DE102015103403A1

DE102015103403A1 - Verfahren und Vorrichtung eines Benutzerempfehlungssystems für Fahrzeug-Apps

Info

Publication number: DE102015103403A1
Application number: DE102015103403.4A
Authority: DE
Inventors: Fan Bai; Donald Grimm; Massimo Osella; Leonard Nieman; Robert Hrabak
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2014-03-13
Filing date: 2015-03-09
Publication date: 2015-09-17
Also published as: CN104918231B; CN104918231A; US20150261754A1; DE102015103403A9; US9430476B2

Abstract

Ein Verfahren und ein System für ein Empfehlen von Applikationen an Nutzer von Fahrzeuginfotainmentsystemen werden offenbart. Die Applikationsbeurteilungsdaten von vielen Straßenfahrzeuginfotainmentsystemnutzern werden auf einem zentralen Server gesammelt, der sowohl explizite Beurteilungen als auch implizite Beurteilungen umfasst. Implizite Beurteilungen können basierend auf Applikationsnutzungsdaten berechnet werden. Die Nutzer/Applikations-Beurteilungsdaten werden auf Relevanz gefiltert und zum Bestimmen abgeleiteter Beurteilungen für Nutzer/Applikations-Beziehungen analysiert, wo keine Beurteilung existiert. Die abgeleiten Beurteilungen werden sowohl unter Verwenden einer nutzerbetriebenen Konsensbeurteilungsberechnung als auch einer applikationsbetriebenen Konsensbeurteilungsberechnung berechnet. Die abgeleiteten Beurteilungen zusammen mit optionalen cyberspace-basierenden externen Eingaben werden zum Synthetisieren der Applikationsempfehlungen für die Nutzer verwendet. Die synthetisierten Empfehlungen für eine Applikationsberücksichtigung werden an geeignete Nutzer über Herunterladen von dem zentralen Server zu dem Infotainmentsystem in dem Fahrzeug des Nutzers bereitgestellt.

Description

Hintergrund der Erfindung
Gebiet der Erfindung
Diese Erfindung betrifft allgemein ein Verfahren und eine Vorrichtung zum Empfehlen von Applikationen für Nutzer von Fahrzeuginfotainmentsystemen, wobei die Empfehlungen, die von existierenden Nutzer/Applikations-Beurteilungsdaten abgeleitet sind, von den Infotainmentsystemnutzern gesammelt, gefiltert und analysiert werden, um sowohl eine nutzerbetriebene Konsensbeurteilung als auch eine applikationsbetriebene Konsensbeurteilung für Nutzer/Applikations-Beziehungen zu erzeugen, wo keine Beurteilung existiert.
Beschreibung der relevanten Technik
Informations-/Unterhaltungssysteme oder “Infotainmentsysteme” sind in Fahrzeugen sehr beliebt geworden, weil die Funktionalität und Ausführung der Elektroniksysteme den Himmel erschüttert haben, ein Internetzugriff in Fahrzeugen weit verbreitet zur Verfügung steht und Nutzerfähigkeiten und Erwartungen entsprechend gewachsen sind.
Infotainmentsysteme in modernen Fahrzeugen ermöglichen nicht nur einem Fahrer oder Passagier mit einem Smartphone oder mobilen Gerät zusammenzuwirken, sondern die Systeme stellen auch ihre eigene eingebaute Infotainmentfunktionalität zur Verfügung – einschließlich Merkmalen wie Speichern und Wiedergeben von Mediendateien, Anwenden ursprünglicher Applikationen (“Apps”), Verbinden mit dem Internet für den Dateizugriff und für Echtzeitdaten, usw.
Darauf, dass mehr Fahrzeughersteller eingebaute Infotainmentsysteme herausgeben, haben Entwickler durch Herstellen von mehr Apps, die den Fahrzeuginfotainmentsystemen zur Verfügung stehen, reagiert. Für einige Marken der Fahrzeughersteller-Infotainmentsysteme gibt es nun Tausende von Apps, die für ein Herunterladen und eine Durchführung zur Verfügung stehen. Da der App-Bereich immer beliebter wird, wird es schwieriger für den Fahrer oder den Beifahrer in einem Fahrzeug Apps zu finden, an denen sie am meisten interessiert sind. Dies ist insbesondere wichtig, weil ein Fahrer auf das Fahren und nicht auf ein Suchen von Apps konzentriert ist.
Existierende App-Verwendungsverfolgungen, auf einem Smartphone und dergleichen, sind auf einfaches Verfolgen der App-Verwendung, zum Zweck des Beibehaltens einer Batterielebensdauer oder Minimierens des zellularen Datentransfers beschränkt. Auf ähnliche Weise evaluieren existierende App-Empfehlungsmaschinen typischerweise nur einfache Parameter wie eine App-Kategorie. Viel mehr könnte erreicht werden, um App-Verwendungstendenzen zu verstehen und um die Fahrzeugfahrer und Passagiere beim Finden und Ausführen von Apps zu unterstützen, die sie wahrscheinlich persönlich erfreuen und/oder die für sie in dem aktuellen Kontext der Fahrzeugfahrumgebung nützlich sind.
Zusammenfassung der Erfindung
Gemäß den Lehren der vorliegenden Erfindung werden ein Verfahren und eine Vorrichtung zum Verfolgen und Vorhersagen von Verwendungstendenzen für Infotainmentsystem-Applikationen in Fahrzeugen offenbart. Applikations-Verwendungsdaten werden in den Infotainmentsystemen für viele Straßenfahrzeuge gesammelt. Fahrzeugkontext-Relevanzindikatoren werden unter Verwenden von Daten ebenfalls bereitgestellt, die von dem Fahrzeug-CAN-BUS oder anderen Daten-BUSsen erhalten werden. Die Kontext-Relevanzindikatoren – welche fahrzeugkontextabhängige Situationen, wie den Verkehr und die Wetterbedingungen, das Vorhandensein von Rücksitzpassagieren, Länge der Fahrzeugreise, usw. anzeigen – werden auf die Applikations-Verwendungsdaten querverwiesen, um zu bestimmen, welche Applikationen in welchen Situationen wahrscheinlich verwendet werden. Die Applikations-Verwendungsdaten und Applikation/Kontext-Korrelationsdaten von vielen Fahrzeugen und Fahrern werden auf einem zentralen Server gesammelt und analysiert, um verschiedene Maßstäbe bereitzustellen, welche für die Applikations-Verwendungstendenzen bezeichnend sind. Die Applikations-Verwendungstendenzdaten können durch Fahrzeughersteller verwendet werden, um zukünftige Infotainment-Systementwürfe zu optimieren.
Zusätzliche Merkmale der vorliegenden Erfindung werden durch die nachfolgende Beschreibung und die anhängigen Ansprüche, in Verbindung mit den begleitenden Zeichnungen deutlicher.
Kurze Beschreibung der Zeichnungen
1 ist ein schematisches Diagramm eines Fahrzeugs einschließlich eines Infotainmentsystems, welches konfiguriert ist, eine App-Verwendung in einer Fahrzeug-App-Verwendung zu verfolgen, Verwendungstendenzen vorherzusagen und Empfehlungen für einen Nutzer zu machen;
2 ist ein Blockdiagramm einer Architektur, welche zum Verfolgen der App-Verwendung in einer Fahrzeug-App-Verwendung und zum Vorhersagen der Verwendungstendenzen von Apps verwendet werden kann;
3 ist ein Blockdiagramm eines Systems, welches eine Ausführungsform der Architektur der 2 darstellt zum Verfolgen einer App-Verwendung in einer Fahrzeug-App-Verwendung und Vorhersagen der Verwendungstendenzen von Apps;
4 ist ein Flussdiagramm eines Verfahrens zum Verfolgen und Vorhersagen von Verwendungstendenzen von Fahrzeug-Apps;
5 ist ein Blockdiagramm eines Systems, um Nutzerempfehlungen für Infotainmentsystem-Apps zu machen;
6A ist ein Diagramm eines zweigeteilten Graphen, welcher bekannte Bewertungsinformationen durch einen Satz von Nutzern für einen Satz von Apps enthält;
6B ist ein Diagramm eines zweigeteilten Graphen, welcher zeigt, wie einige unbekannte Beziehungen von bestehenden Nutzer-App-Bewertungsdaten eingeführt werden können; und
7 ist ein Flussdiagramm eines Verfahrens zum Aufbereiten von Nutzerempfehlungen für Infotainmentsystem-Apps.
