CN108700642A - 基于具有不确定性的用户移动数据的位置上下文推断 - Google Patents

基于具有不确定性的用户移动数据的位置上下文推断 Download PDF

Info

Publication number
CN108700642A
CN108700642A CN201780010960.8A CN201780010960A CN108700642A CN 108700642 A CN108700642 A CN 108700642A CN 201780010960 A CN201780010960 A CN 201780010960A CN 108700642 A CN108700642 A CN 108700642A
Authority
CN
China
Prior art keywords
mobile subscriber
group
location context
mobile
computer
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.)
Granted
Application number
CN201780010960.8A
Other languages
English (en)
Other versions
CN108700642B (zh
Inventor
易津锋
李虹斐
虞琦
A.舍奥普里
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.)
Fengxiong Co.,Ltd.
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN108700642A publication Critical patent/CN108700642A/zh
Application granted granted Critical
Publication of CN108700642B publication Critical patent/CN108700642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
    • H04W4/21—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel for social networking applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72457—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to geographic location
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
    • H04W4/08—User group management

Abstract

提供了由计算机服务器执行的方法和系统，用于推断具有至少两个成员的一组移动用户的位置上下文类别。方法包括，对于该组中的每个移动用户，响应于不确定的移动设备位置数据，从公共可用信息获取至少一个位置上下文类别。方法进一步包括将多用户协作机器学习应用于该组中的每个移动用户的至少一个位置上下文类别，以推断该组中的每个移动用户的单一精确的位置上下文类别。

