JP5878301B2 - 混成ユーザ行為モデルを用いた行為識別 - Google Patents

Description

本開示は、そのときのユーザの行為を識別する技法に関する。より具体的には、本開示は被管理行為分類に基づきそのときのユーザの行為を識別する技法に関する。

開示された実施形態は、そのときの１以上のユーザの行為を識別するコンピュータシステムに関する。動作期間中、コンピュータシステムはユーザの行為に関連するユーザのアクション情報を受け取り、ここではユーザの行為は当初は識別されておらず、ユーザのアクション情報は非被管理データを含む。次に、コンピュータシステムはユーザのアクション情報のサブセットを識別し、ユーザのアクション情報の識別されたサブセットに関連するユーザの行為の分類をユーザから受け取る。識別されたユーザのアクション情報のサブセットが被管理データを含むことに、留意されたい。さらに、コンピュータシステムはそのときの１以上のユーザの行為に関連する追加のユーザのアクション情報を受け取り、ここでそのときの１以上のユーザの行為は当初は識別されておらず、追加のユーザのアクション情報は非被管理データを含む。次に、コンピュータシステムは追加のユーザのアクション情報に基づきユーザのアクション情報の識別されたサブセット群を特定し、それによってそのときの１以上のユーザの行為を識別する。

例えば、ユーザのアクション情報の受け取りには、電子デバイスとユーザとの相互作用の監視が含まれる。その結果、ユーザのアクション情報には、ユーザがアクセスする文書に関連するキーワード、ユーザがアクセスする文書、ユーザが情報を通信する個人および／またはユーザ日程表内の予約が含まれる。さらに、ユーザの行為にはコンテンツを修正しあるいは情報を通信する一時的な一連のユーザのアクションを含めることができる。この一時的な一連のユーザのアクションは複数セッションに渡って行なわれることがあり、ユーザの行為は１以上の対応するプロジェクトの目的に関連付けることができる。

一部実施形態では、ユーザのアクション情報のサブセットの識別にはクラスタリング分析の遂行が含まれる。さらに、受け取ったユーザの行為の分類における所与のユーザの行為の分類はユーザのアクション情報の複数のサブセットに関連付けることができる。

加えて、ユーザのアクション情報の識別されたサブセット群の特定には、追加のユーザのアクション情報に基づくユーザのアクション情報のサブセットについての確率的スコアの生成を含めることができる。例えば、ユーザのアクション情報の所与のサブセットについての所与の確率的スコアは、追加のユーザのアクション情報とユーザのアクション情報の所与のサブセット中のユーザのアクション情報との間の一致の重み付き総和を用いて生成することができる。別の選択肢としてあるいは追加的に、確率的スコアはそのときの１以上のユーザの行為に先行する時間窓に関連する、ユーザのアクション情報の所与のサブセット中のユーザのアクション情報を用いて生成することができる。

一部実施形態では、コンピュータシステムは受け取ったユーザのアクション情報を選別し、ユーザのアクション情報のサブセットを識別する前に異質なユーザのアクション情報を取り除く。さらに、ユーザのアクション情報の識別されたサブセット群の特定には、生成確率的スコアに基づく予め規定されたユーザのアクション情報のサブセット群の選択が含まれる。別の選択肢としてあるいは追加的に、ユーザのアクション情報の識別されたサブセット群の特定は追加のユーザのアクション情報に関連する文脈情報に基づくことができる。

ユーザのアクション情報と追加のユーザのアクション情報はそれぞれタスクに関連付けることができ、所与のユーザの行為には一時的な一連の複数のタスクを関連付けることができる。これらの実施形態ではコンピュータシステムは、ユーザのアクション情報あるいは追加のユーザのアクション情報に基づきタスク間の遷移を識別することができ、ユーザのアクション情報の識別されたサブセット群の特定は識別された遷移に基づくことができる。

識別されたそのときのユーザの行為は、様々な方法で用いることができる。例えば、コンピュータシステムは識別されたそのときの１以上のユーザの行為に基づきユーザのタイムカードを更新することができる。別の選択肢としてあるいは追加的に、コンピュータシステムは識別されたそのときの１以上のユーザの行為に基づき別の個人に対し行為更新を提供することができる。この行為更新は、そのときの１以上のユーザの行為を妨害せずにユーザとの接触を図ることができるときに、他の個人に注意喚起することができる。

別の実施形態は、コンピュータシステムが行なう処理の少なくとも一部を含む方法を提供するものである。

別の実施形態は、コンピュータシステムと共に使用するコンピュータプログラム製品を提供するものである。このコンピュータプログラム製品には、コンピュータシステムが行なう処理の少なくとも一部に対する命令が含まれる。

本開示の一実施形態に従うそのときの１以上のユーザの行為を識別する方法を示すフローチャートである。 本開示の一実施形態に従う図１の方法を示すフローチャートである。 本開示の実施形態に従うユーザの行為モデルを構築する方法を示すフローチャートである。 本開示の一実施形態に従うユーザのアクション情報と関連する分類のサブセットを示す図である。 本開示の一実施形態に従うユーザの行為モデルを用いたそのときのユーザの行為を識別する方法を示すフローチャートである。 本開示の一実施形態に従う図１と図２の方法を遂行するコンピュータシステムを示すブロック線図である。 本開示の一実施形態に従う図１と図２の方法を遂行するコンピュータシステムを示すブロック線図である。 本開示の一実施形態に従う図７のコンピュータシステムに使用するデータ構造を示すブロック線図である。

