CN109416771A - 使内容以群集中表现不好的用户为目标 - Google Patents
使内容以群集中表现不好的用户为目标 Download PDFInfo
- Publication number
- CN109416771A CN109416771A CN201780040952.8A CN201780040952A CN109416771A CN 109416771 A CN109416771 A CN 109416771A CN 201780040952 A CN201780040952 A CN 201780040952A CN 109416771 A CN109416771 A CN 109416771A
- Authority
- CN
- China
- Prior art keywords
- target
- user
- target user
- content
- features
- 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- Withdrawn
Links
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
Abstract
提供了一种方法,该方法包括:获得目标用户的个体行为数据和其他用户的群体行为数据,以及执行机器学习算法以基于群体行为数据来确定针对任务的表现基准。该方法还包括:将其他用户聚集到多个用户群集中,将目标用户分类到群集中的一个群集中,标识目标用户的一个或多个焦点特征,该一个或多个焦点特征表现差于在目标用户被分类到的用户群集中的多个用户的一个或多个特征的至少一个基准;基于目标用户的标识的一个或多个特征来标识与一个或多个任务或任务链相关联的作为目标的内容,以及经由计算设备来递送作为目标的内容。
Description
背景技术
包括计算机游戏的计算机应用由具有范围从新手到专家的各种技能水平的用户玩。大部分玩家可能从来没有到达专家的技术水平,但是可能还具有潜力以通过集中于应用中的具体任务或者子任务上来提高他们的表现,在这些特定的任务或子任务中玩家具有用于改进的空间。除了技术水平,玩家还基于具体特征和度量来区分他们自己。例如,玩家可以在他们游戏设置的风格中、反应时间、速度和精确度中区分。随意玩家可能具有不同于更认真的玩家的方式来完成游戏,并且游戏策略在攻击性玩家和防御性玩家之间以及在侵略性的和玩家和被动的玩家之间很广泛地变化。
许多现存计算机应用包括应用中教程或线索系统以帮助用户改进他们的表现。然而,当前的教程要求用户认识到用户需要帮助,并且去打开教程以寻求帮助。而且,教程的或者线索系统的水平可能对用户太高级或者太简单,无论是去掉了游戏中的乐趣,还是未能降低用户与游戏的挫折。最后,教程和线索系统为被限定为开发者向他们赋予的想法,并且因此,开发者在开发游戏时并未预测到将发生的用户的理解或技能上的差距不大可能被这样的系统解决。
发明内容
为了处理上述挑战,提供了一种方法,该方法包括:从目标用户与至少一个计算设备上的应用程序的交互获得个体行为数据;以及从多个用户与其他计算设备上的该应用程序的其他实例的交互获得群体行为数据。该方法还包括:执行机器学习算法以基于该群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准,以及基于用户之间的一个或多个特征的相似度来将该多个用户聚集到多个用户群集中。该方法还包括:基于该用户群集中的用户和该目标用户之间的一个或多个特征的相似度,来将该目标用户分类到该多个用户群集中的一个用户群集中,以及从该个体行为数据和该群体行为数据标识该目标用户的一个或多个焦点特征,该一个或多个焦点特征表现差于该目标用户被分类到的该用户群集中的该多个用户的该一个或多个特征的该表现基准中的一个或多个表现基准。该方法还包括:基于该目标用户的标识的该一个或多个特征,来标识与该一个或多个任务或任务链相关联的作为目标的内容,以及经由该计算设备来递送该作为目标的内容。
本发明内容被提供以用简化的形式介绍对概念的选择,这些概念将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技术主题的关键特征或必要特征,也并非旨在被用来限制所要求保护的技术主题的范围。此外,所要求保护的技术主题并不限于解决在本公开内容的任何部分中被提到的任何或所有缺点的实现方式。
附图说明
在附图的示图中以示例而非限制的方式示出了本公开内容,其中相同的附图标记指示相同的元件,并且其中:
图1示出了根据本说明书的实施例的计算机实现的方法。
图2示出了根据本说明书的实施例的计算机系统。
图3示出了根据本说明书的实施例的用户群集的示例。
图4示出了根据本说明书的实施例的示例性计算机游戏,计算机实现的方法在该计算机游戏中被应用。
图5示出了根据本说明书的实施例的用户群集的另一示例。
图6示出了根据本说明书的另一实施例的特征的示例,这些特征可以被用来将用户分类到web浏览器中的用户群集中。
图7示出了根据本说明书的另一实施例的示例性web浏览器,计算机实现的方法在该web络浏览器中被应用。
图8示出了根据本说明书的实施例的示例计算机系统。
具体实施方式
现在将参考附图来描述本发明的所选择的实施例。本领域技术人员从本公开内容将显而易见的是,本发明的实施例的以下描述仅用于说明,而不是为了限制由所附权利要求及其等效物所限定的本发明的目的。
本公开内容涉及计算机实现的方法以及涉及实施本说明书的计算机实现的方法的计算机系统,在图1中示出了该计算机实现的方法的实施例,在图2中示出了该计算机系统的实施例。
首先参考图1,计算机实现的方法100包括四个通用步骤:进行中的离线基准化110、第一运行120、模型构建130以及作为目标的内容和监控140。应当领会到,当离线基准化110被连续地执行时,模型构建步骤130和作为目标的内容和监控步骤140被迭代地重复。而且,术语“指导”被用在本文中以指示可能被递送的一种类型的作为目标的内容。离线基准化110包括从多个用户获取群体行为数据,该多个用户包括目标用于(步骤111)。这可以被通过当应用程序正在运行并且用户正在执行各种任务时,从多个用户中收集遥测数据或记录数据、由此收集关于在与目标用户的哪些情况类似的情况下多个用户的群体行为背景信息而被实现。因此,应用程序可以被配置为记录由用户进行的各种活动,连同在活动时间的程序的状态,并且这一数据可以是指遥测数据。作为一个具体示例,从输入设备(诸如键盘、鼠标、触摸屏、游戏控制器等)接收的用户输入参数可以被记录为应用程序发生中的事件,并且被存储为针对其他用户的用户遥测数据。群体行为数据可以被编译到统一的、整体的基准化数据库中以利用表现基准来测量个体目标用户的表现。以这种方式,多个用户的群体行为可以被用作目标用户改进潜力的“资料库”(oracle,例如,预测器),或者被用作参考点,目标用户的行为可以针对该参考点而被比较,从而使得针对改进的具体区域可以被标识。针对改进的这些具体的区域可以是由多个用户中的一些用户执行的具体的任务或任务链,它们如果成功地被模仿,则可以改进目标用户的表现。
第一运行120包括从目标用户获取个体行为数据(步骤121)。当新目标用户开始使用应用程序时,关于目标用户的行为(包括用户输入等)的遥测数据被收集,类似于用于针对群体行为数据的的随后的比较的群体行为数据。
方法100还包括执行机器学习算法(机器学习算法装置)以用于基于群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准,该群体行为数据可以通过在在步骤111和步骤121所收集的个体行为数据和群体行为数据上训练具有多个层的神经网络而被实现,更多细节将被描述如下。转到图2,在个体行为数据和群体行为数据上具有多个层14的神经网络12由一个或多个逻辑处理器902实现。如在图2中由箭头所示,数据流是单向的,并且不具有对输入的反馈。每个层14包括一个或多个节点16,其另外被称为感知器或“人工神经”。层14可以包括具有输入层节点16a的输入层14a、具有隐藏层节点16b的中间隐藏层14b和具有输出层节点16c的输出层14c。每个节点16接受多个输入并且生成分支到多个副本中的单个数据信号,该多个副本转而作为数据信号而被依次分发给其他节点。输出层节点16c是被配置为检测一个或多个特征的特征检测器16c,该一个或多个特征中的每个特征可以与针对被输入到相应的特征检测器16c的每个参数的统计权重相关联。每个特征可以与一个或多个任务以及一个或多个表现基准相关联。特征可以与任务或任务链(例如,击键、鼠标点击和web搜索)以及表现基准(例如,流逝的时间和完成给定任务所需要的用户操作的数目)相关联。每个特征检测器16c可以起处理节点的作用,并且一个或多个节点可以由处理器902实现。而且,被操作地耦连到处理器902的存储器可以被提供以用于存储针对每个特征检测器16c的学习的权重。在训练期间,神经网络学习针对每个特征检测器16c的最佳统计权重,从而使得针对由一个或多个特征检测器检测到的特征的权重的对应集合可以利用方法100中的每个迭代重复而被调整。在这一实施例中,三个层14a、14b和14c被描述,并且三个节点针对每层提供,但是将领会到本发明不限于这些,并且任意数目的层可以针对神经网络12而被提供,并且任意数目的节点可以针对每个层而被提供。将领会到,系统可以被实现为例如API上的平台功能。
