KR20140012621A - 전자 통신 분류 - Google Patents

전자 통신 분류 Download PDF

Info

Publication number
KR20140012621A
KR20140012621A KR1020137014581A KR20137014581A KR20140012621A KR 20140012621 A KR20140012621 A KR 20140012621A KR 1020137014581 A KR1020137014581 A KR 1020137014581A KR 20137014581 A KR20137014581 A KR 20137014581A KR 20140012621 A KR20140012621 A KR 20140012621A
Authority
KR
South Korea
Prior art keywords
item
recipient
model
user
importance
Prior art date
Application number
KR1020137014581A
Other languages
English (en)
Other versions
KR101843604B1 (ko
Inventor
토르 선델린
제임스 클리웨인
제임스 에델렌
조지 페레이라
알렉산더 웨트모어
존 윈
Original Assignee
마이크로소프트 코포레이션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 마이크로소프트 코포레이션 filed Critical 마이크로소프트 코포레이션
Publication of KR20140012621A publication Critical patent/KR20140012621A/ko
Application granted granted Critical
Publication of KR101843604B1 publication Critical patent/KR101843604B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/107—Computer-aided management of electronic mailing [e-mailing]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/21—Monitoring or handling of messages
    • H04L51/212—Monitoring or handling of messages using filtering or selective blocking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Information Transfer Between Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

컴퓨팅 시스템 환경에서 전자 통신을 분류(triaging)하는 것은 많은 양의 착신 전자 통신(incoming electronic communications)과 관련된 문제를 경감할 수 있다. 이는 사용자-특정 전자 통신 데이터 및 관련된 행동의 분석에 의해 어떠한 통신이 사용자가 중요하다고 또는 중요하지 않다고 여길 것인지를 예측하는 것을 포함한다. 클라이언트-측 어플리케이션 기능(features)이 통신 중요성의 평가에 기초하여 노출되어 사용자가 많은 양의 착신 전자 통신을 임의로 처리할 수 있도록 해준다.

