CN109416820A - 对用户满意度进行自动确定和响应 - Google Patents

Abstract

一个实施例提供了一种方法，所述方法包括：从用户的一个或多个设备接收用户数据；基于学习的统计模型来确定用户对健康计划的满意度水平；以及基于满意度水平选择性地向不同用户发送通信。

Description

对用户满意度进行自动确定和响应

技术领域

一个或多个实施例总体涉及活动和通信监控和分析，并且具体地，涉及对用户满意度进行自动确定和响应。

背景技术

计划通常是概述个人应该执行/参与以改变他/她的状态的行动/活动集合的程序。例如，健康计划是旨在改善或维持个人的身体健康的计划(例如，实现期望的健身或健康目标的计划)。

发明内容

技术问题

需要用于以下各项的系统和方法：确定个人对其所参与的计划的满意度；以及及时通知该计划的管理者和/或另一第三方成员进行及时反应，从而确保计划的有效性。

附图说明

图1A示出了一个或多个实施例中的用于实现满意度确定系统的示例计算框架；

图1B示出了一个或多个实施例中的用于实现满意度确定系统的另一示例计算框架；

图2A示出了一个或多个实施例中的满意度确定系统中的在训练阶段中使用的一个或多个示例组件；

图2B示出了一个或多个实施例中的满意度确定系统中的在确定阶段中使用的一个或多个示例组件；

图3示出了一个或多个实施例中的由满意度确定系统收集的不同类型的数据的示例；

图4A示出了一个或多个实施例中的在智能电话上显示的示例软件用户界面；

图4B示出了一个或多个实施例中的在智能电话上显示的另一示例软件用户界面；

图4C示出了一个或多个实施例中的在智能手表上显示的又一示例软件用户界面；

图5示出了一个或多个实施例中的在训练阶段期间由满意度确定系统执行的一个或多个示例处理；

图6示出了一个或多个实施例中的在确定阶段期间由满意度确定系统执行的一个或多个示例处理；

图7详细示出了一个或多个实施例中的示例警报引擎；

图8示出了一个或多个实施例中的提供警报的示例软件用户界面；

图9详细示出了一个或多个实施例中的示例个性化校正推荐引擎；

图10示出了一个或多个实施例中的基于用户对健康计划的特定粒度(granular)方面的满意度而对健康计划的示例总体用户满意度分数；

图11A是一个或多个实施例中的用于确定用户满意度的示例处理的流程图；

图11B是一个或多个实施例中的用于训练统计机器学习模型以供在确定用户满意度时使用的示例处理的流程图；以及

图12是示出了包括用于实现所公开的实施例的计算机系统在内的信息处理系统的高级框图。

具体实施方式

一个实施例提供了一种方法，所述方法包括：从用户的一个或多个设备接收用户数据；基于学习的统计模型来确定用户对健康计划的满意度水平；以及基于满意度水平选择性地向不同用户发送通信。

另一实施例提供了一种方法，所述方法包括在训练阶段中从多个用户收集用户数据。所收集的用户数据包括真实ground-truth)用户满意度数据，其指示一个或多个用户对健康计划的一个或多个满意度水平。所述方法还包括：从用户数据中提取特征，并且基于所提取的特征和真实满意度数据来训练统计模型。统计模型将给定的提取特征集合映射到对应的满意度水平。

参考以下描述、所附权利要求和附图，将理解一个或多个实施例的这些和其他特征、方面和优点。

发明的模式

以下描述是出于说明一个或多个实施例的一般原理的目的而进行的，并不意味着限制本文中要求权利保护的发明构思。此外，本文描述的特定特征可以以各种可能的组合和排列中的每一个来与其他所述特征组合使用。除非本文另有明确定义，否则所有术语将给出其最广泛的可能解释，包括说明书中暗示的含义以及本领域技术人员理解的和/或字典、论文等中定义的含义。

一个或多个实施例总体涉及活动和通信监控和分析，并且具体地，涉及对用户满意度进行自动确定和响应。一个实施例提供了一种方法，所述方法包括：从用户的一个或多个设备接收用户数据；基于学习的统计模型来确定用户对健康计划的满意度水平；以及基于满意度水平选择性地向不同用户发送通信。

另一实施例提供了一种方法，所述方法包括在训练阶段中从多个用户收集用户数据。可以实时地收集一些用户数据。所收集的用户数据包括真实用户满意度数据，其指示一个或多个用户对健康计划的一个或多个满意度水平。所述方法还包括：从用户数据中提取特征，并且基于所提取的特征和真实满意度数据来训练统计模型。统计模型将给定的提取特征集合映射到对应的满意度水平。

出于说明目的，本说明书中使用的术语“设备”通常是指移动的、可穿戴的或物联网(IoT)设备。设备的示例包括但不限于智能身体贴片、智能电话、智能手表、智能车辆、智能房屋、环境IoT家用传感器等。

出于说明目的，本说明书中使用的术语“身体健康”通常包括涉及健康的人的身体状态的术语和场景，包括心理健康。身体健康是个人日常生活的重要方面。个人涉及身体健康的不同应用场景/情境(context)的示例可以包括但不限于以下项：涉及想要多锻炼以保持体形或减肥的健身爱好者的健身、涉及从医院出院的遵循医生规定的体育锻炼计划以进行术后恢复或预防慢性疾病(例如，糖尿病、高血压等)的医疗患者的医疗康复、涉及想要维持或恢复他/她的身体活动水平的老年人/残疾人的老年人/残疾人护理、涉及想要增加力量或耐力的业余/职业运动员的田径运动等。

出于说明目的，本说明书中使用的术语“健康计划”通常指代概述个人应该采取/参与以改善和/或维持他/她的身体健康(例如，期望的健身或健康目标)的动作/活动集合的计划/程序。出于说明目的，本说明书中使用的术语“健康管理者”通常指监控/监督个人关于健康计划的进度的人或实体(即，计划的管理员)。健康管理者可以为个人定义/设计健康计划。不同类型的健康管理者的示例包括但不限于以下项：医生、医师、护士、理疗师、训练员、家庭成员、教练等。健康计划可以包括多个方面，例如药物方面(即，规定的药物)、锻炼方面(即，推荐的锻炼)、硬件和软件方面(即，所使用的设备和软件应用)、以及与健康管理者的人类交互方面。

个人可以参加由监督个人的进度的健康管理者定义的健康计划。健康计划可以包括个人应该遵循以实现期望的目标的指令。例如，在轻度健身或医疗康复的情境下，个人可以遵循由医师或理疗师定义的健康计划；健康计划可以标识个人应该遵循的锻炼的强度和频率(例如，每周跑四天并且心率达到90次/分钟)。该健康计划可以源自用户需要对慢性病(例如，肥胖症、高血压、高血压前期、糖尿病和糖尿病前期)进行预防性护理，其中一般规定是锻炼逐日增加。作为另一示例，最近心脏手术术后出院的用户可能需要康复，在康复过程中需要一定的锻炼训练实施水平，以防止再入院进行治疗。在老年人护理的情境下，由医生定义的健康计划可能要求老年人按时服用所需药物并且每天至少步行5000步。在田径运动的情境下，由教练或训练员定义的健康计划可以标识业余/职业运动员应该每周参加上身和下身的无氧举重三次。

远程用户监控是用于改善用户的身体健康、降低个体化护理的成本、并提高治疗效果的越来越有价值的方法。健康管理者可以向用户指派一个或多个移动/可穿戴设备(例如，智能电话、智能手表等)或物联网(IoT)设备(例如，环境IoT传感器等)作为完整的健康计划的一部分，以改善用户的健康。每个指派的设备从一个或多个传感器收集传感器数据，该传感器捕获与用户的日常身体活动的各种属性相关联的度量，例如用户已经走过多少步、用户参与的锻炼会话的持续时间等。所收集的传感器数据可以被发送到在线服务以供健康管理者审阅，以确定用户是否遵守健康计划，并且是否朝着期望的健康或健身目标取得进展。

