KR20050058219A

KR20050058219A - 사용자 커뮤니티의 선호도 인코딩을 고려하여애플리케이션 및 서비스의 개인화를 지원하는 통계 모델및 방법

Info

Publication number: KR20050058219A
Application number: KR1020040104143A
Authority: KR
Inventors: 호르비츠에릭제이.
Original assignee: 마이크로소프트 코포레이션
Priority date: 2003-12-11
Filing date: 2004-12-10
Publication date: 2005-06-16
Also published as: JP2005190476A; US9443246B2; CN1655119A; EP1542146A3; EP1542146A2; US7774349B2; CN1655119B; KR101122817B1; US20050132014A1; JP5259913B2; US20100269051A1

Abstract

소프트웨어 애플리케이션 또는 서비스의 파라미터의 설정으로 사람을 지원하기 위해 통계적 방법론이 사용된다. 상기 방법으로, 인구통계에 관한 그리고/또는 다른 사람의 완전한 또는 부분적인 선호도에 관한 정보를 분석하여 컴퓨터 애플리케이션 또는 서비스의 기능성 및 설정을 위한 추천을 추론한다. 복수의 사용자에 관한 데이터를 수신하기 위한 능력으로 시스템이 검토되고, 커뮤니티 상점에서 이들 사용자를 위한 각 프로파일들을 저장한다. 시스템은 사용자들(새로운 및/또는 현존하는)을 위한 새로운 프로파일을 구축하는 것과 관련하여 소프트웨어 동작에 관한 선호도를 나타내는 파라미터의 완전한 및/또는 부분적으로 완전한 프로파일을 레버리지할 수 있다. 커뮤니티 프로파일과 관련하여 새로운 프로파일을 구축하고자 하는 사용자에 관한 데이터가 사용되어 개인화 프로파일을 사용자가 구축하는 것을 용이하게 한다. 예를 들면, 특정 파라미터에 의한 상위 n개의 설정, 인기도에 의한 상위 m개의 설정, 상위 x개의 가장 유사한 프로파일을 식별하기 위해 다양한 통계 및/확률 스킴을 사용하여 개인화 프로파일 구축 노력의 부분으로서 사용자가 가장 적당한 서브-프로파일을 선택하는 것을 용이하게 한다.

Description

사용자 커뮤니티의 선호도 인코딩을 고려하여 애플리케이션 및 서비스의 개인화를 지원하는 통계 모델 및 방법 {STATISTICAL MODELS AND METHODS TO SUPPORT THE PERSONALIZATION OF APPLICATIONS AND SERVICES VIA CONSIDERATION OF PREFERENCE ENCODINGS OF A COMMUNITY OF USERS}

<관련출원>

본 출원은, 2003년 12월 11일에 출원되고 발명의 명칭이 STATISTICAL MODELS AND METHODS TO SUPPORT THE PERSONALIZATION OF APPLICATIONS AND SERVICES VIA CONSIDERATION OF PREFERENCE ENCODINGS OF A COMMUNITY OF USERS인 미국 가출원 번호 제60/528,597호를 우선권 주장하며, 그의 모든 내용이 본 명세서에서 참조로 사용된다.

본 발명은 일반적으로 소프트웨어 및/또는 시스템 관리에 관한 것으로, 더 상세하게는, 복합적인 컴퓨팅 및 통신 시스템을 구성할 때 사용자의 커뮤니티로부터 선호도 설정을 분석하여 잠재적 설정 프로파일을 구축함으로써 새로운 유저를 지원하기 위한 방법 및 시스템에 관한 것이다.

현대의 컴퓨팅 시스템은 거대한 수의 분산 사용자에게 서비스하는 거대한 수의 애플리케이션을 지원한다. 하드웨어 처리 및 메모리가 성능면에서 계속하여 증가하였지만, 소프트웨어는 새롭고 현존하는 애플리케이션을 지원하도록 개발된 새로운 특징(features)의 수에 있어서 상기 발전사항을 계속하여 앞서고 있다. 예로서, 이동 전화기를 사용하는 경우, 벨소리의 유형 및 크기, 전화 디렉토리, 메뉴 커맨드, 인박스(inbox) 설정, 디스플레이 설정, 보안 설정 등을 포함하는 디바이스의 원하는 동작을 설정하기에 많은 특징이 이용가능하다. 전화 성능에 부가하여, 디지털 카메라 및 웹 서비스 같은 다른 하드웨어 특징 및 관련 소프트웨어가 이동 전화기 상에 나타나기 시작하고 있다. 오퍼레이팅 시스템, 소프트웨어 개발 시스템, 또는 어드밴스트 통신 아키텍쳐와 같은 보다 복잡한 시스템에서, 특정 환경을 특정 사용자 취향에 맞추기 위한 설정의 수는 놀라운 정도가 되었다.

요구되는 선호도에 따라 규칙 기반 시스템 또는 통계적 안내 자동화 추정(reasoning) 등 보다 복잡한 시스템을 구성하기 위해, 사용자들에게는 종종 전자적 또는 페이퍼를 통해 자료의 거대한 다이제스트를 읽어야하는 과업이 주어지고 행해진 조정이 적당한지를 알기 위해 이를 시스템에 실험하게 된다. 그러한 실험은 지루할 수 있고 사용자가 정제된 설정에 사용하고자하는 시간보다 더 많은 시간이 걸릴 수 있다. 이해되는 바와 같이, 이러한 유형의 실험 학습 처리는 지루할 뿐더러 실망스러울 수 있다. 복합 시스템 상에서의 학습의 대체 형태로서, 사용자는 또 다른 사용자에 의해 수동으로 훈련될 수 있는데, 그 훈련을 제공하는 사람은 종종 시간에 제한에 기인하여 시스템에 관한 기본적인 정보만을 알려주게 된다. 아마도, 더 안좋은 시나리오는 대학에서의 매뉴얼 훈련동안에 발생한다. 이들 경우에, 훈련을 제공하는 사람을 단지 지시하는 사람과 관련된 그들 특징만을 알려주게 된다. 따라서, 많은 사용자는 컴퓨팅 시스템 및 관련 소프트웨어의 완전한 파워 및 유틸리티를 경험하지 못할 수 있다.

본 발명의 일부 양상의 기본적 이해를 제공하기 위해 본 발명의 간략한 개요가 후술된다. 이러한 개요는 본 발명의 종합적인 개관은 아니다. 그것은 본 발명의 중요 또는 임계적 요소를 구분하고 본 발명의 범위를 기술하고자하는 의도는 아니다. 개요의 유일한 목적은 후술되는 발명의 상세한 설명에 앞서 간략한 형태로 본 발명의 일부 개념을 제공하는 것이다.

본 발명은 소프트웨어 애플리케이션 및 서비스의 개인화(personalization)를 용이하게 한다. 더 상세하게는, 통계 모델 및 방법을 사용하여, 사용자의 커뮤니티의 선호도 인코딩을 고려하여 애플리케이션 및 서비스의 개인화를 지원한다. 커뮤니티로부터의 데이터의 분석을 기초로, 시스템에 대하여 사용자가 자신들의 개인적 설정으로 사용할 수 있는 잠재적 프로파일을 생성하거나 제안하게 되는데, 이 프로파일은 유사한 특징을 주어진 사용자와 공유할 수 있는 사용자의 더 큰 커뮤니티에 의해 일반적으로 유용함에 따라 선택되는 잇점이 있다. 예를 들면, 본 발명은 복잡한 시스템에 대한 요구되는 설정을 평가하여 결정하는데 어려움을 갖는 사용자에 의한 종래의 라우팅 또는 컴퓨팅 시스템 셋업과 관련된 문제를 완화하는 것으로, 본 발명은 설정의 데이터베이스의 통계적 추정과 같은 자동 기술을 사용하여 프로파일 설정에 대한 추천을 용이하게 할 수 있다.

