KR101130528B1 - 피벗 포인트 데이터를 통한 데이터베이스의 선택적 복수레벨 확장 - Google Patents

Abstract

피벗 포인트 데이터의 선택적인 복수 레벨 확장에 의한 논리적 순서의 리스트의 데이터 가시화, 검색 및 관리를 위한 시스템 및 방법론이 개시된다. 이러한 피벗 포인트는 데이터의 사용자 생성 그룹/클러스터를 포함할 수 있는 연속적인 레벨에 대한 계층적 확장 지정자를 표현할 수 있다. 본 발명은 사용자에 대한 데이터의 중요성을 나타낼 수 있는 관련성 기준에 데이터의 논리적 순서를 이롭게 결합함에 의해 데이터 관리를 용이하게 한다. 데이터의 논리적 순서는 관련성 기준에 무관하게 용이하게 인식가능한 사용자 친화적인 순서를 가질 수 있다.

피벗 포인트 데이터, 복수 레벨 확장, 논리적 순서

Description

피벗 포인트 데이터를 통한 데이터베이스의 선택적 복수 레벨 확장{SELECTIVE MULTI LEVEL EXPANSION OF DATA BASE VIA PIVOT POINT DATA}

도 1은 본 발명의 특징에 따른 오브젝트 계층 구조 시스템의 블럭도이다.

도 2는 본 발명의 특징에 따른 다양한 계층 레벨들에 대한 피벗 포인트들을 지정한 우선순위 시스템의 개략적인 블럭도이다.

도 3은 본 발명의 특징에 따른 분류자를 예시한 블럭도이다.

도 4는 본 발명의 특징에 따른 메시지 컨텐츠 분류에 기초하여 정의되고 피벗 포인트들을 지정하기 위한 관련성 기준을 예시한 개략적인 블럭도이다.

도 5는 본 발명의 특징에 따른 바람직한 사용자 인터페이스 및 오브젝트 계층 구조를 나타낸 도면이다.

도 6은 본 발명의 특징에 따른 인물 리스트의 사용자 인터페이스를 나타낸 도면이다.

도 7은 본 발명의 특징에 따른 피벗 포인트 계층 구조의 다른 예이다.

도 8은 본 발명의 특징에 따른 인물 리스트 데이터베이스에서 쿼리 검색 방법의 순서도를 예시한다.

도 9는 본 발명의 특징에 따른 적합한 컴퓨팅 환경을 예시한 개략적인 블럭도이다.

<도면의 주요 부분에 대한 부호의 설명>

110 : 입력 컴포넌트

112 : 데이터 리스트

117, 119, 122 : 피벗 포인트

120 : 피벗 포인트 지정자

130 : 표시 컴포넌트

본 발명은 일반적으로 데이터 관리에 관한 것으로서, 보다 상세하게는 피벗 포인트 데이터의 선택적 복수 레벨 확장에 의해 순서화된 리스트 내에서 정보 탐색 및 검색을 용이하게 하는 시스템 및 방법에 관한 것이다.

컴퓨터 기술의 계속적인 발전은 일반적으로 다양한 산업에서의 증가하는 컴퓨터 애플리케이션에 기여해 왔다. 오늘날, 컴퓨터 사용자들은 과거의 자신들의 작업 부하와 비교할 때 많은 양의 데이터 또는 정보를 생성 및 관리한다. 일반적으로, 컴퓨터 사용자들은 흔히 수많은 항목(예를 들어, 다큐먼트, 스프레드시트, 스테이트먼트, 프리젠테이션, 미디어 등)을 동시에 멀티태스킹하며 이러한 항목의 관리를 용이하게 하는 애플리케이션과 함께 멀티태스킹한다.

전형적으로, 컴퓨터 시스템에서 계속 발생하는 문제점은 증가하는 이용가능 정보 또는 데이터의 양을 다루는 것이었다. 일부 형태로 데이터베이스를 위한 다 른 미디어 또는 디스크 상에 저장되는 정보의 양이 급격히 증가되고 있다. 수백만 바이트(메가바이트) 및 뒤이어서 수십억 바이트(기가바이트)가 존재했던 수십년 전에는 파일 및 디스크가 수천 바이트로 측정되었지만, 오늘날에는 수백만 메가바이트(테라바이트) 심지어 수십억 메가바이트의 데이터베이스가 생성되어 일상의 활동에 이용되고 있다.

이처럼, 다양한 소프트웨어 기반 툴(tool)이 개발되어 사용자의 멀티태스킹을 보조하고 있다. 매우 강력한 한 툴은 파일 데이터 검색 및 조직 시스템으로서, 이것은 사용자들이 디렉토리 및 관련 컨텐츠를 빠르게 뷰 및 액세스할 수 있게 한다. 예를 들어, 파일 관리 시스템은, 파일 관리와 관련된 정보를 프리젠테이션하기 위한 논리적이고 사용자 직관적 방식일 수 있는 트리 기반 계층 구성(hierarchy)을 통하여, 디렉토리 및/또는 컨텐츠를 제시할 수 있다.

동시에, 이러한 툴을 설계할 때, 데이터베이스 기반 운영 시스템의 가장 중요한 개념은, 일반적으로 제한된 수의 항목 특성과 관련될 수 있는 쿼리를 실행함으로써 원하는 항목을 빨리 찾는 능력이어야 한다. 이러한 쿼리 방안이 강력한 것으로 보일 수 있지만, 시스템의 성공은 일반적으로 쿼리를 보통의 사용자들에게 간편하고도 직관적으로 만드는 사용자 인터페이스를 생성하는 능력에 의존한다. 예를 들어, 데이터베이스 쿼리의 자연스러운 형태(예를 들어, T-SQL 언어로 표현된 형태)에 있어서, 이 데이터베이스 쿼리는 보통의 최종 사용자보다 훨씬 전문적인 프로그래머에게도 다루기 어려운 것일 수 있다. 또한, 쿼리가 주어진 컨텍스트에 대한 결과의 관련성을 추측하는 것이 바람직하다.

동시에, 파레토 법칙(Pareto Principle)에 기초한 경험규칙(rule of thumb)은 데이터베이스 관리에 적용되어, 상당한 낭비 및 비효율이 발생하게 된다. 80/20 규칙이라고도 칭하는 이러한 경험규칙은, 데이터베이스 리스트 관리에 적용될 때, 특정 사용자에 의해 데이터의 20%만이 시간의 80%동안 액세스될 가능성이 있다고 제시할 것이다. 데이터의 나머지 80%는 전부 액세스된다 하더라도 훨씬 드물게 액세스된다. 데이터베이스의 크기가 계속 증가함에 따라, 컴퓨터 시스템에 접속된 디스크 저장 장치에 데이터베이스의 드물게 액세스되는 부분을 온라인으로 계속 유지한다는 것은 비용을 증가시키는 낭비적인 전략일 것이다.

일반적으로, 인물 리스트와 같은 데이터베이스 리스트를 이용하는 많은 사용자들은, 그 데이터베이스 리스트를 통해 정보를 전송, 수신, 및 처리할 수 있는 기능이 생산적인 면에서 거의 장애로 되는 것처럼, 쇄도하는 정보를 통하여 정렬 및/또는 응답(예를 들어, 이메일)에 직면하고 있다. 따라서, 주어진 리스트 상의 이러한 많은 사람들로는, 상당한 시간을 소비하지 않고 그 리스트 상의 어떤 사람이 중요하고 어떤 사람이 중요하지 않은지에 따라 정보를 관리하기 어렵다. 동시에 사회적인 관점에서 보면, 단지 중요성 기준에 기초하여 인물 리스트를 순서화하는 것은 그 중요한 사람들보다 못한 사람으로 분류된 이들에게 부정적인 열등의식을 야기할 수 있다.

따라서, 데이터베이스 리스트에 대한 종래의 시스템 및 방법론에 관련된 상기한 결점을 극복할 필요가 있다.

본 발명의 개요는, 본 발명의 하나 이상의 특징에 대한 기본적인 이해를 제공한다. 이 개요가 본 발명의 전반적인 개요인 것은 아니다. 본 발명의 핵심 또는 중요한 엘리먼트를 식별하거나, 본 발명의 사상을 설명하려는 것은 아니다. 이 개요의 유일한 목적은, 이후에 제공되는 상세한 설명에 대한 도입부로서, 간략화된 형태의 본 발명의 일부 개념을 제공하는 것이다.

