CN113454669A - 通过用户访问的特征来表征地点 - Google Patents
通过用户访问的特征来表征地点 Download PDFInfo
- Publication number
- CN113454669A CN113454669A CN202080015691.6A CN202080015691A CN113454669A CN 113454669 A CN113454669 A CN 113454669A CN 202080015691 A CN202080015691 A CN 202080015691A CN 113454669 A CN113454669 A CN 113454669A
- Authority
- CN
- China
- Prior art keywords
- user
- access
- venue
- profile
- determined
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims 3
- 238000012512 characterization method Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 44
- 238000013480 data collection Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 235000020805 dietary restrictions Nutrition 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004883 computer application Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 235000020785 dietary preference Nutrition 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
在本文中所描述的技术的各方面基于用户访问表征的场所简档为用户提供个性化的计算体验。具体地,确定对场所的用户访问。对于那些访问,确定用户特性和/或访问特性。可以确定用户相似性和访问特征相似性,并且将其与场所相关联以形成用户访问表征的场所简档。所述用户访问表征的场所简档可以提供给诸如与用户相关联的个人助理服务之类的应用或服务,或者可以作为API提供以促进由应用或服务对用户访问表征的场所简档的消费。
Description
背景技术
当前能够导出关于人们访问地点或场所的数据。然而,目前该数据并不用于基于从访问导出的信息来获悉和表征地点或场所。关于这些场所的特定数据可能是已知的,所述数据可能来自公共目录、网站、社交媒体等,但是该数据并不是基于访问场所的用户的特性来生成的。
最常观察到的先前技术可能向用户提供关于场所被访问的流行时间的信息。但是该信息是不完全的;例如,特定场所可能在特定时间受欢迎的。但是该信息不会告知用户在该时间段期间的人口统计信息,诸如可能的用户年龄、或者用户集合是否有特定饮食限制。该数据在用户做出关于访问场所的决定时以及对吸引特定用户感兴趣的场所可能是有帮助的。
基于从用户对场所的访问导出的特征(例如,关于访客的数据、特定类型的访客在一天中的特定时间在所述场所花费的时间量、用户在场所执行的活动、用户在场所之前/之后去过哪里)以更细粒度的方式表征场所,以及随后提取或创建结构化的用户访问表征的场所简档,将是有帮助的。
发明内容
提供该发明内容以简化的形式介绍在下文的详细描述中进一步描述的概念的集合。本发明内容并不意图识别所要求保护的主题的关键特征或必要特征,也并不意图单独使用以辅助确定所要求保护的主题的范围。
在本公开中所描述的实施例涉及用于根据基于用户访问的特征确定场所的特性来为用户提供在本文中所描述的技术的个性化的计算体验的系统和方法。具体地,实施例可以确定所访问的场所是否具有由用户访问数据来表征的现有场所简档。如果不存在场所简档,则将创建一个场所简档。如果存在场所简档,则所述场所简档将基于最近访问的特性进行更新。例如,简档能够包含来自已经访问过所述场所的多个用户的用户数据的模式,包括时间模式(特定类型的用户何时访问、他们停留多长时间)和行为模式(用户的相似品质,如年龄、兴趣、活动)。例如,所述简档还能够包含访问特征相似性或模式。所述简档与场所相关联,并且使得可用于用户访问表征的场所简档消费者,允许消费者提供更好的场所搜索和业务索引,向用户推荐关于场所的个性化的内容,或者更准确地表征位置(位置消歧)。以这种方式,本公开的实施例能够比提供场所的信息或特性的先前方法提供更高的粒度和准确性。
附图说明
下文参考随附的附图详细描述了在本申请中所描述的技术的各方面,其中:
图1是适合于实现本公开的各方面的示例性操作环境的框图;
图2是描绘适合于实现本公开的各方面的示例性计算架构的图;
图3描绘了根据本公开的实施例的用于基于用户访问数据来表征场所的示例性过程流;以及
图4是适合用于实现本公开的实施例的示例性计算环境的框图。
具体实施方式
本公开的各方面的主题在本文中被具体描述以满足法定要求。然而,描述自身并不旨在限制本专利的范围。相反,发明人已经设想到所要求保护的主题也可能以其他方式来体现,以结合其他现有或未来技术包括与在本文档中所描述的步骤不同的步骤或相似步骤的组合。此外,尽管术语“步骤”和/或“块”在本文中可以被用于暗示所采用的方法的不同要素,但是所述术语不应当被解释为暗示在本文中所公开的各个步骤之间的任何特定次序,除非并且除了明确描述了个体步骤的次序。
在本文中所描述的技术的各个方面涉及系统、方法和计算机存储介质等,其用于确定从访问场所的用户导出的地点(场所)的特征或特性,或者基于确定出的场所简档来提供个性化的计算体验。具体地,实施例可以确定对场所的用户访问。对于确定访问场所的用户,实施例可以确定用户特性的集合,然后将其与场所相关联。基于确定出的与场所相关联的用户特性,实施例可以确定所确定出的特性之间的相似性,并且将那些相似性与场所相关联以形成用户访问表征的场所简档。在一些实施例中,确定所确定出的访问的特征,并且确定访问特征相似性并且将其与场所相关联以补充用户访问表征的场所简档。在一些实施例中,所确定的用户相似性和访问相似性包括一种或多种用户特征模式以及一种或多种访问特征模式。在一些实施例中,任何现有的和已知的场所特性也被确定并且被添加到用户访问表征的场所简档。可以将用户访问表征的场所简档提供给诸如与用户相关联的个人数字助理服务(或虚拟助理)的应用或服务,或者可以作为应用编程接口(API)提供以促进通过计算应用或服务来消费用户访问表征的场所简档。
以这种方式,本公开的实施例在提供场所信息方面能够提供比常规方法更高的粒度、准确性和新鲜度。具体地,一些实施例利用关于实际访问场所的用户的相关信息(诸如用户行为模式和访问模式),来确定场所的更准确的简档(与例如由想要吸引实际上可能不访问场所的特定用户的所有者提供的静态信息相反)。
现在转向图1,提供了示出其中可以采用本公开的一些实施例的示例性操作环境100的框图。应当理解,在本文中所描述的这种和其他布置仅作为示例来阐述。除了或替代所示的那些,能够使用其他布置和元件(例如,机器、接口、功能、次序和功能分组),并且为了清楚起见可以一起省略一些元件。此外,在本文中所描述的元件中的许多元件是功能实体,其可以被实现为分立或分布式组件或者与其他组件结合,并且以任何合适的组合和位置来实现。在本文中被描述为由一个或多个实体执行的各种功能可以由硬件、固件和/或软件来执行。例如,一些功能可以由执行被存储在存储器中的指令的处理器来执行。
在未示出的其他组件中,示例性操作环境100包括多个用户设备,诸如用户设备102a和102b至102n;多个数据源,诸如数据源104a和104b至104n;服务器106;传感器103a和107;以及网络110。应当理解,在图1中所示的环境100是一种合适的操作环境的示例。在图1中所示的组件中的每个组件可以经由任意类型的计算设备来实现,诸如结合图4所描述的计算设备400。这些组件可以经由网络110彼此通信,网络110可以包括但不限于一个或多个局域网(LAN)和/或广域网(WAN)。在示例性实现方式中,网络110包括互联网和/或蜂窝网络,以及各种可能的公共和/或专用网络中的任意一种。
应当理解,在本公开的范围内,可以在操作环境100内采用任意数量的用户设备、服务器和数据源。每个可以包括单个设备或者在分布式环境中协作的多个设备。例如,服务器106可以经由被布置在分布式环境中的多个设备来提供,所述多个设备共同提供在本文中所描述的功能。另外,未示出的其他组件也可以被包含在分布式环境中。
用户设备102a和102b至102n能够是操作环境100的客户端侧上的客户端设备,而服务器106能够在操作环境100的服务器侧。服务器106能够包括服务器侧软件,其被设计为结合用户设备102a和102b至102n上的客户端侧软件一起工作,以便实现在本公开中所讨论的特征和功能的任意组合。提供对操作环境100的这种划分是为了说明合适环境的一个示例,并且对于每个实现方式不要求服务器106与用户设备102a和102b至102n的任何组合保持作为单独的实体。
