CN108475365A - 将管理任务分类和划分优先级 - Google Patents

将管理任务分类和划分优先级 Download PDF

Info

Publication number
CN108475365A
CN108475365A CN201680077185.3A CN201680077185A CN108475365A CN 108475365 A CN108475365 A CN 108475365A CN 201680077185 A CN201680077185 A CN 201680077185A CN 108475365 A CN108475365 A CN 108475365A
Authority
CN
China
Prior art keywords
task
user
data
history
partially
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.)
Withdrawn
Application number
CN201680077185.3A
Other languages
English (en)
Inventor
R·约蒂林加姆
S·孙达尔
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 CN108475365A publication Critical patent/CN108475365A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • 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
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Machine Translation (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

技术和架构在电子通信环境中管理任务，例如在电子日历、电子邮件账户、显示、和数据库中。一种计算系统可以至少部分地基于特定用户所遵循的用于执行特定任务的执行模式的历史来确定多个面向任务的动作。这样的历史可以由机器学习过程生成或修改。面向任务的动作可以包括：通过根据每个任务的各种参数使用这样的历史来对一组任务划分优先级；从个体的任务中提取动作、主题和关键词；生成表示一组任务的各种参数的视觉线索；以及生成提供对用户在不同的任务类别上所花费的时间的分析的生产力报告。