当用户对他/她的健康计划不满意时关于健康计划可能出现的重要问题由此使得进度下降并最终无法达到健康计划的目标。不满意可能源于许多因素，例如但不限于健康计划的新颖性和感知重要性可能在一段时间(例如，几周)之后减少、用户对痛苦感到受挫或缺乏健康进展、用户对移动应用或所指派的移动设备感到受挫、用户可能没有时间在假日季节期间充分参与等。如果用户变得完全不参与健康计划而无法完成健康计划，则用户的健康可能退化，从而可能使得医疗状况再次发生，并且随后重新进入护理机构(例如，医院)进行进一步治疗。

常规上，健康管理者利用远程用户监控来审阅捕获用户的身体活动的原始传感器数据(例如，审阅用户的步数随时间的原始数据趋势线)，并且确定用户是否正朝着健康计划的期望目标(例如，健康/健身目标)有进展。这种常规方法有许多缺点。例如，可能无法仅基于原始传感器数据来确定用户对健康计划的满意度。因此，健康管理者不具有与用户对健康计划的满意度有关的任何信息，并且可能必须对可以改善用户满意度的新动作做出主观猜测。即使用户可以满足/达到健康计划中定义的某些阈值(例如，每天步行的特定步数)，但是用户可能会在任何时候对健康计划不满意并可能最终退出健康计划。用户不满意可能有不同的原因，例如但不限于健康计划对用户不方便、用户不喜欢健康管理者、用户经历太多痛苦等。相反，即使用户可能未满足/达到健康计划中定义的某些阈值，用户也可能对健康计划感到满意并且想要继续健康计划。用户未满足/达到某些阈值可能有不同的原因，例如但不限于用户旅行(例如，度假或商务旅行)、恶劣天气等。现有的解决方案是定期向用户调查/询问他/她是否对健康计划感到满意。然而，随着时间的推移，该解决方案对于用户和健康管理者而言都会变得令人生厌，因为健康管理者必须频繁地提示用户记录他/她的满意度，由此造成参与疲劳并人为地降低了用户满意度。

常规方法的另一示例缺点是它是不可扩展的。健康管理者可能管理/监督大量用户(例如，超过1000个用户)。即使有专职人员，可能也无法主观地审阅和判断多个原始传感器数据流，以确定大量用户的用户满意度。

常规方法的另一示例缺点是，在将来，读取和理解经由更复杂的可穿戴设备和IoT设备捕获的原始传感器数据可能变得更加困难。

本发明的一个实施例提供了一种系统和方法，所述系统和方法针对所有用户以可扩展方式自动确定用户满意度，而不会引起来自多个调查的参与疲劳。如果准确地确定了用户满意度，则可以在用户不参与完成给定的健康计划之前预先解决用户满意度随时间的潜在下降。例如，健康管理者可以增加与用户的通信，提供更多鼓励，或者请求用户的家人和朋友向用户提供更多支持，从而增加用户继续完成给定健康计划的可能性。

一些现有的商业软件产品提供了随时间跟踪用户身体活动数据的能力。例如，一些移动应用可以获得由移动设备(例如，智能电话)或可穿戴设备(例如，智能手表)上的传感器捕获的用户身体活动数据。来自这些现有商业软件产品的数据可以被可视化为趋势图，从而允许医疗健康管理者确定用户是否遵守健康计划。然而，现有的商业软件产品都没有用附加的真实满意度数据和其他情境线索来校准用户身体活动数据。此外，现有的商业软件产品都没有与医疗警报和医疗响应系统集成在一起。

一个实施例提供了用于除了自动确定用户对健康计划的不同方面的满意度之外，还自动确定用户对健康计划的整体满意度的框架。对用户满意度的确定可以基于统计机器学习模型，其处理多个用户的表现相关数据(例如，可测量的身体活动)、社交/情境相关数据和真实用户满意度数据。在一个实施例中，如果用户对健康计划的用户满意度下降或较低，则框架自动向用户的健康管理者、家庭成员和/或朋友警告降低的或较低的用户满意度。在一个实施例中，如果用户对健康计划不满意，则框架自动针对用户或健康管理者产生一个或多个个性化的校正推荐动作以改善用户满意度。在一个实施例中，框架基于应用场景自动适配执行。

图1A示出了一个或多个实施例中的用于实现满意度确定系统200的示例计算框架100。计算框架100包括在线安全云计算环境150，在线安全云计算环境150包括计算硬件，例如但不限于一个或多个服务器设备110和一个或多个存储设备120。一个或多个应用可以在云计算环境150的计算硬件上执行/操作。在一个实施例中，应用包括用于对一个或多个用户30对一个或多个健康计划的用户满意度进行自动确定和响应的满意度确定系统200的一个或多个组件。

满意度确定系统200被配置为(例如，通过诸如WiFi或蜂窝数据连接等的连接)与一个或多个设备交换数据。例如，设备50可以由参与健康计划的用户30携带/穿戴/使用。用户30使用的设备50可以包括以下至少一项：(1)用于捕获原始传感器数据的一个或多个车载传感器55(图1B)(例如，用于测量用户30在独立轴上的物理加速度的加速度计、用于确定用户30的地理位置的GPS接收机、心率传感器等)、以及(2)用于对捕获的原始传感器数据执行计算(例如，计算用户30已完成的步数、推断用户30的身体活动(例如，步行、跑步、骑自行车等)的车载微控制器51(图1B)。如本文稍后详细描述的，由设备50捕获的数据(例如，原始传感器数据)可以被转发到满意度确定系统200，以用于确定用户30对健康计划的用户满意度和/或对健康计划的调整。

如果用户30使用多个设备50，则设备50可以单独地或协同地工作。由用户30的一个设备50(例如，智能手表)收集的数据可以在稍后的时间同步到用户30的另一设备50(例如，智能电话)。例如，用户30所携带的智能电话可以与位于用户30的汽车、家庭和/或办公室中的一个或多个其他设备50配对。满意度确定系统200分析由单个设备50或通过配对设备50收集的数据，以确定用户30对健康计划的用户满意度和/或对健康计划的调整。

不同的设备60可以由与用户30相关联的第三方成员40携带/穿戴/使用。满意度确定系统200可以向第三方成员40的设备60发送警报，以向第三方成员40通知所确定的用户30对健康计划的用户满意度。警报可以促使/引起第三方成员40采取行动，例如直接联系用户30或改变/适配健康计划的一个或多个方面以改善用户满意度。

图1B示出了一个或多个实施例中的用于实现满意度确定系统200的另一示例计算框架160。在另一实施例中，满意度确定系统200的一个或多个组件驻留在参与健康计划的用户30的设备50上。满意度确定系统200可以在设备50的计算硬件(例如但不限于机载微控制器51和一个或多个存储单元52)上执行/操作。

满意度确定系统200被配置为(例如，通过诸如WiFi或蜂窝数据连接等的连接)与一个或多个其他设备交换数据。例如，满意度确定系统200可以向与用户30相关联的第三方成员40所携带/穿戴/使用的设备60发送警报。

在一个实施例中，设备50包括集成在设备50中的或耦接到设备50的一个或多个输入/输出(I/O)模块54(例如，键盘、键区、触摸界面、显示屏等)。

在一个实施例中，满意度确定系统200的操作可以划分为两个不同的操作阶段——训练阶段和确定阶段。如后面详细描述的，在训练阶段中，满意度确定系统200被配置为：(1)从参与一个或多个健康计划的多个用户收集训练数据、以及(2)基于所收集的训练数据，训练统计机器学习模型(“统计模型”)以用于确定用户对健康计划的满意度。在确定阶段中，满意度确定系统200被配置为：(1)从参与健康计划的用户收集数据、(2)基于所收集的数据和学习的统计模型(例如，在训练阶段期间学习的统计模型)，确定用户对健康计划的满意度、以及(3)基于所确定的满意度，选择性地向与用户相关联的第三方成员发送警报，和/或选择性地产生推荐以用于改善用户对健康计划的满意度。

图2A示出了一个或多个实施例中的满意度确定系统200中的在训练阶段中使用的一个或多个示例组件。满意度确定系统200包括在训练阶段中使用的以下组件中的至少一个：训练数据收集器255、满意度确定训练引擎265、及其组合。

