关联”。类似地，用户可以与多个人共享家庭计算机，并且家庭计算机可以被认为是“与用户相关联”。事实上，家庭计算机可以与多个用户相关联。家庭计算机上的上下文收集部件可以了解在给定时间哪个用户正在使用计算机，并且将上下文信息与适当的用户相关联。在一方面，用户能够指定他或她所关联的设备。在一方面，用户与每个设备相关联，在该设备上安装有个人助理应用312的实例并且用户已经在其上向个人助理应用注册了他或她的帐户信息或用户身份，或者个人助理能够通过其他上下文(诸如用户的语音、脸部检测等)了解用户。

个人助理应用312可以帮助用户完成计算任务(诸如发送电子邮件或提交搜索查询)和真实世界任务(诸如在从工作回家的路上调度针对用户的干洗的拾取时间)。建议可以帮助用户通过提供打开相关应用或提供相关信息来完成任一类型的任务。本文中使用的真实世界任务部分地发生在计算机之外。例如，交换物质产品或服务是真实世界任务的示例。电子任务专门发生在计算设备与那些计算设备的用户之间。通过计算机显示器显示或者打印计算机化通信的结果具有真实世界要素，但是仍然被认为是该应用的电子任务。

个人助理应用312可以监测其他应用和操作系统功能。例如，个人助理应用312可以能够监测或访问来自第一用户设备310上的一个或多个传感器的传感器数据。例如，个人助理应用312可以访问加速度计数据、陀螺仪数据、GPS位置数据、Wi-Fi位置数据、来自相机的图像数据、由麦克风生成的声音数据、来自触摸屏的触摸数据以及其他信息。

个人助理应用312可以监测一个或多个其他应用内的用户活动并且存储该活动的记录，形成上下文信息。上下文收集器314存储通过智能电话或运行个人助理应用实例的其他设备执行的事件的细节。例如，用户可以在其第一用户设备310上读取电子邮件，使得“电子邮件读取”事件的记录被创建。“电子邮件读取”记录可以描述电子邮件被阅读的时间和日期以及描述电子邮件的细节，诸如收件人、主题行、附件描述等。类似的信息可以用于描述文本事件。呼叫事件可以记录呼叫的时间和日期、呼叫持续时间、和该呼叫中的另一个人的联系人信息(例如，姓名、电话号码)。当电话号码与现有联系人的电话号码相匹配时，联系人信息可以从呼叫者ID信息被确定或者从本地联系人数据存储库被获取。所有这些事件数据可以被描述为信号数据。

在另一示例中，上下文收集器314可以生成步行事件。来自相机的光线的缺失可以指示手机在用户的口袋中，并且加速度计数据可以指示用户正在带着手机步行。可以记录开始时间和停止时间以描述步行事件以及地理位置和/或路线。地理信息可以从智能手机内的GPS或其他位置技术被收集。所有这些信息可以在步行事件数据向量中被组合。备选地，如果用户在步行事件期间正在听音乐，则步行信息可以被包括在音乐数据向量中，如单独地描述的。

驾驶事件可以描述用户正在汽车中行进的实例。与步行事件一样，也可以记录驾驶事件的开始和停止时间连同诸如路线的地理信息。附加信息可以包括在驾驶事件之前、之后或期间访问的商业。地理位置信息可以用于标识商业。此外，可以收集财务信息以确认在驾驶事件期间进行了购买。可以通过分析可用的蓝牙连接来标识特定汽车，包括当智能电话通过无线或有线连接而连接到汽车时。

特定类型的驾驶事件可以包括公共交通事件。用户对公共交通工具的使用可以在用户访问由运输公司提供的Wi-Fi连接时可标识。此外，可以分析路线信息以确定用户在公共交通工具上。例如，可以分析包括停靠站在内的路线信息，以确定路线遵循公共汽车路线，并且停靠站与公共汽车站一致。类似地，可以将路线与已知的列车路线相比较，以确定正在使用公共交通工具。此外，可以分析支付信息以确定正在使用公共交通工具，并且收集关于公共交通工具的附加的细节。在一个实例中，支付信息通过智能电话中的近场通信系统来被提供。

上下文收集器314可以记录娱乐事件。可以将智能电话的位置信息与已知事件的数据库相比较。例如，手机在足球场的位置与已知的球赛事件一致可以使得娱乐记录被创建。与其他事件一样，支付信息、日历信息、电子邮件信息和其他数据可以被组合以确定娱乐事件记录应该被创建并且提供细节。日历信息可以包括事件的日历描述。电子邮件信息可以包括与朋友对事件的讨论、支付收据或与事件相关的其他信息。这些只是可以收集的几种类型的事件。