全図面を通じ、同様の参照符号が対応部分を指すことに、留意されたい。さらに、同一部分の複数の事例は、ダッシュにより一つの事例符号から区別される共通の接頭辞により指定される。

そのときの１以上のユーザの行為を識別するコンピュータシステム、方法、およびコンピュータプログラム製品（例えば、ソフトウェア）の実施形態を説明する。ユーザコンピュータ識別技法では、ユーザのアクションはユーザがコンピュータを使用している間監視される。これらユーザのアクションはユーザの行為に関連付けられるが、ユーザの行為は当初は識別されておらず、したがって追尾対象ユーザのアクションは非被管理データを構成する。次に、追尾対象ユーザのアクションをサブセットに集計（例えば、クラスタリング分析を用いて）し、そのサブセットに関するユーザの行為分類（行為ラベル等）をユーザが提供し、したがってサブセットが被管理データを構成するようにする。続いて、追加のユーザの行為（そのときの１以上の当初は未識別のユーザの行為に関連する）を追尾するときに、それらに１以上の分類済みサブセットを関連付けることができる。例えば、追加のユーザの行為に関する情報は、被管理学習技法を用いて１以上のサブセットにリアルタイム（またはほぼリアルタイム）でマッピングすることができる。こうして、１以上のそのときのユーザの行為を特定することができる。

そのときの１以上のユーザの行為を識別することで、ユーザの行為識別技法は、ユーザの時間管理を改善し、ユーザ（あるいはその組織）の業務コストを低減し、かつ／またはユーザの生活の質を改善する（例えば、ユーザが仕事をしている間の妨害を低減することにより、それがユーザの満足度を増す）ことのできる多種多様な解決策を促す。その結果、ユーザの行為識別技法は生産性と収益性の増大を促進することができる。

続く説明では、ユーザがコンピュータ（と、より一般的には電子デバイス）を使用している間の事象追尾をユーザのアクション情報の例示例として用い、この情報を監視し、続いてそのときの１以上のユーザの行為を識別するのに役立てるよう用いる。しかしながら、ユーザの行為識別技法における混成手法は、コンピュータの使用に直ちに関連するもの以外の情報を含む多種多様なユーザのアクション情報に適用することができることを、理解されたい。このその他のユーザのアクション情報には、聴覚情報（スピーチ等）、視覚情報（ユーザあるいは他の個人のビデオ画像等）、ユーザの動作に関連する動作情報、ユーザの感情評価、および／または位置情報（例えば、ユーザが使用する携帯電話の位置に基づく周囲環境における物体に対するユーザの位置等）を含めることができる。

さらに、続く説明では、プロジェクト、行為、タスク、およびアクションとの間の階層関係が存在することができる。特に、一つのプロジェクトに複数の行為を関連付けることができ、これはそれぞれが複数の行為を含むことのある複数のタスクを含むことができる。さらに、一つのプロジェクトには全体的な目標あるいは目的（先進度の獲得等）と、より一般的には、時間の経過とともに達成される作業の目的を含めることができる。プロジェクトに関連する行為は連続して行なわれることがあり、付加価コンテンツの創成および／またはプロジェクトの目的達成に役立てるべく他人とのこのコンテンツの通信を含めることができる。例えば、行為には、会合の計画、被雇用者の雇用、評価の遂行、予算案の作成、定期的な会合への参加、問題の解決等を含めることができる。同様に、タスクや行為は、階層における（個別の）直前のレベルの目標あるいは目的の達成を含む異なる意味空間あるいは文脈に（漸次短縮される時間規模で）関連付けられる。したがって、タスクには行為の一部（文書の編集等）を含めることができるが、その行為には原初的な作業（ファイルを開くことやマウスのクリックを行なうこと等）を含めることができる。一般に、階層におけるいずれの要素も積極的あるいは消極的に定義する（例えば、一つのタスクにはユーザがしていることあるいはユーザがしていないことを含める）ことができることに、留意されたい。

ここで、ユーザの行為識別技法の実施形態を説明する。図１は、コンピュータシステム（図６と図７のコンピュータシステム６００あるいは７００等）により実行することのできるそのときの１以上のユーザの行為を識別する方法１００を示すフローチャートを表わすものである。作業中、コンピュータシステムはユーザの行為に関連するユーザのアクション情報を受け取り（処理１１０）、ここでユーザの行為は当初は識別されておらず、ユーザのアクション情報は非被管理データを含む。例えば、ユーザのアクション情報の受け取りには電子デバイス（コンピュータ等）とのユーザの相互作用の監視を含めることができる。その結果、ユーザのアクション情報には、ユーザがアクセスする文書（電子メールあるいはワープロ文書）に関連するキーワード、ユーザがアクセスする文書、ユーザが情報を通信する相手、および／またはユーザ日程表内の予約を含めることができる。より一般的には、ユーザのアクション情報には電子デバイスを用いてユーザが行なうことのできるユーザの行為の全範囲のいずれをも包含させることができる。さらに、ユーザの行為にはコンテンツを修正しかつ／または情報を通信する一時的な一連のユーザの行為を含めることができる。一時的な一連のユーザのアクションは複数のセッションに渡り行なわれ、ユーザの行為はプロジェクトの１以上の対応する目的（大学志願や就職等）に関連付けることができる。

