JP6549128B2 - ガイドされたユーザアクションのためのシステムおよび方法 - Google Patents

Description

背景
分野
本願明細書において論じられる主題は、一般にデータ処理に関し、より特定的には、ガイドされたユーザアクションのためのシステムおよび方法に関する。

関連する背景
ユーザはしばしば、家族、友達、知人および他のユーザと共有するために、新しい写真、ビデオおよびポストといったコンテンツを作成する。しかしながら、共有プロセスは煩わしくなり得る。たとえば、ユーザが、連絡先のグループまたはソーシャルサークルが既にセットアップされている電子メールシステムまたはソーシャルネットワーク上に存在する場合であっても、ユーザは手動で、特定の写真、ビデオ、ポストまたは他のコンテンツを共有したいユーザを識別および選択しなければならない。

たとえば、ある人物（たとえばアリス）が旅行中であり、毎日写真を撮っているとする。アリスは、ほとんど毎日、写真のうちのいくつかを彼女の家族と共有することを望んでいる。アリスは、家族と写真を共有するたびに、共有されるべき写真を選択し、共有の方法（たとえば電子メール、ソーシャルネットワークなどを介する）を選択し、受信者として彼女の家族を選択する必要がある。

概要
主題は、ガイドされたユーザアクションのための方法を含んでおり、当該方法は、ユーザによって行われる第１のアクションを検出することと、第１のアクションに関連付けられる情報を集めることと、情報に基づいて予測モデルを抽出することと、第１のアクションへの予測モデルの適用可能性レベルを判定することとを含み、予測モデルは第２のアクションを提案し、上記方法はさらに、適用可能性レベルがしきい値レベルに合致する場合、ユーザインターフェイスにおいて第２のアクションを提供することと、第２のアクションまたは第３のアクションを選択するユーザから入力を受け取ることとを含む。

上記方法は、１つ以上のコンピューティングデバイスおよび／またはシステムを使用して実現される。上記方法は、コンピュータ読取可能媒体に格納され得る。

いくつかの実現例に従った例示的なシステムのデータフロー図を示す図である。 予測モデル生成の例示的な実現例のデータフロー図を示す図である。 ユーザアクション予測の例示的な実現例のデータフロー図を示す図である。 いくつかの例示的な実現例に従った例示的なユーザインターフェイスを示す図である。 プロセス実現例の例を示す図である。 いくつかの例示的な実現例に好適な例示的な環境を示す図である。 いくつかの例示的な実現例における使用に好適な例示的なコンピューティングデバイスを有する例示的なコンピュータ環境を示す図である。

詳細な説明
本願明細書において記載される主題は、例示的な実現例として教示される。明瞭さのために、および、主題を不明瞭にすることを回避するために、さまざまな詳細が省略されている。以下に示される例は、システムを実現するための構造および機能と、ガイドされたユーザアクションのための方法とに関する。

図１は、いくつかの例示的な実現例に従った例示的なシステムのデータフロー図を示す。システム１００は、モデル生成部１１０〜１３０およびモデルアプリケーション部１３０〜１８０を含む。いくつかの実現例では、モデル生成部は１１０〜１３５であり、モデルアプリケーション部は１３５〜１８０であり、予測モデル１３０および予測エンジン１５０の機能が組み合わせられて予測ジェネレータ１３５が得られる。モデル生成部はたとえば、ユーザの以前のアクション、ユーザの挙動および／または習慣、ならびに、ユーザに関連付けられるデータ（まとめてユーザ履歴１１０と称される）を分析し、かつ、ユーザに関連付けられる予測モデル１３０を生成するよう機械学習１２０を使用することを含む。たとえば、ユーザの許可により、システム１００（たとえば機械学習１２０）は、ユーザによる共有挙動の過去の所見（たとえば過去の共有アクション）を使用および分析して、ユーザに関連付けられる所望のオーディエンスおよび／またはユーザによる新しい共有アクションのための所望の共有方法の１つ以上の予測（たとえば予測モデル）を生成する。履歴１１０は、ユーザの使用履歴およびユーザアクションを集める許可または同意をユーザが与えた１つ以上のアプリケーション、ウェブサイト、異なるプロバイダのサービスなどの履歴であり得る。図２Ａにおいて、システム１００のモデル生成部はさらに以下に記載される。

図１を引き続き参照して、システム１００のモデルアプリケーション部において、ユーザがデータ（たとえば写真、ビデオなど）を共有するか、または、１つ以上の共有アクション１４０を行うことを試みる場合、システム１００（たとえば予測エンジン１５０）は、アクション１４０に基づいて１つ以上の予測モデル１３０を識別および使用し、これにより、ユーザに１つ以上の予測１６０を与える。１つ以上の予測１６０は、共有予測（たとえば電子メールによるユーザの家族との共有）および１つ以上の他の共有オプション（たとえばユーザが選択した方法によるユーザの家族との共有、ユーザのソーシャルネットワークアカウントを通じて共有するという予測方法によるユーザが選択した受信者との共有、第３の共有オプションなど）といった１つ以上のアクションオプションを含み得る。ユーザがアクション１４０を使用する許可を与えていれば、アクション１４０はユーザ履歴１１０の一部になる。

ユーザは、予測１６０またはアクションオプションのうちの１つを選択または変更するために、たとえばユーザインターフェイス（図示せず）を介して、ユーザ入力１７０を提供し得る。ユーザは、予測エンジン１５０によって予測された共有予測を選択し得る。ユーザは、共有予測の何らかの部分を変更し得るか、または、他の共有オプションのうちの１つを選択し得る。ユーザの選択は最終アクション１８０になる。いくつかの実現例において、最終アクション１８０（たとえばユーザの選択）は履歴１１０にフィードバックとして提供される。図２Ｂにおいて、システム１００のモデルアプリケーション部をさらに以下に記載する。

コンテンツを共有することは、本願明細書において主題を説明するために例として使用される。なお、本願明細書における主題は、すべてのユーザアクションに適用されており、コンテンツの共有に限定されない。たとえば、ユーザアクションのうちの１つはインターネット上でのブラウジングであり得る。多くのブラウザは、ユーザがプライベートブラウジングモード（たとえばＣｈｒｏｍｅ（登録商標）における匿名ブラウジング（incognito browsing）、インターネットエクスプローラ（登録商標）におけるインプライベートブラウジング（InPrivate browsing）、Ｆｉｒｅｆｏｘ（登録商標）およびＳａｆａｒｉ（登録商標）におけるプライベートブラウジング（Private Browsing））でブラウズすることを可能にする。

モデル生成部またはシステム１００は、１つ以上の予測モデルを生成するよう、ユーザのブラウジングの習慣および履歴から学習し得る。たとえば、ユーザは、いくつかの種類のウェブサイト（たとえば学校、報道機関、政府などのウェブサイト）をオープンモードでブラウズし得、他の種類のウェブサイト（たとえばパーソナルファイナンス、健康、オンラインショッピングなどに関係のあるウェブサイト）をプライベートモードでブラウズし得る。

ユーザが金融機関のウェブサイトをブラウズし始める場合、システム１００は、１つ以上のモデルに基づいて、ユーザはプライベートモードでブラウズすることを望んでいるかもしれないと予測し、オプションのうちの１つにおいて当該予測を提供し得る。ユーザはその予測を受け入れ、プライベートモードでブラウズし始め得る。ユーザが別のモードでブラウズし始めるか、または、当該予測のいずれかの部分を変更する場合、ユーザのアクションまたは選択のフィードバックがシステム１００（たとえば履歴１１０）に提供され、システム１００（たとえば機械学習エンジンおよび／またはモデル）を微調整する。