回到图1,离线基准化步骤110还包括基于权重的对应集合来评估群体行为数据,并且基于用户之间的一个或多个功能的相似度来将多个用户聚集到多个用户群集中(步骤112)。群体行为数据随后被用来根据合适的机器学习技术(诸如k均值聚类)来将用户分类,该合适的机器学习技术使用非标签的数据以基于他们行为的相似度来创建有限数目的用户组。这些用户群集可以对应于在例如技能水平、玩的风格、精确度、速度和反应时间中的不同。
第一运行120还包括基于每个特征检测器的权重的对应集合来评估目标用户的个体行为数据,该每个特征检测器在然后与一个或多个任务或任务链和一个或多个基准相关联的个体用户行为中检测特征(步骤122)。在用户的个体行为数据中将要评估的具体的特征和任务(步骤122)可以按照不同的方式而被确定。在一些场景中,确定可以是特定应用程序如何被设计的内在的部分。例如,在车辆竞赛游戏中,主要任务可以是尽可能快的越过终点线。在其他场景中,例如,评估的任务可以由用户通过搜索查询来指定,从而使得由一个或多个特征检测器检测到的一个或多个特征由目标用户预先确定。在又一实施例中,任务或者任务链可以通过观察用户的行为(尤其是与可标识的用户意图相关联的重复地行为模式)而被自动地推断,从而使得由一个或多个特征间测器检测到的一个或多个特征由神经网络预先确定(见图7中的web浏览器的示例)。
模型构建步骤130包括将目标用户基于用户群集中的目标用户和用户之间的相似度来分类到一个或多个用户群集中(步骤131)。一旦经由遥测收集了足够的群体行为数据和用户行为数据(例如,在指定的应用程序事件期间的用户输入和应用程序状态的收集),则一个或多个用户群集(如之前在步骤112中被分类的)经由合适的分类技术(诸如,k最近邻算法或者该k最近邻算法变化中的一个算法)针对目标用户而被选择。例如,在计算机游戏中的目标用户可以针对速度被分类到高级的用户群集,同时被同时地针对分数被分类到新手用户群集中。
模型构建步骤130还包括从个体行为数据和群体行为数据标识目标用户的一个或多个焦点特征(步骤132)。针对改进的机会通过以下各项而被标识:将任务执行数据分解成自包含块,并且评估1)与理想行为与表现的程度的差异(如由群体行为数据所决定的)和差异的一致性(例如,如由平均方差和标准方差所总结的),以及2)在整体任务表现上的差异的影响。目标用户的一个或多个焦点特征可以表现差于目标用户被显著地分类到的用户群集中的多个用户的一个或多个特征的一个或多个基准,即该目标用户的一个或多个焦点特征可以偏离基准预先确定的偏离阈值百分比或者阈值。基于目标用户的一个或多个标识的焦点特征,作为目标的内容和监督步骤140被执行,并且作为目标的内容最终针对与目标用户的标识的一个或多个焦点特征相关联的一个或多个任务或任务链、经由计算设备而被递送(步骤143)。如在本文中所使用的,作为目标的内容是指如下内容,该内容部被定制以使用户能够更容易地完成应用程序内的任务或任务链,并且因此,实现涉及这样的作为目标的内容的递送的作为目标的内容的递送。如上文中所讨论的,指导是一种类型的作为目标的内容。
为了基于目标用户的标识的一个或多个特征来标识与一个或多个任务或任务链相关联的作为目标的内容,模型构建步骤130还可以包括基于目标用户的评估的潜力来对与标识的一个或多个焦点特征相关联的一个或多个任务或任务链排名以用于在一个或多个任务或任务链的改进(步骤133)。例如,可以基于对在每个任务上的用户的表现的他们的潜在影响和用户的具体群集或者类别,来对作为目标的内容机会(与在目标用户的用户群集中的对等者的最佳/想要的表现的差异)排名,从而合适地将高级的指导技巧递送到高级玩家并且将初级指导技巧递送到初级玩家。例如,针对(精通包括刹车按键的位置的知识的竞赛游戏的基本按键操作)的新手玩家会被排名在指导机会以上以改进刹车表现或者很好地调整在竞赛游戏中的赛车技术参数(轮胎压力、暂停配置等)。如果竞赛的最后转弯的完成是用于赢得竞赛的策略的最关键部分,则用于高效完成竞赛的最后转弯的指导机会也会在任何指导机会之前被优先处理,以高效地完成竞赛的其他部分。
一旦适用于目标用户的作为目标的内容的集合(例如,指导)机会已经被标识,则该方法还可以创建或更新自定义触发的集合(步骤134),从而使得与目标用户的经标识的一个或多个焦点特征相关联的一个或多个任务被安排在链接的序列中,并且与可以为当/在作为目标的内容被递送时/处定义的时间范围和/或地理范围的自定义触发相关联。换句话说,自定义触发与可以由目标用户可观察和可行动的作为目标的内容提示相关联,并且该自定义触发被提供以在正确的地点和/或时间递送作为目标的内容。虽然作为目标的内容建议可以被离线地提供(例如,通过发送电子邮件),但是如果他们在当目标用户正在再次尝试任务(步骤141)时的正确的时间被提供并且目标用户能够马上将作为目标的内容建议实施,则该建议通常很有效。因此,在目标用户执行或者尝试时间范围和/或物理范围内的一个或多个任务(步骤141)之后,引起自定义触发(步骤142),并且经由计算设备(例如,通过在计算设备的显示器上显示)来递送作为目标的内容(例如,指导),该时间范围和/或物理范围触发在步骤134中被创建或者被更新的自定义触发。这样的自定义触发可以包括在游戏的虚拟世界或应用中的特定的时间和位置,并且对目标用户的活动或者其他用户的活动可以是响应的或者非响应的。
作为目标的内容的内容将被理解为包括关于为了完成给定目标而使用计算机应用的目标用户的任意种类的不平凡的指令、教导、线索、技巧、建议、推荐、引导、援助、方向、警告、指导和/或劝告。作为目标的内容的递送可以取决于实现。一些实施例可以使用文本、视觉、听觉和触觉刺激以取决于应用的性质来递送作为目标的内容。在其他实施例中,可以通过合并来自与域(即,浏览器的接口、网页的名称、在先的搜索查询)相关的概念的词汇而在自然语言中产生作为目标的内容建议。例如,递送作为目标的内容的视觉援助还可以是非文本的(诸如吸引目标用户的注意的简单的突出显示、下划线、方框或闪烁)。递送的时序可以被独立的实施。例如,在极快的事件的视频游戏中可以有时间敏感性元素,并且当作为目标的内容被触发(步骤142)时,则作为目标的内容可以马上被递送。然而,备选地,作为目标的内容可以利用预先确定时间延迟而在作为目标的内容被触发(步骤142)之后在被递送。可以通过被提供有在一个或多个计算机上被具现化的线索库的API线索引擎递来送作为目标的内容。
接着作为目标的内容的递送(步骤143),用户对作为目标的内容的反应由遥测系统记录并且被馈送给集中的数据库(步骤144)。之后,该方法通过前进到步骤131而被迭代地重复。取决于用户多么成功地实现作为目标的内容建议,系统将保持相同用户群集中的目标用户,或者将目标用户重新分类到另一用户群集中并且停止提供作为目标的内容建议(例如,因为用户已经“毕业(graduated)”到不同用户群集)或者尝试作为目标的用户可以在一个更好的位置中来执行的不同作为目标的内容建议。同时,目标用户的后作为目标的内容个体行为数据被供应到整体基准化数据库中(步骤111),以判定针对给定用户群集的某些建议的整体效果,并且因而判定在未来给定用户群集中的这些建议的使用的适合性。
由于计算机所实现的方法100的迭代性质,用户群集的定义、所获得的群体行为数据以及特征检测器的统计权重的集合可以随方法100的每个连续迭代而动态地变化,从而引起反馈环路。当方法100在作为目标的内容的递送之后被迭代地重复时,基于针对一个或多个基准的一个或多个焦点特征的表现中的变化,目标用户的个体行为数据被重新评估,作为目标的用户被重新分类,一个或多个焦点特征被重新标识,并且作为目标的内容被重新递送。例如,当所获得的群体行为数据被初始地解析时,系统可以初始地将多个用户聚集到仅两个用户群集中:新手用户群集和高级用户群集。然而,由于更多的群体行为数据被获取,并且在用户的特征之间的相似度的不同组被检测,多个用户可以被随后聚集到更多的群集中和/或被不同定义的群集中:例如新手用户群集、中级用户群集和高级用户群集。由于特征的不同顺序被关联到具有不同表现基准的不同任务链中,目标用户的焦点特征和其标识符可能随着方法100的连续迭代而变化。响应于在针对每个用户群集的每个作为目标的内容建议的有效性上的经聚集的统计,针对每个用户群集,有效作为目标的内容建议在持续迭代中获得青睐而被保留,而失效作为目标的内容建议可能后续将被抛弃。因此,经递送的作为目标的内容可能随着在经标识的焦点特征和用户群集中的变化而相应地演变。