Description

基于具有不确定性的用户移动数据的位置上下文推断
技术领域
本发明一般涉及移动通信，更具体地说，涉及基于具有不确定性的用户移动数据的位置上下文推断。
背景技术
使用移动信息推断客户的行为和意图是很有价值的。然而，在推断这些信息方面存在重大挑战。例如，手机数据提供的经度和纬度没有上下文。此外，已知手机定位器不太准确。例如，取决于设备、操作系统和定位方法，这种蜂窝电话定位器引起的错误可能是一百米或更多。因此，需要基于不确定的用户移动数据准确地推断移动用户的位置上下文。
发明内容
根据本发明的一个方面，提供了一种由计算机服务器执行的方法，用于推断具有至少两个成员的一组移动用户的位置上下文类别。该方法包括，对于该组中的每个移动用户，响应于不确定的移动设备位置数据，从公共可用信息获取至少一个位置上下文类别。该方法还包括将多用户协作机器学习应用于该组中的每个移动用户的至少一个位置上下文类别，以推断该组中的每个移动用户的单一精确的位置上下文类别。
根据本发明的另一方面，提供了一种由计算机服务器执行的方法，用于推断具有至少两个成员的一组移动用户的位置上下文类别。该方法包括，对于该组中的每个移动用户，向一个或多个移动web应用发送相应的查询，响应于在相应的查询中指定的移动用户位置输入，该一个或多个移动web应用返回适用于提交查询的移动用户的至少一个位置上下文类别。该方法还包括：对于该组中的每个移动用户，响应于相应的查询从移动web应用接收至少一个位置上下文类别。该方法还包括将多用户协作机器学习应用于该组中的每个移动用户的至少一个位置上下文类别，以推断该组中的每个移动用户的单一精确的位置上下文类别。
根据本发明的又一方面，提供了一种系统，用于推断具有至少两个成员的一组移动用户的位置上下文类别。该系统包括具有处理器和存储器的计算机服务器，被配置为对于该组中的每个移动用户，响应于不确定的移动设备位置数据，从公共可用信息获取至少一个位置上下文类别。具有处理器和存储器的计算机服务器还被配置为将多用户协作机器学习应用于该组中的每个移动用户的至少一个位置上下文类别，以推断该组中的每个移动用户的单一精确的位置上下文类别。
从以下结合附图对其说明性实施例的详细描述中，这些和其他特征和优点将变得显而易见。
附图说明
本公开将参考以下附图在以下优选实施例的描述中提供细节，其中：
图1示出了根据本发明的一个实施例的可以应用本发明的示例性处理系统；
图2示出了根据本发明的一个实施例的可以应用本发明的示例性环境；
图3示出了根据本发明的一个实施例的用于基于不确定的用户移动数据推断移动用户位置上下文的示例性方法；
图4示出了根据本发明的一个实施例的矩阵A、可能的位置二进制矩阵Y以及不可能的位置二进制矩阵Z。
图5示出了矩阵X，其在任何给定时间为n个用户中的每一个设置单一位置上下文类别；
图6示出了根据本发明的一个实施例的示例性云计算节点；
图7示出了根据本发明的一个实施例的示例性云计算环境；以及
图8示出了根据本发明的一个实施例的示例性抽象模型层。
具体实施方式
本发明涉及基于不确定的用户移动数据来推断移动用户的位置上下文。这里所使用的术语“真实位置类别”、“精确位置类别”、“真实位置上下文类别”以及“精确位置上下文类别”指的是比(i)和(ii)可能更准确的位置类别推断，(i)移动设备(例如电话)定位器提供的位置，可能有一百米或更多的误差；(ii)基于移动设备定位器提供的位置为单个移动用户提供的位置上下文类别。以这种方式，提供了对用户位置的更准确的推断，可以更好地服务于用户以及涉及用户位置的任何应用。由移动设备(例如，电话)定位器提供的位置在本文中可互换地称为“不确定的移动设备位置数据”，因为其精度不能得到保证并且具有上述典型误差，因此使得这种位置数据不确定。在大多数情况下，这种不确定性可以表示为具有大于阈值误差量的误差的位置数据。此外，本文中关于本发明的一个方面使用的术语“真实”是指对可能比不使用本发明时另外提供的项目来说更准确的表示，如本领域普通技术人员在给出本文提供的本发明的教导的情况下将容易理解的那样。
在一个实施例中，本发明提供了一种基于机器学习的解决方案，用于基于可能的附近位置类别自动推断手机用户位置上下文类别。在一个实施例中，本发明使用通常不太准确的所有用户的定位信息来协作且更准确地定位彼此的位置上下文类别。
在一个实施例中，从公共可用信息中收集可能的附近位置类别。这些公开可用的信息可以从但不限于(OSM)等获得。应当理解，本发明不仅限于前面的移动应用，因此，根据本发明的教导，可以使用包括那些尚未可用的移动应用的其他移动应用。
是一个本地搜索和发现服务移动应用，为其用户提供搜索结果。根据用户所去过的地方、用户喜欢的内容指定作为应用的输入以及用户信任的其他用户的建议提供接近用户当前位置的访问地点的建议。在发送包含单一位置的查询后，会返回多个附近的上下文选项。位置类别包括：食物；商店；夜生活场所；学校；户外；等等。
是一个用于创建免费可编辑世界地图的协作项目。地图数据由志愿者收集，志愿者使用诸如手持GPS单元、平板电脑、数码相机等项目进行地面调查。然后将数据输入数据库。可以使用Web浏览器等查看/访问数据。
在一个实施例中，本发明假定用户可以被分类为多个组，其中相同组中的用户具有相似的行为模式和兴趣，而不同组中的用户具有不同的行为模式和兴趣。这样，本发明可以共同学习分类和用户的行为模式。
在一个实施例中，本发明采用以下内容作为输入：对于每个用户，用户的附近位置类别的列表。在该实施例中，不需要其他信息。
在一个实施例中，本发明提供以下作为输出：用户的位置类别。
图1示出了根据本发明一个实施例的可以应用本发明的示例性处理系统100。处理系统100包括至少一个处理器(CPU)104，经由系统总线102可操作地耦合到其他组件。高速缓存106、只读存储器(ROM)108、随机存取存储器(RAM)110、输入/输出(I/O)适配器120、声音适配器130、网络适配器140、用户接口适配器150和显示适配器160可操作地耦合到系统总线102。
第一存储设备122和第二存储设备124通过I/O适配器120可操作地耦合到系统总线102。存储设备122和124可以是任何磁盘存储设备(例如，磁性或光学磁盘存储设备)、固态磁设备等。存储设备122和124可以是相同类型的存储设备或不同类型的存储设备。
扬声器132通过声音适配器130可操作地耦合到系统总线102。收发器142通过网络适配器140可操作地耦合到系统总线102。显示设备162通过显示适配器160可操作地耦合到系统总线102。
第一用户输入设备152、第二用户输入设备154和第三用户输入设备156通过用户接口适配器150可操作地耦合到系统总线102。用户输入设备152、154和156可以是键盘、鼠标、键盘、图像捕获设备、运动感测设备、麦克风、包含至少两个前述设备的功能的设备等中的任何设备。当然，也可以使用其他类型的输入设备并同时保持本原理的精神。用户输入设备152、154和156可以是相同类型的用户输入设备或不同类型的用户输入设备。
当然，如本领域技术人员容易想到的，处理系统100还可以包括其他元件(未示出)，并且省略某些元件。例如如本领域普通技术人员容易理解的，各种其他输入设备和/或输出设备可以包括在处理系统100中，这取决于特定实现。例如，可以使用各种类型的无线和/或有线输入和/或输出设备。此外，如本领域普通技术人员容易理解的，还可以使用各种配置的附加处理器、控制器、存储器等。鉴于本文提供的本发明的教导，本领域普通技术人员容易想到处理系统100的这些和其他变型。
图2示出了根据本发明实施例的可以应用本发明的示例性环境200。
