KR20160105395A - 가이드형 사용자 동작들을 위한 시스템들 및 방법들 - Google Patents

가이드형 사용자 동작들을 위한 시스템들 및 방법들 Download PDF

Info

Publication number
KR20160105395A
KR20160105395A KR1020167015250A KR20167015250A KR20160105395A KR 20160105395 A KR20160105395 A KR 20160105395A KR 1020167015250 A KR1020167015250 A KR 1020167015250A KR 20167015250 A KR20167015250 A KR 20167015250A KR 20160105395 A KR20160105395 A KR 20160105395A
Authority
KR
South Korea
Prior art keywords
user
prediction model
content
action
action comprises
Prior art date
Application number
KR1020167015250A
Other languages
English (en)
Other versions
KR102149017B1 (ko
Inventor
가스 슈메이커
마이클 유진 에일로
Original Assignee
구글 인코포레이티드
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 구글 인코포레이티드 filed Critical 구글 인코포레이티드
Publication of KR20160105395A publication Critical patent/KR20160105395A/ko
Application granted granted Critical
Publication of KR102149017B1 publication Critical patent/KR102149017B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
    • G06F3/04886—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures by partitioning the display area of the touch-screen or the surface of the digitising tablet into independently controllable areas, e.g. virtual keyboards or menus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/02—Comparing digital values
    • G06F7/023—Comparing digital values adaptive, e.g. self learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N99/005—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Information Transfer Between Computers (AREA)
  • User Interface Of Digital Computer (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

가이드형 사용자 동작들을 위한 시스템들 및 방법들이 설명되며, 사용자에 의해 수행되는 제 1 동작을 검출하는 것; 제 1 동작과 연관된 정보를 수집하는 것; 정보에 기초하여 예측 모델을 리트리브하는 것; 제 1 동작에 대한 예측 모델의 적용성 레벨을 결정하는 것 ― 예측 모델은 제 2 동작을 제안함 ―; 적용성 레벨이 임계 레벨을 충족하는 경우 사용자 인터페이스에 제 2 동작을 제공하는 것; 및 제 2 동작 또는 제 3 동작을 선택하는 사용자로부터의 입력을 수신하는 것을 포함한다.

Description

가이드형 사용자 동작들을 위한 시스템들 및 방법들{SYSTEMS AND METHODS FOR GUIDED USER ACTIONS}
[01] 기술분야
[02] 본원에서 논의되는 요지는 일반적으로 데이터 프로세싱에 관한 것으로, 더 상세하게는, 가이드형(guided) 사용자 동작들을 위한 시스템들 및 방법들에 관한 것이다.
[03] 관련 배경기술
[04] 사용자는, 가족, 친구들, 지인들, 및 다른 사용자들과 공유하기 위한 새로운 사진들, 비디오들, 및 게시물(post)들과 같은 컨텐츠를 자주 생성한다. 그러나, 공유 과정은 번거로울 수 있다. 예를 들어, 이미 설정되어 있는 연락처(contact)들의 소셜 서클(social circle)들 또는 그룹들과의 소셜 네트워크 또는 이메일 시스템 상에 사용자가 있다 하더라도, 사용자는 특정한 사진, 비디오, 게시물, 또는 다른 컨텐츠를 공유하기를 원하는 사용자를 자신이 수동으로 식별하고 선택해야 한다.
[05] 예를 들어, 사람(예컨대, Alice)이 여행 중에 매일 사진들을 찍고 있다. Alice는 사진들 중 일부를 거의 매일 그녀의 가족들과 공유하기를 원한다. 그녀가 그녀의 가족들과 사진들을 공유할 때마다, Alice는 공유할 사진들을 선택하고, 공유 방법(예컨대, 이메일, 소셜 네트워크 등을 통해)을 선택하고, 그리고 수신자(recipient)로서 그녀의 가족들을 선택할 필요가 있다.