図２Ａは、予測モデル生成の例示的な実現例のデータフロー図を示す。ユーザ履歴１１０（たとえば以前のアクション、挙動、習慣、ユーザに関連付けられるデータ）はたとえば、予測モデル（たとえばプライバシーモデルまたはプレファレンス）１３０を生成するよう、機械学習エンジン１２０に提供される（たとえば機械学習エンジン１２０によって読み出される）以前のアクション１１１〜１１４を含む。予測ジェネレータ１３５およびユーザの承認を伴う実現例において、予測ジェネレータ１３５に出力を提供するために、ユーザ履歴１１０が機械学習１２０に入力される。予測ジェネレータ１３５は機械学習１２０をトリガして、履歴１１０を処理、および／または、予測ジェネレータ１３５に出力を提供し得る。以前のアクション１１１〜１１４は、以前のアクションのコンテンツまたはアクションに関する情報（ＩＡＣＡ： information about content or action）によって表わされる。

本願明細書において使用されるように、「コンテンツまたはアクションに関する情報」すなわち「ＩＡＣＡ」は、コンテンツに関する任意の情報、コンテンツに関連して行なわれる１つ以上のアクションに関する任意の情報、またはその両方である。本願明細書において使用されるように、「コンテンツ」は任意のデジタルまたはデジタル化されたコンテンツである。コンテンツは、デジタルフォームで表わされる（すなわちバイナリデータで表わされる）情報の任意の集合である。コンテンツの例は、１つ以上のファイル、ドキュメント、画像、ビデオ、オーディオ、ポスト、通信メッセージ（たとえば電子メール、ショートメッセージテキスト、ビデオメッセージ、オーディオメッセージなど、その任意の組合せ）、ゲーム、その任意の部分、および、その任意の組合せを含むがこれらに限定されない。

本願明細書において使用されるように、「コンテンツに関する情報」はコンテンツに関連する任意の情報である。コンテンツに関する情報は、アプリケーションメタデータ（たとえばＨＴＭＬ（HyperText Markup Language：ハイパーテキストマークアップ言語）、ＪＰＥＧ（Joint Photographic Experts Group：ジョイントフォトグラフィックエキスパート）などといった言語またはファイルフォーマットで規定されるメタデータ）、記述メタデータ（descriptive metadata）（たとえばファイル名、タイトル、著者および要約などといった識別および抽出のためのリソースの記述）、構造メタデータ（structural metadata）（たとえばパラグラフ、ページ、チャプタなどといったオブジェクト内およびオブジェクト間の関係）、（たとえばバージョニング、タイムスタンプ、アクセスコントロール、ストレージディレクトリまたは位置などといったリソースの管理のための）管理メタデータ（administrative metadata）を含むがこれに限定されないメタデータであり得る。当該例示的な実現例において、この情報は、ユーザの同意が存在する場合にのみ、使用される。

いくつかの例示的な実現例において、コンテンツに関する情報は、コンテンツに関して記録または生成される任意のデータを含む。たとえば、情報は、ユーザが訪れたウェブページ（たとえばウェブページのユニフォームリソースロケータすなわちＵＲＬ）、ユーザが訪れた最後のウェブページ（たとえばハイパーテキストトランスファプロトコル（Hypertext Transfer Protocol）すなわちＨＴＴＰにおけるリファラ（referrer））、ウェブページを訪れた時間、ウェブページを訪れた時のユーザの位置、ブラウザのプライベートモードのようなツールのモード、ウェブページのタイプ、ウェブページが認証を必要とするかどうかなどを含み得る。

本願明細書におけるウェブページに関する上記の例およびユーザに関連する他の例は、上記の情報を記録することについて当該実現例がユーザの同意を得ているという前提で説明される。ある情報に関連してユーザから同意が得られない場合、当該情報は記録されない。さらに、ユーザは、ユーザの履歴１１０または全履歴１１０におけるデータを削除し得る。

コンテンツに関して記録または生成されるデータの他の例は、ユーザが生成した情報、デバイスが生成した情報、アプリケーションが生成した情報を含むがこれらに限定されない。たとえば、ユーザが生成した情報は、任意のユーザまたはアドミニストレータによって生成される情報を含む。ユーザは、何らかのコンテンツに関して、説明、フィードバックおよび／またはコメントを提供し得る。アドミニストレータは、何らかのコンテンツに関してインシデント（incident）を記録し得る。デバイスが生成した情報は、たとえば、デバイスのタイプ、デバイスに含まれるリソース、コンテンツを開くのに用いられるアプリケーション、デバイスの状態などを含み得る。

アプリケーションが生成した情報はたとえば、画像のテキスト情報を含み得る。アプリケーションは、画像（たとえばピクセルデータ、メタデータおよび／またはベクトルデータ）を分析し、当該画像に関するテキスト情報を生成し得る。たとえば公園でのピクニックの画像の場合、当該生成されたテキストデータは、（たとえば顔認識から）その写真またはビデオにおける人々の名前または身元と、当該画像の説明（たとえばコンテンツ分析による、「ソーダを飲む、木および芝のある公園でのピクニックパーティ」）と、メタデータ（たとえば、当該画像があるモデルのカメラによってあるＦストップを使用してある画像解像度で撮られる）とを含み得る。

いくつかの例示的な実現例では、コンテンツに関する情報は、構造化されたコンテンツの１つ以上のフィールドを含む。たとえば、コンテンツがデータベースに格納された情報であるか、または、データベースから抽出された情報である場合、コンテンツの任意のフィールドは、コンテンツに関する情報として使用され得る。コンテンツが電子メールメッセージである場合、フィールド（たとえば宛先、差出人、件名、ＣＣ、ＢＣＣ、本文など）がコンテンツに関する情報として使用され得る。

本願明細書において使用されるように、コンテンツに関連して得られる「１つ以上のアクションに関する情報」は、アクションに関連付けられる任意の情報またはアクションに関する任意の情報である。アクションに関する情報は、履歴使用情報（たとえば使用記録または使用ログ）、アクションを実行するために使用されるネットワーク、システム、デバイス、オペレーティングシステム、アプリケーション、モジュール、ソフトウェアなどに関する情報、アクションが実行された時の環境、日付、時間、位置に関する情報、他の使用可能な情報（たとえば受信者情報、アクションを実行するために使用されるアプリケーションの言語など）を含むがこれらに限定されない。アクションに関する情報は、いくつかの実現例におけるコンテンツに関する情報と重なる部分を有し得る。たとえば、何らかのコンテンツ（たとえば写真、ビデオ、ポスト、リンク）について共有許可をユーザが設定するたび、当該ユーザの許可はコンテンツに関連付けられる（たとえば、メタデータとして許可を格納）。いくつかの実現例において、ユーザから与えられた同意により、ユーザの環境が記録され得る。その例としては、（それらのデバイスまたは位置をトラッキングすることによる）ユーザの近傍にいる他の既知のユーザの識別がある。