环境200包括一组移动设备210和中央服务器220。在图2的实施例中，移动设备是蜂窝电话。然而，应当理解，根据本发明的教导，可以使用具有设备定位器和/或能够由设备定位器定位的任何移动设备。
在一个实施例中，中央服务器220在云中实现。然而，中央服务器220也可以在非云环境中实现。
一个或多个移动设备定位器230为移动设备210提供位置数据231。虽然与图2的实施例中的移动设备210分开示出，如本领域普通技术人员容易理解的，一个或多个移动设备定位器230可以位于移动设备210或其他设备/系统内，或作为其他其他设备/系统的一部分。因此，在一个实施例中，可以从移动设备本身获取移动用户位置输入。注意，在大多数情况下，来自移动设备的这种信息遭受大多数情况下可能不可接受的不准确度。这种不准确度通常也是相关设备上的设备定位器所固有的(例如，来自相同的制造商的例如电话和平板电脑，一个被配置为能够定位另一个，等等)，具有位置确定能力的设备与提供位置信息的设备不同。本发明不限于任何特定的设备定位器，因此可以与基于全球定位系统(GPS)的设备定位器、WIFI定位系统(WPS)、基于蜂窝网络的定位系统等一起使用。前面的列表仅仅是说明性的。
来自移动设备定位器230的位置数据被提供给一个或多个公共可访问(使用例如移动应用等实现)的位置上下文信息源240，响应于在相应查询中指定的移动用户位置输入返回适用于移动用户的多个位置上下文类别/选项(下文中称为“类别”)。
中央服务器220从一个或多个源240接收一组移动设备用户的多个位置上下文类别，并将机器学习应用于多个位置上下文类别，以便形成一个或多个矩阵，每个矩阵包括：一组用户和一组用户的位置上下文类别。图4示出和描述了示例性矩阵。机器学习涉及使用目标函数来从移动设备定位器的最初有些不准确的位置数据中学习移动设备用户的真实位置。为此，中央服务器220将从为每个用户接收的多个位置上下文类别中识别用于每个用户的单一真实的位置上下文类别。
然后，中央服务器220可以基于移动设备用户的真实位置执行一个或多个功能和/或实现一个或多个应用。
图3示出了根据本发明实施例的用于基于不确定的用户移动数据来推断移动用户位置上下文的示例性方法。
为了说明的目的，在图3的实施例中，方法300用于n个用户，m个位置上下文类别。然而应当理解，如本领域普通技术人员容易理解的，本发明可以用于任何数量的用户和任何数量的位置上下文类别，可以在本文提供的本发明的教导的基础上基于实现容易地改变。
在图3的实施例中，方法300在某些约束和假定下操作。例如，作为约束，对于所考虑的每个给定时间段，每个用户必须属于且仅属于一个类别。最初，该类别未知，但存在包含所有感兴趣类别的集合。在一个实施例中，该集合是一列用户和用户的附近位置类别。作为示例，图4示出了根据本发明一个实施例的所有(n个)用户和所有(m个)类别的矩阵A410，从中导出可能的位置二进制矩阵Y 420和不可能的位置二进制矩阵Z 430。图5示出了矩阵X 510，在任何给定时间为n个用户中的每一个设置单一位置上下文类别。在矩阵(410,420,430,510)中，用点状阴影图案显示附近的位置类别，而其他位置则用没有任何阴影的图案显示。在每个矩阵(410,420,430,510)中，使用u1到un表示不同的n个用户，而使用c1到cm表示不同的m个类别。Matric X 510如下形成：
矩阵X 510＝矩阵Y 420+矩阵Z 430。
参考图3，在步骤310，对于一组n个移动用户中的每个移动用户，向移动web应用发送相应的查询，响应于在相应的查询中指定的移动用户位置输入，该移动web应用返回适用于移动用户的一个或多个位置上下文类别。所有n个用户的位置上下文类别的总数是m，其中n和m都是整数。在一个实施例中，可以从移动设备本身获取移动用户位置输入，注意，在大多数情况下，来自移动设备的这种信息遭受大多数情况下可能不可接受的不准确度。移动用户位置输入可以是经度和纬度，或者是用于表示位置的任何其他表示。
在步骤320，对于组中的每个移动用户，响应于相应的查询，从移动web应用接收一个或多个位置上下文类别。
在步骤330，将多用户协作机器学习应用于组中的每个移动用户的一个或多个位置上下文类别，以推断该组中的每个移动用户的单一“真实”(更准确)位置上下文类别。在本发明的上下文中，术语“多用户协作机器学习”指的是应用来自多个用户的数据的机器学习，以得到基本上通过共享数据跨多个用户协作的结果，这种共享涉及使用机器学习应用于多个用户的数据。虽然以下示例设想单一位置上下文类别适用于相应的移动用户，但可以存在多个位置上下文类别，例如，如果用户站在两个场所之间，一个食物(例如，餐馆)，一个体育(例如，体育用品商店)。但是，在大多数情况下，只会调用一个类别。此外，本原理可以被约束为仅应用(选择)一个类别，如在此示出的说明性实施例中那样。鉴于本文提供的本发明的教导，本领域普通技术人员容易确定本发明的这些和其他变化。
在一个实施例中，步骤330包括步骤330A-330X。
在步骤330A，用多用户协作机器学习和目标函数，在以下约束下形成n*m个“真实”位置矩阵X：
(i)矩阵X 510的每一行包含且仅包含一个1(1在对角线阴影条目内)；以及
(ii)该行中的所有其他条目均为0。
在矩阵X 510中，Xij＝1表示用户i的真实目的地在位置类别j中。
在一个实施例中，矩阵X 510应该是低秩矩阵。在一个实施例中，等级可以如下：
rank(X)＝用户组数(<<n)
在一个实施例中，目标函数为：
minx∈{0,1}nxm||X||*
其中，||X||*表示矩阵X 510的核范数(核范数是非凸秩函数的凸包络)，X{i,*}表示矩阵X 510的第i行向量。
应当理解，这两个约束确保矩阵X 510中的每一行包含且仅包含一个1，并且所有其他条目都是0。
可以通过增强拉格朗日方法有效地优化上述目标函数，该方法能够通过一系列无约束问题替换与目标函数相关的约束优化问题。由于目标函数是凸的，因此优化方法学习的最优解是唯一的并且对于初始化是鲁棒的。此外，由于学习矩阵X是稀疏(每行只有一个1)、低等级的，它自然捕获了少量可以驱动人们行为的最重要因素。这使得模仿人们的行为和兴趣非常有吸引力。
在步骤340，对于组中的至少一个移动用户，基于单一精确的位置上下文类别推断由至少一个移动用户执行或感兴趣的至少一个活动。
在步骤350，对于组中的至少一个移动用户，基于单一精确的位置上下文类别推断至少一个移动用户的至少一个未来意图。
现在将给出关于本发明提供的各种优点的描述。
例如，本发明可以有利地利用移动数据不确定性来提供关于移动用户行为和意图的见解。
更一般地，本发明可以解决一般的分配不确定性问题。例如，在浏览数据时，系统知道用户对给定页面上的至少一个项目感兴趣，但可能不确定对哪个特定项目感兴趣。有利地，本发明可以推断移动用户的真实兴趣。
此外，真实位置上下文的识别是与空间-时间分析相关的许多应用中的必要步骤。
此外，分配的不确定性是营销分析中的关键问题，本发明可以容易地应用于该分析以消除或减轻这种不确定性。
可以应用本发明的示例性应用/用途包括但不限于：定向广告；营销应用；时空分析等等。
首先应当理解，尽管本公开包括关于云计算的详细描述，但其中记载的技术方案的实现却不限于云计算环境，而是能够结合现在已知或以后开发的任何其它类型的计算环境而实现。
云计算是一种服务交付模式，用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源，例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征包括：
按需自助式服务：云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。