[06] 본 요지는 가이드형 사용자 동작들을 위한 방법들을 포함하며, 방법은, 사용자에 의해 수행되는 제 1 동작을 검출하는 단계; 제 1 동작과 연관된 정보를 수집하는 단계; 정보에 기초하여 예측 모델을 리트리브(retrieve)하는 단계; 제 1 동작에 대한 예측 모델의 적용성(applicability) 레벨을 결정하는 단계 ― 예측 모델은 제 2 동작을 제안함 ―; 적용성 레벨이 임계 레벨을 충족하는 경우 사용자 인터페이스에 제 2 동작을 제공하는 단계; 및 제 2 동작 또는 제 3 동작을 선택하는 사용자로부터의 입력을 수신하는 단계를 포함한다.
[07] 방법들은 하나 또는 그 초과의 컴퓨팅 디바이스들 및/또는 시스템들을 사용하여 구현된다. 방법들은 컴퓨터-판독가능 매체들에 저장될 수 있다.
[08] 도 1은 일부 구현들에 따른 예시적인 시스템의 데이터 흐름도를 도시한다.
[09] 도 2a는, 예측 모델 생성의 예시적인 구현의 데이터 흐름도를 도시한다.
[10] 도 2b는, 사용자 동작 예측들의 예시적인 구현들의 데이터 흐름도를 도시한다.
[11] 도 3은 일부 예시적인 구현들에 따른 예시적인 사용자 인터페이스들을 도시한다.
[12] 도 4는 프로세스 구현의 예를 도시한다.
[13] 도 5는 일부 예시적인 구현들에 적절한 예시적인 환경을 도시한다.
[14] 도 6은 일부 예시적인 구현들에서의 사용에 적절한 예시적인 컴퓨팅 디바이스에 대한 예시적인 컴퓨팅 환경을 도시한다.
[15] 본원에 설명된 요지는 예시적인 구현들에 의해 교시된다. 명료화를 위해 그리고 요지를 불명료하게 하는 것을 회피하기 위해, 다양한 세부사항들이 생략된다. 아래에 나타낸 예들은, 가이드형 사용자 동작들을 위한 시스템들 및 방법들을 구현하기 위한 구조들 및 기능들에 관한 것이다.
[16] 도 1은 일부 예시적인 구현들에 따른 예시적인 시스템의 데이터 흐름도를 도시한다. 시스템(100)은, 모델 생성 부분(110-130) 및 모델 애플리케이션 부분(130-180)을 포함한다. 일부 구현들에서, 모델 생성 부분은 (110-135)이고, 모델 애플리케이션 부분은 (135-180)이며, 예측 모델들(130) 및 예측 엔진(150)의 기능들은 예측 생성기(135)로 결합된다. 모델 생성 부분은, 예를 들어, 사용자의 이전 동작들, 사용자의 거동(behavior) 및/또는 습관들, 및 사용자와 연관된 데이터(집합적으로 사용자 히스토리(110)로 지칭됨)를 분석하고 그리고 사용자와 연관된 예측 모델들(130)을 생성하기 위해 머신 학습(machine learning)(120)을 사용하는 것을 포함한다. 예를 들어, 사용자의 승인(permission)에 따라, 시스템(100)(예컨대, 머신 학습(120))은, 사용자와 연관된 원하는 관람인(audience) 및/또는 사용자에 의한 새로운 공유 동작들에 대한 원하는 공유 방법들의 하나 또는 그 초과의 예측들(예컨대, 예측 모델들)을 생성하기 위해, 사용자에 의한 공유 거동(예컨대, 지난 공유 동작들)의 지난 관측들을 사용 및 분석한다. 히스토리(110)는, 사용자의 사용 히스토리 및 사용자 동작들을 수집하는 것을 사용자가 승인하거나 동의했던 하나 또는 그 초과의 애플리케이션들, 웹사이트들, 상이한 제공자들의 서비스들 등의 히스토리일 수 있다. 시스템(100)의 모델 생성 부분은 아래의 도 2a에서 추가로 설명된다.