用户设备102a和102b至102n可以包括用户能够使用的任意类型的计算设备。例如,在一个实施例中,用户设备102a至102n可以是在本文中关于图4所描述的计算设备的类型。通过示例而非限制,用户设备可以被体现为个人计算机(PC)、膝上型计算机、移动或移动设备、智能电话、平板计算机、智能手表、可穿戴计算机、个人数字助理(PDA)、音乐播放器或MP3播放器、全球定位系统(GPS)或设备、视频播放器、手持通信设备、游戏设备或系统、娱乐系统、车辆计算机系统、嵌入式系统控制器、相机、遥控器、条形码扫描仪、计算机化测量设备、器具、消费电子设备、工作站或这些描述的设备的任意组合,或者任何其他合适的计算机设备。
数据源104a和104b至104n可以包括数据源和/或数据系统,其被配置为使得数据可用于操作环境100或结合图2所描述的系统200的各种组成部分中的任意组成部分。(例如,在一个实施例中,一个或多个数据源104a至104n向图2的用户数据收集组件210提供(或者使得其可用于访问)用户数据。)数据源104a和104b至104n可以与用户设备102a和102b至102n和服务器106分立,或者可以被并入和/或集成到那些组件中的至少一个组件中。在一个实施例中,数据源104a至104n中的一个或多个数据源包括一个或多个传感器,所述传感器可以被集成到一个或多个用户设备102a、102b或102n或服务器106中或者与其相关联。结合图2的用户数据收集组件210进一步描述了由数据源104a至104n可用的感测到的用户数据的示例。
操作环境100能够被用于实现在图2中所描述的系统200的组件中的一个或多个组件,包括用于收集用户数据、监视用户活动和事件、确定用户访问数据、生成用户访问表征的场所简档、消费用户访问表征的场所简档以提供经改善的用户体验、生成个性化的内容、和/或向用户呈现通知和相关内容的组件。操作环境100也能够被用于实施在图3中所描述的过程流300的各方面。现在结合图1参考图2,提供了示出适合于实现本公开的实施例并且通常被指定为系统200的示例性计算系统架构的各方面的框图。系统200仅表示合适的计算系统架构的一个示例。除了或替代所示的布置和元件,能够使用其他布置和元件,并且为了清楚起见可以完全省略一些元件。此外,如与操作环境100一样,在本文中所描述的元件中的许多元件是功能实体,其可以被实现为分立或分布式组件或者与其他组件相结合,并且在任何合适的组合和位置。
示例性系统200包括结合图1所描述的网络110,并且其通信地耦合系统200的组件,所述组件包括用户数据收集组件210、呈现组件218、存储装置225、访问监视器230、用户访问表征的场所简档引擎260以及一个或多个用户访问表征的场所简档消费者270。用户数据收集组件210、呈现组件218、访问监视器230和用户访问表征的场所简档引擎260可以被体现为一组经编译的计算机指令或功能、程序模块、计算机软件服务,或者在一个或多个计算机系统(例如,诸如结合图4所描述的计算设备400)上执行的过程布置。
在一个实施例中,由系统200的组件执行的功能与一个或多个个人数字助理(有时被称为“虚拟助理”)应用、服务或例程相关联。具体地,这样的应用、服务或例程可以在一个或多个用户设备(诸如用户设备104a)、服务器(诸如服务器106)上操作,可以被分布在一个或多个用户设备和服务器上,或者在云中实现。此外,在一些实施例中,系统200的这些组件可以跨网络分布,包括一个或多个服务器(诸如服务器106)和客户端设备(诸如用户设备102a),在云中,或者可以驻留在诸如用户设备102a的用户设备上。此外,这些组件、由这些组件执行的功能或者由这些组件执行的服务可以在(一个或多个)计算系统的(一个或多个)适当抽象层(诸如操作系统层、应用层、硬件层)等处实现。替代地或另外,这些组件和/或在本文中所描述的本公开的实施例的功能能够至少部分地由一个或多个硬件逻辑组件来执行。例如但不限于:能够使用的说明类型的硬件逻辑组件包括现场可编程门阵列(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)等。另外,尽管在本文中关于在示例性系统200中所示的特定组件描述了功能性,但是设想到了在一些实施例中这些组件的功能性能够跨其他组件来共享或分布。
继续图2,用户数据收集组件210通常负责从一个或多个数据源(诸如图1的数据源104a和104b至104n)访问或接收(并且在一些情况下还识别)用户数据。在一些实施例中,用户数据收集组件210可以被用于促进针对访问监视器230、用户访问表征的场所简档引擎260或者系统200的其他组件或子组件对特定用户(或者在一些情况下,包括众包数据的多个用户)的用户数据的积累。所述数据可以由用户数据收集组件210接收(或访问),并且可选地累积、重新格式化和/或组合,并且被存储在一个或多个数据存储库中(诸如存储装置225),其中,其对于系统200的组件或子组件可用。例如,用户数据可以被存储在用户简档240中或者与用户简档240相关联,如在本文中所描述的。在一些实施例中,任何个人识别数据(即,专门识别特定用户的用户数据)不是从一个或多个数据源与用户数据一起上传,不是永久存储,与任何特定用户去识别化,和/或不可用于系统200的组件或子组件。在一些实施例中,用户可以选取加入或退出由在本文中所描述的技术提供的服务,和/或选择哪些用户数据和/或哪些用户数据源被这些技术利用。
可以从各种源接收用户数据,其中,所述数据可以以各种格式来获得。例如,在一些实施例中,经由用户数据收集组件210接收到的用户数据可以经由一个或多个传感器(诸如图1的传感器103a和107)来确定,所述传感器可以在一个或多个用户设备(诸如用户设备102a)、服务器(诸如服务器106)和/或者其他计算设备上或者与其相关联。如在本文中所使用的,传感器可以包括用于感测、检测或者以其他方式从数据源104a获得诸如用户数据的信息的功能、例程、组件或者其组合,并且可以被体现为硬件、软件或者这两者。通过示例而非限制,用户数据可以包括从一个或多个传感器感测或确定的数据(在本文中被称为传感器数据),诸如(一个或多个)移动设备的位置信息、智能手机数据(诸如电话状态、充电数据、日期/时间或者来自智能手机的其他信息)、用户活动信息(例如,app使用情况;在线活动;搜索;语音数据,诸如自动语音识别;活动日志;通信数据,包括通话、文本、即时消息和电子邮件;网站帖子;与通信事件相关联的其他用户数据;与用户设备的其他用户交互等),包括在多于一个用户设备上发生的用户活动、用户历史、会话日志、应用数据、联系人数据、日历和日程数据、通知数据、社交网络数据、新闻(包括搜索引擎或社交网络上的流行或趋势项目)、在线游戏数据、电子商务活动(包括来自诸如视频流服务、游戏服务或Xbox的在线账户的数据)、(一个或多个)用户账户数据(其可以包括来自用户偏好或者与个性化相关(例如,“个人助理”或“虚拟助理”)应用或服务相关联的设置的数据)、家庭传感器数据、电器数据、GPS数据、车辆信号数据、交通数据、天气数据(包括预报),可穿戴设备数据、其他用户设备数据(其可以包括设备设置、简档、网络相关信息(例如,网络名称或ID、域信息、工作组信息、其他网络连接数据、Wi-Fi网络数据或配置数据,有关型号、固件或设备、设备配对的数据,诸如用户将手机与蓝牙耳机配对的情况,或者其他与网络相关的信息)、陀螺仪数据、加速度计数据、付款或信用卡使用数据(其可以包括来自用户的PayPal账户的数据)、购买历史数据(诸如来自用户的Xbox Live、Amazon.com或eBay账户的信息)、可以由(一个或多个)传感器(或者其他检测器)组件感测或者以其他方式检测到的其他传感器数据,包括从与用户相关联的传感器组件导出的数据(包括地点、运动、取向、位置、用户访问、用户活动、网络访问、用户设备充电或者能够由一个或多个传感器组件提供的其他数据)、基于其他数据导出的数据(例如,能够从Wi-Fi、蜂窝网络或IP地址数据导出的位置数据),以及可以如在本文中所描述地感测或确定的几乎任何其他数据源。
用户数据能够由用户数据收集组件210从一个或多个传感器和/或与用户相关联的计算设备来接收。尽管出于用户数据收集组件210的可解释性,设想到了用户数据由传感器或者未示出的其他组件来处理,但是在本文中所描述的实施例不将用户数据限制为经处理的数据并且可以包括原始数据。在一些方面中,可以在用户数据流或信号中提供用户数据。“用户信号”能够是来自对应数据源的用户数据的馈送或流。例如,用户信号可能来自智能手机、家庭传感器设备、GPS设备(例如,用于位置坐标)、车辆传感器设备、可穿戴设备、用户设备、陀螺仪传感器、加速度计传感器、日历服务、电子邮件账户、信用卡账户或者其他数据源。在一些实施例中,用户数据收集组件210连续地、定期地或者根据需要来接收或访问用户相关数据。
访问监视器230通常负责监视用户数据以获取可以被用于确定当前用户对位置或场所的访问、确定感测到的用户数据以及确定访问/活动特征的信息。在一些实施例中,由访问监视器230确定的信息可以被提供给用户访问表征的场所简档引擎260或者可以被存储在用户简档240和/或场所简档250中。