上下文收集器314收集来自第一用户设备310的信号数据，并且通过网络330将信号数据传输到建议服务器340。具体地，信号信息可以由信号收集部件342接收。上下文收集器314可以提供对信号数据的初始过滤，以使得仅将最相关的信号数据或满足某种准则的信号数据发送到信号收集部件342。在另一方面，上下文收集器314传输所有信号数据而不进行过滤。上下文收集器314可以将信号数据聚合一段时间，并且然后将其传输到信号收集部件342。例如，上下文收集器314可以仅在连接到Wi-Fi连接时传输信号数据。

场景部件316可以存储各种场景或建议。场景可以涉及用于购物、音乐、使用第一用户设备310上的任何功能的建议、帮助建议等。场景部件316可以从建议引擎354接收场景或建议。场景或建议可以与关联规则相关联。关联规则包括上下文准则和相应的建议。关联规则可以按类型被分组，并且实际提供的建议可以由场景部件316通过从当前上下文中提取信息来实时地生成。例如，关联规则可以指示当前上下文提供用户对在电影院中看电影感兴趣的高概率。建议的类型可以是示出附近的电影院的电影时间。场景部件316可以基于作为用户的当前上下文的一部分的、用户的当前位置来标识一个或多个附近的电影院。然后可以使用来自附近的电影院的演出时间、附近的电影院的优惠券或折扣、以及去往附近的电影院的方向来生成建议。其他信息可以被包括在该建议中。

其他建议是预先固定的，并且仅当用户设备的当前上下文和与场景相关联的上下文相匹配时由场景部件316来呈现。例如，建议可以在上下文被满足时播放播放列表。在这种情况下，播放列表不需要实时地被生成而只能被激活，或者提供激活播放列表的提议。

触发部件318可以被并入到场景部件316中，或者可以是分离的。触发部件318监测第一用户设备310的当前上下文以确定当前上下文何时和与关联规则和/或场景相关联的上下文相匹配。在确定当前上下文和与场景相关联的上下文相匹配时，可以通知场景部件316。另外，触发部件318可以与建议服务器340通信以确定上下文，并且建议服务器340可以实时地生成场景并且将其传送到第一用户设备310。以这种方式，触发部件318可以独立于场景部件316而工作，在一些实现中场景部件316甚至可以不存在于第一用户设备310上。

在另一实现中，触发部件318将当前上下文信息实时地传送到上下文触发部件352。然后，上下文触发部件352确定第一用户设备310的上下文何时和与关联规则和/或场景相关联的上下文相匹配。在该实现中，上下文收集器314为了生成特定于用户的关联规则的目的而传送信号信息。触发部件318传送可以用于触发先前已经构建的关联规则的上下文信息。

第二用户设备320包括个人助理部件322、上下文收集器324、场景部件326和触发部件328。这些部件可以以与先前参考第一用户设备所描述的类似的方式工作。实际的部件可以基于两个用户设备的特性而略有不同。例如，应用可以能够根据设备的能力来访问不同的信号数据。例如，第二用户设备320可以是不包括GPS部件的膝上型计算机；因此，上下文收集器324将不能够基于GPS信号来生成位置信息。第一用户设备和第二用户设备也可以在不同的操作系统上运行，即使它们执行类似的功能，也需要不同的部件被不同地编程。

建议服务器340可以在一个或多个数据中心中操作。建议服务器340可以与个人助理服务器相关联，该个人助理服务器聚合来自个人助理正在其上操作的、与用户相关联的多个用户设备的信息。建议服务器340包括信号收集部件342、信号增强部件344、信号向量转换部件346、关联规则部件348、关联规则数据存储器350、上下文触发部件352和建议引擎354。

建议服务器340或相关联的个人助理服务器可以标识用户和用户的设备。建议服务器340可以为用户提供安全登录，并且允许用户将多个设备链接到建议服务器340。

建议服务器340可以管理安全数据，包括跨多个设备的用户的认证设置。在一方面，建议服务器340存储用于各种在线服务的密码和用户凭证信息，并且在验证由在用户设备之一上运行的个人助理应用接收的用户请求时提供对该信息的访问。

