CN116324842A - 用于估计每个电子邮件的工作量的系统和方法 - Google Patents

Abstract

本公开的实施例提供了用于利用人工智能引擎来确定与电子通信相关联的响应时间、紧急程度或重要程度的系统、方法和设备。示例实施例涉及使用人工智能系统和/或机器学习技术的预测模型和预测模型的开发。系统和方法的示例性实施例可以利用基于AI的系统和模型来促进通信并基于接收者或企业的优先级对电子消息进行优先级排序。

Description

用于估计每个电子邮件的工作量的系统和方法

相关申请的交叉引用

本申请要求2020年8月26日提交的美国专利申请号17/003,274的优先权，其公开内容通过引用整体并入本文。

技术领域

本公开涉及基于人工智能(AI)的系统和方法，用于接收包含一组变量值的通信，并基于变量值确定与通信相关联的工作量。

背景技术

现代技术包括多种形式的电子通信，其包括电子邮件、文本消息、在线消息和即时通信。许多人每天都从各种各样的来源接收大量的电子消息。一些电子消息几乎不需要响应，而另一些可能需要详细且周到的响应。在不分析每个消息的情况下，很难确定需要多少努力来响应特定的电子消息。越来越多的电子通信是不想要的“垃圾邮件”消息，如果不打开和分析消息，很难识别出这些消息。

分析电子消息以确定是否需要响应以及响应需要多长时间所花费的时间和资源可被用于其他更有效的方式。此外，在确定特定电子消息需要详细的或时间密集的响应时，用户可以关闭该消息，以便在稍后时间作出响应。以这种方式，如果用户在确定响应所涉及的工作量之后不记得返回消息，则重要消息可能会丢失或被遗忘。

存在这些缺陷和其他缺陷。因此，需要一种系统，该系统估计响应特定电子消息所需的响应时间，并且能够在用户不分析电子消息的情况下向用户提供该信息。

发明内容

所公开技术的各方面包括基于人工智能(AI)的系统和方法，用于开发预测模型，该预测模型可被用于确定与电子消息相关联的响应时间，并向用户显示该响应时间，无需用户打开或研究电子消息。通过向用户提供响应所需工作量的估计，用户能够对他能够在给定时刻响应的电子邮件进行优先级排序，而无需花费时间打开或研究他当时不能响应的电子邮件。

在一些实施例中，AI系统可被用于分析与给定电子通信相关联的各种变量。可以使用预测模型或人工智能引擎来分析这些变量中的每一个，以确定用户响应该通信将花费的时间量。

在一些实施例中，估计的响应时间可以是一般平均值，或者可以是特定个体或一小群个体的预测响应时间。在一些实施例中，估计的响应时间可以被用作响应特定电子消息所需的工作量的代理。

本公开的实施例提供了一种人工智能(AI)系统，包括：显示在客户端设备上的用户界面，客户端设备被配置为接收针对用户的电子消息；托管应用编程接口的消息服务器，其中，消息服务器与客户端设备进行数据通信；以及AI引擎，该AI引擎与应用编程接口实时通信，其中，AI引擎被配置为：从消息服务器接收电子消息；从电子消息中提取消息信息；将预测模型应用于所提取的消息信息，以确定与电子消息相关联的响应时间，所述响应时间指示用户响应于消息所需的预测时间；以及在用户界面上显示与电子消息相关联的响应时间。

本公开的实施例提供了一种人工智能方法，包括：从消息服务器接收电子消息；使用人工智能引擎从电子消息中提取消息信息；使用人工智能引擎将预测模型应用于提取的消息信息；基于该预测模型，确定与电子消息相关联的响应时间；在用户打开电子消息之前，经由显示在客户端设备上的用户界面向用户呈现确定的响应时间；将提取的消息信息和确定的响应时间传送到数据库；监视对所接收的电子消息的用户响应，以便对所确定的与电子消息相关联的响应时间的精度进行确定；以及响应于所确定的上述所确定的响应时间的确定的精度来调整预测模型。

本公开的实施例提供了一种人工智能系统，包括：配置为显示用户界面的客户端设备；数据存储器，其包含一个或多个经解析的电子消息和与一个或多个经解析的电子消息相关联的一个或多个已知响应时间；以及服务器，其被配置为向AI引擎传送电子消息，该AI引擎与数据存储器进行数据通信，并且经由被配置为传送实时数据的应用编程接口与用户界面进行数据通信，其中，该AI引擎被配置为：从服务器接收电子消息；从电子消息中提取消息信息；将预测模型应用于提取的消息信息，以基于提取的信息信息来确定与所接收的电子消息相关联的响应时间，其中，预测模型是基于与一个或多个经解析的电子消息相关联的一个或多个已知响应时间，并且在用户打开所接收的电子消息之前，使用用户界面向用户呈现所确定的与所接收的电子消息相关联的响应时间。