Description

将管理任务分类和划分优先级
背景技术
电子通信已经变成社交和商业交互的重要形式。这样的电子通信包括电子邮件、日历、SMS文本消息、语音邮件、图像、视频、和其他的数字通信和内容等。电子通信是由用户在任何数量的计算设备上自动地或手动地生成的。
发明内容
本公开描述了用于在电子通信环境中管理任务的技术和架构，所述电子通信环境例如电子日历、电子邮件账户、以及数据库等。一种计算系统可以至少部分地基于特定用户执行特定任务所遵循的执行模式的历史来确定面向任务的多个动作。可以由机器学习过程来生成或修改这样的历史。面向任务的动作可以包括：通过根据每个任务的各种参数使用这样的历史来对一组任务划分优先级；从个体的任务提取动作、主题、和关键词；生成表示一组任务的各种参数的视觉线索；以及生成生产力报告，其对用户在不同的任务类别上所花费的时间提供分析。
提供了本发明内容以用简化的形式引入将在以下的具体实施方式中进一步描述的概念的选择。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在帮助确定所要求保护的主题的范围。例如，术语“技术”可以指系统、方法、计算机可读指令、模块、算法、硬件逻辑(例如，现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD))、和/或如由以上和本文档通篇的上下文所许可的其他技术。
附图说明
参考附图描述了具体实施方式。在附图中，附图标记的最左边的数字标识了该附图标记第一次出现所在的图。不同的附图中的相同的附图标记指示相似或相同的项。
图1是描绘了在其中可以实现本文中所描述的技术的示例环境的框图。
图2是示出了服从示例任务提取过程的电子通信的框图。
图3是示出了任务的示例文本和任务提取过程的电子通信的框图。
图4是可以与示例任务操作模块进行通信的多个信息源的框图。
图5是示例机器学习系统的框图。
图6是示例机器学习模型的框图。
图7是示出了包括任务的视觉线索的示例图形的显示的视图。
图8是示出了包括执行任务的生产力的示例图形的显示的视图。
图9是示出了示例任务列表的显示的视图。
图10是示例任务管理过程的流程图。
图11是示出了用于任务参数提取的示例在线和离线过程的框图。
图12是示例任务分类过程的流程图。
具体实施方式
各种示例描述了针对系统的技术和架构，所述系统执行从数据库、用户账户、和电子通信收集或提取任务，所述电子通信例如一个或多个用户之间或之中的消息(例如，单个用户可以给子集或者给一个或多个其他用户发送消息)。例如，系统可以从与一个或多个用户相关联的日历应用提取一组任务。在另一示例中，两个人之间的电子邮件交流可以包括从第一人向第二人发送请求以执行任务的文本。电子邮件交流可以传达足够的信息以用于该系统自动地确定存在用于执行该任务的请求。在一些实现中，电子邮件交流没有传达用于确定任务存在的足够信息。无论是否是该情况，系统都可以查询可能与电子邮件交流的一个或多个部分相关的其他信息源。例如，系统可以检查由电子邮件交流的作者中的一个或两者或者由其他人交换的其他消息。系统还可以检查电子邮件或其他消息更大语料库。在其他消息之外，系统可以针对额外的信息而查询电子邮件交流的作者中的一个或两者的日历或数据库。在一些实现中，系统可以查询作者中的一个或两者的相应位置处的交通或天气情况等。
在本文中，“提取”用于描述在电子通信或数据库中确定或取回任务。例如，系统可以从一系列文本消息中提取任务。在这里，系统从一系列的文本消息中确定或识别任务，但是不一定从所述一系列文本消息移除任务。换句话说，在本文中使用的背景下，除非针对特定示例另外描述，否则，“提取”不意味着“移除”。在另一示例中，系统可以从电子日历中提取任务。在这里，该系统从该日历取回任务，但是不一定从日历移除任务。
在本文中，可以将从通信提取任务的过程描述为提取“任务内容”的过程。换句话说，如在本文中描述的“任务内容”指的是一个或多个请求、一个或多个委托、和/或包括在通信的含义下传达的请求和委托的组合的项目。在各种实现中，可以对委托与请求之间的相互作用进行识别、提取、以及将其确定为任务。例如，这样的相互作用可以是对请求方的生成针对请求方和/或第三方(例如，个人、小组、处理组件等)的一个或多个请求的委托的情况。例如，来自工程管理员的、对用于完成产品收得率分析的请求的委托可以生成针对生产团队对生产数据的辅助请求。
在各种实现中，过程可以提取包含任务的文本片段。例如，段落可以包括该段落的第二句中的任务。额外地，所述过程可以提取包含该任务的文本片段、句子、或段落，例如在该段落中的第三句或各种词短语。
在各种实现中，过程可以利用对与所提取的任务内容相关联的人和一个或多个位置的识别来增强所提取的任务内容(例如，请求或委托)。例如，所提取的请求可以与诸如对请求方和/或“被请求方”识别、相关的位置、时间/日期等之类的额外信息一起被存储或处理。
一旦被计算系统识别和提取，可以进一步处理或分析通信的任务(例如，对委托或请求的建议或批准)以识别或推断委托或请求的语义，包括：识别请求或委托的主要所有者(例如，如果不是该通信中的参与方)；任务的性质(例如，类型)及其属性(例如，其描述或总结)；指定的或推断的相关日期(例如，针对完成委托或请求的期限)；诸如初始回复或跟进消息之类的相关响应及其期望的时间(例如，根据对礼貌或围绕为了在人们之间完成任务的高效通信的期望或者根据组织)；以及要用于满足该请求的信息源。这样的信息源，例如，可以提供关于时间、人、位置等的信息。所识别的任务和关于该任务的推断可以用于驱动自动(例如，计算机生成的)服务，例如提醒、待办事项的修改(例如，和显示)、任务的优先级、预约、会面请求、以及其他时间管理活动。在一些示例中，在消息的创作(例如，键入电子邮件或文本)、阅读消息期间，或者在其他的时候，例如在服务器或客户端设备上离线处理电子邮件期间，可以应用这样的自动服务。关于任务的初始提取和推断还可以调用与一个或多个参与者一起工作的自动化服务，以至少部分地基于对丢失信息或关于从该通信检测或推断出的一个或多个属性的不确定性来确认或改善关于该任务和该任务的状态的当前理解或推断。
在一些示例中，可以从多种形式的通信中提取任务内容，包括多个应用中的任何一个，所述应用涉及任务管理、捕获人与人之间的通信的数字内容(例如，电子邮件、SMA文本、即时消息传送、电话呼叫、在社交媒体上的张贴等)以及创作的内容(例如，电子邮件、日历、诸如由Washington州Redmond市的微软公司提供的之类的笔记记录或组织工具、文字处理文档等)。
在一些示例中，计算系统可以构建用于使用机器学习过程来识别和提取任务以及相关信息的预测模型，所述机器学习过程对带有注释的句子或消息的语料库(例如，机器学习特征)的训练集进行操作。在其他示例中，计算系统可以使用相对简单的基于规则的方式来执行提取和总结。在其他示例中，机器学习可以利用针对用户的任务执行跟踪。这样的跟踪可以涉及：从初始问卷中得出的用户行为和兴趣并将所述行为和兴趣应用至用户执行任务的方式；对用户针对任务的意图的识别；用户是否在以基于任务的最终目标的特定的方式执行特定的任务类型；模式识别；确定用户针对特定的任务类型如何在一年、一月、一周、一天的特定时间上进展(例如，如果用户在休假，则该用户可能只想要看那些更提神和无足轻重的任务)；确定影响用户的任务发起、执行和完成的外部因素(例如，这样的因素可以是家庭承诺、健康问题、假期、长时间出差等)；确定在任务执行之前、期间以及之后用户是否具有行为方式；确定用户是否准时完成任务；确定用户是否相对频繁地推迟任务；确定是否存在用户推迟的任何特定类型的任务；确定用户是否完成任何高优先级任务；确定用户是否推迟任务而不管任务的类型(例如，自组织对优先级任务)；确定用户是否有意识地响应于用于更新任务的状态的飞出的提醒；确定用户推迟任务更新的速率；确定用户通过一完成任务就立即接受下一任务来清除任务列表的速率；从用户的任务跟进来确定用户的自律特征(例如，确定用户是否设立了会面请求，用户是否勤奋地发送会议记录以结束特定的任务)；确定用户在执行特定任务时如何表现(例如，与设计任务相比，用户可能花费了两倍长的时间来执行编码任务)；以及跟踪用户任务执行序列等。
在一些示例中，一种计算系统可以显式地在消息自身中用符号表示从消息中提取的任务内容。在各种实现中，一种计算系统可以在多个电子服务和体验中给包含任务的消息加标记，这可以包括诸如经过由 Outlook Web(OWA)、和(这些全都由微软公司提供)提供的产品和服务来显露的产品或服务，以及来自其他公司的其他这样的服务和体验。在各种实现中，一种计算系统可以从音频馈送提取任务，例如从电话呼叫或语音邮件消息、SMS图像、即时消息传送流、以及对数字个人助理的口头请求等。
在一些示例中，计算系统可以学习改进预测性模型和总结，其用于使用用户针对特定任务类型的历史表现来提取任务并对任务分类或划分优先级。例如，用户可能倾向于针对具有特定任务类型的多个任务来展示类似等级的表现。至少部分地基于这样的历史数据，可以实现资源(例如，时间和硬件)的高效组织，所述历史数据可以由计算机系统来量化和/或存储，并且随后被应用于预测性模型(例如，机器学习模型)。
参考图1-12进一步描述了各种示例。
下文描述的环境仅构成了一个示例，但是不旨在将权利要求限于任何一个特定的操作环境。可以使用其他环境，而不脱离所要求保护的主题的精神和范围。
图1示出了示例环境100，其中可以操作涉及如在本文中所描述的任务提取、操作、和管理的示例过程。在一些示例中，环境100的各种设备和/或组件包括多种计算设备102。作为示例而非限制，计算设备102可以包括设备102a-102e。尽管被示出为多种设备类型，但是计算设备102可以是其他的设备类型并且不限于所示出的设备类型。计算设备102可以包括具有例如经由总线110可操作地连接至输入/输出接口106和计算机可读介质108的一个或多个处理器104的任何类型的设备。计算设备102可以包括个人计算机，例如台式计算机102a、膝上型计算机102b、平板计算机102c、电信设备102d、个人数字助理(PDA)102e、电子书阅读器、可穿戴计算机(例如，智能手表、个人健康跟踪配件等)、汽车计算机、游戏设备等。计算设备102还可以包括例如服务器计算机、瘦客户端、终端、和/或工作站。在一些示例中，计算设备102可以包括用于在计算设备、装置或其他种类的设备中集成的组件。
在一些示例中，可以例如通过云计算由一个或多个远程对等计算设备、远程服务器或多个服务器、或分布式计算资源(例如，经由云计算)来实现被描述为由计算设备102执行的功能中的一些或全部。在一些示例中，计算设备102可以包括用于接收电子通信的输入端口。计算设备102还可以包括用于访问与特定电子通信相关或相关联的各种信息源的一个或多个处理器104。这样的源可以包括电子日历(在下文中，“多个电子日历”)和关于消息的作者或在电子通信中包括的其他用户的历史或个人信息的数据库。在一些实现中，作者或用户必须在多个处理器104中的任何一个能够访问作者或用户的个人信息之前“选择参加”或采取其他肯定性的动作。在一些示例中，一个或多个处理器104可以被配置为从电子通信提取任务内容。一个或多个处理器104可以是硬件处理器或软件处理器。如在本文中所使用的，处理单元指代硬件处理器。
在一些示例中，如关于设备102d所示出的，计算机可读介质108可以存储能够由处理器104执行的指令，包括操作系统(OS)112、机器学习模块114、提取模块116、任务操作模块118、图形生成器120、以及能够由处理器104加载和执行的程序或应用122。一个或多个处理器104可以包括一个或多个中央处理单元(CPU)、图形处理单元(GPU)、视频缓冲处理器等。在一些实现中，机器学习模块114包括可执行代码，其被存储在计算机可读介质108中并且能够由处理器104执行以由计算设备102经由输入/输出106本地地或远程地收集信息。所述信息可以与应用122中的一个或多个相关联。机器学习模块114可以选择性地应用在计算机可读介质108中存储的(或更特别地，在机器学习模块114中存储的)多个机器学习决策模块中的任何一个以应用于输入数据。
在一些实现中，提取模块116包括可执行代码，其在计算机可读介质108中被存储并且能够由处理器104执行以由计算设备102经由输入/输出106本地地或远程地收集信息。所述信息可以与应用122中的一个或多个相关联。提取模块116可以选择性地应用在计算机可读介质108中存储的多个统计模块或预测模型(例如，经由机器学习模块114)中的任何一个来应用于输入数据。
尽管某些模块已经被描述为执行各种操作，但是这些模块仅仅是示例，并且可以通过更多或更少数量的模块来执行相同或相似的功能。此外，由所描绘的模块执行的功能不一定需要由单个设备本地地执行。相反，一些操作可以由远程设备(例如，对等设备、服务器、云等)来执行。