参考图3,示出了根据本描述的实施例的用户群集的示例。在车辆竞赛游戏中,可能有“专业(pros)”201(一贯地跑圈快并且很少犯错误的人),“保守驾驶员”202(跑圈较慢但是通常不犯错误的驾驶员),“侵略性驾驶员”203(通常快但是倾向于犯错),以及“新手”204(既不快也不始终如一)。虽然“保守”和“侵略性”驾驶员可以算出相同的圈速,但是他们逐步发展到“专业”水平所需要作为目标的内容的种类将直觉地不同。此技术的一种实用的实施例可以并且通常将使用远远超过两个的简单特征来描述用户。前述将导致行为的和机会的按指数律地更复杂的潜在分布,以改进整体表现。
转向图4,示出了根据本发明的实施例的示例性计算机游戏,示例计算机实现的方法被应用到该计算机游戏中。特别地,在车辆竞赛仿真中的作为目标的内容建议的递送被在图4中描绘,在图4中物理范围对应于在经约束路径上的位置,任务或任务链被沿着该经约束路径也就是跑道来组织,并且时间范围与沿着经约束路径或跑道的一个或多个任务或任务链的时序相关联。群体行为数据基于权重的对应集合而被评估,并且多个用户基于在用户之间的一个或多个特征的相似度而被聚集到多个用户群集中(步骤112)。在这一示例中,特征可以包括这一度量作为在进入和退出之间的时间、刹车应用的长度、汽油应用的长度、方向的改变的数目以及来自最佳轨迹的平均距离(例如,这些所有都被基于来自与计算设备相关联的用户输入设备的用户输入而被最终确定)。之后针对每个特征检测器基于权重的对应集合来评估目标用户的个体行为数据(步骤122)。
一旦将目标用户基于评估分类到合适的用户群集中(步骤131),目标用户的一个或多个焦点特征就被标识。因为用户可以具有针对不同特征的不同的技能水平或表现水平,所以用户可以取决于焦点特征而属于不同用户群集。例如,与目标用户的最近邻居(对应于群体行为)以及平均上快于目标用户10%的用户相比较,针对跑道400上的目标用户在三个分段的经标识的焦点特征突出。在弯道1,经标识焦点特征为在用户群集中慢于目标用户的同生群集1.5秒的弯道速度。类似地,在弯道6,经标识焦点为慢于目标用户的同生群集7秒的弯道速度;在弯道3,经标识焦点为慢于目标用户同生群集2秒的弯道速度。之后,定制的触发被提供以在适当的位置:弯道1、弯道6和弯道3来递送作为目标的内容(步骤134)。因此,目标用户的一个或多个经标识的焦点特征与为地理范围的定制的触发相关联。然而,备选地,应当理解定制的触发可以为时间范围或者为物理范围和时间范围。
一旦在合适的位置引起定制的触发,则作为目标的内容基于目标用户的一个或多个经标识的焦点特征针对与目标用户的一个或多个经标识的焦点特征相关联的一个或多个任务而被递送(步骤143)。例如,针对弯道1的作为目标的内容建议401为在拐入之前保持在赛道的外侧;针对弯道6的作为目标的内容建议为应用刹车;并且针对弯道3的作为目标的内容建议402为延迟应用汽油。针对作为目标的内容的定制的触发还可以基于目标用户被分类到的用户群集而被调整。例如,针对具有快速反应的高级用户,用户可以而被指示以提示在比赛跑道上的桥上的刹车操作,同时新手用户可以被指引以提示在比赛跑道上的房子处的刹车操作。将领会到,定制的触发可以与由目标用户可观察的和可行动的作为目标的内容提示相关联。
在作为目标的内容的递送之后(步骤143),随后目标用户的后作为目标的内容个体行为数据基于每个特征检测器的权重的对应集合而被评估(步骤144)。如果被分类到高级用户群集中的用户未能成功地在某个弯道处执行,则系统可以重新将目标用户分类到中级用户群集或新手用户群集中,作为目标的内容建议在该中级用户群集或新手用户群集中被适合于较低反应速度。否则,在某个转弯处的成功的表现可以使用户前进到较高水平用户群集。
参考图5,示出了根据本描述的实施例的用户群集的另一示例。在第一人射手游戏300中,有包括全能选手的“乐天派”群集301,该全能选手倾向于没有许多事先考虑的进入活动中,从而使得他们成为在多玩家游戏中的简单的和可预测的目标。还有“好策略,不好的射击”群集302,其包括展示健全的规划和认知(定位/时序等),但是在近战中具有较慢的反应速度的玩家。此外,还可以有“精英玩家”群集303,其包括一贯地活得比其他玩家时间长并且武器多于其他玩家的玩家。作为目标的内容建议被适合于特定于每个用户群集的公共特性和作为目标的内容机会。
参见图6,根据本说明书的实施例,示出了应用于web浏览器的用户群集的另一示例。在某些实施例中,目标用户可以基于一个或多个特征的相似度而被划分到多个用户群集中的一个用户群集中,诸如目标用户是否已经启动浏览器的开发工具、该目标是否已将调试器或SDK安装在计算机上,或其他间接信号。执行上述任务的能力将高度建议目标用户为高级用户,以及目标用户将被适当地划分到高级用户群集中,该高级用户群集包括能够通过编写一些简单的脚本代码来定制浏览器操作的某些方面的用户。建议目标用户的高级能力的其他特征可以包括属于机器的策略控制的组。相反地,定制其他复杂设置的能力可能不一定建议目标用户为高级用户,但例如可以替代地指示目标用户是早期采用者。另一方面,重复访问几个站点并且具有少的或没有被安装的浏览器扩展的目标用户可以被适当地划分到随意用户群集或商业用户群集中。
参考图7,示出了根据本发明实施例的计算机实现的方法可以被应用在其中的示例性web浏览器的三种场景。具体地,示出了在对目标用户的个体行为数据的评估中的推断步骤,其中重复的行为模式与可辨别的用户意图相关联(步骤122)。推断步骤可以针对自动推断的任务为使用遥测作为输入、使用任何常见划分技术作为算法(例如,支持向量机、神经网络、决策树学习和受监督机器学习)并且使用已知任务列表作为输出的机器学习划分过程。在大多数实施例中,这一已知任务列表将取决于计算机应用的目的而被人工地管理,作为目标的内容被需要以用于该计算机应用(即,该应用的创建者正想要实现的)。在其它实施例中,特别是在高非结构化域中,完全自动化的任务创建和标识符逻辑将具有实际应用。
在web浏览器的示例中,目标用户的重复行为模式可以为web搜索,鼠标点击和键击。神经网络被训练,具有在个体行为数据和群体行为数据上的多个层,层中的每个层包括特征检测器(该特征包括例如web搜索、鼠标点击和键击)。Web搜索,鼠标点击和键击可以具有统计权重的对应集合。基于统计权重的这些集合评估个体行为数据和群体行为数据,系统关联高度相关的特征的序列,并将这些特征序列关联到任务链中。
在第一种场景中,用户行为数据可以指示用户在时间上针对相同关键字进行重复的web搜索,然后在同一搜索结果上进行点击。此重复行为模式被推断为具有可辨别的用户意图(访问喜欢的网站)的任务链。通过推断,该任务链可以被标识为目标用户的焦点特征,该目标用户的焦点特征显著地表现差于在该目标用户被划分到的用户群集中的多个用户的特征的一个或多个基准。在这种情况下,所使用的基准为经过的时间以及执行任务所需要的键击和点击的合计数。在目标用户的同生群集中的大多数用户可以简单地使用在web浏览器中的“添加到喜爱的事物”的功能,从而需要较少时间和鼠标点击以执行任务。例如,如果目标用户属于早期采用者或高级用户群集,则被递送的作为目标的内容可以通过显示自然语言文本或简单地通过突出显示相关图标来指示目标用户以点击“添加到喜爱的事物”图标。另一方面,如果目标用户属于随意用户群集或商业用户群集,则被递送的作为目标的内容可以指示目标用户如何针对所喜欢的网站来添加按钮到工具栏。因此,应当理解相同作为目标的内容可以被递送给多于一个用户群集。
在第二种场景中,用户行为数据可以指示用户不改变任何东西(指示未能完成任务)的继续打开和关闭设置,并且此后不久,打开一个不同的浏览器或执行一系列迂回的步骤以达到预期目标(例如,将字体大小重置为默认)。该重复行为模式被推断为具有可辨别的用户意图的任务链(将字体大小重置为默认)。通过推断,该任务链可以被标识为目标用户的焦点特征,该目标用户的焦点特征显著地表现差于在该目标用户被分类的用户群集中的多个用户的特征的一个或多个基准。在这种情况下,所使用的基准为经过的时间以及执行任务所需的键击和点击的合计数。在目标用户的同生群集中的大多数用户可以简单地找到想要的设置并立即将快捷方式(或者场景可以的任何情况)配置到相同页面,从而需要较少时间和鼠标点击以执行任务。如果目标用户属于早期采用者用户群集、随意用户群集或商业用户群集,则被递送的作为目标的内容可以指示目标用户将可见的“缩放”按钮添加到工具条,并且通知用户按钮可以通过右击和选择删除而被移除。另一方面,如果目标用户属于高级用户群集,则被递送的作为目标的内容可以指令用户以打开包含针对何时应用不同的缩放水平的样本手动编辑规则(例如,仅当屏幕大于1900x1200像素,才增加字体大小)的设置文件。
将领会到,在第二种场景中,针对早期采用者而被递送的作为目标的内容可以随着计算机实现的方法的连续迭代来演进。例如,如果大多数早期采用者用户以实际上在工具栏上删除“缩放按钮”而告终,则对这些早期采用者用户的特定的新建议可以最终由系统创建。例如,作为目标的内容系统可以取而代之地递送“你可以点击控制-0以重置字体大小”的建议。
