CN117242429A - 智能吸附辅助推荐模型 - Google Patents

Abstract

本文公开的技术使得系统能够使用因素的多样化的集合和因素权重来提供智能快速辅助推荐。为了生成推荐，系统接收用户输入，该用户输入将第一项目放置在显示环境中的吸附配置的区域中。作为响应，系统为多个项目分配置信得分，包括在显示环境中打开的项目以及未打开的项目。然后，系统基于置信得分对项目进行排名，并从排名列表中选择推荐的项目的列表。然后推荐的项目被呈现在吸附配置的第二区域中以供选择。该系统还被配置为接收并分析用户对吸附项目的选择，以随着时间进行学习并调整置信评分。

Description

智能吸附辅助推荐模型

背景技术

随着远程工作的普及，个人计算设备(诸如膝上型电脑、平板电脑和台式计算机)已经成为用于越来越多用户的主要工作空间。提供高效且直观的用户体验是为个人计算设备提供动力的软件平台和操作系统的一个重要方面。在许多场景中，软件平台可以包括由操作系统提供的显示多个项目(诸如应用、文件、媒体内容等)的桌面环境。

为了精简个人计算设备的使用，软件平台可以提供多任务特征以允许用户在桌面环境中容易地组织项目。例如，一个多任务特征提供了并排的网格，在该网格中项目被定位和调整大小。用户可以通过将项目放置到显示屏的一侧上的位置中来发起“吸附(snap)”操作，并且随后选择附加项目以吸附到显示屏的另一侧上的另一个位置中。这可以使用吸附辅助菜单来实现，该菜单响应于发起吸附操作的用户输入而向用户呈现用于吸附的可用项目。

不幸的是，典型的吸附辅助解决方案仅呈现桌面环境中已经打开的项目，从而限制了用户可用的吸附选项。另外，现有的吸附辅助解决方案仅呈现可用项目，而没有组织或底层逻辑来规定如何显示项目或哪些项目被显示。例如，吸附辅助菜单中呈现的项目可能与用户当前的任务不相关，使用户放弃利用吸附辅助特征，导致下降的用户体验和降低的生产力。在另一示例中，用户可能希望吸附当前未在桌面环境中打开的应用、文件或网站。由于现有的吸附辅助解决方案仅限于当前打开的项目，因此用户必须花费大量的时间和资源来手动查找并打开期望的项目，这进一步降低了用户体验。

正是关于这些和其他考虑，本文做出的公开被呈现。

发明内容

所公开的技术改进了提供吸附辅助多任务特征的软件平台的效率和功能。一般而言，系统利用机器学习模型来分析多个因素，以响应于发起吸附操作的用户输入而在吸附辅助用户接口(UI)中提供推荐。吸附的项目使用户能够在桌面环境中组织项目并精简生产力。

在各种示例中，桌面环境可以由个人计算设备(诸如膝上型电脑、平板电脑、可折叠计算设备、台式计算机等)提供。另外，所公开的技术可以被利用在除桌面环境之外的环境中，诸如移动设备、会议室中的大格式显示器、或其他显示环境。在这些类型的环境中的一个类型的环境中显示的项目可以包括应用、文件、网站、活动等。吸附的项目可以涉及用户通过将显示的项目放置到经组织的网格的第一位置来发起吸附操作。作为响应，系统可以向用户呈现吸附辅助菜单，该吸附辅助菜单显示可以被吸附到经组织的网格的附加位置的可用项目。

如上所讨论的，现有的吸附辅助解决方案仅呈现当前打开并显示在显示环境中的项目。然而，当前显示在显示环境中的项目可能与用户的当前任务无关，从而违背了快速辅助功能的目的。在另一个示例中，用户可能希望吸附当前未打开的项目。因此，该用户必须手动定位并打开他们想要与第一个吸附的项目相关联地吸附的项目。因此，需要提供吸附辅助多任务特征的软件平台，以提供更有意义的推荐来精简用户体验并增强生产力。

在各种示例中，机器学习模型可以使用系统信号、应用信号和/或历史用户数据的多样化的集合来训练以提供有意义的吸附辅助推荐。信号和数据的该集合在本文中也可以被称为因素。通过提供对用户有用的吸附辅助推荐，系统可以精简用户体验并改进生产力。此外，系统可以随着时间进行调整，以适应特定用户的习惯、任务和过去的动作。因此，快速辅助建议可以随着时间而改进，并针对个体用户进行定制。另外，在吸附辅助UI中显示的推荐项目可以通过突出地显示最可能有用的项目而在视觉层次结构中被显示。通过将用户的注意力引导到最有用的项目上，用户体验可以进一步被精简和增强。

与现有解决方案相对照，使用各种因素训练机器学习模型能够实现智能吸附推荐。以前，吸附推荐仅包含当前打开的项目，并且在没有任何组织或底层智能的情况下被呈现。因此，现有的吸附辅助解决方案使得用户难以找到期望的项目，从而延长了用户设置其工作空间所需的时间。如下面将更详细地讨论的，所提供的智能吸附推荐可以包括当前未在显示环境中打开或显示、但被认为与用户的当前任务相关的项目。通过有用且有意义的吸附推荐来精简吸附项目的过程，用户可以更快、更高效地达到最高生产力状态。

为了提供吸附辅助推荐，系统可以接收发起吸附操作的用户输入，该吸附操作用以调整经组织的网格的第一位置中的第一项目的大小和/或将第一项目定位在经组织的网格的第一位置中。作为响应，系统可以基于上面讨论的因素的集合来确定针对项目的集合的置信得分。系统可以根据置信得分对集合中的项目进行排名，并选择具有满足阈值的置信得分的项目。在一个示例中，系统可以确定具有超过阈值置信得分的置信得分的项目来推荐给用户。在另一示例中，项目可以基于项目位置在经排名的列表中处于前N个位置中的一个位置而被选择，其中N是排名最高的项目的阈值数目。在具体的示例中，经排名的列表可以包含十个项目，并且仅选择前五个(例如，N＝5)项目来推荐给用户。在各种示例中，阈值N可以是排名最高的项目的预定义数目并且由系统工程师或其他管理实体配置。阈值N还可以随着时间进行调整以适应不同的用户或上下文。

此外，系统可以调整各种阈值以提供直观的用户体验。例如，系统可以初始地选择具有超过阈值置信得分的置信得分的推荐项目。然而，在某些情况下，具有足够高置信得分的推荐项目的数目可能会低于项目的阈值数目(例如，只有一个项目有资格用于推荐)。作为响应，系统可以降低阈值置信得分并重新评估用于推荐的候选项目。以此方式，系统可以生成推荐项目的备选集合，以确保许多选项对于用户可用。

这些因素可以包括关于特定项目的那些因素，诸如使用的频率、使用的新近度、显示环境中预先存在的位置、吸附频率等。这些因素还可以包括项目与被吸附的第一项目之间的关系，诸如利用其项目与第一项目分组在一起的频率、项目与第一项目之间的关系的水平(例如，相似的标题、相似项目的类别或类型等)，以及显示环境中与第一项目相关的预先存在的位置。另外，权重可以被应用于因素以强调或弱化个体的因素。权重的值可以基于历史用户数据(诸如过去的用户吸附选择)随时间被确定和/或被调整(例如，被学习)。该确定和调整可以基于指示一般人群(例如，使用吸附辅助工具的大量用户)的趋势和/或模式的吸附选择，或者可以基于指示个体用户的趋势和/或模式的吸附选择。

另外，显示引擎可以从机器学习模型接收推荐项目的排名列表并且生成直观的和/或订制的推荐布局以将项目呈现给用户。例如，显示引擎可以生成推荐布局，以在上面讨论的视觉层次结构中显示吸附推荐，以吸引用户对排名高的项目的注意力。在具体示例中，推荐布局可以包括在显示设备的顶部附近以放大的格式显示第一项目的第一区域和以更小的格式且在第一项目下方显示附加项目的第二区域。显示引擎还可以基于排名列表的大小生成推荐布局，以提高用户对推荐项目的访问和查看。例如，推荐布局可以包括可滚动菜单以使用户能够查看排名列表的附加项目。