図２Ａを参照して、以前のアクション（たとえばアクション１１１〜１１４）はたとえば、表１に示されるように、コンテンツまたはアクションに関する情報（ＩＡＣＡ）を含む。

表１は、たとえば８ピースまたは８フィールドのＩＡＣＡ（１〜７行）を考慮する実現例を示す。実現例は、任意のＩＡＣＡ情報（たとえば任意のフィールドおよび任意数のフィールド）を考慮し得る。フィールドはコンテンツに基づいて異なり得る。たとえば、アクション１１２は、ターゲットとしてのＵＲＬと、リンクのデータタイプ（たとえばレファレンス）についてのプライベートブラウズアクションとを含んでおり、これらは、写真およびビデオのデータタイプでは、アクション１１１、１１３および１１４に含まれずまたは使用されない。

アクション１１１〜１１４に示されるＩＡＣＡ情報は単に例示的なＩＡＣＡである。異なるおよび／または他のＩＡＣＡフィールドが存在し得る。たとえば、電話、タブレット、ラップトップまたは他のデバイスといったデバイス情報を提供するためのＩＡＣＡデバイスフィールド（図示せず）が存在し得る。

位置フィールドのような所与のＩＡＣＡフィールドの場合でも、異なるまたは他の情報が存在し得る。たとえば、位置フィールドの場合、緯度および経度、ある物（たとえばビルディング）の内部または外部、プライベートスペース内または公共スペース内といった、異なるまたは他の種類の位置情報が存在し得る。互いから独立し得る、関連する「位置」情報をキャプチャする異なる方法が存在し得る（たとえば、予測モデル１３０を生成する際の使用のための位置情報の任意の組合せまたはすべてに対して実現され得る）。

システム、デバイス、アプリケーションまたはソフトウェアモジュールであり得る機械学習１２０は、予測または予測モデル１３０を作り出すためにユーザ履歴１１０を処理するブラックボックスとして実現され得る。機械学習１２０は、任意の１つ以上のアルゴリズムの指示を実行するよう、任意の態様で実現され得る。たとえば、これらのアルゴリズムのうちの１つは、「共有相手（shared with）」および／または「共有方法（shared by）」モデル１３０をたとえば５０％のしきい値で生成する（たとえば５０％以上のしきい値に合致した場合にモデルを生成する）よう、ユーザ履歴１１０（たとえばアクション１１１〜１１４）を処理し得る。

アクション１１１〜１１４が処理された後、機械学習１２０はたとえば、コンテンツの１つ以上の属性に基づいて、誰とコンテンツを共有するべきであるかおよび／またはコンテンツをどのように共有するべきであるかを予測するために、表２に示される例示的なモデルを生成する。

たとえば、表２は、３つのモデルすなわち予測モデル１３０Ｍ１〜Ｍ３が履歴１１０（たとえばアクション１１１〜１１４）から生成されることを示す。説明における明瞭さのため、４つのアクション１１１〜１１４が示されるとともに記載される。Ｍ１は、アクション１１１および１１４のＩＡＣＡを使用して生成され得る。Ｍ２およびＭ３は各々、１つのアクション１１２または１１３のみのＩＡＣＡを使用してそれぞれ生成され得る。いくつかの実現例において、モデルは、モデルをサポートするデータセット（すなわちモデルを生成するために使用されるＩＡＣＡ）があるサンプルサイズのデータセットである場合にのみ、生成される。たとえば、表２の例において、データセットサイズまたはサンプルサイズ要件が２である場合、モデルＭ２およびＭ３は、データセットが１である不十分さにより生成されない。それでも、モデルＭ１は、データセットサイズが２であること（アクション１１１および１１４）により生成される。いくつかの実現例において、予測強度は、サンプルサイズに基づいて推定され得る。予測強度はさらに、システム１００によって使用される１つ以上のアルゴリズムによって推定され得る。

モデルＭ１〜Ｍ３および本願明細書において記載される他のモデルは単に例である。実際の実現例において、異なるおよび／または他のモデルが存在し得る。さらに、異なるモデルが組み合わされてより少ないモデルが得られ得る。さらに他の実現例において、モデルは概念モデルまたはオンザフライで生成される動的モデルである。

上述したように、機械学習１２０は、ユーザ履歴１１０に基づいて１つ以上の予測を提供するブラックボックスとして実現され得る。任意数のアルゴリズムのうち１つ以上は、このブラックボックスにおいて動的に適用され得る。データ１１０（図２Ａ）が入力され、モデル１３０が出力される（図２Ａ）ことが一般的である。いくつかの実現例では、モデル１３０の代わりにまたはモデル１３０に加えて、機械学習１２０は、１つ以上の予測を生成するよう予測ジェネレータ１３５のための出力を作り出す。たとえば、いくつかの実現例において、モデルＭ１〜Ｍ３のいずれも生成されない場合がある。たとえば、システム１００（図１）は、異なるドメインについて異なるパイプラインまたはプロセスにより実現され得る。１つのプロセスパイプラインはブラウズのためのもの（たとえば１つ以上のブラウザを使用）であり得、別のパイプラインはソーシャルネットワーク上に共有するものであり得、第３のパイプラインは電子メール通信に関係のあるものであり得、１つ以上のパイプラインがコンテンツタイプに基づき得る（たとえば写真のためのパイプライン、オーディオおよび／またはビデオのための１つのパイプラインなど）。

たとえば、写真を共有する際、機械学習アルゴリズムは、受け取った履歴データ１１０に基づいて、何が関連しているか内部で判定し、予測ジェネレータ１３５に出力を提供し、これにより、予測が作り出される。同様に、ブラウジングのような他の処理ドメインについて、異なる機械学習アルゴリズムが、機械学習１２０が処理する履歴データ１１０に基づいて、使用するべき関連しているブラウザセッティングは何であるかを内部で判定する。

実際の実現例において、履歴１１０は、使用履歴および／またはユーザアクションの非常に大きなセットの情報を含む。履歴１１０は、時間にわたって大きくなる傾向があり、履歴１１０に関連付けられるコンテンツまたはアクションに関する情報（ＩＡＣＡ）の量も大きくなる。一般に、データセットが大きくなると、より正確なモデルが生成される。データセットサイズを含む実現例において、データセットが十分に大きい（たとえば少なくとも必要なデータセットサイズ）場合、システムは、以前のアクションに基づいて、ユーザアクションの予測を行い始め得る（たとえば、履歴１１０に基づいて予測モデルを生成および適用）。

別の例として、ユーザであるアリスについて、アリスの写真のうちの１００枚がアリスの親類を含む場合、アリスは、アリスの「家族」オンラインソーシャルサークル（たとえば「家族」というラベルを有するグループに加えられている１つ以上の連絡先）と当該１００枚の写真のうちの９０枚を共有し、アリスの「同僚」オンラインソーシャルサークルと１００枚の写真のうちの１０枚を共有したとする。アリスによって承認されたシステムは、アリスがアリスの「家族」オンラインソーシャルサークルとアリスの親類の写真を共有する傾向があるということを判定または「学習」する（たとえば、機械学習１２０は、その学習に基づいてモデルＭ４を生成する）。アリスは、家で５０枚の写真を撮った場合、アリスの「家族」オンラインソーシャルサークルと当該５０枚の写真のうちの４５枚を共有し、またアリスの「広範囲の友達（extended friend）」オンラインソーシャルサークルと５０枚の写真のうち５枚を共有したとする。システムは、アリスが、家で撮った写真をアリスの「家族」オンラインソーシャルサークルと共有する傾向があることを学習する（たとえば、機械学習１２０は、その学習に基づいてモデルＭ５を生成する）。結果として、概して、アリスは、異なる種類のＩＡＣＡ（たとえば位置、時間、人々の身元など）を異なる共有プレファレンスに関連付けることができる多次元モデル（たとえばＭ４およびＭ５）を有する。