본 발명은, 피벗 포인트 데이터의 선택적인 복수 레벨 확장에 의해 순서화된 리스트 내에서의 정보 탐색과 검색을 용이하게 하는 시스템 및 방법을 제공한다. 그러한 장비는, 데이터의 논리적 순서를, 사용자에 대한 데이터의 중요성을 나타낼 수 있는 관련성 기준과 동시에 조합함으로써, 용이하게 데이터를 관리한다. 데이터의 논리적 순서는 관련성 기준과는 무관할 수 있다. 더욱이, 본 발명은, 제한된 디스플레이, 예컨대 PDA, 핸드헬드 제품의 셀룰러 폰, 휴대용 컴퓨터, 프로그래밍가능한 완구, 시계 등과 같은 모바일 전자 유닛을 구비한 디바이스의 사용자에게 시각적인 프리젠테이션을 용이하게 한다.

본 발명의 일 양태에 따르면, 데이터 리스트는 논리적 순서에 따라 초기에 배열된다. 그러한 논리적 순서는, 예를 들어, 사용자에 의해 쉽게 인식될 수 있는 사용자 친화적 순서(예를 들어, 사람 리스트를 포함하는 데이터에 대한 알파벳순 배열의 이름, 연대적으로 순서화된 숫자 또는 중요한 날짜를 포함하는 데이터에 대한 연속적인 번호 순서와 같이, 사용자의 기억 속에 단순하게 고정될 수 있는 것)가 될 수 있다. 선택된 번호의 데이터는, 관련성 기준에 기초한 피벗 포인트로서 지정될 수 있으며, 피벗 포인트는, 선택된 데이터가 사용자에게 얼마나 중요한지에 부분적으로 기초할 수 있다. 데이터베이스에 대한 액세스가 필요한 경우, 그러한 피벗 포인트는, 제1 레벨에서 사용자에게 초기에 제공되고, 데이터 리스트 복수 레벨 분류를 위한 인덱스로서 작용한다. 또한, 피벗 포인트는, 데이터의 사용자 생성 그룹/클러스터를 포함할 수 있는 계층 확장 지정자를 제2 레벨에서 나타낸다.

마찬가지로, 제2 레벨에서, 데이터의 선택 번호는, 관련성 기준에 기초한 피벗 포인트로서 지정되며, 그 리스트를 제3 레벨에서 더욱 선택적으로 확장할 수 있다. 사용자가 기본 리스트를 더욱 탐구하여, 레벨 N("N"은 정수)으로 업 될 때 유사한 확장이 반복될 수 있는데, 상이한 색 또는 음영에 의해 다양한 레벨의 데이터를 표시할 수 있다. 따라서, 각각의 확장 간격에서, 사용자에게 대부분 관련되는 제한된 수의 데이터가 사용자에게 제공되므로, 데이터의 관리/검토가 용이해진다.

본 발명의 관련된 면에 있어서, 피벗 포인트는 변경될 수 있으며, 또한 다이나믹하게 업데이트될 수 있는데, 이는, 사용자의 행동 또는 상태가, 임의의 주어진 시간에 관련성 기준에 영향을 줄 수 있기 때문이다. 피벗 포인트는 우선순위 시스템을 경유하여 자동적으로 업데이트될 수 있으며, 관련성 기준은, 특정 사용자에 의해 정의된 것처럼, 중요하고 긴급하면서 또는 임의의 다른 적합한 기준이 될 수 있다. 데이터에는 값이 할당될 수 있으며, 사전설정된 범위에서의 값을 갖는 데이터는, 각각의 레벨에 대한 피벗 포인트로서 선택된다. 예를 들어, 데이터가 사람 리스트(예, 사람의 이름)인 경우, 데이터베이스 리스트상의 특정 사람을 위한 사용자 관련성 기준은, 사용자로부터 특정 사람에게 송신된 이메일 메시지의 수(사용자 에 의해 수신되는 것과는 반대로, 제2 순서로서 추가적으로 채택될 수 있음)에 의해 측정될 수 있다. 또한, 관련성 기준은, 메시지의 컨텐츠를 고려하며, 분류 레벨(예, 메시지의 중요성)을 나타낼 수 있다. 중요하면서 긴급하거나, 결정적인 것과 같은 결정 분류에 의해 피벗 포인트를 자동적으로 업데이트함으로써, 복수의 데이터 리스트에 대한 사용자 정렬 및 프로세스 시간을 감소시켜, 종래의 데이터베이스 리스트 관리 시스템에 대한 시간을 절약한다. 또한, 사람 리스트 데이터베이스의 경우, 논리적 순서가 알파벳순으로 될 수 있기 때문에, 다양한 레벨에서의 사용자 이름 배치와 관련된 부정적인 의미가 최소화될 수 있는데, 예를 들어, 논리 리스트가 알파벳순으로 배열되기 때문에, 데이터(사람 이름)에 대한 좋지 않은 의미가 사면될 수 있다. 더욱이, 관련성 기준이 충분하게 정확하지 않은 경우, 데이터베이스는 직관적인 논리적 순서를 사용자에게 부여하기 때문에, 데이터베이스의 배열에 있어서는 실수는 고칠 수 있다.

본 발명의 일 양태에 따르면, 데이터에 대한 관련성은, 데이터가 사용자에게 높은 또는 일부 상이한 우선순위가 되는 가능성(예, 사용자에 의해 데이터 리스트상의 수신자에게 송신된 이메일의 컨텐츠 기반의 분류)을 결정하는 것과 같은 분류자에 기초하여 생성될 수 있다. 분류자는, 베이시안 분류자, 서포트 벡터 머신, 및/또는 다른 타입의 분류자가 될 수도 있다. 분류자는, 사용자와 데이터간의 구조적 관계 뿐만 아니라, 데이터와 관련된 이벤트의 시간과 같은 특징을 고려할 수 있다. 현재 시간에서 피벗 포인트로서 데이터를 출력하는데 드는 예상 비용 뿐만 아니라, 피벗 포인트(들)로서 비-지정된 데이터의 예상 손실과 같은 다른 고려들은 관련 기준에 따라서 어느정도 결정될 수 있다. 프로파일(예를 들어, 사용자가 선호하는 정보의 저장)에 따라서, 예를 들어, 데이터를 피벗 포인트로서 지정하지 않을 때의 예상 손실이 예상된 비용보다 크다는 결정이 나면, 사용자에게 경고가 제공될 수 있다. 사용자의 목적 맥락에서의 관련 기준은 또한 다른 정보의 중요성을 고려할 수 있고, 예를 들어, 이메일 통신의 목적들에 대해서, 관련 기준은 또한 공동 작업자들의 유기적인 계층 관계, 가족 구성원들의 친밀성 등을 고려할 수 있다.

현재 프로파일은 다수의 프로파일로부터 선택될 수 있고, 이는 서로 다른 정황(예를 들어, 피플 리스트 데이터베이스에 있어서, 집, 회사, 여가 시간 등에서의 사람들과 관련된 이름들)을 반영하기 위해 사용자에 의해 편집될 수 있다. 프로파일은 매일 및 매시간 기반으로 계획될 수 있고, 지속적으로 해재되지 않는 한, 액티브로 남아 있도록 락킹될 수 있다. 프로파일은 사용자에 의해 설정될 수 있는 우선순위 임계값을 가지며, 이에 따라 다른 레벨로의 확장에 대해서 피벗 포인트로서 지정되는 데이터의 유형 및/또는 양을 제어한다.

본 발명의 일 양상에 따르면, 자주 액세스되는 정보가 사용자에게 쉽게 표시되는 경우 사용자 인터페이스측에서의 효율성이 향상될 수 있고, 부적절한 입력들에 의해서 불명료해지지 않는다. 또한, 비록 리스트의 계층에서 후속하는 레벨로 추가의 단계들을 내려가게 하지만, 낮은 우선 순위의 정보에 대한 액세스는 여전히 가능하다. 따라서, 낮은 우선 순위의 정보는 사용자의 액세스로부터 완전히 삭제되는 것은 아니다.

또한, 쿼리로서 상당히 활용되는 본 발명의 데이터베이스 리스트에서 수행되는 쿼리 검색은 모든 데이터에 대해 추정되거나, 수행될 필요는 없다. 이와는 다르게, 쿼리 검색은 다음 레벨로 진입하기 전에, 초기 레벨에서 처음에 수행되고, 이에 따라 시스템 자원은 보존되어, 적절하게 할당될 수 있다.

상술한 관련 목적들을 달성하기 위해서, 본 발명은 다음에서 충분히 설명될 특징들을 포함한다. 다음의 설명 및 첨부 도면은 본 발명의 소정의 예시적 양상들을 상세하게 나타낸다. 그러나, 이들 양상은 본 발명의 원리가 적용되는 다양한 방법들 중의 소수만을 나타내는 것이다. 본 발명의 다른 양상들, 장점들, 및 새로운 특징들은, 도면과 함께 고려될 때 본 발명의 다음의 상세한 설명으로부터 보다 명백해질 것이다.