Detaillierte Beschreibung der Ausführungsformen
Die folgende Erörterung der Ausführungsformen der Erfindung ist auf ein Verfahren und eine Vorrichtung zum Verfolgen und Vorhersagen von Verwendungstendenzen der Fahrzeug-Apps gerichtet und ist nur beispielhafter Natur und es ist in keiner Weise beabsichtigt, die Erfindung oder ihre Applikationen oder ihre Verwendungen zu begrenzen.
Infotainmentsysteme in modernen Fahrzeugen ermöglichen einem Fahrer oder einem Beifahrer nicht nur ein Smartphone oder ein mobiles Gerät anzuschließen, die Systeme stellen auch ihre eigenen eingebauten Infotainment-Funktionalitäten bereit – einschließlich Merkmalen wie Speichern und Wiedergeben von Mediendaten, Betreiben von ursprünglichen Applikationen (“Apps”), Zugreifen auf das Internet für den Dateienzugriff und Echtzeitdaten, usw. Einige Fahrzeughersteller bieten nun Infotainmentsysteme an und App-Entwickler haben darauf durch Freigeben von Tausenden von Apps für diese Infotainmentsysteme reagiert.
Mit der Anzahl der verfügbaren Apps, die teilweise überwältigend ist, werden sich die Verbraucher zunehmend an Empfehlungsmaschinen oder andere Informationsquellen wenden, um relevante und sinnvolle mobile Applikationen zu entdecken, eher als die Tausenden von verfügbaren mobilen Apps zu sortieren. Die Nutzer eines Infotainmentsystems können von genauen und zeitlichen Empfehlungen der Apps, welche von Interesse für sie persönlich sein können oder für ihren aktuellen Fahrzeugfahrbetrieb, profitieren. In ähnlicher Weise können Fahrzeughersteller von Daten profitieren, welche App-Verwendungstendenzen anzeigen, da diese Daten für ein Optimieren der Hardware und der Betriebssysteme von künftigen Infotainmentsystemen nützlich sind.
1 ist ein schematisches Diagramm eines Fahrzeugs 100 einschließlich eines Infotainmentsystems 102, das konfiguriert ist, um eine Fahrzeug-App-Verwendung zu verfolgen und Verwendungstendenzen vorauszusagen und Empfehlungen an den Nutzer 104 zu machen. Das Infotainmentsystem 102 umfasst wenigstens einen Prozessor 106 und eine Anzeige 108. Das Infotainmentsystem 102 umfasst auch wenigstens einen Lautsprecher 110 zum Bereitstellen von Tonausgängen in dem Fahrzeug 100 und wenigstens ein Mikrofon 112 zum Empfangen von Toneingaben von dem Nutzer 104.
Der Prozessor 106 ist in 1 dargestellt und wird hierin als ein diskretes Element beschrieben, diese Darstellung dient jedoch lediglich der Vereinfachung der Beschreibung, und es sollte erkennbar sein, dass die Funktionen, die durch dieses Element ausgeführt werden, in einem oder mehreren Geräten kombiniert, z.B. in Software, Hardware und/oder applikationsspezifischen integrierten Schaltungen ausgeführt sein können. Der Prozessor 106 kann ein Prozessor für einen speziellen Zweck oder ein allgemein verwendbarer digitaler Computer sein, der einen Mikroprozessor oder eine zentrale Verarbeitungseinheit, Speichermedien, die einen nicht-flüchtigen Speicher aufweisen, einschließlich einem Festwertspeicher und einem elektronisch programmierbaren Festwertspeicher, einem Direkt-Zugriffsspeicher, eine Hochgeschwindigkeitsuhr, eine analog zu digital und digital zu analog Schaltung und Eingangs/Ausgangs-Schaltkreise und Geräte und geeignete Signalkonditionierungs- und Pufferschaltungen, umfasst. Der Prozessor 106 weist einen Satz von Verarbeitungsalgorithmen auf, die in den Verfahren unten erörtert werden, umfassend eigene Programminstruktionen und Kalibrierungen, die in dem nicht-flüchtigen Speicher gespeichert sind und ausgeführt werden, um die entsprechenden Funktionen bereitzustellen. Die Algorithmen können durch voreingestellte zeitbasierende Schleifenzyklen ausgeführt sein oder die Algorithmen können in Reaktion auf das Auftreten eines Ereignisses ausgeführt sein.
Die Anzeige 108 kann mit einem Fahrzeugnavigationssystem, einer Klimasteuerschnittstelle oder für andere Zwecke in dem Fahrzeug 100 geteilt werden. Die Anzeige 108 ist häufig ein Touchscreen-Entwurf, auf dem Möglichkeiten auf einem Bildschirm angezeigt werden, und Selektionen durch den Nutzer 104 durch Berühren des Schirms auf der Anzeige 108 ausgeführt werden können.
Das Infotainmentsystem 102 umfasst außerdem einen Eingabe/Ausgabeport 114, welcher vorzugsweise ein universeller Serien-BUS-(USB)Port sein kann. Der Port 114 kann zum Verbinden von mobilen Geräten und Smartphones, wie einem Smartphone 116 mit dem Infotainmentsystem 102 unter Verwenden eines Adapterkabels (nicht gezeigt) verwendet werden. Sobald es mit dem Infotainmentsystem 102 über den Port 114 verbunden ist, kann das Smartphone 116 geladen werden, laufend Musik oder Videos zu dem Infotainmentsystem 102, zusammen mit anderen Funktionen leiten. Alternativ kann das Smartphone 116 drahtlos mit dem Infotainmentsystem 102 unter Verwenden von Bluetooth, Wi-Fi, Nahfeldkommunikation (NFC) oder irgendeinem anderen drahtlosen Nahbereichskommunikationsprotokoll kommunizieren.
Das Fahrzeug 100, und speziell das Infotainmentsystem 102, können drahtlos mit einem zellularen Dienst 118 und dem Internet 120 kommunizieren. Der Fahrzeuginternetzugriff kann über den zellularen Service 118 erreicht werden, oder er kann den zellularen Service 118 bypassen bzw. umgehen und das Internet 120 über einige andere Formen der drahtlosen Kommunikation, wie Fahrzeug-zu-Infrastruktur-Kommunikationen unter Verwenden von festgelegten Kurzbereichskommunikationen (DSRC, Dedicated Short Range Communications) oder zum Beispiel externen Wi-Fi, erreichen. Der zellulare Service 118 kann auch verwendet werden, um einen telematischen Dienst zu erreichen, welcher Zusatzleistungen wie Navigation und Bedienungsdienste bereitstellt, und der auch bei der App-Verwendungsverfolgung, Vorhersage und für Empfehlungsdienste, wie unten erörtert, verwendet werden kann.
2 ist ein Blockdiagramm einer Architektur 140, welche zum Verfolgen von Fahrzeug-App-Verwendung und Vorhersagen der Verwendungstendenzen der Apps verwendet werden kann. In der Architektur 140 befinden sich die Module innerhalb des gestrichelten Rechtecks an Bord des Fahrzeugs 100. Ein Fahrzeug-App-Verwendungssammelmodul 142 sammelt Daten über App-Verwendung in dem Infotainmentsystem 102. Informationen, die durch das App-Verwendungssammelmodul 142 gesammelt werden, umfassen Nutzerinteraktionen mit einem App-Speicher, wie ein Blicken auf eine App in dem App-Speicher, ein (kostenfreies) Herunterladen der App, ein Verkauf einer App (für einen Kostenwert, der für künftige Verwendung gespeichert ist) und nachfolgendes Benutzen der App, nachdem heruntergeladen oder bezahlt wurde. Das App-Verwendungssammelmodul 142 berichtet auch jede Verwendung von jeder App, so dass eine Neuheit der Verwendung von Daten, zusammen mit der Häufigkeit der Verwendung von jeder App und der Dauer von jeder Verwendung für jede App immer zur Verfügung steht.