信号收集部件342从一个或多个用户设备接收描述用户活动和上下文的信号。信号收集部件342还可以从基于web的平台接收信号，诸如与用户相关联的在线电子邮件和日历应用、在线游戏平台、在线音乐平台、在线电影平台和其他在线服务。可以向用户提供明确的选择加入或选择退出，其描述用户愿意与信号收集部件342共享什么信息。

信号增强部件344可以在信号内增加或澄清信息。在一方面，信号增强部件344可以提供关于在信号数据中描述的实体的附加信息。在另一方面，信号增强部件344标识与信号数据中的位置数据相关联的实体。例如，信号数据可以包括指示用户在特定位置处花费超过阈值时间量的信息。诸如餐馆或与该位置相关联的其他商业等实体可以由信号增强部件344确定。信号增强部件344可以包括将各种实体与位置相关联的实体查找表。信号增强部件344还可以标识或确定关于不同实体的详细信息。例如，除了确定商业的名称和位置之外，还可以确定该商业提供的服务的细节。例如，可以确定由餐馆提供的食物的类型。

信号增强部件344还可以包括知识库，其包括关于用户的个人信息。例如，可以构建从用户的社交网络、电子邮件、电话和其他信息的分析而得到的用户的社交联系人。例如，信号增强部件344可以能够确定用户的社交网络中的若干Mike中的哪个Mike与当前信号相关联。例如，信号增强部件344可以能够通过确定当用户在该餐馆时用户的社交网络中的三个Mike中的第一Mike与第一用户发社交帖子来确定用户与第一Mike吃晚餐。然后第一Mike可以被包括在描述餐饮事件的数据向量的同伴分量中。

信号向量转换部件346接收信号和丰富信号作为输入，并且构建描述事件的数据向量。最初，信号向量部件346可以使用分类过程来标识描述特定事件的信号。可以为不同类型的事件构建不同类型的数据向量。不同类型的事件的数据向量可以具有不同的模式。模式定义数据向量的分量和与这些分量相关联的值可以采用的格式。例如，音乐数据向量可以描述听音乐事件。音乐向量可以包括日期分量、时间分量、持续时间分量、位置分量、来源分量、音乐流派分量、播放列表分量等。分量中的每个分量可以与采用特定格式的值相关联。来源分量可以定义音乐来源，诸如音乐数据存储库或在线服务。流派可以通过信号增强部件来被确定，信号增强部件检索和与听事件相关联的一个或多个歌曲相关联的流派。听事件可以与从音乐提供商或音乐服务流式传输的单个歌曲、播放列表或多个歌曲相关联。尽管未示出，但是建议服务器可以包括将歌曲或多个歌曲分类为流派的流派分类部件。

电影向量可以包括时间分量、位置分量、来源分量、类型分量、同伴分量和其他分量。同伴分量可以包括参与与用户的电影观看体验的一个或多个人的标识信息。参与者可以根据从多个用户收集的社交帖子、电子邮件、文本消息和位置信息被标识。在一方面，挖掘来自用户的社交网络内的多个用户的位置信息以确定用户何时同时位于同一地点。该信息可以由信号增强部件344生成并且被添加作为向量的分量。

购物数据向量可以包括时间分量、位置分量、实体分量、同伴分量、品牌分量、价格分量以及描述购物事件的其他分量。价格分量可以包括从信用卡或其他金融机构接收的信息，其详细地说明在购物活动期间的支出。各种商家或供应商还可以提供关于购物事件的详细信息，其可以被包括在购物向量内。

餐馆向量可以包括时间分量、位置分量、日期分量、餐馆实体分量、餐馆食物类型分量、餐馆价格分量、餐馆评论分量、同伴分量等。餐馆的食物类型、价格和评论分量可以从知识库中得到。评论分量描述向餐馆给予的评级。

在一方面，数据向量可以包括指示相关联的事件是日常还是非日常的分量。事件可以被日常分类器分类为日常或非日常的，日常分类器分析用户事件以确定特定事件是日常的还是非日常的。在一方面，用户在家庭地理区域之外的位置可以指示该事件是非日常的。在一方面，与用户历史中的其他事件不相似的事件最初被分类为非日常的。当随着时间的推移收集到更多的数据时，事件的分类可以从日常变为非日常的。日常分类器可以将各种事件分类为日常或非日常的。此外，日常分类器可以确定当前上下文是日常上下文还是非日常上下文。在当前上下文是非日常上下文时，可以访问非日常关联规则以做出建议。在当前上下文是日常上下文时，可以访问日常关联规则以生成建议。