본 발명이 도면을 참조하여 이제 설명되는데, 도면에서는 유사 참조 부호들이 명세서를 통해서 유사 소자들을 언급할 때에 사용된다. 이하의 설명에서, 설명의 목적으로, 본 발명의 철저한 이해를 기하기 위해 다수의 상세 사항들이 제시된다. 그러나, 본 발명이 이런 상세 사항이 없이 실시될 수 있다는 점이 명백하다. 그밖의 경우에, 공지된 구조들 및 장치들은 본 발명의 설명을 촉진시키기 위해 블록도로 보여졌다.

본 출원에서 사용하는 바로는, '컴퓨터 컴포넌트'라는 용어는 컴퓨터 관련 엔티티를 지칭하도록 의도되었는데, 이런 것에는 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어, 또는 실행중인 소프트웨어가 될 수 있다. 예를 들어, 컴퓨터 소자는, 프로세서 상에서 실행되는 프로세스, 프로세서, 오브젝트, 실행가능한 것(an executable), 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있는 데, 이것에만 제한되지는 않는다. 예시를 위해, 서버 상에서 실행되는 애플리케이션과 이 서버는 컴퓨터 소자가 될 수 있다. 하나 또는 그 이상의 컴퓨터 소자는 프로세서 및/또는 실행 스레드 내에 소재할 수 있고, 한 소자는 하나의 컴퓨터 상에 편재되거나 및/또는 두개 또는 그 이상의 컴퓨터 중에 분산될 수 있다.

본 발명은, 단순 논리 순서화를 통해서 데이터를 순서화하고, 선택된 데이터를 사용자에 대한 데이터 중요도를 표시해 주는 관련성 기준(relevance criteria)에 기초해 뷰잉하거나 액세싱하는 이점들을 유리하게 결합시킴으로써, 순서화된 리스트 내에서의 정보 찾기 및 검색을 용이하게 하는 시스템 및 방법을 제공한다. 이런 데이터 리스트의 논리 순서와 관련성 기준의 동시 결합은 데이터베이스 관리 및 쿼리를 용이하게 하다. 또한, 관련성 기준은 리스트의 논리 순서 내의 데이터를 피벗 포인트(pivot point)로서 지정하도록 허용해 주고, 이는 다음 순서에서 데이터 리스트의 선택적인 다중 레벨 확장을 기하는 데에 채택될 수 있다. 그에 따라, 대규모 데이터 리스트에 대한 종래의 데이터 관리, 검색, 및 시각화에 비해 정확도 및 스피드가 개선될 수 있다.

도 1은 하나의 특정 데이터 리스트 표시 및 관리 시스템과 연계된 시스템 개관을 나타내고 있다. 본 발명의 한 양태에 따른 데이터 리스트 계층 구조 시스템(100)이 예시되었다. 입력 컴포넌트(110)는 데이터 리스트(112), 예를 들어 인물 리스트와 상호작용하는 사용자로부터 지시를 수령한다. 이런 데이터 리스트(112)는 사용자에 의해 쉽게 인지될 수 있고 단순하거나 사용자의 기억에 각인될 수 있 는 논리 순서에 따라서 초기에 배열될 수 있다. 이 배열은 인물 리스트를 포함하는 데이터베이스를 이루기 위한 인명의 알파벳 순서 배열, 또는 숫자를 포함하는 데이터베이스를 이루기 위한 순차적 수(sequential number) 순서일 수 있다. 입력 컴포넌트(110)는 컴퓨터 키보드, 마우스, 포인팅 장치(등), 음성 활성 컴퓨터 소자 등을 포함할 수 있다. 입력 컴포넌트(110)는, 예를 들어 인물 데이터 리스트 내의 특정인의 이름을 검색 및 선택하기 위해 데이터베이스 리스트에 액세스하고자 하는 사용자로부터 정보를 수신한다.

사용자에 대한 관련성 기준에 기초하여, 사용자에 의해 이용되는 휴대형 응용기기의 일부일 수 있는 피벗 포인트 지정자(120)를 통해, 선택적인 번호의 데이터가 피벗 포인트로서 지정될 수 있다. 이러한 피벗 포인트는 데이터베이스에 대한 액세스가 요구된 때 제1 레벨에서 사용자에게 최초로 제시되는 인덱스이다. 예를 들어, 도 1에 나타난 바와 같이, 최초로 레벨 1에서, 데이터 리스트(112)로부터 특정 데이터를 검색하고자 하는 사용자는, 자신에 대한 관련성 기준에 기초하여 선택되고 데이터 리스트의 논리 순서에 따라서 배열된 일 그룹의 피벗 데이터를 제시받는다. 이러한 피벗 포인트들은 오브젝트 (117) 및 (119)로서 예시되었고, 지정자(120)에 의해 선택된다. 이러한 지정자(120)는 예를 들어 분류자(classfier)일 수 있으며, 이는 또한 동적으로 피벗 포인트들을 업데이트하고 변화시킬 수 있다. 동적 업데이트는 부분적으로 관련성 기준에 기초할 수 있는데, 이 관련성 기준 자체는 이후에 자세히 설명하는 바와 같이, 데이터 리스트 및 사용자에 대해 특정적인 사용자의 상태, 이메일 관리, 이메일 컨텐츠/컨텍스트의 함수일 수 있다. 피벗 포인트들은 표시 컴포넌트(130)를 통해서 이미 지정된 피벗 포인트들과 동시에 표시될 수 있다. 피벗 포인트(122)들의 생성이 자동화될 수도 있고, 또는 특정 선호 환경에 따라서는 사용자 액션을 요구할 수도 있다는 점을 알아야 한다. 더나아가, 각각의 레벨이 관련성 기준, 데이터베이스의 크기 등에 좌우되어 임의 개수의 피벗 포인트들을 포함할 수 있다.

피벗 포인트들은 제2 레벨에 대한 계층 확장 지정자들을 나타내는데, 이는 또한 사용자가 생성한 데이터의 그룹들/클러스터들을 포함할 수 있다. 데이터 리스트를 추가로 확장하라는 사용자의 요구에 응답하여, 예를 들어, 피벗 포인트의 부근에서, 피벗 포인트들의 사이에서, 또는 그밖의 지정된 로케이션들에서의 포인터를 클릭함으로써, 사용자는 표시 컴포넌트(130)를 통해서, 사용자에게 소정 개수의 데이터 리스트를 표시하는 제2 레벨에 대한 액세스를 획득한다.

마찬가지로, 제2 레벨에서, 데이터의 선택 번호(예를 들어, 122)는 관련 기준에 근거한 피벗 포인트로서 선정되며, 제3 레벨까지 리스트를 선택적으로 더 확장할 수 있다. 사용자가 레벨 N(여기서, N은 양수)으로 계속 파고듬에 따라 유사한 확장이 반복될 수 있으며, 다양한 레벨들은 다른 색상 또는 음영을 갖는 데이터를 표시 한다. 따라서, 예상된 확장 간격으로, 사용자는 사용자에게 가장 적절한 데이터의 제한된 수를 제공받으며, 데이터의 관리/뷰잉이 용이하게 된다.

이제 도 2를 참조하면, 본 발명의 양상에 따라서, 시스템(210)은 적어도 부분적으로 사용자에 대한 관련성 기준에 근거하여 피벗 포인트를 선정하는 우선순위 시스템(212)을 예시한다. 우선순위 시스템(212)은 데이터 리스트(214) 상에서 동 작하고, 특정 사용자를 위한 우선순위 또는 중요도(예를 들면, 데이터가 높거나 낮은 중요도를 갖는 확률 값)의 측정을 생성하며, 데이터 리스트 계층의 각 레벨에 대한 출력(216)에서 관련된 우선순위 값을 하나 이상의 피벗 포인트에 제공한다. 이하 보다 상세히 기술되는 바와 같이, 분류자들은 데이터 리스트에 대한 우선순위의 측정을 자동적으로 지정하도록 구성되고 트레이닝될 수 있다. 예를 들면, 데이터 또는 오브젝트가 높음, 중간, 낮음 또는 다른 정도의 카테고리의 중요도에 속하는 확률을 데이터가 지정하도록 출력(216)이 포맷될 수 있다. 데이터가 인물 리스트(people list)인 경우, 이 데이터는 예를 들어, 1 내지 n(n은 양수)의 다양한 레벨에 대한 결정된 카테고리의 중요도에 따라, 이메일 프로그램(도시되지 않음)의 수신함 내에 자동적으로 분류된다. 분류는 또한 정의된 라벨의 중요도를 갖는 시스템 폴더들에 파일을 지정하는 것을 포함할 수도 있다. 이것은, 낮음, 중간 및 높음의 중요도를 갖는 라벨된 폴더들을 갖는 것을 포함하며, 특정 중요도로 결정된 데이터는 관련된 폴더로 분류된다. 마찬가지로, 하나 이상의 오디오 사운드 또는 비쥬얼 디스플레이(예를 들면, 아이콘, 심볼)는, 소정의 우선순위를 갖는 피벗 포인트가 특정 레벨로 설정되거나 위치됨을 사용자에게 경고하도록 채택될 수 있다.