如上所述，用户30可以参与健康计划420。健康管理者40可以利用远程用户监控来跟踪用户30朝向健康计划420的期望目标的进度。为了有助于远程用户监控，用户30可以使用一个或多个设备50(图1A)(例如，智能电话、可穿戴设备(例如，智能手表、传感器贴片等)和/或IoT设备(例如，家庭传感器))来跟踪/捕获用户30的情境信息和/或身体活动。可以实时地完成一个或多个设备50对数据中的一些数据的跟踪/捕获。

在训练阶段中，训练数据收集器255被配置为从参与一个或多个健康计划的多个用户30收集训练数据。所收集的训练数据包括与多个用户30相关联的表现相关数据(例如，由传感器捕获的原始传感器数据)和社交/情境相关数据(例如，来自诸如社交网站之类的在线服务的数据)，例如但不限于医疗健康记录、可测量的身体活动(例如，指示完成的步数、睡眠时间等的数据)、社交联网/在线使用(例如，在线论坛/留言板上发布的评论、在线购买)、情境线索(例如，天气条件等)、真实用户满意度(例如，在众所周知的标度(比如，1星到5星之间)上的用户对询问用户对给定健康计划的满意度的调查的响应)等。基于所收集的训练数据，训练数据收集器255在至少一个存储设备(例如，图1A中的存储设备120或图1B中的存储单元52)上维持包括多个用户30的历史数据在内的一个或多个数据库。在一个实施例中，训练数据收集器255提供有助于从多个用户30的不同设备50和不同数据源收集训练数据的应用编程接口(API)。

在一个实施例中，训练数据收集器255被配置为针对整个健康计划或健康计划的特定的粒度方面从用户30收集真实用户满意度数据。

在训练阶段中，满意度确定训练引擎265被配置为基于所收集的训练数据来训练统计模型，以用于将表现相关数据和/或社交/情境相关数据映射到真实用户满意度数据。可以在确定阶段中使用从训练阶段得到的学习统计模型来确定个体用户30对健康计划的满意度。

图2B示出了一个或多个实施例中的满意度确定系统200中的在确定阶段中使用的一个或多个示例组件。满意度确定系统200包括在确定阶段中使用的以下组件中的至少一个：数据收集器250、满意度确定引擎260、个性化校正推荐引擎270、警报引擎280及其组合。

在确定阶段中，数据收集器250被配置为从参与健康计划420的用户30收集数据。所收集的数据包括与用户30相关联的表现相关数据(例如，由传感器捕获的原始传感器数据)和社交/情境相关数据(例如，来自诸如社交网站之类的在线服务的数据)，例如但不限于医疗健康记录、可测量的身体活动(例如，指示完成的步数、睡眠时间等的数据)、社交联网/在线使用(例如，在线论坛/留言板上发布的评论、在线购买)、情境线索(例如，天气条件等)。基于所收集的数据，数据收集器250在至少一个存储设备(例如，图1A中的存储设备120或图10中的存储单元52)上维持包括针对用户30的数据在内的一个或多个数据库。如本文稍后详细描述的，所收集的数据可以用于确定用户30对健康计划的满意度。在一个实施例中，数据收集器250提供有助于从用户30的不同设备50和不同数据源收集数据的API。

在确定阶段中，满意度确定引擎260被配置为：基于所收集的数据和学习的统计模型(例如，在训练阶段期间学习的统计模型)来确定用户30对健康计划和/或健康计划的特定方面的满意度。满意度确定引擎260可以产生解释如何确定满意度的报告。

在一个实施例中，满意度确定系统200的一个或多个组件可以在云计算环境150的计算硬件上执行/操作，而满意度确定系统200的一个或多个其余组件可以在用户30的设备50上执行/操作。例如，在训练阶段中使用的一个或多个组件(例如，训练数据收集器255和/或满意度确定训练引擎265)可以在云计算环境150的服务器设备110上运行，而在确定阶段中使用的一个或多个组件(例如，数据收集器250、满意度确定引擎260、个性化校正推荐引擎270和/或警报引擎280)可以在用户30的设备50上运行。作为另一示例，满意度确定引擎260、个性化校正推荐引擎270和/或警报引擎280可以在云计算环境150的服务器设备110上运行。作为又一示例，满意度确定引擎260和/或个性化校正推荐引擎270可以在用户30的设备50上运行以保护用户隐私(即，敏感用户数据驻留在设备50上而不是驻留在远程服务器设备110上)。

图3示出了一个或多个实施例中的由满意度确定系统200收集的不同类型的数据的示例。在一个实施例中，训练数据收集器255和/或数据收集器250在至少一个存储设备(例如，图1A中的存储设备120或图1B中的存储单元52)上维持包括表现相关数据记录的第一集合231和社交/情境相关数据记录的第二集合240在内的至少一个数据库。第一集合231包括不同类型的表现相关数据记录，表现相关数据记录例如但不限于以下项：(1)包括医疗健康记录在内的数据记录232、(2)包括用户输入数据在内的数据记录233、(3)包括真实用户满意度数据在内的数据记录234、以及(4)包括可测量的身体活动数据在内的数据记录235。

第二集合240包括不同类型的社交/情境相关数据记录，社交/情境相关数据记录例如但不限于以下项：(1)包括社交联网/在线使用数据在内的数据记录241、(2)包括环境IoT传感器数据在内的数据记录242、(3)包括情境线索数据在内的数据记录243、(4)包括通信历史数据在内的数据记录244、(5)包括地理位置历史数据在内的数据记录245、(6)包括应用使用历史数据在内的数据记录246、以及(7)包括人口统计数据在内的数据记录247。

针对用户30的医疗健康记录可以包括例如但不限于如下项的信息：用户30的年龄、用户30的性别、用户30的体重、用户30的身高、用户30的体重指数(BMI)、用户30的一个或多个医疗状况(例如，肥胖、高血压、糖尿病、心脏康复等)等。训练数据收集器255和/或数据收集器250可以经由若干手段来获得全部或部分医疗健康记录，例如但不限于用户30经由在用户30携带/穿戴/使用的设备50上运行的软件用户界面来手动输入信息、或者在满意度确定系统200和向用户30提供医疗服务的医疗提供者的远程服务器之间的安全在线REST呼叫。

对于不能自动推断的一个或多个项，用户30可以经由在用户30携带/穿戴/使用的设备50上运行的软件用户界面手动输入用户输入数据。训练数据收集器255和/或数据收集器250可以从设备50获得用户输入数据。用户输入数据可以包括但不限于在用户30的最近一餐期间摄取的一类或多类食物、这一餐中的卡路里量、用户30是否服用药物、用户30的用户偏好等。

针对用户30的身体活动数据可以包括例如但不限于如下项的信息：步数(即，用户30在一天中完成的步数)、进行的锻炼(例如，步行、跑步、骑自行车等)、进行的锻炼的持续时间、一天期间的瞬时心率和峰值心率、睡眠量、睡眠质量(例如，REM睡眠的持续时间)等。身体活动数据可以由用户30携带/穿戴/使用的设备50的一个或多个生物传感器自动捕获。训练数据收集器255和/或数据收集器250可以从设备50获得身体活动数据。

针对用户30的环境IoT传感器数据包括与用户30的环境相关的信息，这样的信息例如但不限于用户30与之交互的不同家用电器、用户频繁地观看的电视节目、用户30在家中度过最长时间的房间等。环境IoT传感器数据可以由一个或多个IoT传感器自动捕获。训练数据收集器255和/或数据收集器250可以从IoT传感器获得环境IoT传感器数据。

针对用户30的情境线索数据可以包括例如但不限于用户30附近的天气、当前日期或假日季节、用户30的个人/商业日历之类的信息。训练数据收集器255和/或数据收集器250可以从用户30携带/穿戴/使用的至少一个设备50和/或至少一个在线数据源获得情境线索数据。

针对用户30的通信历史数据包括与在用户30和至少一个第三方成员40(例如，健康管理者、家庭成员和/或朋友)之间交换的一个或多个通信相关的信息。例如，通信可以包括但不限于电子邮件、电话呼叫、和与针对用户30的健康计划相关的文本消息。通信历史数据可以包括每个交换的通信的内容和/或与通信相关联的元数据(例如，通信的时间/数据)。训练数据收集器255和/或数据收集器250可以从用户30携带/穿戴/使用的至少一个设备50获得通信历史数据。