[17] 도 1의 나머지에 있는 시스템(100)의 모델 애플리케이션 부분에서, 사용자가 데이터(예컨대, 사진, 비디오 등)를 공유하거나 또는 하나 또는 그 초과의 공유 동작들(140)을 취하려 시도하는 경우, 시스템(100)(예컨대, 예측 엔진(150))은, 공유 예측(예컨대, 이메일에 의한 사용자의 가족과의 공유) 및 하나 또는 그 초과의 다른 공유 옵션들(예컨대, 사용자 선택 방법에 의한 사용자의 가족과의 공유; 사용자의 소셜 네트워크 계정을 통한 공유의 예측된 방법에 의한 사용자 선택 수신자들과의 공유; 제 3 공유 옵션 등)과 같은 하나 또는 그 초과의 동작 옵션들을 포함할 수 있는 하나 또는 그 초과의 예측들(160)을 사용자에게 제공하기 위해, 동작들(140)에 기초하여 하나 또는 그 초과의 예측 모델들(130)을 식별하고 사용한다. 동작들(140)은, 동작들(140)을 사용하는 것을 사용자가 승인했으면, 사용자 히스토리(110)의 일부가 된다.
[18] 사용자는, 예를 들어, 사용자 인터페이스(도시되지 않음)를 통해 사용자 입력(170)을 제공함으로써 예측들(160) 또는 동작 옵션들 중 하나를 선택하거나 변경할 수 있다. 사용자는, 예측 엔진(150)에 의해 예측된 공유 예측을 선택할 수 있다. 사용자는, 공유 예측의 일부 부분을 변경하거나 또는 다른 공유 옵션들 중 하나를 선택할 수 있다. 사용자의 선택은 최종 동작(180)이 된다. 일부 구현들에서, 최종 동작(180)(예컨대, 사용자의 선택)은 피드백으로서 히스토리(110)에 제공된다. 시스템(100)의 모델 애플리케이션 부분은 아래의 도 2b에서 추가로 설명된다.
[19] 본원의 요지를 설명하기 위한 예로서 컨텐츠를 공유하는 것이 사용된다. 본원의 요지는 모든 사용자 동작들에 적용되며 컨텐츠를 공유하는 것으로 제한되지 않는다는 것이 유의되어야 한다. 예를 들어, 사용자 동작들 중 하나는 인터넷 상에서 브라우징(browsing)하는 것일 수 있다. 많은 브라우저들은 사용자들이 사적(private) 브라우징 모드에서 브라우징하는 것을 허용한다(예컨대, Chrome®에서의 익명(incognito) 브라우징, Internet Explorer®에서의 비공식적(InPrivate) 브라우징, FirefoxTM 및 Safari®에서의 사적 브라우징).
[20] 모델 생성 부분 또는 시스템(100)은, 하나 또는 그 초과의 예측 모델들을 생성하기 위해 사용자의 브라우징 습관들 및 히스토리로부터 학습할 수 있다. 예를 들어, 사용자는 개방 모드에서 몇몇 종류들의 웹사이트들(예컨대, 학교들, 언론사, 정부 등의 웹사이트들)을 브라우징할 수 있고, 사적 모드에서 다른 종류들의 웹사이트들(예컨대, 개인 재무, 건강, 온라인 쇼핑 등에 관련된 웹사이트들)을 브라우징할 수 있다.
[21] 사용자가 재무 기관의 웹사이트를 브라우징하는 것을 시작하는 경우, 시스템(100)은, 하나 또는 그 초과의 모델들에 기초하여 사용자가 사적 모드에서 브라우징하기를 원할 수 있다는 것을 예측할 수 있고, 옵션들 중 하나에서 예측을 제공할 수 있다. 사용자는 그 예측을 수용하여 사적 모드에서 브라우징을 시작할 수 있다. 사용자가 다른 모드에서 브라우징을 시작하거나 또는 예측의 임의의 부분을 변경하면, 사용자의 동작들 또는 선택들의 피드백이 다시 시스템(100)(예컨대, 히스토리(110))에 제공되어 시스템(100)(예컨대, 머신 학습 엔진 및/또는 모델들)을 정밀하게 튜닝(tune)한다.