Description

전자 통신 분류{ELECTRONIC COMMUNICATIONS TRIAGE}
개인용 그리고 업무용 통신을 관리하기 위한 전자 기기의 사용의 증가는 통상적으로 착신 메시지의 증가로 이어진다. 많은 경우에, 많은 양의 착신 메시지는 종종 최종 사용자가 효율적으로 모든 것을 처리하는 능력을 방해한다. 그러한 메시지 과부하로부터 생기는 문제점 및 비효율성의 예는 중요한 메시지를 간과할 가능성의 증가, 수신 메시지를 분류하는데 필요한 시간 투자의 증가를 포함한다.
일 양상에서, 컴퓨팅 시스템 환경에서 전자 통신을 분류(triaging)하기 위한 방법에 있어서, 수신자를 위한 수신자-특정 모델을 개인화하도록 컴퓨팅 장치에서 디폴트 모델(default model)을 훈련(training)하는 단계와, 디폴트 모델은 수신자와 공통의 특성을 갖는 사용자의 샘플에 대하여 조절된 복수의 가중치 팩터(weighted factor)로부터 형성되고, 수신자-특정 모델은 수신자의 행동 이력(historical behavioral) 및 피드백 정보를 사용하여 수정되는 디폴트 모델로부터 형성되고, 컴퓨팅 장치에서 수신자에게 보내진(addressed) 아이템을 인터셉트하는 단계와, 컴퓨팅 장치에서 아이템과 연관된 복수의 아이템 특징(item features)을 추출하는 단계와, 수신자-특정 모델을 검색(retrieving)하는 단계와, 수신자-특정 모델은 복수의 추출된 아이템 특징과 연관된 복수의 가중치 팩터를 포함하고, 복수의 가중치 팩터의 조합을 형성하는 단계를 포함하는 복수의 추출된 아이템 특징에 중요도 분류 모델(importance classification model)을 적용하는 단계와, 복수의 가중치 팩터의 조합에 기초하여 예측 아이템 중요도를 생성하는 단계와, 예측 아이템 중요도에 기초하여 수신자에 대한 아이템과 연관된 적어도 하나의 어플리케이션 기능(application feature)를 인에이블(enabling)하는 단계를 포함한다.
다른 양상에서, 컴퓨팅 장치는 프로세싱 유닛과, 상기 프로세싱 유닛에 접속된 시스템 메모리를 포함하되, 시스템 메모리는, 프로세싱 유닛에 의해 실행될 때, 프로세싱 유닛으로 하여금 컴퓨팅 시스템 환경에서 전자 통신을 분류하기 위한 사용자 모델의 계층적 훈련을 위해 구성되는 훈련 모듈을 구현하도록 하는 인스트럭션을 포함하고, 훈련 모듈은 원형 사용자 모델(prototypical user model)에 기초하여 사용자에 대한 디폴트 추론의 세트(set of default inferences)를 생성하고, 디폴트 추론은 아이템 속성, 속성값, 속성 가중치, 속성 신뢰도를 포함하고, 사용자-특정 행동 이력 및 피드백 정보의 검색과 아이템의 수신에 응답한 사용자-특정 행동 및 피드백의 검색을 포함하는 사용자의 디폴트 추론의 세트를 개인화하도록 사용자-특정 정보를 획득하고, 아이템 분류 모델에 대한 어플리케이션을 위한 개인화된 추론의 세트를 형성하도록 사용자-특정 정보로 디폴트 추론의 세트를 업데이트하고, 예측 아이템 중요도를 노출하기 위하여 사용자와 연관된 적어도 하나의 어플리케이션 특징을 인에이블하도록 구성된다.
또 다른 양상에서, 컴퓨팅 장치에 의해서 실행될 때, 컴퓨팅 장치가 이하의 단계들을 수행하도록 하는 컴퓨터-실행가능 인스트럭션을 포함하는 컴퓨터 판독가능 저장매체는, 수신자를 위한 수신자-특정 모델을 개인화하도록 컴퓨팅 장치에서 디폴트 모델(default model)을 훈련(training)하는 단계와, 디폴트 모델은 수신자와 공통의 특성을 갖는 사용자의 샘플에 대하여 조절된 복수의 가중치 팩터(weighted factor)로부터 형성되고, 공통의 특성은 공통 직업(vocation) 및 공통 관심사를 포함하는 그룹으로부터 선택되고, 수신자-특정 모델은 수신자의 행동 이력 및 피드백 정보를 사용하여 수정되는 디폴트 모델로부터 형성되고, 컴퓨팅 장치에서 수신자에게 보내진(addressed) 아이템을 인터셉트하는 단계와, 아이템은 이메일 메시지, 달력 메시지, 즉석 메시지, 웹-기반 메시지 및 소셜 콜라보레이션 메시지를 포함하는 그룹으로부터 선택되고, 컴퓨팅 장치에서 아이템과 연관된 복수의 아이템 특징(item features)을 추출하는 단계와, 아이템 특징은 아이템 송신자 특성, 아이템 수신자 특성, 대화 특성 및 첨부물 특성을 포함하는 그룹으로부터 선택되는 아이템의 특성을 포함하고, 수신자-특정 모델을 검색(retrieving)하는 단계와, 수신자-특정 모델은 복수의 추출된 아이템 특징과 연관된 복수의 가중치 팩터를 포함하고, 복수의 가중치 팩터의 조합을 형성하는 단계를 포함하는 복수의 추출된 아이템 특징에 중요도 분류 모델(importance classification model)을 적용하는 단계와, 복수의 가중치 팩터의 조합에 기초하여 예측 아이템 중요도를 생성하는 단계와, 예측 아이템 중요도는 아이템을 중요함 및 중요하지 않음 중 하나로 표시하고, 예측 아이템 중요도에 기초하여, 아이템의 주요 콘텐트를 하이라이트하기 위한 강조 기능 및 아이템의 퀵뷰(quick view)를 제공하기 위한 디스플레이 기능 및 아이템의 일시적인 화면을 제공하기 위한 통지 기능을 포함하는 그룹으로부터 선택되는 수신자에 대한 아이템과 연관된 적어도 하나의 어플리케이션 기능(application feature)을 인에이블(enabling)하는 단계와, 수신자-특정 모델을 개인화하도록 디폴트 모델의 훈련을 계속하기 위하여 사전결정된 시간 간격 동안 아이템과 연관된 수신자 행동 및 피드백을 주기적으로 획득하는 단계를 포함한다.
본 요약은 이하의 상세한 설명에서 보다 상술되는 개념들의 선택을 간략한 형태로 소개하도록 제공된다. 본 요약은 청구된 주제의 주요 특징 또는 필수 특징을 식별하려는 의도가 아니며, 청구된 주제의 범위를 결정하는데 도움이 되도록 사용되려는 의도도 아니다.
본 개시물의 양상들은 이하의 상세한 설명의 다양한 실시예들과 함께 첨부된 도면을 고려하면 더욱 완전히 이해될 수 있다.
도 1은 전자 통신 분류를 위한 사용자 모델 데이터를 훈련(training)하기 위한 예시적 방법의 흐름도이다.
도 2는 예시적 네트워크 컴퓨팅 환경을 도시한다.
도 3은 도 2의 환경의 예시적 서버 컴퓨팅 장치를 도시한다.
도 4는 도 2의 환경의 클라이언트 장치의 예시적 논리 모듈을 도시한다.
도 5는 예시적 분류 어플리케이션 환경(triage application environment)를 도시한다.
도 6은 전자 통신 분류를 위한 사용자 모델 데이터를 계층적 훈련(hierarchical training)하기 위한 예시적 방법의 흐름도이다.
도 7은 예시적 분류 메시지 환경의 제 1 뷰(view)이다.
도 8은 도 7의 메시지 환경의 제 2 뷰이다.
도 9는 다른 예시적 분류 메시지 환경의 제 1 뷰이다.
본 개시물은 컴퓨팅 시스템 환경에서 전자 통신을 분류(triaging)하기 위한 시스템 및 방법에 관한 것이다. 여기에 서술되는 분류 기술은 어떠한 통신을 각각의 사용자가 중요 또는 중요하지 않다고 여길 것인지를 판단하도록 사용자-특정 전자 통신 데이터 및 관련된 행동의 분석을 가능하게 함으로써 많은 양의 착신 전자 통신과 관련된 문제점을 경감한다. 통신 중요도의 분석은 최종 사용자가 효율적으로 많은 양의 착신 통신을 임의로 처리할 수 있도록 하는 어플리케이션 기능을 노출하도록 사용된다. 제한되는 것은 아니지만, 본 개시물의 다양한 양상의 이해는 이하에 제공되는 예시들의 논의를 통해서 얻어질 수 있다.
도 1을 참조하면, 전자 통신 분류를 위한 사용자 모델 데이터를 훈련하기 위한 예시적 방법(100)이 도시된다. 일반적으로, 방법(100)은 서버측 프로세스 또는 클라이언트측 프로세스에 의해서 구현될 수 있다. 서버측 프로세스 및 클라이언트측 프로세스의 예는 도 2~9와 관련되어 이하에 서술된다. 다른 실시예가 가능하다. 예를 들어, 방법(100)은 서버측 프로세스 및 클라이언트측 프로세스 모두의 기능을 통합하는 하이브리드 방식으로 구현될 수도 있다.
방법(100)은 수집 모듈(105)에서 시작한다. 수집 모듈(105)은 통신 데이터를 관리하는 프로세스로부터 개인 또는 개인의 그룹과 같은 수신자를 향한 전자 통신 데이터를 검색하도록 구성된다. 전자 통신 데이터는 일반적으로 아이템(item)이라고 지칭된다. 예시적 아이템은 이메일 메시지, 음성메일 메시지, 달력 약속(calendar appointment), SMS 메시지, IM 메시지, MMS 메시지, 웹 업데이트, 페이스북 메시지, 트위터 피드, RSS 피드, 전자 문서 등을 포함한다. 다른 실시예가 가능하다.
동작 흐름은 분석 모듈(parse module)(110)로 진행한다. 분석 모듈(110)은 수집 모듈(105)에 의해 검색된 아이템의 복수의 아이템 특징(item features)을 추출하도록 구성된다. 아이템 특징은 일반적으로 아이템의 콘텐트의 이해에 기초하여 직접 추출되거나 유추될 수 있는 아이템의 인식 가능한 특성(conceivable characteristic)이다.
예를 들어, 아이템 특징은, 예컨대, 송신인/수신인 식별자(예컨대, SMTP 주소), 송신자/수신자 관계(예컨대, 관리자), 송신자/수신자 도메인 또는 회사(예컨대, Microsoft), 송신자/수신자 타입(예컨대, AutoMail), 송신자/수신자 위치(예컨대, 응급실), 송신자/수신자 장치(예컨대, 스마트폰), 아이템 송신 특성(예컨대, CC) 등과 같은, 아이템의 송신인 및/또는 수신인과 관련된 특성을 포함할 수 있다. 다른 예시적 아이템 특징은, 예컨대, 송신자/수신자 현재 또는 미래 상태(예컨대, 회의중), 송신자/수신자 현재 또는 미래 위치(예컨대, 미니애폴리스) 등과 같은, 수신자 및/또는 문맥적 특성에 관련된 특성을 포함한다.
다른 예시적 아이템 특징은 아이템 타입(예컨대, 이메일 메시지), 첨부 여부(예컨대, 네), 접근 제어 정보(예컨대, DRM), 우선순위 정보(예컨대, 높음), 일시 정보(예컨대, 수신 날짜/시간) 등과 관련된 특성을 포함한다. 다른 예시적 아이템 특징은 대화 시작 특성(예컨대, 나에 의해 시작?), 대화 제시 특성(예컨대, 나로부터 제시?), 아이템 계층 특성(예컨대, 대화의 가장 최신?) 등에 관련된 특성을 포함한다. 다른 예시적 아이템 특징은 제목란 접두사(예컨대, RE), 제목란 키워드(예컨대, Read) 등과 관련된 특성을 포함한다. 다른 예시적 아이템 특징은, 예컨대, 텍스트 키워드(예컨대, 중요), 하이퍼링크 콘텐트(예컨대, 네 - 하이퍼링크를 포함함) 등과 같은, 아이템 본문 또는 아이템 첨부물과 관련된 특성을 포함한다.
또 다른 아이템 특징이 가능하다.
동작 흐름은 이후 획득 모듈(115)로 진행한다. 획득 모듈(115)은 수집 모듈(105)에 의해 검색된 아이템의 각각의 의도된 수신자에 특정한 모델 데이터를 검색하도록 구성된다. 이하의 예제의 논의에서, 의도된 수신자는 하나의 개인을 포함하고, 수신자-특정 모델 데이터는 데이터 저장 장치로부터 획득 모듈(115)에 의해 검색된다. 예시적인 데이터 저장 장치는 도 2와 연관하여 이하에서 서술된다.
예시적 실시예에서, 수신자-특정 모델 데이터는 복수의 아이템 특징들(예컨대, 분석 모듈(110)에 의해 추출된 아이템 특징들에 대응함)을 포함하며, 이들 각각은 수신자가 각각의 아이템 특징에 대해 중요함 또는 중요하지 않음을 연관지으려는 경향이 있는지 여부의 표시(indication)를 구현하는 가중치(weight)가 할당된다. 예를 들어, 수신자가 관리자로부터 온 이메일 메시지를 읽으려는 경향이 있고 자동 서비스로부터 온 이메일은 무시하려는 경향이 있다면, 관리자와 연관된 수신자에 대한 모델 데이터내의 아이템 특징은 자동화 서비스와 연관된 아이템 특징보다 큰 가중치 팩터(weighting factor)를 포함할 수 있다. 일반적으로, 가중치 또는 가중치 팩터는 수치(numeric value), 임계값(threshold) 등과 같은 임의의 형태의 정량적 값을 포함할 수 있다. 예를 들어, 전술한 관리자와 연관된 아이템 특징은 가중치 "7"을 포함하는 한편, 자동화 서비스와 연관된 아이템 특징은 가중치 "3"을 포함할 수 있다.
동작 흐름은 이후 구현 모듈(implementation module)(120)으로 진행한다. 구현 모듈(120)은 분류 모델의 모델 기준(model criteria of a classification model)을 획득 모듈(115)에 의해 검색된 수신자-지정 모듈 데이터에 적용하도록 구성된다. 이하에서 도 6과 관련하여 보다 자세히 서술되는 바와 같이, 수신자-지정 모델 데이터는 단일 사용자(즉, 수신자)의 모델을 보다 정확하고 효율적으로 훈련(train)하도록 복수의 연관된 사용자로부터의 훈련 데이터를 분석하는 것에서 계산된 원형 모델(prototypical model)을 사용하여 계층적 훈련 프로세스를 통하여 형성될 수 있다. 다른 실시예가 가능하다.
구현 모듈(120)은 또한 분류 모듈의 유형에 기초하여 하나 이상의 예측(prediction)을 생성하도록 구현된다. 예시적 모델 기준은 분류 모델과 연관된 수신자-특정 모델 데이터의 아이템 특징의 지정(designation)과, 또한, 관련된 것으로 평가되는 이들 아이템 특징과 연관된 가중치의 사용을 지정하는 알고리즘을 포함한다.
예시적 실시예에서, 분류 모델은 "중요도" 모델과 대응하고, 여기서 구현 모듈(120)은 수신자-특정 모델 데이터로부터의 관련 아이템 특징을 연관된 가중치와 상관시키고, 이들 가중치의 조합을 사용하여 예측 아이템 중요도를 생성한다. 예측 아이템 중요도는 일반적으로 수집 모듈(105)에 의해 검색된 아이템이 의도된 수신자에게 중요할지 또는 중요하지 않을지에 대한 예측을 포함한다. 다른 실시예가 가능하다. 예를 들어, 일부 실시예에서, 분류 모델은 "긴급도(urgency)" 모델에 대응하고, 여기서 구현 모듈(120)은 수신자-특정 모델 데이터로부터의 관련 아이템 특징을 연관된 가중치와 상관시키고, 이들 가중치의 조합을 사용하여 예측 아이템 긴급도를 생성하며 이는 의도된 수신자가 가능한 빨리 고려하거나 주의를 기울여야 하는 아이템을 나타낸다. 물론 다른 실시예가 가능하다.