프로파일 구성 및 선택과 관련한 본 발명의 특정의 한 양상은 예를 들면 컨텍스트(context)를 특정 개인화 노력에 제공할 수 있는 다양한 외부 데이터 뿐만 아니라 인구통계, 용도, 현존 프로파일을 고려한다. 본 발명의 또 다른 양상은 개인화와 관련하여 추론 방법을 사용한다. 예를 들면, 공동 필터링, 인기도 분석, 인구통계 분석, 및 다양한 클러스터 방법을 사용하여 사용자의 커뮤니티에 의해 저장된 선호도의 데이터베이스를 분석함으로써, 사용자 또는 설정에 관한 일부 부분 정보를 고려하는 주어진 사용자에 적당할 수 있는 선호도의 잠재적 프로파일 또는 프로파일들을 결정한다. 다른 특징은, 유사한 필요성 및 성능 요구사항을 갖는 다른 사용자로부터 잠재 설정을 이용하기 위해 자신들에 관한 특성을 사용자가 정의하게 하는 것을 포함한다. 이것은 현재 프로파일이 동기된 하나 이상의 다른 유사 프로파일을 직접 검사 및/또는 선택하게 하는 것을 포함한다. 다른 자동화 기술은 질문 세트 또는 서브세트를 구비한 사용자에게 질의하여 주어진 시스템을 최상으로 구성하고 사용하도록 사용될 수 있는 또 다른 질문 세트를 결정한다. 이해되는 바와 같이, 새로운 프로파일 설정이 선택되면, 시스템에 있는 자동화 모델은 변화된 설정을 기초로 가능한 미래 시스템 성능에 대한 예측을 제공할 수 있다(예를 들면, 이 설정이 변경되면, 여러분은 하루당 20% 이상의 중간 우선순위 메시지를 수신할 것이다).

전술하고 관련된 목적을 달성하기 위해, 본 발명의 예시적 양상을 후술하는 상세한 설명 및 첨부 도면과 관련지어 설명할 것이다. 이들 양상은 본 발명의 원리가 사용될 수 있는 약간의 다양한 방법을 나타내지만 본 발명은 모든 그러한 양상 및 등가물을 포함하는 것을 의도로 한다. 본 발명의 다른 잇점 및 신규한 특징은 도면과 관련하여 후술하는 상세한 설명으로부터 명백해질 것이다.

본 발명은 다양한 컴퓨터 애플리케이션에 대한 잠재적 또는 제안된 프로파일 설정을 자동으로 생성하는 방법 및 시스템에 관한 것이다. 저장 컴포넌트는 사용자의 커뮤니티에 관련하는 데이터를 수신하는데, 이 데이터는 커뮤니티의 프로파일 또는 설정 선호도에 관련된다. 분석기는 개인화 프로파일 구축과 관련하여 사용자에게 추천하기 위해 현정 프로파일에 관련하는 정보 및 커뮤니티 데이터 및 정보를 처리한다. 분석기는 공동 필터링과 같은 다양한 통계적 그리고 모델링 기술을 사용하여 개인화 프로파일을 결정할 수 있다.

본 애플리케이션에서 사용되는 바와 같이, 용어 "컴포넌트", "모델", "시스템", "분석기", "생성기" 등은 컴퓨터 관련 엔티티(entity), 하드웨어, 하드웨어 및 소프트웨어의 결합, 소프트웨어, 또는 실행중인 소프트웨어를 언급하는 것을 의도한다. 예를 들면, 컴포넌트는 프로세서 상에서 실행중인 프로세스, 프로세서, 오브젝트, 실행가능, 실행 스레드(thread), 프로그램 및/또는 컴퓨터일 수 있지만, 이에 한정되는 것은 아니다. 예로서, 서버 상에서 실행하는 애플리케이션 및 서버 모두 컴포넌트일 수 있다. 하나 이상의 컨텐츠가 프로세스 및/또는 실행 스레드 내에 상주할 수 있고 하나의 컴포턴트는 하나의 컴퓨터 상에 국부화될 수 있고/또는 두개 이상의 컴퓨터 간에 분산될 수 있다. 또한, 이들 컴포넌트는 저장된 다양한 데이터 구조를 구비한 다양한 컴퓨터 판독가능 매체로부터 실행할 수 있다. 컴포넌트는 하나 이상의 데이터 패킷(예를 들면, 로컬 시스템, 분산형 시스템에서 및/또는 신호를 통하여 다른 시스템을 구비한 인터넷과 같은 네트워크를 통하여 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터)을 갖는 신호에 따라 로컬 또는 원격 프로세스를 통하여 통신할 수 있다.

본 명세서에서 사용되는 바와 같이, 용어 "추론"은 일반적으로 이벤트 및/또는 데이터를 통하여 캡쳐되는 소견(observations) 세트로부터 시스템, 환경, 및/또는 사용자의 상태에 관하여 추정하거나 그 상태를 추론하는 프로세스를 말한다. 추론을 사용하여 특정 컨텍스트 또는 액션을 식별하거나, 예를 들면, 상태들에 대한 확률 분포를 생성할 수 있다. 추론은 확률적, 즉, 데이터 및 이벤트의 고려를 기초로 관심있는 상태들에 대한 확률 분포의 계산일 수 있다. 추론은 또한 이벤트 및/또는 데이터의 세트로부터의 고레벨 이벤트를 구성하기 위해 사용되는 기술을 말한다. 그러한 추론은, 이벤트가 시간적 근접성에 관련되어 있든지 간에 그리고 이벤트 및 데이터가 하나 또는 몇개의 이벤트 및 데이터 소스로부터 나왔는지 간에, 관찰된 이벤트 세트 및/또는 저장된 이벤트 데이터로부터 새로운 이벤트 또는 액션을 구성하게 된다. 더우기, 추론은 논리 모델 또는 규칙을 기초로 할 수 있는데, 컴포넌트들 간 또는 데이터 간의 관계는 데이터의 분석 및 그로부터 이끌어낸 결론에 의해 결정된다. 예를 들면, 하나의 사용자가 네트워크를 통하여 다른 사용자의 서브세트와 인터랙션하는 것을 관찰함으로써, 이 서브세트의 사용자는 결코 인터랙션하지 않거나 드물게 인터랙션하는 복수의 다른 사용자들과는 반대로 상기 하나의 사용자에 대하여는 관심있는 원하는 사회 네트워크에 속한다고 결정하거나 추론될 수 있다.

도 1을 참조하면, 시스템(100)은 본 발명의 일 양상에 따른 자동화 프로파일 생성기 및 인터페이스를 도시한다. 시스템(100)은 사용자 커뮤니티로부터의 설정 데이터 및 복수의 프로파일을 저장하는 데이터베이스(들)(110)를 포함한다. 프로파일 데이터는 다양한 애플리케이션에 따라 프로파일 설정을 생성한 복수의 클라이언트 컴퓨터(120)로부터 생성된다. 그러한 애플리케이션은 통신 시스템, 오퍼레이팅 시스템 설정, 개발 시스템 애플리케이션 및 구성 설정은 사용자 선호도에 따라 애플리케이션을 맞춤화하기 위해 적용되는 임의의 유형의 애플리케이션과 같은 범용의 컴퓨팅 시스템을 포함할 수 있다. 분석기(130)는 다양한 통계적, 수학적, 및/또는 모델을 데이터베이스(110)에 적용하여 사용자 인터페이스(150)에 디스플레이될 수 있는 하나 이상의 프로파일(140)을 결정한다. 그러한 프로파일(140)은 복수의 인자로부터, 즉, 구성 또는 동작을 위해 하나 이상의 발생된 프로파일(140)을 사용할 수 있는 클라이언트 컴퓨팅 시스템(160)의 사용자에 의해 제공되는 인구통계 또는 관찰 정보로부터 분석기(140)에 의해 자동으로 선택된다. 사용자 인터페이스(150)는 또한 사용자가 분석기(130)를 통하여 원하는 프로파일의 선택을 안내할 수 있도록 다양한 사용자 입력 또는 선택(170)을 포함한다.