此外，显示引擎可以从吸附辅助UI接收选择项目的用户输入，并且基于用户输入调整未来的布局生成。例如，如果用户选择在布局中突出地显示的排名高的项目，则显示引擎可以检测用户输入并继续对应地生成布局。相反，如果用户选择未突出地显示的排名较低的项目，则显示引擎可以基于用户活动来随着时间调整未来的布局和订制推荐的呈现。在具体示例中，显示引擎可以调整各种权重以精化未来的置信得分和排名列表。

如上所述，并且如本文进一步描述，通过采用机器学习模型来提供智能吸附推荐，所公开的系统可以使用户能够更高效和有效地组织各种类型的显示环境(例如，桌面环境)。这是通过使用多种因素计算置信得分并提供推荐项目的排名列表来实现的。这些因素有助于提供用户的意图的清晰图画，并允许机器学习模型提供更有可能对个体用户有用的推荐。在没有智能吸附推荐的现有解决方案中，用户可能需要手动定位并打开期望的项目，从而使用户体验降级并且不必要地消耗了计算和网络资源。通过提供智能吸附推荐，用户可以更快速、更高效地组织显示环境并达到最大生产力状态，从而节省计算资源并改进性能。

除了上面明确描述的特征和技术优点之外的特征和技术优点将通过阅读以下具体实施方式和查看相关联的附图而变得明显。提供本发明内容部分是为了以简化的形式介绍概念的选择，这些概念将在下面的具体实施方式中进一步描述。本发明内容部分并不旨在标识所要求保护的主题的关键或基本特征，也不旨在用作确定所要求保护的主题的范围的帮助。例如，如由上述上下文和整个文件中允许的，术语“技术”可以指所描述的上下文容许的(多个)系统、(多个)方法、计算机可读指令、(多个)模块、算法、硬件逻辑和/或(多个)操作。

附图说明

参考附图描述具体实施方式。在附图中，附图标记的(多个)最左边的数字标识附图标记首次出现的附图。不同附图中的相同附图标记指示相似或相同的项目。对多个项目中的单独、、个体项目的引用可以使用带有字母序列中的字母的附图标记来引用每个给体的项目。对项目的一般引用可以使用不带字母序列的特定附图标记。

图1A示出了具有吸附辅助多任务特征的环境，该吸附辅助多任务特征利用智能吸附推荐来呈现多个推荐项目。

图1B示出了在用户选择推荐项目以在第一项目的旁边吸附之后显示被吸附的配置的环境。

图2是示出使用各种因素和因素权重来计算置信得分的机器学习方法的各方面的框图。

图3A是示例数据集，其示出了由系统基于图2所示的操作生成的用于对项目进行排名和推荐的置信得分。

图3B是另一示例数据集，其示出了由系统基于图2所示的操作生成的用于对项目进行排名和推荐的置信得分。

图4示出了具有利用智能吸附推荐的吸附辅助多任务特征的环境的附加方面。

图5是示出了用于实现本文所公开的技术的例程的各方面的流程图。

图6是示出了生成用于显示推荐项目的推荐布局的布局引擎的功能的框图。

图7示出了具有利用智能吸附推荐的吸附辅助多任务特征和突出地显示高排名项目的视觉层次结构的环境。

图8示出了具有利用智能吸附推荐的吸附辅助多任务特征和突出地显示高排名项目的视觉层次结构的环境的附加方面。

图9也示出了具有利用智能吸附推荐的吸附辅助多任务特征和突出地显示高排名项目的视觉层次结构的环境的附加方面。

图10是示出用于实现图7中所示的视觉层次结构的例程的各方面的流程图。

图11是示出用于能够实现本文所呈现的技术和工艺的各方面的计算系统的说明性计算机硬件和软件架构的计算机架构图。

具体实施方式

本文描述的技术提供了通过引入使用各种因素来智能地推荐用于吸附的项目的机器学习模型来改进显示环境中的吸附辅助多任务特征的操作的系统。这些因素可以包括应用信号、系统信号、历史用户数据和/或定义影响用户吸附特定项目的可能性的过去活动或习惯的其他数据。推荐项目可以包括应用、文件、网站、操作系统菜单、联系人或包括环境中所显示的相关联的图形表示的其他数字内容。例如，这些图形表示通常可以被称为用户接口元素或窗口。另外，项目可以在环境中自由移动并以分开或重叠(例如堆叠)的方式呈现。

所公开的技术解决了与吸附辅助推荐生成和呈现相关联的多个技术问题。例如，所公开的系统解决了不提供智能吸附辅助推荐的现有吸附辅助解决方案的低效率和限制。这通常引起下降的用户体验，从而导致降低的生产力。如下文更详细描述的，所公开的技术还可以改进各种个人计算设备的性能。通过提供智能吸附辅助推荐，所公开的技术可以通过精简的用户体验来节省计算资源，诸如处理周期、存储器资源和网络资源。

吸附辅助解决方案的传统方法在多个方面受到限制。首先，只有当前打开并在环境中显示的项目才有资格在吸附辅助用户接口(UI)中显示。因此，如果用户希望吸附当前未打开的项目，则用户必须手动定位并打开期望的项目。第二，现有的吸附辅助UI仅呈现当前打开的项目，没有另外的组织或底层智能。这些限制通常引起降低的生产力和降级的用户体验。

与之相对照，所公开的技术提供由机器学习模型基于因素的多样化的集合生成的智能吸附辅助推荐。以这种方式生成吸附推荐可以确保推荐的项目与用户手头的任务相关，从而使用户能够快速组织显示环境并达到最大生产力状态。另外，通过利用机器学习模型和各种因素权重，本文描述的吸附推荐可以随着时间而改进并为个体用户带来个性化体验。所公开的技术通过提供在视觉层次结构中直观地呈现吸附辅助推荐的布局来进一步精简用户体验，该视觉层次结构将用户的注意力吸引到排名高的项目。

在本公开的技术效果的另一示例中，本文描述的智能吸附辅助推荐改进了个人计算设备的性能。由于吸附推荐利用用户输入来精化和订制推荐项目的生成和显示以随着时间而改进的能力，这是可能的。通过针对个体的用户来定制用户体验，所公开的系统可以使用户能够随着系统适应具体习惯和上下文而甚至更快地组织显示环境。因此，通过不断接收用户输入并改进用户体验，系统可以通过节省各种计算资源来改进性能。

下面参考图1至11描述实现智能吸附辅助推荐生成和呈现的各种示例、场景和方面。

图1A示出了显示环境(例如，显示屏幕)100，其中日历应用102是作为用户输入的结果被吸附到显示屏幕的左侧以占用显示环境的第一区域的第一项目。显示环境可以涵盖作为个人计算设备(诸如膝上型电脑、平板电脑、台式计算机等)的一部分的显示设备。另外，显示环境可以是作为共享设备(例如，会议室或“中心”设备、信息亭等)一部分的显示设备。在各种示例中，触发日历应用102的吸附的用户输入可以是将日历应用102拖动到显示环境的边缘的手势。手势可以使用指点设备(诸如鼠标)并执行到显示环境的边缘的拖动运动来执行。备选地，用户输入可以在触敏显示器上使用手指或触笔并且类似地执行到显示环境的边缘的拖动运动来执行。

响应于执行吸附手势的用户输入，系统可以在显示环境的第二区域中显示多个推荐项目，诸如电子表格应用104、活动通信会话106和通信应用108。这些推荐项目104、106、108使用户能够选择并在日历应用102吸附特定项目。在该示例中，并且如上所述，推荐项目中的每个推荐项目具有基于各种因素计算的相关联的置信得分，诸如使用的频率、使用的新近度等。如下面将进一步详细描述的，推荐项目104、106、108是由机器学习模型110生成的推荐项目的排名列表的一部分，并且基于置信得分被选择用于在显示环境100中呈现。应当理解，机器学习模型110可以以任何方式实现。在一些示例中，机器学习模型110被实现为提供显示环境100的个人计算设备的一部分。备选地，机器学习模型110可以在与个人计算设备通信的远程和/或基于网络的服务器环境中实现。