广泛的网络接入：计算能力可以通过标准机制在网络上获取，这种标准机制促进了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理PDA)对云的使用。
资源池：提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者，其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下，消费者不能控制或甚至并不知晓所提供的资源的确切位置，但可以在较高抽象程度上指定位置(例如国家、州或数据中心)，因此具有位置无关性。
迅速弹性：能够迅速、有弹性地(有时是自动地)部署计算能力，以实现快速扩展，并且能迅速释放来快速缩小。在消费者看来，用于部署的可用计算能力往往显得是无限的，并能在任意时候都能获取任意数量的计算能力。
可测量的服务：云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力，自动地控制和优化资源效用。可以监测、控制和报告资源使用情况，为服务提供者和消费者双方提供透明度。
服务模型如下：
软件即服务(SaaS)：向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外，消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。
平台即服务(PaaS)：向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用，这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构，但对其部署的应用具有控制权，对应用托管环境配置可能也具有控制权。
基础架构即服务(IaaS)：向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构，但是对操作系统、存储和其部署的应用具有控制权，对选择的网络组件(例如主机防火墙)可能具有有限的控制权。
部署模型如下：
私有云：云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。
共同体云：云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。
公共云：云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。
混合云：云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成，这些云依然是独特的实体，但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。
云计算环境是面向服务的，特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。
现在参考图6，其中显示了云计算节点的一个例子。图6显示的云计算节点610仅仅是适合的云计算节点的一个示例，不应对本发明实施例的功能和使用范围带来任何限制。总之，云计算节点610能够被用来实现和/或执行以上所述的任何功能。
云计算节点610具有计算机系统/服务器612，其可与众多其它通用或专用计算系统环境或配置一起操作。众所周知，适于与计算机系统/服务器612一起操作的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任意系统的分布式云计算技术环境，等等。
计算机系统/服务器612可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括执行特定的任务或者实现特定的抽象数据类型的例程、程序、目标程序、组件、逻辑、数据结构等。计算机系统/服务器612可以在通过通信网络链接的远程处理设备执行任务的分布式云计算环境中实施。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
如图6所示，云计算节点610中的计算机系统/服务器612以通用计算设备的形式表现。计算机系统/服务器612的组件可以包括但不限于：一个或者多个处理器或者处理单元616，系统存储器628，连接不同系统组件(包括系统存储器628和处理单元616)的总线618。
总线618表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器612典型地包括多种计算机系统可读介质。这些介质可以是能够被计算机系统/服务器612访问的任意可获得的介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器628可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)630和/或高速缓存存储器632。计算机系统/服务器612可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统634可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线618相连。存储器628可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块642的程序/实用工具640，可以存储在存储器628中，这样的程序模块642包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块642通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器612也可以与一个或多个外部设备614(例如键盘、指向设备、显示器624等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器612交互的设备通信，和/或与使得该计算机系统/服务器612能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口622进行。并且，计算机系统/服务器612还可以通过网络适配器620与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器620通过总线618与计算机系统/服务器612的其它模块通信。应当明白，尽管图中未示出，其它硬件和/或软件模块可以与计算机系统/服务器612一起操作，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
现在参考图7，其中显示了示例性的云计算环境750。如图所示，云计算环境750包括云计算消费者使用的本地计算设备可以与其相通信的一个或者多个云计算节点710，本地计算设备例如可以是个人数字助理(PDA)或移动电话754A，台式电脑754B、笔记本电脑754C和/或汽车计算机系统754N。云计算节点710之间可以相互通信。可以在包括但不限于如上所述的私有云、共同体云、公共云或混合云或者它们的组合的一个或者多个网络中将云计算节点710进行物理或虚拟分组(图中未显示)。这样，云的消费者无需在本地计算设备上维护资源就能请求云计算环境750提供的基础架构即服务(IaaS)、平台即服务(PaaS)和/或软件即服务(SaaS)。应当理解，图7显示的各类计算设备754A-N仅仅是示意性的，云计算节点710以及云计算环境750可以与任意类型网络上和/或网络可寻址连接的任意类型的计算设备(例如使用网络浏览器)通信。