전술한 바와 같이, 분석기(130)는 몇개의 기술을 사용하여 데이터베이스(110)로부터 프로파일 또는 설정 데이터를 처리할 수 있다. 일 양상에서, 이것은 데이터를 분석하고 사용자에 대한 프로파일을 결정(140)하기 위해 공동 필터 기술을 사용한다. 공동 필터링 시스템은 일반적으로 사용자 선호도에 관한 데이터베이스를 사용하여 새로운 사용자가 좋아할 것 같은 부가의 토픽 또는 제품을 예측한다. 본 발명에 따라, 공동 필터링이 분석기(130)에 의해 적용되어 사용자의 이전 시스템 설정 선호도를 처리함으로써 시스템의 새로운 사용자에 대한 유사 또는 가능성있는 설정 또는 프로파일을 예측한다. 상관 계수를 기초로하는 기술, 벡터-기반 유사성 계산, 및 통계 베이즈(Bayesian) 방법을 포함하는 일부 알고리즘이 사용될 수 있다.

공동 필터링에서의 한가지 일은, 다른 사용자의 모집단 또는 샘플로부터 사용자 투표(명시 또는 내포된)의 데이터베이스에 기초하여 특정 사용자(활동 사용자)에 대한 아이템의 유틸리티를 예측하는 것이다(사용자 데이터베이스(110)). 메모리-기반 알고리즘은 전체 사용자 데이터베이스에 걸쳐 동작하여 예측한다. 모델-기반 공동 필터링에서는 대조적으로, 사용자 데이터베이스를 사용하여 모델을 추정하거나 학습하는데, 이는 다음에 예측에 사용에 사용된다. 별개의 메모리-기반 및 모데-기반 방법외에, 조합 방법이 개발되었다. 예를 들면, 메모리-기반과 모델-기반 접근법간의 하이브리드로서 볼 수 있는 개성 진단(personality diagnosis; PD)이라 호칭되는 공동 필터링 방법을 사용할 수 있다. 모든 데이터는 처리를 통하여 유지되고, 새로운 데이터가 점진적으로 가산될 수 있으며, 예측은 의미있는 확률 의미론을 구비한다. 각 사용자의 보고된 선호도는 자신들의 아래에 있는 "개성 유형"의 명시로 표현된다. 사용자는 아이템에 대한 등급을 가우스(Gaussian) 에러로 보고한다고 가정한다. 아이템의 활동 사용자의 공지 등급이 주어지면, 모든 다른 사용자마다 사용자가 동일한 개성 유형을 가질 확률을 계산하고, 다음에 사용자가 몇개의 새로운 아이템을 요구할지의 확률을 계산한다. PD는 메모리-기반 및 모델-기반 알고리즘 모두의 일부의 잇점, 즉, 간단성, 확장성, 규범 그라운딩(grounding) 및 설명력을 유지한다.

공동 필터링 시스템은 그들이 암시(inplicit) 대 명시(explicit) 투표에 대하여 동작하느냐에 따라 구별될 수 있다. 명시 투표는 사용자가 타이틀에 대하여 자신의 선호도를 일반적으로 수치 스케일로 의식적으로 표현하는 것을 말한다. 암시 투표는 투표 또는 선호도를 귀속시키기 위해 사용자 행동 또는 선택을 나타내는 것을 말한다. 암시 투표는 (예를 들면, 웹 애플리케이션에서의) 브라우징 데이터, (예를 들면, 온라인 또는 전통적인 상점에서의) 구매 이력, 또는 시스템(120)으로부터 이전에 선택되거나 또는 현재에 사용되는 선호도를 저장하는 데이터베이스(110)로부터와 같은 다른 유형의 정보 액세스 패턴을 기초로 할 수 있다.

일반적으로, 공동 필터링에서의 일은 다른 사용자들의 모집단 또는 샘플로부터 사용자 투표의 데이터베이스로부터 (활동 사용자로 지칭되는) 특정 사용자의 투표를 예측하는 것이다. 메모리 기반 공동 필터링 알고리즘에서, 활동 사용자의 투표는 활동 사용자에 관한 일부 부분 정보 및 사용자 데이터베이스로부터 계산된 가중치 세트를 기초로 예측된다. 정보 검색 필드에서, 각 문서를 워드 주파수의 벡터로서 다루고 두 주파수 벡터에 의해 형성된 각의 코사인을 계산함으로써, 두 문서간의 유사성을 종종 검색한다.

확률적 시각에서, 사용자에 관하여 공지된 것이 주어지면, 투표의 기대값을 계산함으로써 공동 필터링 일이 보여질 수 있다. 활동 사용자에 대하여, 아직 관찰되지 않은 아이템으로서 투표를 예측하는 것이 바람직하다. 공통 필터링에 대한 하나의 그럴듯한 통계 모델로는, 투표 확률이 일부 상대적으로 작은 수의 개별 값을 취하는 관찰되지 않은 클래스 변수 C에서의 주어진 멤버쉽에 조건부 의존하는 베이즈 분류기가 있다. 개념은 선호도 및 취향의 공통 세트를 캡쳐하는 임의의 사용자의 유형 또는 그룹이 존재한다는 것이다. 클래스가 주어지면, (투표로서 표현되는) 다양한 아이템에 관한 선호도는 독립적이다. 조건부 및 한계(marginal) 분포의 다루기 쉬운 세트에 대한 투표 및 클래스의 결합 확률에 관련하는 확률 모델은 표준 "네이브(naive)" 베이즈 공식이다.

확률적 공동 필터링에 대한 다른 모델 공식으로는 도메인에 있는 각 아이템에 대응하는 노드를 구비한 베이즈 네트워크가 있다. 각 노드의 상태는 각 아이템에 대하여 가능한 투표값에 대응한다. 데이터 손실에 대한 자연적 표현이 없는 도메인에 대하여 "투표 없음(no vote)"에 대응하는 상태가 또한 포함된다. 베이즈 네트워크를 학습하기 위해 알고리즘이 훈련 데이터에 적용되는데, 훈련 데이터에서의 손실 투표는 "투표 없음" 값으로 표시된다. 학습 알고리즘은 각 아이템에 대하여 종속성에 관하여 다양한 모델 구조에 걸쳐 탐색한다. 그 결과 네트워크에서, 각 아이템은 자신의 투표의 최상 예측자인 부모(parent) 아이템의 세트를 가질 것이다. 각각의 조건부 확률 테이블은 그 노드에 대하여 조건부 확률을 인코딩하는 결정 트리로 표현될 수 있다.

진행하기 전에, 사용자 인터페이스(150)가 그래픽 사용자 인터페이스(GUI)로서 제공될 수 있다. 예를 들면, 인터페이스(1500)는, 다수의 구성가능 디멘젼, 형태, 컬러, 텍스트, 데이터 및 사운드를 구비한 구성가능 아이콘, 버튼, 슬라이더, 입력 상자, 선택 옵션, 메뉴, 탭 등의 애스펙트(aspects)를 본 명세서에 설명된 시스템과의 동작을 용이하게 한다. 부가하여, 사용자 입력(170)은 또한 본 발명의 하나 이상의 애스펙트를 구성하고 조정하는 복수의 다른 입력 또는 제어부를 포함할 수 있다. 이것은 마우스, 키보드, 음성 입력, 웹 사이트, 브라우저, 원격 웹 서비스 및/또는 마이크로폰, 카메라 또는 비디오 입력과 같은 다른 디바이스로부터의 사용자 커맨드를 수신하여 본 명세서에서 설명되는 다양한 컴포넌트의 동작에 영향을 미치거나 수정하는 것을 포함한다.