いくつかの実現例において、予測モデル１３０は、ユーザのプライバシープレファレンスに基づいて生成され得る。これらの予測モデルまたはプライバシープレファレンスモデルは、所望のプライバシー共有セッティングまたはプレファレンスの予測を行うために使用され得る。たとえば、アリスは、公園で午後３：３０にアリスの親類の写真を撮り、それ（３：３０の写真）を共有することを望む。システムは、同様のＩＡＣＡを有する過去の共有アクション（たとえば履歴１１０）を分析する。システムは、アリスは、写真およびビデオが公共で撮られた場合に「広範囲の友達」と共有する（モデルＭ７）場合を除いて、アリスの親類の写真およびビデオを「家族」オンラインソーシャルサークルと共有する傾向がある（モデルＭ６）ということを学習し、その結果に対する１つ以上のモデルを作成する。午後に撮影された媒体（たとえば写真およびビデオ）は、より広く共有される傾向がある（モデルＭ８）。３：３０の写真の例において、当該写真はその日の間において公共の場所で撮られているので、プライバシープレファレンスモデルＭ６およびＭ７またはＭ８は、アリスが、彼女の「家族」（Ｍ６）オンラインソーシャルサークルおよび「広範囲の友達」（Ｍ７，公園＝公共、または、Ｍ８，３：３０ＰＭ＝午後）オンラインソーシャルサークルと親類の３：３０の写真を共有することを望むであろうという予測につながる。上記のすべては、ユーザの同意により実行される。

実現例に依存して、モデル１３０を生成するために、ユーザのプライバシープレファレンスに基づき得る異なるアルゴリズムが使用され得る。たとえば、「データ入力、予測出力（data in, predictions out）」の機械学習ブラックボックスは、異なるアルゴリズムを使用して、多くの異なる態様で機能し得る。（たとえば、最終アクションに基づいた）最も正確な予測を作り出すアルゴリズムは、アルゴリズムアプリケーション優先順序列のトップに保持または変動（float）され得る。ユーザは、この例示的な実現例に参加するよう自身のプライバシープレファレンス（たとえば同意）をセットするかどうかをどの時点でも決定することができる。

図２Ｂは、ユーザアクション予測の例示的な実現例のデータフロー図を示す。ユーザ（たとえばアリス）はアクション２４０として写真を選択し得る。いくつかの実現例では、写真を撮るまたは保存することは、予測ジェネレータ１３５または予測エンジン１５０のプロセスをトリガするアクション２４０と考えられ得る。

予測エンジン１５０が実現される場合、ブロック２５２にて、アクション２４０および／または対応する写真（たとえばコンテンツ）に関連付けられるＩＡＣＡが抽出される。抽出されたＩＡＣＡのいくつかの例示的なフィールドは、写真のデータタイプ、タイムスタンプ、家の位置、および、親類である写真上の人物の識別を含み得る。ブロック２５４では、１つ以上のモデルが、抽出されたＩＡＣＡに基づいて識別または選択される。たとえば、表２に示されるモデルＭ１は、写真のデータタイプ、家の位置、および／または、家族の一員である人々（たとえばこの例示的な実現例では親類は家族の一員である）に基づいて識別され得る。

いくつかの実現例では、ソーシャルネットワーク共有、電子メール送信、ブラウジングなどといったアクションまたは潜在的なアクションに基づいて１つ以上のモデルが識別され得る。いくつかの実現例では、モデルは、ソーシャルネットワーク上での写真の共有、ソーシャルネットワーク上でのオーディオコンテンツの共有などといったアクションおよびデータタイプの両方に基づいて選択され得る。

モデルＭ６〜Ｍ８を用いる上記の３：３０写真の場合でのように、１つより多いモデルが２５４にて識別される場合、ブロック２５６にて、識別されたモデルの１つ以上を使用するよう判定がなされる。ブロック２５６の一つの例示的な実現例は、１つ以上の抽出されたＩＡＣＡまたは抽出されたＩＡＣＡの１つ以上のフィールドに重みを割り当てることを伴い得る。たとえば、データタイプにはＸの重みが割り当てられ、位置にはＹの重みが割り当てられ、人々にはＺの重みが割り当てられる。Ｘ、Ｙ、Ｚの各々がしきい値レベルに合致するのに十分な場合、最も高い重みを有するモデルが選ばれる。そのしきい値レベルに合致するのに２つ以上の重みＸ、ＹおよびＺの組合せをとる場合、そのしきい値レベルに合致する重みの合計に寄与するモデルが選ばれる。選ばれたモデルから１つより多い予測が予測され得る場合、以下に記載される図３のスクリーンショット３００Ｂにおいて示されるように、重みまたは重みの合計が減少する順で、予測がユーザに提示され得る。いくつかの実現例において、判定は、重みを使用せず、任意のファクタであり得る異なるファクタを使用してなされる。

予測ジェネレータ１３５が実現される場合、予測ジェネレータ１３５は、機械学習１２０（図１）からの既存の出力を処理し得るか、または、オンデマンドで、もしくは、必要とされるごとに、出力を提供するよう機械学習１２０に要求し得る。たとえば、ボックス２５２に記載されるように、予測ジェネレータ１３５はアクション１４０を処理し得る。ボックス２５４の代わりに、予測ジェネレータ１３５は、アクション１４０のＩＡＣＡに基づいて履歴１１０から出力を生成するよう機械学習１２０に要求し得る。１つより多い予測が生成される場合、予測に優先順位が付けられ得るか、ランク付けされ得るか、または、低減され得る。機械学習１２０および予測ジェネレータ１３５は、履歴１１０および最終アクション１８０からのフィードバックに基づき成長し続けるブラックボックス予測エンジンとして機能し得る。いくつかの実現例において、異なるドメインについて異なるパイプラインまたはプロセスにより、１３５および１５０の両方が実現され得る。たとえば、予測ジェネレータ１３５は、写真を共有するドメインにおいて実現され得、予測エンジン１５０はインターネットをブラウズするドメインにおいて実現され得る。

ブロック１６０では、１つ以上の予測がユーザ（たとえばアリス）に提示され得る。いくつかの実現例では、ユーザは、予測のうちの１つが一定レベルに合致する場合（たとえば、８０％または９０％の重みまたは重みの合計を有する場合）、当該予測は、同意するユーザの入力なしで自動的に選択および使用され得る（たとえば、アリスはシステムに使用する以前に承諾しているが、選択のために予測をアリスに提示することなくアリスの「家族」オンラインソーシャルサークルに３：３０写真を自動的に共有する）ことを（たとえば構成またはセッティングを通じて）決定し得る。１つ以上の予測が１６０にてユーザに提示される場合、ユーザは、予測のうちの１つを識別または選択するようユーザインターフェイス（図示せず）を使用して入力１７０を提供し得る。また、ユーザは、予測のうちのいずれにもない入力を提供し得る（たとえば、誰とコンテンツを共有するべきであるかおよび／またはコンテンツをどのように共有するべきであるかなど）。ユーザの入力は、たとえば図１における履歴１１０にフィードバックとして提供され得る。機械学習１２０は、モデルを生成する際に、および／または、既に生成された１つ以上のモデルを変更するために、ユーザのフィードバックを組み込むまたは考慮に入れ得る。いくつかの実現例では、予測モデル１３０は、ユーザフィードバックに基づいて１つ以上のモデルを変更または削除するマネージャによって管理され得る。