在高级别处,访问监视器230的实施例可以使用当前用户数据,包括位置信息,以确定或归因用户的当前位置,其可以由位置归因组件232来执行,如下文所描述的。基于当前位置属性,可以确定针对用户的当前访问。在一些实施例中,可以使用从用户数据(包括当前或历史用户数据)识别出的特征来确定当前访问,诸如用户在特定位置停留了多长时间。例如,指示用户在一段时间内处于同一大致地理位置的用户数据比指示用户仅短暂停留在特定位置的用户数据(诸如在用户正在驾驶经过某个位置,但是并未访问该位置的情况)更有可能暗示发生了访问。因此,“访问”可以指示用户对在用户的当前位置处的意图的程度。在一些实施例中,可以确定访问,其中,用户在特定时间范围内大致保持在相同的地理位置处。相比之下,仅经过当前位置或暂时在当前位置处可以指示在当前位置处未发生访问。在一些实施例中,当前或历史访问可以由访问标识符234来确定,如下文所描述的,并且与访问相关联的特征和/或活动可以由访问活动/特征确定器238来确定,也在下文所描述的。在一些实施例中,访问标识符234还可以考虑用户明确的信号,诸如用户肯定地“登记”或者以其他方式肯定地指示存在于某个位置处。
在一些实施例中,与对当前位置的先前访问相关联的用户位置历史信息还可以被用于确定当前访问。例如,在实施例中,关于用户刚刚来自哪里(用户的先前位置)的位置历史信息被用于促进访问识别,诸如在哪里使用消歧来识别关于当前访问的信息。例如,在用户位置历史信息指示用户先前在餐馆处,并且当前位置信息指示用户在具有咖啡店和餐馆的另一地理位置的情况下,则可以使用消歧来确定用户更可能在咖啡店处而不是在另一家餐馆处。
如在示例性系统200中所示的,访问监视器230包括位置归因组件232、访问标识符234、用户数据确定器236和访问/活动特征确定器238。在一些实施例中,访问监视器230和/或其一个或多个子组件可以从接收到的用户数据中确定解释性数据。解释性数据与被访问监视器230的子组件(或者系统200的其他组件或子组件)用于解释用户数据的数据。例如,解释性数据能够被用于向用户数据提供上下文,其能够支持由子组件做出的确定或推断,诸如上文所描述的消歧示例。此外,设想到了访问监视器230、其子组件和系统200的其他组件的实施例可以使用用户数据和/或用户数据与解释性数据相结合以执行在本文中所描述的子组件的目标。
如先前所描述的,位置归因组件232通常负责使用用户数据来确定位置属性。用户数据的示例可以包括指示位置信息的任何用户数据(或传感器数据),诸如GPS、无线通信(例如,蜂窝或Wi-Fi接入点)、与当前用户活动相关联的IP地址、用户签到/社交网络信息,或者可以从中确定位置信息的其他用户数据。在一些实施例中,位置归因组件232将该位置归因于用户感兴趣的位置,诸如用户经常光顾的位置。例如,在一些实施例中,由位置数据指示的位置可以被聚类,并且密集的聚类被用于确定用户花费时间的那些位置。此外,在一些实施例中,位置归因组件232执行过滤,这可以移除位置信息异常值(例如,来自300码外的Wi-Fi导出的位置数据点表明用户在该位置处);聚类;或者其他手段来确定用于归因的位置数据。位置归因组件232的实施例可以确定当前位置,并且还可以利用与用户相关联的位置数据(诸如记录的用户数据或记录的位置信息,其可以被存储在用户简档中,诸如用户简档240中的历史位置数据243)来执行位置归因。当前和历史位置属性可以被用于确定访问,包括当前和历史访问。
访问标识符234通常负责确定(或识别)访问已经发生。访问标识符234的实施例可以被用于确定当前访问或者一个或多个历史访问,诸如对与当前访问相同位置的历史访问。访问标识符234的一些实施例可以使用由位置归因组件232确定的位置属性来识别访问。例如,如先前所描述的,指示用户在同一大致地理位置一段时间的用户数据可以指示访问。具体地,在一个实施例中,可以通过连接指示用户在同一大致位置附近的连续(或基本上连续)用户位置数据来识别访问,并且在一些情况下滤除异常值。例如,访问监视器230可以连续地、定期地或者根据需要来监视位置信息(其可以从由用户数据收集组件210提供的用户数据中获得)。在一些情况下,所监视的位置信息可以具有针对感测或者以其他方式确定位置信息的时间的对应时间戳。因此,可以确定位置-时间数据的集合包括指示位置和检测到所述位置的对应时间的数据点。在一些实施例中,位置-时间数据包括位置信息的时间序列。因此,在一些实施例中,可以基于连接时间序列中指示同一大致位置的连续(或近似连续)数据点来确定访问。在一些实施例中,位置-时间数据可以被存储在位置数据243或用户访问数据244中。可以使用当前位置属性数据来确定当前访问,并且使用历史位置属性数据来确定历史访问。
在确定访问正在发生或者已经发生之后,用户数据确定器236确定用户数据(来自用户数据收集组件210,或者来自用户简档240)。用户数据确定器236通常负责确定与(一次或多次)访问相关的感测到的用户数据以及其他用户数据,并且将该用户数据与用户访问数据244中的场所相关联。用户访问数据244可以包括由上文所描述的用户数据收集组件210收集的或者被存储在用户简档240中的任何用户信息,诸如访问的时间、日子或日期;用户活动信息(例如:app使用情况;在线活动;网站帖子;与用户设备的其他用户交互等),包括在多于一个用户设备上发生的用户活动、用户特性(年龄、职业、饮食限制、学校附属机构等)、陀螺仪数据、加速度计数据、支付或信用卡使用数据(其可以包括来自用户的PayPal账户的信息)、购买历史数据(诸如来自用户的Xbox Live、Amazon.com或eBay账户的信息),可以由(一个或多个)传感器(或者其他检测器)组件感测或者以其他方式检测到的其他传感器数据,包括从与用户相关联的传感器组件导出的数据(包括地点、运动、取向、位置、用户访问、用户活动、网络访问、用户设备计费或者能够由一个或多个传感器组件提供的其他数据)、用户历史、会话日志、应用数据、联系人数据、日历和日程安排数据、通知数据、社交网络数据、新闻(包括搜索引擎或社交网络上的流行或趋势项目)、在线游戏数据、电子商务活动(包括来自诸如 视频流服务、游戏服务或Xbox的在线账户的数据)、(一个或多个)用户账户数据(其可以包括来自与个性化相关的(例如,“个人助理”或“虚拟助理”)应用或服务相关联的用户偏好或设置的数据)、家庭传感器数据、电器数据、GPS数据、车辆信号数据、交通数据、天气数据(包括预报)、其他用户设备数据(其可以包括设备设置、简档、网络相关信息(例如,网络名称或ID、域信息、工作组信息、其他网络连接数据、Wi-Fi网络数据或配置数据、有关型号、固件或设备的数据、设备配对,诸如用户将移动手机与蓝牙耳机配对的情况,或者其他网络相关信息))、基于其他数据导出的数据(例如,能够从Wi-Fi、蜂窝网络或IP地址数据导出的位置数据),以及可以如在本文中所描述地感测或确定的几乎任何其他数据源。在一些实施例中,用户数据确定器236可以将确定出的用户数据和其他用户数据与相关访问相关联。替代地,关联或记录可以由另一服务来执行。例如,用户数据确定器236的一些实施例将确定出的用户数据提供给访问/活动特征确定器238,其确定与访问或用户活动(诸如下文所描述的)和/或相关上下文信息相关联的特征或变量。
在一些实施例中,访问/活动特征确定器238确定与访问相关的上下文信息,诸如与访问相关的实体(例如,存在于所述位置处的其他人)、关于已知访问的任何场所或场所相关信息,或者在该位置处由用户执行的检测到的活动。通过示例而非限制,这可以包括上下文特征,诸如关于位置的信息,诸如已知的场所信息(例如,这是用户的办公室位置、家庭位置、健身房)、时间(包括例如到达/出发时间或停留持续时间)、天和/或日期,其可以被表示为与访问相关联的时间戳,访问之前和/或之后的其他用户活动,关于访问的其他信息,诸如与访问相关联的实体(例如,场所、人、物体),与访问同时或基本同时的与用户相关联的用户设备上的(一个或多个)传感器检测到的信息(例如,经由计算设备检测到的用户活动,诸如观看娱乐控制台上的流送电影,或者在健身追踪用户设备上检测到的运动信息或生理信息),在一个或多个用户设备上的用户交互(诸如浏览特定类型的网页、收听音乐、拍照、撰写电子邮件或者任何其他类型的用户设备交互),社交媒体活动,或者与访问相关的可用于确定与用户访问相关联的特征或模式的任何其他可检测的信息。
在使用与用户的用户设备相关的上下文信息的实施例中,可以通过检测和分析诸如设备硬件的用户设备、诸如操作系统(OS)的软件的特性、网络相关特性、经由设备访问的用户账户以及类似的特性,来识别特定用户设备。例如,可以使用许多操作系统的功能来确定关于用户设备的信息以提供关于硬件、OS版本、网络连接信息、安装的应用等的信息。在一些实施例中,可以为与用户相关联的每个设备来确定设备名称或标识(设备ID)。关于与用户相关联的识别的用户设备的该信息可以被存储在与用户相关联的用户简档中,诸如被存储在用户简档240中。在实施例中,可以轮询、询问或者以其他方式分析所述用户设备以确定位置信息或者有关设备的上下文信息。该信息可以被用于确定设备的标签或标识(例如,设备ID),使得关于在一个用户设备上捕获的特定访问的上下文信息可以被识别并且与由另一用户设备捕获的数据区分开。在与用户相关联的两个或更多个用户设备处于不同位置中的情况下,访问逻辑235(如下文所描述的)可以被用于调解位置数据并且确定用户的最可能位置。在一些实施例中,用户可以声明或注册用户设备,诸如通过经由设备登录账户、在设备上安装应用、连接到询问所述设备的在线服务、或者以其他方式向应用或服务提供关于设备的信息。在一些实施例中,登录到与用户相关联的账户(诸如账户或Net Passport、电子邮件账户、社交网络等)的设备被识别并且被确定为与用户相关联。