可替代地或另外地，可以至少部分地由一个或多个硬件逻辑组件来执行在本文中所描述的功能中的一些或全部。例如而非限制，可以使用的说明性类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、程序专用集成电路(ASIC)、程序专用标准产品(ASSP)、片上系统系统(SOC)、复杂可编程逻辑器件(CPLD)等。
在一些示例中，计算设备102可以与能够捕获图像和/或视频的相机和/或能够捕获音频的麦克风相关联。例如，输入/输出模块106可以包含这样的相机和/或麦克风。例如，对象或文本的图像可以被转换成与内容和/或图像的意思相对应的文本并且针对任务内容而被分析。话音的音频可以被转换成文本并针对任务内容而被分析。
计算机可读介质包括计算机存储介质和/或通信介质。计算机存储介质包括以任何方法或技术实现的用于存储诸如计算机可读指令、数据结构、程序模块、或其他数据之类的信息的易失性和非易失性、可移动和不可移动的介质。计算机存储介质包括但不限于，相变存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪速存储器(例如，USB驱动器)或其他存储技术、压缩盘只读存储器(CD-ROM)、外部硬盘、数字多功能盘(DVD)或其他光存储器、盒式磁带、磁带、磁盘存储器或其他磁存储设备、或者能够用于存储信息以由计算设备存取的任何其他非传输介质。
相比之下，通信介质实施计算机可读指令、数据结构、程序模块、或在诸如载波或其他传输机制之类的调制数据信号中的其他数据。如在本文中所定义的，计算机存储介质不包括通信介质。在各种示例中，存储器108是存储计算机可执行指令的计算机存储介质的示例。当由处理器104执行时，计算机可执行指令将处理器配置为接收任务；从任务中提取动作、主题、和关键词中的至少一个；在数据库中搜索与所述任务类似的任务(例如，任务类型)执行的历史；以及至少部分地基于类似任务执行的历史来对任务进行分类等。
在各种示例中，输入/输出(I/O)接口106的输入设备或连接到输入/输出(I/O)接口106的输入设备可以是直接触摸输入设备(例如，触摸屏)、间接触摸设备(例如，触摸板)、间接输入设备(例如，鼠标、键盘、相机或相机阵列等)、或另一类型的非接触设备，例如音频输入设备。
计算设备102还可以包括一个或多个输入/输出(I/O)接口106，其可以包括一个或多个通信接口，以使能通过网络111在计算设备102与在提取任务内容时所涉及的其他联网计算设备或其他计算设备之间进行有线或无线通信。这样的通信接口可以包括一个或多个收发机设备，例如，诸如以太网网络接口控制器(NIC)或其他类型的收发机设备之类的NIC，以在网络上发送和接收通信。处理器104(例如，处理单元)可以通过相应的通信接口交换数据。在一些示例中，通信接口可以是PCIe收发机，而网络111可以是PCIe总线。在一些示例中，通信接口可以包括但不限于，针对蜂窝(3G、4G或其他)、WI-FI、超宽带(UWB)、蓝牙、或卫星传输的收发机。通信接口可以包括有线I/O接口，例如以太网接口、串行接口、通用串行总线(USB)接口、INFINIBAND接口、或其他有线接口。为了简单起见，从所示出的计算设备102省略这些和其他的组件。输入/输出(I/O)接口106可以允许设备102与诸如用户输入外围设备(例如，键盘、鼠标、钢笔、游戏控制器、语音输入设备、触摸输入设备、手势输入设备等)和/或输出外围设备(例如，显示器、打印机、音频扬声器、触觉输出等)之类的其他设备进行通信。
图2是示出了服从示例任务提取过程204的电子通信202的框图。例如，过程204可以涉及用于检测在到来或对外的通信中或在数据库中是否包括任务内容的多个技术中的任何一个。过程204还可以涉及用于自动标记、注释或以其他方式将消息识别为包含任务内容的技术。在一些示例中，过程204可以包括提取任务的摘要(未示出)以用于呈现以及随后的跟踪和分析的技术。可以从多种形式的电子通信202的内容中提取任务206。这样的内容可以包括诸如电子邮件、SMS文本或图像、即时消息传送、社交媒体中的帖子、会议笔记、数据库内容等之类的人与人之间的通信。这样的内容还可以包括使用电子邮件应用或文字处理应用所创作的内容。
在一些示例中，任务提取过程204可以识别并提取任务参数，例如来自任务208的动作、主题、和/或关键词。如下文描述的，可以在诸如分类任务、划分优先级任务等之类的多个任务操作中使用任务的动作、主题、关键词以及其他参数。
用于从各种形式的电子通信识别并提取任务以及用于从所述任务提取动作、主题、和关键词的示例技术可以涉及对人类注释者可以将其注释为包含任务的电子通信的内容的语言分析。例如，可以在生成用于构建并检测对任务和关于任务的各种属性的自动提取的大量训练数据的过程中使用人类注释。技术还可以涉及针对人类生成的标签的代理(例如，基于电子邮件参与度的数据或相对复杂的提取方法)。为了开发在提取系统中使用的方法或者为了实时地使用用于识别和/或推断任务或委托及其属性的方法，分析可以包括在沿复杂性谱的不同点上的自然语言处理(NLP)分析。例如，具有相对低等级复杂度的分析可以涉及基于简单的断字和语序来识别关键词。具有相对中间等级复杂度的分析可以涉及考虑对成组的词(“词袋”)的较大分析。具有相对高等级复杂度的分析可以涉及将通信中的句子复杂地解析成解析树和逻辑形式。用于识别和提取任务内容的技术可以涉及识别消息的组件和消息的句子的属性或“特征”。这样的技术可以在机器学习/训练和测试范例中使用这样的特征以构建(例如，统计)模型，从而对消息的组件进行分类。例如，这样的组件可以将句子或整个消息作为包含任务来包括，并且还识别和/或总结最好地描述该任务的文本。
在一些示例中，用于提取的技术可以涉及分析的层级，包括使用以句子为中心的方法，考虑消息中的多个句子，以及对相对长的通信线程的全局分析。在一些实现中，这样的相对长的通信线程可以包括在一段时间上的消息的集合以及线程和长期通信(例如，跨天、星期、月、或年)的集合。可以考虑与特定通信相关联的多个内容源。这样的源可以包括关联于特定通信的人的或者在关联于特定的通信的人中的历史和/或关系、在一段时间期间的人的位置、人的日历信息、以及与人相关联的组织结构的组织和细节的多个方面。
在一些示例中，技术可以将从内容的组件识别的任务直接认为是对任务的表示，或还可以被概括。技术可以从句子或更大的消息提取其他信息，包括相关日期(例如，请求或委托到期的最后期限)、位置、紧急度、时间要求、任务主题(例如，项目)、和人。在一些实现中，通过将任务归于消息的特定作者来确定所提取的任务内容的属性。例如，这在具有多个接收者的多方电子邮件的情况下可能尤其有用。
在消息的文本之外，技术可以考虑用于提取和总结的其他信息，例如图像和其他图形内容、消息的结构、主题标头、消息的长度、消息中句子或短语的位置、发送消息的日期/时间、以及关于消息的发送者和接收者的信息等。技术还可以考虑消息自身的特征(例如，接收者的数量、回复的数量、整体长度等)和上下文(例如，一周中的天)。在一些实现中，技术还可以至少部分地基于通信的发送者或接收者和历史和/或组织的结构的历史来将候选消息/内容或产生的提取的初始分析细化或划分优先级。
在一些示例中，技术可以包括分析在当前通信(例如，电子邮件、文本等)之外的各种通信的特征。例如，技术可以考虑在任务之间或任务之中的交互，例如通信线程的较早部分是否包含任务、先前在通信线程的两个(或更多)用户之间进行的任务数量等。
在一些示例中，技术可以包括分析包括条件性任务内容的各种通信的特征。例如，条件性任务可以是“如果我看见他，我将会让他知道”。另一条件性任务可以是“如果明天天气晴朗，我将会粉刷房子”。
在一些示例中，技术可以包括利用诸如期限、与任务内容相关联的人的标识(例如，名字、ID号等)、以及在任务内容中所提及的地方之类的额外的信息来增强所提取的任务内容。
图3是示出了包括任务的示例文本线程和任务提取过程304的电子通信302的框图。例如，通信302，其可以是在用户的计算设备上接收的从另一用户到该用户的文本消息，包括来自另一用户的文本306。任务提取过程304包括分析通信302的内容(例如，文本306)以及确定任务。在图3中所示出的示例中，另一用户的文本306包括用户为了5月9号的会议写演示的任务308。任务提取过程304可以通过涉及分析文本306的多个技术中的任何一个来确定任务。在一些实现中，如果该文本不足以确定任务(例如，“缺少”信息或高度不确定的信息)，则任务提取过程304可以查询多个数据源中的任何一个。例如，如果文本306不包括会议的日期(例如，其他用户可以假定用户记得该日期)，则任务提取过程304可以针对该会议日期来查询该用户或另一用户的日历。
在各种示例中，任务提取过程304可以确定可能性(例如，经推断的可能性)或到来或对外的消息(例如，电子邮件、文本等)包含向/由接收者/发送者发送的任务的置信度的其他度量。可以至少部分地从所计算的消息的一个或多个组件、或组件的总结是候选任务的有效请求或委托的可能性来确定这样的置信度或似然。
在一些示例中，任务提取过程304可以识别并提取参数310，例如来自任务308的动作、主题和关键词。在所述示例中，任务308的动作可以是“写”，任务308的主题可以是“演示”，而任务308的关键词可以是“会议”。这样的参数可以用于将任务308分类(例如，建立其类型)或者确定任务的重要性的度量，如下文所描述的。
在一些示例中，执行任务提取过程304的系统可以确定任务的重要性的度量，其中低重要性任务是针对其用户将认为是相对较低优先级(例如，低紧急度等级)的任务，而高重要性任务是针对其用户将认为是相对较高优先级(例如，高紧急度等级)的任务。对于诸如对任务划分优先级、提醒、修改待办事项列表、预约、会议请求、以及其他的时间管理活动之类的随后的操作而言，任务的重要性可以是有用的。可以至少部分地基于该用户的事件的历史(例如，过去任务的跟进和表现等)和/或其他用户的事件的历史和/或该用户或其他用户的个人信息(例如，年龄、性别、年纪、职业、频繁的旅行者等)来确定任务的重要性。例如，系统可以查询这样的历史。在一些实现中，在系统可以查询用户的个人信息之前，用户中的任何一个或全部必须“选择参加”或采取其他肯定的行动。如果这样的历史展示了该用户例如已经是针对其用户要写演示的项目的成员，则系统可以针对该用户分配相对较高的任务重要性。确定任务的重要性也可以至少部分地基于文本306中的关键词或术语。例如，“需要”一般隐含所需的动作，以使得任务的重要性可以相对较强。另一方面，在涉及与朋友会面喝茶的任务的另一示例中，这样的活动一般是可选的，并且因此可以向这样的任务分配相对较低的重要性度量。然而，如果这样的与朋友会面的任务与用户的工作(例如，职业)相关联，则可以向这样的任务分配相对较高的重要性度量。所述系统可以对多个这样的场景和因素进行加权以确定任务的重要性。例如，该系统可以至少部分地基于与电子消息相关的内容来确定消息中任务的重要性。
图4是包括与多个实体404-426通信的任务操作模块402的示例系统400的框图。这样的实体可以包括主机应用(例如，互联网浏览器、SMS文本编辑器、电子邮件应用、电子日历功能等)、数据库或信息源(例如，个人数据或个人的任务表现历史、公司或代理的组织信息、可以提供数据即服务的第三方数据聚合器等)等。例如，任务操作模块402可以与在图1中所示出的计算设备102中的任务操作模块118相同或相似。
任务操作模块402可以被配置为通过应用任何数量的语言分析技术来分析通信的内容、和/或由实体404-426所提供的数据或信息(但也可以采用简单的启发式或基于规则的系统)。
例如，任务操作模块402可以被配置为分析由电子邮件实体404、SMS文本消息实体406等所提供的通信的内容。任务操作模块402、还可以被配置为分析由互联网实体408、提供训练数据410的机器学习实体、电子邮件实体404、日历实体414等所提供的数据或信息。任务操作模块402可以通过对从实体404-426中的任何一个收集的信息或数据应用语言分析来分析内容。在一些示例中，任务操作模块402可以被配置为从任务历史实体426分析关于历史任务交互的数据，所述任务历史实体426可以是存储器设备。例如，这样的历史任务交互可以包括人们对类似类型的先前任务所执行的动作。关于这样的动作的信息(例如，特定类型的任务的表现等)可以指示人们执行类似任务等表现等级。由此，可以在关于当前的或未来的任务操作的决策中考虑历史任务交互。在一些示例中，表现的历史可以包括用于执行特定类型的任务的用户优选的设备。例如，可以经由便携设备(例如，智能手机)来通知用户，但是在历史上倾向于使用台式计算机来执行这样的任务。在该示例中，用户优选的设备是台式计算机。例如，用户优选的设备可以根据历史数据而被确定为用户执行特定类型的任务最常使用的设备。