在第三种场景中,用户行为数据可以指示目标用户正在浏览器窗口上使用“Alt-打印屏幕(print screen)按键组合,然后是将屏幕截图粘贴到图片编辑应用中。这一重复行为模式被推断为具有可辨别用户意图(保存浏览器屏幕的快照以用于将来参考)的任务。通过推断,这一任务链可以被标识为目标用户的焦点特征,该焦点特征显著地表现差于在该目标用户被分类到的用户群集中的多个用户的特征的一个或多个基准。在这种情况中,所使用的基准为流逝的时间、所打开的应用的数目以及执行任务所需的键击和点击的总数。在目标用户的同生群中的大多数用户可以简单地使用“另存为PDF”功能或者浏览器扩展。如果目标用户属于随意用户群集或早期采用者用户群集,则被递送的作为目标的内容可以指令目标用户以安装浏览器扩展以用于网页到图片文件中的简单转换。另一方面,如果目标用户属于商业用户群集或高级用户群集,则被递送的作为目标的内容可以指令目标用户以使用“保存为PDF”功能,并且建议请求网络管理员以批准浏览器扩展的安装。图8示意性地示出了可以执行上述方法和过程中的一个或多个的计算系统900的非限制性实施例。以简化形式示出了计算系统900。计算系统900可以体现图2的神经网络12中的一个或多个神经网络。计算系统900可以采取一个或多个个人计算机、服务器计算机、平板计算机、家庭娱乐计算机、网络计算设备、游戏设备、移动计算设备、移动通信设备(例如,智能电话)和/或其它计算设备、可佩戴计算设备(诸如智能手表和头戴式增强现实设备、计算机化医疗设备)的形式。
计算系统900包括逻辑处理器902、易失性存储器903和非易失性存储设备904。计算系统900可以可选地包括显示子系统906、输入子系统908、通信子系统1000和/或图10中未示出的其他组件。
逻辑处理器902包括被配置为执行指令的一个或多个物理设备。例如,逻辑处理器可以被配置为执行作为一个或多个应用、程序、例程、库、对象、组件、数据结构或其他逻辑构造的一部分的指令。这样的指令可以被实现以执行任务、实现数据类型、转换一个或多个组件的状态、实现技术效果或者以其他方式达到期望的结果。
逻辑处理器可以包括被配置为执行软件指令的一个或多个物理处理器(硬件)。附加地或备选地,逻辑处理器可以包括被配置为执行硬件实现的逻辑或固件指令的一个或多个硬件逻辑电路或固件设备。逻辑处理器902的处理器可以是单核或多核的,并且在其上被执行的指令可以被配置用于顺序、并行和/或分布式处理。逻辑处理器的个体组件可选地可以分布在两个或更多个分离的设备中,这些设备可以被远程定位和/或被配置以用于协同处理。逻辑处理器的各方面可以由以云计算配置而被配置的、远程可访问的联网计算设备虚拟化和执行。在这种情况中,将理解这些虚拟化方面在各种不同机器的不同物理逻辑处理器上被运行。
非易失性存储设备904包括被配置为保持由逻辑处理器可执行以实现在本文中所描述的方法和过程的指令的一个或多个物理设备。当这样的方法和过程被实现时,可以变换非易失性存储设备904的状态—例如,以保持不同的数据。
非易失性存储设备904可以包括可移除和/或内置的物理设备。非易失性存储设备904可以包括光学存储器(例如,CD、DVD、HD-DVD、蓝光盘等)、半导体存储器(例如,ROM、EPROM、EEPROM、FLASH存储器等)和/或磁存储器(例如,硬盘驱动、软盘驱动、磁带驱动、MRAM等)或其他大容量存储设备技术。非易失性存储设备904可以包括非易失性、动态、静态、读/写、只读、顺序访问、位置可寻址、文件可寻址和/或内容可寻址设备。应当领会到,非易失性存储设备904被配置为即使在到非易失性存储设备904的电源被切断时也保持指令。
易失性存储器903可以包括物理设备,物理设备包括随机存取存储器。易失性存储器903通常由逻辑处理器902用来在软件指令的处理期间暂时地存储信息。蒋领会到,当到易失性存储器903的电源被切断时,易失性存储器903通常不继续存储指令。
逻辑处理器902、易失性存储器903和非易失性存储设备904的各方面可以一起被集成到一个或多个硬件逻辑组件中。例如,这样的硬件逻辑组件可以包括现场可编程门阵列(FPGA)、程序和专用集成电路(PASIC/ASIC)、程序和应用专用标准产品(PSSP/ASSP)、片上系统(SOC)和复杂可编程逻辑器件(CPLD)。
术语“模块”、“程序”和“引擎”可以被用于描述通常在软件中由处理器实现以使用易失性存储器的部分来执行特定功能的计算系统900的一方面,易失性存储器的部分的功能涉及具体地配置处理器以执行该功能的变化的处理。因此,模块、程序或引擎可以经由逻辑处理器902使用易失性存储器903的部分以执行由非易失性存储设备904保持的指令而被实例化。可以理解,可以从相同的应用、服务、代码块、对象、库、例程、API、函数等来实例化不同的模块、程序和/或引擎。同样,可以由不同的应用、服务、代码块、对象、例程、API、函数等实例化相同的模块、程序和/或引擎。术语“模块”、“程序”和“引擎”可以包括个体或成组的可执行文件、数据文件、库、驱动程序、脚本、数据库记录等。
当被包括时,显示子系统906可以被用于呈现由非易失性存储设备904保持的数据的视觉表示。视觉表示可以采用图形用户界面(GUI)的形式。如在本文中所描述的方法和过程改变由非易失性存储设备保持的数据,并且因此变换非易失性存储设备的状态,显示子系统906的状态可以同样被转换以在视觉上表示在底层数据中的变化。显示子系统906可以包括利用几乎任何类型的技术的一个或多个显示设备。这样的显示设备可以与共享封装中的逻辑处理器902、易失性存储器903和/或非易失性存储设备904被组合,或者这样的显示设备可以是外部显示设备。
当被包括时,输入子系统908可以包括一个或多个用户输入设备(诸如,键盘、鼠标、触摸屏或游戏控制器)或与其对接。在一些实施例中,输入子系统可以包括选择的自然用户输入(NUI)组件或与其对接。这样的组件可以是集成的或外围的,并且输入动作的转换和/或处理可以在板上或板外被处理。示例NUI组件可以包括用于语音和/或声音识别的麦克风;用于机器视觉和/或手势识别的红外、彩色、立体和/或深度相机;用于运动检测和/或意图识别的头部跟踪器、眼睛跟踪器、加速度计和/或陀螺仪;以及用于评估脑部活动的电场感测组件;和/或任何其他合适的传感器。
当被包括时,通信子系统1000可以被配置为将在本文中描述的各种计算设备互相通信地耦合,并且与其他设备通信地耦合。通信子系统1000可以包括与一个或多个不同通信协议兼容的有线和/或无线通信设备。作为非限制性示例,通信子系统可以被配置以用于经由无线电话网络或者有线或无线局域网或广域网的通信。在一些实施例中,通信子系统可以允许计算系统900经由诸如因特网的网络向其他设备发送消息和/或从其他设备接收消息。
在一个特定实施例中,提供了一种计算设备,该计算设备包括处理器和非易失存储器,该非易失存储器存储指令,这些指令当由该处理器执行时,使得该处理器:从目标用户与至少一个计算设备上的应用程序的交互获得个体行为数据;从多个用户与在其他计算设备上的该应用程序的其他实例的交互获得群体行为数据,执行机器学习算法装置以用于基于该群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准;基于用户之间的一个或多个特征的相似度来将该多个用户聚集到多个用户群集中;基于该用户群集中的用户和该目标用户之间的一个或多个特征的相似度,来将该目标用户分类到该多个用户群集中的一个用户群集中;从该个体行为数据和该群体行为数据标识该目标用户的一个或多个焦点特征,该一个或多个焦点特征表现差于该目标用户被分类到的该用户群集中的该多个用户的该一个或多个特征的该表现基准中的一个或多个表现基准;基于该目标用户的标识的该一个或多个特征,来标识与该一个或多个任务或任务链相关联的作为目标的内容;以及经由该计算设备来递送该作为目标的内容。
如上所述,计算机游戏和web浏览器应用中的作为目标的内容建议被定制到针对成功执行的个体玩家的特征和度量。换句话说,成功的作为目标的内容建议导致游戏结果和web浏览器操作中的在统计上显著的改进。作为目标的内容系统连续地更新用户群集的它的内部模型,以及提供的建议的功效,利用给定的用户群集中的不同用户来实时测试新建议,以便查看哪种方式与该特定用户群集更一致。将领会到,虽然与游戏相关的和与web浏览器相关的示例在此讲述中被用于说明性的目的,但是本实施例不局限于游戏应用和web浏览器应用。相反,它们可以潜在地被应用于需要目标用户在使用计算机应用程序的同时进行非琐碎的一系列步骤任何任务以便实现给定的目标,包括语言学习模块、驾驶员教育和海量开放在线课程。