下文将参考附图中所示的具体示例实施例，更详细地解释所公开设计的其他特征以及由此提供的优点。

附图说明

图1示出了根据一个或多个示例实施例的人工智能系统。

图2是示出根据一个或多个示例实施例的人工智能系统的操作的流程图。

图3示出了根据一个或多个示例实施例的用户界面。

图4示出了根据一个或多个示例实施例的用户界面。

图5是示出根据一个或多个示例实施例的人工智能系统的操作的流程图。

图6是示出根据一个或多个示例实施例的人工智能系统的操作的流程图。

具体实施方式

以下实施例的描述提供了参考数字的非限制性代表性示例，以特别描述本发明不同方面的特征和教导。所描述的实施例应该被认为能够单独实施，或与来自实施例的描述的其他实施例结合实施。审阅实施例的描述的本领域普通技术人员应当能够学习和理解本发明的不同描述方面。对实施例的描述应当有助于理解本发明达到这样的程度，使得未具体涵盖但在阅读了实施例的描述的本领域技术人员的知识范围内的其他实施方式将被理解为与本发明的应用一致。

本公开提供了用于开发和利用AI系统、AI引擎、机器学习技术和预测建模的系统、方法和设备，有助于确定响应电子消息所需的时间段。本文描述的实施例利用基于AI的系统和模型来促进通信和对电子消息的响应进行优先级排序。

许多电子消息程序允许用户在选择或打开特定消息之前查看接收消息列表。一些程序向用户提供有限数量的信息，诸如例如，电子消息发送者的姓名或地址、主题行、消息的初始部分或消息的发送时间。该信息可以向用户或电子消息的接收者提供消息是关于什么的指示，但通常不足以让用户确定需要多少工作来正确地响应消息。这可能会导致用户浪费大量时间打开和分析不想要或不需要响应的电子邮件。它还可以导致用户打开消息，并在分析消息时确定正确的响应需要比用户此刻投入到该任务的时间更多的时间。在这种情况下，用户可能会转到其他电子邮件以便清空收件箱，并可能忘记返回需要详细的响应的潜在重要的电子邮件。总的结果是浪费时间，以及错过或延迟双方之间的通信。

可以理解，本文提出的示例性实施例仅用于说明目的。虽然经常在电子邮件通信的上下文中描述实施例，但是普通技术人员将理解，所公开的AI系统可以被应用于任何其他形式的电子通信。

图1示出了根据一个或多个示例实施例的人工智能系统。该系统可以包括显示在客户端设备120上的用户界面110、托管应用编程界面的消息服务器130、至少一个数据库140以及可以应用预测模型160的人工智能引擎150。

用户界面110可以是但不限于电子邮件客户端、电子邮件阅读器、邮件用户代理、即时消息程序、办公室内通信程序、网络应用程序或用于向用户显示电子消息的任何合适的程序。

客户端设备120可以是但不限于智能手机、膝上型电脑、台式电脑、平板电脑、个人数字助理、瘦客户端、胖客户端、互联网浏览器、定制软件应用程序或信息亭。还应当理解，客户端设备120可以是支持电子通信数据和用户输入的通信和显示的任何类型的设备。本公开不限于特定数量的客户端设备，并且应当理解，系统100可以包括单个客户端设备或多个客户端设备。

客户端设备120可以包括一个或多个处理器、存储器和应用软件，其被配置为在客户端设备上执行，以实行本文描述的一些或所有功能，诸如例如，提供或控制用户界面110。

客户端设备120还可以包括提供有线和/或无线数据通信能力的通信接口。这些能力可以支持与有线或无线通信网络的数据通信，包括互联网、蜂窝网络、广域网、局域网、无线个人局域网、广体区域网、用于发送和接收数据信号的任何其他有线或无线网络，或其任何组合。该网络可以包括但不限于电话线、光纤、IEEE以太网902.3、广域网、局域网、无线个人局域网、广体区域网或诸如互联网的全球网络。客户端设备120还可以但不需要支持短程无线通信接口，诸如近场通信、射频识别和/或蓝牙。

客户端设备120还包括至少一个显示器和输入设备。显示器可以是用于呈现视觉信息的任何类型的设备，诸如计算机监视器、平板显示器和/或移动设备屏幕，包括液晶显示器、发光二极管显示器、等离子面板或阴极射线管显示器。输入设备可以包括用于将信息输入到客户端设备120可用和支持的客户端设备中的任何设备，诸如触摸屏、键盘、鼠标、光标控制设备、触摸屏、麦克风、数码相机、录像机或摄像机。如本文所述，这些设备可被用于输入信息并与系统100交互。

消息服务器130、数据库140和AI引擎150可以是或可以运行在专用服务器计算机上，诸如刀片式服务器，或者可以是个人计算机、膝上型计算机、笔记本电脑、掌上型电脑、网络计算机、移动设备或能够支持系统100的任何处理器控制的设备。消息服务器130、数据库140和AI引擎150中的一个或多个可以各自包括存储器、应用软件和处理器，其被配置为执行本文描述的一些或所有特征。

虽然图1示出了消息服务器130、数据库140和AI引擎150，但是应当理解，其他实施例可以根据需要或期望使用多个计算机系统或多个服务器来支持用户，并且还可以使用备份或冗余服务器来防止特定服务器发生故障时的网络停机。还应当理解，在一些实施例中，多个附加数据库或数据服务器可以存储由AI引擎使用的信息和/或数据。

在一些实施例中，消息服务器130可以直接或间接地向客户端设备120传送电子消息，诸如电子邮件消息。在这样的实施例中，消息服务器130还可以向AI引擎150传送电子消息。在一些实施例中，消息服务器130托管应用编程接口(API)，其能够实现消息服务器和系统100的其他组件之间的实时通信。