在一些实现方式中,访问/活动特征确定器238可以从用户数据收集组件210或用户数据确定器236接收用户数据,在一些情况下解析数据,并且识别和提取上下文特征或变量。上下文变量可以被存储为与访问相关联的相关的一组上下文信息,并且可以被存储在用户简档中,诸如被存储在用户简档240或场所简档250中。例如,与访问相关联的上下文信息可以被存储在用户访问数据244中。
在一些实施例中,访问逻辑235可以被用于确定访问、与访问相关联的上下文信息和/或访问的特征。访问逻辑235可以包括规则、条件、关联、分类模型或者其他标准以识别访问和与所述访问相关联的上下文信息或特征。例如,在一个实施例中,访问逻辑235可以包括将访问标准与用户数据进行比较,以便确定访问已经发生和/或与所确定出的访问相关联的特定特征。取决于被用于识别特定访问或访问特征的机制,访问逻辑235能够采用许多不同的形式。例如,访问逻辑235可以包括用于训练神经网络的训练数据,所述神经网络被用于评估用户数据以确定访问何时发生,或者特定特征何时出现在所确定出的访问中。所述访问逻辑可以包括静态规则(其可以被预先定义或者可以基于与用户相关联的用户简档中的设置或偏好进行设置)、布尔逻辑、模糊逻辑、神经网络、有限状态机、支持向量机、逻辑回归、聚类或机器学习技术、类似的统计分类过程、其他规则、条件、关联或者这些的组合,以从用户数据中识别访问和/或访问特征。例如,访问逻辑可以指定与访问特征相关联的(一个或多个)用户设备交互信息的类型,诸如启动可能发生在健身房处的健身追踪app、导航到网站以阅读电影评论或者撰写电子邮件。
在一个实施例中,由访问/活动特征确定器238确定的特征可以被存储为与访问信息相关联的一个或多个标签、标记或元数据,并且可以被用于索引由访问标识符234确定的访问。关于由访问监视器230确定的访问的信息,在一些实施例中包括所确定出的与(一个或多个)访问相关联的上下文信息或特征,可以被存储在与用户相关联的用户简档240中(诸如在用户访问数据244中)和/或在与场所相关联的场所简档250中(诸如在用户访问数据254中)。
一旦由访问监视器230识别出访问,则用户访问表征的场所简档引擎260通常负责确定场所简档是否存在并且更新现有场所简档,或者如果不存在则创建新的场所简档。如在示例性系统200中所示的,用户访问表征的场所简档引擎260包括场所简档标识符262、用户特征相似性确定器264、访问特征相似性确定器266和用户访问表征的场所简档生成器268。在高级别处,用户访问表征的场所简档引擎260的实施例接收用户信息,所述信息可以由用户数据收集组件210或访问监视器230来确定,或者从被存储在用户简档240或场所简档250中的信息中来确定,并且利用该信息来生成有关于(一个或多个)用户和(一个或多个)用户访问的数据表征的场所简档。与由例如企业所有者或者可能没有实际访问过场所的其他人生成的现有简档相比,由用户访问表征的场所简档生成器268生成的用户访问表征的场所简档是使用关于已经访问过场所的用户的实际数据构建的,提供更丰富、更及时并且更相关的信息。所述简档与所述场所相关联并且可用于用户访问表征的场所简档消费者270,允许他们例如提供更好的场所搜索和商业索引,向用户提供关于场所的个性化的内容的推荐,或者更准确地表征位置(位置消歧)。以这种方式,用户访问表征的简档258与提供场所的信息或特性的先前方法相比提供场所信息的更高粒度和准确性。
场所简档标识符262通常负责确定针对与访问相关联的场所是否已经存在场所简档。在一些实施例中,场所简档标识符262识别被存储在场所简档250中的用户访问表征的简档258中的任何现有简档。如果存在用户访问表征的简档258,则在一些实施例中,场所简档标识符262推送或者以其他方式使得识别出的用户访问表征的简档258可用于呈现组件218和/或用户访问表征的场所简档消费者270。另外,使得识别出的用户访问表征的简档258可用于用户访问表征的简档引擎260的其余组件以更新所识别出的用户访问表征的简档258。
如果场所简档标识符262确定针对访问的场所尚不存在用户访问表征的简档258,则用户访问表征的简档引擎260的其余组件创建新的用户访问表征的简档258。如果场所标识符262确定已经存在用户访问表征的简档258,则用户访问表征的引擎260的其余组件操作用于更新现有的用户访问表征的简档258。更具体而言,用户特征相似性确定器264确定在访问中识别出的用户的类别或特性,并且访问特征相似性确定器266确定访问的类别或特性。该用户和访问数据可以来自用户数据收集组件210、访问监视器230或者来自用户简档240中的存储装置,并且可以与一个或多个用户特征模式确定器(例如,在图2中的确定器264a和264b)或访问特征模式确定器(例如,图2中的模式确定器266a和266b)结合使用。
在一些实施例中,用户特征相似性确定器264包括用于确定与访问相关联的用户之间的模式的子组件。例如,如在示例性系统200中所示的,用户特征相似性确定器264包括用户活动模式确定器264a和用户特性模式确定器264b。用户特征相似性确定器264解析所获得的用户数据,并且基于相似的用户特征或模式或者用户活动特征或模式对数据进行分组或分类。用户活动特征包括用户通常做的事情,例如,常见的活动,如锻炼、跑步、工作类别、阅读、跳舞或者用户可能参与的其他活动。用户特性包括,例如,诸如用户年龄、职业、住所、教育、饮食喜好或限制之类的特性,或者能够与用户一起识别并且可能对表征场所感兴趣的任何其他特征。因此,例如但不限于,用户特征相似性确定器264可以生成指示访问场所的用户是通常在25-35岁之间的年轻人的数据,其中,一定百分比的他们被识别为素食者,并且是平均离家15英里。
类似地,在一些实施例中,访问特征相似性确定器266包括用于使用来自访问监视器230、用户简档240或场所简档250的数据来确定访问特征之间的模式的子组件。例如,如在示例性系统200中所示的,访问特征相似性确定器266包括周期性特征相似性确定器266a和行为特征相似性确定器266b。周期性特征包括例如大约周期性地发生的访问特征;例如,访问发生在一天中的(一个或多个)相同特定时间、一周中或一个月的某一天、偶数/奇数日(或周)、每月、每年、每隔一天、每三天等。行为特征包括用户行为,诸如到达时间、停留长度、访问期间发生的用户活动(例如用户行为)、在当前位置之前访问的先前位置(或者先前访问的位置的序列,诸如在当前访问之前的用户访问的最后K个位置的序列)。在访问特征相似性确定器266的一些实施例中,可以利用其他访问特征模式确定器(未示出),诸如用于确定访问时其他人(诸如该用户的联系人或社交媒体熟人)的存在之间的相似性的特征模式确定器,或者与访问相关的任何其他方面、特征或上下文的相似性。因此,例如但不限于,访问特征相似性确定器266可以生成数据,所述数值指示访问所述场所的用户平均停留75分钟,25-35岁之间的年轻人是在8p.m.与12p.m.之间最频繁的访客,并且这群人平均每次访问花费37.87美元。
来自用户特征相似性确定器264和访问特征相似性确定器266的数据可以被提供给用户访问表征的场所简档生成器268,或者可以被存储在场所简档250中。用户访问表征的场所简档生成器268创建新的用户访问表征的场所简档,或者更新现有的用户访问表征的场所简档258。在高级别处,用户访问表征的简档生成器268接收用户特征和模式(来自用户特征相似性确定器264,或者来自用户简档240,或者来自用户访问数据254),以及访问特征和模式(来自访问特征模式确定器266或者来自用户简档240或场所简档250),以及任何其他已知的现有场所特性,诸如来自现有场所特性252或者来自现有用户访问表征的场所简档258。如果从用户显性信号247中可获得任何用户显性信号,则其也由用户访问表征的场所简档生成器268获得。用户访问表征的场所简档生成器268使用所获得的数据来生成或更新用户访问表征的简档258并且将其存储在场所简档250中。
用户访问表征的场所简档258因此将各种收集和确定的用户特征和模式以及访问特征和模式与特定场所相关联。用户访问表征的场所简档258然后被提供给呈现组件218和/或用户访问表征的场所简档消费者270或者可由其访问。用户访问表征的场所简档258允许消费者例如提供更好的场所搜索和业务索引,向用户提供关于与场所有关的个性化的内容的丰富推荐,或者更准确地表征位置。