[22] 도 2a는 예측 모델 생성의 예시적인 구현의 데이터 흐름도를 도시한다. 사용자 히스토리(110)(예컨대, 이전 동작들, 거동, 습관들, 사용자와 연관된 데이터)는, 예를 들어, 예측 모델들(130)(예컨대, 프라이버시(privacy) 모델들 또는 선호도들)을 생성하기 위해 머신 학습 엔진(120)에 제공되는(예컨대, 머신 학습 엔진(120)에 의해 판독되는) 이전 동작들(111-114)을 포함한다. 예측 생성기(135)에 대한 구현들에서, 그리고 사용자의 인가(authorization)를 이용하여, 사용자 히스토리(110)는 머신 학습(120)에 입력되어 예측 생성기(135)에 출력을 제공한다. 예측 생성기(135)는 머신 학습(120)을 트리거링(trigger)하여 히스토리(110)를 프로세싱하고 그리고/또는 예측 생성기(135)에 출력을 제공할 수 있다. 이전 동작들(111-114)은 이전 동작들의 컨텐츠 또는 동작에 관한 정보(IACA; information about content or action)에 의해 표현된다.
[23] 본원에 사용되는 바와 같이, "컨텐츠 또는 동작에 관한 정보" 또는 "IACA"는, 컨텐츠에 관한 임의의 정보, 컨텐츠와 연관하여 취해진 하나 또는 그 초과의 동작들에 관한 임의의 정보, 또는 둘 모두이다. 본원에 사용되는 바와 같이, "컨텐츠"는 임의의 디지털 컨텐츠 또는 디지털화된 컨텐츠이다. 컨텐츠는 디지털 형태로 표현되는(즉, 2진 데이터로 표현되는) 정보의 임의의 집합(collection)이다. 컨텐츠의 예들은, 하나 또는 그 초과의 파일들, 문서들, 이미지들, 비디오들, 오디오들, 게시물들, 통신 메시지들(예컨대, 이메일들, 단문 메시지 텍스트들, 비디오 메시지들, 오디오 메시지들 등, 이들의 임의의 결합), 게임들, 이들의 임의의 부분들, 및 이들의 임의의 결합을 포함하지만 이에 제한되지 않는다.
[24] 본원에 사용되는 바와 같이, "컨텐츠에 관한 정보"는 컨텐츠와 연관되는 임의의 정보이다. 컨텐츠에 관한 정보는, 애플리케이션 메타데이터(metadata)(예컨대, HTML(HyperText Markup Language), JPEG(Joint Photographic Experts Group) 등과 같은 파일 포맷 또는 언어로 정의된 메타데이터), 기술적(descriptive) 메타데이터(예컨대, 파일 명칭, 타이틀, 저자, 및 요약 등과 같은 식별 및 검색(retrieval)을 위한 리소스의 설명), 구조적 메타데이터(예컨대, 문단들, 페이지들, 챕터들 등과 같은 오브젝트들 내의 관계 및 오브젝트들 사이의 관계), 관리적(administrative) 메타데이터(예컨대, 버전화(versioning), 타임스탬프들, 액세스 제어, 저장 디렉토리들, 또는 위치들 등과 같은 관리 리소스들을 관리하기 위한 것임)를 포함하지만 이에 제한되지 않는 메타데이터일 수 있다. 예시적인 구현에서, 이러한 정보는 사용자의 동의하에서만 사용될 수 있다.
[25] 일부 예시적인 구현들에서, 컨텐츠에 관한 정보는 컨텐츠에 관해 기록되거나 또는 생성된 임의의 데이터를 포함한다. 예를 들어, 정보는, 사용자가 방문한 웹페이지(예컨대, 웹페이지의 균일 리소스 위치표시(uniform resource locator) 또는 URL), 사용자가 방문한 마지막 웹페이지(예컨대, 하이퍼텍스트 전송 프로토콜 또는 HTTP에서의 리퍼러(referrer)), 웹페이지를 방문한 시간, 웹페이지를 방문했을 때의 사용자의 위치, 브라우저의 사적 모드와 같은 툴(tool)의 모드, 웹페이지의 타입, 웹페이지가 인증을 요구하는지 여부 등을 포함할 수 있다.