본 발명의 또 다른 양상에 따르면, 특정 시간에 사용자의 특정 상태 또는 행동(act)에 기초하여 피벗 포인트의 변화를 사용자에게 통지하도록 통지 플랫폼(도시되지 않음)이 우선순위 시스템(212)과 함께 사용될 수 있다. 예를 들어, 사용자가 3개의 이메일을 30분의 시간 간격 내에서 인물 데이터베이스의 사용자 리스트 상에 있는 수신인에게 전송한다면, 통지 플랫폼은 수신인이 레벨 1에서 피벗 포인 트에 지정되었음을 사용자에 통지할 수 있다. 통지 플랫폼은 또한 언제, 어디서, 및 어떻게 사용자에게 통지할지에 대해 결정을 할 수 있다.

아래 논의에서, 사람들의 이름들(예를 들어, 이메일 수신자들)의 데이터베이스에 대한 피벗 포인트들의 생성은 자동 분류 시스템 및 프로세스를 통해 설명되고, 여기서 사용자에게의 수신자의 중요도 및/또는 연관성은 사용자로부터 수치인으로 전송된 이메일 내용에 기초하여 결정된다. 수신자에 전송된 이메일이 높은 중요도를 갖는지에 기초하여, 수신자가 특정 레벨에 대한 피벗 포인트로서 지정되는지가 결정이 된다.

이 섹션의 설명은 도 3과 도 4와 연결하여 제공되고, 도 3은 텍스트 분류자의 명백하고도 함축적인 트레이닝을 설명하는 도면이고, 도 4는 어떻게 텍스트의 우선순위가 텍스트 분류자로의 입력에 의해 생성되는지를 도시하는 도면이다. 본 발명이 사용자로부터 수신자들로 전송된 이메일의 내용이나 컨텍스트로 연관성 기준들을 정의하는 것에 제한되지 않고, 임의의 다른 사용자에게 적합한 연관성 기준들이 대신 채택될 수 있음을 이해할 것이다.

도 3을 참조하면, 텍스트/데이타 분류자(320)는 화살표(322)에 의해 표현되는 바와 같이 명시적으로 트레이닝되고, 화살표(324)에 의해 표현되는 바와 같이 암시적으로 트레이닝되어, 데이터베이스 리스트의 사용자로의 연관성으로 분류를 수행할 수 있다. 화살표(322)에 의해 표현된 명시적 트레이닝은 일반적으로 분류자(320)를 구성하는 초기의 페이즈들에서 구성되고, 화살표(324)에 의해 표현된 암시적 트레이닝은 통상적으로 분류자(230)가 구성된 후에 구성되어, 예를 들어, 백 그라운드 모니터(334)를 통해 분류자(320)를 세밀히 튜닝한다. 분류 트레이닝과 구현 접근법을 설명하기 위한 예로서의 목적으로, 본 명세서에서 구체적으로 SVM 분류자를 참조하여 기재된다. 다른 텍스트 분류 접근법들은 베이시안 네트워크(Bayesian networks), 결정 트리(decision trees), 및 채택될 수 있는 독립성의 상이한 패턴들을 제공하는 확률적 분류 모델을 포함한다. 본 명세서에서 또한 사용되는 텍스트 분류는 우선순위의 모델들을 개발하기 위해 사용되는 통계적 리그레션(statistical regression)을 포함한다.

본 발명의 일 양태에 따라, 써포트 벡터 머신(Support Vector Machine;SVM)은 분류자(320)로서 채택된다. 나이브 베이즈(Naive Bayes), 베이즈 네트(Bayes Net), 결정 트리, 및 기타 학습 모델과 같은 다른 분류 모델들이 또한 사용될 수 있음을 이해할 것이다. SVM들은 분류자 구성자와 특징 선택 모듈(326) 내에 학습이나 트레이닝 페이즈를 통해 구성된다. 분류자는 입력 속성 벡터, x = (x1,x2,x3,x4,xn),를 입력이 클래스에 속하는 신뢰도 -즉, f(x) = confidence(class)- 로 매핑하는 함수이다. 텍스트 분류의 경우에, 속성들은 단어들이나 구문들 또는 단어들로부터 유도된 다른 도메인-고유의 속성들(예를 들어, 스피치의 일부, 키 용어들의 존재)이고, 클래스들은 카테고리들(categories) 또는 관심 영역들(예를 들어, 우선순위 레벨들)이다.

SVM과 그외의 유도-학습 접근법의 특징은 라벨링된 실례들의 트레이닝 세트를 채용하여 분류 기능을 자동적으로 학습하는 것이다. 트레이닝 세트는 분류자 구성기(326)와 연관된 데이터 스토어(330) 내에서 서술된다. 예시한 바와 같이, 트레이닝 세트는 특정 카테고리 또는 관련 조건과 연관된, 잠재적인 및/또는 실제적인 요소들, 또는 요소 조합들(예를 들어, 워드 또는 구문)을 나타내는 그룹 G1 내지 GN의 서브세트를 포함할 수 있다. 데이터 스토어(330)는 또한 복수의 카테고리들(1 내지 M)을 포함하며, 그룹화는 하나 이상의 카테고리와 연관될 수 있다. 학습 중에, 입력 특징들을 클래스의 신용으로 매핑하는 기능을 학습한다. 따라서, 모델을 학습한 후에, 카테고리들은 입력 특징들의 가중 벡터로 표현되어진다.

카테고리 분류를 위하여, 이진 특징값들(예를 들어, 워드는 카테고리에서 발견되거나 또는 발견되지 않음), 또는 실수값 특징들(예를 들어, 워드는 중요도 가중치 r을 가지고 수신자에게 전송된 이메일에서 발견됨)이 종종 이용된다. 카테고리 수집은 다수의 고유 용어들을 포함할 수 있기 때문에, 특징 선택은 일반적으로 기계-학습 기술을 카테고리화에 적용할 때에 이용된다. 특징들의 수를 감소시키기 위하여, 전체적인 횟수 카운트에 기초하여 특징들이 제거될 수 있으며, 그 다음에 특징들은 카테고리에의 적합성(a fit to the categories)에 기초하여 특징들의 더 작은 수에 따라 선택된다. 카테고리에의 적합성은 상호 정보, 정보 이득, 싸이-스퀘어(chi-square) 및/또는 실질적으로 임의의 그외의 통계적 선택 기술을 통해 결정될 수 있다. 이러한 보다 작은 설명들은 그 다음에 SVM으로의 입력으로서 기능한다. 선형 SVM은 적절한 일반화 정확도를 제공하며 적당한 고속 학습을 제공한다는 점을 유의한다. 비선형 SVM의 그외의 클래스들은 다항식 분류자 및 방사 기반 함수(radial basis functions)를 포함하며, 또한 본 발명에 따라 이용될 수 있다.

분류자 구성기(326)는 데이터 스토어(330)의 그룹화 및 연관된 카테고리들을 분석하기 위하여 학습 모델(332)을 채용하여 입력 벡터들을 클래스의 신용으로 매칭하는 기능을 "학습"한다. SVM을 포함하는 다수의 학습 모델에 있어서, 카테고리를 위한 모델은 특징 가중치 w의 벡터로서 표현될 수 있으며, 여기에는 각 카테고리에 대한 가중치들의 학습 벡터가 있을 수 있다. 가중치 w를 학습하는 경우에, x와 w의 내적(dot product)을 계산함으로써 새로운 텍스트들이 분류되며, 이때 w는 학습된 가중치의 벡터이며, x는 새로운 텍스트를 나타내는 벡터이다. 또한 지그모이드 함수(sigmoid function)를 제공하여 SVM의 출력을 확률 P로 변환한다. 확률은 우선순위들이 결정되는 카테고리들 또는 클래스들에 걸쳐 동등한 스코어를 제공한다.

SVM은 함수 형태가 트레이닝 전에 정의되는 파라미터화된 함수이다. SVM은 예들의 세트로부터의 기능에 적합할 것이기 때문에, SVM을 트레이닝하는 것은 일반적으로 라벨링된 트레이닝 세트를 필요로 한다. 트레이닝 세트는 N개 예들의 세트로서 구성된다. 각각의 예는 입력 벡터 xi 및 카테고리 라벨 yj로 구성되며, 이것들은 입력 벡터가 카테고리에 있는지의 여부에 대해 설명한다. 각각의 카테고리에 대하여, SVM에는 N개 예들로 트레이닝된 N개의 자유 파라미터들이 있을 수 있다. 이 파라미터들을 찾기 위하여, 이해한대로 QP(quadratic programming) 문제를 해결한다. QP 문제들을 해결하기 위한 복수의 공지된 기술들이 있다. 이 기술들은 순차적 최소 최적화(Sequential Minimal Optimization) 기술 및 그외의 기술들을 포함할 수 있다. 도 4에 나타난 바와 같이, 텍스트 입력(436), 예를 들어 데이터 리스트의 사용자에 의해 수신자에게 전송된 이메일이 입력 벡터 x로 변환되어 각 카 테고리에 대해 분류자(420)에 적용된다. 분류자(420)(또는 도 3의 320)는 도 3의 분류자 구성기(326)에 의해 결정된 학습된 가중치 벡터들 x(예를 들어, 각 카테고리에 대한 하나의 가중치 벡터)를 사용하여, 내적을 형성하여 도 4의 우선순위 출력(438)을 제공하며, 여기서 확률 P는 하나 이상의 관련 우선순위들(예를 들어, 높음, 중간, 낮음)을 나타내는 입력 텍스트(336)에 할당될 수 있다.