在一些实施例中，AI引擎150可以与用户界面110、客户端设备120、消息服务器130和/或数据库140进行数据通信，并且可以被配置为从消息服务器130接收电子消息并从电子消息中提取消息信息。在一些实施例中，AI引擎150可以与由消息服务器托管的API进行实时通信。在一些实施例中，在从消息服务器130接收到电子消息之后，AI引擎可以向客户端设备120传送该消息。在一些实施例中，消息服务器130可以不与用户界面110或客户端设备120直接通信。

消息信息可以包括但不限于消息文本、总字数、名词数、动词数、关键词、关键词数、主题行文本、发送者信息、发送者姓名、发送者IP地址、接收者数量、一个或多个接收者的接收者信息、接收者IP地址、发送时间、接收时间、发送日或接收日。在一些实施例中，所提取的消息信息可以包括消息或文档的结构复杂性、自发送文档的前一草稿以来经过的时间、与前一草稿文档相关联的响应时间和/或特定发送者和接收者之间的平均响应时间。

在一些实施例中，AI引擎150可以从与电子通信相关联的任何附件中提取附件信息。附件信息可以包括但不限于附件的数量、每个附件的文件类型、附件文本、附件字数、附件名词数、附件动词数、附件关键词、附件关键词数、附件图像或附件图像内容。

在一些实施例中，当从所接收的电子消息和/或附件中提取消息信息或附件信息时，AI引擎忽略停用词。这可能有助于减少AI引擎的计算负担，并导致快速和/或更准确地确定响应时间。在一些实施例中，AI引擎仅使用名词和/或动词从所接收的消息或附件中提取消息和/或附件信息。该方法还可以用于限制AI引擎上的总计算负载，从而导致所确定的响应时间的更高速度和精度。在一些实施例中，提取消息信息和/或附件信息包括消息和/或附加文本的独热编码和/或学习嵌入。

在一些实施例中，当从所接收的电子消息中提取消息信息时，AI引擎忽略发送者信息。该方法可被用于避免偏离从某些发送者所接收的消息。在一些企业中，一个人可能发送大量不需要响应或不需要快速响应的通信。在这种情况下，为该发送者计算的响应时间可能会出现偏差，并且导致需要及时响应的消息的响应时间不准确。如下面关于图6更详细地描述的，诸如发送者等的信息可被用于确定一个或多个电子消息的感知重要性程度，这又可以被用于确定是否以及如何显示电子消息—诸如例如，消息列表的顺序或重要性的另一指示。

AI引擎150可以将预测模型160应用于提取的消息信息和/或附件信息，以确定与电子消息相关联的响应时间。响应时间指示用户响应消息所需的预测时间。在一些实施例中，响应时间可以指示用户在最初打开电子消息之后多长时间将响应。在一些实施例中，预测模型160可以包括连续学习能力，其允许模型在更多信息变得可用时调整其自身或其确定。在一些实施例中，AI引擎150可以将所提取的消息信息、附件信息和/或所确定的响应时间传送到数据库140。

可以理解，关键词可以是比其他词更强地链接到响应时间的任何词或短语。在一个非限制性示例中，用户可以接收包含具有专门需求的特定客户的名字的电子邮件。在该示例中，客户的名字可以是与较长响应时间紧密相关的关键词。在另一个非限制性示例中，主管或客户联系人的名字可以是关键词。在该示例中，主管的名字可以指示必须精心制作和/或彻底审查的响应，从而导致更长的响应时间。

在示例实施例中，AI引擎150可以与数据库140进行数据通信。AI引擎150可以利用包含在数据库140上的信息以便确定与电子消息相关联的响应时间。在一些实施例中，数据库140可以包含与已经接收到响应的经解析的电子消息相关联的信息。经解析的电子消息具有与该消息相关联的已知响应时间。在一些实施例中，AI引擎可以从经解析的电子消息中提取消息和/或附件信息，以便基于消息和/或附件信息以及与经解析的电子消息相关联的已知响应时间来开发预测模型。在一些实施例中，可以使用从经解析的电子消息中提取的消息信息和与经解析的电子消息相关联的已知响应时间来训练预测模型。在一些实施例中，先前响应经解析的电子消息的一个或多个用户可以具有相同或相似的职称、工作职能、公司经验、主管和/或直接下属。通过选择具有相似发送者或接收者的经解析的电子消息的子集，预测模型可以更紧密地适应于特定类别或用户子集。

在示例实施例中，预测模型可以是监督学习模型。预测模型可以依赖于消息信息、附件信息和对经解析的电子消息的已知响应时间。在一些实施例中，AI引擎可以监视用户对所接收的电子消息的响应，以便对所确定的响应时间的精度进行确定。在一些实施例中，AI引擎可以响应于所确定的上述所确定的响应时间的精度来调整预测模型，以增加模型的精度或效用。在一些实施例中，AI引擎150可以将提取的消息和/或附件信息以及确定的响应时间传送到数据库。

在一些实施例中，随着预测模型的发展继续，AI引擎和/或预测模型所使用的信息子集随着时间的推移可能增加、可能减少或以其他方式被修改。

可以通过机器学习算法开发预测模型。在一些实施例中，所采用的机器学习算法可以包括梯度提升机、逻辑回归、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)、其他神经网络、独热编码、学习嵌入或其组合；然而，应当理解，可以利用其他机器学习算法。