Unter Verwenden der oben beschriebenen Daten, kann das App-Verwendungssammelmodul 142 eine vorbehaltlose Bewertung r des Nutzers 104 für jede App, wie folgt quantifizieren: r = w_R1·V_R1 + w_R2·V_R2 + w_F·V_F + w_D·V_D + w_M·V_M (1)
Wobei V_R1 ein Wert ist, der die Neuheit des Betrachtens der App definiert, V_R2 ein Wert ist, der die Neuheit des Verwendens der App definiert, V_F ein Wert ist, der die Häufigkeit des Verwendens der App definiert, V_D ein Wert ist, der die Dauer des Verwendens der App definiert, und V_M ein Wert ist, der einen monetären Wert (oder eine zu zahlende Summe) für die App definiert. Die w Variablen wichten Werte für die jeweiligen Werte V in der Gleichung, und sind derart untereinander bezogen, dass:
w_R1 + w_R2 + w_R + w_D + w_M = 1 ist.
Ein Querreferenzmodul 144 empfängt App-Verwendungsdaten und App-Bewertungsdaten von dem App-Verwendungssammelmodul 142. Unter Verwenden der App-Verwendung und Bewertungsdaten – zusammen mit anderen Daten, die unten beschrieben werden – führt das Querreferenzmodul 144 eine lokale (an Bord des Fahrzeugs 100 befindliche) Datenanalyse der App Verwendungstendenzen, wie es weiter unten erörtert wird, aus.
Ein CAN-Bus-Informationssammelmodul 146 sammelt Daten unter Berücksichtigen aller Aspekte des Fahrzeugbetriebs von dem Fahrzeug-CAN-BUS (Controller Area Network Bus) oder irgendeinem anderen verfügbaren Fahrzeugdaten-BUS. Daten, die durch das CAN-BUS-Informationssammelmodul 146 gesammelt werden, können Fahrzeuggeschwindigkeit, ob sich ein Getriebe im Park- oder im Fahrbetrieb befindet, Zeitdauer und Entfernung, die auf einer gefahrenen Reise zurückgelegt wurde, Navigation und GPS-Daten, Antiblockier-Bremssystem-(ABS)Verwendungsdaten, Traktionssteuer-Systemdaten, Windschutzscheibenwischer Ein oder Aus, Insassenstatus für jeden Sitz in dem Fahrzeug und andere Parameter einschließen. Das CAN-BUS-Informationssammelmodul 146 kann auch die Identität des Fahrers berichten, wenn die Fahreridentifikations-Information verfügbar ist.
Ein Kontextrelevanz-Identifikationsmodul 148 empfängt die groben Fahrzeugbetriebsdaten von dem CAN-BUS-Informationssammelmodul 146, verarbeitet diese und stellt Fahrzeugbetriebs-Kontextindikatoren dem Querreferenzmodul 144 zur Verfügung. Die Idee ist hier, dass unter verschiedenen Fahrzeugkontext-Szenarien unterschiedliche Apps unterschiedliche Pegel der Beliebtheit haben könnten. Deshalb sind App-Verwendungsmuster unter bestimmten Fahrzeugkontext-Szenarien bedeutungsvollere Informationen als nur die App-Verwendungsdaten allein. Die betrieblichen Kontextindikatoren, die durch das Kontextrelevanz-Identifikationsmodul 148 bereitgestellt werden, können zum Beispiel anzeigen, dass zu einer bestimmten Zeit das Fahrzeug 100 zum Parken gefahren wird, sich auf einer vergleichsweise langen Fahrtroute, sich auf einem bestimmten Straßentyp (Autobahn, Oberflächenstraße, Schotterstraße, usw.) befindet, unter bestimmten Straßenbedingungen (mit hoher oder niedriger Reibung) und Verkehrsbedingungen (leicht, normal oder verstopft) befindet mit oder ohne Kinder auf den Rücksitzen, ob der gegenwärtige Fahrzeugort häufig oder weniger häufig besucht wird und ob der Fahrer Navigationsassistenz verwendet. Die Fahreridentität kann auch als ein Kontextindikator eingeschlossen sein. Viele unterschiedliche Arten der kontextabhängigen Referenzen können durch das Kontextrelevanz-Identifikationsmodul 148 unter Verwenden der Rohdaten von dem CAN-BUS-Informationssammelmodul 146, einschließlich anderer Kontexte, die oben nicht aufgelistet sind, abgeleitet werden.
Die kontextabhängigen Referenzen, die durch das Kontextrelevanz-Identifikationsmodul 148 abgeleitet werden, können durch das Querreferenzmodul 144 verwendet werden, um Beziehungen zwischen App-Verwendung und Fahrzeugbetriebskontext zu bestimmen. Zum Beispiel kann von den Daten, die ein Fahrer gern verwendet, eine bestimmte Navigations-App erfahren werden, sobald er in einem unbekannten Ort fährt, oder der Fahrer kann wünschen, seine bzw. ihre E-Mail jeden Tag während der Fahrt zur Arbeit zu kontrollieren, wobei die Fahrtroute durch die Navigationssystemdaten erfasst werden könnten und die E-Mail-App in einem Ton/Spracherkennungsmodus verwendet werden könnte. Das Querreferenzmodul 144 kann irgendwelche geeigneten statistischen oder numerischen Techniken verwenden, um Korrelationen zwischen den App-Verwendungsdaten und den kontextabhängigen Fahrzeug-Referenzdaten zu identifizieren.
Die App-Verwendungsdaten und App/Kontext-Korrelationsdaten von dem Querreferenzmodul 144 werden für ein cloud-basierendes Aggregations- und ein Tendenzverfolgungsmodul 150 bereitgestellt. Das Aggregations- und Tendenzverfolgungsmodul 150 ist auf einem Gerät angeordnet, wie einem Internetserver, das Daten von/zu vielen Fahrzeugen auf der Straße sammeln und verbreiten kann. Zum Beispiel kann ein bestimmter Fahrzeughersteller seinen Telematik-Service verwenden (wie OnStar^®), um App-Verwendungsdaten und App/Kontext-Korrelationsdaten von Tausenden oder Millionen von Straßenfahrzeugen aufzuladen. Alternativ kann das Aggregations- und Tendenzverfolgungsmodul 150 konfiguriert sein, um Daten von dem Querreferenzmodul 144 an Bord der Fahrzeuge zu sammeln, wenn die Fahrzeuge einen drahtlosen Internetzugriff aufweisen. Unabhängig davon, wie die Fahrzeuge ihre Daten mit dem Server kommunizieren, sammelt das Aggregations- und Tendenzverfolgungsmodul 150 die App-Verwendungsdaten von vielen Nutzern und Fahrzeugen und analysiert die gesammelten Daten, um App-Verwendungstendenzen für den gesamten Bestand der Nutzer zu erzielen.
Wie es von dem Fachmann der Technik verstanden wird, implizieren Referenzen in dieser Offenbarung auf einen Internetserver oder auf einen zentralen Servercomputer, einen Computer oder einer Gruppe von Computern, einschließlich wenigstens einem Mikroprozessor oder einer zentralen Prozessoreinheit, einen Speicher und einer Netzverbindung. Die Servercomputer können mit Algorithmen zum Analysieren von App-Verwendungs- und Bewertungsdaten, Verfolgen von Verwendungstendenzen, Empfehlen von Apps für Nutzer, usw. konfiguriert sein.
Verschiedene Metriken können durch das Aggregations- und Tendenzverfolgungsmodul 150, basierend auf den App-Verwendungsdaten von vielen Nutzern und Fahrzeugen berechnet werden. Eine Metrik ist eine Popularität H_App(i)(t) einer App i, welche von den Bewertungen r (der Gleichung 1) unter Verwenden von Statistiken wie den durchschnittlichen und den Standardabweichungen über dem gesamten Bestand der Nutzer, von denen Daten gesammelt wurden, berechnet werden kann.