前述の例示的な実現例と同様に、ユーザは、この機能が使用されるかどうかをコントロールしたままであり（たとえば同意）、この機能を使用しないことをいつでも決定することができる。

ブロック１８０では、ソーシャルネットワーク上のアリスの「家族」オンラインソーシャルサークルと３：３０写真を共有すること、識別された受信者へ電子メールによってドキュメントを送信すること、あるウェブサイトを訪れるためにブラウザをプライベートモードに切り替えまたは使用することなどといった、最終アクションが行なわれる。

図３は、いくつかの例示的な実現例に従った例示的なユーザインターフェイスを示す。ここでのユーザインターフェイスは、モバイルデバイスのスクリーンショット３００Ａ〜３００Ｃを使用して記載される。スクリーンショット３００Ａにおいて、ユーザは、写真を撮ること、写真を保存すること、または、写真を選択することであり得るアクション（２４０，図２Ｂ）を行う。いくつかの実現例において、スクリーンショット３００Ｂにおいて示されるように、アクション２４０は、ユーザが「共有」ボタン３１０をタップするといったユーザのより確かな意図にマッピングされる。次に、図２Ｂに記載されるように、予測エンジンのプロセス（たとえばブロック２５２〜２５６）が実行されて１つ以上の予測１６０に到達する。図３において、予測１６０はスクリーンショット３００Ｂおよび３００Ｃに示される。スクリーンショット３００Ｂは「共有方法」予測を示し、また、スクリーンショット３００Ｃは、スクリーンショット３００Ｂにおける「共有方法」予測のユーザの選択に基づき得る「共有相手」予測を示す。

スクリーンショット３００Ｂにおける例示的な「共有方法」予測は、「Ｂｌｕｅｔｏｏｔｈ（登録商標）」、「Soc-network-Z.com」、「電子メール」、および、「すべてを見る」サブメニューに隠されているその他の予測である。当該「共有方法」予測は、予測確実性または重みスコアの最も高いものから最も低いものの順で提示され得る。たとえば、「Ｂｌｕｅｔｏｏｔｈ」は９０％のスコアを有し得、「Soc-network-Z.com」は８８％のスコアを有し得、「電子メール」は６５％のスコアを有し得る。最小の要件しきい値（たとえば５０％）に合致する他の予測は、「すべてを見る」サブメニューに隠され得る。

スクリーンショット３００Ｂにおいて、たとえば、ユーザは、「Soc-network-Z.com」オプションを選択するよう、上述したようにシステムにフィードバックとして提供され得る入力を提供する。ユーザの選択はスクリーンショット３００Ｃに繋がり、スクリーンショット３００Ｃにおいて「共有相手」予測がユーザに提示され得る。Soc-network-Z.com３３０による共有が示され、この例におけるユーザはジョンＸＹＺである。ジョンＸＹＺが彼の「家族」オンラインソーシャルサークル３２０と写真を共有することを望むであろうということを予測する１つの予測が示される。ジョンはより多くの受信者を入力し得、および／または、「家族」オンラインソーシャルサークルを置換し得、これは、上述したようにシステムにフィードバックとして提供され得る。上で開示されるように、例示的な実現例は、ユーザ（この場合はジョンＸＹＺ）の同意によってのみ実行される。

スクリーンショット３００Ｃでは、ジョンの「家族」オンラインソーシャルサークルと共有するという予測は、ジョンが予測を変更しないことに基づく正しいデフォルト予測である。ジョンが「共有」ボタンまたはウィジェット３４０を押すと、スクリーンショット３００Ａにおいて撮られた写真が、Soc-network-Z.com上のジョンの「家族」オンラインソーシャルサークルと共有される。

いくつかの実現例では、「共有方法」予測および「共有相手」予測は、１つのユーザインターフェイスまたはスクリーンにおいて一緒に提示され得る。たとえばスクリーンショット３００Ｂにおいて、各「共有方法」オプションの隣には１つ以上の「共有相手」オプションが存在し得る。

実現例に依存して、異なるデバイスまたは１つのデバイスの異なるアプリケーションは、異なる態様で予測を利用し得る。たとえば、カメラアプリケーションは、予測されたプライバシープレファレンス（たとえば「家族」オンラインソーシャルサークル）を１つ以上の共有セッティングに事前に実装（pre-populate）し得る。いくつかの実現例では、予測またはプライバシープレファレンスは、ショートカットおよび／または提案として（たとえば１つ以上のデフォルト設定または予測に加えて）提供され得、これにより、単一のタップまたはクリックによってユーザがアクセスすることが可能になる。すべての例示的な実現例において、ユーザは、参加または同意しないことを決定し得る。

いくつかの実現例では、ユーザアクション予測は、バッチ共有（たとえば、媒体の共有または電子メール送信）に適用するように実現され得る。たとえば、アリスがアリスの親類の写真を１０枚を撮り、その後、同僚の写真を５枚撮り、その後、アリスの親類の写真をさらに１０枚撮る場合、ユーザアクション予測の実現例は、まず、アリスの親類の２０枚の写真すべてをソーシャルネットワーク上のアリスの「家族」オンラインソーシャルサークルと共有するようアリスに促し、その後、（１つ以上の電子メールアドレスを使用して）アリスの同僚の５枚の写真をアリスの職場のチームに電子メールで送信するようにアリスに促す。すべての例示的な実現例において、ユーザは参加についてコントロールを残したままであり、同意することまたは同意しないことをいつでも決定し得る。

上述したように、ユーザアクション予測は、任意のアプリケーションを使用して、かつ、任意のユーザアクションに関連して、任意のコンテンツに適用するよう実現され得る。たとえば、アリスのブラウジングに基づいたプライバシープレファレンスモデルが、アリスのブラウジングの習慣および履歴に基づいて生成され得る。アリスがブラウジングをするごとに、これらのモデルが使用され得る。１つのモデルは、アリスは、いくつかの種類のウェブサイト（たとえば健康情報ウェブサイト）をブラウズした場合に、ブラウザのプライベートモードでブラウズする傾向があるということを示し得る。このモデルを適用して、アリスが典型的にプライベートモードでブラウズする種類のウェブサイトをブラウズし始めるたびに、ブラウザは、アリスにプライベートモードを使用することを提案するか、または、アリスのブラウザ上の構成またはセッティングに基づいて自動的にプライベートモードを有効化する。上に示されるように、アリスは、同意することまたは同意しないことを決定し得る。