도 2 및 도 3을 참조하면, 본 발명의 일 양상에 따른 예시적 공동 필터링 다이아그램이 도시된다. 도 2는 3차원 공간에 고르게 퍼진 선호도 데이터를 도시하는 다이아그램(200)이다. 그러나, 선호도의 다속성 공간에서 고르게 퍼져있는 것 보다는 오히려, 사용자가 다른 사용자에 대하여 서로 다른 방법에서는 종종 유사하다.

도 3에서, 다이아그램(300)은 데이터의 보다 대표적인 형태를 도시한다. 많은 경우에, 사람은 다른 사람에 대해 유사한 선호도를 가지며 사람은 다차원 공간에서의 유사성을 기초로 클러스터로 그룹화될 수 있다. 본 발명은 기계 학습 및 추록 기술 또는 보다 단순한 통계 클러스터링 방법을 사용하여, 몇몇 선호도 또는 인구 통계 정보를 갖는 사용자가 다른 이전의 불특정 설정 또는 선호도에 일치하는 가능성에 관하여 추정할 수 있다.

이러한 유형의 서비스 또는 애플리케이션을 광범위하게 "공동 필터링"이라 한다. 일 양상에서, 본 발명은 소프트웨어 설정을 식별하는 일반적인 경우에 대하여, 특히, 특정 일 예에서 통신시 애플리케이션에 따라 상이한 설정에서의 인터럽션 비용의 정의에 대하여 공동 필터링의 애플리케이션에 초점을 맞춘다. 그러나, 전술한 바와 같이, 본 발명은 구성 및 동작에 대한 설정을 사용하는 전자 시스템의 임의의 유형에 실질적으로 적용될 수 있다. 후술하는 예가 많은 경우 통신 시스템에 관하여 진행되지만 본 발명을 통신 시스템으로 한정하는 것으로 고려되어서는 안된다. 예를 들면, 후술하는 일부 시스템은 접촉자 또는 피접촉자의 선택된 선호도를 사용하여 선호도 관점에서 파티(party)들 간에 통신을 생성하기 위한 "최상" 또는 가장 근사한 수단을 통하여 전자 통신을 전달하는 "베스트콤(Bestcom)" 통신 시스템을 설명한다.

도 4를 참조하면, 본 발명의 일 양상에 따라 통신 기본형(prototype) 인터페이스(400)가 도시된다. 전술한 바와 같이, 베스트콤 시스템은 피접촉자 및 접촉자의 선호도를 기초로 최상 수단 통신 방법을 채용한다. 베스트콤 기본형은 인터페이스(400)으로 도시되고 고레벨 비용과 편익 규칙의 스펙(specification)을 통한 제어 뿐만 아니라 기대 유틸리티의 정규 사용을 조사하기 위해 사용되었다. 비용과 편익 규칙 제어를 고려하면, 통신 시스템과 인터페이스(400)는, 개개인 및 사람 그룹의 호출 우선순위(호출을 연기하는 비용으로서 표현될 수 있는) 뿐만 아니라 일중 시간(time of day)과 주중 요일(day of week)를 포함하는 컨텍스트를 고려한다. 이 인터페이스(400)는, 지금으로부터 한 시간내에 미팅할 그룹, 오늘 내가 전화한 사람 등을 포함하는, 조직 및 활동도에 의해 그룹화하고, 사람을 표시하는 그룹 관리자를 도시한다.

도 5를 참조하면, 다이아그램(500)은, 우선 순위의 호출 또는 메시지가 시간 외에 그리고 우선 순위 메시지의 인터럽션 비용 관점에서 그 메시지의 수신자에게 라우팅되는 방법을 도시한다. 고레벨 비용-편익 버전의 통신 시스템은, 모바일 설정에 있을때, 그러나 (바쁨, 외근 등) 보고하기 위해 설정된 사용자의 인스턴트 메신저 지위가 무엇인지 등의 설정, 데스크탑 활동도(예를 들면, 사용자가 지금 하고있는 것), 감지된 소견(마이크로폰 및 대화를 픽업하는 대화 분석 시스템), 및 미팅을 기초로하여 인터럽션의 비용을 동적으로 변화하더라도 호출을 사용자에게 라우팅할 수 있다.

다이아그램(500)에 도시된 은유가 갖는 하나의 컨셉은, 인터럽션의 비용만큼 또는 그 보다 더 높은 우선 순위(저, 중, 고)를 갖는 것으로 뚫고 나간다는 것이다. 선호도에 따라 우선 순위가 매겨진 메시지를 라우팅하는 본 예에 따라, 소프트웨어 설정에 대한 공동 필터링이 적용될 수 있다. 공동 필터링 기술은 사람들이 선호도를 기초로 하는 소프트웨어 또는 다른 시스템을 구성하는 많은 시나리오 및 애플리케이션에 적용될 수 있다는 것이 이해될 것이다. 따라서, 다수의 사용자로부터의 설정에 관한 정보를 취하고 다음에 그 설정을 분석하여 자신들의 선호도를 셋업하는 단일 사용자들을 지원할 수 있는 시스템을 구축할 수 있는 아키텍쳐가 구성될 수 있다. 후술되는 다른 인자와 함께 또 다른 입력이 이용가능한지 인구 통계 정보를 사용할 수 있다.

도 6을 참조하면, 인터페이스(600)가 도시된다. 이 경우에, 비용-편익 시스템은 호출자 우선 순위 및 또한 서로 다른 설정에서의 인터럽션 비용을 특정함으로써 셋업될 수 있다. 예시적 인터페이스(600)에 대하여, 사용자는 선호도 규격 심사(specification view)를 입력한다. 현재의 컨텍스트는 시스템에 의해 감지되고 인터럽션 비용은 참조부호(610)에서 인터페이스의 하단의 우측 코너에 표시되어 있다. 도 7을 참조하면, 사용자가 그들이 바쁘다고 고려되는 경우 활동도 및 시간을 특정하게 할 수 있는 인터페이스(700)가 도시된다. 본 예에서, 사용자는 그들이 시간 및/또는 활동도에 의해 저, 중, 또는 고비용의 인터럽션 상태에 있는 때를 특정할 수 있다. 다음의 설명에서는 활동도에 초점을 맞추었지만, 관련 방법들이 임의의 설정 및/또는 시스템에 광범위하게 적용될 수 있다.

도 8은 컨텍스트 상태 및 다양한 사용자 상태에 대한 인터럽션의 관련 비용을 변경하는 것을 정의하는 인터페이스(800)를 도시한다. 본 예에서, 활동도 선택기(810)는 사용자로 하여금 활동도, 카렌다, 및 센서의 카테고리로부터 소견을 선택하고 파라미터화하게 한다. 활동도는 데스크탑 컴퓨팅 활동도(애플리케이션에 초점을 갖고 활동적으로 사용중인) 또는 설정(예를 들면, 메신저)를 말한다. 카렌다는 진행중인 미팅에 관한 속성을 말한다. 센서는 음향 및 시각 감지, 및 기타 멀티모달(multi-modal) 감지를 말한다.