如本文所述，AI引擎和预测模型的示例实施例可以利用机器学习来确定与电子消息相关的响应时间。示例性机器学习可以利用消息信息、附件信息、经解析的电子消息来进行确定，并且可以使用该数据来生成和训练各种预测模型。然后，示例性系统和方法可以应用生成的模型来确定响应时间并执行本文所描述的其他功能。

示例性系统和方法可以利用各种神经网络，诸如CNN RNN，以生成示例性模型。CNN可以包括一个或多个卷积层(例如，通常具有子采样步骤)，并且然后跟随一个或多个完全连接的层，如在标准多层神经网络中。CNN可以利用本地连接，并且可以具有绑定权重，后跟某种形式的池，这可以产生平移不变的特征。

RNN是一类人工神经网络，其中节点之间的连接沿着序列形成有向图。这有助于确定时间序列的时间动态行为。与前馈神经网络不同，RNN可以使用它们的内部状态(例如，存储器)来处理输入序列。RNN通常可以指具有类似一般结构的两大类网络，其中一类是有限脉冲，并且另一类是无限脉冲。这两类网络都表现出时间动态行为。有限脉冲递归网络可以是或可以包括可以展开并用严格前馈神经网络代替的有向非循环图，而无限脉冲递归网络则可以是或可以包括不可以被展开的有向循环图。有限脉冲和无限脉冲递归网络都可以具有附加的存储状态，并且存储可以在神经网络的直接控制下。存储也可以由另一个网络或图形代替，其可以包含时间延迟或可以具有反馈回路。这种受控状态可以被称为门控状态或门控存储器，并且可以是LSTM和门控循环单元的一部分。

RNN可以类似于组织成连续“层”的神经元样节点的网络，给定层中的每个节点都通过定向(例如，单向)连接被连接到下一个连续层中的每个其他节点。每个节点(例如，神经元)可以具有时变实值激活。每个连接(例如，突触)可以具有可修改的实值权重。节点可以是(i)输入节点(例如，从网络外部接收数据)，(ii)输出节点(例如，产生结果)，或者(iii)隐藏节点(例如，可以修改从输入到输出途中的数据)。RNN可以接受输入向量x并给出输出向量y。然而，输出向量不仅基于刚刚提供的输入，而且还基于过去提供的输入的整个历史。

对于离散时间设置中的监督学习，实值输入向量序列可以到达输入节点，一次一个向量。在任何给定的时间步长，每个非输入单元可以将其当前激活(例如，结果)计算为连接到它的所有单元的激活的加权和的非线性函数。可以在某些时间步长为某些输出单元提供主管给定的目标激活。例如，如果输入序列是对应于说出的数字的语音信号，则在序列末尾的最终目标输出可以是对数字进行分类的标签。在强化学习环境中，没有教师提供目标信号。相反，可以使用适应度函数或奖励函数来评估RNN的性能，这可以通过连接到可以影响环境的致动器的输出单元来影响其输入流。每个序列可以产生误差，作为所有目标信号与网络计算的相应激活的偏差之和。对于众多序列的训练集，总误差可以是所有单个序列的误差之和。

在一些实施例中，根据本公开的方法和程序可以由处理布置和/或计算布置(例如，计算机硬件布置)执行。这种处理/计算布置可以是例如计算机/处理器的全部或部分，或者包括但不限于计算机/处理器，计算机/处理器可以包括例如一个或多个微处理器，并且使用存储在计算机可访问介质(例如，RAM、ROM、硬盘驱动器或其他存储设备)上的指令。例如，计算机可访问介质可以是客户端设备120、消息服务器130、数据库140和/或AI引擎150的存储器的一部分，或其他计算机硬件布置。

在一些示例中，可以提供计算机可访问介质(例如，如上所述，存储设备，诸如硬盘、软盘、记忆棒、CD-ROM、RAM、ROM等，或其集合)(例如，与处理布置通信)。计算机可访问介质可以包含其上的可执行指令。附加地或可替选地，可以与计算机可访问介质分开地提供存储布置，其可以向处理布置提供指令，以便配置处理布置以执行某些示例性程序、过程和方法，例如，如上所述。

图2是示出根据一个或多个示例实施例的所公开的人工智能系统的操作的流程图。图2的方法200可以参考与图1所示的相同或相似的组件。

在块210处，AI引擎可以从消息服务器接收电子消息。AI引擎和消息服务器可以经由API连接。在一些实施例中，消息服务器可以实时或接近实时地向AI引擎传送电子消息。

在块220处，AI引擎可以从所接收的电子消息中提取消息信息。可以使用各种技术从电子消息中提取消息信息。在一些实施例中，可以分析消息中的每个单词。在一些实施例中，当提取消息信息时，一些单词将被忽略。在一些实施例中，当提取消息信息时，可以仅利用名词和/或动词。在一些实施例中，可以从伴随所接收的电子消息的元数据中提取诸如例如发送者、接收者、日期/时间等的消息信息。

在块230处，AI引擎从所接收的电子消息中提取附件信息。应当理解，包含多于文本的文件可以被附加到电子消息。在一些实施例中，提取附件信息可以取决于附件的文件类型和/或附件的非文本内容。在一些实施例中，附件可以仅包含文本，或者文本和其他可识别对象。在这样的实施例中，提取附件信息可以利用与从电子消息中提取消息信息相同或相似的技术。