図４はプロセス実現例の例を示す。プロセス４００は、図２Ｂおよび／または図３に記載されるオペレーションを実現し得る。ブロック４０５では、ユーザによって実行されるアクション（たとえばアクション２４０）が検出される。４１０において、第１のアクションに関連付けられる情報（たとえばＩＡＣＡ）および／または第１のアクションに関連するコンテンツが、集められるか、収集されるか、識別されるか、または抽出される。４１５において、４１０にて収集された情報に基づいた１つ以上の予測モデルが識別されるか、選択されるか、または、抽出される。４２０において、たとえば、図２Ｂのブロック２５６に記載されるように、重みを使用して、第１のアクションへの予測モデルの適用可能性レベルが判定される。各予測モデルは、少なくとも予測されたアクション（たとえば、誰とコンテンツを共有するべきであるかという選択のアクション、および／または、たとえばどのアプリケーションを用いてコンテンツを共有するかといったような、コンテンツがどのように共有されるかを選択するアクション）を提案または予測する。

４２５において、しきい値レベルに合致する適用可能性レベルに基づいて使用されることが判定された、当該モデルからの予測された１つ以上のアクションが、ユーザインターフェイスにおいて提供または提示される。４３０において、１つの予測されたアクションまたは別の予測されたアクションを選択する（または、予測されたアクションを修正するか、もしくは、予測されないアクションを提供する）ユーザからの入力が受け取られる。４３０において選択されたアクションが実行される。ユーザの選択または入力は、たとえば、システム（たとえば正確性、性能、予測など）を向上させるよう、システムに対するフィードバックとして提供され得る。

いくつかの例において、プロセス４００は、異なるブロック、より少ないブロック、またはより多くのブロックにより実現され得る。プロセス４００は、媒体上に格納され得、１つ以上のコンピューティングデバイスの１つ以上のプロセッサにロードされ得、かつ、コンピュータにより実現された方法として実行され得るコンピュータ実行可能命令として実現され得る。

図５は、いくつかの例示的な実現例に好適な例示的な環境を示す。環境５００は、デバイス５０５〜５４５を含んでおり、各々はたとえば、（たとえば有線および／または無線接続によって）ネットワーク５６０を介して少なくとも１つの他のデバイスに通信可能に接続される。いくつかのデバイスは、１つ以上のストレージデバイス５３０および５４５に通信可能に接続され得る。

１つ以上のデバイス５０５〜５４５の例は、図６において以下に記載されるコンピューティングデバイス６０５であり得る。デバイス５０５〜５４５は、コンピュータ５０５（たとえばラップトップコンピューティングデバイス）、モバイルデバイス５１０（たとえばスマートフォンまたはタブレット）、テレビ５１５、車両５２０に関連付けられるデバイス、サーバコンピュータ５２５、コンピューティングデバイス５３５〜５４０、ストレージデバイス５３０および５４５を含み得るがこれらに限定されない。

いくつかの実現例では、デバイス５０５〜５２０は、コンテンツを作成および／またはソーシャルネットワーク上にコンテンツを共有するといった要求を発行するようユーザによって使用されるデバイスのようなユーザデバイスと考えられ得る。デバイス５２５〜５４５は、サービスプロバイダに関連付けられる（たとえば、サービスを提供するよう、ならびに／または、ウェブページ、テキスト、テキスト部分、画像、画像部分、オーディオ、オーディオセグメント、ビデオ、ビデオセグメントおよび／もしくはそれらについての情報のようなデータを格納するよう、サービスプロバイダによって使用される）デバイスであり得る。

たとえば、ユーザ（たとえばアリス）は、ユーザデバイス５１０を使用して、１つ以上のデバイス５２５〜５４５によってサポートされるソーシャルネットワーク上において、コンテンツまたは写真にアクセスし、閲覧し、および／または、共有し得る。デバイス５１０は、ガイドされたユーザアクションまたはユーザアクション予測を実現するアプリケーションを実行し得る。アリスがデバイス５１０を用いて写真を撮った後、図３に示されるように、アリスは「共有」ボタン３１０をタップする。ガイドされたユーザアクションを実現するアプリケーションは、スクリーンショット３００Ｂ〜Ｃに示されるように、アリスの履歴データに基づいて生成されるモデルを用いて、１つ以上の予測を提供する。アリスは、誰と写真を共有するべきであるかと、どのように写真を共有するべきであるか（たとえば、どのアプリケーションまたはサービスを使用して写真を共有するか）とを含み得るデフォルトまたは予測された共有アクションを受け入れるよう「共有」ボタン３４０をタップする。

図６は、いくつかの例示的な実現例における使用に好適な例示的なコンピューティングデバイスを有する例示的なコンピュータ環境を示す。コンピュータ環境６００におけるコンピューティングデバイス６０５は、１つ以上の処理ユニット、コアもしくはプロセッサ６１０、メモリ６１５（たとえばＲＡＭおよび／もしくはＲＯＭなど）、内部ストレージ６２０（たとえば磁気ストレージ、光学ストレージ、ソリッドステートストレージおよび／もしくは有機ストレージ）、および／またはＩ／Ｏインターフェイス６２５とを含み得、これらのいずれもが、情報を通信するための通信メカニズムもしくはバス６３０上に結合され得るか、または、コンピューティングデバイス６０５に埋め込まれ得る。

コンピューティングデバイス６０５は、入力／ユーザインターフェイス６３５および出力デバイス／インターフェイス６４０に通信可能に結合され得る。入力／ユーザインターフェイス６３５および出力デバイス／インターフェイス６４０のいずれか一方または両方は、有線または無線インターフェイスであり得、取り外し可能であり得る。入力／ユーザインターフェイス６３５は、入力を提供するために使用され得る物理的または仮想的である任意のデバイス、コンポーネント、センサまたはインターフェイス（たとえば、ボタン、タッチスクリーンインターフェイス、キーボード、ポインティング／カーソル制御、マイクロフォン、カメラ、点字、モーションセンサ、および／または、光学リーダなど）を含み得る。出力デバイス／インターフェイス６４０は、ディスプレイ、テレビ、モニタ、プリンタ、スピーカ、または点字などを含み得る。いくつかの例示的な実現例において、入力／ユーザインターフェイス６３５および出力デバイス／インターフェイス６４０は、コンピューティングデバイス６０５に埋め込まれ得るか、または、コンピューティングデバイス６０５に物理的に結合され得る。他の例示的な実現例において、他のコンピューティングデバイスが、コンピューティングデバイス６０５のための入力／ユーザインターフェイス６３５および出力デバイス／インターフェイス６４０として機能するか、または、それらの機能を提供し得る。

コンピューティングデバイス６０５の例は、非常にモバイルなデバイス（たとえばスマートフォン、車両および他のマシンにおけるデバイス、ならびに、人間および動物によって携帯されるデバイスなど）と、モバイルデバイス（たとえばタブレット、ノートブック、ラップトップ、パーソナルコンピュータ、ポータブルテレビ、および、ラジオなど）と、モビリティのために設計されていないデバイス（たとえば、デスクトップコンピュータ、他のコンピュータ、情報キオスク、１つ以上のプロセッサが埋め込まれ、および／または、１つ以上のプロセッサに結合されるテレビ、ならびに、ラジオなど）とを含み得るがこれらに限定されない。

コンピューティングデバイス６０５は、外部ストレージ６４５と、同じまたは異なる構成の１つ以上のコンピューティングデバイスを含む任意数のネットワーク接続されたコンポーネント、デバイスおよびシステムと通信するためのネットワーク６５０とに（たとえばＩ／Ｏインターフェイス６２５を介して）通信可能に結合され得る。コンピューティングデバイス６０５または任意の接続されるコンピューティングデバイスは、サーバ、クライアント、シンサーバ、一般的なマシン、専用目的のマシン、または、別の名称のもののとして機能し得るか、これらのサービスを提供し得るか、このように称され得る。