Eine andere Metrik ist eine zeitgewichtete Aktivität Activity_APP(i) von einer App i, die berechnet werden kann. Das Ziel der zeitgewichteten Aktivitätsmetrik ist es als ein Indikator für das Niveau der Aktivität der Apps unter den Nutzern zu dienen, wobei ein größeres Gewicht der neueren Verwendung gegeben wird. Die zeitgewichtete Aktivität wird über ein Fenster der vergangenen Zeit, wie ein vergangener Monat oder das vergangene Jahr, wie folgt berechnet: Activity_APP(i) = Σ 0 / t=–nH_APP(i)(t)·a^t, (2) wobei die Summe über einer Zeit t ist, welche von der vergangenen Zeit (–n) zu der gegenwärtigen Zeit (0) läuft, H_App(i)t die Popularität ist und a eine Konstante ist. Es ist auch anzumerken, dass t immer negativ in der Gleichung 2 ist, der Faktor a^t besonders klein wird (deutlich weniger als 1) für Zeiten, die in größerem Abstand in der Vergangenheit liegen, und der Faktor a^t nahezu gleich 1 wird für Zeiten, die nahe der gegenwärtigen Zeit liegen, so dass die zeitgewichtete Größe, die vorher beschrieben wurde, zur Verfügung gestellt wird.
Eine andere Metrik ist eine demografische oder geografische Diversitätsmetrik Diversity_APP(i) von einer App i, die be rechnet werden kann. Die Absicht der Diversitätsmetrik ist es als ein Indikator der Diversität der Nutzer der App zu dienen, einschließlich demografischer und geografischer Diversität und möglicher anderer Arten. Die Diversität einer App wird durch ein erstes Aufteilen der Nutzergemeinschaft in eine Anzahl von Gruppen G berechnet und durch Berechnen einer Durchdringung P der App in jeder der Gruppen G unter Verwenden der folgenden Gleichung: P(G)_APP(i) = |n(G)| / N, (3) wobei P(G)_APP(i) eine Durchdringung in der Gruppe G der App i ist, n die Anzahl der Nutzer der App(i) in der Gruppe G ist und N die Anzahl der gesamten Nutzer aller Gruppen. Beispielsweise kann die Gruppe G eine demografische Gruppe darstellen, basierend auf dem Alter oder der ethnischen Zugehörigkeit, wobei es etwa 8 bis 10 unterschiedliche Gruppen geben kann. Die Gruppen G repräsentieren geografische Gruppen, basierend auf globalen Regionen, Regionen der Vereinigten Staaten oder anderen geografischen Aufteilungen. Wenn die Gruppen definiert sind und ihre Durchdringung durch jede App berechnet wurde, dann wird die Diversitätsmetrik wie folgt berechnet: Diversity_APP(i) = –Σ_GP_APP(i)·log(P_APP(i)), (4) wobei die Summe über alle Gruppen G berechnet wird und der Durchdringungswert P in Gleichung 3 definiert wurde.
Eine andere Metrik ist ein Aufwärtstendenz-Indikator Uptrend_APP(i) einer App i, welche berechnet werden kann. Das Ziel der Aufwärtstendenzmetrik ist es, als ein Indikator von Aufwärts- oder Abwärtstendenzen für das Niveau der Aktivität der Apps unter den Nutzern zu dienen, und es wird relativ zu den Tendenzen aller Apps berechnet, um die allgemeinen App-Verwendungstendenzen zu berücksichtigen. Die Aufwärtstendenz einer App wird durch einen ersten Berechnungs-Slope bzw. durch eine erste Berechnungs-Neigung oder eine Tendenz der Aktivität für jede App über eine vergangene Zeitperiode definiert. Der Slope bzw. die Neigung wird als das Gefälle der Aktivitätsmetrik über der Zeit definiert und kann unter Verwenden linearer Regression oder irgendeiner anderen geeigneten statistischen Technik berechnet werden. Die Aufwärtstendenzmetrik wird über ein Fenster einer vergangenen Zeit, wie dem vergangen Monat oder dem vergangenen Jahr, wie folgt berechnet: Uptrend_APP(i)(t) = m(H_APP(i)) + (Slope_APP(i) – Slope)·t, (5) wobei m(H_APP(i)) ein Mittelwert der Popularität H für die App i über der Zeitperiode ist, der Slope_APP(i) ist die Gefällemetrik, die unmittelbar oben beschrieben wurde, der Slope ist der Mittelwert (durchschnittliche Wert) des Gefälles für alle Apps während der Zeitperiode und t ist die Zeitperiode.
Jede der oben beschriebenen Metriken kann ferner durch Einschließen der App/Kontext-Korrelationsdaten in die Berechnungen verfeinert werden. Zum Beispiel könnte eine Popularität für Situationen mit Rücksitzpassagieren berechnet werden. Andere Metriken, zusätzlich zu den oben detaillierten, welche durch das Applikations- und Tendenzverfolgungsmodul 150 berechnet werden könnten, können auch basierend auf der App-Verwendung, Beurteilung und den Kontextdaten von vielen Nutzern und Fahrzeugen berücksichtigt werden.
Die App-Verwendungstendenzen für die Gesamtheit der Nutzer, welche durch das Aggregations- und Tendenzverfolgungsmodul 150 berechnet werden, können für viele Zwecke verwendet werden. Ein Fahrzeughersteller kann die App-Verwendungs-Tendenzdaten für ein Optimieren künftiger Infotainmentsystementwürfe durch ein Verstehen der Verarbeitung und der Speicheranforderungen verwenden, um das Betriebssystem des Infotainmentsystems und Mensch-Maschine-Schnittstellen, basierend auf den App-Verwendungs-Vorlagen, usw. zu verbessern. Die App-Verwendungstendenzdaten können auch an App-Entwickler übergeben oder verkauft werden, um den Entwicklern zu helfen, die Verwendung ihrer Apps und anderer von dem gleichen Typ besser zu verstehen. Die App-Verwendungstendenzdaten können auch verwendet werden, um Nutzern Empfehlungen in Bezug auf ein Herunterladen, Verkaufen oder Benutzen von bestimmten Apps zu geben. Tendenzdaten könnten auch verwendet werden, um Anzeigen innerhalb der Applikation preislich zu bewerten.
3 ist ein Blockdiagramm eines Systems 160, das eine Ausführungsform der Architektur 140 zum Verfolgen einer Fahrzeug-App-Verwendung und Voraussagen der Verwendungstendenzen der Apps darstellt. In dem System 160 sind das App-Verwendungssammelmodul 142, das Querreferenzmodul 144, das CAN-BUS-Informationssammelmodul 146 und das Kontextrelevanz-Identifikationsmodul 148 zusammen in einer Datenkollektions-App 162 gruppiert, welche auf dem Infotainmentsystem 102 läuft. Alternativ könnten die Module 142–148 jedes individuelle Apps sein oder könnten in einer anderen Weise gruppiert sein. In jedem Fall laufen diese Datenkollektions- und Analysemodule auf einer oder mehreren Apps auf dem Infotainmentsystem 102. Die App 162 (oder viele Apps) würden durch den Fahrzeughersteller entwickelt und würden immer in einem Hintergrundmodus auf dem Infotainmentsystem 102 laufen.
Ein Satz von Nutzer-Apps 164 läuft auch auf dem Infotainmentsystem 102. Die Nutzer-Apps 164 sind eine Vielzahl von Apps, die heruntergeladen und/oder durch den Nutzer 104 gekauft sind und die durch irgendeinen Entwickler entwickelt sein können. Die Nutzer-Apps 164 sind die Apps, welche Merkmale und Funktionen, die vom Nutzer gewünscht werden, bereitstellen, ähnlich zu denen auf dem Smartphone 116. Das bedeutet, die Nutzer-Apps 164 können für Dinge wie Unterhaltung, Wetter, Nachrichten, Sport, Navigation, Spiele, usw. benutzt werden. Es sind die Nutzer-Apps 164, auf welche die Nutzertendenzverfolgung gerichtet ist.