在参考图8，其中显示了云计算环境750(图7)提供的一组功能抽象层。首先应当理解，图8所示的组件、层以及功能都仅仅是示意性的，本发明的实施例不限于此。如图8所示，提供下列层和对应功能：
硬件和软件层860包括硬件和软件组件。硬件组件的例子包括：主机，例如系统；基于RISC(精简指令集计算机)体系结构的服务器，例如IBM系统；IBM 系统；IBM 系统；存储设备；网络和网络组件。软件组件的例子包括：网络应用服务器软件，例如IBM 应用服务器软件；数据库软件，例如IBM 数据库软件。(IBM,zSeries,pSeries,xSeries,BladeCenter,WebSphere以及DB2是国际商业机器公司在全世界各地的注册商标)。
虚拟层862提供一个抽象层，该层可以提供下列虚拟实体的例子：虚拟服务器、虚拟存储、虚拟网络(包括虚拟私有网络)、虚拟应用和操作系统，以及虚拟客户端。
在一个示例中，管理层864可以提供下述功能：资源供应功能：提供用于在云计算环境中执行任务的计算资源和其它资源的动态获取；计量和定价功能：在云计算环境内对资源的使用进行成本跟踪，并为此提供帐单和发票。在一个例子中，该资源可以包括应用软件许可。安全功能：为云的消费者和任务提供身份认证，为数据和其它资源提供保护。用户门户功能：为消费者和系统管理员提供对云计算环境的访问。服务水平管理功能：提供云计算资源的分配和管理，以满足必需的服务水平。服务水平协议(SLA)计划和履行功能：为根据SLA预测的对云计算资源未来需求提供预先安排和供应。
工作负载层866提供云计算环境可能实现的功能的示例。在该层中，可提供的工作负载或功能的示例包括：地图绘制与导航；软件开发及生命周期管理；虚拟教室的教学提供；数据分析处理；交易处理；工作负载层66提供云计算环境可能实现的功能的示例。在该层中，可提供的工作负载或功能的示例包括：地图绘制与导航；软件开发及生命周期管理；虚拟教室的教学提供；数据分析处理；交易处理和推断位置上下文。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括其上具有用于使处理器执行本发明的各方面的计算机可读程序指令的计算机可读存储介质(或介质)。
计算机可读存储介质可以是可以保留和存储供指令执行设备使用的指令的有形设备。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何适当组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)、记忆棒、软盘、机械地编码的装置，例如在其上记录有指令的凹槽中的穿孔卡或凸起结构，以及前述的任何适当组合。这里使用的计算机可读存储介质不应被解释为暂时信号本身，诸如无线电波或其他自由传播的电磁波，通过波导或其他传输介质传播的电磁波(例如，穿过光纤电缆)或通过导线传输的电信号。
这里描述的计算机可读程序指令可以从计算机可读存储介质，或者经由网络例如互联网、局域网、宽带区域网络和/或无线网络下载到相应的计算/处理设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或网络接口从网络接收计算机可读程序指令并且转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令，指令集架构(ISA)指令、机器指令、机器相关指令、微码、固件指令、状态设置数据或任一源代码或以一种或多种程序设计语言(包括面向对象的程序设计语言，诸如Smalltalk、C++等)和常规程序化程序设计语言(诸如“C”程序设计语言或类似程序设计语言)的任何组合编写的目标代码。计算机可读程序指令可以完全在用户的计算机上，部分在用户的计算机上，作为独立的软件包，部分在用户的计算机上，部分在远程计算机上或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可以连接到外部计算机(用于例如，通过互联网使用互联网服务提供商)。在一些实施例中，包括例如可编程逻辑电路，现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以个性化电子电路，以执行本发明的各个方面。
这里参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述本发明的各方面。应该理解，流程图和/或框图中的每个框以及流程图和/或框图中的框的组合可以通过计算机可读程序指令来实现。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机的处理器或其他处理器执行的指令可编程数据处理设备创建用于实现在流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以被存储在计算机可读存储介质中，该计算机可读存储介质可以指导计算机、可编程数据处理设备和/或其他设备以特定方式运行，使得其中存储有指令的计算机可读存储介质包括制造物品，其包括实现在流程图和/或框图的一个或多个方框中指定的功能/动作的各方面的指令。
计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤以生成计算机实现的过程，使得在计算机、其他可编程装置或其他设备上执行的指令实现在流程图和/或框图的一个或多个框中指定的功能/动作。
附图中的流程图和框图图示了根据本发明的各种实施例的系统，方法和计算机程序产品的可能实现的架构、功能和操作。就这一点而言，流程图或框图中的每个框可表示指令的模块、段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些替代实施方式中，方框中提到的功能可以不按照附图中指出的顺序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可以基本上同时执行，或者框有时可以以相反的顺序执行。还将注意到，框图和/或流程图的每个框以及框图和/或流程图中的框的组合可以由执行指定功能或动作的基于专用硬件的系统来实现，或者执行专用硬件和计算机指令的组合。
说明书中对本原理的“一个实施例”或“实施例”及其其他变型的引用意味着包括结合在本原理的至少一个实施例中的该实施例描述的特定特征、结构、特性等。因此，在整个说明书中出现在各个地方的短语“在一个实施例中”或“在实施例中”以及任何其他变型的出现不一定都指代相同的实施例。
应理解，任何“/”、“和/或”以及“至少一个”的使用，例如“A/B”、“A和/或B”以及“A和B的至少一个”，旨在包括仅选择第一个列出的选项(A)，或仅选择第二个列出的选项(B)，或选择两个选项(A和B)。作为另一个例子，在“A、B和/或C”和“A、B和C中的至少一个”的情况下，这种措辞旨在包括仅选择第一个列出的选项(A)，或仅选择第二个列出的选项(B)，或仅选择第三个列出的选项(C)，或仅选择第一个和第二个列出的选项(A和B)，或选择仅第一个和第三个列出的选项(A和C)，或仅选择第二个和第三个列出的选项(B和C)，或选择所有三个选项(A和B和C)。如本领域和相关领域的普通技术人员显而易见的，对于所列出的许多项目可以扩展。
已经描述了系统和方法的优选实施例(旨在是说明性的而非限制性的)，应注意，本领域技术人员根据上述教导可以进行修改和变化。因此，应该理解，可以在所公开的特定实施例中进行改变，这些改变在所附权利要求所概述的本发明的范围内。已经如此描述了本发明的各方面，具有专利法所要求的细节和特殊性，在所附权利要求中阐述了要求和期望保护的内容。