在具体示例中，系统可以检测第一吸附项目是日历应用102。因此，系统可以确定用户频繁地与日历应用102同时地利用电子表格应用104来执行数据输入任务，并且可能将日历应用102和电子表格应用104一起吸附。因此，系统可以给电子表格应用104分配高置信得分并且将电子表格应用104包括在推荐项目之中。在另一示例中，系统可以检测到用户当前参与通信会话106。在这种情况下，通信会话最近可能已被显示在显示环境的前景中。因此，系统可以确定通信会话106可能需要来自用户的附加关注。因此，系统可以给通信会话106分配高置信得分并将通信会话106作为推荐项目呈现给用户。以类似的方式，系统可以确定用户通常串联使用日历应用102和通信应用108来调度会议。与电子表格应用104一样，系统可以给通信应用108分配高置信得分并向用户推荐通信应用108。

转向图1B，用户后续选择了电子表格应用104以吸附在日历应用102旁边。因此，系统放大了电子表格应用104以填充显示环境的第二区域。多个区域(例如，两个、三个、四个)以及项目被吸附到的每个区域的大小和位置可以被预配置为经组织的布局或网格。另外，机器学习模型110可以接收并存储定义用户对电子表格应用104的挑选的用户选择数据112。如上所述，并且在下面进一步详细描述，机器学习模型110可以分析用户选择数据112以了解未来的吸附辅助建议并根据个体用户的具体习惯和上下文定制用户体验。在各种示例中，机器学习模型110最初可以使用来自许多用户(例如，全局用户库)的用户数据来训练，并且反映一般用户群体之中的大规模习惯。此外，机器学习模型110的个体实例可以与特定用户或用户设备相关联并且逐渐适应特定习惯以提供定制的体验。

应当理解，虽然图1B所示的示例描绘了在单个显示设备内的经组织的网格中吸附项目，但是吸附辅助接口可以利用多个显示设备。例如，在多显示器配置中，第一项目可以被吸附以填充第一显示设备中的第一区域，并且第二项目可以被吸附以填充第二显示设备中的第二区域。另外，虽然图1B所示的示例显示了并排格式，但是经组织的布局中的项目的布置和数目可以由系统自动配置或者由用户修改以创建自定义的优选网格。例如，用户可以用默认布局(诸如图1B中所示的双项目布置)吸附项目，其中两个项目以相似的大小示出。用户后足可以调整网格的边界以增加日历应用102的大小并减小电子表格应用104的大小。另外，用户可以指示优选网格格式以使用自定义边界、项目的数目等来吸附项目。

现在转向图2，实现智能吸附辅助推荐的生成的机器学习模型202(例如，机器学习模型110)将被解释。为了生成吸附辅助推荐，机器学习模型202接收多个项目204。如上所述，项目可以是独立应用、文件、网站、联系人、应用内的活动等等。与现有的解决方案相对照，提供给机器学习模型202的项目不限于打开的和当前显示的项目。

另外，机器学习模型202接收因素206的集合以计算针对每个项目204的置信得分。因素206可以包括从各种项目、数据存储库和提供显示环境的操作系统获取的多种数据和信号。如上所述，这些因素可以包括项目的各种特性，诸如使用的频率、使用的新近度、显示环境中的位置、下载位置等。这些因素还可以包括项目和第一吸附项目之间的关系和关联，诸如指示项目频繁地与如图1A的示例中所讨论的第一项目同时被使用的因素。其他示例可以包括指示项目与第一项目术语相似的类别(例如，生产力应用、媒体应用等)的因素、与具有相似标题或关键词的项目相关的因素、指示项目频繁地与第一项目一起被吸附的因素等等。

此外，机器学习模型202可以接收用作强调或弱化个体因素的因素权重208的集合。权重208可以是用作使某些因素优于其他因素的预定值。例如，与类似标题或关键词相关的因素相比，指示项目频繁地在第一项目旁边吸附的因素可以被更重地加权。因素权重208还可以由机器学习模型202使用用户活动数据210来调整，用户活动数据210定义各种活动，诸如应用使用中的某些习惯、吸附辅助UI在其中被调用的不同上下文(例如，生产力、休闲、娱乐)等等。如上所述，用户活动数据210可以是多个用户(诸如家庭内、组织内或全局的)的习惯的聚合，以允许机器学习模型适应吸附辅助使用中的大规模趋势。备选地，用户活动数据210可以定义针对单个用户的活动，使机器学习模型202能够定制吸附辅助特征以适合单个用户并提供订制的体验。

在接收到项目204、因素206、因素权重208和用户活动数据210之后，机器学习模型202可以计算针对项目中的每个项目的置信得分并生成经评分的项目212的集合。然后，系统可以对经评分的项目进行排名，以生成项目的排名列表214。如下面将更详细地描述的，系统然后可以从项目的排名列表中选择推荐项目216的集合以在吸附辅助UI中呈现给用户。由于项目的排名列表214可能包含大量项目，因此呈现整个列表可能是不切实际的。在这些情况下，系统可以选择排名最高的项目来显示。如上所述，系统可以使用阈值置信得分或项目的阈值数目来选择推荐项目216以及调整各个阈值。如所描述的，当推荐项目216的数目低于项目的阈值数目时，系统可以降低阈值置信得分。

系统后续可以接收从推荐项目216中选择项目以吸附在第一项目(诸如图1A中所示的日历应用102)旁边的用户输入。另外，机器学习模型202可以接收定义所选项目218的数据以了解未来的项目评分。例如，机器学习模型202可以使用所选项目218来调整因素权重208以及更新经评分的项目212的后续集合。以这种方式，(多个)所选项目变成用户活动数据210的形式，并且系统可以随着时间而不断改进，以一致地推荐有用且与用户手头的任务相关的项目。

现在转向图3A，示出了置信得分计算和项目排名的示例。图3A中讨论的示例基于图1A和图1B中所示的示例以及图2中描述的操作。在该示例中，在表306中示出了项目302的集合和因素304A-304F的集合。另外，置信得分308根据参数310的集合被计算。在这种情况下，因素被给予相同的权重，个体的因素得分被生成并被求和以生成最终得分，并且被用于选择项目来推荐的阈值得分被设置为二十。

基于参数310，用于项目A至E的因素得分304A至304F列在表306中。在表306中，基于因素206，针对项目A至E中的每个项目的因素得分304基于由机器学习模型202执行的项目204的分析被确定。例如，机器学习模型202可以包括用于将项目204的各种因素量化为对应因素得分304的方法。然后，针对每个项目的总得分312(也称为置信得分308)可以使用个体的因素得分304被生成。

由于参数310指示对因素得分304应用相同的权重，因此总得分312可以被确定为针对对应项目的因素得分304的总和。然后将针对每个项目的总得分312与二十的阈值得分相比较。具有高于阈值得分的总得分312的项目将被确定为推荐项目314并且在如图1A所示的吸附辅助UI中被显示给用户。根据实现的一个方面，在应用阈值得分20之前，项目根据它们的置信得分308被排名。以此方式，推荐项目也是排名列表，在该排名列表中由机器学习模型确定为最有可能被吸附的被列在列表的顶部。

在图3A所示的示例中，置信得分308基于指示用户与特定项目的交互水平的使用频率得分304A和使用新近度得分304B被计算。这些因素还包括Z-顺序得分304D，其指示项目是否靠近显示环境的前景。最后，这些因素包括分组得分304C、吸附频率得分304E和配置得分304F，其可以单独地或共同地指示项目302A至302E与第一吸附项目之间的关联的水平。应当理解，在计算置信得分308时考虑的因素206可以包括比图3A中所示的因素多得多的因素。例如，系统可以考虑项目的创建日期(例如，较旧的项目通常可能不如新项目相关)、项目的状态(例如，项目当前是否打开)、项目的起始位置(诸如项目被下载的位置、项目从其被存储)、或者项目类型或类别(例如，生产力、娱乐等)。系统甚至可以考虑呈现显示环境的计算设备的硬件参数，诸如显示屏分辨率、屏幕取向(例如，纵向模式或横向模式)以及屏幕的数目。