Eine Gateway-App 166 läuft ebenfalls auf dem Infotainmentsystem 102. Die Gateway-App 166 wird auch durch den Fahrzeughersteller entwickelt und würde immer in einem Hintergrundmodus auf dem Infotainmentsystem 102 laufen. Die Gateway-App 166 dient als eine Zweiweg-Kommunikationsschnittstelle zwischen dem Infotainmentsystem 102 und dem Aggregations- und Tendenzverfolgungsmodul 150, welche auf einem cloud-basierenden Server enthalten ist. Eine primäre Funktion der Gateway-App 166 besteht darin, die App-Verwendungsdaten und App/Kontext-Korrelationsdaten von dem Querreferenzmodul 144 zu dem Aggregations- und Zuordnungsverfolgungsmodul 150 zu senden.
Ein App-Rahmenwerk 168 ist auf dem Infotainmentsystem 102 enthalten und dient als Fundament für alle enthaltenen Apps. Insbesondere ermöglicht das App-Rahmenwerk 168 ein Herunterladen und Verwenden von Daten für die Nutzer-Apps 164, um durch das App-Verwendungssammelmodul 142 in der Datenkollektions-App 162 gesammelt zu werden. Das App-Rahmenwerk 168 ermöglicht auch die App-Verwendungsdaten und die App/Kontext-Korrelationsdaten von dem Querreferenzmodul 144 durch das Gateway-App 166 aufgenommen zu werden, welches diese zu dem Aggregations- und Tendenzverfolgungsmodul 150 sendet.
4 ist ein Flussdiagramm 180 eines Verfahrens zum Verfolgen und Vorhersagen von Verwendungstendenzen von Fahrzeug-Apps. Bei dem Block 182 werden Verwendungsdaten für eine Vielzahl von Nutzer-Apps gesammelt, wie es in der Beschreibung des App-Verwendungssammelmoduls 142 erörtert wird. Bei Block 184 wird eine vorbehaltlose Nutzerbewertung für jede der Nutzer-Apps unter Verwenden der Gleichung 1 berechnet. Bei Block 186 werden Fahrzeugbetriebsdaten von dem Fahrzeug-CAN-BUS gesammelt. Wie vorhergehend in Bezug auf das CAN-BUS-Informationssammelmodul 146 erörtert, umfassen die gesammelten Daten von dem CAN-BUS irgendwelche Fahrzeugbetriebsparameter, welche beim Bestimmen eines Fahrsituationskontextes nützlich sein können. Bei dem Block 188 werden Fahrzeugbetriebs-Kontextindikatoren von den Betriebsdaten von dem CAN-BUS berechnet. Wie vorhergehend erörtert, kennzeichnen die Kontextindikatoren die Art des Fahrszenario, welches während irgendeiner gegebenen Zeit ausgeübt wird, wie eine kurze Solofahrt zur Arbeit in schwerem Verkehr oder eine lange Landfahrt mit Kindern in regnerischem Wetter, usw.
Beim Block 190 werden die App-Verwendungs- und Beurteilungsdaten und die Kontextindikatordaten verwendet, um App/Kontext-Korrelationen zu berechnen, die App-Verwendungstendenzen anzeigen, wie sie sich auf Fahrzeugsituationskontexte für den Fahrer 104 in dem Fahrzeug 100 beziehen. Wie oben im Detail erörtert wird, werden die Schritte der Flussdiagrammblöcke 182–190 in dem Infotainmentsystem 102 an Bord des Fahrzeugs 100 ausgeführt. Bei dem Block 192 werden App-Verwendungs- und Bewertungsdaten und die App/Kontext-Korrelationen einem Servercomputer für eine Aggregation über viele Fahrzeuge zur Verfügung gestellt. Wie vorhergehend erörtert, kann der Servercomputer ein internetbasierender Server oder eine telematischer Service-Server sein. Bei Block 194 werden die App-Verwendungstendenzen für den gesamten Bestand von Nutzern von den App-Verwendungsdaten und den App/Kontext-Korrelationen berechnet. Die App-Verwendungstendenzen umfassen verschiedene Metriken, welche berechnet werden können, einschließlich der App-Popularität, der zeitgewichteten Aktivität, der Diversität und der weiteren Tendenz. Die App-Verwendungstendenzen können durch den Fahrzeughersteller, die App-Entwickler und andere verwendet werden.
Wie vorher erörtert wird es, weil der Infotainmentsystem-App-Markt immer beliebter wird, für einen Fahrer oder einen Passagier in einem Fahrzeug immer schwieriger, die Apps, an denen sie am meisten interessiert sind, zu finden. Mit der Anzahl von verfügbaren Apps – in die Tausende oder in die Zehntausende – die irgendwie überwältigend ist, wird sich der Konsument zunehmend an Empfehlungsmaschinen oder andere Informationsquellen wenden, um relevante und nützliche mobile Applikationen zu entdecken, eher als den mobilen App-Markt selbst manuell zu sortieren. Die App-Verwendungs- und Bewertungsdaten, die von vielen Fahrzeugen gesammelt werden und im Detail oben beschrieben sind, können auch zum Bereitstellen von App-Empfehlungen an individuelle Nutzer verwendet werden.
Existierende App-Empfehlungsmittel stellen nur rudimentäre Fähigkeiten dar unter Verwenden von Techniken, wie ein Sortieren durch App-Kategorien, um andere Apps einem Nutzer zu empfehlen, oder unter Verwenden von Freundeskreisen eines sozialen Netzwerks für Empfehlungen. Beim Verwenden von App-Beurteilungsdaten von Tausenden oder Millionen von Nutzern der Infotainmentsystem-Apps können jedoch Ähnlichkeiten identifiziert werden, welche akkurate Apps-Empfehlungen ermöglichen, um sie individuellen Nutzern bereitzustellen. Insbesondere das Empfehlungssystem, das hierin offenbart wird, sammelt Bewertungen durch viele unterschiedliche Nutzer für viele unterschiedliche Apps und verwendet dann eine Ähnlichkeitsmaschine, um akkurate App-Empfehlungen bereitzustellen durch Festlegen von Applikationsähnlichkeiten unter den Nutzern und Nutzerähnlichkeiten unter den Applikationen. Diese Techniken werden unten offenbart.
5 ist ein Blockdiagramm eines Systems 200 zum Durchführen von Nutzerempfehlungen für Infotainmentsystem-Apps. Das System 200, einschließlich der unterschiedlichen Module, die unten beschrieben werden, kann in einem Algorithmus oder vielen Algorithmen eingebaut sein, die auf einem Servercomputer laufen, welcher drahtlose aufgeladene Daten von vielen Fahrzeuginfotainmentsystemen, wie vorhergehend erörtert, empfangen kann. Eine Gruppe von Nutzern 202 verwendet die Infotainmentsysteme in den Fahrzeugen, welche Daten zu dem System 200 bereitstellen. Für ein vollständig entwickeltes System kann die Gruppe von Nutzern 202 Millionen zählen. Ein Satz von Apps 204 befindet sich auf den Infotainmentsystemen in den Fahrzeugen, welche Daten an das System 200 bereitstellen. Nicht jede App in dem Satz von Apps 204 wird auf jedem Infotainmentsystem vorhanden sein, noch wird jeder Nutzer in der Gruppe von Nutzern 202 diese benutzen. Für ein vollständig entwickeltes System kann der Satz Zehntausende oder mehr zählen.
Ein Beurteilungsmodul 206 schließt ein explizites Nutzerbeurteilungsmodul 208 und ein implizites Nutzerbeurteilungsmodul 210 ein. Nutzerbeurteilungen von Apps können entweder explizit oder implizit sein. Explizite Beurteilungsdaten können gesammelt werden, indem einem Nutzer ermöglicht wird, direkt eine bestimmte App zu beurteilen, zum Beispiel auf einer Skala von 1 bis 5 Sternen. Das explizite Nutzerbeurteilungsmodul 208 sammelt all diese verfügbaren expliziten Nutzerbeurteilungen der Apps.