针对用户30的社交联网/在线使用数据包括与用户30的一个或多个在线活动(例如，社交联网和在线购物)相关的信息。例如，社交联网/在线使用数据可以包括但不限于在一个或多个在线论坛/留言板上发布的一个或多个评论、用户30可能与其他人的一个或多个关联、用户30在线访问的一个或多个网站、用户30经由在线购物门户网站购买的一个或多个商品、用户30已经给予一个或多个商品的一个或多个产品评级等。训练数据收集器255和/或数据收集器250可以从用户30携带/穿戴/使用的至少一个设备50获得社交联网/在线使用数据。

针对用户30的地理位置历史数据包括指示用户30当前所处的或先前所处的一个或多个位置的信息。地理位置历史数据可以具有纬度和经度地理坐标或位置名称(例如，邮寄地址或地标)的形式。地理位置历史数据可以由用户30携带/穿戴/使用的设备50的一个或多个传感器自动捕获。训练数据收集器255和/或数据收集器250可以从设备50获得地理位置历史数据。

针对用户30的应用使用历史数据可以包括例如但不限于以下项的信息：用户30已经安装的一个或多个软件应用、用户30已经与之交互的一个或多个软件应用、用户30已经播放的多媒体等。训练数据收集器255和/或数据收集器250可以从用户30携带/穿戴/使用的设备50获得应用使用历史数据。

针对用户30的人口统计数据可以包括例如但不限于用户30的教育水平、用户30的新价值、一个或多个优选购物位置之类的信息。训练数据收集器255和/或数据收集器250可以根据针对用户30所收集的其他类型的数据来自动收集/推断人口统计数据。

针对用户30的真实用户满意度数据包括指示用户30对健康计划和/或健康计划的特定方面的满意度的信息。如本文稍后详细描述的，与满意度确定系统200相关联的软件应用可以下载到/加载到用户30携带/穿戴/使用的设备50上。软件应用被配置为产生包括用于在设备50上显示的一个或多个调查问题在内的软件用户界面。用户30可以与软件用户界面进行交互，以提供指示他/她对健康计划和/或健康计划的特定方面的满意度的响应/回复。

为了防止参与疲劳，对针对用户30的真实用户满意度数据的收集可以不无限期地继续。在一个实施例中，在从健康计划的起始/开端开始的时间段期间，偶尔将调查问题呈现给用户30。初始时间段和呈现调查问题的频率可以由负责监控/监督用户30关于健康计划的进度的健康管理者40设置。例如，初始时间段可以是6周，呈现调查问题的频率可以是每周一次，并且可以在上午10点与下午2点之间随机选择一天中呈现调查问题的时间。在经过了初始时间段之后，满意度确定系统200可以确定用户30的满意度，而无需向用户30提示附加的调查问题。

图4A至图4C示出了一个或多个实施例中的在设备50上显示的用于收集真实用户满意度数据的不同示例软件用户界面。具体地，图4A示出了一个或多个实施例中的在智能电话50上显示的示例软件用户界面410A。如图4A所示，软件用户界面410A提示携带/使用智能电话50的用户30以1星至5星的标度来评定他/她对给定健康计划(例如，数字护理计划)的总体满意度。在一个实施例中，5星指示用户30可以指定的最大/最高满意度水平/分数。用户30可以利用智能电话50的I/O设备输入响应/回复(例如，使用手写笔或他/她的手指轻敲智能电话50的触摸屏以突出所显示的星中的一个或多个)。训练数据收集器255记录作为针对用户30的真实用户满意度数据而输入的响应/回复。

在另一实施例中，可以使用不同标度(例如，在整数1至10之间、在浮点数0.0与1.0之间、在诸如“不满意”和“满意”之类的两个选择之间)来指定满意度。

图4B示出了一个或多个实施例中的在智能电话50上显示的另一示例软件用户界面410B。如图4B所示，软件用户界面410B提示携带/使用智能电话50的用户30以1星至5星的标度来评定他/她对给定医疗计划的方面(例如，所接收的医疗治疗)的满意度。

图4C示出了一个或多个实施例中的在智能手表50上显示的又一示例软件用户界面410C。如图4C所示，软件用户界面410C提示穿戴智能手表50的用户30以1星至5星的标度来评定他/她对给定健康计划(例如，数字护理计划)的总体满意度。用户30可以使用智能手表50的I/O设备来输入响应/回复(例如，使用他/她的手指轻敲智能手表50的触摸屏、或者转动智能手表50的圆形边框以突出所显示的星中的一个或多个)。

图5示出了一个或多个实施例中的在训练阶段期间由满意度确定系统200执行的一个或多个示例处理。满意度确定训练引擎265包括以下至少一项：(1)特征提取器266、以及(2)机器学习模型训练器267。在训练阶段中，训练数据收集器255通过从多个用户30(比如，用户A、用户B和用户C)获得数据来收集训练数据。所收集的训练数据包括原始数据505，例如但不限于表现相关数据、社交/情境相关数据、以及针对每个用户30的真实用户满意度数据525。特征提取器266被配置为从原始数据505中提取针对每个用户30的多个特征515。所提取的针对用户30的特征可以包括原始形式的数据(例如，用户A在2016年4月10日下午1：30和下午2：15之间慢跑12，000步，峰值心率为每分钟101次)或用户30可以被置于其中的特定范围库(range bin)(例如，可以将45岁的用户置于针对40岁至50岁用户的范围库中)。

模型训练器267被配置为基于所提取的针对每个用户30的每个特征来训练统计模型530，统计模型530将针对每个用户30的多个提取特征映射到针对用户30的真实用户满意度数据525。

模型训练器267可以在云计算环境150的服务器设备110或用户30的设备50上训练统计模型530。

在一个实施例中，可以使用软件编程语言来实现模型训练器267，或者可以通过现成的训练器软件包来获得模型训练器267。在一个实施例中，不同的算法可以用于监督机器学习分类，例如但不限于逻辑回归、决策树、朴素贝叶斯、支持向量机或人工神经网络。

在一个实施例中，可以根据需要重新构建统计模型530。在一个实施例中，根据用于监督机器学习分类的算法，可以在通过训练数据收集器255收集新数据之后在线更新统计模型530。

在一个实施例中，所收集的训练数据可以包括针对每个用户30的通信历史数据(例如，在用户30和第三方成员40(例如，健康管理者、家庭成员、朋友)之间交换的电子邮件和文本消息)。例如，训练数据收集器255可以从在用户50的一个或多个设备50上执行的一个或多个通信软件应用(例如，电子邮件软件客户端、文本消息收发应用、聊天客户端和其他类型的通信软件应用)获得通信历史数据。模型训练器267可以进行学习以基于通信历史数据来确定每个用户30的用户情绪。例如，可以以从“积极情绪”、“中立”到“积极情绪”的范围的标度来表示用户情绪。可以通过应用用于分析情绪的一个或多个算法(例如，对电子邮件和文本消息中的已知积极情绪和消极情绪形容词和名词进行计数并且计算净情绪)或者应用统计机器学习来计算用户情绪。

在一个实施例中，所收集的训练数据可以包括针对每个用户30的社交联网/在线使用数据。例如，训练数据收集器255可以从在用户50的一个或多个设备50上执行的一个或多个社交联网/网络软件应用(例如，网络浏览器、社交联网应用、和其他类型的社交联网/网络软件应用)获得社交联网/在线使用数据。训练数据收集器255还可以从在用户50的一个或多个设备50上执行的一个或多个移动支付软件应用和/或数字分发平台(例如，用于在线或在实体零售商店购买商品的移动支付应用、可以从其购买数字商品的应用商店/市场、以及其他类型的移动支付软件应用和/或数字分发平台)获得社交联网/在线使用数据。从针对用户30的社交联网/在线使用数据中提取的特征可以用于确定用户30的满意度。例如，训练数据收集器250可以基于针对用户30的社交联网/在线使用数据来监控在一个或多个在线网站上的与用户30的在线标识相关联的一个或多个在线发帖/评论。如果用户30在在线论坛/留言板/社交网站上针对给定的健康计划发布了消极情绪评论或写了负面评论，则可以确定用户30的满意度。作为另一示例，如果用户30在社交网站上明确地陈述他/她的心情，则也可以确定用户30的满意度。作为又一示例，训练数据收集器250可以基于针对用户30的社交联网/在线使用数据来监控用户30的一个或多个购买。如果用户30购买诸如书籍或现成药物之类的商品来治疗抑郁症，则也可以确定用户30的满意度。