在图3A所示的示例中，由于指示项目A被用户频繁使用以及最近被使用过引起吸附的增加的可能性的高使用频率得分304A和使用新近度得分304B，项目A是排名最高的项目。项目A还具有高分组得分304C，指示项目A频繁地与任务流中的第一项目连续或并发地利用，但不一定在吸附配置中被使用。例如，图1A所示的通信应用108可以具有高分组得分，因为它频繁地与日历应用102并发地被使用来查找和调度会议。另外，项目A具有高吸附频率得分304E，指示用户在显示环境中频繁地吸附项目A，而不管吸附配置中的位置如何。类似地，项目B在使用频率304A、使用新近度304B和吸附频率304E方面具有高分。另外，项目B具有高Z-顺序得分，指示项目B最近显示在显示环境的前景中(例如，堆叠在显示环境中的其他项目之上)。例如，图1A中所示的活动通信会话106可以具有高Z-顺序得分，因为用户最近正在与前景中的窗口交互。

项目D是最终推荐的项目，主要是由于指示项目D通常以特定配置和/或在被吸附的项目旁边的位置显示的高配置得分。例如，在图1A中，系统可以检测当用户在显示环境的左侧吸附日历应用102时，他或她通常将电子表格应用104吸附在右侧。基于这些过去的吸附配置，系统可以对应地为电子表格应用104分配高配置得分。

在图3B所示的示例中，由参数310定义的阈值置信得分保持为二十，然而，项目C现在在推荐项目之中。这是由于对应于图2所示的因素权重208的因素权重316和318的添加。在这种情况下，分组得分304C和配置得分304F被重度加权，指示系统对项目与第一吸附项目之间的关系的强调。如由配置得分304F所指示的与第一吸附项目具有中等水平的相关性的项目C受益于配置得分的重权重并且因此有资格包括在推荐项目之中。权重可以基于由机器学习模型202对用户活动数据210和所选项目218的分析来生成。如所讨论的，权重可以由机器学习模型随时间调整以适应用户习惯，来精化推荐项目的生成和定制用户体验。

应当理解，图3A和图3B中所示的示例仅仅是说明性的并且不应被解释为限制性的。用于对项目212进行评分的各种因素206的集合、加权方案和/或机制可以被利用以根据定义参数310的个人或实体的偏好来确定项目的排名列表214和推荐项目314。例如，如果设置参数的个人或实体重视项目与第一吸附项目之间的关系，则如果加权得分要被计算，分组得分304C和配置得分304F应当被考虑并且被分配更高的权重。

现在转向图4，用于生成和显示推荐项目的系统的附加方面将被示出并讨论。在该示例中，诸如图1A中所示的显示环境100再次被示出，其中日历应用102被吸附在显示环境的左侧上的第一区域中。因此，吸附辅助UI被显示在显示环境的右侧上的第二区域中。以与图1A的环境类似的方式，由于如图2至图3B中所描述的机器学习模型202所计算的高置信得分，活动通信会话106和通信应用108被显示为推荐项目。然而，在图4中，附加表402向用户显示多个附加推荐项目。如上所述，并且与现有的吸附辅助解决方案相对照，机器学习模型202可以推荐当前未在显示环境中打开或显示但可能具有高置信得分的附加项目。在此示例中，这些项目可以包括应用活动(诸如设计评审会议404)、文件(诸如功能规范406、季度销售408和季度报告410)、联系人(诸如Daichi F.412和设计团队414)，以及网站和其他项目。

通过扩展可以在吸附辅助UI中被呈现的项目的多样性以包括文件、活动、联系人等，系统可以提供更具体且可能有用的推荐。另外，包括当前未在显示环境中打开的项目，通过向用户提供相关项目的快捷方式，允许用户快速设置他们的优选工作区，进一步精简了用户体验。因此，与现有的吸附辅助解决方案相比，对吸附辅助UI的这些增强使用户能够在更短的时间内达到最高生产力状态，从而改进个人计算设备的性能。

根据如上所述的系统的各方面，附加推荐项目404至414连同活动通信会话106和通信应用108一起是项目的排名列表的一部分。另外，附加项目404至414基于相关联的置信得分被选择以用于在吸附辅助UI中的呈现。例如，当检测到用户已经吸附日历应用102时，系统可以确定用户频繁地利用日历应用102作为用于调度和参加会议的任务流的一部分。因此，系统可以向用户推荐通信应用108，因为它也是会议任务流的一部分。然而，更具体地，系统还可以检测到用户是即将到来的设计评审会议416的一部分，如日历应用102中所指定的。因此，系统可以推荐可能与具体会议相关的项目，诸如设计评审会议404、功能规范406和设计团队414。此外，应当理解，图4中示出的推荐项目是排名列表中具有满足或超过如图3A和3B的示例中所示的阈值置信得分的相关联的置信得分的项目。项目的排名列表可以包含比推荐给用户的项目多得多的项目，并且推荐集合可以通过调整阈值得分、因素权重等被修改。

另外，虽然图4中所示的示例按照置信得分的顺序呈现推荐项目(例如，通信会话106具有最高得分，设计团队414具有最低得分)，但是系统可以使用因素206来组织吸附辅助UI中的推荐项目。例如，推荐的通信会话106和通信应用108项目当前可以是打开并显示在显示环境中。相反，项目404至414当前可能未打开，但接收到高置信得分并因此被推荐给用户。为了向用户传送当前打开的项目与关闭的项目之间的区别，系统可以将关闭的项目分组在附加表402内。

现在转向图5，用于生成智能吸附辅助推荐的例程500的各方面在下面被示出并描述。应当理解，本文公开的方法的操作不以任何特定顺序呈现，并且以(多个)备选顺序来执行一些或全部操作是可能的并且是预期的。为了便于描述和说明，这些操作已按演示顺序被呈现。操作可以被添加、省略和/或同时执行，而不脱离所附权利要求的范围。

还应当理解，所示方法可以在任何时间结束并且不需要全部执行。该方法的一些或全部操作和/或基本上等同的操作可以通过被包括在计算机存储介质上的计算机可读指令的执行来执行，如下所定义。如说明书和权利要求中所使用的术语“计算机可读指令”及其变体在本文中宽泛地使用以包括例程、应用、应用模块、程序模块、程序、组件、数据结构、算法等。计算机可读指令可以在各种系统配置上实现，包括单处理器或多处理器系统、小型计算机、大型计算机、个人计算机、手持计算设备、基于微处理器的可编程消费电子产品、其组合等。

因此，应当理解，本文描述的逻辑操作被实现为(1)在计算系统上运行的一系列计算机实现的动作或程序模块和/或(2)计算系统内的内部互连的机器逻辑电路或电路模块。实现是取决于计算系统的性能和其他要求的选择。因此，本文描述的逻辑操作被不同地称为状态、操作、结构设备、动作或模块。这些操作、结构设备、动作和模块可以用软件、固件、专用数字逻辑及其任何组合来实现。

例如，例程500的操作在本文中被描述为至少部分地由运行本文公开的特征的模块来实现，该模块可以是动态链接库(DLL)，静态链接库，由应用编程接口(API)、编译程序、解释程序、脚本或任何其他可执行指令集合产生的功能。数据可以以数据结构存储在一个或多个存储器组件中。数据可以通过寻址到数据结构的链接或引用来从数据结构中获取。

尽管下面的图示涉及附图的组件，但是可以理解的是，例程500的操作也可以以许多其他方式来实现。例如，例程500可以至少部分地由另一远程计算机的处理器或本地电路来实现。另外，例程500的一个或多个操作可以备选地或另外地至少部分地由单独工作或与其他软件模块结合工作的芯片组来实现。在下面描述的示例中，计算系统的一个或多个模块可以接收和/或处理本文公开的数据。适合提供本文所公开的技术的任何服务、电路或应用都可以在本文所描述的操作中被使用。

参考图5，例程500开始于操作502，其中显示环境显示第一多个项目。如上所述，项目可以包括应用活动、文件、联系人、网站等。

进行到操作504，用户可以提供将第一多个项目中的第一项目放置在诸如图1A所示的日历应用102的吸附配置中的输入。如上所述，用户输入可以是将第一项目拖动到显示环境的边缘的手势。手势可以使用指点设备(诸如鼠标)并执行到显示环境的边缘的拖动运动来执行。备选地，用户输入可以在触敏显示器上使用手指或触笔并且类似地执行到显示环境的边缘的拖动运动来执行。