本公开内容还包括下述方面。根据本公开内容的一个方面,公开了一种由一个或多个计算设备执行的方法,该方法包括:从目标用户与至少一个计算设备上的应用程序的交互获得个体行为数据;从多个用户与其他计算设备上的该应用程序的其他实例的交互获得群体行为数据;基于该群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准;基于用户之间的一个或多个特征的相似度来将该多个用户聚集到多个用户群集中;基于该用户群集中的用户和该目标用户之间的一个或多个特征的相似度,来将该目标用户分类到该多个用户群集中的一个用户群集中;从该个体行为数据和该群体行为数据中标识该目标用户的一个或多个焦点特征,该一个或多个焦点特征表现差于该目标用户被分类到的该用户群集中的该多个用户的该一个或多个特征的该表现基准中的一个或多个表现基准;基于该目标用户的标识的该一个或多个特征,来标识与该一个或多个任务或任务链相关联的作为目标的内容;以及经由该计算设备来递送该作为目标的内容。在这一方面中,确定该一个或多个表现基准可以至少部分通过执行机器学习算法而被完成。在这一方面中,执行该机器学习算法可以包括训练神经网络,该神经网络在该个体行为数据和该群体行为数据上具有多个层,该层中的至少一个层包括检测一个或多个特征的一个或多个特征检测器,该特征检测器中的每个特征检测器具有权重的对应集合,每个特征与该一个或多个任务或任务链和该一个或多个表现基准相关联;以及基于权重的该对应集合来评估该个体行为数据和该群体行为数据。在这一方面中,由该一个或多个特征检测器检测到的该一个或多个特征可以由该目标用户和/或该神经网络预先确定。在这一方面中,确定该一个或多个表现基准可以至少部分通过执行机器学习算法而被完成。在这一方面中,该机器学习算法可以利用从包括支持向量机、决策树学习和受监督机器学习的组选择的机器学习技术。在这一方面中,该方法可以跟随作为目标的内容的该递送而被迭代地重复,从而使得基于一个或多个焦点特征的表现针对该一个或多个表现基准的改变,该目标用户的该个体行为数据被重新评估,该目标用户被重新分类,一个或多个焦点特征被重新标识,并且作为目标的内容被重新递送。在这一方面中,针对由该一个或多个特征检测器检测到的该特征的权重的该对应集合可以利用该方法的每个迭代重复而被调整。在这一方面中,与该目标用户的标识的该一个或多个焦点特征相关联的该一个或多个任务可以被布置在链接的序列中并且与定制的触发相关联。在这一方面中,定制的触发可以与由该目标用户可观察和可行动的作为目标的内容提示相关联。在这一方面中,该定制的触发可以基于该目标用户被分类到的该用户群集而被调整。在这一方面中,该定制的触发可以为时间范围和/或地理范围。在这一方面中,该地理范围可以对应于约束路径上的位置,该任务或任务链沿着该经约束路径而被组织,并且该时间范围与该一个或多个任务或任务链沿着该约束路径的时序相关联。在这一方面中,该作为目标的内容由线索引擎递送,该线索引擎经由应用编程接口可访问并且被提供有在该一个或多个计算机上被实例化的线索库。在这一方面中,该作为目标的内容可以经由文本、听觉、视觉和/或触觉媒体而被递送。在这一方面中,该作为目标的内容的递送包括:基于该目标用户针对该一个或多个任务或任务链上的改进的评估的潜力,来对与经标识的该一个或多个焦点特征相关联的该一个或多个任务或任务链排名。
根据本公开内容的另一方面,公开了一种计算设备,该计算设备包括处理器和非易失存储器,该非易失存储器存储指令,这些指令当由该处理器执行时,使得该处理器:从目标用户与至少一个计算设备上的应用程序的交互获得个体行为数据;从多个用户与在其他计算设备上的该应用程序的其他实例的交互获得群体行为数据;基于该群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准;基于用户之间的一个或多个特征的相似度来将该多个用户聚集到多个用户群集中;基于该用户群集中的用户和该目标用户之间的一个或多个特征的相似度,来将该目标用户分类到该多个用户群集中的一个用户群集中;从该个体行为数据和该群体行为数据标识该目标用户的一个或多个焦点特征,该一个或多个焦点特征表现差于该目标用户被分类到的该用户群集中的该多个用户的该一个或多个特征的该表现基准中的一个或多个表现基准;以及基于该目标用户的经标识的该一个或多个特征,来标识与该一个或多个任务或任务链相关联的作为目标的内容;经由该计算设备来递送该作为目标的内容。在此方面,该处理器可以被配置为至少部分通过执行机器学习算法来确定该一个或多个表现基准,该处理器根据该机器学习算法还被配置为:训练神经网络,该神经网络在该个体行为数据和该群体行为数据上具有多个层,该层中的至少一个层包括检测一个或多个特征的一个或多个特征检测器,该特征检测器中的每个特征检测器具有权重的对应集合,每个特征与该一个或多个任务或任务链和该一个或多个表现基准相关联;以及基于权重的该对应集合来评估该个体行为数据和该群体行为数据。在这一方面中,由该一个或多个特征检测器检测到的一个或多个特征可以由该目标用户和/或该神经网络预先确定。在这一方面中,该方法可以跟随作为目标的内容的该递送而被迭代地重复,从而使得基于一个或多个焦点特征的表现针对该一个或多个表现基准的改变,该目标用户的该个体行为数据被重新评估,该目标用户被重新分类,一个或多个焦点特征被重新标识,并且作为目标的内容被重新递送。在这一方面中,针对由该一个或多个特征检测器检测到的该特征的权重的该对应集合利用该方法的每个迭代重复而被调整。在这一方面中,与该目标用户的标识的该一个或多个焦点特征相关联的该一个或多个任务被布置在链接的序列中并且与定制的触发相关联。在此方面,该定制的触发基于该目标用户被分类到的该用户群集而被调整。在这一方面中,该定制的触发为时间范围和/或地理范围。上述示例中的任何或者所有示例可以在各种实现中以任何合适的方式而被合并。
经理解,在本文中所描述的配置和/或方式本质上是示例性的,并且这些具体实施例或示例不应当被视为具有限制意义,因为很多变体是可能的。本文中描述的具体例程或方法可以表示任何数目的处理策略中的一个或多个处理策略。这样,所示出和/或描述的各种动作可以按照所示和/或描述的顺序而被执行,以其他顺序而被执行,被并行执行或者省略。同样,可以改变上述过程的顺序。
本公开内容的主题包括本文中公开的各种过程、系统和配置以及其他特征、功能、动作和/或性质以及其任何和所有等同物的所有新颖和非显而易见的组合和子组合。
Claims (15)
1.一种由一个或多个计算设备执行的方法,所述方法包括:
从目标用户与至少一个计算设备上的应用程序的交互获得个体行为数据;
从多个用户与其他计算设备上的所述应用程序的其他实例的交互获得群体行为数据;
基于所述群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准;
基于用户之间的一个或多个特征的相似度来将所述多个用户聚集到多个用户群集中;
基于所述用户群集中的用户和所述目标用户之间的一个或多个特征的相似度来将所述目标用户分类到所述多个用户群集中的一个用户群集中;
从所述个体行为数据和所述群体行为数据标识所述目标用户的一个或多个焦点特征,所述一个或多个焦点特征表现差于所述目标用户被分类到的所述用户群集中的所述多个用户的所述一个或多个特征的所述表现基准中的一个或多个表现基准;
基于所述目标用户的标识的所述一个或多个特征来标识与所述一个或多个任务或任务链相关联的作为目标的内容;以及
经由所述计算设备来递送所述作为目标的内容。
2.根据权利要求1所述的方法,
其中确定所述一个或多个表现基准至少部分通过执行机器学习算法而被完成;
其中执行所述机器学习算法包括:
训练神经网络,所述神经网络在所述个体行为数据和所述群体行为数据上具有多个层,所述层中的至少一个层包括检测一个或多个特征的一个或多个特征检测器,所述特征检测器中的每个特征检测器具有权重的对应集合,每个特征与所述一个或多个任务或任务链和所述一个或多个表现基准相关联;以及
基于权重的所述对应集合来评估所述个体行为数据和所述群体行为数据;并且
其中由所述一个或多个特征检测器检测到的所述一个或多个特征由所述目标用户和/或所述神经网络预先确定。
3.根据权利要求1所述的方法,
其中确定所述一个或多个表现基准至少部分通过执行机器学习算法而被完成;
其中所述机器学习算法利用从包括支持向量机、决策树学习和受监督机器学习的组选择的机器学习技术。
4.根据权利要求2所述的方法,其中所述方法跟随作为目标的内容的所述递送而被迭代地重复,从而使得基于一个或多个焦点特征的表现针对所述一个或多个表现基准的改变,所述目标用户的所述个体行为数据被重新评估,所述目标用户被重新分类,一个或多个焦点特征被重新标识并且作为目标的内容被重新递送。
5.根据权利要求4所述的方法,其中针对由所述一个或多个特征检测器检测到的所述特征的权重的所述对应集合利用所述方法的每个迭代重复而被调整。
6.根据权利要求1所述的方法,其中与所述目标用户的标识的所述一个或多个焦点特征相关联的所述一个或多个任务被布置在链接的序列中并且与定制的触发相关联。
7.根据权利要求6所述的方法,其中所述定制的触发与由所述目标用户可观察和可行动的作为目标的内容提示相关联。
8.根据权利要求6所述的方法,其中所述定制的触发基于所述目标用户被分类到的所述用户群集而被调整。
9.根据权利要求6所述的方法,其中所述定制的触发为时间范围和/或地理范围。
10.根据权利要求9所述的方法,其中所述地范围对应于约束路径上的位置,所述任务或任务链沿着所述约束路径而被组织,并且所述时间范围与所述一个或多个任务或任务链沿着所述约束路径的时序相关联。
11.根据权利要求1所述的方法,其中所述作为目标的内容由线索引擎递送,所述线索引擎经由应用编程接口可访问并且被提供有在所述一个或多个计算机上被实例化的线索库。
12.根据权利要求1所述的方法,其中所述作为目标的内容经由文本、听觉、视觉和/或触觉媒体而被递送。