Ｉ／Ｏインターフェイス６２５は、コンピュータ環境６００における少なくともすべての接続されたコンポーネント、デバイスおよびネットワークに情報を通信するとともに当該コンポーネント、デバイスおよびネットワークから情報を通信するための任意の通信またはＩ／Ｏプロトコルまたは規格（たとえばＥｔｈｅｒｎｅｔ（登録商標）、８０２．１１ｘ、ユニバーサルシステムバス、ＷｉＭａｘ、モデム、および、セルラーネットワークプロトコルなど）を用いる有線および／または無線インターフェイスを含み得るがこれらに限定されない。ネットワーク６５０は、任意のネットワークまたはネットワークの組合せであり得る（たとえばインターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、電話ネットワーク、セルラーネットワーク、および衛星ネットワークなど）。

コンピューティングデバイス６０５は、一時的な媒体および一時的でない媒体を含むコンピュータ使用可能媒体もしくはコンピュータ読取可能媒体を使用、および／または、当該媒体を使用して通信し得る。一時的な媒体は、伝送媒体（たとえば金属ケーブル、ファイバーオプティクス）、信号、および搬送波などを含む。一時的でない媒体は、磁気媒体（たとえばディスクおよびテープ）、光学媒体（たとえばＣＤＲＯＭ、デジタルビデオティスク、ブルーレイディスク）、ソリッドステート媒体（たとえばＲＡＭ、ＲＯＭ、フラッシュメモリ、ソリッドステートストレージ）、および、他の不揮発性ストレージまたはメモリを含む。

コンピューティングデバイス６０５は、いくつかの例示的なコンピュータ環境において、技術、方法、アプリケーション、プロセスまたはコンピュータ実行可能命令を実現するために使用され得る。コンピュータ実行可能命令は、一時的な媒体から抽出され得るとともに、一時的でない媒体上に格納されて当該媒体から抽出され得る。実行可能命令は、任意のプログラミング言語、スクリプト言語、およびマシン言語（たとえばＣ、Ｃ＋＋、Ｃ＃、Ｊａｖａ（登録商標）、Ｖｉｓｕａｌ Ｂａｓｉｃ、Ｐｙｔｈｏｎ、Ｐｅｒｌ、およびＪａｖａＳｃｒｉｐｔ（登録商標）など）のうちの１つ以上に由来し得る。

プロセッサ６１０は、ネイティブまたはバーチャル環境において、任意のオペレーティングシステム（ＯＳ）（図示せず）の下で実行し得る。論理ユニット６６０と、アプリケーションプログラミングインターフェイス（ＡＰＩ： application programming interface）ユニット６６５と、入力ユニット６７０と、出力ユニット６７５と、モデル管理６８０と、アクション処理６８５と、予測エンジン６９０と、異なるユニットが互いに通信し、ＯＳと通信し、他のアプリケーション（図示せず）と通信するためのユニット間通信メカニズム６９５とを含む１つ以上のアプリケーションが展開され得る。たとえば、モデル管理６８０、アクション処理６８５および予測エンジン６９０は、図１〜図５に記載および示される１つ以上のプロセスを実現し得る。記載されたユニットおよび要素は、設計、機能、構成または実装において変更され得、与えられた記載に限定されない。

いくつかの例示的な実現例において、情報または実行指示は、ＡＰＩユニット６６５によって受け取られると、１つ以上の他のユニット（たとえば論理ユニット６６０、入力ユニット６７０、出力ユニット６７５、モデル管理６８０、アクション処理６８５および予測エンジン６９０）に通信され得る。たとえば、入力ユニット６７０がユーザアクションを検出した後、予測エンジン６９０はそのアクションを処理し、モデル管理６８０とインターフェイス接続し、これにより、１つ以上の予測モデルを抽出して１つ以上の予測されたアクションを提供する。モデルは、以前のアクションまたはユーザ履歴に基づいてアクション処理６８５によって生成され得る。その後、入力ユニット６７０は、予測されたアクションのうちの１つを選択または修正するユーザからの入力を提供し得る。その後、出力ユニット６７５は、ユーザの入力に基づいて最終アクションを実行する。

いくつかの場合では、上記のいくつかの例示的な実現例において、論理ユニット６６０は、ユニット間での情報フローを制御し、かつ、ＡＰＩユニット６６５、入力ユニット６７０、出力ユニット６７５、モデル管理６８０、アクション処理６８５および予測エンジン６９０によって提供されるサービスを指示するように構成され得る。たとえば、１つ以上のプロセスまたは実現例のフローは、論理ユニット６６０によって単独でまたはＡＰＩユニット６６５に関連して制御され得る。

ここで論じられるシステムがユーザに関する個人情報を収集または利用し得る状況において、ユーザには、プログラムまたは機能がユーザ情報（たとえば、ユーザのソーシャルネットワーク、ソーシャルアクションもしくはアクティビティ、職業、ユーザのプレファレンス、またはユーザの現在の位置に関する情報）を収集するかどうかをコントロールする機会、または、コンテンツサーバからユーザにより関連するコンテンツを受け取るかどうかおよび／もしくはどのようにコンテンツを受け取るかをコントロールする機会が与えられ得る。さらに、あるデータは、格納または使用される前に、個人が識別できる情報が除去されるように１つ以上の態様で扱われ得る。たとえば、ユーザの身元は、個人が識別できる情報が当該ユーザについて特定され得ないように扱われ得るか、または、位置情報が得られるユーザの特定の位置が特定され得ないように、ユーザの地理的位置が（たとえば都市レベル、ＺＩＰコードレベルまたは州レベルまで）一般化され得る。したがって、ユーザは、情報がユーザに関してどのように収集されるか、および、コンテンツサーバによってどのように使用されるかについてコントロールを有し得る。

いくつかの例示的な実現例を示して記載したが、これらの例示的な実現例は、当業者に本願明細書において記載される主題を伝えるために提供されている。本願明細書において記載された主題は、記載された例示的な実現例に限定されることなく、さまざまな形態で実現されてもよいということが理解されるべきである。本願明細書において記載される主題は、それらの具体的に規定または記載された事項なしで実施され得るか、または、記載されていない他の異なる要素または事項とともに実施され得る。当業者であれば、添付の請求の範囲およびそれらの均等物において規定されるような、本願明細書において記載された主題から逸脱することがなければ、これらの例示的な実現例において変更がなされてもよいということが認識されるであろう。

Claims (18)