중요도 모델의 예시적 어플리케이션은 새로운 이메일 메시지의 전체 중요도(importance weight)를 계산하고, 이메일 메시지가 수신자에게 중요한지 아닌지를 계산된 중요도에 기초하여 결정하는 것을 포함한다. 예를 들어, "1 부터 10"의 스케일상에서, "4"라는 계산된 중요도는 이메일 메시지가 중간 정도로 중요함을 나타내고, "7.8"이라는 계산된 중요도는 이메일이 매우 중요함을 나타내고, "-6"이라는 계산된 중요도는 이메일이 중요하지 않음을 나타낼 수 있다. 다른 실시예가 가능하다. 예를 들어, 일부 실시예에서, 새로운 이메일 메시지의 전체 중요도는 이메일 메시지의 상대적 중요도를 나타내는 "0" 부터 "1"의 범위의 확률(probability)로 계산될 수 있다. 예를 들어, "0" 부터 "0.2" 범위의 임계치는 이메일 메시지의 상대적 중요도를 "중요하지 않음" 또는 "콜드(cold)"로 지정하고, "0.2"부터 "0.8" 범위의 임계치는 이메일 메시지의 상대적 중요도를 "보통"으로 지정하고, "0.8"부터 "1" 범위의 임계치는 이메일 메시지의 상대적 중요도를 "중요" 또는 "핫(hot)"으로 지정할 수 있다. 또 다른 실시예가 가능하다.
동작 흐름도는 이후 저장 모듈(125)로 진행한다. 저장 모듈(125)은 일반적으로 획득 모듈(115)에 의해 검색된 수신자-지정 모델 데이터 및 구현 모듈(120)에 의해 생성된 하나 이상의 예측을 저장하도록 구성된다.
동작 흐름은 이후 제 1 훈련 브랜치(training branch)(130) 및 제 2 훈련 브랜치(135)로 진행한다. 예시적 제 1 훈련 브랜치(130)는 제 1 모니터 모듈(140) 및 제 1 추출 모듈(145)를 포함한다. 제 2 훈련 브랜치는 제 2 모니터 모듈(150) 및 제 2 추출 모듈(155)를 포함한다. 일반적으로, 제 1 훈련 브랜치(130)내의 동작 흐름은 제 2 훈련 브랜치(135)에 대하여 무관하다.
제 1 훈련 브랜치(130)를 참조하면, 제 1 모니터 모듈(140)은 수집 모듈(105)에 의해 검색된 아이템과 관련된 수신자 행동을 모니터링하고 획득한다. 예시적 수신자 행동은 아이템과 관련된 직접 관찰가능한 임의의 형태의 행위를 포함한다. 그러한 관찰가능한 행위는 단일 행위 또는 복합 행위일 수 있다. 이메일 메시지의 예제에서, 수신자 행동은 이메일을 열어보기, 이메일을 삭제하기, 이메일을 전달하기와 같은 단일 행위와 연관될 수 있다. 복합 행위는 간략히 이메일 메시지를 살펴보고 즉시 삭제하는 것, 전송 규칙을 통해 포털로 자동적으로 발송된 이메일 메시지에 대한 접근을 무시하는 것과 같은 행위를 포함한다.
제 1 모니터 모듈(140)은 사전 결정된 시간 간격 dT동안 수집 모듈(105)에 의해 검색된 아이템에 대한 수신자 행동을 모니터링하고 획득한다. 예시적 시간 간격은 수 분(fraction of an hour), 한 시간, 하루, 일주일 등을 포함한다. 사전 결정된 시간 dT의 경과에 이어, 제 1 모니터 모듈(140)은 획득된 수신자 행동을 제 1 추출 모듈(145)에 전송한다. 다른 실시예에서, 제 1 모니터 모듈(140)은 상대적 중요도를 지정하는 수신자 행동 또는 사전 결정된 시간 기간의 흐름 이후의 수신자 행동 중 어느 것이든 먼저 발생하는 것에 기초하여, 수집 모듈(105)에 의해 검색된 아이템에 대한 수신자 행동을 모니터링하고 획득하도록 부가적으로 구성된다. 상대적 중요도를 지정하는 수신자 행동의 예는 중요도를 지정하는 "회신(replied to)", 중요하지 않음을 지정하는 "간략히 ?어보고 빨리 삭제"하는 것 등을 포함한다. 수신자 행위와 사전결정된 시간 간격의 흐름의 조합에 기초한 수신자 행동의 획득은 이하에서 보다 상세히 설명하는 바와 같이, 분류 모델의 신속하고 효율적인 업데이트를 가능하게 한다.
제 1 추출 모듈(145)은 획득된 수신자 행동을 마이닝(mine)하고 행동 검증 데이터를 생성한다. 일반적으로, 행동 검증 데이터는 구현 모듈(120)에 의해 생성된 예측 아이템 중요도가 수신자가 실제로 그 아이템을 중요 또는 중요하지 않다고 여기는지 여부와 일치하는지에 대한 정보를 포함한다. 제 1 추출 모듈(145)은 후속하여 행동 검증 데이터를 업데이트 모듈(160)로 전송한다. 업데이트 모듈(160)은 수신자-특정 모델 데이터의 복수의 아이템 특징과 연관된 가중치를 조절하도록 구성된다. 예를 들어, 이메일 메시지의 예에서, 행동 검증 데이터가 수신자가 관리자로부터 전송된 이메일 메시지를 중요한 것으로 고려하는 것을 강하게 암시하는 정보를 포함하면, 전술한 바와 같이 관리자와 연관된 아이템 특징은 가중치 "7"에서 가중치 "9"로 조정 또는 재조정될 수 있다. 다른 실시예가 가능하다.
예시적 실시예에서, 동작 흐름은 사전결정된 시간 지연 dT 후에 제 1 추출 모듈(145)로부터 제 1 모니터 모듈(140)로 복귀한다. 제 1 훈련 브랜치(130) 내의 순환 프로세스 플로우(looped process flow)는 수신자 행위에 기초하여 수신자-특정 모델 데이터를 계속적으로 미세 조정하도록 한다.
제 2 훈련 브랜치(135)를 참조하면, 제 2 모니터링 모듈(150)은 수집 모듈(105)에 의해 검색된 아이템의 중요도와 관련된 수신자 피드백을 모니터링하고 획득하도록 구성된다. 예시적 수신자 피드백은 아이템의 중요도와 관련된 수신자로부터의 임의의 형태의 명시적 피드백을 포함한다. 이메일 메시지의 예제에서, 명시적 피드백은, 구현 모듈(120)이 부정확하게 이메일 메시지를 중요한 것으로 플래그(flag)하였을 때 그 이메일 메시지를 중요하지 않은 것으로 표시하는 것과 같은, 구현 모듈(120)에 의해서 생성된 예측 아이템 중요도의 수신자 수정을 포함할 수 있다. 다른 실시예가 가능하다.
예를 들어, 다른 명시적 피드백은 소정 처리 규칙의 인에이블 또는 디스에이블 또는 송신자의 회사를 아이템 중요도의 표시자로서 사용을 디스에이블하는 것과 같이 중요도와 관련된 처리 규칙의 교정을 포함한다. 다른 명시적 피드백은 상대적 중요도가 임계 가중치(threshold weight)보다 큰 경우에만 아이템을 중요로 지정하는 것과 같은 중요도의 레벨에 대한 임계값을 설정하는 것을 포함한다. 다른 예시적 피드백은 기존의 처리 규칙의 커스텀화 또는 새로운 처리 규칙의 정의, 예컨대, 배우자로부터 온 "911"이라는 문자를 포함하는 이메일 메시지를 긴급 중요로 플래그하는 것을 포함한다. 또 다른 실시예가 가능하다.
제 2 모니터링 모듈(150)은 사전결정된 시간 간격 dT 동안(예컨대, 한 시간, 하루, 일 초 등), 수집 모듈(105)에 의해 검색된 아이템에 대한 수신자 피드백을 모니터링하고 획득하도록 구성된다. 사전결정된 시간 dT의 경과에 이어서, 제 2 모니터 모듈(150)은 획득된 수신자 피드백을 제 2 추출 모듈(155)로 전송한다. 다른 실시예가 가능하다.
제 2 추출 모듈(155)은 획득된 수신자 피드백을 마이닝하고 피드백 검증 데이터를 생성한다. 일부 실시예에서, 피드백 검증 데이터는 구현 모듈(120)에 의해 생성된 예측 아이템 중요도가 수신자가 실제로 그 아이템을 중요 또는 중요하지 않다고 여기는지 여부와 일치하는지에 대한 명시적 지정을 포함한다. 제 2 추출 모듈(155)은 후속하여 피드백 검증 데이터를 업데이트 모듈(160)로 전송한다. 예시적 예에서, 업데이트 모듈(160)은 수신자 피드백에 기초하여 수신자-특정 모델 데이터의 복수의 아이템 특징과 연관된 가중치를 조절하도록 구성된다. 예를 들어, 이메일 메시지의 예제에서, 피드백 검증 데이터가 수신자가 자동화 서비스로부터 보내진 이메일을 중요하지 않다고 강하게 고려하는 지정을 포함하면, 전술한 바와 같이 자동화 서비스와 연관된 아이템 특징은 "5"의 가중치에서 "1"의 가중치로 조절될 수 있다. 다른 실시예가 가능하다.
동작 흐름은 사전결정된 시간 간격, dT, 후에 제 2 추출 모듈(155)로부터 제 2 모니터 모듈(150)로 다시 복귀한다. 제 2 훈련 브랜치(135) 내의 순환 프로세스 플로우는 수신자 피드백에 기초하여 수신자-특정 모델 데이터를 계속적으로 미세 조정하도록 한다.
일부 실시예에서, 수신자-특정 모델 데이터는 제 1 훈련 브랜치(130)와 제 2 훈련 브랜치(135)를 통해 수신된 정보에 기초하여 상이하게 업데이트된다. 예를 들어, 제 2 훈련 브랜치(135)에 의해 수신된 정보와 연관된 신뢰도(confidence)는 제 1 훈련 브랜치(130)에 의해서 수신된 정보보다 높은 신뢰도를 할당받을 수 있다. 이러한 방식으로 제 2 훈련 브랜치(135)에 의해 수신된 정보(즉, 명시적 피드백)는 제 1 훈련 브랜치(130)에 의해 수신된 정보(즉, 암시적 피드백)보다 수신자-특정 모델 데이터를 훈련하는데 더 큰 영향을 가질 수 있다. 예를 들어, 일부 실시예에서, 제 2 훈련 브랜치(135)에 의해 수신된 정보는 제 1 훈련 브랜치(130)에 의해 수신된 정보에 완전히 우선(override)할 수 있다. 다른 실시예가 가능하다.
부가적으로, 제 1 훈련 브랜치(130)에 의해 수신된 정보는 어떠한 정보가 수신자-특정 모델 데이터를 훈련하는데 있어 큰 영향을 갖는지를 결정하도록 중요도와 관련된 신뢰도의 측면에서 변경되는 영향력(strength)이 할당될 수 있다. 예를 들어, "회신"과 같은 관찰된 수신자 행위는 "상세히 읽음"보다도 큰 영향력이 할당될 수 있고, "상세히 읽음"은 "빨리 읽음"보다 큰 영향력이 할당될 수 있다. 다른 실시예가 가능하다.
도 2-9에 관하여 이하에서 보다 자세히 설명하는 바와 같이, 예시적 방법(100)은 넓은 범위의 클라이언트-측 어플리케이션 기능을 가능하게 하여 최종 사용자가 효율적으로 임의적으로 많은 양의 착신 통신을 분류할 수 있도록 한다. 예시적 클라이언트-측 어플리케이션 기능은 아이템 내의 중요 콘텐트를 하이라이트 또는 강조하기 위한 하이라이트 또는 강조 기능을 포함한다. 그러한 하이라이트 기능은, 실질적으로 클라이언트-측 어플리케이션의 기능을 변경하지는 않고 사용자가 재빨리 통신을 분류하는 것을 도와주도록, 명확하게 소정 아이템을 표시하는 것 또는 통신 내에 콘텐트를 삽입하는 것에 의해서 영향이 적다.
다른 예시적 클라이언트-측 어플리케이션 기능은 사용자가 빠르게 가장 중요한 통신만을 볼 수 있게끔 해주는 퀵뷰(quick view) 기능을 포함한다. 다른 예시적 클라이언트-측 어플리케이션 기능은 가장 중요한 통신에 따른 정렬된 화면을 제공하는 자동-우선순위화 기능을 포함한다. 다른 예시적 클라이언트-측 어플리케이션 기능은 자동적으로 읽은 것으로 표시, 보관하거나, 또는 소정 기간 후에 다루어지지 않았던 통신을 삭제하는 에이지-아웃(age-out) 기능을 포함한다. 다른 예시적 클라이언트-측 어플리케이션 기능은 중요 간주 통신에 기초하여 선택적으로 새로운 통신 및/또는 콘텐트 통지를 제공하도록 구성되는 통지 기능을 포함한다. 일부 실시예에서, 통지 기능은 사용자 문맥 감응적(user context sensitive)이다. 다른 예시적 클라이언트-측 어플리케이션 기능은 통신에 대하여 추구할 행위를 사용자가 신속히 결정하도록 도와주도록 통신 콘텐트의 개요를 제공하는 개요 기능을 포함한다. 다른 예시적 클라이언트-측 어플리케이션 기능은 이메일 데이터 저장소, 문서 데이터 저장소, 웹-기반 데이터 저장소 및 소셜 네트워킹 데이터 저장소와 같은 서로 다른 데이터 저장소에 걸쳐서 중요한 통신의 통합된 화면을 제공하는 대시보드 기능(dashboard feature)를 포함한다.
또 다른 클라이언트-측 어플리케이션 기능이 또한 가능하다.
도 2를 참조하면, 본 개시물의 양상들이 구현될 수 있는 예시적 네트워크 컴퓨팅 환경(200)이 도시된다. 네트워크 컴퓨팅 환경(200)은 클라이언트 장치(205), 서버 장치(210), 저장 장치(215), 및 네트워크(220)를 포함한다. 다른 실시예가 가능하다. 예를 들어, 네트워크 컴퓨팅 환경(200)은 일반적으로 보다 많은 또는 보다 적은 장치, 네트워크 및 다른 컴포넌트를 필요한 만큼 포함할 수 있다.
클라이언트 장치(205) 및 서버 장치(210)는, 도 3과 연관되어 이하에서 설명하는 바와 같이, 범용 컴퓨팅 장치이다. 예시적 실시예에서, 서버 장치(210)는 기업 프로세서를 구현하는 기업 서버(business server)이다. 예시적 기업 프로세서는 메시징 프로세스, 콜라보레이션(collaboration) 프로세스, 데이터 관리 프로세스 등을 포함한다. Microsoft Corporation의 Exchange Server는 전자 메일, 일정 관리, 연락처 및 업무 기능을 지원하고, 모바일 및 웹-기반 정보 접근을 지원하고, 데이터 저장을 지원하는 메시징 및 콜라보레이션 기업 프로세스를 구현하는 기업 서버의 예이다. 또한 Microsoft Coporation의 제품인 SHAREPOINT® 콜라보레이션 서버는 콜라보레이션, 파일 공유 및 웹 퍼블리싱을 지원하는 기업 프로세스를 구현하는 기업 서버의 예이다. 기업 프로세스를 구현하는 다른 기업 서버가 가능하다.
일부 실시예에서, 서버 장치(210)는 기업 프로세스를 구현하기 위한 "팜(farm)" 형태로 함께 동작하는 복수의 상호 접속된 서버 장치를 포함한다. 또 다른 실시예가 가능하다.
저장 장치(215)는 관계 데이터베이스와 같은 데이터 저장 장치 또는 임의의 유형의 지속 데이터 저장 장치이다. 저장 장치(215)는 서버 장치(210)가 저장된 데이터를 질의(query)하고, 수정하고, 관리할 수 있도록 사전 정의된 포맷으로 데이터를 저장한다. 그러한 데이터 저장 장치의 예는 Microsoft Corporation의 ACTIVE DIRECTORY® 디렉터리 서비스와 같은 메일박스 저장 및 어드레스 서비스를 포함한다. 저장 장치(215)의 다른 실시예가 가능하다.
네트워크(220)는 하나 이상의 장치 사이의 데이터 전송을 위한 양방향 데이터 통신 경로이다. 도시된 예제에서, 네트워크(220)는 클라이언트 장치(205)와 서버 장치(210)간의 데이터 전송을 위한 통신 경로를 수립한다. 일반적으로, 네트워크(220)는 복수의 무선 또는 유선, WAN, LAN, 인터넷 또는 데이터가 네트워크 컴퓨팅 환경(200) 내의 요소들 사이에서 전송될 수 있는 다른 패킷-기반 통신 네트워크의 임의의 것일 수 있다. 네트워크(220)의 다른 실시예가 또한 가능하다.
도 3을 참조하면, 도 2의 서버 장치(210)가 보다 상세히 도시된다. 전술한 바와 같이, 서버 장치(210)는 범용 컴퓨팅 장치이다. 예시적 범용 컴퓨팅 장치는 데스크톱 컴퓨터, 랩톱 컴퓨터, PDA, 스마트폰, 서버, 넷북, 노트북, 셀룰러폰, 태블릿, 텔레비전, 비디오 게임 콘솔 등을 포함한다.