作为示例,用户访问表征的场所简档生成器268可以根据场所简档标识符262来确定存在指示场所是具有能适用于所有年龄段的活动的社区中心的场所简档。用户访问表征的场所简档生成器268还可以从用户特征相似性确定器264和访问特征相似性确定器266来确定用户访问模式,用户访问模式指示老年人在早上访问该场所并且平均访问时间是一个小时,年轻人(儿童)在下午访问所述场所并且平均访问时间是两个小时,并且青少年在晚上直接从学校访问该场所并且平均参访问时间为两个半小时。该特征和模式信息被添加到现有场所简档并且被存储在用户访问表征的简档258中。
作为另一示例,用户访问表征的场所简档生成器268可以根据场所简档标识符262来确定用户访问表征的场所简档258尚不存在。即使用户访问表征的场所简档258尚不存在,用户访问表征的场所简档生成器268可以从场所简档250(被存储在现有场所特性252中)获得任何已知的现有场所特性,指示例如所述场所是餐馆。用户访问表征的场所简档生成器268可以从用户特征相似性确定器264和访问特征相似性确定器266确定指示访问所述场所的用户的用户访问特征:识别为素食者,或者具有其他饮食限制或偏好;住在离场所平均十英里的地方;工作日平均访问停留时间为一个小时,并且周末平均访问停留时间为1小时45分钟;在周末,一定比例的用户离开场所并且前往附近的娱乐场所;和/或雨天出勤率是晴天出勤率的百分之六十。
在一些实施例中,用户访问表征的场所简档258随着用户访问所述场所而被修改。这些修改可以添加、删除或改变现有的用户访问表征的场所以改进简档并且保持简档最新。
继续图2,示例性系统200还包括一个或多个用户访问表征的简档消费者270。用户访问表征的场所简档消费者270包括计算应用或计算服务,其消费用户访问表征的简档258以向用户提供经改善的体验,或者提供对场所的访客(更大粒度的信息)的更好的了解,这可以被用于改进场所的供应,或者通过公开这些见解来吸引更多用户。如在本文中所描述的,所生成的用户访问表征的场所简档258可以被提供给计算机应用或服务(例如,用户访问表征的场所简档消费者270),其可以包括与用户相关联的虚拟助理计算机程序的一方面。在一些实施例中,可以结合API来提供用户访问表征的场所简档258以促进其被用户访问表征的场所简档消费者270利用。用户访问表征的场所简档消费者270的示例可以包括但不限于:场所搜索和商业索引服务、个性化的内容服务、场所推荐应用或服务、或者可以基于用户访问表征的场所简档的知识为用户定制的其他计算服务。用户访问表征的场所简档消费者270的一些实施例可以由虚拟助理应用或服务来执行,其可以被实现为一个或多个计算机程序(其可以包括一个或多个应用、服务或例程),诸如在移动设备上和/或在云中运行的app,如在本文中进一步描述的。
具体地,用户访问表征的场所简档消费者270的一个示例包括内容个性化服务。在用户访问表征的简档消费者270的一个实施例中,提供内容个性化引擎271以促进提供个性化的用户体验。因此,内容个性化引擎271可以被认为是应用或服务(或者应用或服务的集合)的一个示例,其可以消费关于由本公开的实现方式确定的用户访问表征的场所简档的信息。在高级别处,示例性内容个性化引擎271负责生成和提供个性化的用户体验的各方面,诸如个性化的内容或者向用户定制的内容交付。所述内容可以作为个性化的通知提供给用户(诸如结合呈现组件218所描述的),可以被提供给用户的应用或服务,或者可以作为API的一部分来提供,其中,其可以被另一应用或服务来消费。
在一个实施例中,所述个性化的内容可以包括通知,所述通知可以包括信息、推荐、建议、请求、通信相关数据(例如,电子邮件、即时消息),或者包括可以以个性化的方式提供给用户的类似内容。例如,实施例智能地路由用户通信,或者向用户提供与用户相关并且基于用户访问表征的场所简档258的通知或者其他内容。例如,如果用户在已知位置中,并且临近晚餐时间,则可以向用户呈现关于附近已知对素食者友好并且通常在下一小时内不拥挤的餐馆的晚餐建议(基于用户访问表征的简档258中的信息)。在一些实施例中,用户访问表征的场所简档258可以被用于更好地表征场所,诸如当场所被认为是餐馆或酒吧时,并且知道其更像供应食物的酒吧或供应酒精的餐馆(位置消歧)是有用的。用户访问表征的场所简档258可以由一个或多个用户访问表征的场所简档消费者270使用以确定大多数人例如在访问附近的餐馆之后访问了场所。在该示例中,用户访问表征的场所简档消费者270然后可以将场所表征为更像供应一些食物的酒吧。场所也可以是(或者使用)用户访问表征的场所简档消费者270。作为示例,场所可以使用用户访问表征的场所简档258以更好的粒度更好地了解访客来改进场所的提供或者通过公开特定见解来吸引更多用户。例如,场所当前可能没有针对素食者的主菜,但是可以从用户访问表征的场所简档258获悉访问场所的素食用户的百分比正在增加并且可能改变菜单供应以包括一个或多个素食主菜。
在一些实施例中,内容个性化引擎271为用户定制内容以提供个性化的用户体验。例如,内容个性化引擎271可以生成要被呈现给用户的个性化的通知,所述通知可以被提供给呈现组件218。替代地,在其他实施例中,内容个性化引擎271根据用户访问表征的场所简档258来生成内容,并且使得其可用于呈现组件218,呈现组件218确定基于用户数据在何时以及如何(即,什么格式)呈现简档内容。
示例性系统200还包括呈现组件218,其通常负责向用户呈现内容和相关信息,诸如来自内容个性化引擎271的个性化的内容或者来自其他用户访问表征的简档消费者270的内容。呈现组件218可以包括在用户设备上、跨多个用户设备或者在云中的一个或多个应用或服务。例如,在一个实施例中,呈现组件218管理跨与该用户相关联的多个用户设备向用户的内容呈现。在一些实施例中,呈现组件218可以确定在哪个(哪些)用户设备上呈现内容,以及呈现的上下文,诸如如何(或者以什么格式和多少内容,其能够取决于用户设备或上下文)呈现,什么时候呈现,等等。在一些实施例中,呈现组件218生成与个性化的内容相关联的用户界面特征。这样的特征能够包括界面元素(诸如图形按钮、滑块、菜单、音频提示、警报、警告、振动、弹出窗口、通知栏或状态栏项目、应用内通知或者与用户进行接口的其他类似特征)、查询和提示。
存储装置225通常存储信息,包括在本文中所描述的公开的实施例中使用的数据、计算机指令(例如,软件程序指令、例程或服务)、逻辑、简档和/或模型。在实施例中,存储装置225包括数据存储(或计算机数据存储器)。此外,尽管被描绘为单个数据存储组件,但是存储装置225可以被体现为一个或多个数据存储或者可以在云中。
示例性用户简档240的一些实施例可以包括与特定用户或者在一些情况下与用户类别相关联的信息。如所示的,用户简档240包括用户位置数据242、用户访问数据244、(一个或多个)用户账户和活动数据246、用户显性信号数据247和/或用户位置/活动模式248,其中的一些先前已经被描述。被存储在用户简档240中的信息可以能用于示例性系统200的例程或者其他组件。
(一个或多个)用户账户和活动数据246通常包括从用户数据收集组件210确定的用户数据(其在一些情况下可以包括与特定用户相关的众包数据),并且可以被用于确定当前和历史访问相关信息,诸如位置信息、与(过去或未来的)访问相关的特征和/或显性信号。(一个或多个)用户账户和活动数据248还可以包括关于访问、使用或者以其他方式与用户相关联的用户设备的信息,和/或与关联于用户的用户账户相关的信息;例如,在线或基于云的账户(例如,电子邮件、社交媒体),诸如Net通行证,其他账户,诸如娱乐或游戏相关账户(例如,Xbox live、Netflix、在线游戏订阅账户),与诸如电子邮件、文本、即时消息、电话、其他通信和其他内容的账户相关的用户数据;社交网络账户和数据,诸如新闻提要;在线活动;以及日历、约会、应用数据或者可以被用于确定当前或历史访问特征或显性信号的其他用户数据。(一个或多个)用户账户和活动数据246中的数据能够例如由用户特征相似性确定器264和/或访问特征相似性确定器266在创建用户访问表征的场所简档258时使用。
现在转向图3,例示性地描绘了用于本公开的实施例的示例性过程流程300的各方面。具体地,图3描绘了过程流程300的概览,并且对应于待执行的动作(或步骤)的过程流程300的框(与将作用的信息相反)可以由一个或多个计算机应用或服务来执行,在一些实施例中,包括虚拟助理,其在一个或多个用户设备(诸如用户设备104a)、服务器(诸如服务器106)上操作,可以跨多个用户设备和/或服务器来分布,或者可以实现在云中。在一个实施例中,由过程流程300的步骤执行的功能由结合图2所描述的系统200的组件来执行。
参考图3,例示性地提供了对过程流程300的概述。在框302处,识别场所访问。例如,在一些实施例中,访问识别302能够由访问监视器230执行以确定用户访问与用户驾驶经过的地区分开。在框304处,获得用户访问数据。在一些实施例中,用户访问数据能够由用户数据确定器236捕获,或者能够从用户简档240中的一个或多个存储位置或者从用户访问数据254中获得。用户访问数据254可以包括能从如上文所描述的用户设备处感测和确定或者从用户简档240中获取的所有可用的用户信息。在框304处获得的用户访问数据因此可以包括以某种方式与用户访问相关的数据,但是也可以包括仅与用户相关的数据。在框306处,获得访问/活动特征。在一些实施例中,访问/活动特征是从访问/活动特征确定器238或者从用户简档240中的多个存储位置之一获得的。利用在框302处识别的场所访问以及在框304和306获得的数据,方法300通过生成和/或更新用户访问表征的场所简档在框310处继续。