在一个实施例中，所收集的训练数据可以包括针对每个用户30的应用使用历史数据。从针对用户30的应用使用历史数据中提取的特征可以用于确定用户30的满意度。例如，可以跟踪用户30与用于管理给定健康计划的移动应用交互的频率，以确定针对移动应用的用户参与是下降还是增长。作为另一示例，可以跟踪用户与新闻、游戏、音乐、视频和其他移动应用的交互以确定用户交互是下降还是增长。

在一个实施例中，所收集的训练数据可以包括针对每个用户30的人口统计数据。从针对用户30的人口统计数据中提取的特征可以用于确定用户30的满意度。例如，满意度确定训练引擎265可以通过类似的社会经济桶(socioeconomic bucket)将用户30聚集在一起，使得不同用户30之间的历史数据是可比较的。具有相似教育水平、净资产和购物偏好/习惯的用户30可以被置于相同的社会经济桶中。满意度确定训练引擎265可以针对每个社会经济桶训练一个统计模型，使得不同社会经济桶固有的不同行为不会产生不良确定的统计模型。

在一个实施例中，可以根据针对用户30的原始数据505来导出/计算一个或多个附加特征。这些附加特征可以包括但不限于对噪声时间序列数据应用低通平滑滤波器、对滑动窗口上的时间序列数据进行求和、对特定的每周范围库和每月范围库中的步数进行求和、对最近几周内用户30呼叫健康管理者40或向健康管理者40发电子邮件的次数进行求和、以及计算60天前和当前日期之间的值的改变的梯度。

在一个实施例中，满意度确定训练引擎265被配置为确定所提取/导出的特征中的哪些特征在确定用户满意度方面具有很小影响或没有影响。例如，如果多个用户30的满意度水平相似，则满意度确定训练引擎265可以确定所提取/所导出的特征中的哪些特征在多个用户30之间具有显著变化；可以将呈现出显著变化的每个特征指定为在确定用户满意度方面几乎没有影响的特征。

在一个实施例中，可以对从针对用户30的原始数据505中提取/导出的特征进行不同的加权，以便相对于其他特征强调一些特征。每个特征的加权可以基于给定的健康计划的情境和一个或多个特性/要求。例如，对于医疗场景，可以以更高的权重来强调与健康和健身相关的特征。每个特征的加权可以附加地基于特征在确定用户满意度方面的影响。例如，如果特征在确定用户满意度方面几乎没有影响，则可以用较低的权重来不再强调该特征。

在训练阶段中，可以基于从在特定程序中登记的一组用户30收集的训练数据来训练统计模型530。在确定阶段中，可以以可扩展的方式针对在相同或类似程序中登记的许多用户30自动应用通过训练阶段产生的学习统计模型530，从而消除对健康管理者40基于对每个用户30的数据的审阅来对他/她做出主观判断的需要。

例如，在训练阶段中，可以基于从呈现出以下特性的一组用户30收集的训练数据来训练统计模型530：(i)男性、(ii)30岁至35岁、(iii)31 BMI至35 BMI、(iv)参与心脏康复程序、(v)在夏季月份期间60天的疗程中每周平均步数呈现出下降、(vi)最近几周向健康管理者40发送的消极情绪通信呈现出增加、以及(vii)响应于询问用户对该程序的满意度的调查指示“非常不满意”。

图6示出了一个或多个实施例中的在确定阶段期间由满意度确定系统200执行的一个或多个示例处理。在确定阶段中，满意度确定引擎260应用学习的统计模型530(例如，在训练阶段期间学习的统计模型530)以确定用户30对健康计划和/或健康计划的特定方面的满意度(例如，对训练数据有贡献的用户A的满意度、对训练数据没有贡献的用户D的满意度)。

在一个实施例中，满意度确定引擎260被配置为按需或以某个周期性间隔(例如，每天一次或每周一次)确定用户30的用户满意度。例如，如图6所示，在确定阶段中，满意度确定引擎260可以确定用户A(对训练阶段期间获得的训练数据做出贡献的用户)和用户D(对训练阶段期间获得的训练数据没有贡献的用户)的用户满意度。这样，可以在长达两个月的初始持续时间内每周向跨越许多个月(例如，6个月)的健康计划所涉及的用户30问一次调查问题；此后，可以应用所得到的学习的统计模型530，以确定用户30的用户满意度。这消除了不断提示用户30回答调查问题的需要。此外，统计模型530可以应用于之前未被问过调查问题的其他用户30(例如，用户D)。本发明所属领域的技术人员将理解，遵循机器学习最优实践可以允许训练模型是可一般化的，由此使得即使针对先前未遇到的新数据也能产生准确结果。

所收集的数据包括原始数据500，例如但不限于针对每个用户30的表现相关数据和/或社交/情境相关数据。特征提取器261被配置为从原始数据500中提取针对每个用户30的多个特征510。所提取的特征510与在训练阶段期间提取的相同特征相对应。

满意度确定引擎260还包括确定器263。在确定阶段中，对于每个用户30，确定器263被配置为应用学习的统计模型530以确定针对用户30的满意度确定信息540。具体地，确定器263读取针对用户30所提取的特征510，执行适合于/适于正在应用的机器学习算法的计算，并且输出针对用户30的满意度确定信息540。满意度确定信息540包括用户30对健康计划和/或健康计划的特定方面的用户满意度的确定。该确定可以是在不同用户满意度水平上的概率分布(例如，用户305％“非常不满意”、5％“有些不满意”、10％“中立”、70％“有些满意”、以及10％“非常满意”)或单个确定(例如，用户30“满意”)。

例如，满意度确定引擎260可以应用基于从表现出以下特性的一组用户30收集的数据而训练的统计模型530：(i)男性、(ii)30岁至35岁、(ii i)31BMI至35BMI、(iv)参与心脏康复程序、(v)在夏季月份期间60天的疗程中每周平均步数呈现出下降、(vi)最近几周向健康管理者40发送的消极情绪通信呈现出增加、以及(vii)响应于询问用户对该程序的满意度的调查指示“非常不满意”。基于统计模型530，满意度确定引擎260可以确定在相同心脏康复程序中登记的每个用户30的用户满意度。例如，呈现出与上述特性相似特性的用户30有75％的机会“非常不满意”。

满意度确定引擎260被配置为产生报告，该报告包括关于如何确定针对用户30的满意度确定信息540中所包括的确定结果的说明。该报告可以向第三方成员40提供关于用户30不满意的原因的见解。该说明可以基于统计模型530的内部结构。在一个实施例中，如果使用决策树，则可以跟踪与该确定相对应的从树的根到树的叶的边的路径；因为每个边是内部树节点处的决策的结果，因此可以根据内部树节点处的决策的级联结果来导出说明。在另一实施例中，可以利用用于特征选择的一个或多个算法来计算产生最低误差的最重要特征；说明基于这些重要特征。

在一个实施例中，满意度确定引擎260被配置用于细粒度用户满意度确定。具体地，满意度确定引擎260被配置为确定用户30对整个健康计划或健康计划的特定粒度方面的用户满意度。健康计划的特定粒度方面的示例可以包括但不限于有氧锻炼的强度、无氧锻炼的强度、药物剂量、用于远程患者监控的软件和硬件的质量、以及健康管理者的质量。用户30可以对健康计划的不同方面具有不同的用户满意度。