在一些示例中，可以基于与特定类型的任务的执行(例如，实行)有关的多个特征来测量或量化用户进行的特定类型的任务的表现。这样的特征可以包括完成该类型的任务所花费的时间、该类型的任务多经常被完成或未完成、关于该类型的任务多经常被完成或未完成的该类型任务的重要性、该类型的任务是必需的还是可选的(例如，基于工作的、个人的等)、以及什么设备用于执行该类型的任务等。
图4中的双头箭头指示数据或信息可以在实体404-426和任务操作模块402之中在任一方向或在两个方向上流动。例如，从任务操作模块402流到实体404-426中的任何一个的数据或信息可以引起从任务操作模块402向实体404-426提供所提取的任务数据。在另一个示例中，从任务操作模块402流到实体404-426中的任何一个的数据或信息可以是由任务操作模块生成以查询所述实体的查询的一部分。这样的查询可以由任务操作模块402使用以确定由实体中的任何一个所提供的内容的一个或多个含义，以及至少部分地基于内容的含义确定并建立面向任务的过程，如下文所描述的。
在一些示例中，任务操作模块402可以从电子邮件实体404接收在多个用户之间交换的电子邮件的内容(例如，通信)。任务操作模块可以分析所述内容以确定内容的一个或多个含义。例如，对内容进行分析可以由多个技术中的任何一个来执行，以确定诸如词语、短语、句子、元数据(例如，电子邮件的大小、创建日期等)、图像之类的内容的元素的含义，以及这样的元素如何及是否相互关联。内容的“含义”可以是一个人将如何以自然语言解译该内容。例如，内容的含义可以包括针对人执行任务的请求。在另一示例中，内容的含义可以包括对任务的描述、任务应该被完成的时间、关于任务的背景信息等。在另一示例中，内容的含义可以包括至少部分地基于所学习的模型来提取或推断的期望的动作或任务的属性。例如，任务的属性可以是要为这样的任务留出多少时间、应该涉及其他的人吗、这个任务是高优先级的吗等。
在可选的实现中，例如，任务操作模块可以查询诸如社交媒体实体420之类的一个或多个数据源的内容。一个或多个数据源的这样的内容可以与电子邮件交流的内容相关(例如，通过主题、作者、日期、时间、位置等相关)。至少部分地基于(i)电子邮件交流的内容的一个或多个含义以及(ii)一个或多个数据源的内容，任务操作模块402可以至少部分地基于来自电子邮件交流的内容的请求或委托自动地建立一个或多个面向任务的过程。
在一些示例中，任务操作模块402可以至少部分地基于使用从训练数据410和/或从在任务操作模块和实体404-426中的任何一个中实时进行的通信所学习的预测模型的任务内容，来建立一个或多个面向任务的过程。预测模型可以推断对外的或到来的这样的通信(例如，消息)或通信的内容包含任务。对来自到来或对外的通信的任务的识别可以供应支持关于该任务的通信的发送者和接收者的多个功能。这样的功能可以用于生成并向用户提供提醒、对任务划分优先级、修改待办事项、以及其他时间管理活动。这样的功能还可以包括发现或定位支持对任务活动的完成或用户理解的相关的数字人工制品(例如，文档)。
在一些示例中，任务操作模块402可以至少部分地基于使用用于识别来自从电子邮件实体404接收的电子邮件或者来自SMS文本消息实体406的SMS文本消息等的委托和请求的提出和确认的统计模型的任务内容，来建立一个或多个面向任务的过程。统计模型可以至少部分地基于来自实体404-426中的任何一个或组合的数据或信息。
图5是根据各种示例的机器学习系统500的框图。机器学习系统500包括例如机器学习模型502(其可以与在图1中所示出的机器学习模块114相似或相同)、训练模块504、以及任务操作模块506(其可以与任务操作模块402相同或相似)。尽管被示出为单独的框，但在一些示例中，任务操作模块506可以包括机器学习模块502。机器学习模块502可以从训练模块504接收训练数据。例如，训练数据可以包括来自包括机器学习系统500的计算系统的存储器的数据或者来自在图4中所示出的实体404-426的任何组合的数据。
通过实行与任务相关的服务而收集的遥测数据(例如，经由或其他应用)可以用于生成针对许多面向任务的动作的训练数据。相对聚焦的，小规模的部署，例如，纵向地在工作组中作为诸如之类的现有服务的插件，可以产生足够的训练数据以学习能够准确推断的模型。例如，现场测试可以收集数据以补充行为日志。对由任务操作模块所生成的推断的用户响应例如可以帮助随着时间对系统进行训练。
任务操作模块506可以包括存储针对特定用户的多个任务的表现参数的历史的数据库508。这样的参数可以包括完成特定类型的任务的时间、任务的分类、以及任务的相对重要性等。来自存储器或实体的数据可以用于训练机器学习模型502。在这样的训练之后，可以由任务操作模块506采用机器学习模型502。因此，例如，使用来自用于离线训练的任务表现的历史的数据进行训练可以充当机器学习模型的初始条件。可以使用在下文中所描述的用于训练的其他技术，例如涉及特征化的那些技术。
任务操作模块506还可以包括优先化引擎510和提取模块512。优先化引擎510可以访问数据库508以至少部分地基于针对一组任务中的每个的表现对该组任务划分优先级。提取模块512可以从该组任务中的每个中识别和提取参数，例如动作、主题、和关键词。
在一些示例中，任务操作模块506可以从对评估用户倾向于利用其执行这样的任务的过程的问卷的回答来确定用户的行为和兴趣。跟进的过程可以涉及机器学习，并且可以评估用户如何基于该任务的最终目标以特定的方式执行特定的任务类型，以及用户针对特定的任务类型在一年、月、星期、或天的特定时间上如何表现。例如，如果用户在休假，则用户将可能只想要看相对提神且无足轻重的任务。跟进的过程可以跟踪用户任务执行序列并进一步评估：影响用户的任务发起、执行和完成的外部因素(例如，家庭承诺、健康问题、假期、长时间出差等)；在任务执行之前、期间或之后，用户是否具有行为方式；用户是否准时接任务；用户是否准时完成任务；用户是否相对频繁地推迟任务；用户是否推迟任何特定类型的任务；与较低优先级的任务相比，用户是否完成较高优先级的任务；用户是否推迟任务而不管任务的类型；用户是否响应于用于更新状态任务的通知或提醒；用户是否及多经常与任务更新交互；用户是否推迟任务更新；用户是否通过一完成当前任务就立即接受随后的任务来清除任务列表；以及当执行特定类型的任务时用户的行为。例如，用户可以花一些时间执行编码任务。然而，对于设计任务，同一用户可能花费双倍的时间。
在一些示例中，一种系统可以与用户的任务表现的过去的历史一致地分配任务优先级。例如，用户可以在历史上展示仅向与其中用户被抄送或被标记为FYI的邮件相比更优先的用户发送高优先级的邮件。在另一示例中，如果用户正对特定的任务工作，则可以结合完成的部分、开始日期、以及结束日期来设置任务的优先级。由此，每个任务类型可以使用任务的某些方面的组合而从机器学习结果导出模式以及对任务划分优先级。可以考虑的任务的其他方面或参数(例如，字段)包括：任务日期、任务关键词、任务动作、任务主题、任务开始日期、任务结束日期、任务更新时间间隔、任务状态、经标记的任务状态、任务开始的月中的天、任务完成的月中的天、关于任务的总共工作、关于任务的实际工作、完成的任务的百分比、任务类型、“收件人”电子邮件地址子段、“抄送”电子邮件地址字段、任务的最后状态被更新的天、任务的最后状态被请求的天、任务询问的最后响应日期、以及任务优先级等。
图6是根据各种示例的机器学习模型600的框图。机器学习模型600可以与在图5中所示出的机器学习模型502相同或类似。机器学习模型600包括诸如随机森林块602、支持向量机块604、以及图形模型块606之类的多个功能块中的任何一个。随机森林块602可以包括通过在训练时间构建决策树来进行操作的用于分类的集成学习方法。例如，随机森林块602可以输出类，其是通过个体的树输出的类的模式。随机森林块602可以充当包括几个可互换部件的框架，所述可互换部件可以被混合和匹配以创建大量特定模型。在这样的框架中构建机器学习模型涉及确定在每个节点中使用的决策的方向、确定要在每个叶中使用的预测器的类型、确定要在每个节点中优化的分割目标、确定用于将随机性注入到树中的方法等。
支持向量机块604针对机器学习模型600将数据分类。支持向量机块604可以充当具有分析数据和识别模式的相关联的学习算法的、用于分类和回归分析的有监督的学习模型。例如，已知每个被标记为属于两个类别中的一个的一组训练数据，支持向量机训练算法构建将新的训练数据分配到一个类别或另一个类别中的机器学习模型。
图形模型框606充当概率模型，曲线图是示出针对其的、在随机变量中的条件依赖性和独立性的概率图形模型。概率图形模型表示在一组感兴趣的变量上的联合概率分布。概率推断算法对这些图形模型操作以基于具体的证据来执行推断。推断提供了关于感兴趣的概率的更新，例如消息或特定的句子包含任务的概率、或者用户能够在特定的时间量中执行特定任务的概率。利用从非结构化信息的训练集发现结构的过程，学习过程可以从数据构建这样的概率模型。学习过程还可以从来自用户的显式反馈(例如，确认所提取的任务信息是正确还是错误)来构建这样的概率模型。可以用于从非文本内容推断任务内容的图形模型的应用可以包括信息提取、话音识别、图像识别、计算机视觉、以及对低密度奇偶校验码的解码。在一些示例中，机器学习模型600还可以包括贝叶斯回归块608。
图7是示出了包括任务的视觉线索的示例图形702的显示的视图700。诸如图形生成器120之类的系统例如可以配置图形702以易于允许用户通过将每个任务表示为诸如圆之类的几何图案704的一部分来维持或建立对待处理的一组任务的感知。图形702可以通过将任务链接至其相应的参数(即，任务动作、任务主题、以及任务关键词)来以视觉方式向用户提供提醒。
示例图形702视觉上描绘了三个任务706、708和710，每个被表示为分别相邻于几何图案704的部分712、714和716的文本框。部分712、714、716中的每个可以包括与对应任务的特定方面成比例的一部分几何图案704。在一些示例中，部分712、714、716中的每个可以被着色或具有纹理以表示对应任务的特定方面。任务的这样的方面可以包括优先级、重要性、分类(例如，工作相关的、个人的)、以及预计的完成时间。图形702可以为用户提供机会以输入或修改关于每个任务的信息。所述系统可以以多种方式中的任何一种对图形702的各个部分进行注释或突出显示，从而传达关于一组任务中的每个任务的细节。
在一些示例中，系统可以用关于一组任务的信息来填充图形702。例如，在图形的显示期间，所述系统经由任务操作模块402可以向图形702添加相关的信息。例如，可以从额外的数据或信息源推断这样的相关信息，例如从实体404-426。在特定的示例中，包括任务操作模块402的系统可以在图形702中显示任务。该任务针对用户参加一种类型的类。任务操作模块402可以查询互联网408以确定在用户驻留的区域中(例如，其可以从关于用户的个人数据412推断)在各个位置中和在一天的各个时间上提供了多个这样的类。由此，任务操作模块可以生成并经由图形702向用户提供选择或建议的列表。例如，这样的列表可以响应于鼠标悬停而在靠近图形702的相关部分的文本处动态地显示，或者可以在显示器的其他部分静态地显示。在一些示例中，该列表可以包括能够由用户选择(例如，通过鼠标点击)以使得任务将包括用户所选择的时间(该时间可以代替最初由图形702中的任务“建议的”时间)的项目。
图8是示出了分别描绘用户的用于执行一组任务804、806、808、810和812中的每个的生产力(例如，生产力报告)的示例生产力图形802的显示800的视图，所述一组任务中的每个具有相应的轴814、816、818、820和822。生产力图形802可以帮助用户分析在一段时间上花费在每个任务类别上的时间。系统可以例如通过使用用于减少所花费的时间的过程来确定用户的生产力以及在该段时间中在用户的整体表现上所花费的时间的效果。该系统可以使用图形生成器120例如以生成生产力图形802。
针对任务的生产力与图案824对针对该任务的相应轴的覆盖成比例。例如，针对任务804的生产力与图案824对轴814的覆盖成比例，针对任务806的生产力与图案824对轴816的覆盖成比例，针对任务808的生产力与图案824对轴818的覆盖成比例，以此类推。所得出的图案824的形状可以允许用户视觉上确定针对任务中的每个任务的生产力。生产力图形802可以被配置用于任何时间间隔(例如，小时、天、星期、月等)。
图9是示出了示例任务列表902的显示900的视图，其可以包括任务906的列表的优先次序字段904。系统可以使用诸如510之类的优先次序引擎来通过使用任务参数(例如，图3中所示出的310)和机器学习的结果对任务划分优先级，如上文所描述的。这样的机器学习还可以用于至少部分地基于特定的任务类型和任务参数来预测用户执行特定任务所花费的时间。所述系统可以通过识别或确定所述任务中的每个任务的相对重要性或紧急性来将任务列表906排序。任务列表902可以例如响应于改变的条件而在显示期间动态地改变，这可以由任务操作模块(例如，402)确定。在一些示例中，任务列表902可以描绘这一天的部分(例如，时间范围)以及要向特定任务分配的时间量(例如，持续时间)。