关联规则部件348使用机器学习算法来生成关联规则，机器学习算法使用多维数据向量作为输入。每个维度可以是不同的上下文分量，诸如时间、日期、位置、活动等。不同类型的算法可以被使用以使用数据向量作为输入来生成关联规则。示例性算法包括但不限于：多关系关联规则、基于上下文的关联规则、加权类学习、高阶模式发现、K最佳模式发现、近似频繁项集挖掘、广义关联规则分层分类法(概念层次)、定量关联规则、间隔数据关联规则、最大关联规则、顺序模式挖掘和顺序规则。

关联规则部件348采用由信号向量转换部件346生成的数据向量作为输入，并且生成关联规则作为输出。关联规则可以与特定的事件类型相关联。例如，可以生成一系列音乐关联规则，可以生成一系列电影关联规则，可以生成一系列购物关联规则，可以生成一系列旅行关联规则等等。各种关联规则可以被存储在规则数据存储库350中。多个音乐规则351和电影规则353被示出。数据存储器350内的特定于用户的关联规则可以利用一般关联规则来被补充，一般关联规则从与多个用户相关联的数据得到，而非来自特定用户的数据。

关联规则部件348还可以将来自多个用户的一般数据向量作为输入以建立关联规则。每个关联规则包括上下文和相关联的建议。关联规则分配在给定上下文的情况下用户将对建议感兴趣的概率。在一方面，只有具有高于阈值概率的关联规则最终被存储在数据存储库350中。特定上下文可以与多个关联规则中的多个建议相关联。在实现中，各种关联规则可以被排序，并且具有最高概率的关联规则用于生成建议。

关联规则可以是多变量关联规则，其中上下文利用多个参数被定义，诸如时间、位置、日期、同伴、最近活动等。以这种方式，关联规则表示用户行为模式，其中过去的上下文和过去的行为被映射到当前上下文和与过去的行为相关的建议。

当关联规则的对应上下文部分被满足时，上下文触发部件352可以触发建议的呈现。上下文触发部件352可以从用户设备接收实时上下文或触发信息，并且确定用户设备的当前上下文何时与关联规则中的上下文相匹配。然后与该特定关联规则相关联的建议可以被触发。关联规则中的上下文可以是多变量的。

建议引擎354可以预先生成建议以用于后续触发。建议引擎354还可以基于上下文数据实时地生成建议。一些建议类型可以包括能够通过上下文信息的插入而完成的模板。例如，上下文信息可以指示基于用户的时间和当前同伴，餐馆建议是适当的。然而，所建议的实际餐馆可以取决于用户的当前位置。特别地，向用户呈现针对附近餐馆的餐馆建议可能是期望的。因此，与建议相关联的类型(例如，墨西哥食品)的附近餐馆可以被检索，并且被插入到最终呈现给用户的建议中。还可以实时地检索附加信息，诸如餐馆正在进行的特价，并且将其添加到建议中。

现在转到图4，提供了生成特定于用户的上下文关联规则的方法400。方法400可以例如由建议服务器340形成在位于数据中心内的服务器上。在步骤410，从与用户相关联的计算设备接收描述事件的信号信息。信号信息可以包括描述事件的数据以及描述其他事件或没有事件的数据。最初，可以使用事件分类系统来标识与特定事件相关联的数据。

可以对信号信息运行信号增强过程以对其消歧或提供补充信息。在一方面，标识信号信息内的实体，并且从知识库检索关于实体的补充信息。然后，补充信息可以与直接在信号信息中找到的信息一起被使用，以生成用于事件的数据向量。换言之，补充信息可以是与数据向量的分量相关联的值。

知识库可以包括关于用户的信息。在一方面，利用由个人助理和/或其他部件收集的信息填充用户简档。用户简档可以包括关于用户在何处工作、生活以及用户与之交互的人的信息。该个人信息可以用于对信号数据内的术语消歧。

在步骤420，将事件分类为非日常的。

在步骤430，通过使用从信号信息得到的信息向数据向量的多个分量赋值来构建用于事件的数据向量。数据向量的分量指示事件是非日常的。如上所述，数据向量包括多个分量。与不同类型的事件相关联的数据向量可以具有不同的组成分量。在一方面，在信号数据内标识的每个事件可以由单个数据向量来表示。最终，可以生成描述不同事件的多个数据向量。