[26] 웹페이지에 관한 위의 예들 및 사용자와 관련된 본원에서의 다른 예들은, 설명된 정보를 기록하기 위해 구현들이 사용자의 동의를 획득한다는 가정하에 설명된다. 정보의 부분과 관련하여 사용자에 의한 어떠한 동의도 주어지지 않으면, 정보의 부분은 기록되지 않는다. 부가하여, 사용자는 사용자 히스토리(110) 내의 데이터 또는 전체 히스토리(110)를 삭제할 수 있다.
[27] 컨텐츠에 관해 기록되거나 또는 생성된 데이터의 다른 예들은, 사용자-생성, 디바이스-생성, 및 애플리케이션-생성 정보를 포함하지만 이에 제한되지 않는다. 예를 들어, 사용자-생성 정보는 임의의 사용자 또는 관리자에 의해 생성되는 정보를 포함한다. 사용자는 몇몇 컨텐츠에 관한 설명, 피드백, 및/또는 코멘트들을 제공할 수 있다. 관리자는 몇몇 컨텐츠에 관한 부대사항(incident)을 기록할 수 있다. 디바이스-생성 정보는, 예를 들어, 디바이스의 타입, 디바이스에 포함된 리소스들, 컨텐츠를 이용하는데 사용되는 애플리케이션들, 디바이스의 상태들 등을 포함할 수 있다.
[28] 애플리케이션-생성 정보는, 예를 들어, 이미지의 텍스트 정보를 포함할 수 있다. 애플리케이션은, 이미지(예컨대, 픽셀 데이터, 메타데이터, 및/또는 벡터 데이터)를 분석하여 이미지에 관한 텍스트 정보를 생성할 수 있다. 공원에서의 피크닉에 관한 이미지에 대해, 예를 들어, 생성된 텍스트 데이터는, 그 사진 또는 비디오에서의 (예컨대, 안면 인식으로부터) 사람들의 이름들 또는 아이덴티티(identity)들, 이미지의 설명(예컨대, 컨텐츠 분석으로부터의 "나무들과 잔디가 있는 공원에서 소다를 마시는 피크닉 파티"), 및 메타데이터(예컨대, 이미지가, 특정한 모델의 카메라에 의해, 특정한 에프-스톱(f-stop)을 사용하여, 특정한 이미지 해상도 등으로 취해짐)를 포함할 수 있다.
[29] 일부 예시적인 구현들에서, 컨텐츠에 관한 정보는 구조화된 컨텐츠의 하나 또는 그 초과의 필드(field)들을 포함한다. 예를 들어, 컨텐츠가 데이터베이스에 저장된 정보이거나 데이터베이스로부터 리트리브된 정보이면, 컨텐츠의 임의의 필드들이 컨텐츠에 관한 정보로서 사용될 수 있다. 컨텐츠가 이메일 메시지이면, 필드들(예컨대, 수신인(To), 발신인(From), 제목(Subject), CC(참조), BCC(숨은 참조), 본문(body) 등)이 컨텐츠에 관한 정보로서 사용될 수 있다.