在框310处,所述方法通过使用所获得的信息来生成或更新用户访问表征的场所简档而继续,并且具体地继续框3102,确定是否存在现有场所简档。在一些实施例中,场所简档标识符262做出框3102的确定(诸如通过检查以查看针对场所是否存在用户访问表征的场所简档258)。如果尚不存在场所简档,则在框3104处,确定用户特征(特性)聚类和模式(例如,特定年龄组、常见的饮食限制、亲密团体(跑步者、体育迷、乡村音乐迷或游客与当地人,在用户常规内或用户常规外,性别或者以上提到的任何其他内容)。在一些实施例中,用户特征相似性确定器264(和用户特征模式确定器264(a)和264(b))识别与场所相关联的用户特征,并且将其聚类或聚合为类别和/或模式。类似地,在框3106处,确定访问特征聚类和模式。在一些实施例中,访问特征相似性确定器266(和访问特征模式确定器266(a)和266(b))识别与场所相关联的访问特征,并且将其聚类和聚合成类别和/或模式(例如,访问长度、一天中的时间、一周中的天数、每次访问的平均花费或者上述任何其他内容)。在框3108处,所确定的用户和访问特征聚类和模式与场所相关联。另外,在一些实施例中,在框3110处,(诸如从现有场所特性252)获得任何现有场所特性并且还将其添加到用户访问表征的场所简档。如果场所简档已经存在(从框3102),则在框3112处获得现有的简档。在框3114处,通过重复框3104-3110的步骤来更新现有场所简档。在框312处,所生成或更新的用户访问表征的简档被存储(在一些实施例中,在用户访问表征的场所简档258中)或者使得其可用(诸如对呈现组件218或用户访问表征的场所简档消费者270)。
因此,我们已经描述了涉及用于基于访问场所的用户的特性和特征来表征场所的系统和方法的技术的各个方面。应当理解,在本文中所描述的实施例的各种特征、子组合和修改具有实用性并且可以在不参考其他特征或子组合的情况下用于其他实施例中。此外,在示例性方法300中所示的步骤的次序和序列并不意味着以任何方式限制在本文中所描述的技术的范围,并且实际上,这些步骤可以在其实施例内以多种不同的次序发生。这样的变化以及其组合也被设想到在本公开的实施例的范围内。
已经描述了本公开的各种实施例,现在描述了适用于实现本公开的实施例的示例性计算环境。参考图4,提供了示例性计算设备并且通常被称为计算设备400。计算设备400只是合适的计算环境的一个示例并且并不旨在暗示对本公开的使用范围或功能性的任何限制。计算设备400也不应当被解释为对所图示的任何一个组件或组件的组合具有任何依赖性或要求。
可以在计算机代码或机器可用指令的一般上下文中描述本公开的实施例,包括由计算机或者其他机器(诸如个人数据助理、智能手机、平板PC或者其他手持设备)执行的计算机可用或计算机可执行指令(诸如程序模块)。通常,程序模块(包括例程、程序、对象、组件、数据结构等)指代执行特定任务或实现特定抽象数据类型的代码。本公开的实施例可以在各种系统配置中实践,包括手持设备、消费者电子产品、通用计算机、更专业的计算设备等。本公开的实施例还可以在分布式计算环境中实践,其中,任务由通过通信网络链接的远程处理设备来执行。在分布式计算环境中,程序模块可以位于本地和远程计算机存储介质中,包括存储器存储设备。
参考图4,计算设备400包括直接或间接耦合以下设备的总线410:存储器412,一个或多个处理器414,一个或多个呈现组件416,一个或多个输入/输出(I/O)端口418,一个或多个I/O组件420,以及说明性的电源422。总线410表示其可以是一条或多条总线(诸如地址总线、数据总线或者其组合)。尽管为了清楚起见图4的各个框利用线示出,但是在实际上,这些框表示逻辑组件,不一定是实际组件。例如,可以将诸如显示设备的呈现组件视为I/O组件。同样地,处理器具有存储器。发明人认识到这是本领域的本质并且重申图4的图表仅说明能够结合本公开的一个或多个实施例使用的示例性计算设备。在诸如“工作站”、“服务器”、“膝上型计算机”、“手持设备”等之类的类别之间没有区别,因为所有这些都被设想到在图4的范围内并且参考“计算设备”。
计算设备400通常包括各种计算机可读介质。计算机可读介质能够是能够由计算设备400访问的任何可用介质并且包括易失性和非易失性介质、可移动和不可移动介质。通过示例而非限制,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或者其他数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括但不限于:RAM、ROM、EEPROM、闪存或者其他存储技术、CD-ROM、数字多功能磁盘(DVD)或者其他光盘存储、盒式磁带、磁带、磁盘存储或者其他磁存储设备,或者能够被用于存储所需的信息并且能够由计算设备400访问的任何其他介质。计算机存储介质不包括信号自身。通信介质通常在诸如载波或者其他传输机制的经调制的数据信号中体现计算机可读指令、数据结构、程序模块或者其他数据,并且包括任何信息传递介质。术语“经调制的数据信号”意指以编码信号中的信息的方式来设置或改变其一个或多个特性的信号。通过示例而非限制,通信介质包括有线介质,诸如有线网络或直接有线连接,以及无线介质,诸如声学、RF、红外和其他无线介质。上述任何一种的组合也应当被包含在计算机可读介质的范围内。
存储器412包括易失性和/或非易失性存储器形式的计算机存储介质。存储器可以是可移除的、不可移除的或者其组合。示例性硬件设备包括固态存储器、硬盘驱动器、光盘驱动器等。计算设备400包括从诸如存储器412或I/O组件420之类的各种实体读取数据的一个或多个处理器414。(一个或多个)呈现组件416向用户或者其他设备呈现数据指示。示例性呈现组件包括显示设备、扬声器、打印组件、振动组件等。
I/O端口418允许计算设备400在逻辑上被耦合到其他设备,包括I/O组件420,其中一些可以被内置。示例性组件包括麦克风、操纵杆、游戏手柄、碟形卫星天线、扫描仪、打印机、无线设备等。I/O组件420可以提供处理由用户生成的空中手势、语音或者其他生理输入的自然用户界面(NUI)。在一些情况下,输入可以被传输到适当的网络元件以用于进一步处理。NUI可以实现语音识别、触摸和触笔识别、面部识别、生物识别、屏幕上和屏幕附近的手势识别、空中手势、头部和眼睛跟踪以及与计算设备400上的显示器相关联的触摸识别的任意组合。计算设备400可以被配备有深度相机,诸如立体相机系统、红外相机系统、RGB相机系统以及这些的组合,用于手势检测和识别。另外,计算设备400可以配备有能够检测运动的加速度计或陀螺仪。加速度计或陀螺仪的输出可以被提供给计算设备400的显示器以呈现沉浸式增强现实或虚拟现实。
计算设备400的一些实施例可以包括一个或多个无线电设备624(或者类似的无线通信组件)。无线电设备424发送和接收无线电或无线通信。计算设备400可以是适于通过各种无线网络接收通信和媒体的无线终端。计算设备400可以经由诸如码分多址(“CDMA”)、全球移动系统(“GSM”)或时分多址(“TDMA”)等无线协议进行通信,以与其他设备进行通信。无线电通信可以是短程连接、长程连接或者短程和长程无线电信连接的组合。当我们提到“短”和“长”类型的连接时,我们不是指两个设备之间的空间关系。相反,我们通常将短程和长程称为不同类别或类型的连接(即,主要连接和次要连接)。通过示例而非限制,短程连接可以包括到提供对无线通信网络的访问的设备(例如,移动热点)的Wi-连接,诸如使用802.11协议的WLAN连接;到另一计算设备的蓝牙连接是短程连接或近场通信连接的第二示例。通过示例而非限制,长程连接可以包括使用CDMA、GPRS、GSM、TDM A和802.16协议中的一种或多种的连接。
在不背离以下权利要求的范围的情况下,所描绘的各种组件以及未示出的组件的许多不同布置是可能的。已经描述了本公开的实施例,意图是说明性的而不是限制性的。在阅读本公开内容之后并且由于阅读本公开内容,替代实施例对于本公开内容的读者而言将变得显而易见。在不背离以下权利要求的范围的情况下,可以完成实现上述的替代方式。特定特征和子组合具有实用性并且可以在不参考其他特征和子组合的情况下被采用并且被设想到了在权利要求的范围之内。
Claims (15)
1.一种计算机化的系统,包括:
一个或多个传感器,其被配置为提供与用户相关的传感器数据;
一个或多个处理器;以及
具有存储在其上的计算机可执行指令的计算机存储存储器,所述计算机可执行指令当由所述处理器运行时实现一种基于用户访问表征的场所简档向用户提供个性化的计算体验的方法,所述方法包括:
使用所述一个或多个传感器来确定对场所的用户访问;
针对被确定为访问所述场所的所述用户来确定用户特性的集合;
将确定出的用户特性与所述场所相关联;
基于确定出的与所述场所相关联的用户特性,来确定在所述确定出的用户特性之间的用户相似性,并且通过将所述用户相似性与所述场所相关联来形成用户访问表征的场所简档;以及