在块240处，AI引擎可以将预测模型应用于提取的消息和/或附件信息。可以使用从先前已经接收到响应的这些经解析的电子消息中提取的消息和/或附件数据来开发预测模型，从而创建具有已知响应时间的一组电子消息。

在块250处，AI引擎可以基于预测模型确定与电子消息相关联的响应时间。一旦已经确定了与电子消息相关联的响应时间，AI引擎就可以将所确定的响应时间传送到客户端设备以经由用户界面显示。

在块260处，可以经由用户界面向用户呈现所确定的响应时间。在一些实施例中，用户可以在打开电子消息之前看到所确定的响应时间。这允许用户确定他是应该立即打开电子消息，还是在稍后的时间打开电子消息——诸如例如，当用户可能有更多的时间来对电子消息做出适当的响应时。

图3示出了根据一个或多个示例实施例的示例用户界面。在图3中，用户界面310被显示在客户端设备320上。图3中的示例用户界面示出了由用户接收的新消息的列表，包括发送者的姓名、主题行、接收到消息的时间和估计的响应时间。在一些实施例中，消息文本的一部分也可以被显示在该屏幕中。如屏幕底部处所示，有四个可选择的菜单功能，包括收件箱(当被选择时，其可以显示用户先前接收或审阅的消息列表)、新消息(图3中屏幕中所示的示例显示)、已发送邮件(当被选择时，其可以显示用户先前发送的消息列表)，和垃圾箱(当被选择时，可以显示用户先前删除的消息列表)。也可以向用户呈现其他可选择的菜单功能。

在一些实施例中，例如，基于确定的响应时间，可以按排名顺序显示消息。

图4示出了根据一个或多个示例实施例的另一示例用户界面。在图4中，用户界面410被显示在客户端设备420上。类似于图3，在屏幕底部有四个可选择的菜单功能，包括收件箱、新消息、已发送邮件和垃圾箱。图4中的示例用户界面示出了包括收件箱中的消息列表的用户收件箱的显示。在一些实施例中，新的或未读的消息可以用粗体呈现，以指示用户尚未打开这些消息。用户已经打开和/或阅读的消息可以用标准字体呈现。在一些实施例中，可以为打开和未打开的消息两者呈现估计的响应时间。在一些实施例中，估计的响应时间可以用用户已经响应电子消息的指示符来代替。在一些实施例中，可以用响应时间指示符来标记消息，而不是呈现具体的响应时间，诸如例如“小于3分钟”或“大于10分钟”。在一些实施方式中，可以根据所确定的响应时间对消息进行颜色编码。例如，与小于三分钟的响应时间相关联的消息可以用绿色阴影表示，与3到10分钟之间的响应时间相关联的消息可以用黄色阴影表示，以及与大于10分钟的响应时间相关联的消息可以用橙色阴影表示。应当理解，可以使用标记电子消息的许多其他方法来指示所确定的响应时间。

图5示出了示出根据一个或多个示例实施例的所公开的人工智能系统的操作的流程图。图5的方法500可以包括捕获附加信息以向预测模型提供反馈。方法500可以参考与图1-4所示的相同或相似的组件。

在块505处，提供包含一个或多个经解析的电子消息的数据库。经解析的电子消息是先前已经接收到响应并因此与已知响应时间相关联的电子消息。通过从经解析的电子消息中提取消息和/或附件信息，可以在提取的消息信息和已知响应时间之间建立连接。

在块510处，可以使用从一个或多个经解析的电子消息中提取的消息和/或附件信息以及与一个或多个经解析的电子消息相关联的已知响应时间来训练预测模型。一旦使用提取的训练数据训练了预测模型，则预测模型可以应用于未解析的电子邮件，并用于实时或接近实时地确定传入电子邮件的响应时间。

在块515处，AI引擎可以接收电子消息。在一些实施例中，AI引擎可以从消息服务器接收电子消息。AI引擎可以通过实现实时数据通信的API与消息服务器进行数据通信。

在块520处，AI引擎可以从所接收的电子消息中提取消息信息和/或附件信息。从所接收的电子消息中提取消息信息和/或附件信息可以以与上面参考图2(包括块220和230)描述的相同或相似的方式发生。

在块525处，AI引擎可以将预测模型应用于提取的消息信息和/或提取的附件信息。在一些实施例中，训练的预测模型可以应用于实时接收的电子消息。预测模型最初可能非常准确，或者随着时间的推移系统被部署，可能需要额外的训练。

在块530处，AI引擎可以基于预测模型确定与所接收的电子消息相关联的响应时间。

在块535处，在用户打开所接收的电子消息之前，可以经由用户界面向用户呈现所接收的电子消息的确定的响应时间。

在块540处，AI引擎可以向数据库传送提取的信息和确定的响应时间。当AI引擎从电子消息中提取消息和/或附件信息时，在执行块520时可以发生传送，和/或当人工智能引擎确定响应时间时，在执行块530时发生传送。该数据库可以是包含在块505处提供的一个或多个经解析的电子消息的同一数据库，或者可以是单独的数据库。

在块545处，监视对所接收的电子消息的用户响应。通过监视用户响应，可以为所接收的电子消息建立已知的响应时间。

在块550处，AI引擎可以通过将所确定的与电子消息相关联的响应时间与用户响应电子消息所花费的实际时间进行比较，来对基于预测模型所确定的响应时间的精度进行确定。该比较可以应用于众多电子消息和来自单个用户的相关响应，或者应用于与用户的类别或子类别相关联的消息和响应。在一个非限制性示例中，为特定部门工作或处于特定级别的所有雇员可以被认为是一类雇员。在另一个非限制性示例中，向单个经理或一组经理报告的所有雇员可以被认为是子类别。通过将与多个电子消息相关联的实际响应时间和所确定的与这些消息相关联的响应时间进行比较，可以确定预测模型的精度的更准确的确定。