1. コンピュータによって実現される方法であって、
   ユーザによって行われる第１のアクションを検出することと、
   前記第１のアクションに関連付けられる情報を集めることと、
   前記情報に基づいて予測モデルを抽出することと、
   前記第１のアクションへの前記予測モデルの適用可能性レベルを判定することとを含み、前記予測モデルは第２のアクションを提案し、前記方法はさらに、
   前記適用可能性レベルがしきい値レベルに合致する場合、ユーザインターフェイスにおいて前記第２のアクションを提供することと、
   前記第２のアクションまたは第３のアクションを選択する前記ユーザから入力を受け取ることとを含み、
   前記ユーザが個人を識別できる情報の使用をコントロールした場合に、前記第１のアクションに関連付けられる情報は、当該情報から個人を識別できる情報が除去されるように修正された後で前記予測モデルの生成に利用される、方法。
2. 前記第１のアクションはコンテンツを識別することを含み、前記第２のアクションは、前記コンテンツを共有するべき１人以上の受信者を選択することを含む、請求項１に記載の方法。
3. 前記第１のアクションはコンテンツを識別することを含み、前記第２のアクションは、前記コンテンツを処理するべきアプリケーションを選択することを含む、請求項１または２に記載の方法。
4. 前記第１のアクションはウェブサイトにアクセスすることを含み、前記第２のアクションは、前記ウェブサイトにアクセスするブラウザのモードを選択することを含む、請求項１から３のいずれか１項に記載の方法。
5. 前記予測モデルは、前記ユーザに関連付けられる複数の以前のアクションに基づく、請求項１から４のいずれか１項に記載の方法。
6. 前記第１のアクションへの前記予測モデルの前記適用可能性レベルを判定することは、
   前記予測モデルに関連付けられる属性の重み付けされた計算を行うことと、
   前記属性の重み付けされた計算のうちの少なくともいくつかの組合せが前記しきい値レベルに合致することを判定することとを含む、請求項１から５のいずれか１項に記載の方法。
7. 前記第２のアクションまたは第３のアクションを選択する前記ユーザからの入力は前記予測モデルを修正する、請求項１から６のいずれか１項に記載の方法。
8. 請求項１から７のいずれか１項に記載の方法をコンピュータに実行させるためのプログラム。
9. ストレージとプロセッサとを含む少なくとも１つのコンピューティングデバイスであって、前記プロセッサは、
   ユーザによって行われる第１のアクションを検出することと、
   前記第１のアクションに関連付けられる情報を集めることと、
   前記情報に基づいて予測モデルを抽出することと、
   前記第１のアクションへの前記予測モデルの適用可能性レベルを判定することとを行うよう構成されており、前記予測モデルは第２のアクションを提案し、前記プロセッサはさらに、
   前記適用可能性レベルがしきい値レベルに合致する場合、ユーザインターフェイスにおいて前記第２のアクションを提供することと、
   前記第２のアクションまたは第３のアクションを選択する前記ユーザから入力を受け取ることとを行うよう構成されており、
   前記ユーザが個人を識別できる情報の使用をコントロールした場合に、前記第１のアクションに関連付けられる情報は、当該情報から個人を識別できる情報が除去されるように修正された後で前記予測モデルの生成に利用される、少なくとも１つのコンピューティングデバイス。
10. 前記第１のアクションはコンテンツを識別することを含み、前記第２のアクションは、前記コンテンツを共有するべき１人以上の受信者を選択することを含む、請求項９に記載の少なくとも１つのコンピューティングデバイス。
11. 前記第１のアクションはコンテンツを識別することを含み、前記第２のアクションは、前記コンテンツを処理するべきアプリケーションを選択することを含む、請求項９または１０に記載の少なくとも１つのコンピューティングデバイス。
12. 前記第１のアクションはウェブサイトにアクセスすることを含み、前記第２のアクションは、前記ウェブサイトにアクセスするブラウザのモードを選択することを含む、請求項９から１１のいずれか１項に記載の少なくとも１つのコンピューティングデバイス。
13. 前記予測モデルは、前記ユーザに関連付けられる複数の以前のアクションに基づく、請求項９から１２のいずれか１項に記載の少なくとも１つのコンピューティングデバイス。
14. 前記第１のアクションへの前記予測モデルの前記適用可能性レベルを判定することは、
    前記予測モデルに関連付けられる属性の重み付けされた計算を行うことと、
    前記属性の重み付けされた計算のうちの少なくともいくつかの組合せが前記しきい値レベルに合致することを判定することとを含む、請求項９から１３のいずれか１項に記載の少なくとも１つのコンピューティングデバイス。
15. 前記第２のアクションまたは第３のアクションを選択する前記ユーザからの入力は前記予測モデルを修正する、請求項９から１４のいずれか１項に記載の少なくとも１つのコンピューティングデバイス。
16. コンピュータによって実現される方法であって、
    ユーザによって行われる第１のアクションを検出することと、
    前記第１のアクションに関連付けられる情報を集めることと、
    前記情報と、前記情報に関連付けられる過去の共有アクションとに基づいて、前記ユーザのプライバシープレファレンスおよび予測モデルを生成するために機械学習を適用することとを含み、前記機械学習は、前記情報を受け取り前記予測モデルを出力するブラックボックスとして適用されており、複数のパイプラインが複数のそれぞれのドメインについて提供されており、前記パイプラインの各々は前記機械学習を適用しており、前記方法はさらに、
    前記第１のアクションへの前記予測モデルの適用可能性レベルを判定することとを含み、前記予測モデルは第２のアクションを提案し、前記方法はさらに、
    前記第１のアクションに関連付けられるコンテンツの共有の程度に関連付けられる第１のしきい値レベルを上回る前記適用可能性レベルについて、ユーザインターフェイスにおいて前記第２のアクションを提供することと、
    前記第１のしきい値レベルを上回り、かつ、前記第１のしきい値レベルを上回る第２のしきい値レベルを上回らない前記適用可能性レベルについて、前記第２のアクションまたは第３のアクションを選択する前記ユーザから入力を受け取ることと、
    前記第２のしきい値レベルを上回る前記適用可能性レベルについて、前記ユーザから前記入力を受け取ることなく、前記第２のアクションまたは提供される前記第２のアクションに基づいた前記第３のアクションを自動的に選択することとを含む、方法。
17. 請求項１６に記載の方法をコンピュータに実行させるためのプログラム。
18. ストレージとプロセッサとを含む少なくとも１つのコンピューティングデバイスであって、前記プロセッサは、
    ユーザによって行われる第１のアクションを検出することと、
    前記第１のアクションに関連付けられる情報を集めることと、
    前記情報と、前記情報に関連付けられる過去の共有アクションとに基づいて、前記ユーザのプライバシープレファレンスおよび予測モデルを生成するために機械学習を適用することとを行うように構成されており、前記機械学習は、前記情報を受け取り前記予測モデルを出力するブラックボックスとして適用されており、複数のパイプラインが複数のそれぞれのドメインについて提供されており、前記パイプラインの各々は前記機械学習を適用しており、前記プロセッサはさらに、
    前記第１のアクションへの前記予測モデルの適用可能性レベルを判定することを行うように構成されており、前記予測モデルは第２のアクションを提案し、前記プロセッサはさらに、
    前記第１のアクションに関連付けられるコンテンツの共有の程度に関連付けられる第１のしきい値レベルを上回る前記適用可能性レベルについて、ユーザインターフェイスにおいて前記第２のアクションを提供することと、
    前記第１のしきい値レベルを上回り、かつ、前記第１のしきい値レベルを上回る第２のしきい値レベルを上回らない前記適用可能性レベルについて、前記第２のアクションまたは第３のアクションを選択する前記ユーザから入力を受け取ることと、
    前記第２のしきい値レベルを上回る前記適用可能性レベルについて、前記ユーザから前記入力を受け取ることなく、前記第２のアクションまたは提供される前記第２のアクションに基づいた前記第３のアクションを自動的に選択することとを行うように構成される、少なくとも１つのコンピューティングデバイス。