서버 장치(210)는 적어도 하나의 프로세싱 유닛(305)과 시스템 메모리(310)를 포함한다. 시스템 메모리(310)는 서버 장치(210) 또는 다른 컴퓨팅 장치의 운영을 제어하기 위한 운영 시스템(315)를 저장할 수 있다. 운영 시스템(315)의 한 예는 Microsoft Corporation의 WINDOWS® 운영 시스템 또는 Exchange Server, SHAREPOINT® 콜라보레이션 서버와 같은 서버 등이다.
시스템 메모리(310)는 또한 하나 이상의 소프트웨어 어플리케이션(320)을 또한 포함할 수 있고 프로그램 데이터를 포함할 수도 있다. 소프트웨어 어플리케이션(320)은 이메일 프로그램, 달력 프로그램, 인터넷 브라우징 프로그램, 스프레드시트 프로그램, 정보를 추적하고 보고하기 위한 프로그램, 워드 프로세싱 프로그램 등과 같은 다양한 서로 다른 유형의 단일 또는 복합-기능 프로그램을 포함할 수 있다. 복합 기능 프로그램의 일 예는 Microsoft Corporation의 Office 어플리케이션 군(suite)이다.
시스템 메모리(310)는, 예를 들어, 자기 디스크, 광학 디스크, 테이프와 같은 물리적 컴퓨터 판독 가능 매체를 포함할 수 있다. 그러한 부가적인 저장소는 도 3에서 제거가능 저장소(325)와 제거불가능 저장소(330)으로 도시된다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 인스트럭션, 데이터 구조, 프로그램 모듈 또는 다른 데이터와 같은, 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 물리적 휘발성 및 비휘발성, 제거가능 및 제거불가능 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 또한, 이에 제한되지는 않으나, RAM, ROM, EEPROM, 플래시 메모리 또는 다른 메모리 기술, CD-ROM, DVD, 또는 다른 광학 저장소, 자기 카세트, 자기 테이프, 자기 디스크 저장소 또는 다른 자기 저장 장치, 또는 소망의 정보를 저장하도록 사용될 수 있고 서버 장치(210)에 의해서 접근가능한 임의의 다른 매체를 포함할 수 있다. 임의의 이러한 컴퓨터 저장 매체는 서버 장치(210)의 일부이거나 또는 외부적일 수 있다.
통신 매체는 컴퓨터 판독가능 저장 매체와 구별된다. 통신 매체는 통상적으로 컴퓨터 판독가능 인스트럭션, 데이터 구조, 프로그램 모듈 또는 반송파 또는 다른 전송 메커니즘과 같은 변조 데이터 신호 내의 다른 데이터에 의해서 구현될 수 있으며 임의의 정보 전달 매체를 포함한다. 용어 "변조 데이터 신호"는 신호 내의 정보를 부호화하는 방식으로 하나 이상의 특성을 설정 또는 변경한 신호를 의미한다. 예제로서, 통신 매체는 유선 네트워크 또는 직접-연결(direct-wired) 접속과 같은 유선 매체와 음향, RF, 적외선 또는 다른 무선 매체와 같은 무선 매체를 포함한다.
서버 장치(210)는 또한 임의의 수와 유형의 입력 장치(335) 및 출력 장치(340)를 포함할 수 있다. 예시적 입력 장치(335)는 키보드, 마우스, 펜, 음성 입력 장치, 터치 입력 장치 등을 포함한다. 예시적 출력 장치(340)는 디스플레이, 스피커, 프린터 등을 포함한다. 서버 장치(210)는 분산 컴퓨팅 시스템 환경에서 네트워크(예컨대, 도 2의 네트워크(220))를 걸쳐 다른 컴퓨팅 장치와 통신을 가능하도록 구성되는 통신 접속(345)을 또한 포함할 수도 있다.
예시적 실시예에서, 도 2의 클라이언트 장치(205)는 전술한 서버 장치(210)와 유사하게 구성된다. 도 4를 부가적으로 참조하면, 도 2의 클라이언트 장치(205)는 또한 서버 장치(210)에 대해 하나 이상의 상이한 유형의 클라이언트 인터페이스를 포함하도록 구성될 수 있다. 도시된 예제에서, 클라이언트 장치(205)는 로컬 클라이언트(405), 웹-액세스 클라이언트(410), 모바일-액세스 클라이언트(415), 및 음성-액세스 클라이언트(420)를 포함한다. 서버 장치(210)에 대한 클라이언트 인터페이스의 다른 유형이 또한 가능하다.
로컬 클라이언트(405)는 서버 장치(210)에 대한 인터페이스로서 동작하고 클라이언트 장치(205)상에서 실행되는 어플리케이션 군의 일부인 전용 메시징 및 콜라보레이션 클라이언트로서 구성된다. 일 실시예에서, 로컬 클라이언트(405)는 Microsoft Office 어플리케이션 군의 일부인 이메일 어플리케이션인 OUTLOOK® 메시징 클라이언트를 포함한다. 사용자는 OUTLOOK® 메시징 클라이언트로 이메일을 작성하고, 상호작용하고 송수신할 수 있다. 로컬 클라이언트(405)의 다른 실시예가 가능하다.
웹-액세스 클라이언트(410)는 인터넷과 같은 네트워크 접속을 사용하여 원격으로 서버 장치(210)에 접속하도록 구성된다. 일 실시예에서, 웹-액세스 클라이언트(410)는 Exchange Sever의 Outlook Web Access 웹메일 서비스이다. 예시적 실시예에서, 클라이언트 장치(205)는 Outlook Web Access를 통해서 Exchange Server에 접속하도록 웹 브라우저를 사용한다. 이는 이메일을 작성하고, 상호작용하고 송수신할 수 있는 OUTLOOK® 메시징 클라이언트의 인터페이스와 유사한 사용자 인터페이스를 띄운다. 웹-액세스 클라이언트(410)의 다른 실시예가 가능하다. 예를 들어, 웹-액세스 클라이언트(410)는 SHAREPOINT® 콜라보레이션 서버에 접속되어 해당 콜라보레이션, 파일 공유 및 웹 퍼블리싱 서비스에 접근 가능하도록 구성될 수 있다. 웹-서비스 클라이언트(410)의 또 다른 실시예가 가능하다.
모바일-액세스 클라이언트(415)는 서버 장치(210)에 대한 클라이언트 인터페이스의 다른 유형이다. 일 실시예에서, 모바일-액세스 클라이언트(415)는 Vista 또는 Windows 7의 ACTIVESYNC® 동기화 소프트웨어의 Mobile Access 또는 Windows Mobile Device Center를 포함하고, 모두 Microsoft Corporation의 제품이다. 사용자는 ACTIVESYNC® 동기화 소프트웨어의 Mobile Access와 같은 모바일 액세스 클라이언트를 사용하여 Exchange server와 모바일 장치간의 메시지를 동기화할 수 있다. 예시적인 모바일 장치는 셀룰러 전화, 스마트폰, PDA 등을 포함한다. 모바일-액세스 클라이언트(415)의 다른 실시예가 가능하다.
음성-액세스 클라이언트(420)는 서버 장치(210)에 대한 클라이언트 인터페이스의 또 다른 유형이다. 일부 실시예에서, 음성-액세스 클라이언트(420)은 Exchange Server에서 지원되는 Exchange Unified Messaging을 포함한다. Exchange Unified Messaging으로, 사용자는 이메일과 음성메일에 대한 하나의 받은편지함(inbox)을 갖는다. 음성메일은 OUTLOOK® 메시징 클라이언트 받은편지함으로 직접 전달된다. 음성메일을 포함하는 메시지는 또한 첨부물을 포함할 수 있다. 음성-액세스 클라이언트(420)의 다른 실시예가 가능하다.
도 5를 참조하면, 컴퓨팅 시스템 환경에서 전자 통신을 분류하기 위한 시스템 및 방법을 구현하도록 구성된 예시적 운영 환경(500)이 도시된다. 운영 환경(500)은 도 1-4와 관련하여 전술한 바와 같이 서버 컴퓨팅 장치 상에서 실행되는 서버 측 프로세스 또는 클라이언트 컴퓨팅 장치 상에서 실행되는 클라이언트 측 프로세스에 의해서 구현될 수 있다. 다른 실시예가 가능하다. 예를 들어, 운영 환경(500)은 서버 측 프로세스와 클라이언트 측 프로세스 양측의 기능을 통합하는 하이브리드 방식으로 구현될 수도 있다. 전자 통신 분류를 위한 예시적 시스템 및 방법의 구현에 있어서 이와 같은 유연성은 예를 들어 최적 리소스 할당, 로드 밸런싱 등과 같이 많은 측면에서 이점이 있다.
예시적 운영 환경(500)은 데이터 수집기(505), 데이터 분석기(510), 데이터 저장소(515) 및 질의 분석기(520)를 포함한다.
데이터 수집기(505)는 이메일 데이터, 음성메일 데이터, 달력 데이터, SMS 데이터, IM 데이터, MMS 데이터, 웹 페이지 업데이트 데이터, 소셜 네트워크 데이터 데이터, 전자 문서 데이터 등과 같은 다양한 전자 통신 및 관련 소스로부터 로우 아이템 데이터(raw item data)를 수집하고 종합(aggregate)하도록 구성된다. 전자 통신 및 관련 소스는 일반적으로 데이터를 상이한 포맷으로 패키지하고 전송하고, 데이터 수집기(505)는 통신 서버 데이터 수집기(525), 웹 서버 데이터 수집기(530), 어플리케이션 서버 데이터 수집기(535)와 같이, 이들 상이함을 지원하는 복수의, 논리적 데이터 수집기 모듈을 포함한다. 다은 유형의 논리적 데이터 수집기 모듈이 가능하다.
데이터 분석기(analyzer)(510)는 아이템 분석(parse) 모듈(540), 모델 적용 모듈(545), 데이터 훈련 모듈(550)을 포함한다. 아이템 분석 모듈(540)은 데이터 수집기(505)에 의해 검색된 각각의 아이템 데이터의 복수의 아이템 특징을 추출하도록 구성된다. 예시적 방법(100)의 문맥에서 앞서 논의한 바와 같이, 아이템 특징은 일반적으로 각각의 통신 데이터의 콘텐트의 이해에 기초하여 직접 추출된 또는 유추된 통신 데이터의 임의의 특성이다.
모델 적용 모듈(545)는 데이터 수집기(505)에 의해 검색된 각각의 아이템 데이터에 대응하는 의도된 수신자의 수신자-특정 모델 데이터를 검색하도록 구성된다. 모델 적용 모듈(545)은 부가적으로 분류 모델의 모델 기준을 수신자-특정 모델 데이터에 적용하고 분류 모델의 유형에 기초하여 하나 이상의 아이템 특정 예측을 생성하도록 구성된다. 일 실시예에서, 분류 모델은 중요도-기반 모델이다. 다른 실시예가 가능하다.
데이터 훈련 모듈(550)은 데이터 수집기(505)에 의해 검색된 각각의 아이템 데이터에 대응하는 의도된 수신자와 연관된 수신자 행동과 명시적 수신자 피드백을 모니터링하고 획득하도록 구성된다. 데이터 훈련 모듈(550)은 부가적으로 모델 적용 모듈(545)에 의해 검색된 수신자-특정 모델 데이터를 획득된 수신자 행동 및 명시적 수신자 피드백에 기초하여 조절하도록 구성된다.
전술한 바와 같이, 운영 환경(500)은 또한 질의 분석기(520)를 포함한다. 일반적으로, 질의 분석기(520)는 클라이언트 측 어플리케이션 특징 요청을 처리하여 최종 사용자가 효율적으로 임의의 많은 양의 착신 통신을 분류할 수 있도록 구성된다. 예시적 실시예에서, 질의 분석기(52)는 제 1 기능 포탈(feature portal)(555), 제 2 기능 포탈(560) 및 제 3 기능 포탈(565)을 포함한다.
제 1 기능 포탈(555)은, 이하에서 도 7 및 도 8과 관련하여 보다 자세히 서술되는 바와 같이, 클라이언트-측 어플리케이션 내에서 주요 콘텐트를 노출하기 위한 하이라이트 또는 강조 기능에 대응하는 기능 요청(feature request)를 지원하도록 구성된다. 제 2 기능 포탈(560)은, 또한 이하에서 도 7 및 도 8과 관련하여 보다 자세히 서술되는 바와 같이, 클라이언트-측 어플리케이션 내에서 가장 중요한 것으로 간주되는 아이템의 퀵뷰를 제공하기 위한 퀵뷰 기능에 대응하는 기능 요청을 지원하도록 구성된다. 제 3 기능 포탈(565)은, 이하에서 도 9와 관련하여 보다 자세히 서술되는 바와 같이, 클라이언트-측 어플리케이션 내에서 중요한 것으로 간주되는 아이템에 기초하여 선택적 통지를 제공하기 위한 통지 기능에 대응하는 기능 요청을 지원하도록 구성된다. 질의 분석기(520)의 다른 실시예가 가능하다.
예시적 실시예에서, 데이터 수집기(505)에 의해 수집되고/되거나 데이터 분석기(510)에 의해 처리되는 데이터는 데이터 저장소(515)내에 저장될 수 있다. 부가적으로, 데이터 저장소(515)는 질의 분석기(520)에 의해서 처리되는 검색 및 결과를 지원하고 저장한다.
도 6을 참조하면, 전자 통신 분류를 위한 사용자 모델 데이터의 계층적 훈련을 위한 예시적 방법(600)이 도시된다. 일반적으로, 방법(600)은 서버 측 프로세스 또는 클라이언트 측 프로세스에 의해 구현될 수 있다. 서버 측 프로세스 및 클라이언트 측 프로세스의 예는 도 1-5와 관련하여 전술하고 있다. 다른 실시예가 가능하다. 예를 들어, 방법(600)은 서버 측 프로세스와 클라이언트 측 프로세스 양측의 기능을 통합하는 하이브리드 방식으로 구현될 수 있다.
방법(600)은 사용자 모델 데이터라고 지칭되는, 사용자-특정 행동 및 선호(user-specific behaviors and preferences)의 최적의 이해를 제공하도록 구성된다. 사용자 모델 데이터는 사용자-특정 추론(user-specific inferences)에 기초한다. 본 개시물에 따른 예시적 추론은 관찰 사용자 행동 및 명시적 사용자 피드백에 기초한 특정 아이템 속성의 상대적 중요도 및 비-중요도에 대응한다. 일 실시예에서, 추론은 아이템 속성(item attribute), 속성값(attribute value), 속성 가중치(attribute weight), 속성 신뢰도(attribute confidence)를 포함한다. 사용자-특정 통신 데이터, 행동, 및 피드백에 기초하여 얻어질 수 있는 사용자-특정 추론의 예는 다음을 포함한다.
Figure pct00001
추론의 아이템 속성은 통신의 특정 조각의 특성이다. 예시적 아이템 속성은 송신자 관계, 후속조치(follow-up) 포함, 아이템 토픽을 포함한다. 다른 실시예가 가능하다. 예를 들어, 다른 속성은 아이템 송신자, 아이템 토픽, 아이템 송신 시간, 아이템 유형 등을 포함한다. 특정 속성값(예컨대, "송신자 관계"="매니저")의 중요도는 사용자 행동을 관찰하여 평가되는데 이는 그것이 특정 속성값에 관계되기 때문이다. 예시적 사용자 행동은 사용자가 매니저에 의해 송신된 아이템에 대하여 중요함을 나타내는 행동(예컨대, 아이템 개시 후 상당한 시간을 소모하는 것)을 보여주는 경향이 있는지를 관찰하는 것을 포함한다. 도시된 예에서, 속성 가중치는 스케일된 숫자값으로 표시된다. 다른 실시예가 가능하다.