图10是用于至少部分地基于任务来执行面向任务的过程的过程1000的流程图。例如，在图4中示出的任务操作模块402可以执行过程1000。在框1002处，任务操作模块402可以接收任务，例如，通过从任何实体404-426，从诸如电子邮件、文本消息、或在人与机器(例如，能够生成消息的计算机系统)之间或之中的任何其他类型的通信取回任务，或者通过经由用户接口的直接输入(例如，文本格式)。在框1004处，任务操作模块402可以执行任务提取过程，如上文所描述的。
在框1006处，任务操作模块402可以至少部分地基于所确定的任务内容而生成一个或多个面向任务的动作。这样的动作可以包括相对于多个其他任务对该任务划分优先级、修改电子日历或待办事项、提供对可能的用户动作的建议、以及向用户提供提醒等。在一些示例中，任务操作模块402可以基于所确定的任务内容(例如，对用户期望的持续时间的估计)通过关于“理想”动作的性质和时序进行推断来生成或确定面向任务的过程。在一些示例中，任务操作模块402可以通过基于所确定的任务的性质自动地识别和提升不同的动作类型(例如，“在下午3点之前写报告”可能需要留出时间，而“在下午3点之前让我知道”暗示了需要提醒)来生成或确定面向任务的过程。
在框1008处，任务操作模块402可以向用户提供面向任务的动作的列表以供检查或浏览。例如，面向任务的动作可以用于发现并定位与特定任务相关的数字人工制品(例如，文档)以支持任务活动的完成或用户理解。在菱形1010处，用户可以在要由任务操作模块402执行的不同的可能动作的选项中进行选择、细化可能的动作、删除动作、手动添加动作等。如果存在任何这样的改变，则过程1000可以返回框1004，其中，任务操作模块402可以根据用户对面向任务的过程列表的编辑重新生成面向任务的过程。另一方面，如果用户同意该列表，则过程1000可以继续至框1012，其中，任务操作模块402执行面向任务的过程。在框1014处，例如，任务操作模块可以生成并显示视觉线索和生产力报告。
在一些示例中，面向任务的过程可以涉及：生成经排序的任务列表(例如，经优先级排序的任务列表)；任务相关的推断、提取、和使用所推断的日期、位置、意图、以及合适的接下来的步骤；提供关键数据字段以显示相对容易修改的；利用多步分析跟踪任务的生命历史，包括将任务分组成较高阶的任务或项目，以为人们提供实现这样的任务或项目的支持；在一段时间上反复地修改电子消息的一个或多个作者的日程表(例如，最初建立日程表以及在几天之后至少部分地基于在这几天期间发生的事件来修改该日程表)；将待办事项与提醒相集成；将较大的时间管理系统与对所需的时间和调度服务的手动和自动分析相集成；连接至自动和/或手动委托；以及集成具有基于所需的时间来传递面向任务的目标的能力的实时创作工具(例如，以基于关于用户的时间的其他约束来帮助用户避免承诺过多)。例如，基于历史数据，可以将推断个性化成个体的用户或用户组群。
图11是示出了在委托和请求提取中所涉及的示例在线和离线过程1100的框图。可以由处理器(例如，处理单元)或者诸如上文所描述的计算设备102之类的计算设备来执行这样的过程。“离线”指的是在其中使用经监督/标记的训练数据(例如，一组任务及其相关联的参数)来训练机器学习算法的训练阶段。“在线”指的是已经被训练为从多种类型的源中的任何一个的新的(未看见的)数据提取任务的模型的应用。特征化过程1102和模型学习过程1104可以由计算设备离线或在线地执行。在另一方面中，接收新的数据1106、任务提取1108、以及应用模型的过程1110可以在线发生。
在一些示例中，特征化过程1102、模型学习过程1104、以及应用模型的过程1110中的任何一个或全部可以由诸如提取模块116或512之类的提取模块执行。在其他示例中，特征化过程1102和/或模型学习过程1104可以由机器学习模块(例如，在图1中所示出的机器学习模块114)执行，而应用模型的过程1110可以由提取模块执行。
在一些示例中，特征化过程1102可以从诸如在图4中所示出的实体404-426中的任何一个之类的各种源接收训练数据1112和数据1114。特征化过程1102可以生成有助于分类的文本片段的特征组。文本片段可以包括一个或多个通信的内容的部分(例如，一般而言，训练数据1112的相对大量的通信)。例如，文本片段可以是词语、术语、短语、或其组合。模型学习过程1104是生成并反复改进在用于从通信中提取诸如请求和委托之类的任务内容的过程1108中使用的模型的机器学习过程。例如，可以将该模型应用于新数据1106(例如，电子邮件、文本、数据库等)。计算设备可以连续地、时不时地、或周期性地、与将模型应用至新数据1106的过程1110异步地执行模型学习过程1104。因此，例如，模型学习过程1104可以离线地并且与诸如将该模型(或该模型的当前版本)应用至新数据1106之类的在线过程无关地更新或改进该模型。
将该模型应用至新数据1106的过程1110可以涉及对其他信息1116的考虑，其可以从如上文所描述的诸如404-426之类的实体接收。在一些实现中，来自其他源的数据1114的至少一部分可以与其他信息1116相同。应用该模型的过程1108可以导致提取在新数据1106中包括的任务内容。这样的任务内容可以包括任务及其参数。
图12是可以由任务操作模块(例如，118)或处理器(例如，104)执行的示例任务提取过程1200的流程图。例如，过程1200可以由在图1中所示出的计算设备102(例如，提取模块116)执行，或者更加具体地，在其他示例中，可以由在图5中所示出的提取模块502执行。
在框1202处，任务操作模块可以接收指示针对用户的一组任务的数据。例如，可以从诸如404-426之类的实体接收或检测或可以经由用户接口手动地输入这样的任务。在框1204处，任务操作模块可以至少部分地基于所述一组任务，针对与所述一组任务中每个任务有关的信息来对一个或多个数据源进行查询。例如，一个或多个数据源可以包括在图4的示例中所描述的实体404-426中的任何一个。在另一示例中，一个或多个数据源可以包括在图1的示例中所描述的计算机可读介质108的任何一部分。
在框1206，任务操作模块可以响应于对一个或多个数据源的查询，从一个或多个数据源接收关于该组任务中的每个任务的信息。在框1208处，任务操作模块可以针对与该组任务中的每个任务对应的每个类型的任务来接收用户的表现历史。
在框1210处，任务操作模块可以至少部分地基于关于该组任务中每个任务的信息和表现历史来识别针对该组任务中的每个任务的重要性和紧急性。
在图12中所示出的操作流被示出为表示可以在硬件、软件、固件、或其组合中实现的操作序列的一系列框和/或箭头。描述框的顺序不旨在被解释为限制，并且可以以任何顺序组合任何数量的所描述的操作，以实现一个或多个方法、或可供替代的方法。额外地，可以在不脱离在本文中所描述的主题的精神和范围的情况下从操作流中省略个别操作。在软件的上下文中，所述块表示当由一个或多个处理器执行时将处理器配置为执行所记载的操作的计算机可读指令。在硬件的上下文中，所述块可以表示被配置为执行所记载的操作的一个或多个电路(例如，FPGA、专用集成电路——ASIC等)。
在图12中所示出的操作流中的任何描述、元素、或框可以表示包括用于实现过程中的具体逻辑功能或元素的一个或多个可执行指令的代码的模块、段或部分。
示例条款
A.一种系统包括：处理器；能够由所述处理器访问的存储器；机器学习模块，其被存储在所述存储器中并且能够由所述处理器执行以生成数据库的至少一部分，所述数据库包含表示第一任务的表现的参数，所述第一任务是特定类型的任务；输入端口，其被配置为从一个或多个数据源接收与第二任务有关的信息，其中，所述第二任务是所述特定类型的任务；以及任务操作模块，其被配置为至少部分地基于表示所述第一任务的表现的所述参数来设置所述第二任务的优先级等级。
B.如段落A所记载的系统，其中，所述任务操作模块包括提取器引擎，所述提取器引擎被配置为至少部分地基于从所述一个或多个数据源识别所述第二任务的属性来从所述第二任务提取动作、主题、和关键词。
C.如段落B所记载的系统，还包括图形生成器，其被配置为至少部分地基于所述动作、主题、和关键词生成第二任务的视觉线索。
D.如段落A所记载的系统，其中，所述第一任务的表现包括每个是所述特定类型的任务的额外的任务的表现的历史。
E.如段落A所记载的系统，其中，所述输入端口还被配置为从一个或多个数据源接收第二任务的任务属性，并且其中，所述任务操作模块被配置为至少部分地基于所述任务属性来设置第二任务的优先级等级。
F.如段落E所记载的系统，其中，所述任务属性包括任务类型的参数。
G.如段落A所记载的系统，其中，所述一个或多个数据源包括用户的一个或多个个人数据库，并且表示第一任务的表现的参数包括表示用户针对特定类型的任务的表现。
H.如段落G所记载的系统，其中，表示所述用户针对第一任务的表现的参数包括所述用户针对所述第一任务的所预测的行为。
I.如段落A所记载的系统，其中，机器学习模块还被配置为使用与第二任务有关的信息作为训练数据。
J.如段落A所记载的系统，其中，任务操作模块被配置为将第二任务实时地分类。
K.一种方法包括：接收指示针对用户的一组任务的数据；至少部分地基于所述一组任务，针对与所述一组任务中每个任务有关的信息来对一个或多个数据源进行查询；以及响应于对所述一个或多个数据源的查询，从所述一个或多个数据源接收与所述一组任务中的每个任务有关的信息；分别接收所述用户针对与所述一组任务中的每个任务相对应的每个类型的任务的表现的历史；以及至少部分地基于与所述一组任务中每个任务有关的信息以及所述表现的历史来识别针对所述一组任务中的每个任务的优先级。
L.如段落K所记载的方法，其中，所述表现的历史包括针对任务类型中的每个类型的用户优选的设备。
M.如段落K所记载的方法，还包括：将从所述一个或多个数据源接收的与所述一组任务中的每个任务相关的信息应用作为针对用于生成所述用户的所述表现的历史的机器学习过程的训练数据。
N.如段落K所记载的方法，还包括：至少部分地基于用户的所述表现的历史来生成生产力报告。
O.一种计算设备包括：收发机端口，其用于接收和发送数据；一个或多个处理器；以及存储指令的存储器，所述指令当由所述一个或多个处理器执行时，使得所述一个或多个处理器执行包括以下内容的操作：经由所述收发机端口来接收指示任务的数据；从指示所述任务的所述数据提取动作、主题、以及关键词中的至少一个；针对与所述任务类似的类似任务的执行的历史来在数据库中进行搜索；以及至少部分地基于所述类似任务的执行历史以及从所述任务提取的所述动作、所述主题、或所述关键词来将所述任务分类。
P.如段落O所记载的计算设备，其中，所述操作还包括：从一个或多个数据源接收关于该任务的信息；以及至少部分地基于所接收的信息来确定该任务的重要性。
Q.如段落P所记载的计算设备，其中，所述一个或多个数据源包括日历、和电子邮件账户。
R.如段落P所记载的计算设备，其中，所述操作还包括：将来自一个或多个数据源的与任务有关的信息应用作为针对机器学习过程的训练数据。
S.如段落O所记载的计算设备，其中，将任务分类是使用机器学习过程执行的。
T.如段落O所记载的计算设备，还包括：电子显示器，并且其中，所述操作还包括使得图像被显示在所述电子显示器上，其中，所述图像包括对所述任务的生产力报告的视觉表示。
尽管已经用特定于结构特征和/或方法动作的语言描述了上述技术，但是应该理解的是，所附权利要求不一定限于所描述的特征或动作。相反，所述特征或动作被描述为这样的技术的示例实现。
除非另有说明，否则上文描述的所有方法和过程可以全部或部分地由通过一个或多个通用计算机或处理器执行的软件代码模块来实现。代码模块可以存储在任何类型的计算机可读存储介质或其他计算机存储设备中。这些方法中的一些或全部可以可替代地全部或部分地由诸如FPGA、ASIC等之类的专用计算机硬件实现。
除非特别说明，否则，条件性的语言，除了其他的之外例如“可以”、“可能”、“也许”、“或许”用于指示包括所记载的特征、单元和/或步骤的某些示例，而其他的示例不包括上述所记载的特征、单元和/或步骤。从而，除非明确说明，否则这样的条件性的语言并不意在隐含特征、单元和/或步骤以任何方式为一个或多个示例所需或一个或多个示例必须包括用于确定是否包含或要在任何特定示例中执行这些特征、单元和/或步骤的逻辑，在有或没有用户输入或提示的情况下。
除非明确说明，否则，诸如“X、Y、或Z中至少一个”之类的连接性语言应当被理解为呈现项、术语等可以是X、或Y、或Z、或其组合。
可以对上文描述的示例进行许多变化和修改，其单元将被理解为除了其他可接受的示例之外。所有这样的修改和变化旨在被包括在本文中在该公开的范围之内。