图7详细示出了一个或多个实施例中的示例警报引擎280。警报引擎280包括警报触发器单元282，其被配置为：(1)从满意度确定引擎260接收针对用户30的满意度确定信息540，(2)基于一个或多个预编程的警报设置550来确定满意度确定信息540中包括的用户满意度的预测是否较低(例如，用户满意度的预测是否小于预编程的阈值)，以及(3)响应于确定用户满意度的预测较低，向与用户30相关联的至少一个第三方成员40(例如，健康管理者、家庭成员或朋友)发送警报。

警报引擎280还包括用户界面产生器281，其被配置为产生可以由一个或多个第三方成员40访问的一个或多个软件用户界面。

作为一个示例，诸如健康管理者之类的第三方成员40可以利用软件用户界面来对一个或多个警报设置550进行预编程。在一个实施例中，警报设置550包括指定何时触发警报的规则。具体地，该规则定义用于确定用户满意度是否较低的阈值，其中阈值与确定处于相同的标度。例如，假设用于确定用户满意度的标度是5级标度，该5级标度包括按升序的以下满意度水平：“非常不满意”、“有些不满意”、“中立”、“满意”、“非常满意”。第三方成员40(例如，健康管理者)可以指定规则，该规则定义如果预测小于/低于“中立”的预编程阈值，则应该触发警报(即，发送给至少一个第三方成员40的警报)(即，如果确定是“非常不满意”或“有些不满意”，则触发警报)。在另一实施例中，该规则可以取而代之地定义如果确定处于或高于预编程的阈值，则应该触发警报。

在一个实施例中，由用户界面产生器281产生的软件用户界面包括允许第三方成员40(例如，健康管理者)对一个或多个警报设置55进行预编程的网页。例如，网页可以包括以下至少一项：(1)用于接收预编程的阈值的第一文本框、以及(2)用于指定用户满意度的预测应该高于/大于、等于还是低于/小于预编程的阈值以触发警报的互斥无线电按钮集合。作为另一示例，网页可以包括第三方成员40可以与之交互以指定预编程的阈值的图形滑块。

在一个实施例中，指定何时触发警报的规则可以被存储和评价为SQL数据库内的谓词触发器(predicate trigger)；一旦用户满意度的任何预测满足谓词触发器，就发送警报。

如上所述，被警告的每个第三方成员40可以使用由用户界面产生器281产生的软件用户界面来联系用户30。第三方成员40可以使用软件用户界面向用户30提供鼓励、建议和/或劝谏，以便引导用户30回到健康计划的正轨。

图8示出了一个或多个实施例中的提供警报的示例软件用户界面440。软件用户界面440包括可由第三方成员40访问的网页仪表板。网页仪表板包括与第三方成员40相关联的用户30的姓名和预测的用户满意度。网页仪表板还可以包括小部件，其在由第三方成员40致动时调用另一软件组件。例如，网页仪表板可以包括以下小部件中的至少一个：(1)第一图形按钮440A，用于调用允许第三方成员40写电子邮件并向用户30发送电子邮件的电子邮件软件客户端、(2)第二图形按钮440B，用于调用允许第三方成员40给用户30打电话的IP语音电信程序、以及(3)第三图形按钮440C，用于调用向另一第三方成员40(例如，家庭成员、朋友)发送自动消息以提供与所确定的用户30的用户满意度有关的信息。作为另一示例，向第三方成员40发送的警报可以经由电子邮件或移动设备的文本消息。在另一个实施例中，软件用户界面440可以是在第三方成员40的设备60(例如，平板计算机)上运行的本机移动应用的一部分。

图9详细示出了一个或多个实施例中的示例个性化校正推荐引擎270。推荐引擎270包括推荐产生器271，其被配置为：(1)从满意度确定引擎260接收针对用户30的确定540A，确定540A指示用户对健康计划的满意度低，以及(2)通过产生可以提高用户30的用户满意度的一个或多个校正可行动推荐590来自动推荐动作方案。校正可行动推荐590可以包括非医疗推荐(例如，在不同的公园锻炼)或医疗推荐(例如，开出新药物、改变药物剂量、减少膝盖上的锻炼应力)。不同类型的校正可行动推荐590的示例包括但不限于药物剂量(例如，将药物从40mg减少至10mg)、饮食或每日卡路里摄入(例如，吃豆腐而不是肉、或将摄入量减少至1200卡路里/天)、锻炼模式(例如，跑步或骑自行车)、锻炼强度(例如，将心率从90bpm增加到100bpm)、锻炼频率(例如，将锻炼从每周两次增加到每周四次)、锻炼的位置(例如，在具有专用慢跑道的公园慢跑)等。

在一个实施例中，满意度确定系统200自动地将非医疗推荐集成到健康计划中。在一个实施例中，在满意度确定系统200将医疗推荐集成到健康计划中之前，满意度确定系统200向第三方成员40(例如，健康管理者)呈现医疗推荐以进行审阅和批准。

在一个实施例中，推荐产生器271基于用户历史数据280确定可以增加用户30的用户满意度的一个或多个校正可行动推荐590。用户历史数据280指示用户30过去采取的、随后改善/增加他/她的用户满意度的一个或多个动作；所确定的校正可行动推荐590可以类似于这些过去的动作。

在另一实施例中，推荐产生器271利用协作过滤方法来确定可以增加用户30的用户满意度的一个或多个校正可行动推荐590。例如，所确定的校正可行动推荐590可以基于候选推荐570的集合，其指示与用户30类似的其他用户30在过去采用的、随后改善/增加其用户满意度的动作；所确定的校正可行动推荐590可以类似于这些过去的动作。作为另一示例，所确定的校正可行动推荐590可以基于候选推荐570的集合，其指示对给定的健康计划满意且与用户30类似的其他用户30过去所采取的动作；所确定的校正可行动推荐590可以基于用户30的动作与其他用户30的这些过去动作之间的差异。

在又一实施例中，推荐产生器271确定一个或多个校正可行动推荐590，其可以通过根据给定健康计划中标识的总体活动目标，抵消用户30最近已执行的活动来增加用户30的用户满意度。在又一实施例中，推荐产生器271推荐用户30要执行的最优活动，以维持/改善用户30的用户满意度。例如，如果用户30当天早些时候已经游泳，则针对用户30，校正可行动推荐590可以是稍后在晚上慢跑，而不是推荐再次游泳。作为另一示例，基于用户30的日历/日程安排信息，满意度确定系统200可以知道用户30已经进行了一些活动/锻炼(例如，游泳)，并且可以建议另一个活动/锻炼。在另一示例中，如果用户30在锻炼之前驾车超过一小时，则满意度确定系统200可以缩减向用户30推荐的锻炼量或者推荐将锻炼程序从手臂改变为体重，以治疗或恢复由驾驶引起的僵硬。作为又一示例，基于来自位置/GPS传感器的数据，满意度确定系统200可以识别空间因素(例如，面积、空气条件、下坡方向等)的存在/不存在，并且相应地进行推荐。

在一个实施例中，推荐产生器271分析用户30的用户满意度，以确定用户30锻炼的最优模式和强度(例如，基于用户满意度，跑1km、1.5km或3km)。

在一个实施例中，校正可行动推荐590包括用户30参与不同的健康计划的推荐。

可以经由在用户30携带/穿戴/使用的设备50上运行的移动应用向用户30呈现校正可行动推荐590。

每个校正可行动推荐590可以适用于健康计划的特定粒度方面。推荐产生器271被配置为产生校正可行动推荐590，其解决用户对健康计划的特定粒度方面的不满意。

图10示出了一个或多个实施例中的基于用户对健康计划的特定粒度方面的满意度的对健康计划的示例总体用户满意度分数。满意度确定系统200被配置为基于每个用户对健康计划的每个特定粒度方面的满意度的加权平均值，来确定用户30对健康计划的总体用户满意度分数。例如，如图10所示，基于以下项中的每一个的加权平均值，总体用户满意度分数为“中等”：(1)对健康计划的药物方面的高用户满意度、(2)对健康计划的锻炼方面的低用户满意度、(3)对健康计划的硬件/软件方面的高用户满意度、以及(4)对健康计划的人类交互方面的低用户满意度。