次に、コンピュータシステムはユーザのアクション情報のサブセットを識別（処理１１４）し、識別されたユーザのアクション情報のサブセットに関連するユーザの行為の分類をユーザから受け取る（処理１１６）。ユーザのアクション情報の識別されたサブセットが被管理データを含むことに、留意されたい。例えば、ユーザのアクション情報のサブセットの識別にはクラスタリング分析の遂行を含めることができる。加えて、受け取ったユーザの行為の分類における所与のユーザの行為の分類にはユーザのアクション情報の複数のサブセットを関連付けることができる。

続いて、コンピュータシステムはそのときの１以上のユーザの行為に関連する追加のユーザのアクション情報（すなわち、処理１１０において先に受け取ったユーザのアクション情報後に生ずるユーザのアクション情報）を受け取り（処理１１８）、ここでそのときの１以上のユーザの行為は当初は識別されておらず、追加のユーザのアクション情報は非被管理データを含む。次に、コンピュータシステムは、追加のユーザのアクション情報と識別されたユーザのアクション情報のサブセットとに基づき、少なくとも識別されたユーザのアクション情報のサブセット群を特定（処理１２２）し、それによってそのときの１以上のユーザの行為を識別する。

例えば、被管理学習モデルを用いて追加のユーザのアクション情報を識別されたユーザのアクション情報のサブセットと比較し、少なくとも識別されたユーザの行為情報のサブセット群を特定することができる。一部実施形態では、識別されたユーザの行為情報のサブセット群の特定には追加のユーザのアクション情報に基づきユーザのアクション情報のサブセットの確率的スコアの生成を含めることができる。特に、所与のユーザのアクション情報のサブセットに関する所与の確率的スコアは、追加のユーザのアクション情報とユーザのアクション情報の所与のサブセット中のユーザのアクション情報との間の一致の重み付き総和を用いて生成することができる。別の選択肢としてあるいは追加的に、確率的スコアはそのときの１以上のユーザの行為に先行する時間窓に関連する所与のユーザのアクション情報のサブセット中のユーザのアクション情報を用いて生成することができる（すなわち、ユーザのアクション情報は動的すなわち時変的であり、１以上の時間期間内のデータの一部を用いて関連性を特定することができる）。

さらに、識別されたユーザのアクション情報のサブセット群の特定には、生成された確率的スコアに基づき予め規定されたユーザのアクション情報のサブセット群の選択を含めることができる。例えば、関連するサブセットのパターンを用い、（最大のあるいは極値の関連値を有する単一のサブセットの使用に代え）そのときの１以上のユーザの行為を識別することができる。別の選択肢としてあるいは追加的に、識別されたユーザのアクション情報のサブセット群は、日時、曜日、追加のユーザのアクション情報源（例えば、ユーザが目を通した文書やユーザが用いたアプリケーションプログラム）および／または（可能であれば）ユーザを妨害することなく収集することのできる受動的情報等の追加のユーザのアクション情報に関連する文脈情報に基づくことができる。

一部実施形態では、コンピュータシステムは受け取ったユーザのアクション情報を随意選択的に選別し、ユーザのアクション情報のサブセットを識別する前に異質なユーザのアクション情報を取り除く（処理１１２）。ユーザのアクション情報と追加のユーザのアクション情報はそれぞれタスクに関連付けることができ、所与のユーザの行為には一時的な一連の複数のタスクを関連付けることができることに、留意されたい。これら実施形態では、コンピュータシステムはユーザのアクション情報および／または追加のユーザのアクション情報に基づきタスク間の遷移を随意選択的に識別（処理１２０）することができ、識別されたユーザのアクション情報のサブセット群の特定を識別された遷移に基づかせることができる。

識別されたそのときのユーザの行為は、様々な仕方で用いることができる。したがって、コンピュータシステムはそのときの識別された１以上のユーザの行為を随意選択的に用いることができる（処理１２４）。例えば、コンピュータシステムはそのときの識別された１以上のユーザの行為に基づきユーザのタイムカードを更新することができる。より一般的には、コンピュータシステムは例えばユーザが使用する資源を評価したり、あるいは識別されたそのときのユーザの行為に関連する関連文書を先取りしたりして、ユーザをより効率的もしくは生産的とすることで、ユーザが自らの時間を管理するのを支援することができる。