在块555处，AI引擎可以响应于所确定的精度来调整预测模型。通过在新的或附加的训练数据变得可用时调整预测模型，可以连续地改进系统的一些实施例。在一些实施例中，当预测模型已经被调整时，如在块555中，修正的预测模型可以应用于块525中提取的信息。此时，可以对新确定的响应时间进行确定，并将其与实际响应时间进行比较。该反馈回路可被用于随时间开发高度精确的预测模型。

在一些实施例中，在预测模型的精度超过预定阈值之前，可能不会向用户显示确定的响应时间。这允许公司或企业部署所公开的AI系统并使用真实数据来改进系统，而没有由不精确或不够准确的确定的响应时间引起的潜在混淆。

在一些实施例中，所确定的响应时间可被用于确定与电子通信相关联的工作量。在这样的实施例中，所确定的响应时间可以指示在用户打开消息之后响应电子通信将花费的时间量。

在一些实施例中，所确定的响应时间可被用于确定与电子通信相关联的紧急程度。在这样的实施例中，所确定的响应时间可以指示电子通信的接收者而不是发送者认为该通信有多紧急。在一些实施例中，所确定的响应时间可以基于用户界面首次向用户显示他们已经接收到电子通信的时间，而不是用户打开电子通信的时间。

图6显示了根据一个或多个示例实施例示出所公开的人工智能系统的操作的流程图。图6的方法600可以包括确定重要程度。图6的方法600可以参考与图1-5所示的相同或相似的组件。

在一些实施例中，AI系统可以确定感知的重要程度，而不是响应时间，或者除了响应时间之外。在这样的实施例中，AI引擎从消息服务器接收电子消息，并提取消息和/或附件信息。AI引擎可以将预测模型应用于提取的消息和/或附件信息，以确定与电子消息相关联的重要程度。在一些实施例中，预测模型可以使用已经手动标记有指定重要程度的训练数据来训练。

在块605处，AI引擎可以接收电子消息。在一些实施例中，AI引擎可以从消息服务器接收电子消息。AI引擎可以通过能够实现实时数据通信的API与消息服务器进行数据通信。

在块610处，AI引擎可以从所接收的电子消息中提取消息和/或附件信息。从所接收的电子消息中提取消息信息和/或附件信息可以按照与上面参考图2(包括块220和230)所描述的相同或相似的方式发生。

在块615处，AI引擎可以将预测模型应用于提取的消息和/或附件信息。由于重要程度的确定可能是主观的，因此可以使用数据集来训练预测模型，在该数据集中，电子消息已经由主管或关于电子消息的其他重要性仲裁员分配了重要程度。在一些实施例中，可以基于关于与电子消息相关联的重要程度的用户输入以持续的方式训练预测模型。

在块620处，预测模型可以基于提取的消息信息和/或附件信息来确定与电子消息相关联的重要程度。在一些实施例中，所确定的重要程度可以对应于用户或企业的目标，诸如，例如，向特定的一组客户端提供增强的服务或遵从来自主管的指示。在一些实施例中，所确定的重要程度可以与用户或企业重视或优先考虑的题目或主题相关。可以理解，重要程度可能与所确定的响应时间或甚至响应需要无关。在非限制性示例中，包含与客户、潜在客户、开发技术或用户或企业已确定为高度重要的其他主题相关的新闻文章的电子通信可以被标记为高度重要，但根本不需要响应。在该示例中，电子通信可以被确定为非常重要，因为用户可能对理解包含在电子通信中的信息感兴趣，但是用户可能永远不需要对电子通信作出响应。

在块625处，可以经由用户界面向用户呈现所确定的重要程度。在一些实施例中，在预测模型已经证明了预定的准确度、已经接受了预定量的训练和/或已经接受了关于所确定的重要程度的预定量的用户输入之前，可以不向用户显示确定的重要程度。

在块630处，AI引擎可以向用户询问用户分配给电子消息的重要程度。在一些实施例中，这可以在训练期间被执行。在一些实施例中，用户对这种询问的响应可以被用于训练预测模型，或者可以被用于确定预测模型的精度。在一些实施例中，用户界面可以被配置为经由客户端设备接收对询问的响应。

在块635处，所提取的消息和/或附件信息可以与用户确定的重要程度一起被传送到数据库。在一些实施例中，数据库可以被用于训练预测模型或训练预测模型的未来部署。

在块640处，AI引擎可以确定预测模型的精度，该预测模型确定了与电子消息相关联的重要程度。可以通过将预测模型确定的与电子消息相关联的重要程度与用户确定的重要程度进行比较来确定预测模型的精度。该比较可以应用于从单个用户接收的众多电子消息和相关联的确定或重要性，或者应用于从用户的类别或子类别接收的消息和重要性的确定。在一些实施例中，可以向诸如主管或经理的第三方询问与发送给用户的电子通信相关联的重要程度。