13.根据权利要求1所述的方法,其中所述作为目标的内容的所述递送包括基于所述目标用户针对所述一个或多个任务或任务链上的改进的评估的潜力来对与标识的所述一个或多个焦点特征相关联的所述一个或多个任务或任务链排名。
14.一种计算设备,包括:
处理器和非易失存储器,所述非易失存储器存储指令,所述指令在由所述处理器执行时,使得所述处理器:
从目标用户与至少一个计算设备上的应用程序的交互获得个体行为数据;
从多个用户与其他计算设备上的所述应用程序的其他实例的交互获得群体行为数据;
基于所述群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准;
基于用户之间的一个或多个特征的相似度来将所述多个用户聚集到多个用户群集中;
基于所述用户群集中的用户和所述目标用户之间的一个或多个特征的相似度来将所述目标用户分类到所述多个用户群集中的一个用户群集中;
从所述个体行为数据和所述群体行为数据标识所述目标用户的一个或多个焦点特征,所述一个或多个焦点特征表现差于所述目标用户被分类到的所述用户群集中的所述多个用户的所述一个或多个特征的所述表现基准中的一个或多个表现基准;以及
基于所述目标用户的标识的所述一个或多个特征来标识与所述一个或多个任务或任务链相关联的作为目标的内容;以及
经由所述计算设备来递送所述作为目标的内容。
15.根据权利要求14所述的设备,其中所述处理器被配置为至少部分通过执行机器学习算法来确定所述一个或多个表现基准,所述处理器根据所述机器学习算法还被配置为:
训练神经网络,所述神经网络在所述个体行为数据和所述群体行为数据上具有多个层,所述层中的至少一个层包括检测一个或多个特征的一个或多个特征检测器,所述特征检测器中的每个特征检测器具有权重的对应集合,每个特征与所述一个或多个任务或任务链和所述一个或多个表现基准相关联;以及
基于权重的所述对应集合来评估所述个体行为数据和所述群体行为数据;并且
其中由所述一个或多个特征检测器检测到的一个或多个特征由所述目标用户和/或所述神经网络预先确定。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/195,944 US20170372225A1 (en) | 2016-06-28 | 2016-06-28 | Targeting content to underperforming users in clusters |
US15/195,944 | 2016-06-28 | ||
PCT/US2017/038633 WO2018005205A1 (en) | 2016-06-28 | 2017-06-22 | Targeting content to underperforming users in clusters |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109416771A true CN109416771A (zh) | 2019-03-01 |
Family
ID=59270156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780040952.8A Withdrawn CN109416771A (zh) | 2016-06-28 | 2017-06-22 | 使内容以群集中表现不好的用户为目标 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20170372225A1 (zh) |
EP (1) | EP3475891A1 (zh) |
CN (1) | CN109416771A (zh) |
WO (1) | WO2018005205A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110667543A (zh) * | 2019-10-28 | 2020-01-10 | 吉林大学 | 一种用于驾驶习性分类的制动踏板感觉模拟装置及方法 |
US20220147879A1 (en) * | 2018-09-26 | 2022-05-12 | Intuit Inc. | System and method for labeling machine learning inputs |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018085778A1 (en) * | 2016-11-04 | 2018-05-11 | Google Llc | Unsupervised detection of intermediate reinforcement learning goals |
US20180211270A1 (en) * | 2017-01-25 | 2018-07-26 | Business Objects Software Ltd. | Machine-trained adaptive content targeting |
US10817542B2 (en) | 2018-02-28 | 2020-10-27 | Acronis International Gmbh | User clustering based on metadata analysis |
US10887655B2 (en) * | 2018-06-27 | 2021-01-05 | Microsoft Technology Licensing, Llc | Cluster-based collaborative filtering |
CN110858313B (zh) * | 2018-08-24 | 2023-01-31 | 国信优易数据股份有限公司 | 一种人群分类方法以及人群分类系统 |
CR20210138A (es) * | 2018-09-14 | 2021-03-24 | Federacion Nac De Cafeteros De Colombia | Dispositivo horizontal para lavar café con mucílago degradado |
RU2743898C1 (ru) | 2018-11-16 | 2021-03-01 | Общество С Ограниченной Ответственностью "Яндекс" | Способ выполнения задач |
RU2744032C2 (ru) | 2019-04-15 | 2021-03-02 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для определения результата выполнения задачи в краудсорсинговой среде |
RU2744038C2 (ru) | 2019-05-27 | 2021-03-02 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для определения результата для задачи, выполняемой в краудсорсинговой среде |
RU2019128272A (ru) | 2019-09-09 | 2021-03-09 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для определения производительности пользователя в компьютерной краудсорсинговой среде |
RU2019135532A (ru) | 2019-11-05 | 2021-05-05 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для выбора метки из множества меток для задачи в краудсорсинговой среде |
CN111831681B (zh) * | 2020-01-22 | 2022-03-25 | 浙江连信科技有限公司 | 基于智能终端的人员甄别方法及装置 |
RU2020107002A (ru) | 2020-02-14 | 2021-08-16 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система приема метки для цифровой задачи, исполняемой в краудсорсинговой среде |
US20210283505A1 (en) * | 2020-03-10 | 2021-09-16 | Electronic Arts Inc. | Video Game Content Provision System and Method |