別の選択肢としてあるいは追加的に、コンピュータシステムは１以上の識別されたそのときのユーザの行為に基づき、行為更新を別の個人に供給することができる。この行為更新は、そのときの１以上のユーザの行為を妨害することなくユーザと接触を図ることができるときに他の個人に注意を喚起することができる。例えば、行為更新に基づき、視覚的手掛かり（アイコン等）を通信プログラムあるいは通信デバイスに表示し、他の個人にユーザとの接触を図ろうとするときに注意を喚起することができる。より一般的には、ユーザが所与の時間に有限数のユーザの行為に集中するのを支援することで、ユーザの行為識別技法はユーザの満足度増進を促すことができる。

例示実施形態では、ユーザの行為識別技法は１以上のクライアントコンピュータと、インターネット等のネットワークを介して通信する少なくとも１つのサーバコンピュータとを用いて（すなわち、クライアントサーバ・アーキテクチャを用いて）実現される。これは図２（と以下の図６）に示されており、それは図１の方法１００を示すフローチャートを提示するものである。この方法期間中、コンピュータ２１０のユーザは行為を遂行する（処理２１４）。これらのユーザの行為には複数のタスクを関連付けることができ、これらタスクに複数のユーザの行為を関連付けることができる。サーバコンピュータ２１２は、例えば事象追尾あるいは１以上のセッションに渡る記録により、ユーザの行為に関連するユーザのアクション情報を監視（処理２１６）することができる。そこで、ユーザのアクション情報を集計し、ユーザのアクション情報のサブセットを識別する（処理２１８）。例えば、ユーザのアクション情報内には１０，０００個の異なる尺度（アクセスした文書、ウィンドウあるいはスクリーンのコンテンツ、電子メール中のコンテンツ、メッセージのアドレス、キーボード入力、ユーザの身振り、視認されたウェブページ、ユーザ日程表内の予約等）が存在することがあり、１０個の異なるサブセットを識別することができる。

次に、サーバコンピュータ２１２は１以上のサブセットについて分類（ユーザの行為ラベル等）をリクエスト（処理２２０）することができる。このリクエストは、コンピュータ２１０のユーザにより受け取ることができる（処理２２２）。応答時、ユーザは分類を提供（処理２２４）することができ、これがサーバコンピュータ２１２により受け取られる（処理２２６）。例えば、ユーザは１０個の異なる識別されたサブセットを包含する３個のユーザの行為ラベル（プロジェクト等）を提供することができる。（一般に、識別されたサブセットの数は分類数を上回る）。

ユーザのアクション情報のサブセットと関連する分類の組み合わせは、サーバコンピュータ２１２により用いられ、ユーザの行為モデルを調整あるいは生成（処理２２８）することができる。続いて、ユーザがコンピュータ２１０上でそのときの１以上の行為を遂行する（処理２３０）ときに、サーバコンピュータ２１２はこれらのそのときの行為に関連する追加のユーザのアクション情報を監視（処理２３２）することができる。さらに、サーバコンピュータ２１２はそのときの１以上の行為を識別する（処理２３４）ことができる。例えば、ユーザの行為モデルを用いることで、サーバコンピュータ２１２は追加のユーザのアクション情報に基づき識別されたユーザのアクション情報のサブセット群を特定することができる。加えて、サーバコンピュータ２１２はそのときの識別された１以上のユーザの行為を用いることができる（処理２３６）。これには、ユーザ用のタイムシートあるいはカードへの入力の記入や、ユーザの自らの時間管理の支援（ユーザが自らの時間をより効率的に使用するのを補助する等）、ユーザ用の日程表の点検、そのときの１以上のユーザの行為を妨害することなくユーザとの接触を図ることのできる時の他人への注意喚起、および／またはユーザのソーシャルネットワーク・ウェブページの更新やソーシャルネットワーク・メッセージ（テキストメッセージやツイート等）の提供を含めることができる。この最後の例では、コンピュータシステムは例えば先に記入された言葉やトピックへのどのような記入においてもコンテンツを制約することでユーザのプライバシを保護することができる。

例示実施形態では、ユーザの行為識別技法がマシン能力と人の能力とを利用する（ただし、他の実施形態ではこの技法はコンピュータを用いて完全に実現することができる）。特に、ユーザのアクション情報（ユーザが相互作用する電子メールや文書内の情報等）を集計するのにマシン知能が用いられ、ユーザの行為識別あるいは認識に有用なこの集計された有用アクション情報の一部の特定に人知が用いられる。例えば、ユーザはその行為に関連する集計されたユーザのアクション情報のグループあるいはクラスタに関するデスクトップ行為ラベルを規定あるいは明示することができる。続いて、規定された行為ラベルと集計されたユーザのアクション情報は、そのときのユーザの行為情報と合わせてユーザの行為検出器（ユーザの行為モデルあるいはより一般的には被管理学習モデル等）により使用し、関連する行為ラベルを予測（あるいは識別）することでそのときの行為を識別することができる。さらに、これらの識別はリアルタイム（例えば、数秒以内）であるいはほぼリアルタイム（例えば、数分以内）で行なうことができる。