Vorbehaltlose Beurteilungsdaten können wie in der Gleichung (1), oben gezeigt, definiert sein, die wie folgt modifiziert ist, um Beurteilungen von vielen Nutzern zu ermöglichen: r(U_m, A_n) = w_R1·V_R1 + w_R2·V_R2 + w_F·V_F + w_D·V_D + w_M·V_M, (6) wobei der erste Ausdruck r(U_m, A_n) eine Beurteilung ist, die durch einen Nutzer U_m für eine App A_n gegeben wird, V_R1 ein Wert ist, der die Neuheit des Betrachtens der App definiert, V_R2 ein Wert ist, der die Neuheit des Verwendens der App definiert, V_F ein Wert ist, der die Häufigkeit des Verwendens der App definiert, V_D ein Wert ist, der die Dauer des Verwendens der App definiert, und V_M ein Wert ist, der einen Geldwert (oder eine Menge, die zu zahlen ist) für die App definiert. Die w Variablen bilden Wichtungswerte für die entsprechenden Werte V in der Gleichung und sind untereinander derart bezogen, dass:
w_R1 + w_R2 + w_F + w_D + w_M = 1 ist.
Das vorbehaltlose Nutzerbeurteilungsmodul 210 sammelt vorbehaltlos Nutzerbeurteilungen der Apps, wie in Gleichung (6) definiert.
Das Beurteilungsmodul 206 kombiniert die expliziten und die impliziten Nutzerbeurteilungen der Apps in jeder geeigneten Weise, um Beurteilungen durch so viele Nutzer wie möglich für so viele Apps wie möglich bereitzustellen. Zum Beispiel kann das Beurteilungsmodul 206 gewichtete durchschnittliche Werte verwenden, um gesammelte Nutzer/App-Beurteilungsdaten bereitzustellen, wobei der gewichtete durchschnittliche Wert ein höheres Gewicht den expliziten Beurteilungen gibt als den impliziten Beurteilungen. Alternativ kann das Beurteilungsmodul 206 auf eine Berechnung einer impliziten Beurteilung für jedes Nutzer-Applikations-Paar, für das eine explizite Beurteilung durch den Nutzer abgegeben wird, verzichten.
In jedem Fall werden die gesamten Nutzer/App-Beurteilungsdaten einem Filtermodul 212 zur Verfügung gestellt, welches sowohl die Nutzer als auch die Apps auf Relevanz vor weiterer Verarbeitung filtern kann. Die Nutzer können zum Beispiel, um nur Infotainmentsystemnutzer von bestimmten Fahrzeugtypen einzuschließen, gefiltert werden, oder basierend auf Eigenschaften der Nutzer gefiltert werden. Auf ähnliche Weise können die Apps durch Ortserkenntnis, Frische oder Eigenschaften der Apps in der Applikationsladeliste gefiltert werden (wie welche Applikation (APIs) verwendet wurde).
Die gefilterten Nutzer/App-Beurteilungsdaten werden einem Empfehlungsmodul 214 zur Verfügung gestellt. Das Empfehlungsmodul 214 schließt ein nutzerbetriebenes Konsensmodul 216 und ein App-betriebenes Konsensmodul 218 ein, welche unten erörtert werden. Das nutzerbetriebene Konsensmodul 216 und das App-betrieben Konsensmodul 218 stellen Nutzer/App-Korrelationsdaten einem Empfehlungssynthetisierer 220 zur Verfügung. Der Empfehlungssynthetisierer 220 verwendet die Nutzer/App-Korrelationsdaten von dem nutzerbetriebenen Konsensmodul 216 und dem App-betriebenen Konsensmodul 218, zusammen mit optionalen externen Eingaben 222, um dem Nutzer spezifische Empfehlungen der Apps zu geben. Die externen Eingaben 222 können irgendeine cloud- oder “cyberspace”-basierende Eingabe einschließen, wie App-Empfehlungen von Internet-Suchmaschinen, Marker von Betriebssystemen mobiler Geräte, Internet-Einkauf-Services, usw.
Die Diskussion wird nun darauf gerichtet, wie das nutzerbetriebene Konsensmodul 216 und das App-betriebene Konsensmodul 218 die Nutzer/App-Korrelationsdaten bestimmen, ähnliche Apps von Interesse für bestimmte Nutzer identifizieren und die gefilterten Nutzer/App-Beurteilungsdaten filtern. Diese Bestimmung wird über eine Berechnung von Ähnlichkeitsmessungen ausgeführt und kann unter Verwenden zweigeteilter Graphen visualisiert werden.
6A ist ein Diagramm eines zweigeteilten Graphen 300, der bekannte Beurteilungsinformationen durch eine Gruppe von Nutzern 302 für einen Satz von Apps 304 enthält. Die Nutzer 302 und die Apps 304 wurden vorzugsweise, wie oben erörtert, gefiltert. Das bedeutet, dass der zweigeteilte Graph 300 unter Verwenden der gefilterten Nutzer/App-Beurteilungsdaten von dem Filtermodul 212 konstruiert wurde. Der Graph 300 zeigt nur eine begrenzte Anzahl von Nutzern 302 und Apps 304 der Klarheit wegen. Die Anzahl der Nutzer 302 muss nicht die gleiche Zahl sein, wie die Anzahl der Apps 304 in dem zweigeteilten Graph 300, und es könnte mehr Nutzer geben als Apps oder mehr Apps als Nutzer, abhängig davon, wie das Filtern ausgeführt wurde.
Jede bekannte Beurteilung einer App durch einen Nutzer, ob implizit, explizit oder kombiniert, wird als eine Bezugslinie 306 auf dem zweigeteilten Graph 300 gezeigt. Der erste (äußerst linke) Nutzer hat zum Beispiel die erste App mit einer 4 beurteilt, der erste Nutzer hat die zweite App mit einer 3 beurteilt, der zweite Nutzer hat die vierte App mit einer 3 beurteilt, und so weiter, und der letzte Nutzer hat die letzte App mit einer 1 beurteilt. Es werden nur wenige Beurteilungsnummern auf dem Graphen 300 gezeigt, um ein verwirrendes Bild zu vermeiden, jedoch hat jede der Bezugslinien 306 tatsächlich eine Beurteilungsnummer, die damit assoziiert ist, basierend auf einer impliziten oder expliziten Nutzerbeurteilung der App, wie oben erörtert. Es werden der Einfachheit halber ganzzahlige Beurteilungswerte gezeigt, aber die Beurteilungen auf den Bezugslinien 306 müssen nicht ganzzahlige Werte sein.
Beim Betrachten des Graphen 300, ist es naheliegend, dass viele der Bezugslinien 306 fehlen; das bedeutet, die Beziehung oder die Beurteilung eines bestimmten Nutzers zu der bestimmten App unbekannt ist, was höchstwahrscheinlich anzeigt, dass der in Frage kommende Nutzer die in Frage kommende App weder gesehen noch benutzt hat. Der erste Nutzer weist zum Beispiel keine Beurteilung für die vierte App, der zweite Nutzer weist keine Beurteilung für die zweite App, usw. auf.
6B ist ein Diagramm eines zweigeteilten Graphen 310, der zeigt, wie einige unbekannte Beziehungen von existierenden Nutzer-App-Beurteilungsdaten abgeleitet werden können. In dem Graphen 310 sind einige der Bezugslinien 306, die in dem Graphen 300 gefehlt haben, mit dicken gestrichelten Linien aufgeführt und mit einem Fragezeichen gekennzeichnet. Obwohl keine Beurteilungsdaten für diese unbekannten Beziehungen existieren, können ähnliche Maschinentechniken verwendet werden, um eine Beurteilung abzuleiten. Wenn eine Beziehung abgeleitet werden kann, wo keine existiert, könnte diese durch die Empfehlung des Synthetisierers 220 als eine Basis für ein Empfehlen der App an den Nutzer verwendet werden, falls die abgeleitete Beurteilung hoch ist.