추론의 신뢰도 등급은 주어진 아이템 속성값에 대한 특정 중요도 등급과 연관되는 신뢰도에 대응한다. 도시된 예에서, 추론 "송신자 관계"="매니저"의 신뢰도 등급은 상대적으로 높다(즉, 78%). 추론 "아이템 토픽"="낚시"의 신뢰도 등급은 상대적으로 낮다(즉, 23%). 일부 실시예에서, 추론의 높은 신뢰도 등급은 속성값의 여러 사례가 일관된 행동과 연관되어 관찰되는 경우 얻어질 수 있다. 추론의 낮은 신뢰도 등급은 속성값의 매우 적은 사례가 관찰되는 경우, 속성값의 사례가 최근이 아닐 경우, 및/또는 사용자 행동이 일관되지 않은 경우에 얻어질 수 있다. 다른 실시예가 가능하다.
일부 실시예에서, 소정 추론은 상호-의존적이거나 또는 복수의 관련된 아이템 속성들로 구성될 수 있다. 상호-의존적 추론의 예는 사용자가 많은 이메일 메시지를 동료 "알렉스"로부터 수신하는 상황을 포함한다. 예시적 이메일 메시지의 일부가, 사용자가 속해 있는, 커다란 분배 리스트(distribution list)("DL")로 보내지고, 나머지는 사용자고 직접 보내진다. 일 상황에서, "알렉스"가 사용자에게 이메일 메시지를 분배 리스트를 통해서 보내고, 사용자는 이들 아이템을 중요하지 않은 것으로 취급하는 경향이 있다. 그러나, "알렉스"가 이메일 메시지를 사용자에게 직접 보내는 경우, 사용자는 이들 아이템을 중요하지 않은 것으로 취급하는 경향이 있다. 예시적 상황을 표현하는 두 개의 관련된 상호-의존적 추론이 있다. 첫 번째 추론은 속성 "송신자"="알렉스" 및 "수신자"="DL"을 포함하고 상대적으로 낮은 속성 가중치(예컨대, "4") 및 높은 신뢰도 등급(예컨대, 80%)를 나타낼 수 있다. 두 번째 추론은 "송신자"="알렉스" 및 "수신자"="수신자"를 포함하고 상대적으로 높은 속성 가중치(예컨대, "8") 및 높은 신뢰도 등급(예컨대, 80%)를 나타낼 수 있다. 일반적으로, 임의의 상호-의존적 추론은 임의의 수의 임의의 복합 속성으로 구성된다.
예시적 실시예에서, 특정 사용자에 대한 가중치의 세트를 컴파일(compiling)하고 계산(calculating)하는 것은 훈련(training)이라고 지칭된다. 예시적 방법(600)은 복수의 단계에서 사용자 모델 데이터를 훈련하도록 구성된다. 구체적으로, 동작(605)는 원형 사용자 모델에 기초하여 새로운 사용자를 위한 일반화된 디폴트 가중치의 세트를 생성하는 제 1 단계 "부트스트랩핑(bootstrapping)" 동작에 대응한다. 디폴트 가중치의 세트는 디폴트 사용자 모델 데이터를 나타낸다. 예시적 원형 사용자 모델은 공통의 직업, 공통의 관심사 등과 같은 공통의 특성을 갖는 다수의 샘플 사용자에 대하여 개발되고, 시제품화되고, 테스트된 중요도 모델을 포함한다.
동작(605)에서 제 1 단계 "부트스트랩핑"에 후속하여, 사용자-특정 정보가 특정 사용자에 대한 디폴트 사용자 모델을 개인화하도록 디폴트 가중치의 세트를 업데이트하고 조절하도록 획득된다. 예를 들어, 동작 흐름은 사용가능한 역사적으로 기록된 행동 데이터, 피드백 데이터 및 통신 데이터를 평가하는 제 2 단계 "크롤링(crawling)" 동작에 대응하는 동작(610)으로 진행한다. 예시적인 역사적으로 기록된 행동 데이터는 송신, 회신 및 메시지 전달과 같은 이메일 메시지 "작성" 동작을 포함한다. 다른 역사적으로 기록된 동작 데이터 및 통신 아이템이 가능하고 시스템 구현에 특정될 수 있다.
동작(610)에서 제 2 단계 "크롤링"에 후속하여, 동작 흐름은 개인화된 가중치 세트를 구성하도록 디폴트 사용자 모델 데이터의 일반화된 디폴트 가중치 세트를 업데이트하는 것에 대응하는 동작(615)로 진행한다. 개인화된 가중치 세트는 사용자-특정 모델 데이터에 대응한다.
동작(615)에서 사용자-특정 모델 데이터의 구성에 후속하여, 동작 흐름은, 도 1과 연관하여 전술한 예시적 제 1 훈련 브랜치(130)의 기능과 유사한, 아이템에 관한 사용자-특정 행동 및 피드백을 실시간 모니터링하고 획득하는 것에 대응하는 제 3 단계 "온-라인(on-line)" 동작(620)으로 진행한다. 동작(620)은 동작(615)에서 구성된 개인화된 가중치 세트를 업데이트하고 조정하도록 구현된다.
예시적 실시예에서, 동작 흐름은 사전결정된 시간 지연 dT 이후에 동작(615)로 복귀한다. 동작(615)와 동작(620)간의 순환 프로세스 플로우는 사용자-특정 모델 데이터의 개인화된 가중치 세트를 계속적으로 미세 조정하도록 구현된다. 그러한 순환 프로세스 플로우는 많은 측면에서 이점이 있다. 예를 들어, 소정 가중치는 시간이 지남에 따라 변하거나 더 이상 쓸모가 없게 될 수 있는데, 사용자가 직업을 바꾸거나 관리자가 바뀌는 경우와 같은 것이다. 예시적 실시예에서, 동작(620)에서 획득되는 정보와 동작(615)에 대응하는 업데이트는 각각의 변화를 포착하고 개인화된 가중치의 세트를 시간에 따라서 적응시킨다.
예시적 실시예에서, 프로세스 플로우는 동작(615) 및 동작(620)간의 반복에 후속하여 평가 동작(625)로 진행한다. 평가 동작(625)는 사용자-특정 모델 데이터의 개인화된 가중치 세트가, 새로운 아이템을 중요한 것으로 라벨링하는 것과 관련된 분류(triage) 기능과 같은, 연관된 분류(classification)에 기초한 기능의 노출에 충분한지 여부를 판단하는 것에 대응한다.
평가 동작(625)이 사용자-특정 모델 데이터의 개인화된 가중치 세트가 연관된 분류에 기초하여 기능을 노출시키기에 부족하다고 판단하면, 동작 흐름은 개인화된 가중치 세트의 추가 조정 및 조절을 위하여 동작(620)으로 되돌아간다.
평가 동작(625)이 사용자-특정 모델 데이터의 개인화된 가중치 세트가 연관된 분류에 기초하여 기능을 노출시키기에 충분하다고 판단하면, 동작 흐름은 개인화된 가중치 세트의 초기 훈련의 완료에 대응하는 동작(630)으로 나아간다. 예시적 실시예에서, 연관 분류와 관련된 분류 기능(triage feature)은 동작(630)에서 인에이블되고 클라이언트 측 어플리케이션 기능 요청을 통해서 접근 가능하여, 최종 사용자가 효율적으로 임의의 많은 양의 착신 통신을 효율적으로 분류할 수 있도록 한다(예컨대, 제 1 기능 포탈(555), 제 2 기능 포탈(560), 제 3 기능 포탈(565)). 일반적으로 동작(630)에서 개인화된 가중치 세트의 초기 훈련의 완료는 사용자로부터의 임의의 적극적 또는 직접 입력없이 획득될 수 있다.
도 7을 참조하면, 본 개시물에 따른 제 1 예시적 메시지 환경(700)이 도시된다. 일반적으로, 메시지 환경(700)은 OUTLOOK® 메시징 클라이언트와 같은, 통신 어플리케이션과 연관된 이메일 메시징 어플리케이션이다. 다른 실시예가 가능하다.
예시적 실시예에서, 메시징 환경(700)은 폴더 창(folder pane)(705), 리스트 창(710), 및 디스플레이 창(715)를 포함한다. 예시적 폴더 창(705)은 이메일 메시지와 같은 데이터를 저장하도록 사용되는 폴더(720a-d)의 리스트를 포함한다. 도시된 예제에서, 폴더(720c)가 이메일 메시지(725a-e)의 리스트로서 리스트 창(710) 내에 디스플레이를 위해서 선택된다.
도시된 예제에서, 이메일 메시지(725a)는 제 1 중요도 표시(730)에 의해 하이라이트되고, 이메일 메시지(725b)가 제 2 중요도 표시(735)에 의해 하이라이트 된다. 일반적으로, 제 1 중요도 표시(730)는 "Shelia Wu"로부터 송신된 이메일 메시지(725a)를 중요한 것으로 지정한다. 부가적으로, 이메일 메시지(725a)는 제 1 퀵뷰(740)로 디스플레이 창(715)에 중요한 것으로 디스플레이될 수 있다. 예시적 실시예에서, 제 1 퀵뷰(740)는 이메일 메시지(725a)의 콘텐트(745)와 "Shelia Wu"의 이미지(750)를 디스플레이 하도록 구성된다. 제 1 중요도 표시(730)의 배치(geometry) 및 톤(tone)은 설정 가능하며, 제목의 용어 "검토(review)"와 같은, 이메일 메시지(725a)내의 주요 콘텐트의 존재를 표시할 수 있다. 다른 실시예가 가능하다.
제 2 중요도 표시(735)는 "Jose Santana"로부터 송신된 이메일 메시지(725b)를 중요한 것으로 표시할 수 있다. 이메일 메시지(725b)는 제 2 퀵뷰(755)로 디스플레이 창(715)내에 중요한 것으로 디스플레이될 수 있다. 예시적 실시예에서, 제 2 퀵뷰(755)는 이메일 메시지(725b)의 콘텐트(735)를 디스플레이 하도록 구성된다. 제 2 중요도 표시(735)의 배치 및 톤은 설정 가능하며, 본문의 "신속(Expedite)"과 같은, 이메일 메시지(725a)의 주요 콘텐트의 존재를 표시할 수 있다.
일반적으로, 제 1 중요도 표시(730)와 제 2 중요도 표시(735)는 사용자가 각각의 이메일 메시지(725a)와 이메일 메시지(725b)를 중요한 것으로 신속하게 식별하도록 하게 한다. 제 1 중요도 표시(730) 및 제 2 중요도 표시(735)의 배치 및 톤은 원하는 대로 선택될 수 있고 각각 이메일 메시지(725a)와 이메일 메시지(725b)의 소정 특성을 표시할 수도 있고, 또한, 디스플레이 창(715) 내에 원하는 대로 제 1 퀵뷰(740)와 제 2 퀵뷰(755)의 위치(placement)와 강조(prominence)에 영향을 줄 수 있다. 다른 실시예가 가능하다.
도 8을 참조하면, 사용자 모듈(800)을 포함하는 도 7의 메시지 환경(700)이 도시된다. 예시적 실시예에서, 커서(805)는 사용자 모듈(800)을 노출하도록 제 1 중요도 표시(730)를 선택하도록 사용된다.
일반적으로, 사용자 모듈(800)은 피드백 및 맞춤(customization)이 가능하도록 사용자에게 높은 레벨의 투명도를 제공하도록 구성된다. 예를 들어, 사용자 모듈(800)은 문맥 감지 및 직관적인 방식으로 사용자 인터페이스(805a-c)의 세트를 노출할 수 있다. 예시적 사용자 추론은 소정 아이템(즉, 이메일 메시지(725a))의 분류가 어떻게 중요한지 또는 중요하지 않은지 결정되는지에 대한 이해를 수행한다. 사용자 모듈(800)은 부가적으로 원하는 경우에 사용자가 아이템의 중요도를 중요함에서 중요하지 않음으로 변경하도록 하는 수동 조정 버튼(810)을 노출하도록 구성된다. 예시적 실시예에서, 그러한 적극적인 피드백은 그 아이템의 아이템 분류 뿐만 아니라 연관된 사용자 모델 데이터를 업데이트하도록 하며 새로운 아이템을 분류하거나 기존 아이템을 재분류할 때 그 적극적 피드백을 또한 고려할 수 있다.
사용자 모듈(800)은 부가적으로 사용자가 추론을 부정확한 것으로 표시하는 피드백을 제공하거나 또는 일반적으로는 정확한 추론이 특정 이메일 메시지에 잘못 적용되었다는 피드백을 제공할 수 있도록 추론 피드백 버튼(815)를 노출하도록 구성된다. 그러한 적극적 피드백은 그 아이템의 분류뿐만 아니라 연관된 사용자 모델 데이터를 업데이트하도록 작용한다. 그러한 적극적 피드백은 부가적으로 새로운 아이템을 분류하거나 기존의 아이템을 재분류할 때 수신될 수 있다. 추론 피드백 버튼(815)은 또한 사용자가 새로운 추론을 정의하거나 또는 특별 "메타-추론(meta-inferences)"를 정의하거나 또는 계산된 상호-의존적 추론을 복수의 속성 및 값에 기초하여 정의하도록 구성될 수 있다. 다른 실시예가 가능하다.
사용자 모듈(800)은 부가적으로 사용자 맞춤(customization)을 위한 맞춤 버튼(820)을 노출하도록 구성된다. 예시적 사용자 맞춤은 메시지 환경(700) 내에서 아이템이 중요함으로 표시되기 위한 최소 중요도 및/또는 신뢰도 등급을 정의하는 것과 같은 임계값 맞춤을 포함한다. 다른 예시적 사용자 맞춤은 메시지 환경(700)에서 몇 개의 레벨의 중요도를 정의하고 노출할 것인지(예컨대, 낮음, 중간, 높음)의 정의와 같은 계층화를 포함한다. 다른 예시적 사용자 맞춤은 메시지 환경(700)에서 상대적인 중요도를 어떻게 표시할 지와 같은(예컨대, 아이콘, 미리보기를 통해서), 시각적 표시기 정의를 포함한다. 다른 예시적 사용자 맞춤은 사용자가 기능/어플리케이션과 관련된 노출될 버튼 또는 커맨드를 정의하도록 하게 하는 것과 같은 툴바 정의를 포함한다. 그러한 맞춤은 장치 또는 어플리케이션 특정적이다. 다른 예시적 사용자 맞춤은 사용자가 무슨 레벨의 적극적 피드백 컨트롤을 메시지 환경(700)을 통해서 노출할지를 결정할 수 있는 피드백 정의의 단위(granularity)를 포함한다. 또 다른 실시예가 가능하다.
도 9를 참조하면, 본 개시물에 따른 제 2 예시적 메시지 환경(900)이 도시된다. 일반적으로, 메시지 환경(900)은 Microsoft Corporation에 의해 생산되는 "Smart Toast" 팝업 메시징 어플리케이션과 같은 통지 어플리케이션이다. 다른 실시예가 가능하다.
예시적 실시예에서, 메시지 환경(900)은 중요함으로 평가된 새로운 이메일 메시지의 수신에 따라 사용자에게 노출된다. 예를 들어, 도 7 및 도 8과 관련하여 전술한 각각의 이메일 메시지(725a)와 유사하게, "Sheila Wu"로부터의 이메일 메시지의 수신에 따라, 메시지 환경(900)이 제 1 중요도 표시(730) 및 "Shelia Wu"의 이미지(750)를 포함하여 사전결정된 시간간격 동안 디스플레이된다. 메시지 환경(900)은 또한 "Sheila Wu로부터의 새로운 메일"과 같은 식별 메타데이터(905)와 "2시까지 가능하지 않음"과 같은 문맥 메타데이터(910)를 포함한다. 예시적 실시예에서, 메시지 환경(900)은 오직 "중요함"으로 평가된 메시지(즉, 이메일 메시지 725a)만을 통지하고 왜 이들 메시지가 중요함으로 표시되었는지를 짧게 보여준다. 메시지 환경(900)의 다른 실시예가 또한 가능하다.
여기서 서술된 예시적 실시예는 네트워크 컴퓨팅 시스템 환경에서 컴퓨팅 장치내의 논리 동작으로서 구현될 수 있다. 논리 동작은 (i) 컴퓨팅 장치에서 실행되는 컴퓨터 구현된 인스트럭션, 단계, 및 프로그램 모듈의 시퀀스; 및 (ii) 컴퓨팅 장치 내에서 실행되는 상호 연결된 논리 또는 하드웨어 모듈로서 구현될 수 있다.
예를 들어, 논리 동작은 소프트웨어, 펌웨어, 아날로그/디지털 회로, 및/또는 이들의 임의의 조합으로, 본 개시물의 사상을 벗어나지 않으면서, 알고리즘으로 구현될 수 있다. 소프트웨어, 펌웨어, 또는 컴퓨터 인스트럭션의 유사한 시퀀스는 컴퓨터 판독가능 저장매체상에 부호화되고 저장될 수 있고 또한 컴퓨팅 장치간에 전송을 위해 반송파 신호내에 부호화될 수도 있다.
주제가 구조적 특징 및/또는 방법론적 행위에 특정한 언어로 서술되었지만, 첨부된 청구항에 정의되는 주제가 전술한 특정 기능 또는 행위에 제한될 필요가 없음이 이해되어야 한다. 오히려, 전술한 특정 기능 및 행위는 청구항을 구현하는 예시적 형태로서 개시된다.