この技法は図３に示されており、同図はユーザの行為モデルを構成する方法３００を示すフローチャートを表わすものである。用法を追尾する（処理３１０）時に、電子メール、文書、ユーザがアクセスし修正するウェブページを記録し、そのコンテンツ（テキスト等）や上位情報（集約的にはユーザのアクション情報と呼ばれる）をコンピュータシステムにより自動的に抽出することができる。さらに、個人的な情報（電子メールの送信者あるいは受信者、あるいは文書のコンテンツからのエンティティ抽出により特定される個人等）もまた検出し、それらの相対的重要度（ユーザが文書を視認した時間量または文書内の単語や句の頻出度により示すことができる）に基づき重み付けすることができる。加えて、ユーザの日程表あるいはカレンダにおける情報（定期的な会合や予定）は集計されたユーザのアクション情報に含めることができる。

収集されるユーザのアクション情報内に出現する単語や句は、単語出現頻度−逆出現頻度（ｔｆ−ｉｄｆ）閾値（例えば、コーパス内で文書の単語の頻出率を特定することができ、極端に頻出するものは選別排除することができる）を用いて選別することができる。さらに、バイグラム（あるいはｎグラム）をテキスト中に検出することができ、またｔｆ−ｉｄｆを用いて選別することもできる。（例えば、同時出現する単語、すなわち文章内に空間的な関連性を有する単語は、たとえ介在する単語が存在しようとも、単一の概念として取り扱うことができる）。さらに、ユーザの行為の識別時に有用でなさそうな単語（前置詞や接続詞等）に加えてストップワードもまた取り除くことができる。加えて、メーリングリストとスパムメールを選別除外すべく、その発生頻度（あるいは重要度）と釣り合いとに基づき留保用語を分類することができる。

そこで、ユーザの行為の集計（処理３１２）時に、クラスタリング分析を用いて数に制限のあるキーワードクラスタ（時として「トピッククラスタ」と呼ばれる）を分離することができる。例えば、クラスタリング分析には潜在的ディリクレ配分法（ＬＤＡ：Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ）等の単語とバイグラム（あるいはｎグラム）頻度を含めることができる。ＬＤＡが、各文書からの留保用語／バイグラムを用いて文書に関連する根本的なトピックの効率的な抽出（すなわち、キーワードのクラスタあるいは収集）に用いられてきたことに、留意されたい。

ユーザの文書アクセス行為の長期に渡るリアルタイム監視を必要とすることなくトピックのクラスタリングを容易にするため、特定の時点後（例えば、１カ月後）に修正された電子メール（電子メール保管庫内）や文書（ハードディスク上等）を巡回することで、「白紙状態からの」推定が得られることに、留意されたい。これらの電子メール／文書はそこで、トピッククラスタ推定時の開始点として用いることができる。さらに、ユーザのアクション情報収集は、ユーザがそのコンピュータを使用していない（あるいは使用可能性がより少ない）ときに行なうことができる。

次に、ユーザの行為の規定（処理３１４）時に、ユーザは行為ラベルを手動で提供（時として分類と呼ばれる）することができる。例えば、コンピュータシステムは行為ラベルを提供することでユーザが標識付けすることのできるトピックや人や事象のクラスタを提案することができる。この処理期間中、ユーザは１以上の識別されたクラスタをそれらに共通の行為ラベルを割り当てることで組み合わせることができる。加えて、ユーザは特定のクラスタやグループのユーザのアクション項目（人物、トピック、会合、事象等）を関連するユーザ供給行為ラベルに関連付けられる可能性の程度を示すスカラー値を明示することができる。

集計と分類の処理が図４に示してあり、同図はユーザのアクション情報および関連する分類のサブセットを示す図を表わすものである。特に、ユーザのアクション情報４１０はクラスタ４１２に集計することができ、行為ラベル４１４はユーザが１以上のクラスタ４１２に関連付けることができる。

図３に戻って参照するに、クラスタおよび関連する行為ラベルの組み合わせを用い、新規のすなわちそのときのユーザのアクション情報に１以上の識別され標識付けされたクラスタを関連付ける被管理学習モデル等のユーザの行為モデルを生成（処理３１６）することができる。例えば、被管理学習モデルは、分類回帰ツリー（ＣＡＲＴ：ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｒｅｇｒｅｓｓｉｏｎ ｔｒｅｅ）、サポート・ベクトル・マシン（ＳＶＭ：ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）、線形回帰、非線形回帰、リッジ回帰、ＬＡＳＳＯ、および／またはニューラルネットワーク等の技法に基づくことができる。

そのときのユーザの行為識別が図５に示されており、同図はユーザの行為モデルを用いてそのときのユーザの行為を識別する方法５００を示すフローチャートを表わすものである。この方法期間中、ユーザによるコンピュータのそのときの用法（すなわち、そのときのユーザのアクション情報）を収集し、ユーザの行為モデルに入力して処理（処理５１０）する。そこで、スコアリングあるいは一致が生じ（処理５１２）、そのときの（最も可能性のある）ユーザの行為を識別する。