Claims (15)

1.一种由计算机服务器执行的方法，用于推断具有至少两个成员的一组移动用户的位置上下文类别，所述方法包括：
对于该组中的每个移动用户，响应于不确定的移动设备位置数据，从公共可用信息获取至少一个位置上下文类别；和
将多用户协作机器学习应用于该组中的每个移动用户的至少一个位置上下文类别，以推断该组中的每个移动用户的单一精确的位置上下文类别。
2.根据权利要求1所述的方法，其中不确定的移动设备位置数据包括由蜂窝电话定位器产生的蜂窝电话位置数据。
3.根据权利要求1所述的方法，其中获取步骤包括：
对于该组中的每个移动用户，向一个或多个移动web应用发送相应的查询，响应于在相应的查询中指定的不确定的移动设备位置数据，该一个或多个移动web应用返回适用于提交查询的移动用户的至少一个位置上下文类别；以及
对于该组中的每个移动用户，响应于相应的查询，从移动web应用接收至少一个位置上下文类别。
4.根据权利要求1或3所述的方法，进一步包括基于移动用户之间的相似性将移动用户分类为多个组。
5.根据权利要求1所述的方法，其中使用利用核范数表达的目标函数来执行多用户协作机器学习。
6.根据权利要求1所述的方法，其中所述应用步骤应用具有目标函数的多用户协作机器学习以形成矩阵，其中矩阵的列和行中的每一个对应于移动用户中的相应一个，并且列和行中的另一个的每一个对应于多个位置上下文类别中的相应一个。
7.根据权利要求6所述的方法，其中使用受到矩阵上的行约束的非凸秩函数的凸包络来表示目标函数。
8.根据权利要求1或3所述的方法，进一步包括：对于该组中的至少一个移动用户，基于所述单一精确的位置上下文类别推断由该至少一个移动用户执行或感兴趣的至少一个活动。
9.根据权利要求1或3所述的方法，进一步包括：对于该组中的至少一个移动用户，基于所述单一精确的位置上下文类别推断该至少一个移动用户的至少一个未来意图。
10.一种有形地体现计算机可读程序的非暂时性制品，该计算机可读程序在被执行时使计算机执行权利要求1的步骤。
11.一种有形地体现计算机可读程序的非暂时性制品，该计算机可读程序在被执行时使计算机执行权利要求2的步骤。
12.一种系统，用于推断具有至少两个成员的一组移动用户的位置上下文类别，所述系统包括：
计算机服务器，具有处理器和存储器，被配置为：
对于该组中的每个移动用户，响应于不确定的移动设备位置数据，从公共可用信息获取至少一个位置上下文类别；以及
将多用户协作机器学习应用于该组中的每个移动用户的至少一个位置上下文类别，以推断该组中的每个移动用户的单一精确的位置上下文类别。
13.根据权利要求12所述的方法，其中计算机服务器利用云计算配置实现。
14.根据权利要求12所述的系统，其中计算机服务器被进一步配置为：对于该组中的至少一个移动用户，基于所述单一精确的位置上下文类别推断由该至少一个移动用户执行或感兴趣的至少一个活动。
15.根据权利要求12所述的系统，其中计算机服务器被进一步配置为：对于该组中的至少一个移动用户，基于所述单一精确的位置上下文类别推断该至少一个移动用户的至少一个未来意图。
CN201780010960.8A 2016-03-16 2017-02-20 基于具有不确定性的用户移动数据的位置上下文推断 Active CN108700642B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/071,996 US9743243B1 (en) 2016-03-16 2016-03-16 Location context inference based on user mobile data with uncertainty
US15/071,996 2016-03-16
PCT/IB2017/050952 WO2017158453A1 (en) 2016-03-16 2017-02-20 Location context inference based on user mobile data with uncertainty