在块645处，AI引擎可以响应于所确定的准确度来调整预测模型。在一些实施例中，可以以持续的方式调整预测模型。通过在新的或附加的训练数据变得可用时调整预测模型，系统的一些实施例可以被持续改进或调整以适应用户或组织的变化的目标或优先级。在一些实施例中，当预测模型被调整时，修正的预测模型可以应用于如块615中提取的消息信息。此时，可以确定新的重要程度，并将其与所接收的用户重要性确定进行比较。该反馈回路可以被初始地、周期性地或连续地使用，以随着时间的推移开发更准确的预测模型。

在一些实施例中，可以经由用户界面向用户呈现确定的重要程度的指示符。在一些实施例中，重要性的指示符可以被呈现为“低”、“中”或“高”之一。在一些实施例中，重要性的指示符可以以数字尺度呈现，诸如例如，从一到十。在一些实施例中，电子消息可以被颜色编码以指示与电子消息相关联的所确定的重要程度。

可以理解，在一些实施例中，确定的重要程度可能不依赖于来自电子消息发送者的输入。如果预测模型不能确定消息是真正重要的，这可以减少或避免发送者将他们自己的消息标记为高优先级或紧急。通过利用预测模型，可以确定更客观地确定重要性。在一些实施例中，预测模型可以针对单个用户的特定偏好而定制。

本文公开了具有各种特征的公开系统的多个实施例。可以理解，各种公开的实施例的特征和元件可以与其他公开的实施例一起使用。

在一些实施例中，由组织成员发送或接收的每个电子通信都可以由所公开的AI引擎进行分析。通过确定与每个通信相关联的响应时间或重要程度，可以开发或部署一个连贯、企业范围的系统。

在一些实施例中，AI系统可以被实施为浏览器扩展、插件或已建立的电子消息程序的附加功能。

在一些实施例中，当特定电子消息打开时，AI引擎可以监视用户的活动。在这样的实施例中，如果用户在电子消息打开时开始处理单独的项目，则AI引擎可以调整响应时间的确定，以便避免产生由用户在处理其他项目时保持消息打开而导致的偏斜结果。

本公开中的实施例的描述提供了参考附图和数字的非限制性代表性示例，以具体描述本公开不同方面的特征和教导。所描述的实施例应当被认为能够单独实施或与来自实施例的描述的其他实施例结合实施。审阅实施例的描述的本领域普通技术人员应当能够学习和理解本公开的不同描述方面。实施例的描述应当有助于理解本公开达到这样的程度，使得未具体涵盖但在阅读了实施例的描述的本领域技术人员的知识范围内的其他实施方式将被理解为与本公开的应用一致。

在整个说明书中，提及了应用预测模型的AI引擎。应当理解，AI引擎可以是任何软件、程序或应用，并且预测模型可以是允许AI引擎确定导致特定状况的一组信息或变量的可能性或概率的任何工具、数据库、数据集、软件、程序、或应用。

在整个说明书中，提及了从各种来源接收信息的AI引擎。可以理解，AI引擎可以直接或间接地从数据库、服务器、存储器和/或计算机接收信息。AI引擎从其接收信息或数据的组件可以位于远程、本地，或者在某些情况下，被集成到AI引擎。

在整个说明书和权利要求书中，除非上下文另有明确规定，否则以下术语至少具有本文明确关联的含义。术语“或”旨在表示包含的“或”。此外，术语“a”、“an”和“the”旨在表示一个或多个，除非另有规定或从上下文中明确地指向单数形式。

在本说明书中，阐述了许多具体细节。然而，应当理解，可以在没有这些具体细节的情况下实践所公开的技术的实施方式。在其他情况下，为了不模糊对本描述的理解，没有详细示出众所周知的方法、结构和技术。对“一些示例”、“其他示例”、“一个示例”、“示例”、“各种示例”、“一个实施例”、“实施例”、“一些实施例”、“示例实施例”、“各种实施例”、“一种实施方式”，“实施方式”、“示例实施方式”、“各种实施方式”、“一些实施方式”等的引用，指示如此描述的所公开技术的一个或多个实施方式可以包括特定的特征、结构或特性，但并非每个实施方式都必须包括特定的特性、结构或特征。此外，短语“在一个示例中”、“在一个实施例中”或“在一种实施方式中”的重复使用不一定指相同的示例、实施例或实施方式，尽管它可以。

如本文所用，除非另有规定，否则使用序数形容词“第一”、“第二”、“第三”等来描述共同的对象，仅指示正在引用相同对象的不同实例，并不旨在意味着如此描述的对象必须在时间、空间、排序或任何其他方式上处于给定的顺序。

虽然已结合目前认为最实用的各种实施方式描述了所公开技术的某些实施方式，但应理解，所公开的技术不限于所公开的实施方式，相反，旨在涵盖包括在所附权利要求范围内的各种修改和等效布置。尽管本文中采用了特定术语，但它们仅在通用和描述性意义上使用，而不是出于限制的目的。

本书面描述使用示例来公开所公开技术的某些实施方式，包括最佳模式，并且还使本领域技术人员能够实施所公开技术的某些实施方式，包括制造和使用任何设备或系统以及执行任何结合的方法。所公开技术的某些实施方式的可专利范围在权利要求中被定义，并且可以包括本领域技术人员想到的其他示例。如果这些其他示例具有与权利要求的字面语言没有区别的结构元素，或者如果它们包括与权利要求的字面语言没有实质性差异的等同结构元素，则这些其他示例旨在处于权利要求的范围内。