본 특정 샘플 인터페이스(800)가 클라이언트측 전화 애플리케이션의 부분으로서 실행중임에 따라, 참조 부호(820)에서, 서버와 통신 중에 있고, 사용자는 아이템을 선택, 파라미터화, 및 고, 중, 및 저비용의 인터럽션 폴더로 드래그할 수 있다. 아이템 세트는 부울 환(boolean or'ing)의 구별을 나타낸다; 임의의 구별이 카테고리에서 액티브인 경우, 카테고리는 참이 된다. 시스템은 카테고리에서의 구별의 지위(status)에 의해 활성화되는 최고 비용 카테고리를 다시 리포트한다. 본 시스템 구축시에, 중앙 집중 서버 상에 사용자의 선호도 설정을 저장하는 예시적 아키텍쳐가 생성되었지만, 분산형 또는 웹-기반 서버가 또한 사용될 수 있다.

본 예에서, 본 발명은 비용-편익- 중앙 통신 시스템의 제어를 위해 선호도 인코딩을 사용하여, 프로파일 어시스턴트를 생성하기 위해 다수의 사용자의 배경 및 선호도를 고려하는 선호도 추천 시스템을 개발한다. 사용자는 프로파일 어시스턴트 버튼(830)을 클릭함으로써 프로파일 어시스턴트를 액세스할 수 있다. 프로파일 어시스턴트 버튼은 클라이언트측 선호도 어세스먼트(assessment) 애플리케이션으로부터의 사용자들을, 사용자의 커뮤니티에서 사용자 선호도의 통계 개요 뿐만 아니라 공동 필터링을 수행하기 위해 추론을 실행하여 선호도-어세스먼트 어시스턴트 서비스를 제공하는 웹 서비스로 취한다. 버튼(830)으로부터 활성화되는 프로파일 어시스턴트 인터페이스는 도 10 내지 도 20을 참조하여 하기에 상세하게 설명된다.

도 9는 본 발명의 일 양상에 따른 프로파일 생성기(900)의 블록도이다. 프로파일 생성기(900)는 복수의 사용자에 관한 데이터를 수신하고 이들 사용자에 대한 각각의 커뮤니티 프로파일을 커뮤니티 저장(910)에 저장할 수 있다. 프로파일 생성기(900)는 (새로운 및/또는 현존의) 사용자들에 대한 새로운 프로파일 관련하여 이들 완전 및/또는 부분적으로 완전한 프로파일을 레버리지(leverage)할 수 있다. 커뮤니티 프로파일과 관련하여 새로운 프로파일을 생성하기 원하는 사용자에 관한 데이터를 사용하여 개인화 프로파일을 사용자가 구축하는 것을 용이하게 한다. 예를 들면, 특정 파라미터에 의한 상위 n개의 설정, 인기도에 의한 상위 m개의 설정, 상위 x개의 가장 유사한 프로파일을 식별하기 위해 다양한 통계 및/확률 스킴을 사용하여 개인화 프로파일 구축 노력의 부분으로서 사용자가 가장 적당한 서브-프로파일을 선택하는 것을 용이하게 한다.

프로파일 생성기와 함께 프로파일 생성기(900)를 사용하여 복수의 상태(예를 들면, 활동도, 카렌다...)로터 선택하고 개인 프로파일 구축과 관련하여 그러한 선택된 상태를 사용하는 것을 제공한다. 또한, 프로파일 어시스턴트는 임의의 복수의 적당한 메트릭(metrics)(예를 들면, 추천, 현재 사용자와 커뮤니티 프로파일에 나타난 사용자 서브세트 간의 유사성, 특정 설정(예를 들면, 주어진 컨텍스트)의 인기도...)을 통하여 적어도 부분적으로 커뮤니티 프로파일을 기초로 하는 추천을 제공할 수 있다. 이해될 수 있는 바와 같이, 본 발명은 실질적으로 현존 프로파일을 레버지지함으로써 개인화 프로파일 구축을 용이하게 한다. 보다 상세하게, 본 발명은 특정 상태에 대하여 프로파일 설정과 관련해서 많은 개개인이 일치하는 선호도를 가질 수 있고, 프로파일 설정에 관해서 개개인 추천의 서브세트 간에 상관관계를 식별함으로써 향상된 개인화 프로파일 구축 뿐만 아니라 스트림-라인을 개개인에게 제공될 수 있다는 것을 고려한다.

도 10 내지 도 20은 본 발명의 일 양상에 따른 예시적 프로파일 인터페이스를 도시한다. 도 10을 참조하면, 웹 서비스 인터페이스(100)의 보기가 도시된다. 참조부호(1010)에서의 나의 프로파일(My Profile)은 샘플 인구통계(이 경우에, 조직 역할) 뿐만 아니라 클라이언트 소프트웨어에 입력된 현재 설정으로 되어 있다. 참조부호(1020)에서 나의 프로파일의 왼편에 이용가능 소견이 카테고리로 리스트되어 있다. 참조부호(1030)에서 컬럼의 오른편에 공동 필터링이 사용되고, 예시적 사용자에 의해 이미 거기에 위치된 설정을 기초로 저, 중, 및 고비용의 인터럽션의 정의에 포함하고자 할 수 있는 설정을 표시한다. 참조부호(1030)의 추천 컬럼에서의 임의의 구별이 선택되고 참조부호(1010)에서 나의 프로파일로 이동된다. 추론한 후에, 사용자는 인기도에 의한 설정을 점검하고자 할 수 있다. 참조번호(1040)에서 "By Popularity"를 선택함으로써 사용자는 이제 도 11에 도시된 인기도에 의한 리스트를 볼 수 있다.

도 11을 참조하면, 인터페이스(1100)는 인기도에 의한 보기를 도시한다. 다시, 사용자는 추천 컬럼(1110)으로부터의 소견을 선택하고 이것을 참조부호(1120)에서의 나의 프로프로파일 컬럼으로 이동할 수 있다. 이 경우에, 유사성에 의해 다른 사람을 방문하는 또 다른 강력한 추론의 특징이 도시된다. "Show Profiles of People Like Me" 버튼(1130)을 선택함으로써, 사용자는, 그들이 저, 중, 및 고비용의 인터럽션을 어떻게 정의하였는지에 관하여 말한 것 및, 이용가능하다면, 그들의 조직 역할 또는 직급 모두 그들을 가장 좋아하는 사람을 보기할 수 있다. 그러한 인구통계는 나이, 성, 회사에서의 근무 기간, 매일 수신되는 호출의 번호 등과 같은 다른 특성을 포함할 수 있다.

도 12를 참조하면, 인터페이스(1200)는 도 11의 참조부호(1130)에서의 유사한 사람 컬럼의 보기 프로파일을 턴온하는 것을 도시하고, 현재 사용자의 프로파일과 인구통계에 가장 유사한 실제 익명(anonymized) 프로파일이 표시된다. 이 경우에, 88개의 프로파일이 디스플레이를 위한 유사성 임계치의 상위에 있다. 사용자는 다수의 사용자를 위해 실제 존재하는 사용자-크래프트(crafted) 프로파일을 숙독할 수 있다. 이들은 본 애플리케이션의 사용자의 커뮤니티에서 가장 유사한 것으로부터 덜 유사한 프로파일 순으로 정렬된다. 이 경우에, 사용자는 흥미있는 임계치에 대하여 이용가능한 총 88개 중 프로파일 번호 7을 선택하였다. 사용자는 소견을 선택함으로써 특정 소견을 고를 수 있거나 또는 참조부호(1210)에서 "Make this My Starting Point" 버튼을 클릭할 수 있다. 이러한 선택(1210)은 전체 파일에 로딩괴고 사용자의 이전 설정을 대체한다. 도 12의 새로운 프로파일이 참조부호(1210)에서 선택됨에 따라, 나의 프로파일 설정은 도 13의 인터페이스(1300)의 참조부호(1310)에 도시된 바와 같이 갱신된다. 정의의 확장을 위한 추천이 참조부호(1320)에서 공동 필터링 추론을 통하여 갱신되고, 유사 프로파일 리스트가 또한 참조부호(1330)에서 재분류되고 임계치화(thresholded)된다. 사용자는 계속하여 자신의 프로파일을 정제하고, 원한다면, 저장할 수 있다. 사용자가 종료되는 경우, 자신의 클라이언트 소프트웨어 설정에 나타나는 대로 프로파일 및 설정을 저장할 수 있다.