Das nutzerbetriebene Konsensmodul 216 kann eine abgeleitete Beurteilung von einer App durch einen Nutzer in folgender Weise berechnen. Zuerst wird ein Ähnlichkeitsmaß zwischen einem gezielten Nutzer und anderen Nutzern wie folgt berechnet:
wobei Sim(U_i, U_j) die Ähnlichkeit zwischen einem gezielten Nutzer Ui und anderen Nutzern Uj ist, die Summen werden für jede App a_l, welche ein Element des Satzes der Apps A ist, genommen, welche sowohl durch den Nutzer Ui als auch Uj beurteilt wurden, r(U_i, a_l) ist eine Beurteilung, die durch den Nutzer U_i für U_j), und r ist eine durchschnittliche Beurteilung, die von aldie App a_l gegeben wird (und in ähnlicher Weise für den Nutzer len Apps durch den Nutzer i oder j gegeben wird. Unter Verwenden der Gleichung (7) werden Ähnlichkeiten zwischen den Nutzern durch Vergleich ihrer Beurteilungen von häufigen Apps bestimmt.
Als nächstes wird eine Anzahl K für die nächsten Nachbarn des gezielten Nutzers von dem Ähnlichkeitsmaß identifiziert. Die K-nächsten Nachbarn werden angesehen, als seien sie Nutzer, die ähnlich wie der gezielte Nutzer denken und deshalb höchstwahrscheinlich eine ähnliche Einstellung zu einer besonderen App, zu der der gezielte Nutzer keine Beurteilung hat, aufweisen.
Schließlich wird eine abgeleitete Beurteilung von einer besonderen App durch den gezielten Nutzer durch Summieren der Übereinstimmung der K-nächsten Nachbarnutzern wie folgt berechnet:
wobei r ^(U_h, a_l) eine abgeleitete Beurteilung der App a_l durch den gezielten Nutzer U_h ist, r(U_h) die durchschnittliche Beurteilung von allen Apps durch den gezielten Nutzer U_h ist, wobei genommen werden, und die Beurteilungen (r und r ) und die Ähndie Summen für jeden Nutzer k in der K-nächsten Nachbarschaft lichkeiten Sim(U_h, U_k) oben definiert werden.
Wie in den vorhergehenden drei Paragrafen beschrieben, kann, einschließlich der Gleichungen (7) und (8), das nutzerbetriebene Konsensmodul 216 eine abgeleitete Beurteilung einer App durch einen Nutzer, wobei keine Beurteilung vorher zur Verfügung stand, basierend auf Nutzerähnlichkeiten berechnen. Die abgeleitete Beurteilung von dem nutzerbetriebenen Konsensmodul 216 kann durch den Empfehlungssynthetisierer 220 verwendet werden, um dem Nutzer bestimmte Empfehlungen der Apps zu geben, wo der abgeleitete Beurteilungswert hoch ist.
Das App-betriebene Konsensmodul 218 kann eine abgeleitete Beurteilung einer App durch einen Nutzer in ähnlicher Weise berechnen, wie sie oben beschrieben wurde, außer von einer App-Ähnlichkeitsperspektive, eher als von einer Nutzerähnlichkeitsperspektive aus. Zuerst wird ein Ähnlichkeitsmaß zwischen einer gezielten App und den anderen Apps wie folgt berechnet:
wobei Sim(a_i, a_j) die Ähnlichkeit zwischen einer gezielten App a_i und einer anderen App a_j ist, die Summen werden für jeden Nutzer u_m vorgenommen, der ein Element der Gruppe der Nutzer U ist, welche sowohl die App a_i als auch a_j beurteilt haben, r(u_m, a_i) ist die Beurteilung, die durch den Nutzer u_m für die App a_i gegeben wird (und in ähnlicher Weise für die App a_j) und r(u_m) ist die durchschnittliche Beurteilung, die allen Apps durch die Nutzer u_m gegeben wird. Unter Verwenden der Gleichung (9) werden Ähnlichkeiten zwischen Apps durch Vergleichen ihrer Beurteilungen durch gewöhnliche Nutzer bestimmt.
Als nächstes wird eine Anzahl K der nächsten Nachbarn der gezielten App identifiziert von dem Ähnlichkeitsmaß. Es ist beabsichtigt, dass die K-nächsten Nachbarn Apps sind, welche ähnliche Eigenschaften, wie die gezielte App aufweisen und deshalb wahrscheinlich eine ähnliche Attraktivität für einen besonderen Nutzer, für den die gezielte App keine Bedeutung hat, aufweisen.
Schließlich wird eine abgeleitete Beurteilung der gezielten App durch einen besonderen gesamten Konsens der K-nächsten Nachbar-Apps wie folgt berechnet:
wobei r ^(U_h, a_l) eine abgeleitete Beurteilung der gezielten App al durch den Nutzer U_h ist, r(a_l) eine durchschnittliche Beurteilung der gezielten App a_l durch alle Nutzer ist, die Summen und Beurteilungen (r und r ) und die Ähnlichkeiten Sim(a_l, a_k) werden für jede App k in den K-nächsten Nachbarn vorgenommen werden oben definiert.
Wie in den vorhergehenden drei Paragrafen beschrieben, kann das App-betriebene Konsensmodul 218, einschließlich der Gleichungen (9) und (10), eine abgeleitete Beurteilung einer App durch einen Nutzer dort, wo keine Beurteilung vorher verfügbar war, basierend auf den App-Ähnlichkeiten berechnen. Die abgeleitete Beurteilung von dem App-betriebenen Konsensmodul 218 kann durch den Empfehlungssynthetisierer 220 verwendet werden, um dem Nutzer spezifische Empfehlungen der Apps zu geben, wo der abgeleitete Beurteilungswert hoch ist.
Die Ausgaben von dem nutzerbetriebenen Konsensmodul 216 und dem App-betriebenen Konsensmodul 218, zusammen mit den optionalen externen Eingaben 222, werden durch den Empfehlungs-Synthetisierer 220 verwendet, um dem Nutzer spezifische Empfehlungen der Apps zu geben. Der Empfehlungssynthetisierer 220 kann die Eingaben von dem nutzerbetriebenen Konsensmodul 216, dem App-betriebenen Konsensmodul 218 und den optionalen externen Eingaben 222 in jeder geeigneten Form kombinieren – wie ein einfacher Mittelwert, ein gewichteter Mittelwert, ein gewichteter Mittelwert oder ein anderer Informationsfusionsoperator.
7 ist ein Flussdiagramm 320 eines Verfahrens zum Ausführen von Nutzerempfehlungen für Infotainmentsystem-Apps. Bei Block 322 werden Apps-Empfehlungsdaten für viele Apps von vielen Nutzern des Fahrzeuginfotainmentsystems gesammelt. Die Daten können drahtlos von den Fahrzeuginfotainmentsystemen zu einem zentralen Server übertragen werden. Die Daten können sowohl explizite Empfehlungen der Apps durch Nutzer als auch implizite Empfehlungen einschließen, welche basierend auf Faktoren wie die Neuheit des Betrachtens der App, die Neuheit des Verwendens der App, die Häufigkeit des Verwendens der App, der Dauer der Verwendung der App und dem Geldwert der App einschließen, berechnet werden. Die expliziten und impliziten Nutzerbeurteilungen der Apps können vor einem weiteren Verarbeiten kombiniert werden.
Bei Block 324 werden die Nutzer/App-Beurteilungsdaten auf Relevanz gefiltert. Die Nutzer können basierend auf Eigenschaften der Nutzer gefiltert werden und die Apps können basierend auf Eigenschaften der Apps gefiltert werden, um eine Gruppe von Nutzern, Apps und Beurteilungen bereitzustellen, welche höchstwahrscheinlich für die greifbare Empfehlung geeignet sind. Bei Block 326 werden die gefilterten Nutzer/App-Beurteilungsdaten verwendet, um abgeleitete Beurteilungen für Nutzer/App-Beziehungen dort zu berechnen, wo keine Beurteilung unter Verwenden einer nutzerbetriebenen Konsensberechnung verfügbar ist. Wie oben erörtert, berechnet die nutzerbetriebene Konsensberechnung eine abgeleitete Beurteilung einer App durch einen Nutzer dort, wo keine Beurteilung vorher zur Verfügung stand, basierend auf Nutzerähnlichkeiten in Beurteilungen von gemeinsamen Apps. Bei Block 328 werden die Nutzer/App-Beurteilungsdaten verwendet, um abgeleitete Beurteilungen für Nutzer/App-Beziehungen dort zu berechnen, wo keine Beurteilung, unter Verwenden der App-betriebenen Konsensberechnung zur Verfügung steht. Wie oben erörtert, berechnet die App-betriebene Konsensberechnung eine abgeleitete Beurteilung einer App durch einen Nutzer, bei der keine Beurteilung vorher, basierend auf einer App-Ähnlichkeit in Beurteilungen durch gemeinsame Nutzer zur Verfügung stand.