도 3을 참조하면, 화살표(322)로 표시된 텍스트 분류자(320)를 트레이닝하는 것은 분류자를 326에 구성하는 것을 포함하며, 특징 선택(feature selection)을 사용하는 것을 포함한다. 명시된 트레이닝 구문에 있어서, 분류자(320)에는 시간-임계 텍스트 및 비시간-임계 텍스트 둘다가 제공될 수 있어, 예를 들어 분류자가 둘 사이를 구분할 수 있도록 한다. 이러한 트레이닝 세트는 사용자에 의해 제공될 수 있거나, 혹은 표준 또는 디폴트의 트레이닝 세트가 사용될 수 있다. 트레이닝 자료가 주어지면, 분류자(320)는 먼저 특징 선택 절차를 적용하여 가장 구별되는 특징을 찾는다. 이 프로세스는 상호 정보 분석을 이용한다. 특징 선택은 자연어 프로세싱으로 태그된 스피치의 일부 및 어구들과 같은, 하나 이상의 워드 또는 하이 레벨 차이가 이용가능하게 되도록 동작할 수 있다. 즉, 텍스트 분류자(320)는 특별히 태그된 텍스트로 시드(seed)되어, 이메일을 통해 사용자로부터 수신자로 전송되는 경우에 중요하게 여겨지는 텍스트 특징들을 차별화할 수 있다.

텍스트 분류를 위한 특징 선택은 전형적으로 단일 워드에 대한 검색을 수행한다. 단일 워드들에 대한 신뢰를 넘어, 특징들의 하이 레벨 패턴들 및 도메인 특정 어구들도 이용가능하게 된다. 특별한 토큰들도 분류를 향상시킬 수 있다. 이 메일 중요도에 대한 학습 분류자들의 품질은, 예를 들어 시간 중요도(time criticality)가 상이한 이메일을 구별하는데 유용하기 때문에 식별되는 수제의(handcrafted) 특징들을 특징 선택 절차들에 입력함으로써 향상될 수 있다. 따라서, 특징 선택동안, 하나 이상의 워드 뿐만 아니라 시간 중요도 레벨이 상이한 메시지를 구별하는데 유용한 어구들 및 심볼들도 고려된다.

다음의 예들이 도시하는 바와 같이, 수신자 성명 및 그들의 호칭의 타당성을 피벗 포인트(pivot points)로서, 또는 데이터베이스 상에 나열된 사람들에게 사용자가 보내는 메시지의 중요도에 대해 식별할 때의 값의 패턴들 및/또는 토큰들은 이러한 차이들을 포함하고, 이하의 부울 조합(Boolean combination)을 포함한다.

메시지 헤더의 정보

예를 들어:

To: 필드(수신자 정보)

수신자의 수 및 사용자와의 조직 관계에 대하여 다루어짐.

사전 분류시 피벗 포인트들로서 지정된 사람들에 대하여 다루어짐.

Cc:이미 피벗 포인트로서 지정된 수신자,

Bcc:이미 피벗 포인트로서 지정된 수신자.

From:필드(전송자 정보)

중요한 인물에 대하여 미리 결정된 리스트 상의 성명들, 잠재적으로 다양한 계층의 개인들로 나누어짐(예를 들어, 가족 구성원, 관리자, 사장 등)

전송자는 사용자의 회사/조직의 내부로 식별됨.

다음과 같은 온라인 조직 차트에서 빠진 사용자와 관련되어 있는 조직 관계의 구조에 관한 정보:

사용자가 보고하는 관리자,

사용자들의 관리자들의 관리자,

사용자에게 보고하는 사람,

외부 사업자.

과거 시제 정보

다음은 이미 발생한 사건에 관한 설명을 포함한다:

만났음(we met),

미팅에 나갔음(meeting went),

발생했음(happened),

모였음(got together),

신경썼음(took care of),

어제 만났음(meeting yesterday).

미래 시제 정보

내일(Tommorow),

이번주(This week),

갈거니(Are you going to),

언제 할 수 있니(When can we),

기대해(Looking forward to),

이것일 것이다(will this),

될 것이다(will be).

미팅 및 조정 정보

모이자(Get together),

만날 수 있니(Can you meet),

모일래(Will get together),

조정하자(Coordinate with),

모일 필요가 있어(Need to get together),

보자(See you),

미팅 정하자(Arrange a meeting),

초대하고 싶어(Like to invite),

와 있어(Be around).

예약 날짜

미래 대 과거 날짜 및 시간은 다음과 같은 일반적인 약자 또는 날짜를 명백하게 진술하기 위해 텍스트의 패턴들로부터 지시됨:

5/2에,

12:00에.

질문

물음표(?)와 가까운 워드, 어구

개인적 요청의 표시:

너는 할수 있니(Can you).

너는 어떠니(Are you),

너는 할거니(Will you),

부탁해(you please),

할 수 있니(Can you do),

부탁 들어줄래(Fovor to ask),

너로부터(From you).

필요성의 표시:

필요하다(I need),

하고 싶다(I'd like),

좋을 것 같다(It would be great),

원한다(I want),

신경써 주세요(Please take care of).

시간 중요도

곧 발생함(happening soon),

당장(right away),

마감일은 언제가 될 것이다(deadline will be),

마감일은 언제이다(deadline is),

가능한 빨리(as soon as possible),

곧 필요함(needs this soon),

곧 이루어짐(to be done soon),

당장 함(done right away),

곧(this soon),

며칠까지,

몇시까지

중요성

중요하다(is important),

결정적이다(is critical),

워드, 어구 + !,

명백한 우선도 플래그 상태(낮음, 없음, 높음)

메시지의 길이 및 용량

새로운 메시지 성분에 있는 바이트수

상기한 워드 또는 어구의 그룹화는 예시적인 워드, 그룹화, 또는 어구들을 나타낸 것으로서, 분류자 트레이닝(classifier training)을 행하고, 특정 수신자에 대한 관련성(relavance)을 얻기 위해 활용될 수 있음을 주지하여야 한다. 기타의 유사한 워드들, 그룹들, 및 어구들이 마찬가지로 채용될 수 있으며, 따라서, 본 발명은 도시된 예들에 제한되는 것은 아님을 이해하여야 한다. 분명하게는, 전술한 컨텐츠(content) 기반의 이메일 분석을 제외하고도 기타의 적합성 기준이 본 발명에 따라 정의되고 채용될 수 있다.