对于用户30不满意的健康计划的每个特定粒度方面，推荐产生器271产生解决用户对该特定粒度方面的不满意的对应的校正可行动推荐590。如图10所示，用户30对锻炼方面和人类交互方面的用户满意度较低(即，用户30对这两个方面不满意)。推荐产生器271可以推荐用户30减少无氧锻炼以解决他/她对锻炼方面的不满意。推荐产生器271还可以推荐用户30增加与健康管理者的电话呼叫以解决他/她对人类交互方面的不满意。

在一个实施例中，满意度确定系统200被配置为基于与健康计划的每个方面相对应的每个满意度水平来确定健康计划的哪个方面最有效。推荐产生器271可以产生包括指示健康计划的最有效方面的信息(如由满意度确定系统200确定的)在内的推荐。

在一个实施例中，满意度确定系统200可以适配/改变其执行，以便改善针对一个或多个特定应用场景的数据处理。例如，在医疗应用场景中，快速且准确地确定从心脏手术中恢复的用户30是否对他/她的健康计划不满意是很重要的。对于关键应用场景(例如，医疗应用场景)，满意度确定系统200可以更频繁和更彻底地收集数据(即，收集更广泛类型的数据)，以改善用户满意度确定的准确性。

在另一实施例中，满意度确定系统200可以产生仅直接专注于健康计划的最重要方面的推荐。例如，医疗级应用可能仅需要针对健康计划的药物和锻炼方面的推荐；可以省略针对健康计划的辅助方面(例如，硬件/软件方面)的推荐。

在另一实施例中，满意度确定系统200确定用户不满意比确定用户满意更为关键。在不同的应用场景中，用户满意和用户不满意的重要性可能并不相同。例如，与休闲健身应用场景相比，在医疗应用场景中，确定用户不满意可能更为关键；满意度确定系统200可以强调软件用户界面和用户体验以突出用户不满意，并且警报引擎280可以响应于确定用户不满意而发送警报。相比之下，在休闲健身应用场景中，确定用户满意度可能更重要；满意度确定系统200可以强调软件用户界面和用户体验以突出用户满意，并且警报引擎280可以响应于确定用户满意而发送警报。

图11A是一个或多个实施例中的用于确定用户满意度的示例处理800的流程图。在处理块801中，从用户的一个或多个设备接收用户数据。在处理块802中，从用户数据中提取一个或多个特征。

在处理块803中，通过基于学习的统计模型将所提取的一个或多个特征映射到预测的满意度水平来确定用户对健康计划的满意度。在处理块804中，将预测的满意度水平与阈值进行比较。

在处理块805中，基于比较选择性地向不同的用户发送通信。在处理块806中，基于预测的满意度水平，选择性地产生用于改善用户对健康计划的满意度的推荐。

在一个实施例中，处理块801至806可以至少由数据收集器250、满意度确定引擎260、个性化校正推荐引擎270和警报引擎280执行。

图11B是一个或多个实施例中的用于训练统计机器学习模型以用于确定用户满意度的示例处理850的流程图。在处理块851中，从多个用户收集训练数据。所收集的训练数据包括真实用户满意度数据，其指示一个或多个用户对健康计划的一个或多个满意度水平。所收集的训练数据还包括针对用户的表现相关数据或社交/情境相关数据中的至少一个。

在处理块852中，从所收集的训练数据中提取特征。

在处理块853中，基于所提取的特征和真实用户满意度数据来训练统计模型。由训练得到的统计模型将所提取的每个特征映射到对应的满意度水平。

在一个实施例中，处理块851至853可以至少由训练数据收集器255和满意度确定训练引擎265执行。

图12是示出了包括用于实现所公开的实施例的计算机系统600在内的信息处理系统的高级框图。可以使用计算机系统600来实现满意度确定系统200的一个或多个组件(例如，训练数据收集器255、满意度确定训练引擎265、数据收集器250、满意度确定引擎260、个性化校正推荐引擎270、和/或警报引擎280)。计算机系统600可以包含在设备50或服务器设备110中。计算机系统600包括一个或多个处理器601，并且还可以包括电子显示设备602(用于显示视频、图形、文本和其他数据)、主存储器603(例如，随机存取存储器(RAM))、存储设备604(例如，硬盘驱动器)、可拆卸存储设备605(例如，可拆卸存储驱动器、可拆卸存储器模块、磁带驱动器、光盘驱动器、其中存储有计算机软件和/或数据的计算机可读介质)、查看器接口设备606(例如，键盘、触摸屏、键区、定点设备)、以及通信接口607(例如，调制解调器、网络接口(比如，以太网卡)、通信端口或PCMCTA插槽和卡)。通信接口607允许在计算机系统和外部设备之间传送软件和数据。计算机系统600还包括与上述设备/模块601到607相连的通信基础设施608(例如，通信总线、交叉条或网络)。

经由通信接口607传送的信息可以具有能够经由通信链路由通信接口607接收的信号(例如，电子、电磁、光学或其他信号)的形式，所述通信链路承载信号并且可以使用电线或电缆、光纤、电话线、蜂窝电话链路、射频(RF)链路和/或其他通信信道来实现。表示本文中的框图和/或流程图的计算机程序指令可以被加载到计算机、可编程数据处理装置或处理设备上，以使在其上执行的一系列操作产生计算机实现的处理。在一个实施例中，针对处理800(图11A)的处理指令和针对处理850(图11B)的处理指令可以作为程序指令存储在存储器603、存储设备604和可拆卸存储设备605上，以供处理器601执行。

已经参考方法、装置(系统)和计算机程序产品的流程图图示和/或框图描述了实施例。这些图示/图中的每个块或其组合可以由计算机程序指令实现。当提供给处理器时，计算机程序指令产生机器，使得经由处理器执行的指令创建用于实现流程图和/或框图中指定的功能/操作的装置。流程图/框图中的每个块可以表示硬件和/或软件模块或逻辑。在备选实现中，块中标注的功能可以以附图中所示顺序之外的顺序发生、同时发生等。

术语“计算机程序介质”、“计算机可用介质”、“计算机可读介质”和“计算机程序产品”通常用于指代诸如主存储器、辅存储器、可拆卸存储驱动器、安装在硬盘驱动器中的硬盘和信号之类的介质。这些计算机程序产品是用于向计算机系统提供软件的装置。计算机可读介质允许计算机系统从计算机可读介质读取数据、指令、消息或消息分组、以及其他计算机可读信息。计算机可读介质例如可以包括非易失性存储器，例如软盘、ROM、闪存、磁盘驱动器存储器、CD-ROM和其他永久存储器。例如，其对于在计算机系统之间传输诸如数据和计算机指令之类的信息是有用的。计算机程序指令可以存储在计算机可读介质中，所述计算机可读介质可以指导计算机、其他可编程数据处理装置或其他设备按照特定的方式作用，使得计算机可读介质中存储的指令产生制品，所述制品包括实现在所述流程图和/或框图的块中指定的功能/动作的指令。

如本领域技术人员所意识到的，实施例的方面可以体现为系统、方法、或计算机程序产品。因此，实施例的方面可以采取全硬件实施例、全软件实施例(包括固件、驻留软件、微代码等)或组合了软硬件方面的实施例的形式，它们在本文中可以统称为“电路”、“模块”或“系统”。此外，实施例的方面可以采用在其上体现有计算机可读程序代码的一个或多个计算机可读介质中体现的计算机程序产品的形式。

可以使用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读存储介质。计算机可读存储介质可以是例如(但不限于)电、磁、光、电磁、红外、或半导体系统、装置或设备、或者前述各项的任意合适组合。计算机可读存储介质的更具体的示例(非穷尽性列表)将包括以下各项：具有一个或多个电线的电连接、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)、光纤、便携式高密度盘只读存储器(CD-ROM)、光存储设备、磁存储设备、或前述各项的任意合适组合。在本文档的上下文中，计算机可读存储介质可以是任何有形介质，其可以包含或存储由指令执行系统、装置或设备使用或与指令执行系统、装置或设备相关的程序。