도 14를 참조하면, 사용자가 이전 선호도 어세스먼트가 없는 시작 포인트에 있는 인터페이스(1400)가 도시된다. 보기(1400)는 사용자가 훌륭한 경력(clean slate)으로 시작하는 것을 도시하고, 사용자가 참조부호(1410)에서 조직에서의 프로그램 관리자인 (선택 또는 입력 옵션)을 나타낸다. 공동 필터링 시스템으로부터의 추천은 참조부호(1420)에서 추천 아래에 디스플레이된다. 유사 프로파일이 참조부호(1430)에 또한 지시된다.

도 15 내지 도 20은 본 발명의 다양한 특징을 도시한다. 도 15는 프로그램 관리자로부터 개발자/아키텍쳐로 변경함으로써 다른 추론 및 유사 프로파일을 초래하는 것을 도시한다. 도 16은 사용자가 한 아이템을 선택하고, 참조부호(1610)에서(예를 들면, 개발 패키지, 비주얼 스튜디오를 사용하여) 고비용의 인터럽션 상태에 있는 경우를 정의하여 부가하는 것을 도시한다. 이제, 추천 및 유사성을 갱신하여 이러한 선호도를 반영한다. 도 17에서, 사용자는 추천 리스트로 진행하고 참조부호(1710)에서 디버거(Debugger)를 사용하여 선택한다. 이것은 리스트에 부가되고 추론함으로써, 도 18에서, 추천 및 유사 프로파일 컬럼 모두에서 변경을 초래하게 된다. 도 19에서, 사용자는 최상에서 최하로 유사한(임계치를 넘는) 디멘전을 따라 일부 프로파일을 스캔하고, 자신의 선호도를 캡쳐할 것 같은 하나를 보기를 중지한다. 사용자는 참조부호(1910)에서 "Make this my starting point"를 선택하고 이 프로파일에 로딩하여 자신의 선호도를 이용하게 된다. 이제, 확장을 위한 추천의 추론이 다시 발생하고, 추천 리스트 및 최대 유사 프로파일 리스트가 도 20에 도시된 바와 같이 갱신된다.

도 21을 참조하면, 본 발명의 다양한 양상을 구현하기 위한 예시적 환경(2110)은 컴퓨터(2112)를 포함한다. 컴퓨터(2112)는 프로세싱 유닛(2114), 시스템 메모리(2116) 및 시스템 버스(2118)를 포함한다. 시스템 버스(2118)는 시스템 메모리(2116)를 포함하는 시스템 컴포넌트를 프로세싱 유닛(2114)에 접속하는데, 이에 한정되는 것은 아니다. 프로세싱 유닛(2114)은 임의의 다양한 이용가능 프로세서일 수 있다. 듀얼 마이크로프로세서 및 다른 멀티프로세서 아키텍쳐를 또한 프로세싱 유닛(2114)으로 사용할 수 있다.

시스템 버스(2118)는, 11비트 버스, ISA(Industrial Standard Architecture), MSA(Micro-Channel Architecture), EISA(Extended ISA), IDE(Intelligent Drive Electronics), VLB(VESA Local Bus), AGP(Advanced Graphics Port), PCMCIA(Personal Computer Memory Card International Association bus), 및 SCSI(Small Computer Systems Interface)를 포함하는 임의의 다양한 이용가능 버스 아키텍쳐를 사용하는 로컬 버스, 주변 버스 또는 외부 버스, 및/또는 메모리 버스 또는 메모리 컨트롤러를 포함하는 임의의 몇가지 유형의 버스 구조일 수 있지만, 이에 한정되는 것은 아니다.

시스템 메모리(2116)는 휘발성 메모리(2120) 및 비휘발성 메모리(2122)를 포함한다. 시동 동안 등의 컴퓨터(2112) 내의 구성요소 간 정보를 전달하기 위한 기본 루틴을 포함하는 기본 입력/출력 시스템(BIOS)은 비휘발성 메모리(2122)에 저장된다. 예로서, 비휘발성 메모리(2122)는 ROM(read only memory), PROM(programmable ROM), EPROM(electrically programmable ROM), EEPROM(electrically erasable ROM), 또는 플래시 메모리를 포함할 수 있다. 휘발성 메모리(2120)는 외부 캐시 메모리로 동작하는 RAM(random access memory)를 포함한다. 예로서, RAM은 SRAM(synchronous RAM), DRAM(dynamic RAM), SDRAM(synchronous DRAM), DDR SDRAM(double data rate SDRAM), ESDRAM(enhanced SDRAM), SLDRAM(Synchlink DRAM), 및 DRRAM(direct Rambus RAM)과 같은 많은 형태로 이용가능하지만, 이에 한정되는 것은 아니다.

컴퓨터(2112)는 또한 분리형/비분리형, 휘발성/비휘발성 컴퓨터 저장 매체를 포함한다. 도 21은 예를 들면, 디스크 저장장치(2124)를 도시한다. 디스크 저장장치(2124)는 자기 디스크 드리이브, 플로피 디스크 드라이브, 테이프 드라이브, 재즈(Jaz) 드라이브, Zip 드라이브, LS-100 드라이브, 플래시 메모리 카드, 또는 메모리 스틱과 같은 디바이스를 포함하지만, 이에 한정되는 것은 아니다. 또한, 디스크 저장 장치(2124)는 개별적 또는 컴팩트 디스크 ROM 디바이스(CD-ROM), CD 판독가능 드라이브(CD-R 드라이브), CD 재기록가능 드라이브(CD-RW 드라이브) 또는 디지털 휘발성 디스크 ROM 드라이브(DVD-ROM) 등의 광 디스크 드라이브를 포함하는 다른 저장 매체와 결합하는 저장 매체를 포함할 수 있다. 디스크 저장 장치(2124)를 시스템 버스(2118)에 용이하게 접속하기 위해, 인터페이스(2126)와 같은 분리형 또는 비분리형 인터페이스가 전형적으로 사용된다.

도 21은 사용자와 적당한 오퍼레이팅 환경(2110)에서 설명된 기본 컴퓨터 리소스 간의 중간으로서 동작하는 소프트웨어를 설명한다. 그러한 소프트웨어는 오퍼레이팅 시스템(2128)을 포함한다. 디스크 저장장치(2124) 상에 저장될 수 있는 오퍼레이팅 시스템(2128)은 컴퓨터 시스템(2112)의 리소스를 제어하고 할당하도록 동작한다. 시스템 애플리케이션(2130)은, 시스템 메모리(2116) 내에 또는 디스크 저장 장치(2124) 상에 저장된 프로그램 데이터 및 프로그램 모듈(2132)를 통해 오퍼레이팅 시스템(2128)에 의해 리소스의 관리를 이용한다. 본 발명이 다양한 오퍼레이팅 시스템 또는 오퍼레이팅 시스템들의 조합으로 구현될 수 있다는 것이 이해될 것이다.