또한, 도 3을 참조하면, 화살표(324)에 나타낸 바와 같이, 예컨대, 사용자의 데스크톱 또는 모바일 컴퓨터에서 상주할 수 있는 배경 모니터(334)를 통해 사용자의 작업 또는 사용 패턴을 모니터함으로써 분류자(320)의 암시적 트레이닝(implicit training)이 행해질 수 있다. 예컨대, 사용자들이 작업을 하고, 응답해야할 이메일 리스트가 검토됨에 따라서, 관련있는 사용자들로부터의 메시지들이 먼저 읽혀지고 응신이 이루어지며, 보다 낮은 우선순위의 메시지들은 이후에 검토되거나, 삭제된다는 것을 가정할 수 있다. 즉, 새로운 이메일이 제공되는 경우, 사용자가 즉시 이메일을 여는지, 어떤 순서로 여는지, 열지 않고 삭제하는지, 및/또는 비교적 단시간내에 이메일에 응신하는지를 결정하기 위해 사용자가 모니터된다. 따라서, 분류자(320)는 작업을 하거나 시스템을 동작시키는 동안 사용자가 모니터되도록 채택되며, 배경을 트레이닝시킴으로써 주기적으로 분류자가 정화되고, 실시간 의사결정을 강화하기 위해 업데이트되도록 채택된다. 분류자들을 구축하기 위한 배경 기술들은 새로운 트레이닝 메시지들로 분류자(320)를 업데이트하는 것으로부터 확장될 수 있다. 본 예에 있어서, 이메일을 열 때의 사용자 리스트의 사용자의 활동에 기반하여, 그러한 이메일들을 발송하는 사람의 이름이 피벗 포인트로 지정될 수 있다. 또한, 수신자에게 송신되어 분류자로 입력되는 각각의 메시지에 대하여, 예컨대, 분류자의 새로운 경우들이 생성될 수 있다. 경우들은 높은 또는 낮은 우선순위의 네거티브 및 포지티브 텍스트들의 예로서 저장될 수 있다. 예컨대, 하나 이상의 저, 중, 고의 긴급성(urgency) 등급이 각각의 등급내의 맴버쉽의 가능성이 예상 중요성(expected criticality)을 구축하는데 활용되도록 인식될 수 있 다. 더 높은 해상도를 찾기 위해서 더 많은 수의 중요성 분류가 사용될 수 있다. 예컨대, 도 4에 도시된 바와 같이, 사용자에 의해 수신자들에게 송신된 메시지들(440)의 트레이닝 세트(예컨대, 매우 높음, 높음, 중간, 보통, 낮음, 매우 낮음, 기타 등등)는 피벗 포인트로서 수신자의 이름을 지정하도록 분류자(442)를 트레이닝시키기 위해 초기에 채용될 수 있다. 이에 따라, 444에 나타낸 바와 같이, 실시간 분류가 달성될 수 있으며, 새로운 피벗 포인트들은 트레이닝 세트(440)에 의해 해석되는 예들의 수에 따라 분류된다. 도 4에 있어서, 이러한 카테고리들은 예시적인 목적으로 나타내어져 있으나, 다수의 이러한 카테고리들이 각각의 계층 레벨에 대하여 요구되는 중요성의 변화 정도에 따라서 트레이닝 될 수도 있음을 이해하여야 한다. 도시된 바와 같이, 데이터 리스트로부터 수신자들에게 새로이 송신되는 메시지들(444)은, 수신자의 이름을 붙이거나(label), 태그화하거나(tag), 예컨대, 분류자(442)에 의해 이메일 수신자들에 대하여 지정된 우선순위들에 따라서, 하나 이상의 폴더들(446)로 소트(sort)되도록 채용될 수 있다. 이러한 사용자에 대하여 지정된 우선순위 및/또는 관련성들은 각 레벨에서 피벗 포인트를 지정하는데 적용될 수 있다.

이제, 도 5로 돌아가서, 본 발명의 일양상에 따른 예시적인 오브젝트 계층 구조(500)가 도시된다. 그 구조(500)는 본 발명의 일양상에 따른 인물 데이터베이스 리스트의 부분인 복수의 피벗 포인트 데이터(예컨대, 510)를 나타낸다. 그 데이터베이스 리스트를 배열하는 예시적으로 도시된 논리적 순서는 이름의 알파벳순이다. 앞서 설명된 바와 같이, 도시된 피벗 포인트가 지정되어 사용자에 대해 정 의되어 있는 관련성 기준에 기초하여 그 사용자에게 표시된다. 도시된 피폿 포인트는 예를 들어, 앞에서 상세히 논의된 바와 같이 그 사용자에 대한 관련성 기준에 따라 전송된 이메일에 기초한 컨텐츠/컨텍스트임에 따라서 지정될 수 있다. 그 사용자는 "+" 부호(520)로 도시된 영역에 포인터를 클릭함으로써 그 도시된 구조를 선택적으로 확장할 수 있다. 또한, 도 6에 도시된 바와 같이, 그 지정된 피벗 포인트를 클릭하면 사용자가 그 피벗 포인트와 연관하는 임의의 유형의 정보(600)를 표시할 수 있다. 본 도면에 도시되지는 않았지만, 표시된 피벗 포인트에 부가하여, 각종 기능들(예를 들어, 잘라내기, 복사하기, 통합하기, 붙여넣기, 저장하기, 삭제하기, 전송하기...)이 예를 들어, 피벗 포인트/노드가 확장되는 팝-업 메뉴를 통해 표시될 수 있다. 피벗 포인트를 클릭하는 것은 또한 그 피벗 포인트가 확장되지 않을 때에도 확장될 때에도, 그 특정 피벗 포인트와 연관된 임의의 기능들을 제공할 수 있다(예를 들어, 커서가 피벗 포인트를 통해 이동될 때, 콘텐츠가 표시될 수 있을 뿐아니라, 노드를 확장시키지 않고도 노드 및/또는 콘텐츠에 대해 영향을 받을 수 있는 기능들이 표시된다).

이제 도 7을 참조하면, 원하는 정보를 획득하기 위해 사용자가 여러 레벨들을 선택적으로 확장 및 탐구할 수 있도록 하는 본 발명의 관련 양상이 도시된다. 앞서 도시되고 설명된 바와 같이, 선택적인 사람 이름 수는 관련성 기준에 기초하여, 피벗 포인트로서 지정되고, 이 관련성 기준은 사용자에 대해 그 선택된 데이터의 중요성에 부분적으로 기초할 수 있다. 반-단축(semi-collapsed) 리스트의 방법론 및 시스템은 단지 인명만이 아니라 많은 다른 분류들에 적용될 수 있다. 예를 들어, 본 발명은 또한 키워드(카테고리)리스트 및 사전(백과사전) 엔트리 리스트에 적용될 수 있다. 또한, 그 리스트는 예를 들어, 이메일, 긴급 메시지, 오디오 파일, 음성 호출, 비디오 파일, 디지털 영화 및 일반적으로 사용자에 의해 사용된 임의의 데이터 또는 문서와 같은 임의의 데이터 유형을 포함할 수 있다.

최초에, 그 리스트가 사용자에게 표시되는 경우, 가장 중요한 이름들의 상위 몇개만을(예를 들어, 10 내지 20) 도 7에 사용된 논리적 순서인 알파벳 순으로 포함할 수 있다. 이는 가장 빈번히 사용되는 이름으로의 원 스텝 액세스, 예를 들어, 가장 상관성 있는 사람에 대한 정보로의 간단한 원-클릭 액세스를 제공할 수 있다. 도 7에 도시된 바와 같이, 주어진 시간에, 모든 연락처 이름들이 몇개 없거나 더 많아도 알파벳 순서의 리스트로 사용자에게 제시될 수 있다. "-" 부호를 클릭함으로써, 그 리스트는 확장 전에 그 상태로 단축될 수 있다. 또한, 각종 레벨에 대해 각종 음영들 또는 색상들이 사용될 수 있다.

이처럼, 임의의 이름의 위치는 숨겨진 이름들도 동일한 알파벳 논리순을 따르므로, 충분히 예측가능하다. 또한, 사용자에게 덜 중요한 이름들이 표시된 리스트에서 수행될 많은 확장들을 요구할 수 있다. 그럼에도 불구하고, 다양한 이름들이 관련성 기준 및 사용자의 동작에 따라서 피벗 포인트 상태를 획득(또는 손실)할 수 있을지라도, 논리적 순서는 동일하게 유지된다.

또한, 검색 기능이 브라우징 양상과 관련하여 이용될 수 있다. 예를 들어, 키보드의 문자 "M"을 누름으로써 그 문자로 시작하는 중요한 사람의 이름이 제1 레벨로 사용자에게 제시된다.

그러나, 제1 레벨에서 어떠한 사람 이름도 문자 'M'으로 시작하지 않으면, 리스트는 자동으로 이름이 최초에 나타난 레벨로 확장된다. 그 검색은 먼저 효과적으로 검색 기준을 만족하는 가장 중요한 이름을 찾는다. 동일한 확장 레벨에 그 기준을 충족하는 다른 이름들 있으면, 그 이름들은 제일 첫 이름을 필두로 나란히 도시된다. 동시에, 그들이 검색 기준에 적합한지 아닌지에 따른 다른 덜 중요한 이름들은 (보다 높은 확장 레벨로부터) 숨겨진다. 그러한 방법론은 사용자가 가장 중요하거나 가장 상관있는 엔트리를 제일 먼저 볼 수 있도록 한다. 따라서, 쿼리가 고유의 결과를 리턴하지 않을지라도, 그 시스템은 사용자가 마음에 두고 있는(가장 가능성이 있는) 것이 무엇인지를 추측하려고 한다.

따라서, 본 발명은 데이터의 논리적 순위를 동시에 조합함으로써 데이터 검색과 시각화를, 사용자에게 데이터의 중요성을 알려주는 적절한 기준을 가지고 촉진시킬 수 있으며, 논리적 순위에 영향을 받지 않게 된다. 또한, 인적 리스트의 데이터 베이스에 대해, 논리적 순위가 알파벳 순위로 될 수 있기 때문에, 다양한 레벨로 사람들의 이름을 두는 것(positioning)과 연관된 네가티브적 함축(connotation)이 최소화될 수 있다. 예를 들어, 논리 리스트가 알파벳 순으로 조정되기 때문에 데이터(인명;人名)에 대한 어떠한 열등적 함축(implication of inferiority)도 보증될 수 있다.