例えば、異なるトピッククラスタ（トピックキーワード、人のリスト、事象リスト等）を１（または複数）のそのときのアクセスされた文書や電子メール（すなわち、ユーザのデスクトップ上でそのときに注目されていた１（または複数）の文書）と「照合」することができる。次に、この１（または複数）の文書中の文字を抽出し、各トピッククラスタのスコアを算出することができる。特に、このスコアは所与のトピッククラスタ内の全てのキーワードの一致の重み付き総和を用いて算出することができる。重み付けが保証するのは、所与のトピッククラスタ内により重要なキーワードが存在するほど、対応する重み付き総和に対するその寄与率が大きくなる点であることに、留意されたい。さらに、ユーザの行為識別期間中に数に制限のある「最良の」トピッククラスタ（最高のスコアを有するもの等）を用いることができる。１以上のこれら「最良」トピッククラスタを用い、そのときのユーザの行為を識別することができる。別の選択肢としてあるいは追加的に、上位Ｎ個（上位３個等）の「最良」のトピッククラスタをユーザにリアルタイム（またはほぼリアルタイム）で提示することができる。

方法１００（図１と図２）や３００（図３）や５００の一部実施形態では、追加のあるいはより少ない処理を持たせることができる。さらに、処理順序は変更でき、かつ／または２以上の処理を単一の処理に組み合わせることができる。

ここで、コンピュータシステムとその用法の実施形態を説明する。図６は、図１と図２の方法１００を実行するコンピュータシステム６００を示すブロック線図を表わす。コンピュータシステムでは、コンピュータ６１０を使用している間ユーザの行為を監視することができる。例えば、ユーザのアクション情報（１以上のユーザの行為が関連付けられる）は、コンピュータ６１０上に常駐させ、そこで実行するソフトウェアアプリケーションを用いて追尾もしくは監視することができる。このソフトウェアアプリケーションを独立型のアプリケーションあるいは別のアプリケーションの一部にできることに、留意されたい。別の選択肢として、ユーザのアクション情報はユーザのアクション・ソフトウェア・アプリケーションツールを用いて追尾することができ、このツールはウェブページ（ネットワーク６１２を介してサーバ６１４が供給）内に埋め込まれており、ウェブブラウザの仮想的環境内で実行するものである。例えば、ユーザのアクション・ソフトウェア・アプリケーションツールはＪａｖａＳｃｒｉｐｔ（商標）（オラクル社の商標）で書かれたソフトウェアパッケージであり、例えばユーザのアクション・ソフトウェア・アプリケーションツールは、ＪａｖａＳｃｒｉｐｔ命令や、ＥＣＭＡＳｃｒｉｐｔ（Ｅｃｍａ（ヨーロッパ電子計算機工業会）インターナショナルがその仕様を発行）や、ＶＢＳｃｒｉｐｔ（商標）（マイクロソフト社の商標）あるいは他のクライアント側スクリプト記述言語を収容したプログラムあるいは手順を含んでいる。換言すれば、埋め込み型のユーザのアクション・ソフトウェア・アプリケーションツールには、ＪａｖａＳｃｒｉｐｔ、ＥＣＭＡＳｃｒｉｐｔ命令、ＶＢＳｃｒｉｐｔ命令、あるいはウェブブラウザや他のクライアントアプリケーション（コンピュータ６１０上等）により表現するのに適した別のプログラミング言語による命令を収容したプログラムあるいは手順を含めることができる。したがって、ユーザのアクション・ソフトウェア・アプリケーションツールを、クライアントサーバ・アーキテクチャを介してユーザに提供することができる。

先に説明したように、サーバ６１４はユーザのアクション情報を集計し、ユーザのアクション情報のサブセットを識別することができる。次に、ユーザには１以上のサブセットについて分類（行為ラベル等）を提供するよう問い合わせることができる。例えば、サーバ６１４はネットワーク６１２を介して分類リクエストを通信することができ、ユーザの１（または複数）の応答を、ネットワーク６１２を介してコンピュータ６１０から受け取ることができる。

続いて、追加のユーザのアクション情報（１以上のそのときのユーザの行為に関連する）を追尾してサーバ６１４に提供するときに、この追加のユーザのアクション情報は１以上の識別され分類されたユーザのアクション情報のサブセットに関連付けることができる。例えば、ユーザの行為モデルを調整するのに被管理学習技法を用いることができる。このモデルをそこで用い、追加のユーザのアクション情報と１以上の分類されたユーザのアクション情報のサブセットとの間の関連性を特定することができる。さらに、最強の関連性あるいは関連パターン（２以上のサブセットを有する）を有するサブセットを用い、そのときの１以上のユーザの行為を識別することができる。

図７は、図６のサーバ６１４等の図１と図２の方法１００を実行するコンピュータシステム７００を示すブロック線図を表わすものである。このコンピュータシステムは、１以上のプロセッサ７１０、通信インタフェース７１２、ユーザインタフェース７１４、およびこれらの構成要素を互いに結合する１以上の信号線７２２を含む。１以上の処理装置７１０が並列処理および／または複数スレッド付き処理をサポートでき、通信インタフェース７１２に永続的な通信結線を持たせることができ、１以上の信号線７２２が通信バスを構成できることに、留意されたい。さらに、ユーザインタフェース７１４には、ディスプレイ７１６（タッチ感応ディスプレイ等）、キーボード７１８、および／またはマウス等のポインタ７２０を含めることができる。