[30] 본원에 사용되는 바와 같이, 컨텐츠와 연관하여 취해진 "하나 또는 그 초과의 동작들에 관한 정보"는 동작들과 연관된 임의의 정보 또는 동작들에 관한 정보이다. 동작들에 관한 정보는, 히스토리 사용 정보(예컨대, 사용 기록들 또는 사용 로그(log)들), 동작들을 수행하는데 사용된 네트워크, 시스템, 디바이스들, 운영 시스템들, 애플리케이션들, 모듈들, 소프트웨어 등에 관한 정보, 동작들이 수행된 때의 환경, 날짜, 시간, 위치에 관한 정보, 및 다른 가용 정보(예컨대, 수신자 정보, 동작들을 수행하기 위해 사용된 애플리케이션의 언어들 등)를 포함하지만 이에 제한되지 않는다. 일부 구현들에서, 동작들에 관한 정보는 컨텐츠에 관한 정보와 겹칠 수 있다. 예를 들어, 사용자가 몇몇 컨텐츠(예컨대, 사진, 비디오, 게시물, 링크)에 대한 공유 승인들을 셋팅할 때마다, 사용자의 승인들은 컨텐츠와 연관된다(예컨대, 메타데이터로서 승인들을 저장함). 일부 구현들에서, 사용자의 환경은 사용자에 의해 주어지는 동의하에 기록될 수 있다. 예를 들어, 사용자의 근방에 있는 다른 알려진 사용자들의 아이덴티티들로 (그들의 디바이스들 또는 위치들을 추적함으로써) 기록될 수 있다.
[31] 도 2a를 참조하면, 이전 동작들(예컨대, 동작들(111-114))은, 예를 들어, 표 1에 도시된 바와 같은 컨텐츠 또는 동작에 관한 정보(IACA)를 포함한다.
Figure pct00001
[32] 표 1은, 예를 들어, 8개의 부분들 또는 IACA의 필드들(행들 1-7)을 고려하는 구현을 도시한다. 구현은, 임의의 IACA 정보(예컨대, 임의의 필드들 또는 임의의 개수의 필드들)를 고려할 수 있다. 필드들은 컨텐츠에 기초하여 상이할 수 있다. 예를 들어, 동작(112)은, 타겟으로서 URL을 포함하고, 링크(예컨대, 참조)의 데이터 타입에 대한 사적으로 브라우징된 동작을 포함하며, 이들은 사진 및 비디오의 데이터 타입들을 갖는 동작들(111, 113, 및 114)에서 사용되지 않거나 그 동작들에 포함되지 않는다.
[33] 동작들(111-114)에 도시된 IACA 정보는 단지 IACA의 예들이다. 상이한 IACA 필드들 및/또는 다른 IACA 필드들이 존재할 수 있다. 예를 들어, 폰, 태블릿, 랩톱, 또는 다른 디바이스와 같은 디바이스 정보를 제공하기 위한 IACA 디바이스 필드(도시되지 않음)가 존재할 수 있다.
[34] 위치 필드와 같은 주어진 IACA 필드에 대해서조차, 상이하거나 다른 정보가 존재할 수 있다. 예를 들어, 위치 필드에 대해, 위도 및 경도, 특정한 대상(예컨대, 건물)의 내부 또는 외부, 사적 공간 내 또는 공용 공간 내와 같은 상이하거나 다른 종류들의 위치 정보가 존재할 수 있다. 관련 "위치" 정보를 캡쳐하는 서로 독립적일 수 있는 상이한 방식들이 존재할 수 있다(예컨대, 예측 모델들(130)을 생성하는데 사용하기 위한 위치 정보의 임의의 결합 또는 모든 위치 정보를 위해 구현될 수 있음).
[35] 시스템, 디바이스, 애플리케이션, 또는 소프트웨어 모듈일 수 있는 머신 학습(120)은, 예측들 또는 예측 모델들(130)을 생성하도록 사용자 히스토리(110)를 프로세싱하기 위한 블랙 박스(black box)로서 구현될 수 있다. 머신 학습(120)은 임의의 하나 또는 그 초과의 알고리즘들의 명령들을 실행하기 위한 임의의 방식으로 구현될 수 있다. 알고리즘들 중 하나는, 예를 들어, 예컨대 50%의 임계치를 갖는 "공유 대상(shared with)" 및/또는 "공유 수단(shared by)" 모델들(130)을 생성하는 것(예컨대, 50%의 임계치 또는 그 초과가 충족되면 모델을 생성함)을 위해 사용자 히스토리(110)(예컨대, 동작들(111-114))를 프로세싱하는 것일 수 있다.