Bei Block 330 werden die abgeleiteten Beurteilungen von der nutzerbetriebenen Konsensberechnung und der App-betriebenen Konsensberechnung verwendet, um spezifische App-Empfehlungen für spezifische Nutzer zu synthetisieren. Die App-Empfehlungs-Synthetisierung kann auch externe Eingaben, wie App-Empfehlungen von Internet-Suchmaschinen, Marker von Betriebssystemen mobiler Geräte, Internet-Einkauf-Services, usw. einschließen. Die abgeleiteten Beurteilungen und die externen Eingaben können in irgendeiner geeigneten Form, wie ein einfacher Mittelwert oder ein gewichteter Mittelwert kombiniert werden. Bei Block 332 werden die synthetisierten Empfehlungen für App-Betrachtungen an den geeigneten Nutzer über ein Herunterladen von dem zentralen Server zu dem Infotainmentsystem des Nutzerfahrzeugs bereitgestellt.
App-Empfehlungen, die basierend auf reellen Nutzer/App-Beziehungsdaten durchgeführt werden – im Gegensatz zu beispielsweise einfachen App-Kategorien – haben eine deutlich größerer Chance durch die Nutzer von Fahrzeuginfotainmentsystemen empfangen zu werden. Diese hohe Qualität des Empfehlungsdienstes ergibt eine erhöhte Konsumentenzufriedenheit für die Infortainmentsysteme selbst und für die Fahrzeuge überall.
Unter Verwenden der oben beschriebenen Techniken können Infotainmentsystem-App-Verwendungsdaten, einschließlich impliziter Nutzerbeurteilungen und Kontextkorrelationen, analysiert werden, um Nutzertendenzen zu erfassen. Die erfassten Nutzertendenzen können für Fahrzeughersteller und App-Entwickler von Vorteil beim Führen in der zukünftigen Entwicklung sein und hilfreiche Empfehlungen können an den Nutzer, basierend auf den App-Nutzerdaten, die von der Nutzergesamtheit gesammelt werden, gegeben werden.
Die vorhergehende Erörterung offenbart und beschreibt nur beispielhafte Ausführungsformen der vorliegenden Erfindung. Der Fachmann der Technik wird bereits durch die derartige Diskussion und die begleitenden Zeichnungen und Ansprüche erkennen, dass verschiedene Änderungen, Modifikationen und Variationen darin ausgeführt werden können, ohne von dem Geist und dem Umfang der Erfindung, wie sie in den folgenden Ansprüchen definiert ist, abzuweichen.

Claims

Verfahren zum Herstellen von Nutzerempfehlungen in Infotainmentsystemapplikationen, wobei das Verfahren umfasst: – Sammeln auf einem zentralen Servercomputer, der einen Prozessor und ein Speichermodul aufweist, von Nutzerbeurteilungsdaten für Fahrzeuginfotainmentsystemapplikationen von vielen Infotainmentsystemnutzern, einschließlich sowohl expliziter Beurteilungen als auch impliziter Beurteilungen; – Filtern der Nutzerbeurteilungsdaten für die Applikationen, basierend auf einer Relevanz, um gefilterte Nutzer/Applikations-Beurteilungsdaten zu erzeugen; – Berechnen, auf einem zentralen Servicecomputer, von abgeleiteten Beurteilungen für Nutzer/Applikations-Beziehungen, wo keine Beurteilung zur Verfügung steht, unter Verwenden der gefilterten Nutzer/Applikations-Beurteilungsdaten in einer nutzerbetriebenen Konsensberechnung; – Berechnen, auf einem zentralen Servercomputer, von abgeleiteten Beurteilungen für Nutzer/Applikations-Beziehungen, wo keine der gefilterten Nutzer/Applikations-Beurteilungsdaten in einer applikationsbetriebenen Konsensberechnung zur Verfügung steht; – Synthetisieren von Nutzerapplikationsempfehlungen, basierend auf den abgeleiteten Beurteilungen von der nutzerbetriebenen Konsensberechnung und der applikationsbetriebenen Konsensberechnung; und – Bereitstellen der Nutzerapplikationsempfehlungen für die Infotainmentsystemnutzer für die Nutzer/Applikations-Beziehungen, wo keine Beurteilung zur Verfügung steht und die abgeleiteten Beurteilungen hoch sind.
Verfahren nach Anspruch 1, wobei die implizierten Beurteilungen basierend auf einer Neuheit einer Nutzerbetrachtung einer Applikation, eines Nutzerverwendens der Applikation, auf einer Häufigkeit des Nutzerverwendens der Applikation, auf einer Dauer der Nutzerverwendung der Applikation und auf dem Geldwert der Applikation berechnet werden.
Verfahren nach Anspruch 1, weiterhin umfassend: ein Kombinieren der expliziten Beurteilungen und der implizierten Beurteilungen, unter Verwenden eines gewichteten Durchschnitts, vor dem Filtern der Nutzerbeurteilungsdaten.
Verfahren nach Anspruch 1, wobei das Filtern der Nutzerbeurteilungsdaten ein Filtern der Nutzer basierend auf Nutzereigenschaften und ein Filtern der Applikationen basierend auf Applikationseigenschaften umfasst.
Verfahren nach Anspruch 1, wobei die nutzerbetriebene Konsensberechnung ein Berechnen einer Ähnlichkeit zwischen einem Zielnutzer und anderen Nutzern basierend auf Applikationen, die sowohl den Zielnutzer als auch andere Nutzer, die beurteilt haben, umfasst.
Verfahren nach Anspruch 5, wobei die nutzerbetriebene Konsensberechnung auch ein Identifizieren nächster Nachbarnutzer einschließt, welche die anderen Nutzer, welche nächste Nachbarn zu dem Zielnutzer sind, in der Applikationsbeurteilung ähnlich sind.
Verfahren nach Anspruch 6, wobei die nutzerbetriebene Konsensberechnung auch ein Berechnen einer abgeleiteten Beurteilung einer bestimmten Applikation durch den Zielnutzer einschließt, basierend auf der Ähnlichkeit zwischen dem Zielnutzer und den nächsten Nachbarn des Zielnutzers, auf den Beurteilungen der besonderen Applikation durch Nachbarnutzer und auf einer Durchschnittsbeurteilung aller Applikationen durch den Zielnutzer.
Verfahren nach Anspruch 1, wobei die applikationsbetriebene Konsensberechnung ein Berechnen einer Ähnlichkeit zwischen einer Zielapplikation und anderen Applikationen einschließt, basierend auf Nutzern, die sowohl die Zielapplikation als auch andere Applikationen beurteilen.
Verfahren nach Anspruch 8, wobei die applikationsbetriebene Konsensberechnung auch ein Identifizieren nächster Nachbarapplikationen einschließt, welches die anderen Applikationen sind, welche nächste Nachbarn zu der Zielapplikation in der Nutzerbeurteilungsähnlichkeit sind.
Verfahren nach Anspruch 1, wobei ein Synthetisieren der Nutzerapplikationsempfehlung ein Verwenden der abgeleiteten Beurteilungen von der nutzerbetriebenen Konsensberechnung und der applikationsbetriebenen Konsensberechnung einschließt, zusammen mit externen cyberspace-basierenden Eingaben, in einer gewichteten Durchschnittsberechnung, und eine spezifische Applikation wird an einen spezifischen Nutzer empfohlen, falls die gewichtete Durchschnittsberechnung eine Anzahl erreicht, die einen vorbestimmten Schwellwert übersteigt.