Publications (2)

Publication Number Publication Date
CN108700642A true CN108700642A (zh) 2018-10-23
CN108700642B CN108700642B (zh) 2022-04-26

Family

ID=59581304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780010960.8A Active CN108700642B (zh) 2016-03-16 2017-02-20 基于具有不确定性的用户移动数据的位置上下文推断

Country Status (6)

Country Link
US (2) US9743243B1 (zh)
JP (1) JP6916804B2 (zh)
CN (1) CN108700642B (zh)
DE (1) DE112017000195T5 (zh)
GB (1) GB2563795A (zh)
WO (1) WO2017158453A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10146829B2 (en) * 2015-09-28 2018-12-04 Google Llc Query composition system
US11537931B2 (en) * 2017-11-29 2022-12-27 Google Llc On-device machine learning platform to enable sharing of machine-learned models between applications

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030126100A1 (en) * 2001-12-26 2003-07-03 Autodesk, Inc. Fuzzy logic reasoning for inferring user location preferences
WO2003058928A1 (en) * 2001-12-26 2003-07-17 Autodesk, Inc. Mobile device locator system
CN102549578A (zh) * 2010-10-01 2012-07-04 松下电器产业株式会社 分类装置以及分类方法
US20130226857A1 (en) * 2012-02-24 2013-08-29 Placed, Inc. Inference pipeline system and method
US20150248436A1 (en) * 2014-03-03 2015-09-03 Placer Labs Inc. Methods, Circuits, Devices, Systems and Associated Computer Executable Code for Assessing a Presence Likelihood of a Subject at One or More Venues