基于所述用户访问表征的场所简档向用户发起个性化的计算体验。
2.根据权利要求1所述的计算机化的系统,其中,所述个性化的计算体验包括个性化的内容计算服务。
3.根据权利要求1所述的计算机化的系统,其中,确定用户相似性包括确定一个或多个用户特性模式。
4.根据权利要求1所述的计算机化的系统,其中,所述计算机存储存储器中的计算机可执行指令实现还包括以下各项的方法:
针对所述用户访问来确定访问特征;
将确定出的访问特征与所述场所相关联;
基于确定出的与所述场所相关联的访问特征,来确定在所述确定出的访问特征之间的访问特征相似性,并且将所述访问特征相似性与所述场所相关联以补充所述用户访问表征的场所简档。
5.根据权利要求4所述的计算机化的系统,其中,确定访问特征相似性包括确定一个或多个访问特征模式。
6.根据权利要求1所述的计算机化的系统,其中,所述计算机存储存储器中的计算机可执行指令实现还包括以下各项的方法:
确定现有场所特性;以及
将确定出的现有场所特性添加到所形成的用户访问表征的场所简档。
7.根据权利要求1所述的计算机化的系统,其中,所述计算机存储存储器中的计算机可执行指令实现还包括以下各项的方法:
识别任何预先存在的用户访问表征的场所简档;并且
其中,形成所述用户访问表征的场所简档包括将确定出的在所述确定出的用户特性之间的用户相似性添加到任何识别出的预先存在的用户访问表征的场所简档。
8.一种计算设备,包括计算机存储器和计算机处理器,所述计算机处理器被配置为允许虚拟助理确定和利用用户访问表征的场所简档以提供个性化的体验,所述计算设备包括:
所述虚拟助理是被存储在具有计算机指令的所述计算机存储器上的计算机程序,所述计算机指令当由所述计算机处理器运行时使得所述虚拟助理用于:
确定对场所的用户访问;
针对被确定为访问所述场所的所述用户来确定用户特性的集合;
将确定出的用户特性与所述场所相关联;
基于确定出的与所述场所相关联的用户特性,来确定在所述确定出的用户特性之间的用户相似性,并且通过将所述用户相似性与所述场所相关联来形成用户访问表征的场所简档;以及
基于所述用户访问表征的场所简档向用户发起个性化的计算体验。
9.根据权利要求8所述的计算设备,其中,确定用户相似性包括确定一个或多个用户特性模式。
10.根据权利要求8所述的计算设备,其中,所述虚拟助理是被存储在具有计算机指令的所述计算机存储器上的计算机程序,所述计算机指令当由所述计算机处理器运行时还使得所述虚拟助理用于:
针对所述用户访问来确定访问特征;
将确定出的访问特征与所述场所相关联;以及
基于确定出的与所述场所相关联的访问特征,来确定在所述确定出的访问特征之间的访问特征相似性,并且将所述访问特征相似性与所述场所相关联以补充所述用户访问表征的场所简档。
11.根据权利要求10所述的计算设备,其中,确定访问特征相似性包括确定一个或多个访问特征模式。
12.根据权利要求8所述的计算设备,其中,所述虚拟助理是被存储在具有计算机指令的所述计算机存储器上的计算机程序,所述计算机指令当由所述计算机处理器运行时还使得所述虚拟助理用于:
确定现有场所特性;以及
将确定出的现有场所特性添加到所形成的用户访问表征的场所简档。
13.根据权利要求8所述的计算设备,其中,所述虚拟助理是被存储在具有计算机指令的所述计算机存储器上的计算机程序,所述计算机指令当由所述计算机处理器运行时还使得所述虚拟助理用于:
识别任何预先存在的用户访问表征的场所简档;并且
其中,形成所述用户访问表征的场所简档包括将确定出的在所述确定出的用户特性之间的用户相似性添加到任何识别出的预先存在的用户访问表征的场所简档。
14.一种用于基于用户访问表征的场所简档向用户提供个性化的计算体验的计算机化的方法,所述方法包括:
使用所述一个或多个传感器来确定对场所的用户访问;
针对被确定为访问所述场所的所述用户来确定用户特性的集合;
将确定出的用户特性与所述场所相关联;
基于确定出的与所述场所相关联的用户特性,来确定在所述确定出的用户特性之间的用户相似性,并且通过将所述用户相似性与所述场所相关联来形成用户访问表征的场所简档;以及
基于所述用户访问表征的场所简档向用户发起个性化的计算体验。
15.根据权利要求14所述的计算机化的方法,还包括:
针对所述用户访问来确定访问特征;
将确定出的访问特征与所述场所相关联;
基于确定出的与所述场所相关联的访问特征,来确定在所述确定出的访问特征之间的访问特征相似性,并且将所述访问特征相似性与所述场所相关联以补充所述用户访问表征的场所简档。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/281,680 US11436293B2 (en) | 2019-02-21 | 2019-02-21 | Characterizing a place by features of a user visit |
US16/281,680 | 2019-02-21 | ||
PCT/US2020/017103 WO2020171969A1 (en) | 2019-02-21 | 2020-02-06 | Characterizing a place by features of a user visit |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113454669A true CN113454669A (zh) | 2021-09-28 |
Family
ID=69771162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080015691.6A Pending CN113454669A (zh) | 2019-02-21 | 2020-02-06 | 通过用户访问的特征来表征地点 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11436293B2 (zh) |
EP (1) | EP3912123A1 (zh) |
CN (1) | CN113454669A (zh) |
WO (1) | WO2020171969A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114071781A (zh) * | 2021-11-16 | 2022-02-18 | 杭州电子科技大学 | 一种无线局域网介质访问控制方法 |
CN114401216A (zh) * | 2022-01-17 | 2022-04-26 | 中国工商银行股份有限公司 | 流量转发方法及装置、电子设备和计算机可读存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3109115A1 (en) * | 2018-08-06 | 2020-02-13 | Olive Seed Industries, Llc | Methods and systems for personalizing visitor experience at a venue |
US20220130003A1 (en) * | 2020-10-26 | 2022-04-28 | Near Pte. Ltd. | Method for automatically inferring place properties based on spatial activity data using bayesian models |
CN112784165A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 关联关系预估模型的训练方法以及预估文件热度的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110381A1 (en) * | 2014-10-17 | 2016-04-21 | Fuji Xerox Co., Ltd. | Methods and systems for social media-based profiling of entity location by associating entities and venues with geo-tagged short electronic messages |
US20160300263A1 (en) * | 2015-04-07 | 2016-10-13 | Microsoft Technology Licensing, Llc | Inferring venue visits using semantic information |
US20160321551A1 (en) * | 2015-04-29 | 2016-11-03 | Microsoft Technology Licensing, Llc | Semantic Locations Prediction |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9936346B2 (en) * | 2013-11-28 | 2018-04-03 | Microsoft Technology Licensing, Llc | Geofences from context and crowd-sourcing |