도 8을 참조하면, 적절한 기준에 기초하여 개인의 이름에 대한 쿼리 검색(query search)가 기술되고 있다. 810에서 예시하고 있는 바와 같이, 사용자에 의해 쿼리(query)가 제출되고, 레벨 1에서 검색이 초기에 수행되며, 단계 820에, 한 정된 수의 데이터에 대해 나타내어지고 있다. 단계 830에서, 원하는 성명의 위치가 파악되었는지에 대한 판정이 행해진다. 만약, 위치가 파악되었다면, 그 방안은 단계 840에서 중단되며, 쿼리 결과가 사용자에게 표시된다. 만일, 위치가 파악되지 않았다면, 890에서, 데이터베이스의 확장이 n인 최종 레벨까지 유사한 단계들이 지속되는 방법론(methodology)이 레벨 2까지 지속되며(단계 850), 여기서 n은 양의 정수이다. 이러한 방법론은 전체 데이터에 대한 쿼리가 계산되지도 또한 수행되지도 않게 됨에 따라, 데이터 베이스에 대해 수행되는 사용자의 검색을 방법론적으로 촉진시키게 된다. 달리 설명하자면, 쿼리 검색은 연속적인 레벨로의 진행에 앞서 초기 레벨에 대해 처음에 수행되며, 따라서, 시스템 자원들이 보존될 수 있게 되고, 적절히 다른 원하는 태스크에 할당될 수 있다. 전형적인 방법이 예시되고 있으며, 다양한 이벤트 및/또는 행위(acts)를 나타내는 일련의 블록들이 본 명세서에 설명되고 있지만, 본 발명은 이러한 블록들에 대한 예시적 순위(illustrated ordering)에 의해 제한받는 것은 아니다. 예를 들어, 일부 행위 또는 이벤트들이 본 명세서에서 예시되고 있는 순위와는 별개로, 본 발명에 따라, 다른 행위 또는 이벤트들과 상이한 순위로 및/또는 동시에 발생할 수도 있다. 또한, 예시된 블록들 전부는 아니지만, 이벤트들 혹은 행위가 본 발명에 따른 방법론을 구현하는데 요구될 수도 있다. 또한, 본 발명에 따른 예시적인 방법과 기타 방식들은 본 명세서에서 예시 및 설명되고 있는 방법 그리고 예시 및 설명은 되고 있지 않은 기타 시스템 및 장치와 연관시켜 구현될 수도 있음을 인식할 것이다.

본 발명의 다양한 양상에 대한 배경을 제공하기 위해, 도 9와 다음의 기재는 본 발명의 다양한 양상이 구현될 수도 있는 적절한 컴퓨팅 환경에 대해 간단하면서도 개괄적인 설명을 제공하고 있다. 하나의 컴퓨터 및/또는 컴퓨터들을 실행시키는 컴퓨터 프로그램의 컴퓨터-실행가능 명령에 대한 전반적인 문맥으로 본 발명이 설명되고 있지만, 당해 분야의 숙련된 자라면 본 발명은 기타 프로그램 모듈들의 조합으로 구현될 수도 있음을 인식할 것이다. 일반적으로, 프로그램 모듈들은, 특정 태스크를 수행 및/또는 특정 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조 등을 포함하고 있다. 또한, 당해 분야의 숙련된 자라면, 본 발명의 방식은 범용 컴퓨터, 핸드헬드형 컴퓨팅 장치, 마이크로 프로세서 기반 혹은 프로그램 가능한 고객형 전자장치 등만이 아니라 단일 프로세서 혹은 멀티 컴퓨터 프로세서 시스템을 포함한 기타 컴퓨터 시스템의 구성으로 구현될 수도 있음을 인식할 것이다. 본 발명의 예시된 양상들은, 통신 네트워크를 통해 링크되는 원격 프로세싱 장치들에 의해 태스크가 수행되는 분산형 컴퓨팅 환경으로 구현될 수도 있다. 그러나, 본 발명의 양상이 모두 그런 것은 아니며, 일부는 스탠드 얼론 컴퓨터상에서 실행될 수 있다. 분산형 환경에서, 프로그램 모듈들은 로컬 및 원격 메모리 저장 장치 모두에 위치할 수도 있다.

도 9를 참조하면, 본 발명의 여러 양상을 구현하는 예시적인 시스템은 프로세싱 유닛(921)과, 시스템 메모리와, 시스템 메모리를 포함하는 여러 시스템 컴포넌트를 프로세싱 유닛(921)에 연결하는 시스템 버스(923)를 포함하는 컴퓨터(920)를 포함한다. 프로세싱 유닛(921)은 여러 상용가능한 프로세서들 중 어느 하나일 수 있다. 듀얼 마이크로프로세서 및 다른 멀티 프로세서 아키텍쳐는 프로세싱 유 닛(921)으로서 사용될 수 있다.

시스템 버스는 메모리 버스 또는 메모리 제어기, 주변 버스, 및 각종 상용가능한 버스 아키텍쳐들중 어느 하나를 이용하는 로컬 버스를 포함하는 여러 타입의 버스 구조중 어느 하나일 수 있다. 시스템 메모리는 ROM(924) 및 RAM(925)을 포함한다. 예컨대, 예컨대 기동 동안과 같이 컴퓨터(920)내의 소자들간의 정보 전달에 도움을 주는 기준 루틴을 포함하는 BIOS는 ROM(924)에 저장된다.

컴퓨터(920)는 하드 디스크 드라이브(927), 예컨대 제거가능한 디스크(929)로부터 판독 또는 이로 기록하기 위한 자기 디스크 드라이브(928), 및 예컨대 CD-ROM(931)으로부터 판독 또는 이로의 기록, 또는 다른 광 미디어로부터의 판독 또는 이로의 기록을 위한 광 디스크 드라이브(930)를 더 포함한다. 하드 디스크 드라이브(927), 자기 디스크 드라이브(928) 및 광 디스크 드라이브(930)는 하드 디스크 드라이브 인터페이스(932), 자기 디스크 드라이브 인터페이스(933), 및 광 드라이브 인터페이스(934) 각각에 의해 시스템 버스(923)에 연결된다. 드라이브 및 그 연관된 컴퓨터 판독가능한 미디어는 데이터의 비휘발성 스토리지, 데이터 구조, 컴퓨터 실행가능한 지시 등을 컴퓨터(920)에 제공한다. 전술한 컴퓨터 판독가능한 미디어의 설명이 하드 디스크, 제거가능한 자기 디스크 및 CD를 언급한다 할지라도, 본 기술 분야의 숙련자에게는 예컨대 자기 카세트, 플래시 메모리 카드, 디지털 비디오 디스크, 베르누이 카트리지 등과 같은 컴퓨터에 의해 판독가능한 다른 타입의 미디어가 예시적인 동작 환경에서 또한 사용되며, 이런 미디어중 어느 하나가 본 발명의 방법을 수행하는 컴퓨터 실행가능한 지시를 포함하는 것을 이해해야 한다.

프로그램 모듈의 수는 드라이브 및 RAM(925)에 저장되며, 오퍼레이팅 시스템(935), 하나 이상의 어플리케이션 프로그램(936), 다른 프로그램 모듈(937), 및 프로그램 데이터(938)을 포함한다. 예시된 컴퓨터에서의 오퍼레이팅 시스템(935)은 상용가능한 오퍼레이팅 시스템중 어느 하나일 것이다.

사용자는 키보드(940) 및 마우스(942)와 같은 포인팅 디바이스를 통해 컴퓨터(920)로 커맨드 및 정보를 기입한다. 다른 입력 디바이스(도시 안됨)는 마이크로폰, 조이스틱, 게임 패드, 위성 접시, 스캐너 등을 포함한다. 이들 및 다른 입력 디바이스는 종종 시스템 버스에 연결되는 직렬 포트 인터페이스(946)를 통해 프로세싱 유닛(921)에 연결되나, 병렬 포트, 게임 포트 또는 USB(universal serial bus)와 같은 다른 인터페이스에 의해 연결된다. 모니터(947) 또는 표시 디바이스의 다른 타입은 또한 비디오 어뎁터(948)와 같은 인터페이스를 통해 시스템 버스(923)에 연결된다. 모니터뿐만 아니라, 컴퓨터는 전형적으로 스피커 및 프린터와 같은 다른 주변 출력 디바이스(도시 안됨)을 포함한다.