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005024688A1 (ja) 2003-09-05 2005-03-17 Matsushita Electric Industrial Co., Ltd. 訪問場所特定装置及び訪問場所特定方法
US7774349B2 (en) * 2003-12-11 2010-08-10 Microsoft Corporation Statistical models and methods to support the personalization of applications and services via consideration of preference encodings of a community of users
US20070005419A1 (en) * 2005-06-30 2007-01-04 Microsoft Corporation Recommending location and services via geospatial collaborative filtering
WO2007101107A2 (en) 2006-02-24 2007-09-07 Skyhook Wireless, Inc. Methods and systems for estimating a user position in a wlan positioning system based on user assigned access point locations
CN101458409B (zh) 2008-12-17 2012-10-10 康佳集团股份有限公司 一种液晶显示器和改善液晶显示器显示效果的方法
US8457653B2 (en) 2011-02-25 2013-06-04 Nokia Corporation Method and apparatus for pre-fetching location-based data while maintaining user privacy
ITTO20110284A1 (it) 2011-03-29 2011-06-28 Sisvel Technology Srl Procedimento di localizzazione cooperativa e relativi apparati
US9189551B2 (en) 2011-07-20 2015-11-17 Opentable. Inc. Method and apparatus for category based navigation
GB201211626D0 (en) * 2012-06-29 2012-08-15 Tomtom Dev Germany Gmbh Location estimation method and system
US20140067901A1 (en) 2012-07-24 2014-03-06 Blake Shaw System and method for contextual messaging in a location-based network
US9349100B2 (en) * 2012-08-30 2016-05-24 International Business Machines Corporation Method for providing a prompt for real-time cognitive assistance
US20140136451A1 (en) * 2012-11-09 2014-05-15 Apple Inc. Determining Preferential Device Behavior
US9179265B2 (en) * 2013-01-31 2015-11-03 Apple Inc. Reducing location search space
US9154915B2 (en) * 2013-04-16 2015-10-06 Google Inc. Apparatus and method for ascertaining the operating hours of a business
US9439038B2 (en) 2013-10-10 2016-09-06 Pushd, Inc. Automated notification of social media member events
JP5794646B2 (ja) 2013-12-27 2015-10-14 日本電気株式会社 衛星測位システム、測位端末、測位方法、及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030126100A1 (en) * 2001-12-26 2003-07-03 Autodesk, Inc. Fuzzy logic reasoning for inferring user location preferences
WO2003058928A1 (en) * 2001-12-26 2003-07-17 Autodesk, Inc. Mobile device locator system
CN102549578A (zh) * 2010-10-01 2012-07-04 松下电器产业株式会社 分类装置以及分类方法
US20130226857A1 (en) * 2012-02-24 2013-08-29 Placed, Inc. Inference pipeline system and method
US20150248436A1 (en) * 2014-03-03 2015-09-03 Placer Labs Inc. Methods, Circuits, Devices, Systems and Associated Computer Executable Code for Assessing a Presence Likelihood of a Subject at One or More Venues

Also Published As

Publication number Publication date
DE112017000195T5 (de) 2018-08-02
CN108700642B (zh) 2022-04-26
US20170272908A1 (en) 2017-09-21
US9743243B1 (en) 2017-08-22
WO2017158453A1 (en) 2017-09-21
US10003923B2 (en) 2018-06-19
GB201816578D0 (en) 2018-11-28
GB2563795A (en) 2018-12-26
JP2019512768A (ja) 2019-05-16
JP6916804B2 (ja) 2021-08-11

Similar Documents

Publication Publication Date Title
AU2018203274B2 (en) Training an RGB-D classifier with only depth data and privileged information
CN108140007A (zh) 跨部署位置安全地部署应用程序
CN103238138B (zh) 用于迁移逻辑分区的方法、装置和系统
CN110366722A (zh) 不利用可信初始化器的秘密共享
CN105359088B (zh) 使用动态生成的虚拟磁盘内容优化供应时间的方法
CN105938525B (zh) 虚拟机设备的基于目录的发现
US20160267411A1 (en) Creating sustainable innovation platforms based on service first and service now approach
US20190385212A1 (en) Real-time in-venue cognitive recommendations to user based on user behavior
US11061982B2 (en) Social media tag suggestion based on product recognition
US10229182B2 (en) Friend locator based on friend network and profile
CN110325996A (zh) 利用可信初始化器共享秘密
CN105988670A (zh) 用于基于任务栏快捷方式控制多个应用内容的方法和系统
US20170161301A1 (en) Generation of graphical maps based on text content
US20190188259A1 (en) Decomposing composite product reviews
US10776411B2 (en) Systematic browsing of automated conversation exchange program knowledge bases
CN108700642A (zh) 基于具有不确定性的用户移动数据的位置上下文推断
JP2022518671A (ja) デュアル・ネットワークと共に訓練された主ネットワークを介した多目的タスクの実行
US11651332B2 (en) Distributed collaborative environment using physical notes
CN117616436A (zh) 机器学习模型的联合训练
US10803728B1 (en) Dynamically networked integrated swarm sensor tracking
US20230409461A1 (en) Simulating Human Usage of a User Interface
US20210358321A1 (en) System and method for natural language triad analysis of educational text
US20230409959A1 (en) Grouped aggregation in federated learning
US20220398327A1 (en) Applying noise to formats with masking restrictions
Anton et al. Cloud-Enabled Modeling of Sensor Networks in Educational Settings

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220630

Address after: California, USA

Patentee after: Fengxiong Co.,Ltd.

Address before: New York grams of Armand

Patentee before: International Business Machines Corp.

TR01 Transfer of patent right