在步骤440，使用数据向量作为到机器学习算法的输入来生成用于第一事件类型的关联规则，机器学习算法生成关联规则作为输出。数据向量可以是用作输入以生成关联规则的几个数据向量之一。在一方面，使用与相同事件类型相关联的数据向量来生成用于这种类型的事件的关联规则。例如，可以使用描述餐饮事件的多个数据向量以生成用于餐饮事件的多个关联规则。不同类型的算法可以被使用以使用数据向量作为输入来生成关联规则。示例性算法包括但不限于：多关系关联规则、基于上下文的关联规则、加权类学习、高阶模式发现、K最佳模式发现、近似频繁项集挖掘、广义关联规则分层分类法(概念层次)、定量关联规则、间隔数据关联规则、最大关联规则、顺序模式挖掘和顺序规则。

在一个实例中，仅使用非日常数据向量来生成被分类为非日常的关联规则。日常关联规则可以采用日常数据向量作为输入。另外，可以同时生成多个关联规则。关联规则分配在给定特定非日常用户上下文的情况下用户对上下文建议感兴趣的概率。关联规则可以被分类为与非日常事件相关联。

关联规则可以是多变量关联规则，其中上下文利用多个参数被定义，诸如时间、位置、日期、同伴、最近活动等。以这种方式，关联规则表示用户行为模式，其中过去的背景和过去的行为被映射到当前上下文和与过去的行为相关的建议。

在步骤450，存储关联规则。在一方面，仅存储在上下文与建议之间具有高于阈值相关性的关联规则。

一旦关联规则被生成并被存储，当给定的上下文发生时，其可以被用于向用户呈现建议。在一方面，从与用户相关联的用户设备接收附加信号信息。当单个信息被接收时，可以确定用户的上下文。上下文可以由用户的位置、一天中的时间和用户正在做什么以及其他因素来定义。可以确定用户的当前上下文以匹配一个或多个关联规则中的上下文。当上下文与多个关联规则和与建议相关联的概率相匹配时，可以将规则连同其他因素排序以确定哪个建议被提供。当上下文与单个规则相匹配时，则可以将该建议呈现给用户。如上所述，建议可以作为视觉指示被呈现在与计算设备相关联的显示器上，被可听见地呈现，或者可以通过某种其他方法来呈现。

现在转到图5，示出了生成特定于用户的上下文关联规则的方法500。方法500可以例如由建议服务器340在位于数据中心内的服务器上执行。在步骤510，从与用户相关联的一个或多个设备接收信号信息。信号数据可以从多个用户设备被接收，包括智能电话、智能手表、智能眼镜、平板电脑、膝上型计算机、PC和其他计算设备。此外，信号数据可以从一个或多个在线服务被接收，诸如视频服务、音乐服务、购物服务、社交网络、电子邮件服务等。信号信息可以包括描述事件的数据以及描述其他事件或没有事件的数据。最初，可以使用事件分类系统来标识与特定事件相关联的数据。

在步骤520，通过标识信号信息内的实体并且从知识库中检索关于实体的补充信息来增强信号信息。例如，实体可以是与餐饮事件相关联的餐馆，并且补充信息可以包括食物类型、平均价格、平均顾客评论、餐饮事件期间的活动特价以及其他信息。

在步骤530，通过向数据向量的多个分量中的每个分量赋值来构建数据向量。该值来自信号信息或补充信息。不同类型的算法可以被使用以使用数据向量作为输入来生成关联规则。示例性算法包括但不限于：多关系关联规则、基于上下文的关联规则、加权类学习、高阶模式发现、K最佳模式发现、近似频繁项集挖掘、广义关联规则分层分类法(概念层次)、定量关联规则、间隔数据关联规则、最大关联规则、顺序模式挖掘和顺序规则。

在步骤540，使用数据向量作为到机器学习算法的输入来生成用于用户的关联规则，机器学习算法生成关联规则作为输出。关联规则分配在给定特定用户上下文的情况下用户对上下文建议感兴趣的概率。

关联规则可以是多变量关联规则，其中上下文利用多个参数被定义，诸如时间、位置、日期、同伴、最近活动等。以这种方式，关联规则表示用户行为模式，其中过去的背景和过去的行为被映射到当前上下文和与过去的行为相关的建议。