CN111738304A (zh) * | 2020-05-28 | 2020-10-02 | 思派健康产业投资有限公司 | 一种高维特征空间中基于聚类算法的就诊人群分组方法 |
US11176755B1 (en) | 2020-08-31 | 2021-11-16 | Facebook Technologies, Llc | Artificial reality augments and surfaces |
US11227445B1 (en) | 2020-08-31 | 2022-01-18 | Facebook Technologies, Llc | Artificial reality augments and surfaces |
US11113893B1 (en) | 2020-11-17 | 2021-09-07 | Facebook Technologies, Llc | Artificial reality environment with glints displayed by an extra reality device |
CN112465565B (zh) * | 2020-12-11 | 2023-09-26 | 加和(北京)信息科技有限公司 | 一种基于机器学习的用户画像预测的方法及装置 |
US11409405B1 (en) | 2020-12-22 | 2022-08-09 | Facebook Technologies, Llc | Augment orchestration in an artificial reality environment |
US11762952B2 (en) * | 2021-06-28 | 2023-09-19 | Meta Platforms Technologies, Llc | Artificial reality application lifecycle |
US12008717B2 (en) | 2021-07-07 | 2024-06-11 | Meta Platforms Technologies, Llc | Artificial reality environment control through an artificial reality environment schema |
US11798247B2 (en) | 2021-10-27 | 2023-10-24 | Meta Platforms Technologies, Llc | Virtual object structures and interrelationships |
US11748944B2 (en) | 2021-10-27 | 2023-09-05 | Meta Platforms Technologies, Llc | Virtual object structures and interrelationships |
US11947862B1 (en) | 2022-12-30 | 2024-04-02 | Meta Platforms Technologies, Llc | Streaming native application content to artificial reality devices |
CN117933869B (zh) * | 2024-03-21 | 2024-06-21 | 中国科学技术大学 | 一种基于机器学习的考虑司机异质性的路径规划方法 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US102769A (en) * | 1870-05-10 | Improved sofa-bedstead | ||
US6405159B2 (en) * | 1998-06-03 | 2002-06-11 | Sbc Technology Resources, Inc. | Method for categorizing, describing and modeling types of system users |
US7080057B2 (en) * | 2000-08-03 | 2006-07-18 | Unicru, Inc. | Electronic employee selection systems and methods |
US8707185B2 (en) * | 2000-10-10 | 2014-04-22 | Addnclick, Inc. | Dynamic information management system and method for content delivery and sharing in content-, metadata- and viewer-based, live social networking among users concurrently engaged in the same and/or similar content |
US20040088177A1 (en) * | 2002-11-04 | 2004-05-06 | Electronic Data Systems Corporation | Employee performance management method and system |
US7925549B2 (en) * | 2004-09-17 | 2011-04-12 | Accenture Global Services Limited | Personalized marketing architecture |
US7613665B2 (en) * | 2005-06-24 | 2009-11-03 | Halliburton Energy Services, Inc. | Ensembles of neural networks with different input sets |
US8195598B2 (en) * | 2007-11-16 | 2012-06-05 | Agilence, Inc. | Method of and system for hierarchical human/crowd behavior detection |
CA2646117A1 (en) * | 2008-12-02 | 2010-06-02 | Oculus Info Inc. | System and method for visualizing connected temporal and spatial information as an integrated visual representation on a user interface |
US20100223212A1 (en) * | 2009-02-27 | 2010-09-02 | Microsoft Corporation | Task-related electronic coaching |
US9235806B2 (en) * | 2010-06-22 | 2016-01-12 | Primal Fusion Inc. | Methods and devices for customizing knowledge representation systems |
US20130085886A1 (en) * | 2011-09-29 | 2013-04-04 | Symantec Corporation | Method and system for automatic application recommendation |
US8930339B2 (en) * | 2012-01-03 | 2015-01-06 | Microsoft Corporation | Search engine performance evaluation using a task-based assessment metric |
US20140115096A1 (en) * | 2012-10-23 | 2014-04-24 | Microsoft Corporation | Recommending content based on content access tracking |
US9111219B1 (en) * | 2013-02-13 | 2015-08-18 | Amazon Technologies, Inc. | Performance based recommendations |
AU2014324893B2 (en) * | 2013-09-26 | 2020-05-14 | William Knight Foster | Providing targeted content based on a user's values |