在操作506，系统通过计算针对第一多个项目204(例如，已经存在于显示环境中的项目)的置信得分308来响应操作504的用户输入。置信得分可以基于用户输入和一个或多个因素206，诸如使用的新近度、在显示环境中的项目位置、与第一项目的关联的水平等等。

后续在操作508，系统计算针对第二多个项目204(例如，当前在显示环境中未打开的项目)的置信度得分308。与第一多个项目一样，置信得分基于用户输入和一个或多个因素206。

进行到操作510，系统可以基于置信得分308生成项目的排序列表214。项目的排序列表可以包括来自第一多个项目和第二多个项目两者的项目。

在操作512，系统可以从项目的排序列表214选择推荐项目216的集合。推荐项目可以具有满足阈值的置信得分。在各种示例中，阈值可以是阈值置信得分，其中具有满足或超过阈值的相关联的置信得分的项目被推荐。在另一示例中，阈值可以是项目的数目。例如，如果阈值项目数目为五，则排名列表中的前五个项目被选择用于推荐。

最后，在操作514，推荐项目216被显示在吸附配置的第二区域中，诸如如图1A和图4所示的示例。推荐项目之中显示的项目可以是第一多个项目的一部分(例如，当前在显示环境中打开的项目)或第二多个项目的一部分(例如，未打开的项目)。

现在转向图6，实现智能吸附辅助推荐的直观呈现的显示引擎602的各方面将被解释。为了显示吸附辅助推荐，显示引擎602接收由图2所示的机器学习模型202生成的推荐项目216的集合。另外，显示引擎602接收预定义推荐布局604的集合以组织并呈现推荐项目。如上所述，布局可以使用视觉层次结构呈现项目，该视觉层次结构突出地显示在推荐项目216的集合内具有高位置的项目。以此方式，用户的注意力可以被吸引到更可能被吸附的项目，从而进一步精简用户体验。在各种示例中，并且如下面将更详细地描述的，这些默认布局604可以包括呈现推荐项目的各种方式，诸如将项目组织到布局内的多个区域中、将项目排序到多个页面中、或者利用可滚动菜单来呈现许多推荐项目。另外，显示引擎602接收用户偏好606的集合，用户偏好606定义与个体用户相关的各种参数，诸如对某些布局格式超过其他布局格式的偏好、定义过去项目选择的数据等。应当理解，突出地显示项目不限于吸附辅助UI内的项目的大小或位置。例如，突出显示可以包括高亮显示某些项目用于强调。

使用推荐项目216、默认布局604的集合和用户偏好606，显示引擎602可以生成布局608以在吸附辅助UI中直观地呈现推荐项目216。显示引擎602可以基于多种因素生成布局。例如，特定布局608的选择可以基于推荐项目216的列表的大小。在具体示例中，如果推荐项目的列表包含大量项目，则显示引擎602可以选择多页面布局以直观且有组织的方式呈现项目。在另一示例中，布局的选择可以基于视觉层次结构的要求。考虑推荐项目216的列表，其中许多项目具有转化视觉层次结构内的突出显示的高置信得分。在这种情况下，显示引擎602可以选择可滚动布局来呈现所有推荐项目。

从布局608，用户然后可以选择项目以在第一吸附项目旁边吸附。定义项目选择610的数据后续可以由显示引擎602接收以精化未来生成的布局608。如下文将详细阐述的，用户可以选择在视觉层次结构内突出显示的项目，指示他或她同意项目的排名和显示引擎的呈现。在这种情况下，显示引擎602可以以最小的改变继续生成布局。备选地，用户可以选择具有较低排名并因此在视觉层次结构内不太突出的位置的项目。因此，显示引擎602可以调整未来的布局608以考虑用户的反馈。在具体示例中，显示引擎602可以调整因素权重208以调整未来置信得分。通过在视觉层次结构中反映推荐项目的排名，系统可以将用户引导到他们最有可能吸附的项目。因此，用户体验进一步精简，并且个体用户设置高效工作空间所需的时间也减少了。

现在参考图7，示例显示环境700使用如图6中所示的一种这样的布局608被示出。如在先前的示例中，用户已经将日历应用102吸附到显示环境700的左侧上。作为响应，系统在显示环境700的右侧显示推荐项目702至712的集合。如参考图6所描述的，推荐项目使用视觉层次结构被呈现，该视觉层次结构突出显示排名高的项目以吸引用户的注意力。在该示例中，活动通信会话702在推荐项目之中排名高。因此，通信会话702被在显示区域的顶部附近示出并且以相对于其他项目(诸如电子表格应用704)的放大格式显示。以此方式，用户的注意力被引导到通信会话702并且可以更快地吸附项目以设置他们期望的工作空间。

另外，电子表格应用704可以比项目706至712排名更高但低于通信会话702，这转化为布局中中等突出的位置。以与通信会话702类似的方式，电子表格应用704被显示在项目706至712上方并且以相对于布局的其他项目而言中等大小的格式。最后，附加项目706至712在附加表714中被分组在一起。项目可以以这种方式被分组在一起以指示引起项目706至712获得相似水平的注意力的相似置信得分排名。

现在转向图8，用于呈现智能吸附辅助推荐的另一示例布局被示出。与先前的示例一样，响应于用户输入吸附日历应用102，推荐项目802至814的集合被显示在显示环境800的左侧。类似于图7的示例，推荐项目802至814基于它们在项目的排名列表内的相应位置被组织成视觉层次结构。在该实例中，活动通信会话802和电子表格应用804在推荐项目216内排名高，并且因此以放大格式突出地显示在显示的顶部。此外，通信会话802和电子表格应用804可以彼此并排显示，以在除了排名列表内的高位置之外还指示类似的置信得分。

推荐项目的布局还可以包括显示电子邮件应用806的第二区域，该第二区域朝向吸附辅助UI的中间并且以中等大小的格式显示。以此方式，系统可以向用户传达电子邮件应用806可能与吸附的日历应用102有一些相关性，但是与通信会话802和电子表格应用804相比，相关性较小。另外，布局还可以包括显示达到用于推荐的置信得分阈值的附加项目808至814的第三区域816，如图3A和3B中所示。第三区域的项目可以被分组在第三区域816中以指示相似的置信得分(例如，具有在预定义的相似得分差内的得分差)。备选地，项目可以被分组在第三区域816内，以清楚地向用户传达在突出项目802至806和分组项目808至814之间存在相关联的置信得分的差异。

另外，项目可以使用除置信得分之外的标准被分组。例如，推荐布局中的项目可以基于各种因素被分组，诸如与上述第一项目吸附项目102的关联的水平。在具体示例中，用户可以参与会议，诸如图4中所示的设计会议416。在该示例中，显示引擎602可以将与设计会议416相关的项目分组，相关的项目诸如是通信会话802、功能规范文档810和设计团队联系人812。尽管置信得分存在差异，但以这种方式分组的项目可以在推荐布局608中突出地呈现，以将用户的注意力吸引到对与当前手头任务相关的项目。应当理解，所讨论的示例仅仅是说明性的，并且可以以任何其他方式将项目分组在推荐布局中以直观地呈现吸附辅助推荐。

图8的示例推荐布局还包括交互式UI元素818以指示附加推荐项目对用户可用。这可以包括多页面布局，其中选择UI元素818将带来第三区域816内的推荐项目的新页面。如上所述，当推荐项目216的列表具有某个大小时，显示引擎602可以选择该特定布局。在该示例中，可能存在许多具有相似置信得分的较低排名的项目，从而需要多页面布局来直观地呈现推荐项目216的集合。