用于执行一个或多个实施例的方面的操作的计算机程序代码可以用一种或多种编程语言的任何组合来编写，包括面向对象的编程语言(例如Java、Smalltalk、C++等)以及传统的程序化编程语言(例如″C″编程语言或类似编程语言)。程序代码可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立软件包来执行，部分在用户计算机上且部分在远程计算机上执行，或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(包括局域网(LAN)或广域网(WAN))连接到用户的计算机，或者可以连接外部计算机(例如，通过使用互联网服务提供商的互联网)。

以上参考方法、装置(系统)和计算机程序产品的流程图图示和/或框图来描述一个或多个实施例的方面。应当理解，流程图图示和/或框图中的每一个块、以及流程图图示和/或框图中的多个块的组合可以通过计算机程序指令来实现。这些计算机程序指令可以提供给专用计算机或用来产生机器的其他可编程数据处理装置，使得该指令(经由计算机的处理器或其他可编程数据处理装置执行)创建用来实现流程图和/或框图中的块中指定的功能/动作的装置。

这些计算机程序指令还可以存储在计算机可读介质中，所述计算机可读介质可以指导计算机、其他可编程数据处理装置或其他设备按照特定的方式作用，使得计算机可读介质中存储的指令产生制品，所述制品包括实现在所述流程图和/或框图的块中指定的功能/动作的指令。

计算机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，以使得一系列可操作步骤在计算机、其他可编程装置或其他设备上执行，以产生计算机实现的处理，使得在计算机、或其他可编程装置上执行的指令提供用于执行流程图和/或框图中的块中指定的功能/动作的处理。

附图中的流程图和框图示出了根据各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这方面，流程图或框图中的每个块可以表示模块、段或指令的一部分，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。在一些备选实现中，块中标注的功能可能以附图中所示顺序之外的顺序发生。例如，连续示出的两个块实际上可以实质上同时执行，或者所述块在某些时候会以相反的顺序执行，这取决于所涉及的功能。还将注意到，框图和/或流程图图示的每个块、以及框图和/或流程图图示中的块的组合可以由基于专用硬件的系统来实现，该系统执行指定的功能或动作，或执行专用硬件和计算机指令的组合。

除非明确地阐述，否则权利要求中以单数形式对元件的参考不意在表示“一个且仅一个”，而是“一个或多个”。目前本领域技术人员已知的或以后为本领域普通技术人员所知的上述示例性实施例的元件的所有结构和功能等同物旨在由本权利要求所涵盖。除非使用短语“用于...的装置”或“用于...的步骤”来明确陈述元素，否则不应按照35U.S.C.112第六款的规定来解释本文权利要求中的元素。

本文中所使用的术语仅仅是为了描述特定实施例的目的，而不是意在限制本发明。如本文中使用的，单数形式“一”、“一个”和“所述”意在还包括复数形式，除非上下文明确地给出相反的指示。还将理解，术语“包括”和/或“包含”当在本说明书中使用时，规定了存在所声明的特征、整数、步骤、操作、元件和/或组件，但是并没有排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或其组合。

所附权利要求书中的所有装置或步骤加功能元素的对应结构、材料、动作和等同物旨在包括用于与特别要求保护的其他要求保护的元素相组合地执行该功能的任何结构、材料或动作。已经为了说明和描述的目的而呈现了实施例的描述，但实施例的描述并不旨在是穷尽的或限于所公开的形式的实施例。在不脱离本发明的范围和精神的情况下，许多修改和变化对于本领域普通技术人员是显而易见的。

尽管已经参考实施例的某些版本描述了实施例；然而，其他版本是可能的。因此，所附权利要求的精神和范围不应限于本文包含的优选版本的描述。

Claims (20)

1.一种方法，包括：

从用户的一个或多个设备接收用户数据；

基于学习的统计模型来确定所述用户对健康计划的满意度水平；以及

基于所述满意度水平来选择性地向不同的用户发送通信。

2.根据权利要求1所述的方法，还包括：

确定用于改善所述用户的所述满意度水平的推荐。

3.根据权利要求1所述的方法，还包括：

在所述用户的设备上，基于所述健康计划的一个或多个要求和由所述设备捕获的数据来确定用于改善所述用户的所述满意度水平的推荐，其中所捕获的数据包括敏感用户数据，并且所述推荐被提供给所述用户以用于审阅。

4.根据权利要求1所述的方法，其中，所述用户数据包括以下至少一项：医疗健康记录、能够测量的身体活动数据、社交联网和在线使用数据、或情境线索数据。

5.根据权利要求1所述的方法，其中，所述满意度水平指示所述用户将完成所述健康计划的可能性。

6.根据利要求1所述的方法，其中，基于所述用户的所述满意度水平来选择性地向不同的用户发送通信包括：

将所述用户的所述满意度水平与阈值进行比较；以及

根据所述比较来选择性地向所述不同的用户发送警报。

7.根据权利要求1所述的方法，其中，所述不同的用户是健康管理者、家庭成员或朋友之一。

8.根据权利要求1所述的方法，其中，基于学习的统计模型来确定所述用户对健康计划的满意度水平包括：

从所述用户数据中提取一个或多个特征；以及

基于所述学习的统计模型将所提取的一个或多个特征映射到预测的满意度水平。

9.根据权利要求2所述的方法，其中，基于学习的统计模型来确定所述用户对健康计划的满意度水平包括：

针对所述健康计划的每个方面，确定所述用户对所述方面的对应满意度水平；以及

基于与所述健康计划的每个方面相对应的每个满意度水平的加权平均值，来确定所述用户对所述健康计划的总体满意度水平。

10.根据权利要求9所述的方法，其中，确定用于改善所述用户的所述满意度水平的推荐包括：

针对所述健康计划的每个方面：

将所述用户的对应满意度水平与阈值进行比较；以及

基于与每个比较相对应的每个满意度水平，选择性地确定用于改善所述用户的所述对应满意度水平的对应推荐。

11.根据权利要求9所述的方法，其中，确定用于改善所述用户的所述满意度水平的推荐包括：

基于与所述健康计划的每个方面相对应的每个满意度水平来确定所述健康计划的哪个方面最有效，其中所述推荐包括对所述健康计划的最有效方面加以指示的信息。

12.一种系统，包括：

至少一个处理器；以及

存储指令的非暂时性处理器可读存储器设备，

所述指令当由所述至少一个处理器执行时，使所述至少一个处理器执行包括以下项的操作：

从用户的一个或多个设备接收用户数据；

基于学习的统计模型来确定所述用户对健康计划的满意度水平；以及

基于所述满意度水平来选择性地向不同的用户发送通信。

13.根据权利要求12所述的系统，所述操作还包括：

确定用于改善所述用户的所述满意度水平的推荐。

14.根据权利要求12所述的系统，其中，所述用户数据包括以下至少一项：医疗健康记录、能够测量的身体活动数据、社交联网和在线使用数据、或情境线索数据。

15.根据权利要求12所述的系统，其中，所述满意度水平指示所述用户将完成所述健康计划的可能性。

16.根据利要求12所述的系统，其中，基于所述用户的所述满意度水平来选择性地向不同的用户发送通信包括：

将所述用户的所述满意度水平与阈值进行比较；以及

根据所述比较来选择性地向所述不同的用户发送警报。

17.根据权利要求12所述的系统，其中，所述不同用户是健康管理者、家庭成员或朋友之一。

18.根据权利要求12所述的系统，其中，基于学习的统计模型来确定所述用户对健康计划的满意度水平包括：

针对所述健康计划的每个方面，确定所述用户对所述方面的用户的对应满意度水平；以及

基于与所述健康计划的每个方面相对应的每个满意度水平的加权平均值，来确定所述用户对所述健康计划的总体满意度水平。

19.一种方法，包括：

在训练阶段中，

从多个用户收集用户数据，其中所收集的用户数据包括真实用户满意度数据，所述真实用户满意度数据指示一个或多个用户对健康计划的一个或多个满意度水平；

从所述用户数据中提取特征；以及

基于所提取的特征和所述真实满意度数据来训练统计模型，其中所述统计模型将给定的提取特征集合映射到对应的满意度水平。

20.根据权利要求19所述的方法，还包括：

在所述训练阶段中，

在预定持续时间内以预定频率向至少一个用户询问一个或多个调查问题，以获得附加的真实用户满意度数据。