Claims (10)

  1. 컴퓨팅 시스템 환경에서 전자 통신을 분류(triaging)하기 위한 방법에 있어서,
    수신자를 위한 수신자-특정 모델을 개인화하도록 컴퓨팅 장치에서 디폴트 모델(default model)을 훈련(training)하는 단계- 상기 디폴트 모델은 상기 수신자와 공통의 특성을 갖는 사용자의 샘플에 대하여 조절된 복수의 가중치 팩터(weighted factor)로부터 형성되고, 상기 수신자-특정 모델은 상기 수신자의 행동 이력(historical behavioral) 및 피드백 정보를 사용하여 수정되는 상기 디폴트 모델로부터 형성됨 -와,
    상기 컴퓨팅 장치에서 상기 수신자에게 보내진(addressed) 아이템을 인터셉트하는 단계와,
    상기 컴퓨팅 장치에서 상기 아이템과 연관된 복수의 아이템 특징(item features)을 추출하는 단계와,
    상기 수신자-특정 모델을 검색(retrieving)하는 단계- 상기 수신자-특정 모델은 상기 복수의 추출된 아이템 특징과 연관된 상기 복수의 가중치 팩터를 포함함 -와,
    상기 복수의 가중치 팩터의 조합을 형성하는 단계를 포함하는 상기 복수의 추출된 아이템 특징에 중요도 분류 모델(importance classification model)을 적용하는 단계와,
    상기 복수의 가중치 팩터의 조합에 기초하여 예측 아이템 중요도를 생성하는 단계와,
    상기 예측 아이템 중요도에 기초하여 상기 수신자에 대한 상기 아이템과 연관된 적어도 하나의 어플리케이션 기능(application feature)를 인에이블(enabling)하는 단계를 포함하는
    전자 통신을 분류하기 위한 방법.
  2. 제 1 항에 있어서,
    상기 수신자의 행동 이력 및 피드백 정보에 기초하여 상기 복수의 가중치 팩터를 조절하는 단계를 더 포함하는
    전자 통신을 분류하기 위한 방법.
  3. 제 1 항에 있어서,
    추론 정정(interference correction), 규칙 정의 처리(processing rule definition), 임계값 정의(threshold definition) 및 중요도 단위(importance granularity)를 포함하는 그룹으로부터 선택된 수신자 맞춤(customization)을 획득하는 것에 의해 상기 수신자-특정 모델을 개인화하도록 상기 디폴트 모델의 훈련을 계속하는 단계를 더 포함하는
    전자 통신을 분류하기 위한 방법.
  4. 제 1 항에 있어서,
    상기 아이템과 연관된 수신자 행동을 주기적으로 획득하는 것에 의해 상기 수신자-특정 모델을 개인화하도록 상기 디폴트 모델의 훈련을 계속하는 단계를 더 포함하는
    전자 통신을 분류하기 위한 방법.
  5. 제 4 항에 있어서,
    상기 예측 아이템 중요도의 정확성을 평가하기 위하여 사전결정된 시간 간격 동안 상기 아이템과 연관된 수신자 행동을 주기적으로 획득하는 단계를 더 포함하는
    전자 통신을 분류하기 위한 방법.
  6. 제 5 항에 있어서,
    상기 복수의 가중치 팩터, 및 상기 예측 아이템 중요도 중 적어도 하나를 상기 획득된 수신자 행동에 기초하여 조절하는 단계를 더 포함하는
    전자 통신을 분류하기 위한 방법.
  7. 제 1 항에 있어서,
    상기 아이템은 이메일 메시지, 음성메일 메시지, 달력 메시지, 즉석 메시지, 웹-기반 메시지 및 소셜 콜라보레이션 메시지를 포함하는 그룹으로부터 선택된 통신을 포함하는
    전자 통신을 분류하기 위한 방법.
  8. 제 1 항에 있어서,
    상기 추출된 아이템 특징은 직접 관찰된 아이템 특성과 추론된 아이템 특성 중 적어도 하나를 포함하는
    전자 통신을 분류하기 위한 방법.
  9. 컴퓨팅 장치에 있어서,
    프로세싱 유닛과,
    상기 프로세싱 유닛에 접속된 시스템 메모리를 포함하되,
    상기 시스템 메모리는, 상기 프로세싱 유닛에 의해 실행될 때, 상기 프로세싱 유닛으로 하여금 컴퓨팅 시스템 환경에서 전자 통신을 분류하기 위한 사용자 모델의 계층적 훈련을 위해 구성되는 훈련 모듈을 구현하도록 하는 인스트럭션을 포함하고,
    상기 훈련 모듈은
    원형 사용자 모델(prototypical user model)에 기초하여 사용자에 대한 디폴트 추론의 세트(set of default inferences)를 생성하고, 디폴트 추론은 아이템 속성, 속성값, 속성 가중치, 속성 신뢰도를 포함하고,
    사용자-특정 행동 이력 및 피드백 정보의 검색과 아이템의 수신에 응답한 사용자-특정 행동 및 피드백의 검색을 포함하는 상기 사용자의 상기 디폴트 추론의 세트를 개인화하도록 사용자-특정 정보를 획득하고,
    아이템 분류 모델에 대한 어플리케이션을 위한 개인화된 추론의 세트를 형성하도록 상기 사용자-특정 정보로 상기 디폴트 추론의 세트를 업데이트하고,
    예측 아이템 중요도를 노출하기 위하여 상기 사용자와 연관된 적어도 하나의 어플리케이션 특징을 인에이블하도록 구성되는
    컴퓨팅 장치.
  10. 컴퓨팅 장치에 의해서 실행될 때, 상기 컴퓨팅 장치가 단계들을 수행하도록 하는 컴퓨터-실행가능 인스트럭션을 포함하는 컴퓨터 판독가능 저장매체에 있어서, 상기 단계들은,
    수신자를 위한 수신자-특정 모델을 개인화하도록 컴퓨팅 장치에서 디폴트 모델(default model)을 훈련(training)하는 단계- 상기 디폴트 모델은 상기 수신자와 공통의 특성을 갖는 사용자의 샘플에 대하여 조절된 복수의 가중치 팩터(weighted factor)로부터 형성되고, 상기 공통의 특성은 공통 직업(vocation) 및 공통 관심사를 포함하는 그룹으로부터 선택되고, 상기 수신자-특정 모델은 상기 수신자의 행동 이력 및 피드백 정보를 사용하여 수정되는 상기 디폴트 모델로부터 형성됨 -와,
    상기 컴퓨팅 장치에서 상기 수신자에게 보내진(addressed) 아이템을 인터셉트하는 단계- 상기 아이템은 이메일 메시지, 달력 메시지, 즉석 메시지, 웹-기반 메시지 및 소셜 콜라보레이션 메시지를 포함하는 그룹으로부터 선택됨 -와,
    상기 컴퓨팅 장치에서 상기 아이템과 연관된 복수의 아이템 특징(item features)을 추출하는 단계- 상기 아이템 특징은 아이템 송신자 특성, 아이템 수신자 특성, 대화 특성 및 첨부물 특성을 포함하는 그룹으로부터 선택되는 상기 아이템의 특성을 포함함 -와,
    상기 수신자-특정 모델을 검색(retrieving)하는 단계- 상기 수신자-특정 모델은 상기 복수의 추출된 아이템 특징과 연관된 상기 복수의 가중치 팩터를 포함함 -와,
    상기 복수의 가중치 팩터의 조합을 형성하는 단계를 포함하는 상기 복수의 추출된 아이템 특징에 중요도 분류 모델(importance classification model)을 적용하는 단계와,
    상기 복수의 가중치 팩터의 조합에 기초하여 예측 아이템 중요도를 생성하는 단계- 상기 예측 아이템 중요도는 상기 아이템을 중요함 및 중요하지 않음 중 하나로 표시함 -와,
    상기 예측 아이템 중요도에 기초하여, 상기 아이템의 주요 콘텐트를 하이라이트하기 위한 강조 기능 및 상기 아이템의 퀵뷰(quick view)를 제공하기 위한 디스플레이 기능 및 상기 아이템의 일시적인 화면을 제공하기 위한 통지 기능을 포함하는 그룹으로부터 선택되는 상기 수신자에 대한 상기 아이템과 연관된 적어도 하나의 어플리케이션 기능(application feature)을 인에이블(enabling)하는 단계와,
    상기 수신자-특정 모델을 개인화하도록 상기 디폴트 모델의 훈련을 계속하기 위하여 사전결정된 시간 간격 동안 상기 아이템과 연관된 수신자 행동 및 피드백을 주기적으로 획득하는 단계를 포함하는
    컴퓨터 판독가능 저장 매체.
KR1020137014581A 2010-12-06 2011-11-20 전자 통신 분류 KR101843604B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US12/961,180 2010-12-06
US12/961,180 US8744979B2 (en) 2010-12-06 2010-12-06 Electronic communications triage using recipient's historical behavioral and feedback
PCT/US2011/061571 WO2012078342A2 (en) 2010-12-06 2011-11-20 Electronic communications triage