现在转向图9，示出用于直观地显示智能吸附辅助推荐的布局的又一示例桌面900被示出。与图8中所示的布局类似，活动通信会话902和电子表格应用904由于其高置信得分和相关联的排名而以放大的格式突出地显示在吸附辅助UI的顶部。然而，用于图9的示例布局的推荐项目216的列表可以包括具有中等置信得分的许多项目，其转化为视觉层次结构中的中等大小的显示。为了以直观且有组织的方式显示推荐项目，显示引擎602可以选择具有用于导航推荐项目的列表的滚动条906的可滚动布局。在各种示例中，突出地显示的项目(诸如通信会话902和项目电子表格应用904)可以是具有满足阈值的置信得分的项目的第一集合的一部分。相反，项目908至914可以是具有不满足阈值的置信得分的项目的第二集合的一部分。因此，项目的第二集合可以相对于项目的第一集合在吸附辅助UI中被显示在视觉层次结构中较低的位置。

在该示例中，通信应用908、文档910和912以及电子邮件应用914在通信会话902和电子表格应用904下方被示出以指示较低的相对排名。另外，多个更多的项目可以在更下面以可滚动布局格式被显示，该可滚动布局格式是通过它们在推荐项目的列表内的相关联的排名来组织的。如上所述，显示引擎602可以基于推荐项目216的列表的大小和所得到的视觉层次结构的要求来选择该特定布局。在此示例中，有许多项目的置信得分转化为视觉层次结构内的中等大小的格式，这需要可滚动布局格式来以有组织的方式呈现推荐项目。

在图7至9中讨论的每个示例中，用户可以选择在日历应用102旁边吸附的项目。如图6所示，系统可以对应地检测并存储用户的选择以供在生成未来的布局608时参考。例如，如果用户输入选择突出地显示的项目，则系统可以记录用户输入作为当前用户偏好606的强化。因此，系统可以以最小的调整继续生成布局。相反，如果用户选择排名较低的项目，则系统可以调整用户偏好606以精化未来布局608，从而为个体用户定制布局并确保突出的项目是相关的和有用的。

此外，定义用户的选择的数据可以包括各种度量来衡量用户对特定推荐布局的参与。例如，项目选择数据610可以包括定义用户花费多长时间来选择项目的数据。在一些示例中，用户可能花费很长时间来选择项目，这指示即使在视觉层次结构内用户的期望的项目也可能不容易可见。显示引擎602可以考虑该信息来调整未来的布局608，诸如通过增加推荐项目的总体大小。项目选择数据610可以附加地包括各种各样的信息，从用户搜索通过的页面的数目(例如，图8的布局)、用户在布局(例如，图9的布局)内滚动的距离，到用户凭据，甚至一天中的时间。因此，显示引擎602可以使用项目选择数据610的所有信息来精化推荐布局并快速帮助用户找到期望的项目来吸附。

现在转向图10，用于呈现智能吸附辅助推荐的例程1000的各方面在下面被示出并描述。

参考图10，例程1000开始于操作1002，其中多个项目在显示环境中被显示。显示环境可以包括由个人计算设备(例如，膝上型电脑、平板电脑)提供的桌面、(诸如会议室中)大格式显示器、智能手机等。

在操作1004，用户提供将第一项目放置在吸附配置的第一显示区域中的输入。如上所述，用户输入可以包括将第一项目拖动到显示环境的边缘的手势。手势可以使用指点设备(诸如鼠标)并执行扫显示环境的边缘的拖动运动来执行。备选地，用户输入可以在触敏显示器上使用手指或触笔并且类似地执行到显示环境的边缘的拖动运动来执行。

进行到操作1006，系统接收由机器学习模型(例如，机器学习模型202)生成的推荐项目的列表。如上所述，推荐项目基于使用各种因素和因素权重计算的相关联的置信得分被排名。

后续在操作1008，系统生成推荐布局以直观地呈现推荐项目的排名列表。推荐布局用视觉层次结构组织，以突出地显示推荐项目的列表内排名高的项目。推荐布局内的突出性可以包括显示环境中的位置、所显示项目的大小等等。以此方式，用户的注意力被吸引到具有高置信得分的项目。

最后，在操作1010，系统使用生成的推荐布局在吸附配置的第二区域中向用户呈现推荐项目的列表。

图11示出了能够执行本文描述的程序组件的计算机的示例计算机架构1100的附加细节。因此，图11所示的计算机架构1100示出了用于服务器计算机、移动电话、PDA、智能电话、台式计算机、上网本计算机、平板计算机和/或膝上型计算机的架构。计算机架构1100可以被利用以执行本文中呈现的软件组件的任何方面。

图10所示的计算机架构1100包括中央处理单元1102(“CPU”)、系统存储器1104和将存储器1104耦合到CPU 1102的系统总线1110，系统存储器1104包括随机存取存储器1106(“RAM”)和只读存储器(“ROM”)1108。包含帮助在计算机架构1100内的元件之间传送信息(诸如在启动期间)的基本例程的基本输入/输出系统被存储在ROM 1108中。计算机架构1100还包括大容量存储设备1112，用于存储操作系统1114、其他数据、一个或多个应用1116、以及一个或多个模块1118，诸如机器学习模型202和显示引擎602。

大容量存储设备1112通过连接到总线1110的大容量存储控制器(未示出)连接到CPU 1102。大容量存储设备1112及其相关联的计算机可读介质为计算机架构1100提供非易失性存储。尽管本文所包含的计算机可读介质的描述是指大容量存储设备，诸如固态驱动器、硬盘或CD-ROM驱动器，但是本领域技术人员应当理解，计算机可读介质可以是可以由计算机架构1100访问的任何可用的计算机存储介质或通信介质。

通信介质包括调制数据信号(诸如载波或其他传输机制)中的计算机可读指令、数据结构、程序模块或其他数据，并且包括任何传送介质。术语“调制数据信号”是指其特性中的一个或多个以某种方式改变或设置以便对信号中的信息进行编码的信号。作为示例而非限制，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)。上述任何的组合也应当被包括在计算机可读介质的范围内。

作为示例而非限制，计算机存储介质或计算机存储介质可以包括以用于存储信息(诸如计算机可读指令、数据结构、程序模块和其他数据)的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。例如，计算机介质包括但不限于RAM、ROM、EPROM、EEPROM、闪存或其他固态存储技术、CD-ROM、数字多功能光盘(“DVD”)、HD-DVD、BLU-RAY，或其他光存储、盒式磁带、磁带、磁盘存储或其他磁存储设备，或可以被使用以存储期望的信息并且可由计算机架构1100访问的任何其他介质。出于权利要求的目的，短语“非暂态计算机存储介质”、“计算机存储介质”、“计算机可读存储介质”及其变体不包括波、信号和/或其他暂态和/或无形通信介质本身。

根据各种配置，计算机架构1100可以使用通过网络1120和/或另一网络(未示出)到远程计算机的逻辑连接在网络环境中操作。计算机架构1100可以通过连接到总线1110的网络接口单元1122连接到网络1120。应当理解，网络接口单元1122还可以被利用以连接到其他类型的网络和远程计算机系统。计算机架构1100还可以包括输入/输出控制器1124，用于接收和处理来自多个其他设备的输入，包括键盘、鼠标或电子触笔(图11中未示出)。类似地，输入/输出控制器1124可以向显示屏、打印机或其他类型的输出设备(图11中也未示出)提供输出。

在各种示例中，计算机架构1100可以包括被配置为以视觉形式呈现信息的显示设备1126。具体地，显示设备1126可以呈现图形用户接口(“GUI”)元素、文本、图像、视频、通知、虚拟按钮、虚拟键盘、消息收发数据、互联网内容、设备状态、时间、日期、日历数据、偏好、地图信息、位置信息以及能够以视觉形式呈现的任何其他信息。在一些配置中，显示设备1126是利用任何有源或无源矩阵技术以及任何背光技术(如果使用的话)的液晶显示器(“LCD”)。在一些配置中，显示设备1126是有机发光二极管(“OLED”)显示器。可以设想其他显示类型。显示设备1126还可以是被配置为检测触摸的存在和位置的触摸屏。显示设备1126可以是电阻式触摸屏、电容式触摸屏、表面声波触摸屏、红外触摸屏、光学成像触摸屏、色散信号触摸屏、声脉冲识别触摸屏，或者可以利用任何其他触摸屏技术。