在步骤550，存储关联规则。在一方面，仅存储在上下文与建议之间具有高于阈值相关性的关联规则。

一旦关联规则被生成并被存储，当给定的上下文发生时，其可以用于向用户呈现建议。在一方面，从与用户相关联的用户设备接收附加信号信息。当单个信息被接收时，可以确定用户的上下文。上下文可以由用户的位置、一天中的时间和用户正在做什么以及其他因素来定义。可以确定用户的当前上下文以匹配一个或多个关联规则中的上下文。当上下文与多个关联规则和与建议相关联的概率相匹配时，可以将规则连同其他因素排序以确定哪个建议被提供。当上下文与单个规则相匹配时，则可以将该建议呈现给用户。如上所述，建议可以作为视觉指示被呈现在与计算设备相关联的显示器上，被可听见地呈现，或者可以通过某种其他方法来呈现。

技术的各方面已经被描述为是说明性的而不是限制性的。应当理解，某些特征和子组合是实用的，并且可以在不参考其他特征和子组合的情况下被采用。这是由权利要求的范围构想的并且在权利要求的范围内。

Claims (15)

1.一种生成特定于用户的上下文关联规则的方法，包括：

从与用户相关联的一个或多个设备接收信号信息；

通过标识所述信号信息内的实体并且从知识库检索关于所述实体的补充信息来增强所述信号信息；

通过向数据向量的多个分量中的每个分量赋值来构建所述数据向量，其中所述值来自所述信号信息或所述补充信息；

使用所述数据向量作为到机器学习算法的输入来生成用于所述用户的关联规则，所述机器学习算法生成所述关联规则作为输出，所述关联规则分配在给定特定用户上下文的情况下所述用户对上下文建议感兴趣的概率；以及

存储所述关联规则。

2.根据权利要求1所述的方法，其中所述方法还包括：

从与所述用户相关联的设备接收附加信号信息；

从所述附加信号信息确定所述用户的当前上下文；

确定所述当前上下文与所述关联规则中的所述特定用户上下文相匹配；以及

触发所述上下文建议。

3.根据权利要求1所述的方法，其中所述用户上下文是所述用户正在听音乐，并且所述数据向量的所述多个分量包括用户位置、时间和所述音乐的流派。

4.根据权利要求1所述的方法，其中所述数据向量包括指示由所述数据向量描述的事件是日常事件的分量。

5.根据权利要求1所述的方法，其中所述知识库描述餐馆的类型。

6.根据权利要求1所述的方法，其中所述信号信息的至少一部分由在所述计算设备上运行的个人助理来收集。

7.根据权利要求1所述的方法，其中所述用户上下文是所述用户正在看电影，并且所述数据向量的所述多个分量包括用户位置、时间和所述电影的来源。

8.一种生成特定于用户的上下文关联规则的方法，所述方法包括：

从与用户相关联的计算设备接收描述事件的信号信息；

将所述事件分类为非日常的；

通过使用从所述信号信息得到的信息向用于所述事件的数据向量的多个分量赋值来构建所述数据向量，其中所述数据向量的分量指示所述事件为非日常的；

使用所述数据向量作为到机器学习算法的输入来生成用于第一事件类型的关联规则，所述机器学习算法生成所述关联规则作为输出，所述关联规则分配在给定特定非日常用户上下文的情况下所述用户对上下文建议感兴趣的概率；以及

存储所述关联规则。

9.根据权利要求8所述的方法，其中所述方法还包括：

标识所述信号信息内的实体；以及

从知识库检索关于所述实体的补充信息，并且

其中所述数据向量的所述多个分量中的至少一个分量与从所述补充信息得到的值相关联。

10.根据权利要求9所述的方法，其中所述知识库包括关于所述用户的信息。

11.根据权利要求10所述的方法，其中所述信息的至少一部分由在所述计算设备上运行的个人助理来收集。

12.根据权利要求8所述的方法，其中所述将所述事件分类为非日常的由自动分类器来执行。

13.根据权利要求8所述的方法，其中所述数据向量描述餐饮事件并且包括餐馆名称分量、餐馆类型分量和时间分量。

14.根据权利要求8所述的方法，其中所述方法还包括：

从与所述用户相关联的设备接收附加信号信息；

从所述附加信号信息确定所述用户的当前上下文；

确定所述当前上下文是所述特定非日常用户上下文；以及

触发所述上下文建议。

15.根据权利要求8所述的方法，其中所述计算设备是智能电话或个人计算机之一。