Publications (2)

Publication Number Publication Date
KR20140012621A true KR20140012621A (ko) 2014-02-03
KR101843604B1 KR101843604B1 (ko) 2018-03-29

Family

ID=46163181

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020137014581A KR101843604B1 (ko) 2010-12-06 2011-11-20 전자 통신 분류

Country Status (10)

Country Link
US (1) US8744979B2 (ko)
EP (1) EP2649535B1 (ko)
JP (1) JP6246591B2 (ko)
KR (1) KR101843604B1 (ko)
CN (1) CN102567091B (ko)
AU (1) AU2011338871B2 (ko)
BR (1) BR112013012553B1 (ko)
CA (1) CA2817230C (ko)
RU (1) RU2600102C2 (ko)
WO (1) WO2012078342A2 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101688829B1 (ko) * 2015-07-24 2016-12-22 삼성에스디에스 주식회사 사용자 패턴을 반영한 문서 제공 방법 및 그 장치
KR20170005610A (ko) * 2015-07-06 2017-01-16 주식회사 이팝콘 수신 분석 기반 메시지 서비스 규칙 제공 방법 및 메시지 서비스 규칙을 이용한 메시지 송신 방법

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9529864B2 (en) * 2009-08-28 2016-12-27 Microsoft Technology Licensing, Llc Data mining electronic communications
US20110055264A1 (en) * 2009-08-28 2011-03-03 Microsoft Corporation Data mining organization communications
US8744979B2 (en) 2010-12-06 2014-06-03 Microsoft Corporation Electronic communications triage using recipient's historical behavioral and feedback
US10366341B2 (en) * 2011-05-11 2019-07-30 Oath Inc. Mining email inboxes for suggesting actions
US10453030B2 (en) 2012-06-20 2019-10-22 Wendy H. Park Ranking notifications based on rules
US20140052474A1 (en) * 2012-08-16 2014-02-20 Ginger.oi, Inc Method for modeling behavior and health changes
US9146895B2 (en) * 2012-09-26 2015-09-29 International Business Machines Corporation Estimating the time until a reply email will be received using a recipient behavior model
CN104065628B (zh) * 2013-03-22 2017-08-11 腾讯科技（深圳）有限公司 会话处理方法和装置
WO2015047323A1 (en) * 2013-09-27 2015-04-02 Hewlett-Packard Development Company, L. P. Notifying a user of critical emails via text messages
US20150142717A1 (en) * 2013-11-19 2015-05-21 Microsoft Corporation Providing reasons for classification predictions and suggestions
US10997183B2 (en) * 2013-12-05 2021-05-04 Lenovo (Singapore) Pte. Ltd. Determining trends for a user using contextual data
GB2521637A (en) * 2013-12-24 2015-07-01 Ibm Messaging digest
US10896421B2 (en) 2014-04-02 2021-01-19 Brighterion, Inc. Smart retail analytics and commercial messaging
US20180053114A1 (en) 2014-10-23 2018-02-22 Brighterion, Inc. Artificial intelligence for context classifier
US9577867B2 (en) * 2014-05-01 2017-02-21 International Business Machines Corporation Determining a time before a post is viewed by a recipient
RU2608880C2 (ru) * 2014-05-22 2017-01-25 Общество С Ограниченной Ответственностью "Яндекс" Электронное устройство и способ обработки электронного сообщения
US20150339673A1 (en) 2014-10-28 2015-11-26 Brighterion, Inc. Method for detecting merchant data breaches with a computer network server
US20160055427A1 (en) 2014-10-15 2016-02-25 Brighterion, Inc. Method for providing data science, artificial intelligence and machine learning as-a-service
US9280661B2 (en) 2014-08-08 2016-03-08 Brighterion, Inc. System administrator behavior analysis
US20150032589A1 (en) 2014-08-08 2015-01-29 Brighterion, Inc. Artificial intelligence fraud management solution
US20150066771A1 (en) 2014-08-08 2015-03-05 Brighterion, Inc. Fast access vectors in real-time behavioral profiling
US20160078367A1 (en) 2014-10-15 2016-03-17 Brighterion, Inc. Data clean-up method for improving predictive model training
US11080709B2 (en) 2014-10-15 2021-08-03 Brighterion, Inc. Method of reducing financial losses in multiple payment channels upon a recognition of fraud first appearing in any one payment channel
US20160071017A1 (en) 2014-10-15 2016-03-10 Brighterion, Inc. Method of operating artificial intelligence machines to improve predictive model training and performance
US20160063502A1 (en) 2014-10-15 2016-03-03 Brighterion, Inc. Method for improving operating profits with better automated decision making with artificial intelligence
US10546099B2 (en) 2014-10-15 2020-01-28 Brighterion, Inc. Method of personalizing, individualizing, and automating the management of healthcare fraud-waste-abuse to unique individual healthcare providers
US10290001B2 (en) 2014-10-28 2019-05-14 Brighterion, Inc. Data breach detection
US10504029B2 (en) * 2015-06-30 2019-12-10 Microsoft Technology Licensing, Llc Personalized predictive models
US10671915B2 (en) 2015-07-31 2020-06-02 Brighterion, Inc. Method for calling for preemptive maintenance and for equipment failure prevention
AU2015224398A1 (en) 2015-09-08 2017-03-23 Canon Kabushiki Kaisha A method for presenting notifications when annotations are received from a remote device
WO2017048730A1 (en) * 2015-09-14 2017-03-23 Cogito Corporation Systems and methods for identifying human emotions and/or mental health states based on analyses of audio inputs and/or behavioral data collected from computing devices
US9923853B2 (en) * 2015-10-05 2018-03-20 Quest Software Inc. Folders that employ dynamic user training rules to organize content
US10574600B1 (en) * 2016-03-25 2020-02-25 Amazon Technologies, Inc. Electronic mailbox for online and offline activities
US10749833B2 (en) * 2016-07-07 2020-08-18 Ringcentral, Inc. Messaging system having send-recommendation functionality
US10942946B2 (en) 2016-09-26 2021-03-09 Splunk, Inc. Automatic triage model execution in machine data driven monitoring automation apparatus
JP2019079224A (ja) * 2017-10-24 2019-05-23 富士ゼロックス株式会社 情報処理装置及び情報処理プログラム
US10579632B2 (en) * 2017-12-18 2020-03-03 Microsoft Technology Licensing, Llc Personalized content authoring driven by recommendations
US20190342297A1 (en) 2018-05-01 2019-11-07 Brighterion, Inc. Securing internet-of-things with smart-agent technology
US11176472B2 (en) * 2018-05-22 2021-11-16 International Business Machines Corporation Chat delta prediction and cognitive opportunity system
US11159476B1 (en) * 2019-01-31 2021-10-26 Slack Technologies, Llc Methods and apparatuses for managing data integration between an external email resource and a group-based communication system
KR20210091584A (ko) * 2020-01-14 2021-07-22 삼성전자주식회사 전자 장치 및 그 동작 방법
JP7459931B2 (ja) 2020-03-27 2024-04-02 日本電気株式会社 ストレス管理装置、ストレス管理方法、及びプログラム
CN112565803B (zh) * 2020-11-30 2022-04-22 北京达佳互联信息技术有限公司 一种评论区的消息处理方法、装置及计算机存储介质
WO2022161879A2 (en) * 2021-01-26 2022-08-04 Airemail Holdings Limited Handling electronic communications
CN113421054A (zh) * 2021-06-11 2021-09-21 荣耀终端有限公司 信息管理方法、电子设备及存储介质
US20230319065A1 (en) * 2022-03-30 2023-10-05 Sophos Limited Assessing Behavior Patterns and Reputation Scores Related to Email Messages