应当理解，本文描述的软件组件在被加载到处理单元1102中并被执行时可以将处理单元1102和整个计算机架构1100从通用计算系统变换为为促进本文所呈现的功能而订制的专用计算系统。处理单元1102可以由任何数目的晶体管或其他分立电路元件构成，其可以单独地或共同地假设任何数目的状态。更具体地，处理单元1102可以响应于包含在本文公开的软件模块内的可执行指令而作为有限状态机操作。这些计算机可执行指令可以通过指定处理单元1102如何在状态之间转换来变换处理单元1102，从而变换构成处理单元1102的晶体管或其他分立硬件元件。

对本文呈现的软件模块进行编码还可以变换本文呈现的计算机可读介质的物理结构。在本说明书的不同实现中，物理结构的具体变换可以取决于各种因素。这些因素的示例可以包括但不限于被使用以实现计算机可读介质的技术、计算机可读介质是否被表征为主存储或辅存储等。例如，如果计算机可读介质被实现为基于半导体的存储器，则本文公开的软件可以通过变换半导体存储器的物理状态而被编码在计算机可读介质上。例如，软件可以变换构成半导体存储器的晶体管、电容器或其他分立电路元件的状态。软件还可以变换这样的组件的物理状态以便在其上存储数据。

作为另一示例，本文公开的计算机可读介质可以使用磁或光技术来实现。在这样的实现中，当软件被编码在其中时，本文呈现的软件可以变换磁或光介质的物理状态。这些变换可以包括改变给定磁介质内的特定位置的磁特性。这些变换还可以包括改变给定光学介质内的特定位置的物理特征或特性，以改变那些位置的光学特性。在不脱离本说明书的范围和精神的情况下，物理介质的其他变换是可能的，提供前述示例只是为了便于该讨论。

鉴于上述内容，应当理解，在计算机架构1100中发生许多类型的物理变换，以便存储和执行本文中呈现的软件组件。还应当理解，计算机架构1100可以包括其他类型的计算设备，包括手持计算机、嵌入式计算机系统、个人数字助理和本领域技术人员已知的其他类型的计算设备。还可以预期，计算机架构1100可以不包括图11中所示的组件中的所有组件，可以包括图10中未明确示出的其他组件，或者可以利用与图11中所示的架构完全不同的架构。

本文呈现的公开还涵盖以下条款中阐述的主题。

示例条款A，一种用于提供用于在吸附配置中显示的推荐项目的计算机实现的方法，包括：在显示环境中显示第一多个项目；接收将第一多个项目中的第一项目放置在吸附配置的第一显示区域中的用户输入，其中吸附配置包括经组织的布局，在经组织的布局中至少两个项目在显示环境中被定位或调整大小中的至少一项；基于用户输入并使用机器学习模型，基于与第一多个项目中的每个项目相关联的一个或多个因素来确定针对第一多个项目中的除了第一项目之外的每个的置信得分，其中一个或多个因素包括使用的频率、使用的新近度、在显示环境中的项目位置、以及与第一项目的关联的水平；基于用户输入并使用机器学习模型，基于一个或多个因素确定针对当前未在显示环境中被显示的第二多个项目中的每个项目的置信得分；基于置信得分生成第一多个项目和第二多个项目的排名列表；从排名列表确定具有满足阈值的置信得分的推荐项目的集合；以及在吸附配置的第二区域中显示推荐项目的集合。

示例条款B，示例条款A的方法，其中项目包括以下至少一项：应用、网站、文件、应用组、应用内的活动、或操作系统用户接口元素。

示例条款C，示例条款A或示例条款B的方法，其中一个或多个因素还包括项目创建日期、项目起始位置、项目类型以及一个或多个项目关键字。

示例条款D，示例条款A至C中任一项的方法，其中一个或多个权重被应用于一个或多个因素以强调或弱化个体因素。

示例条款E，示例条款D的方法，其中一个或多个权重基于定义跨用户群体的推荐项目的过去用户选择的历史用户数据被确定。

示例条款F，示例条款A至E中任一项的方法，其中阈值包括阈值置信得分，并且推荐项目的集合包括具有满足或超过阈值置信得分的置信得分的项目。

示例条款G，示例条款A至E中任一项的方法，其中阈值包括预定义数目的排名最高的项目，并且推荐项目的集合通过从排名列表中选择预定义数目的排名最高的项目被确定。

示例条款H，示例条款A至E中任一项的方法，其中阈值包括阈值置信得分，该方法还包括：确定推荐项目的集合中具有高于阈值置信得分的置信得分的项目的数目低于项目的阈值数目；基于确定推荐项目的集合中具有高于阈值置信得分的置信得分的项目的数目低于项目的阈值数目，降低阈值置信得分；确定具有高于降低的阈值置信得分的置信得分的项目的数目等于或高于项目的阈值数目；以及基于具有高于降低的阈值置信得分的置信得分的项目的数目生成推荐项目的备选集合，其中显示推荐项目的集合包括在吸附配置的第二显示区域中显示推荐项目的备选集合。

示例条款I，一种用于提供用于在吸附配置中显示的推荐项目的计算系统，包括：一个或多个处理单元；以及计算机可读介质，其上编码有计算机可读指令以使一个或多个处理单元：在显示环境中显示第一多个项目；接收用将第一多个项目中的第一项目放置在吸附配置的第一显示区域中的用户输入，其中吸附配置包括经组织的布局，在经组织的布局中至少两个项目在显示环境中被定位或调整大小中的至少一项；基于用户输入并使用机器学习模型，基于与第一多个项目中的每个项目相关联的一个或多个因素来确定针对第一多个项目中的除了第一项目之外的每个项目的置信得分；基于用户输入并使用机器学习模型，基于一个或多个因素确定针对当前未在显示环境中被显示的第二多个项目中的每个项目的置信得分；基于置信得分生成第一多个项目和第二多个项目的排名列表；从排名列表确定具有满足阈值的置信得分的推荐项目的集合；以及在吸附配置的第二区域中显示推荐项目的集合。

示例条款J，示例条款I的系统，其中项目包括以下至少一项：应用、网站、文件、应用组、应用内的活动、或操作系统用户接口元素。

示例条款K，示例条款I或示例条款J的系统，其中一个或多个因素包括使用的频率、使用的新近度、在显示环境中的项目位置、与第一项目的关联的水平、项目创建日期、项目起始位置、项目类型、以及一个或多个项目关键字。

示例条款L，示例条款I至K中任一项的系统，其中一个或多个权重被应用于一个或多个因素以强调或弱化个体因素。

示例条款M，示例条款I至L中任一项的系统，其中阈值包括阈值置信得分，并且推荐项目的集合包括具有超过阈值置信得分的置信得分的项目。

示例性条款N，示例性条款I至L中任一项的系统，其中阈值包括预定义数目的排名最高的项目，并且推荐项目的集合通过从排名列表中选择预定义数目的排名最高的项目被确定。

示例性条款O，示例性条款I至L中任一项的系统，其中阈值包括阈值置信得分，该计算机可读介质具有指令，该指令还使系统：确定推荐项目的集合中具有高于阈值置信得分的置信得分的项目的数目低于项目的阈值数目；基于确定推荐项目的集合中具有高于阈值置信得分的置信得分的项目的数目低于项目的阈值数目，降低阈值置信得分；确定具有高于降低的阈值置信得分的置信得分的项目的数目等于或高于项目的阈值数目；以及基于具有高于降低的阈值置信得分的置信得分的项目的数目生成推荐项目的备选集合，其中显示推荐项目的集合包括在吸附配置的第二显示区域中显示推荐项目的备选集合。

示例条款P，一种计算机可读存储介质，其上编码有计算机可读指令以使计算系统：在显示环境中显示第一多个项目；接收将第一多个项目中的第一项目放置在吸附配置的第一显示区域中的用户输入，其中吸附配置包括经组织的布局，在经组织的布局中至少两个项目在显示环境中被定位或调整大小中的至少一项；基于用户输入并使用机器学习模型，基于与第一多个项目中的每个项目相关联的一个或多个因素来确定针对第一多个项目中的除了第一项目之外的每个项目的置信得分；基于用户输入并使用机器学习模型，基于一个或多个因素确定用于当前未在显示环境中被显示的第二多个项目中的每个项目的置信得分；基于置信得分生成第一多个项目和第二多个项目的排名列表；从排名列表确定具有满足阈值的置信得分的推荐项目的集合；以及在吸附配置的第二区域中显示推荐项目的集合。