컴퓨터(920)는 원격 컴퓨터(949)와 같은 하나 이상의 원격 컴퓨터와의 논리 접속을 이용하는 네트워킹된 환경에서 동작한다. 원격 컴퓨터(949)는 워크스테이션, 서버 컴퓨터, 라우터, 피어 디바이스 또는 다른 공통 네트워크 노드일 수 있으며, 전형적으로 메모리 스토리지 디바이스(950)가 도 9에 도시된다 할지라도, 컴퓨터(920)와 관련되서 설명된 많은 수의 소자 또는 그 모두를 포함한다. 도 9에 도시된 논리 접속은 LAN(local area network)(951) 및 WAN(wide area network)(952) 를 포함한다. 이런 네트워킹 환경은 사무실, 기업 컴퓨터 네트워크, 인트라넷 및 인터넷에서 일반적이다.

LAN 네트워킹 환경에 채용될 때, 컴퓨터(920)는 네트워크 인터페이스 또는 어뎁터(953)를 통해 논리 네트워크(951)에 연결된다. WAN 네트워킹 환경에서 활용될 때, 컴퓨터(920)는 일반적으로 모뎀(954)을 포함하며, 그리고/또는 LAN상에서 통신 서버에 연결되고, 그리고/또는 인터넷과 같은 WAN(952)을 통해 통신을 구축하는 다른 수단을 가진다. 내부 또는 외부에 있을 수 있는 모뎀(954)은 직렬 포트 인터페이스(946)을 통해 시스템 버스(923)에 연결된다. 네트워크 환경에서, 컴퓨터(920)에 관련되서 도시된 프로그램 모듈 및 그 일부분은 원격 메모리 스토리지 디바이스에 저장된다. 도시된 네트워크 환경이 예시적이며 컴퓨터들간의 통신 링크를 구축하는 다른 수단이 채용될 수 있음에 유의해야 한다.

컴퓨터 프로그래밍 기술 분야의 숙련자의 실무에 따르면, 본 발명은 다른 것이 표시되지 않는 한, 컴퓨터(920)와 같은 컴퓨터에 의해 수행되는 동작의 심볼 표현 및 행위를 참고로 설명된다. 이런 행위 및 동작은 때때로 컴퓨터 실행가능한 것으로 언급된다. 심볼로 표현된 동작 및 행위는 전기 신호 표현의 최종 변환 또는 감소를 야기하는 데이터 비트를 나타내는 전기 신호의 프로세싱 유닛(921)에 의해 조작, 및 메모리 시스템(시스템 메모리(922), 하드 드라이브(927), 플로피 디스크(929), 및 CD-ROM(931)을 포함함)내의 메모리 로케이션에서의 데이터 비트의 유지관리를 포함하여, 컴퓨터 시스템 동작 및 신호의 다른 프로세싱을 재구성 또는 변경하게 한다. 이런 데이터 비트가 유지되는 메모리 로케이션은 특정 전기, 자기 또는 데이터 비트에 대응하는 광 특성을 갖는 물리 로케이션이다.

본 발명의 임의의 예시된 양상을 참고로 설명되고 도시된다 할지라도, 그 균일한 수정 및 변형이 본 기술 분야의 숙련자에게 본 명세서를 주의깊게 읽을 때 일어날 수 있음을 이해해야 한다. 상술한 컴포넌트(어셈블리, 디바이스, 회로, 시스템 등)에 의해 수행되는 여러 기능에 관하여, 이런 컴포넌트를 설명하기 위해 사용되는 용어("수단"에 대한 기준을 포함)는 다른 것을 나타내지 않는한, 본 발명의 예시적인 양상을 도시한 기능을 수행하는 개시된 구조에 구조적으로 균등하지 않다 할지라도, 개시된 컴포넌트(예컨대, 균등하게 기능하는)의 특정 기능을 수행하는 임의의 컴포넌트에 대응하는 것으로 여겨진다. 이런 점에서, 본 발명이 시스템뿐만 아니라, 본 발명의 여러 방법의 행위 및/또는 이벤트를 수행하는 컴퓨터 실행가능한 지시를 갖는 컴퓨터 판독가능한 매체를 포함함을 또한 인식해야 한다.

또한, 본 발명의 특정 특징이 여러 구현예중 단지 하나로 개시된다 할지라도, 이런 특징은 특정 어플리케이션에 주어지는 것이 바람직하고 이로운 하나 이상의 다른 구현의 특징과 결합될 수 있다. 더욱이, 상세한 설명 또는 특허청구범위에서의 용어 "포함한다", "갖는다" 및 그 변형은, 포괄적인 포함의 의미를 나타낸다.

본 발명에 따르면, 피벗 포인트 데이터의 선택적인 복수 레벨 확장에 의해 논리적 순서의 리스트의 데이터 가시화, 검색 및 관리가 용이해진다.

Claims (36)

1. 데이터 관리 시스템으로서,

   데이터를 분석하여 복수의 계층 레벨을 생성하는 지정자(designator) - 상기 계층 레벨 각각은 피벗 포인트들로서 지정된 데이터의 서브세트들을 나타내며, 각각의 레벨들에 대한 피벗 포인트(들)는 사용자에 대한 데이터의 중요성을 나타내는 관련성 기준에 기초하여 상기 데이터로부터 선택됨 - ; 및

   상기 피벗 포인트들을 논리적 순서 및 사용자에 대한 관련성의 함수로서 상기 사용자에게 선택적으로 표시할 수 있는 표시 컴포넌트

   를 포함하는 데이터 관리 시스템.
2. 제1항에 있어서,

   상기 데이터는 인물 리스트, 이메일, 인스턴트 메시지들, 문서들 또는 미디어(media)를 포함하는 데이터 관리 시스템.
3. 제1항에 있어서,

   상기 논리적 순서는 번호순서 및 연대순서 중 적어도 하나, 또는 알파벳 순서인 데이터 관리 시스템.
4. 제1항에 있어서,

   상기 사용자에 대한 데이터의 관련성을 결정하는 분류자를 갖는 우선순위 시스템을 더 포함하는 데이터 관리 시스템.
5. 제1항에 있어서,

   각각의 확장된 계층 레벨은, 계층 레벨의 단축된(collapsed) 상태와는 다른 색상 또는 음영을 이용하는 데이터 관리 시스템.
6. 제4항에 있어서,

   상기 분류자에는, 명시적 트레이닝과 암시적 트레이닝 중 적어도 하나의 트레이닝이 제공되는 데이터 관리 시스템.
7. 제1항에 있어서,

   상기 피벗 포인트는 상기 사용자의 상태에 기초하여 동적으로 업데이트되는 데이터 관리 시스템.
8. 제1항에 있어서,

   상기 사용자에 의한 커맨드는 지정된 영역에 마우스를 클릭하는 것을 포함하는 데이터 관리 시스템.
9. 제1항에 있어서,

   상기 관련성 기준은 상기 데이터의 컨텐츠의 함수, 상기 데이터의 컨텍스트의 함수 또는 상기 데이터의 용량의 함수인 데이터 관리 시스템.
10. 제1항에 있어서,

    상기 지정자는 휴대용 전자 유닛의 일부인 데이터 관리 시스템.
11. 데이터베이스 시스템을 관리하는 방법에 있어서,

    데이터 구조를 논리적 순서에 따라, 확장가능한 복수의 계층 레벨 포맷으로 구성하는 단계;

    피벗 포인트들로서 지정된 상기 데이터 구조로부터 선택된 데이터를 사용자에게 표시하는 단계 - 각각의 레벨에 대한 상기 피벗 포인트들은 상기 사용자에 대한 상기 선택된 데이터의 중요성을 나타내는 관련성 기준에 기초하여 상기 데이터 구조로부터 선택됨 -; 및

    상기 사용자에 의한 커맨드에 응답하여, 레벨을 다음 레벨로 선택적으로 확장하는 단계

    를 포함하는 데이터베이스 시스템 관리 방법.
12. 제11항에 있어서,

    상기 사용자에 의한 추가(further) 커맨드에 응답하여, 레벨을 이전 레벨로 단축하는 단계를 더 포함하는 데이터베이스 시스템 관리 방법.
13. 제11항에 있어서,

    상기 관련성 기준을 결정하는 것 또는 상기 관련성 기준을 적용하는 것과 관련하여 분류자가 이용되는 데이터베이스 시스템 관리 방법.
14. 제13항에 있어서,

    상기 분류자는, 우선순위 또는 사용자에 대한 관련성의 하나 이상의 카테고리에 따라 또는 수신자들에게 보내진 전자 메시지들의 컨텍스트 또는 컨텐츠에 기초하여 트레이닝되는 데이터베이스 시스템 관리 방법.
15. 제11항의 방법을 수행하기 위한 컴퓨터 실행가능 명령어들을 포함하는 컴퓨터 판독가능 기록 매체.
16. 삭제
17. 삭제
18. 삭제
19. 삭제
20. 삭제
21. 삭제
22. 삭제
23. 삭제
24. 삭제
25. 삭제
26. 삭제
27. 삭제
28. 삭제
29. 삭제
30. 삭제
31. 삭제
32. 삭제
33. 삭제
34. 삭제
35. 삭제
36. 삭제

Images