US9953377B2 (en) * | 2014-11-19 | 2018-04-24 | Microsoft Technology Licensing, Llc | Customized media |
US9860704B2 (en) * | 2015-03-31 | 2018-01-02 | Foursquare Labs, Inc. | Venue identification from wireless scan data |
US20170039480A1 (en) * | 2015-08-06 | 2017-02-09 | Microsoft Technology Licensing, Llc | Workout Pattern Detection |
US20170124465A1 (en) * | 2015-10-29 | 2017-05-04 | Foursquare Labs, Inc. | Analysis and prediction from venue data |
US10769189B2 (en) * | 2015-11-13 | 2020-09-08 | Microsoft Technology Licensing, Llc | Computer speech recognition and semantic understanding from activity patterns |
US10685383B2 (en) * | 2016-02-05 | 2020-06-16 | Adobe Inc. | Personalizing experiences for visitors to real-world venues |
US10257245B2 (en) * | 2016-03-10 | 2019-04-09 | Disney Enterprises, Inc. | Association of user interactions at a first venue with the user for use in a second venue |
US10891342B2 (en) * | 2017-01-12 | 2021-01-12 | Google Llc | Content data determination, transmission and storage for local devices |
US20190205939A1 (en) * | 2017-12-31 | 2019-07-04 | OneMarket Network LLC | Using Machine Learned Visitor Intent Propensity to Greet and Guide a Visitor at a Physical Venue |
-
2019
- 2019-02-21 US US16/281,680 patent/US11436293B2/en active Active
-
2020
- 2020-02-06 EP EP20709926.8A patent/EP3912123A1/en active Pending
- 2020-02-06 WO PCT/US2020/017103 patent/WO2020171969A1/en unknown
- 2020-02-06 CN CN202080015691.6A patent/CN113454669A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110381A1 (en) * | 2014-10-17 | 2016-04-21 | Fuji Xerox Co., Ltd. | Methods and systems for social media-based profiling of entity location by associating entities and venues with geo-tagged short electronic messages |
US20160300263A1 (en) * | 2015-04-07 | 2016-10-13 | Microsoft Technology Licensing, Llc | Inferring venue visits using semantic information |
US20160321551A1 (en) * | 2015-04-29 | 2016-11-03 | Microsoft Technology Licensing, Llc | Semantic Locations Prediction |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114071781A (zh) * | 2021-11-16 | 2022-02-18 | 杭州电子科技大学 | 一种无线局域网介质访问控制方法 |
CN114071781B (zh) * | 2021-11-16 | 2024-04-12 | 杭州电子科技大学 | 一种无线局域网介质访问控制方法 |
CN114401216A (zh) * | 2022-01-17 | 2022-04-26 | 中国工商银行股份有限公司 | 流量转发方法及装置、电子设备和计算机可读存储介质 |
CN114401216B (zh) * | 2022-01-17 | 2024-01-30 | 中国工商银行股份有限公司 | 流量转发方法及装置、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3912123A1 (en) | 2021-11-24 |
US11436293B2 (en) | 2022-09-06 |
US20200272676A1 (en) | 2020-08-27 |
WO2020171969A1 (en) | 2020-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110476176B (zh) | 用户目标辅助技术 | |
US10909464B2 (en) | Semantic locations prediction | |
US10567568B2 (en) | User event pattern prediction and presentation | |
CN107924506B (zh) | 用于推断用户可用性的方法、系统及计算机存储介质 | |
US10748121B2 (en) | Enriching calendar events with additional relevant information | |
US10726438B2 (en) | Personalized contextual coupon engine | |
US10185973B2 (en) | Inferring venue visits using semantic information | |
CN107851243B (zh) | 推断物理会议位置 | |
US20180285827A1 (en) | Distinguishing events of users for efficient service content distribution | |
US20170032248A1 (en) | Activity Detection Based On Activity Models | |
US11436293B2 (en) | Characterizing a place by features of a user visit | |
US10013462B2 (en) | Virtual tiles for service content recommendation | |
EP3288622A1 (en) | Unusualness of events based on user routine models | |
US20170116285A1 (en) | Semantic Location Layer For User-Related Activity | |
US20220078135A1 (en) | Signal upload optimization | |
CN110799946B (zh) | 多应用用户兴趣存储器管理 | |
US20190090197A1 (en) | Saving battery life with inferred location | |
EP3868135A1 (en) | Saving battery life using an inferred location |
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 |