示例条款Q，示例条款P的计算机可读存储介质，其中项目包括以下至少一项：应用、网站、文件、应用组、应用内的活动、或操作系统用户接口元素。

示例条款R，示例条款P或示例条款Q的计算机可读存储介质，其中一个或多个因素包括使用的频率、使用的新近度、在显示环境中的项目位置、与第一项目的关联的水平、项目创建日期、项目起始位置、项目类型以及一个或多个项目关键字。

示例条款S，示例条款P至R中任一项的计算机可读存储介质，其中一个或多个权重被应用于一个或多个因素以强调或弱化个体因素。

示例性条款T，示例性条款P至S中任一项的计算机可读存储介质，其中阈值包括阈值置信得分，该计算机可读介质具有指令，该指令还使系统：确定推荐项目的集合中具有高于阈值置信得分的置信得分的项目的数目低于项目的阈值数目；基于确定推荐项目的集合中具有高于阈值置信得分的置信得分的项目的数目低于项目的阈值数目的确定，降低阈值置信得分；确定具有高于降低的阈值置信得分的置信得分的项目的数目等于或高于项目的阈值数目；以及基于具有高于降低的阈值置信得分的置信得分的项目的数目生成推荐项目的备选集合，其中显示推荐项目的集合包括在吸附配置的第二显示区域中显示推荐项目的备选集合。

应当理解的是，发明内容和/或具体实施方式内“第一”、“第二”等元素的任何引用并不旨在且不应被解释为必然对应于权利要求的“第一”、“第二”等元素的任何引用。而是，发明内容、具体实施方式和/或权利要求书内的“第一”和“第二”的任何使用可以用于区分同一元素的两个不同实例(例如，两个不同的项目、两个不同的区域等)。

最后，尽管已经以特定于结构特征和/或方法动作的语言描述了各种配置，但是应当理解，所附表述中定义的主题不一定限于所描述的特定特征或动作。而是，具体特征和动作被公开为实现所要求保护的主题的示例形式。

Claims (15)

1.一种用于提供用于在吸附配置中显示的推荐项目的计算机实现的方法，包括：

在显示环境中显示第一多个项目；

接收用户输入，所述用户输入将所述第一多个项目中的第一项目放置在所述吸附配置的第一显示区域中，其中所述吸附配置包括经组织的布局，在所述经组织的布局中至少两个项目在所述显示环境中被定位或调整大小中的至少一项；

基于所述用户输入并使用机器学习模型，基于与所述第一多个项目中的每个项目相关联的一个或多个因素来确定针对所述第一多个项目中的除了所述第一项目之外的每个项目的置信得分，其中所述一个或多个因素包括使用的频率、使用的新近度、在所述显示环境中的项目位置、以及与所述第一项目的关联的水平；

基于所述用户输入并使用所述机器学习模型，基于所述一个或多个因素来确定针对当前未在所述显示环境中被显示的第二多个项目中的每个项目的置信得分；

基于所述置信得分来生成所述第一多个项目和所述第二多个项目的排名列表；

从所述排名列表确定具有满足阈值的置信得分的推荐项目的集合；以及

在所述吸附配置的第二区域中显示推荐项目的所述集合。

2.根据权利要求1所述的方法，其中项目包括以下至少一项：应用、网站、文件、应用组、应用内的活动、或操作系统用户接口元素。

3.根据权利要求1或权利要求2所述的方法，其中所述一个或多个因素还包括项目创建日期、项目起始位置、项目类型以及一个或多个项目关键字。

4.根据权利要求1至3中任一项所述的方法，其中一个或多个权重被应用于所述一个或多个因素以强调或弱化个体因素。

5.根据权利要求4所述的方法，其中所述一个或多个权重基于定义跨用户群体的推荐项目的过去用户选择的历史用户数据被确定。

6.根据权利要求1至5中任一项所述的方法，其中所述阈值包括阈值置信得分，并且推荐项目的所述集合包括具有满足或超过所述阈值置信得分的置信得分的项目。

7.根据权利要求1至5中任一项所述的方法，其中所述阈值包括预定义数目的排名最高的项目，并且推荐项目的所述集合通过从所述排名列表选择所述预定义数目的排名最高的项目被确定。

8.根据权利要求1至5中任一项所述的方法，其中所述阈值包括阈值置信得分，所述方法还包括：

确定推荐项目的所述集合中具有高于所述阈值置信得分的置信得分的项目的数目低于项目的阈值数目；

基于推荐项目的所述集合中具有高于所述阈值置信得分的置信得分的项目的所述数目低于项目的所述阈值数目的所述确定，来降低所述阈值置信得分；

确定具有高于降低的所述阈值置信得分的置信得分的项目的数目等于或高于项目的所述阈值数目；以及

基于具有高于降低的所述阈值置信得分的置信得分的项目的所述数目来生成推荐项目的备选集合，其中显示推荐项目的所述集合包括在所述吸附配置的所述第二显示区域中显示推荐项目的所述备选集合。

9.一种用于提供用于在吸附配置中显示的推荐项目的计算系统，包括：

一个或多个处理单元；以及

计算机可读介质，其上编码有计算机可读指令以使所述一个或多个处理单元：

在显示环境中显示第一多个项目；

接收用户输入，所述用户输入将所述第一多个项目中的第一项目放置在所述吸附配置的第一显示区域中，其中所述吸附配置包括经组织的布局，在所述经组织的布局中至少两个项目在所述显示环境中被定位或调整大小中的至少一项；

基于所述用户输入并使用机器学习模型，基于与所述第一多个项目中的每个项目相关联的一个或多个因素来确定针对所述第一多个项目中的除了所述第一项目之外的每个项目的置信得分；

基于所述用户输入并使用所述机器学习模型，基于所述一个或多个因素来确定针对当前未在所述显示环境中被显示的第二多个项目中的每个项目的置信得分；

基于所述置信得分来生成所述第一多个项目和所述第二多个项目的排名列表；

从所述排名列表确定具有满足阈值的置信得分的推荐项目的集合；以及

在所述吸附配置的第二区域中显示推荐项目的所述集合。

10.根据权利要求9所述的系统，其中项目包括以下至少一项：应用、网站、文件、应用组、应用内的活动、或操作系统用户接口元素。

11.根据权利要求9或权利要求10所述的系统，其中所述一个或多个因素包括使用的频率、使用的新近度、在所述显示环境中的项目位置、与所述第一项目的关联的水平、项目创建日期、项目起始位置、项目类型、以及一个或多个项目关键字。

12.根据权利要求9至11中任一项所述的系统，其中一个或多个权重被应用于所述一个或多个因素以强调或弱化个体因素。

13.根据权利要求9至12中任一项所述的系统，其中所述阈值包括阈值置信得分，并且推荐项目的所述集合包括具有超过所述阈值置信得分的置信得分的项目。

14.根据权利要求9至12中任一项所述的系统，其中所述阈值包括预定义数目的排名最高的项目，并且推荐项目的所述集合通过从所述排名列表选择所述预定义数目的排名最高的项目被确定。

15.一种计算机可读存储介质，其上编码有计算机可读指令以使计算系统：

在显示环境中显示第一多个项目；

接收用户输入，所述用户输入将所述第一多个项目中的第一项目放置在所述吸附配置的第一显示区域中，其中所述吸附配置包括经组织的布局，在所述经组织的布局中至少两个项目在所述显示环境中被定位或调整大小中的至少一项；

基于所述用户输入并使用机器学习模型，基于与所述第一多个项目中的每个项目相关联的一个或多个因素来确定针对所述第一多个项目中的除了所述第一项目之外的每个项目的置信得分；

基于所述用户输入并使用所述机器学习模型，基于所述一个或多个因素来确定针对当前未在所述显示环境中被显示的第二多个项目中的每个的置信得分；

基于所述置信得分来生成所述第一多个项目和所述第二多个项目的排名列表；

从所述排名列表确定具有满足阈值的置信得分的推荐项目的集合；以及

在所述吸附配置的第二区域中显示推荐项目的所述集合。