사용자는 커맨드 또는 정보를 입력 디바이스(들)(2136)를 통해 컴퓨터(2112)에 입력한다. 입력 디바이스(2136)는, 마우스, 트랙볼, 스타일러스, 터치 패드, 키보드, 마이크로폰, 조이스틱, 게임 패드, 위성 접시, 스캐너, TV 튜너 카드, 디지털 카메라, 디지털 비디오 카메라, 웹 카메라 등의 포인팅 디바이스를 포함하지만, 이에 한정되는 것은 아니다. 이들 입력 디바이스 및 다른 입력 디바이스는 인터페이스 포트(들)(2138)를 경유하여 시스템 버스(2118)을 통해 프로세싱 유닛(2114)에 접속된다. 인터페이스 포트(들)(2138)는, 예를 들면, 시리얼 포트, 병렬 포트, 게임 포트, 및 범용 시리얼 버스(USB)를 포함할 수 있다. 출력 디바이스(들)(2140)는 입력 디바이스(들)(2136)로서 일부 동일 유형을 사용한다. 따라서, 예를 들면, USB 포트는 컴퓨터(2112)로의 입력을 제공하기 위해, 그리고 컴퓨터(2112)로부터의 정보를 출력 디바이스(2140)에 출력하기 위해 사용된다. 특정 어댑터를 요구하는, 기타 출력 디바이스(2140) 중, 모니터, 스피커, 및 프린터 같은 일부 출력 디바이스(2140)가 존재한다는 것을 설명하기 위해 출력 어댑터(2142)가 제공된다. 출력 어댑터(2142)는 출력 디바이스(2140) 및 시스템 버스(2118) 간의 접속 수단을 제공하는 비디오 및 사운드 카드를 포함하지만, 이는 예이고 한정적인 것은 아니다. 다른 디바이스 및/또는 디바이스들의 시스템은 원격 컴퓨터(들)(2144) 같은 입력 및 출력 능력 모두를 제공한다.

컴퓨터(2112)는 원격 컴퓨터(들)(2144) 같은 하나 이상의 원격 컴퓨터에 논리적 접속을 통해 네트워킹된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(2144)는 퍼스널 컴퓨터, 서버, 라우터, 네트워크 PC, 워크스테이션, 마이크로프로세서 기반 어플라이언스, 피어(peer) 디바이스 또는 다른 공통 네트워크 노드 등일 수 있고, 전형적으로 컴퓨터(2112)와 관련지어 설명된 많은 또는 모든 구성요소를 포함한다. 간략히 하기 위해, 단지 메모리 저장 디바이스(2146)가 원격 컴퓨터(들)(2144)와 함께 도시된다. 원격 컴퓨터(들)(2144)는 네트워크 인터페이스(2148)를 통해 컴퓨터(2112)에 논리적으로 접속된 다음 통신 접속(2150)을 통해 물리적으로 접속된다. 네트워크 인터페이스(2148)는 근거리 네트워크(LAN) 및 원격지 네트워크(WAN)과 같은 통신 네트워크를 포함한다. LAN 기술은 광섬유 분산형 데이터 인터페이스(FDDI), 동선 분산형 데이터 인터페이스(CDDI), 이더넷/IEEE 802.3, 토큰/IEEE 802.5 등을 포함한다. WAN 기술은, 두지점간 링크, 통합 서비스 디지털 네트워크(ISDN) 같은 회로 스위칭 네트워크 및 그 변형예, 패킷 스위칭 네트워크, 및 디지털 가입자 라인(DSL)을 포함할 수 있지만, 이에 한정되는 것은 아니다.

통신 접속(들)(2150)는 네트워크 인터페이스(2148)를 버스(2118)로 접속하기 위해 사용된 하드웨어/소프트웨어를 말한다. 통신 접속(2150)이 분명히 컴퓨터(2112) 내부에 도시되었지만, 컴퓨터(2112) 외부에 있을 수도 있다. 네트워크 인터페이스(2148)에 접속하기 위해 필요한 하드웨어/소프트웨어는, 예를 들면, 표준 전화 그레이드(grade) 모뎀, 케이블 모뎀 및 DSL 모뎀, ISDN 어댑터, 및 이더넷 카드를 포함하는 모뎀과 같은 내부 및 외부 기술을 포함한다.

도 22는 본 발명이 상호작용할 수 있는 샘플-컴퓨팅 환경(2200)의 개략적인 블록도이다. 시스템(2200)은 하나 이상의 클라이언트(들)(2210)를 포함한다. 클라언트(들)(2210)는 하드웨어 및/또는 소프트웨어일 수 있다(예를 들면, 스레드, 프로세스, 컴퓨팅 디바이스). 시스템(2200)은 또한 하나 이상의 서버(들)(2230)를 포함한다. 서버(2230)는, 예를 들면, 본 발명을 사용함으로써 변화를 수행하기 위한 스레드를 수용할 수 있다. 클라이언트(2210) 및 서버(2230) 간의 한가지 가능한 통신은 두개 이상의 컴퓨터 프로세스 간에 전송되도록 적응된 데이터 패킷의 형태일 수 있다. 시스템(2200)는 클라이언트(들)(2210) 및 서버(들)(2230) 간의 통신을 용이하게 하기 위해 사용될 수 있는 통신 프레임워크(2250)를 포함한다. 클라이언트(들)(2210)는 정보를 클라이언트(들)(2210)에 로컬적으로 저장하도록 사용될 수 있는 하나 이상의 클라이언트 데이터 저장 장치(들)(2260)에 동작가능하게 접속된다. 유사하게, 서버(들)(2230)는 정보를 서버(2230)에 로컬적으로 저장하도록 사용될 수 있는 하나 이상의 서버 데이터 저장 장치(들)(2240)에 동작가능하게 접속된다.

전술한 것은 본 발명의 예를 포함한다. 물론, 본 발명을 설명할 목적으로 컴포넌트 또는 방법론의 모든 인식가능한 조합을 설명할 수는 없지만, 당업자는 본 발명의 추가의 조합 및 교환이 가능하다는 것을 인식할 수 있다. 따라서, 본 발명은 첨부된 청구의 범위의 사상 및 범위에 속하는 모든 그러한 변경, 수정 및 변형을 포함하는 것을 의도로 한다. 더우기, 용어 "포함한다(includes)"가 상세한 설명 또는 청구범위에서 사용되는 범위 내에서, 그러한 용어는 청구범위에서 전통적으로 표현되는 요어 "포함한다(comprising)"와 유사한 방식으로 포함하는 것을 의미한다.

본 발명은 소프트웨어 애플리케이션 및 서비스의 개인화를 용이하게 한다. 즉, 통계 모델 및 방법을 사용하여, 사용자의 커뮤니티의 선호도 인코딩을 고려하여 애플리케이션 및 서비스의 개인화를 지원한다.

도 1은 본 발명의 일 양상에 따른 개인화 프로파일을 생서하는 인터페이스 및 시스템을 도시한 도면.

도 2 및 도 3은 본 발명의 일 양상에 따른 예시적 공동 필터링 다이아그램을 도시한 도면.

도 4 내지 도 8은 본 발명의 일 양상에 따른 예시적 비용 이익 개념, 인터럽션 개념, 및 사용자 인터페이스를 도시한 도면.

도 9는 본 발명의 일 양상에 따른 프로파일 생성기의 블록도.

도 10 내지 도 20은 본 발명의 일 양상에 따른 예시적 프로파일 인터페이스.

도 21은 본 발명의 일 양상에 따른 적당한 오퍼레이팅 환경을 도시하는 개략적 블록도.

도 22는 본 발명과 상호작용할 수 있는 샘플 컴퓨팅 환경의 개략적 블록도.