Claims (15)

1.一种系统，包括：
处理器；
能够由所述处理器访问的存储器；
机器学习模块，其被存储在所述存储器中并且能够由所述处理器执行以生成数据库的至少一部分，所述数据库包含表示第一任务的表现的参数，所述第一任务是特定类型的任务；
输入端口，其被配置为从一个或多个数据源接收与第二任务有关的信息，其中，所述第二任务是所述特定类型的任务；以及
任务操作模块，其被配置为至少部分地基于表示所述第一任务的表现的所述参数来设置所述第二任务的优先级等级。
2.根据权利要求1所述的系统，其中，所述任务操作模块包括提取器引擎，所述提取器引擎被配置为至少部分地基于从所述一个或多个数据源识别所述第二任务的属性来从所述第二任务提取动作、主题、和关键词。
3.根据权利要求1所述的系统，其中，所述输入端口还被配置为从所述一个或多个数据源接收所述第二任务的任务属性，并且其中，所述任务操作模块被配置为至少部分地基于所述任务属性来设置所述第二任务的所述优先级等级。
4.根据权利要求1所述的系统，其中，所述一个或多个数据源包括用户的一个或多个个人数据库，而表示所述第一任务的表现的所述参数包括表示所述用户针对所述特定类型的任务的表现的参数。
5.根据权利要求4所述的系统，其中，表示所述用户针对所述第一任务的表现的参数包括所述用户针对所述第一任务的所预测的行为。
6.根据权利要求1所述的系统，其中，所述机器学习模块还被配置为将与所述第二任务有关的信息用作训练数据。
7.根据权利要求1所述的系统，其中，所述任务操作模块被配置为将所述第二任务实时地分类。
8.一种方法，包括：
接收指示针对用户的一组任务的数据；
至少部分地基于所述一组任务，针对与所述一组任务中每个任务有关的信息来对一个或多个数据源进行查询；以及
响应于对所述一个或多个数据源的查询，从所述一个或多个数据源接收与所述一组任务中每个任务有关的信息；
分别接收所述用户针对与所述一组任务中每个任务相对应的每个类型的任务的表现历史；以及
至少部分地基于与所述一组任务中每个任务有关的信息以及所述表现历史来识别针对所述一组任务中每个任务的优先级。
9.根据权利要求8所述的方法，其中，所述表现的历史包括针对任务的类型中的每个类型的用户优选的设备。
10.根据权利要求8所述的方法，还包括：
将从所述一个或多个数据源接收的与所述一组任务中每个任务相关的信息应用作为针对用于生成所述用户的所述表现历史的机器学习过程的训练数据。
11.根据权利要求8所述的方法，还包括：
至少部分地基于所述用户的所述表现历史来生成生产力报告。
12.一种计算设备，包括：
收发机端口，其用于接收和发送数据；
一个或多个处理器；以及
存储指令的存储器，所述指令当由所述一个或多个处理器执行时，使得所述一个或多个处理器执行包括以下各项的操作：
经由所述收发机端口来接收指示任务的数据；
从指示所述任务的所述数据中提取动作、主题、以及关键词中的至少一个；
针对与所述任务类似的类似任务的执行历史来在数据库中进行搜索；以及
至少部分地基于所述类似任务的执行历史以及从所述任务中提取的所述动作、所述主题、或所述关键词来将所述任务分类。
13.根据权利要求12所述的计算设备，其中，所述操作还包括：
从一个或多个数据源接收与所述任务有关的信息；以及
至少部分地基于所接收的信息来确定所述任务的重要性。
14.根据权利要求13所述的计算设备，其中，所述操作还包括：
将来自所述一个或多个数据源的与所述任务有关的信息应用作为针对机器学习过程的训练数据。
15.根据权利要求12所述的计算设备，还包括：
电子显示器，并且其中，所述操作还包括使得图像被显示在所述电子显示器上，其中，所述图像包括对所述任务的生产力报告的视觉表示。
CN201680077185.3A 2015-12-30 2016-12-26 将管理任务分类和划分优先级 Withdrawn CN108475365A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/984,054 US20170193349A1 (en) 2015-12-30 2015-12-30 Categorizationing and prioritization of managing tasks
US14/984,054 2015-12-30
PCT/US2016/068606 WO2017117074A1 (en) 2015-12-30 2016-12-26 Categorizationing and prioritization of managing tasks