Family Cites Families (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3300584B2 (ja) * 1994-11-24 2002-07-08 松下電器産業株式会社 最適化調整方法と最適化調整装置
US6004015A (en) * 1994-11-24 1999-12-21 Matsushita Electric Industrial Co., Ltd. Optimization adjusting method and optimization adjusting apparatus
US6460036B1 (en) 1994-11-29 2002-10-01 Pinpoint Incorporated System and method for providing customized electronic newspapers and target advertisements
US6891567B2 (en) 1998-06-26 2005-05-10 Fotonation Holdings, Llc Camera messaging and advertisement system
US5917489A (en) 1997-01-31 1999-06-29 Microsoft Corporation System and method for creating, editing, and distributing rules for processing electronic messages
US7117358B2 (en) 1997-07-24 2006-10-03 Tumbleweed Communications Corp. Method and system for filtering communication
US6393465B2 (en) 1997-11-25 2002-05-21 Nixmail Corporation Junk electronic mail detector and eliminator
US6424997B1 (en) 1999-01-27 2002-07-23 International Business Machines Corporation Machine learning based electronic messaging system
US7120865B1 (en) 1999-07-30 2006-10-10 Microsoft Corporation Methods for display, notification, and interaction with prioritized messages
US7000194B1 (en) 1999-09-22 2006-02-14 International Business Machines Corporation Method and system for profiling users based on their relationships with content topics
US6865582B2 (en) * 2000-01-03 2005-03-08 Bechtel Bwxt Idaho, Llc Systems and methods for knowledge discovery in spatial data
US6691106B1 (en) 2000-05-23 2004-02-10 Intel Corporation Profile driven instant web portal
US6832244B1 (en) 2000-09-21 2004-12-14 International Business Machines Corporation Graphical e-mail content analyser and prioritizer including hierarchical email classification system in an email
KR100388254B1 (ko) * 2000-10-21 2003-06-25 (주)비앤텍 다이어리 형식을 이용한 전자메일의 표시 및 제어하는 방법 및 그 시스템
US7222156B2 (en) 2001-01-25 2007-05-22 Microsoft Corporation Integrating collaborative messaging into an electronic mail program
US6901398B1 (en) 2001-02-12 2005-05-31 Microsoft Corporation System and method for constructing and personalizing a universal information classifier
US7165105B2 (en) 2001-07-16 2007-01-16 Netgenesis Corporation System and method for logical view analysis and visualization of user behavior in a distributed computer network
AU2002332556A1 (en) 2001-08-15 2003-03-03 Visa International Service Association Method and system for delivering multiple services electronically to customers via a centralized portal architecture
EP1326189A3 (en) * 2001-12-12 2005-08-17 Microsoft Corporation Controls and displays for acquiring preferences, inspecting behaviour, and guiding the learning and decision policies of an adaptive communications prioritization and routing systems
US7519589B2 (en) 2003-02-04 2009-04-14 Cataphora, Inc. Method and apparatus for sociological data analysis
CA2476349C (en) 2002-02-19 2010-09-28 Scott Michael Petry E-mail management services
US7162494B2 (en) 2002-05-29 2007-01-09 Sbc Technology Resources, Inc. Method and system for distributed user profiling
WO2004030296A1 (en) 2002-09-30 2004-04-08 Corposoft Ltd. Method and devices for prioritizing electronic messages
US7469280B2 (en) 2002-11-04 2008-12-23 Sun Microsystems, Inc. Computer implemented system and method for predictive management of electronic messages
US7249162B2 (en) * 2003-02-25 2007-07-24 Microsoft Corporation Adaptive junk message filtering system
US7653879B1 (en) 2003-09-16 2010-01-26 Microsoft Corporation User interface for context sensitive creation of electronic mail message handling rules
US7996470B2 (en) 2003-10-14 2011-08-09 At&T Intellectual Property I, L.P. Processing rules for digital messages
US8566263B2 (en) 2003-11-28 2013-10-22 World Assets Consulting Ag, Llc Adaptive computer-based personalities
US7454716B2 (en) 2003-12-22 2008-11-18 Microsoft Corporation Clustering messages
US20050204009A1 (en) 2004-03-09 2005-09-15 Devapratim Hazarika System, method and computer program product for prioritizing messages
US7818377B2 (en) 2004-05-24 2010-10-19 Microsoft Corporation Extended message rule architecture
US7941491B2 (en) 2004-06-04 2011-05-10 Messagemind, Inc. System and method for dynamic adaptive user-based prioritization and display of electronic messages
EP1767010B1 (en) 2004-06-15 2015-11-11 Tekelec Global, Inc. Method, system, and computer program products for content-based screening of MMS messages
US20060031347A1 (en) 2004-06-17 2006-02-09 Pekka Sahi Corporate email system
JP2006004307A (ja) * 2004-06-21 2006-01-05 Hitachi Ltd 事業評価支援方法
GB0422441D0 (en) 2004-10-08 2004-11-10 I Cd Publishing Uk Ltd Processing electronic communications
US20060080393A1 (en) 2004-10-12 2006-04-13 Cardone Richard J Method for using e-mail documents to create and update address lists
US7487214B2 (en) 2004-11-10 2009-02-03 Microsoft Corporation Integrated electronic mail and instant messaging application
US8065369B2 (en) 2005-02-01 2011-11-22 Microsoft Corporation People-centric view of email
US20060195467A1 (en) 2005-02-25 2006-08-31 Microsoft Corporation Creation and composition of sets of items
US8161122B2 (en) 2005-06-03 2012-04-17 Messagemind, Inc. System and method of dynamically prioritized electronic mail graphical user interface, and measuring email productivity and collaboration trends
US20060294191A1 (en) 2005-06-24 2006-12-28 Justin Marston Providing context in an electronic messaging system
US7853485B2 (en) 2005-11-22 2010-12-14 Nec Laboratories America, Inc. Methods and systems for utilizing content, dynamic patterns, and/or relational information for data analysis
US7894677B2 (en) * 2006-02-09 2011-02-22 Microsoft Corporation Reducing human overhead in text categorization
US8019632B2 (en) 2006-10-16 2011-09-13 Accenture Global Services Limited System and method of integrating enterprise applications
US20090012760A1 (en) 2007-04-30 2009-01-08 Schunemann Alan J Method and system for activity monitoring and forecasting
US8068588B2 (en) 2007-06-26 2011-11-29 Microsoft Corporation Unified rules for voice and messaging
US8230024B2 (en) 2007-06-28 2012-07-24 Microsoft Corporation Delegating instant messaging sessions
US9298783B2 (en) 2007-07-25 2016-03-29 Yahoo! Inc. Display of attachment based information within a messaging system
US20090043621A1 (en) 2007-08-09 2009-02-12 David Kershaw System and Method of Team Performance Management Software
US9203911B2 (en) * 2007-11-14 2015-12-01 Qualcomm Incorporated Method and system for using a cache miss state match indicator to determine user suitability of targeted content messages in a mobile environment
CN107196851A (zh) * 2007-11-14 2017-09-22 高通股份有限公司 用于确定有目标的内容消息的适宜性的方法和系统
US20090150507A1 (en) 2007-12-07 2009-06-11 Yahoo! Inc. System and method for prioritizing delivery of communications via different communication channels
US20090222298A1 (en) 2008-02-29 2009-09-03 International Business Machines Corporation Data Mining Method for Automatic Creation of Organizational Charts
US8195588B2 (en) * 2008-04-03 2012-06-05 At&T Intellectual Property I, L.P. System and method for training a critical e-mail classifier using a plurality of base classifiers and N-grams
US8682819B2 (en) * 2008-06-19 2014-03-25 Microsoft Corporation Machine-based learning for automatically categorizing data on per-user basis
US8458153B2 (en) 2008-08-26 2013-06-04 Michael Pierce Web-based services for querying and matching likes and dislikes of individuals
US20100153318A1 (en) * 2008-11-19 2010-06-17 Massachusetts Institute Of Technology Methods and systems for automatically summarizing semantic properties from documents with freeform textual annotations
CN101533366A (zh) * 2009-03-09 2009-09-16 浪潮电子信息产业股份有限公司 一种服务器性能数据采集与分析的方法
US20110055264A1 (en) 2009-08-28 2011-03-03 Microsoft Corporation Data mining organization communications
US9529864B2 (en) 2009-08-28 2016-12-27 Microsoft Technology Licensing, Llc Data mining electronic communications
US8655647B2 (en) * 2010-03-11 2014-02-18 Microsoft Corporation N-gram selection for practical-sized language models
US8744979B2 (en) 2010-12-06 2014-06-03 Microsoft Corporation Electronic communications triage using recipient's historical behavioral and feedback

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170005610A (ko) * 2015-07-06 2017-01-16 주식회사 이팝콘 수신 분석 기반 메시지 서비스 규칙 제공 방법 및 메시지 서비스 규칙을 이용한 메시지 송신 방법
KR101688829B1 (ko) * 2015-07-24 2016-12-22 삼성에스디에스 주식회사 사용자 패턴을 반영한 문서 제공 방법 및 그 장치

Also Published As

Publication number Publication date
WO2012078342A3 (en) 2012-08-02
WO2012078342A2 (en) 2012-06-14
CN102567091A (zh) 2012-07-11
JP6246591B2 (ja) 2017-12-13
CA2817230A1 (en) 2012-06-14
KR101843604B1 (ko) 2018-03-29
US8744979B2 (en) 2014-06-03
AU2011338871A1 (en) 2013-05-30
CN102567091B (zh) 2014-09-17
CA2817230C (en) 2019-02-12
EP2649535A4 (en) 2014-08-06
EP2649535A2 (en) 2013-10-16
US20120143798A1 (en) 2012-06-07
RU2013125971A (ru) 2014-12-10
EP2649535B1 (en) 2020-04-29
RU2600102C2 (ru) 2016-10-20
AU2011338871B2 (en) 2016-06-16
BR112013012553A2 (pt) 2016-08-30
BR112013012553B1 (pt) 2021-06-08
JP2014508980A (ja) 2014-04-10

Similar Documents

Publication Publication Date Title
KR101843604B1 (ko) 전자 통신 분류
US20120143806A1 (en) Electronic Communications Triage
US9785957B2 (en) Collecting and presenting information
US20180253659A1 (en) Data Processing System with Machine Learning Engine to Provide Automated Message Management Functions
US8346875B2 (en) Intelligence of the crowd electronic mail management system
US7716217B2 (en) Determining relevance of electronic content
WO2018137668A1 (en) Personalized message priority classification
US20090150507A1 (en) System and method for prioritizing delivery of communications via different communication channels
US20050222890A1 (en) Instant meeting preparation architecture
US20090165022A1 (en) System and method for scheduling electronic events
US20140059141A1 (en) Electronic messaging system utilizing social classification rules
JP2017514332A (ja) メッセージ管理システムのための動的なフィルタ生成
US8074230B2 (en) Method and system for dynamic context based contact service
US20160337300A1 (en) Communication item insights
US10356031B2 (en) Prioritized communication inbox
US20030131016A1 (en) Automated system and methods for determining the activity focus of a user a computerized environment
US20240054013A1 (en) Systems and methods for maintaining data objects to manage asynchronous workflows
WO2019226398A1 (en) Relevant content surfacing in computer productivity platforms
US11184317B1 (en) Simplified user interface for viewing the current status of message threads
CN116324842A (zh) 用于估计每个电子邮件的工作量的系统和方法
JP2010160723A (ja) データ価値判定システム、データ価値判定方法およびデータ価値判定用プログラム

Legal Events

Date Code Title Description
N231 Notification of change of applicant
E701 Decision to grant or registration of patent right
GRNT Written decision to grant