<도면의 주요 부분에 대한 부호의 설명>

2114: 프로세싱 유닛

2116: 시스템 메모리

2120: 휘발성 메모리

2122: 비휘발성 메모리

2124: 디스크 저장 장치

2126: 인터페이스

2136: 입력 디바이스(들)

2138: 인터페이스 포트(들)

2140: 출력 디바이스(들)

2142: 출력 어댑터(들)

2144: 원격 컴퓨터

2148: 네트워크 인터페이스

2150: 통신 접속부(들)

Claims

시스템 프로파일의 생성을 용이하게 하는 시스템으로서,

사용자의 커뮤티니티에 관련하는 데이터를 수신하는 저장 컴포넌트, 및

현존 프로파일에 관련하는 정보 및 커뮤니티 데이터를 처리하여 상기 사용자에게 개인화(personalized) 프로파일 구축과 관련하여 추천(recommendations)을 제공하는 분석기를

포함하는 시스템.
제1항에 있어서,

상기 분석기는 공동 필터링을 사용하여 사용자를 위한 하나 이상의 프로파일을 결정하는 시스템.
제1항에 있어서,

상기 현존 프로파일은 다양한 애플리케이션에 따라 프로파일 설정(settings)을 생성하는 복수의 클라이언트 컴퓨터로부터 생성되는 시스템.
제3항에 있어서,

상기 애플리케이션은, 사용자 선호도에 따라 상기 애플리케이션을 맞춤화하도록 적용되는 동작 설정 또는 구성을 사용하는 애플리케이션, 개발 시스템 애플리케이션, 오퍼레이팅 시스템 설정, 범용 컴퓨팅 시스템, 통신 시스템을 포함하는 시스템.
제1항에 있어서,

상기 분석기는 통계 처리, 수학적 처리, 또는 모델링을 저장 컴포넌트에 적용하여 사용자 인터페이스에서 디스플레이되고 선택될 수 있는 하나 이상의 프로파일을 결정하는 시스템.
제5항에 있어서,

상기 사용자 인터페이스는, 사용자가 상기 분석기를 통하여 원하는 프로파일의 선택을 안내할 수 있도록 다양한 사용자 입력 또는 선택을 포함하는 시스템.
제1항에 있어서,

상기 분석기에 따라 공동 필터링을 적용하는 필터 컴포넌트는 사용자의 이전 시스템 설정 선호도를 처리하여 시스템의 새로운 사용자를 위한 유사 또는 가능한 설정 또는 프로파일을 예측하는 시스템.
제7항에 있어서,

상기 필터 컴포넌트는, 메모리 기반 방법, 모델 기반 방법, 및 메모리 및 모델 기반 방법의 일부를 사용하는 하이브리드 방법을 포함하는 하나 이상의 알고리즘을 포함하는 시스템.
제7항에 있어서,

상기 필터 컴포넌트는 명시 또는 암시 투표(voting)를 사용하여 주어진 사용자를 위한 잠재적 프로파일을 결정하는 시스템.
제9항에 있어서,

상기 필터링 컴포넌트는 활동 사용자에 관한 부분 정보 및 사용자 데이터베이스로부터 계산된 가중치 세트를 기초로 상기 활동 사용자의 투표를 결정하는 시스템.
제7항에 있어서,

상기 필터 컴포넌트는 적어도 하나의 베이즈(Bayesian) 분류기 또는 베이즈 네트워크를 사용하여 잠재적 프로파일을 결정하는 시스템.
제7항에 있어서,

상기 필터 컴포넌트는 추론 기술 또는 통계 클러스터링 방법을 사용하여 일부의 선호도 또는 인구통계(demographic) 정보를 갖는 사용자가 다른 이전 불특정 설정 또는 선호도에 일치하는 유사성을 추정하는 시스템.
제7항에 있어서,

상기 필터 컴포넌트는 소프트웨어 설정을 식별하고 컨텍스트-민감 컴퓨팅에 관한 선호도를 식별하기 위해 사용되는 시스템.
제13항에 있어서,

상기 필터 컴포넌트는 통신시에 애플리케이션에 관련하는 서로 다른 설정에서 인터럽션의 비용을 정의하기 위해 사용되는 시스템.
제14항에 있어서,

상기 애플리케이션은 일중 시간(time of day), 주중 요일(day of week), 개개인의 호출 우선순위, 및 사람 그룹을 포함하는 컨텍스트를 처리하는 시스템.
제14항에 있어서,

상기 애플리케이션은 파티(party)들 간에 메시지를 라우팅하기 위한 비용 편익 규칙을 사용하는 시스템.
제1항에 있어서,

상기 분석기는, 복수의 현존 프로파일에 따라, 프로파일들 간의 유사성에 따라 파라미터와 관계된 설정에 따라 상기 프로파일의 잠재 사용자의 인구통계 정보를 기초로 프로파일을 결정하는 시스템.
제1항에 있어서,

사용자가 원하는 프로파일을 결정할 수 있도록 하는 프로파일 어시스턴트(assistant) 인터페이스를 더 포함하는 시스템.
제18항에 있어서,

상기 프로파일 어시스턴트는 웹 기반 애플리케이션인 시스템.
제1항의 컴포넌트를 구현하기 위해 컴퓨터 판독가능 명령을 안에 저장한 컴퓨터 판독가능 매체.
선호도 프로파일을 자동으로 생성하는 방법으로서,

데이터베이스에 컴퓨터 애플리케이션을 위한 복수의 설정을 저장하는 단계; 및

컴퓨터 애플리케이션의 각 사용자를 위한 선호도 설정의 서브세트를 결정하도록 데이터베이스에 공동 필터링을 자동으로 적용하는 단계 - 상기 선호도 설정은 상기 컴퓨터 애플리케이션을 구성하거나 동작하기 위해 사용됨 -

를 포함하는 방법.
선호도 프로파일을 자동으로 생성하는 시스템으로서,

컴퓨터 또는 컴퓨터 애플리케이션을 위해 현존하는 구성을 모으는 수단;

상기 현존하는 구성을 필터링하여 상기 컴퓨터 또는 컴퓨터 애플리케이션의 각 사용자를 위해 구성 설정의 잠재 서브세트를 결정하는 수단; 및

상기 구성 설정의 잠재 서브세트를 선택하거나 그에 영향을 미치는 수단

을 포함하는 시스템.
애플리케이션을 위해 선호도의 결정을 용이하게 하기 위한 그래픽 사용자 인터페이스로서,

사용자 선호도의 커뮤니티에 관련하는 잠재 프로파일을 보기(viewing)하는 것과 관련된 디스플레이 오브젝트;

상기 잠재 프로파일을 선택하거나 변경하기 위한 적어도 하나의 입력; 및

상기 잠재 프로파일을 자동으로 결정하기 위한 필터 컴포넌트

를 포함하는 그래픽 사용자 인터페이스.
제23항에 있어서,

클라이언트 소프트웨어에 입력된 현재 설정으로 구성된 나의 프로파일(My Profile) 옵션을 더 포함하는 그래픽 사용자 인터페이스.
제23항에 있어서,

공동 필터를 통해 결정된 잠재 프로파일의 추천 디스플레이를 더 포함하는 그래픽 사용자 인터페이스.
제23항에 있어서,

유사성에 의해 또는 인기도에 의해 설정을 선택하기 위한 입력을 더 포함하는 그래픽 사용자 인터페이스.
제23항에 있어서,

잠재 설정을 사용자 프로파일 설정으로 이동하기 위한 드래그 및 드롭 능력을 더 포함하는 그래픽 사용자 인터페이스.
제26항에 있어서,

인구통계 정보를 사용하여 상기 유사성을 결정하는 것을 더 포함하는 그래픽 사용자 인터페이스.
제23항에 있어서,

추천된 프로파일을 선택하기 위해 입력된 시작 포인트를 더 포함하는 그래픽 사용자 인터페이스.
제29항에 있어서,

선택시의 프로파일 또는 새로운 프로파일 또는 파라미터의 공동 필터링을 갱신하기 위한 컴포넌트를 더 포함하는 그래픽 사용자 인터페이스.
제23항에 있어서,

사용자의 지위 또는 역할에 기초한 프로파일 디스플레이를 더 포함하는 그래픽 사용자 인터페이스.