US10013344B2 (en) * | 2014-01-14 | 2018-07-03 | Avago Technologies General Ip (Singapore) Pte. Ltd. | Enhanced SSD caching |
US10321870B2 (en) * | 2014-05-01 | 2019-06-18 | Ramot At Tel-Aviv University Ltd. | Method and system for behavioral monitoring |
US9396483B2 (en) * | 2014-08-28 | 2016-07-19 | Jehan Hamedi | Systems and methods for determining recommended aspects of future content, actions, or behavior |
US10445152B1 (en) * | 2014-12-19 | 2019-10-15 | Experian Information Solutions, Inc. | Systems and methods for dynamic report generation based on automatic modeling of complex data structures |
US10068186B2 (en) * | 2015-03-20 | 2018-09-04 | Sap Se | Model vector generation for machine learning algorithms |
US11074537B2 (en) * | 2015-12-29 | 2021-07-27 | Workfusion, Inc. | Candidate answer fraud for worker assessment |
-
2016
- 2016-06-28 US US15/195,944 patent/US20170372225A1/en not_active Abandoned
-
2017
- 2017-06-22 WO PCT/US2017/038633 patent/WO2018005205A1/en unknown
- 2017-06-22 EP EP17734928.9A patent/EP3475891A1/en not_active Ceased
- 2017-06-22 CN CN201780040952.8A patent/CN109416771A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220147879A1 (en) * | 2018-09-26 | 2022-05-12 | Intuit Inc. | System and method for labeling machine learning inputs |
US11893461B2 (en) * | 2018-09-26 | 2024-02-06 | Intuit Inc. | System and method for labeling machine learning inputs |
CN110667543A (zh) * | 2019-10-28 | 2020-01-10 | 吉林大学 | 一种用于驾驶习性分类的制动踏板感觉模拟装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
US20170372225A1 (en) | 2017-12-28 |
WO2018005205A1 (en) | 2018-01-04 |
EP3475891A1 (en) | 2019-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109416771A (zh) | 使内容以群集中表现不好的用户为目标 | |
JP6995249B2 (ja) | クラウドゲーミングネットワークを使用した人工知能(ai)モデルの訓練 | |
Risi et al. | From chess and atari to starcraft and beyond: How game ai is driving the world of ai | |
US9908052B2 (en) | Creating dynamic game activities for games | |
Rohlfshagen et al. | Pac-man conquers academia: Two decades of research using a classic arcade game | |
Yannakakis et al. | Modeling players | |
Roohi et al. | Review of intrinsic motivation in simulation-based game testing | |
KR102549681B1 (ko) | 게임내 자원 서페이싱 플랫폼 | |
CN116209506A (zh) | 对游戏活动分类以识别滥用行为 | |
Brisson et al. | Artificial intelligence and personalization opportunities for serious games | |
US20220309364A1 (en) | Human-like non-player character behavior with reinforcement learning | |
Weitkamp et al. | Visual rationalizations in deep reinforcement learning for atari games | |
WO2015153878A1 (en) | Modeling social identity in digital media with dynamic group membership | |
Nacke et al. | LAIF: A logging and interaction framework for gaze-based interfaces in virtual entertainment environments | |
Stahlke et al. | Usertesting without the user: Opportunities and challenges of an ai-driven approach in games user research | |
Rezvani et al. | Gamers' Behaviour and Communication Analysis in Massively Multiplayer Online Games: A Survey | |
Milani et al. | Navigates like me: Understanding how people evaluate human-like AI in video games | |
US11458397B1 (en) | Automated real-time engagement in an interactive environment | |
Melo et al. | Detecting long-range cause-effect relationships in game provenance graphs with graph-based representation learning | |
CN116943220A (zh) | 一种游戏人工智能控制方法、装置、设备及存储介质 | |
KR102108150B1 (ko) | 양육대상객체 교육 및 관리 컨텐츠 제공 방법, 장치 및 컴퓨터-판독가능기록매체 | |
Burelli | Interactive virtual cinematography | |
Van Otterlo | The Logic of Adaptive Behavior-Knowledge Representation and Algorithms for the Markov Decision Process Framework in First-Order Domains | |
Løvlid et al. | Data-driven behavior modeling for computer generated forces–a literature survey | |
Habibi et al. | Modeling player personality factors from in-game behavior and affective expression |
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: 20190301 |