Publications (1)

Publication Number Publication Date
CN108475365A true CN108475365A (zh) 2018-08-31

Family

ID=57799874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680077185.3A Withdrawn CN108475365A (zh) 2015-12-30 2016-12-26 将管理任务分类和划分优先级

Country Status (4)

Country Link
US (1) US20170193349A1 (zh)
EP (1) EP3398134A1 (zh)
CN (1) CN108475365A (zh)
WO (1) WO2017117074A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110727791A (zh) * 2019-10-11 2020-01-24 重庆紫光华山智安科技有限公司 信息分类方法、装置、电子设备和计算机可读存储介质
CN112069503A (zh) * 2020-08-05 2020-12-11 长沙市到家悠享网络科技有限公司 任务管理方法、设备及存储介质
CN112861980A (zh) * 2021-02-21 2021-05-28 平安科技（深圳）有限公司 一种基于大数据的事历任务表挖掘方法及计算机设备
US20210248565A1 (en) * 2019-12-31 2021-08-12 Capital One Services, Llc Computer-based systems configured for automated electronic calendar management and work task scheduling and methods of use thereof
CN113592461A (zh) * 2021-08-10 2021-11-02 平安普惠企业管理有限公司 邮件处理方法、装置与存储介质
CN114021940A (zh) * 2021-10-29 2022-02-08 广州市联科软件股份有限公司 一种多角色多环节流通的任务分配方法及系统
CN117171185A (zh) * 2023-11-01 2023-12-05 江苏中天互联科技有限公司 基于工业标识的物流数据变更方法及相关设备
CN117591048A (zh) * 2024-01-18 2024-02-23 中关村科学城城市大脑股份有限公司 任务信息处理方法、装置、电子设备和计算机可读介质