コンピュータシステム７００内のメモリ７２４には、揮発性メモリおよび／または不揮発性メモリを含めることができる。より具体的には、メモリ７２４には、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ、１以上のスマートカード、１以上の磁気ディスク記憶デバイス、および／または１以上の光記憶デバイスを含めることができる。メモリ７２４には、ハードウェア依存タスクを遂行する様々な基本的システムサービスを取り扱う処置（あるいは命令群）を含むオペレーティングシステム７２６を記憶させることができる。一部実施形態では、オペレーティングシステム７２６はリアルタイムオペレーティングシステムである。図７には示していないが、一部実施形態ではメモリ７２４はウェブブラウザを含む。メモリ７２４は、通信モジュール７２８内に通信手順（あるいは一群の命令）を記憶することもできる。これらの通信手順は、コンピュータシステム７００に対し遠隔配置されたコンピュータ、デバイスおよび／またはサーバを含む１以上のコンピュータ、デバイスおよび／またはサーバとの通信用に用いることができる。

メモリ７２４には、追尾モジュール７３０（あるいは一群の命令）、集計モジュール７３２（あるいは一群の命令）、識別モジュール７３４（あるいは一群の命令）および／またはアプリケーションモジュール７３６（あるいは一群の命令）を含む複数プログラムモジュールもまた含めることができる。１以上のこれらのプログラムモジュールがコンピュータプログラム・メカニズムで構成できることに、留意されたい。

追尾モジュール７３０は、ユーザがコンピュータ（あるいはより一般的には電子デバイス）を使用しているときに、ユーザのアクション情報７３８（１以上のユーザの行為に関連）を監視あるいは追尾することができる。例えば、追尾モジュール７３０はユーザがコンピュータを使用している間に事象追尾を行なうことができる。

次に、図８のコンピュータ可読データ構造８００に示す如く、集計モジュール７３２は例えば非被管理（すなわち、ラベルの付いていない）データについてクラスタリング分析を行なうことでユーザのアクション情報７３８のサブセット７４０（図８のユーザのアクション情報８１０等）を識別することができる。一部実施形態では、集計モジュール７３２は１以上の随意選択的なフィルタ７４２を用いてユーザのアクション情報７３８を選別し、サブセット７４０を識別する前に異質なユーザのアクション情報を取り除くことができる。さらに、集計モジュール７３２は（通信モジュール７２８を介して）リクエストを発することができ、１以上のサブセット７４０についてユーザからユーザの行為分類７４４を受け取ることができる。例えば、ユーザは幾つかのサブセット７４０が特定のユーザの行為に関連することを明示することができる。したがって、分類７４４には１以上のサブセット群７４０に関するユーザの行為ラベルを含めることができる。

分類７４４と合わせ、サブセット７４０は被管理（すなわち、ラベル付き）データで構成することができる。したがって、識別モジュール７３４は被管理学習技法を用いてユーザの行為モデル７４６を調整し、ユーザのアクション情報７３８と１以上のサブセット７４０との間の関連性を特定することができる。続いて、追加のユーザのアクション情報７４８（ユーザのアクション情報７３８後に生ずる）を受け取ると、識別モジュール７３４はユーザの行為モジュール７４６を用い、追加のユーザのアクション情報７４８に関連する１以上のサブセット７４０を特定し、それによってそのときの１以上のユーザの行為７５０を識別することができる。

１以上のサブセット７４０の特定には、追加のユーザのアクション情報７４８と随意選択的な重み７５２および／または随意選択的な時間窓７５４とに基づくサブセット７４０についての確率的スコアの生成を含めることができることに、留意されたい。例えば、ユーザのアクション情報の所与のサブセットに関する所与の確率的スコアは、追加のユーザのアクション情報７４８と時間窓（追加のユーザのアクション情報７４８に先行する１週間等）の期間中のユーザのアクション情報の所与のサブセット中のユーザのアクション情報との間の一致の重み付き総和を用いて生成することができる。その結果、一部実施形態では、ユーザの行為モデル７４６は、ユーザの行為モデル７４６を用いて推論される状態ごとに（すなわち、ユーザの行為ごとに）複数のユーザの行為（ユーザのアクション情報７３８あるいは追加のユーザのアクション情報７４８を介して直接観測される）がその中に存在する隠れマルコフモデル等の一時的なモデルを含む。

別の選択肢としてあるいは追加的に、１以上のサブセット７４０の特定には、関連する値（確率的スコア等）に基づき予め規定されたパターン７５６（２以上のサブセット群７４０等）の一つの選択、追加のユーザのアクション情報７４８（時間、曜日、および／または追加のユーザのアクション情報源７４８）に関連する文脈情報７５８の使用、および／またはユーザのアクション情報７３８および／または追加のユーザのアクション情報７４８の追尾時にユーザが遂行するタスク（一時的な一連の複数タスク）間の随意選択的な遷移７６０を含めることができる。最後の例では、識別モジュール７３４は例えばタスク持続時間あるいはユーザの挙動（コンピュータ上での異なるソフトウェアアプリケーションの使用、別の文書を開くこと、電話の発呼や呼終了、あるいは会話の開始や終了等）により随意選択的な遷移７６０を識別することができる。