Claims (20)

1.一种人工智能(AI)系统，包括：

显示在客户端设备上的用户界面，所述客户端设备被配置为接收针对用户的电子消息；

托管应用编程接口的消息服务器，其中，所述消息服务器与所述客户端设备进行数据通信；以及

AI引擎，所述AI引擎与所述应用编程接口实时通信，其中，所述AI引擎被配置为：

从所述消息服务器接收电子消息；

从所述电子消息中提取消息信息；

将预测模型应用于所提取的消息信息，以确定与所述电子消息相关联的响应时间，所述响应时间指示所述用户响应所述消息所需的预测时间；以及

在所述用户界面上显示与所述电子消息相关联的响应时间。

2.根据权利要求1所述的系统，其中，所述AI引擎还被配置为监视对所接收的电子消息的用户响应，以便对所确定的响应时间的精度进行确定。

3.根据权利要求2所述的系统，其中，所述AI引擎还被配置为响应于所确定的上述所确定的响应时间的精度来调整所述预测模型。

4.根据权利要求1所述的系统，其中，所述AI引擎还被配置为向数据库传送所提取的消息信息和所确定的响应时间。

5.根据权利要求1所述的系统，还包括数据库，所述数据库包含一个或多个用户先前已响应的经解析的电子消息以及与每个经解析的电子消息相关联的经计算的已知响应时间。

6.根据权利要求5所述的系统，其中，所述预测模型被配置为使用从所述经解析的电子消息中提取的消息信息和与所述经解析的电子消息相关联的所述已知响应时间来训练。

7.根据权利要求6所述的系统，其中，所述预测模型还被配置为使用卷积神经网络来训练。

8.根据权利要求5所述的系统，其中，先前已响应经解析的电子消息的所述一个或多个用户具有相同的职称。

9.根据权利要求1所述的系统，其中，所述消息信息包括消息文本、字数、名词数、动词数、主题行文本、发送者信息、接收者数量、接收者信息、发送时间、接收时间、发送日或接收日中的一个或多个。

10.根据权利要求1所述的系统，其中，所述AI引擎还被配置为从所述电子消息中提取附件信息，并将预测模型应用于所提取的附件信息，以确定与所述电子信息相关联的响应时间，其中，所述附件信息包括附件数量、附件内容或附件文本中的一个或多个。

11.根据权利要求1所述的系统，其中，提取消息信息包括所述消息文本的独热编码或学习嵌入。

12.根据权利要求1所述的系统，其中，与所述电子消息相关联的响应时间指示在最初打开所述电子信息之后多长时间所述用户将响应。

13.根据权利要求1所述的系统，其中，所述AI引擎还被配置为当从所接收的电子消息中提取消息信息时忽略停用词。

14.根据权利要求1所述的系统，其中，所接收的电子消息包括文本，并且其中，AI引擎还被配置为仅使用名词和动词从所接收的消息的文本中提取消息信息。

15.根据权利要求1所述的系统，其中，所述AI引擎还被配置为当从所接收的电子消息中提取消息信息时忽略发送者信息。

16.一种人工智能方法，包括：

从消息服务器接收电子消息；

使用人工智能引擎从所述电子消息中提取消息信息；

使用所述人工智能引擎将预测模型应用于所提取的消息信息；

基于所述预测模型，确定与所述电子消息相关联的响应时间；

在用户打开所述电子消息之前，经由显示在客户端设备上的用户界面向所述用户呈现所确定的响应时间；

将所提取的消息信息和所确定的响应时间传送到数据库；

监视对所接收的电子消息的用户响应，以便对所确定的与所述电子消息相关联的响应时间的精度进行确定；以及

响应于所确定的上述所确定的响应时间的精度来调整所述预测模型。

17.根据权利要求16所述的方法，其中，所述预测模型通过使用以下至少一种的机器学习来构建：梯度提升机、逻辑回归、递归神经网络、卷积神经网络、独热编码或学习嵌入。

18.根据权利要求16所述的方法，还包括提供用户先前已响应的一个或多个经解析的电子消息的数据库，所述数据库包含与所述一个或多个经解析的电子消息相关联的已知响应时间，所述数据库与所述人工智能引擎进行数据通信。

19.根据权利要求18所述的方法，还包括使用从所述一个或多个经解析的电子消息中提取的消息信息和与所述一个或多个经解析的电子消息相关联的所述已知响应时间来训练所述预测模型。

20.一种人工智能系统，包括：

客户端设备，其被配置为显示用户界面；

数据存储器，其包含一个或多个经解析的电子消息和与所述一个或多个经解析的电子消息相关联的一个或多个已知响应时间；以及

服务器，其被配置为向AI引擎传送电子消息，所述AI引擎与数据存储器进行数据通信，并且经由被配置为传送实时数据的应用编程接口与所述用户界面进行数据通信，其中，所述AI引擎被配置为：

从所述服务器接收电子消息；

从所述电子消息中提取消息信息；

将预测模型应用于所提取的消息信息，以基于所提取的信息信息来确定与所接收的电子消息相关联的响应时间，其中，所述预测模型是基于与所述一个或多个经解析的电子消息相关联的所述一个或多个已知响应时间，以及

在所述用户打开所接收的电子消息之前，使用所述用户界面向用户呈现所确定的与所接收的电子消息相关联的响应时间。

Images