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10467068B2 (en) * 2015-10-30 2019-11-05 Council Of Scientific And Industrial Research Automated remote computing method and system by email platform for molecular analysis
US10366359B2 (en) * 2015-11-18 2019-07-30 Microsoft Technology Licensing, Llc Automatic extraction and completion of tasks associated with communications
AU2017201108A1 (en) * 2016-02-19 2017-09-07 Accenture Global Solutions Limited Resource virtualization
US10733546B2 (en) * 2016-03-30 2020-08-04 Experian Health, Inc. Automated user interface generation for process tracking
US11568337B2 (en) * 2016-06-24 2023-01-31 Microsoft Technology Licensing, Llc Identifying task assignments
US10397157B2 (en) * 2016-10-27 2019-08-27 International Business Machines Corporation Message management in a social networking environment
US20180247272A1 (en) * 2017-02-27 2018-08-30 International Business Machines Corporation Dynamic alert system
US11282006B2 (en) * 2017-03-20 2022-03-22 Microsoft Technology Licensing, Llc Action assignment tracking using natural language processing in electronic communication applications
JP6855909B2 (ja) * 2017-04-27 2021-04-07 富士通株式会社 作業支援システム、情報処理装置、及び作業支援方法
US11010700B2 (en) * 2017-05-24 2021-05-18 International Business Machines Corporation Identifying task and personality traits
US20190057339A1 (en) 2017-08-16 2019-02-21 Clari Inc. Method and system for determining states of tasks based on activities associated with the tasks over a predetermined period of time
US10984003B2 (en) * 2017-09-16 2021-04-20 Fujitsu Limited Report generation for a digital task
US11531940B2 (en) * 2017-09-27 2022-12-20 Microsoft Technology Licensing, Llc Implicit status tracking of tasks and management of task reminders based on device signals
US20190102710A1 (en) * 2017-09-30 2019-04-04 Microsoft Technology Licensing, Llc Employer ranking for inter-company employee flow
US20190122526A1 (en) * 2017-10-23 2019-04-25 Qualcomm Incorporated Automatic reminders generated through real time data
US11631017B2 (en) * 2018-01-09 2023-04-18 Microsoft Technology Licensing, Llc Federated intelligent assistance
US10818287B2 (en) * 2018-01-22 2020-10-27 Microsoft Technology Licensing, Llc Automated quick task notifications via an audio channel
US20190347594A1 (en) * 2018-05-11 2019-11-14 International Business Machines Corporation Task group formation using social interaction energy
US11604831B2 (en) * 2018-06-08 2023-03-14 Ntt Docomo, Inc. Interactive device
US11270156B2 (en) 2018-06-28 2022-03-08 Optum Services (Ireland) Limited Machine learning for dynamically updating a user interface
US11544292B1 (en) * 2018-06-29 2023-01-03 Wells Fargo Bank, N.A. Data tagging and task dataset generation
US10908969B2 (en) * 2018-09-05 2021-02-02 International Business Machines Corporation Model driven dynamic management of enterprise workloads through adaptive tiering
US11449677B2 (en) * 2018-10-18 2022-09-20 International Business Machines Corporation Cognitive hierarchical content distribution
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
US11677699B2 (en) * 2018-12-03 2023-06-13 International Business Machines Corporation Cognitive pre-loading of referenced content in electronic messages
SG11202108481XA (en) 2019-02-07 2021-09-29 Egress Software Tech Ip Ltd Method and system for processing data packages
US11354609B2 (en) * 2019-04-17 2022-06-07 International Business Machines Corporation Dynamic prioritization of action items
CN110288193B (zh) * 2019-05-23 2024-04-09 中国平安人寿保险股份有限公司 任务监控处理方法、装置、计算机设备及存储介质
CN112000457B (zh) * 2019-05-27 2024-07-30 伊姆西Ip控股有限责任公司 管理处理系统中的任务的方法、设备和计算机程序产品
US10671410B1 (en) 2019-05-28 2020-06-02 Oracle International Corporation Generating plug-in application recipe extensions
US11169826B2 (en) 2019-05-28 2021-11-09 Oracle International Corporation User-assisted plug-in application recipe execution
US11182130B2 (en) 2019-05-28 2021-11-23 Oracle International Corporation Semantic analysis-based plug-in application recipe generation
US11537997B2 (en) 2019-07-18 2022-12-27 Microsoft Technology Licensing, Llc Providing task assistance to a user
US12079743B2 (en) * 2019-07-23 2024-09-03 Workstarr, Inc Methods and systems for processing electronic communications for a folder
US20210142334A1 (en) * 2019-11-08 2021-05-13 Ul Llc Technologies for using machine learning to determine product certification eligibility
CN111062572B (zh) * 2019-11-19 2023-07-18 中国建设银行股份有限公司 任务分配的方法和装置
US10735212B1 (en) * 2020-01-21 2020-08-04 Capital One Services, Llc Computer-implemented systems configured for automated electronic calendar item predictions and methods of use thereof
CN112598386B (zh) * 2020-12-24 2024-06-14 中国农业银行股份有限公司 一种任务提醒的方法、装置、设备及存储介质
US11570176B2 (en) * 2021-01-28 2023-01-31 Bank Of America Corporation System and method for prioritization of text requests in a queue based on contextual and temporal vector analysis
CA3230604A1 (en) * 2021-09-01 2023-03-09 Yoky Matsuoka Systems and methods for generating and presenting dynamic task summaries
CN113723936B (zh) * 2021-10-12 2023-11-14 国网安徽省电力有限公司宿州供电公司 一种电力工程质量监督管理方法及系统
CN114423053A (zh) * 2021-12-29 2022-04-29 海丰通航科技有限公司 终端通信方法、通信终端、存储介质及计算设备
US11997425B1 (en) 2022-02-17 2024-05-28 Asana, Inc. Systems and methods to generate correspondences between portions of recorded audio content and records of a collaboration environment
US12118514B1 (en) * 2022-02-17 2024-10-15 Asana, Inc. Systems and methods to generate records within a collaboration environment based on a machine learning model trained from a text corpus
US12096095B2 (en) * 2022-05-12 2024-09-17 Microsoft Technology Licensing, Llc Synoptic video system
CN118410993B (zh) * 2024-06-27 2024-09-27 浙江康勒工业软件有限公司 一种工业大数据分析方法及其系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050267770A1 (en) * 2004-05-26 2005-12-01 International Business Machines Corporation Methods and apparatus for performing task management based on user context
US20060253281A1 (en) * 2004-11-24 2006-11-09 Alan Letzt Healthcare communications and documentation system
US8849730B2 (en) * 2011-12-15 2014-09-30 Microsoft Corporation Prediction of user response actions to received data
US9819547B2 (en) * 2013-12-31 2017-11-14 Bmc Software, Inc. Server provisioning based on job history analysis
US20150206441A1 (en) * 2014-01-18 2015-07-23 Invent.ly LLC Personalized online learning management system and method
US20160086116A1 (en) * 2014-07-27 2016-03-24 Supriya Rao Method and system of an automatically managed calendar and contextual task list

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110727791A (zh) * 2019-10-11 2020-01-24 重庆紫光华山智安科技有限公司 信息分类方法、装置、电子设备和计算机可读存储介质
US11983677B2 (en) * 2019-12-31 2024-05-14 Capital One Services, Llc Computer-based systems configured for automated electronic calendar management and work task scheduling and methods of use thereof
US20210248565A1 (en) * 2019-12-31 2021-08-12 Capital One Services, Llc Computer-based systems configured for automated electronic calendar management and work task scheduling and methods of use thereof
US11593766B2 (en) * 2019-12-31 2023-02-28 Capital One Services, Llc Computer-based systems configured for automated electronic calendar management and work task scheduling and methods of use thereof
US20230214786A1 (en) * 2019-12-31 2023-07-06 Capital One Services, Llc Computer-based systems configured for automated electronic calendar management and work task scheduling and methods of use thereof
CN112069503A (zh) * 2020-08-05 2020-12-11 长沙市到家悠享网络科技有限公司 任务管理方法、设备及存储介质
CN112069503B (zh) * 2020-08-05 2024-09-20 长沙市到家悠享网络科技有限公司 任务管理方法、设备及存储介质
CN112861980A (zh) * 2021-02-21 2021-05-28 平安科技（深圳）有限公司 一种基于大数据的事历任务表挖掘方法及计算机设备
CN112861980B (zh) * 2021-02-21 2021-09-28 平安科技（深圳）有限公司 一种基于大数据的事历任务表挖掘方法及计算机设备
CN113592461A (zh) * 2021-08-10 2021-11-02 平安普惠企业管理有限公司 邮件处理方法、装置与存储介质
CN114021940A (zh) * 2021-10-29 2022-02-08 广州市联科软件股份有限公司 一种多角色多环节流通的任务分配方法及系统
CN117171185B (zh) * 2023-11-01 2024-01-05 江苏中天互联科技有限公司 基于工业标识的物流数据变更方法及相关设备
CN117171185A (zh) * 2023-11-01 2023-12-05 江苏中天互联科技有限公司 基于工业标识的物流数据变更方法及相关设备
CN117591048A (zh) * 2024-01-18 2024-02-23 中关村科学城城市大脑股份有限公司 任务信息处理方法、装置、电子设备和计算机可读介质
CN117591048B (zh) * 2024-01-18 2024-04-12 中关村科学城城市大脑股份有限公司 任务信息处理方法、装置、电子设备和计算机可读介质

Also Published As

Publication number Publication date
EP3398134A1 (en) 2018-11-07
US20170193349A1 (en) 2017-07-06
WO2017117074A1 (en) 2017-07-06

Similar Documents

Publication Publication Date Title
CN108475365A (zh) 将管理任务分类和划分优先级
JP6971853B2 (ja) コミュニケーション及びコンテンツからのコミットメント及びリクエストの自動抽出
US11062270B2 (en) Generating enriched action items
US20160335572A1 (en) Management of commitments and requests extracted from communications and content
US10554590B2 (en) Personalized automated agent
US20200005248A1 (en) Meeting preparation manager
CN106685916B (zh) 电子会议智能装置及方法
CN111641514B (zh) 会议智能系统、用于会议智能的方法和存储介质
CN111712834B (zh) 用于推断现实意图的人工智能系统
US20170004396A1 (en) User-specific task reminder engine
US11663250B2 (en) Method for capturing and updating database entries of CRM system based on voice commands
CN108139918A (zh) 以每用户为基础定制程序特征
US20220284171A1 (en) Hierarchical structure learning with context attention from multi-turn natural language conversations
Kalia et al. Monitoring commitments in people-driven service engagements
Nezhad et al. eAssistant: cognitive assistance for identification and auto-triage of actionable conversations
US20180349787A1 (en) Analyzing communication and determining accuracy of analysis based on scheduling signal
Al Raisi et al. Proposing Integration of Speech-Text recognition with animation education to support Deaf people
Ahmad et al. Requirements Elicitation in the Age of AI: A Tool’s Multi-system Journey
Prathiksha et al. IntelliAid: A Personal Assistant Chat-Bot for Enhanced Task Management
CN115104116A (zh) 基于识别群聊中的直接交互为用户生成建议
Vasa Requirements Elicitation in the Age of AI: A Tool’s Multi-System Journey

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20180831