そのときの１以上のユーザ行為７５０を識別した後、アプリケーションモジュール７３６はそのときの識別されたユーザの行為７５０を様々な仕方で用いることができる。例えば、アプリケーションモジュール７３６はタイムカード（図示せず）を更新することができ、あるいは行為更新を（通信モジュール７２８を介して）別のユーザあるいは別のサーバ（ユーザのソーシャルネットワーク・ウェブページをホスト処理するもの等）へ供給することができる。別の選択肢としてあるいは追加的に、アプリケーションモジュール７３６は行為期間中に頻繁に使用される資源あるいは文書を提供（あるいは先取り）し、それによってユーザ効率および／または生産性を改善することができる。

メモリ７２４内の様々なモジュールの命令は、高レベルプロシージャ言語、オブジェクト指向プログラミング言語および／またはアセンブリ言語やマシン言語にて実現することができる。プログラミング言語は編集あるいは翻訳することができ、すなわち１以上の処理ユニット７１０が実行するよう構成可能とするあるいは構成することができる。

コンピュータシステム７００は幾つかのディスクリートアイテムを有するものとして図示されているが、図７は本願明細書に記載された実施形態の概略構成ではなくコンピュータシステム７００内に設けることのできる様々な機能部の機能的な説明を意図するものである。実際に、かつまた当分野の当業者が認識する如く、コンピュータシステム７００の機能は、様々なグループのデバイスやコンピュータが特定のサブセットの機能を遂行する状態で多数のデバイスやコンピュータに対し分散させることができる。一部実施形態では、コンピュータシステム７００の一部あるいは全部の機能性を、１以上の特定用途向け集積回路（ＡＳＩＣ）および／または１以上のデジタル信号プロセッサ（ＤＳＰ）に実装することができる。

コンピュータシステム６００（図６）および／または７００内のコンピュータやサーバには、コンピュータ端末、デスクトップ型コンピュータ、ラップトップ型コンピュータ、サーバ、メインフレーム・コンピュータ、キオスク、携帯電子デバイス（携帯電話あるいはＰＤＡ等）、サーバおよび／または（クライアントサーバ・アーキテクチャの）クライアントコンピュータを含む、コンピュータ可読データの操作やネットワーク上で２以上の電子デバイス間でこの種のデータの通信が可能な様々なデバイスのうちの１つを含めることができる。さらに、ネットワーク６１２（図６）には、インターネット、ワールド・ワイド・ウェブ（ＷＷＷ）、イントラネット、ＬＡＮ、ＷＡＮ、ＭＡＮ、もしくはネットワークの組み合わせ、または計算システム間の通信を可能にする他の技術を含めることができる。

一部実施形態では、コンピュータシステム６００（図６）および／または７００と加えてデータ構造８００（図８）もまた、より少ないかもしくは追加的な構成要素を含む。さらに、２以上の構成要素を単一の構成要素に組み合わせることができ、かつ／または１以上の構成要素の位置を変えることができる。さらに、コンピュータシステムの機能性は、当分野で周知の如く、多くをハードウェアで少しをソフトウェアにより、あるいは少しをハードウェアで多くをソフトウェアにより、実現することができる。

Claims (4)

1. そのときの１以上のユーザの行為を識別する方法であって、
   コンピュータが、
   そのときのユーザの行為に関連するユーザのアクション情報を取得する工程で、そのときのユーザの行為は当初識別されておらず、ユーザのアクション情報が、ユーザの介入なしに自動的に収集され、ユーザの行為の原初的な作業に対応する非被管理データを含む工程と、
   各々が被管理データを含む複数の分類されたユーザのアクション情報のサブセットから、関連するユーザのアクション情報が受信したアクション情報と一致する１以上の分類されたユーザのアクション情報のサブセットを識別する工程と、
   識別された一致の重み付き総和を計算する工程と、
   計算した重み付き総和に基づいて、そのときのユーザの行為が分類されたユーザのアクション情報のサブセットに対応する確率を計算する工程と、
   計算した確率に基づいて、受信した追加のユーザのアクション情報に対応する分類されたユーザのアクション情報のサブセットを特定する工程と、
   決定されたユーザのアクション情報のサブセットに対応する分類されたユーザの行為を識別する工程と、
   を含む、方法。
2. ユーザのアクション情報を取得する工程が、電子デバイスとのユーザの相互作用を監視する工程を含む、請求項１に記載の方法。
3. 取得したユーザのアクション情報には、ユーザがアクセスしている文書に関連するキーワード、ユーザがアクセスしている文書、ユーザが情報を通信する相手、およびユーザ日程表内の予約のうちの１以上が含まれる、請求項２に記載の方法。
4. ユーザの行為には、コンテンツを修正あるいは情報を通信する一時的な一連のユーザの行為が含まれる、請求項１に記載の方法。

Images