[36] 동작들(111-114)이 프로세싱된 이후, 머신 학습(120)은, 예를 들어, 컨텐츠의 하나 또는 그 초과의 속성들에 기초하여 컨텐츠를 누구와 공유할지 그리고/또는 컨텐츠를 어떻게 공유할지를 예측하기 위해 표 2에 도시된 예시적인 모델들을 생성한다.
Figure pct00002
[37] 표 2는, 예를 들어, 3개의 모델들 또는 예측 모델들(130) M1-M3이 히스토리(110)(예컨대, 동작들 111-114)로부터 생성되는 것을 도시한다. 예시의 명확성을 위해, 4개의 동작들(111-114)이 도시되고 설명된다. M1은 동작들(111 및 114)의 IACA를 사용하여 생성될 수 있다. M2 및 M3 각각은 오직 하나의 동작(112 또는 113)의 IACA를 각각 사용하여 생성될 수 있다. 일부 구현들에서, 모델은, 모델을 지원하는 데이터 세트(즉, 모델을 생성하는데 사용되는 IACA)가 특정한 샘플 사이즈를 가질 경우에만 생성된다. 예를 들어, 표 2의 예에서, 2의 데이터 세트 사이즈 또는 샘플 사이즈 요건이 존재하면, 모델들 M2 및 M3은 불충분한 1의 데이터 세트로 인해 생성되지 않을 것이다. 모델 M1은 2의 데이터 세트 사이즈(동작들 111 및 114)에 기인하여 여전히 생성될 것이다. 일부 구현들에서, 예측 강도(strength)는 샘플 사이즈에 기초하여 추정될 수 있다. 예측 강도는 또한, 시스템(100)에 의해 사용되는 하나 또는 그 초과의 알고리즘에 의해 추정될 수 있다.
[38] 모델들 M1-M3 뿐만 아니라 본원에 설명된 다른 모델들은 단지 예들이다. 실제의 구현에서, 상이한 모델들 및/또는 다른 모델들이 존재할 수 있다. 부가하여, 상이한 모델들은 더 적은 모델들로 결합될 수 있다. 또 다른 구현들에서, 모델들은 온 더 플라이(on the fly)로 생성되는 동적 모델들이거나 개념적 모델들이다.
[39] 위에 설명된 바와 같이, 머신 학습(120)은, 사용자 히스토리(110)에 기초하여 하나 또는 그 초과의 예측들을 제공하는 블랙 박스로서 구현될 수 있다. 이러한 블랙 박스에 임의의 개수의 알고리즘들 중 하나 또는 그 초과가 동적으로 적용될 수 있다. 공통적인 것은, 데이터(110)(도 2a)가 들어가고 모델들(130)(도 2a)이 나온다는 것이다. 일부 구현들에서, 모델들(130) 대신 또는 그에 부가하여, 머신 학습(120)은, 하나 또는 그 초과의 예측들을 생성하기 위한 예측 생성기(135)에 대한 출력을 생성한다. 예를 들어, 일부 구현들에서, 모델들 M1-M3 중 어떠한 것도 생성되지 않을 수 있다. 예를 들어, 시스템(100)(도 1)은 상이한 도메인들에 대한 상이한 파이프라인(pipeline)들 또는 프로세스들로 구현될 수 있다. 하나의 프로세스 파이프라인은 (예컨대, 하나 또는 그 초과의 브라우저들을 사용하는) 브라우징을 위한 것일 수 있고; 다른 파이프라인은 소셜 네트워크 상에서 공유하는 것일 수 있고; 제 3 파이프라인은 이메일 통신에 관련된 것일 수 있으며; 하나 또는 그 초과의 파이프라인들은 컨텐츠 타입에 기초할 수 있다(예컨대, 사진들에 대한 파이프라인, 오디오 및/또는 비디오에 대한 하나의 파이프라인 등).
[40] 예를 들어, 사진들을 공유하는 것에서, 머신 학습 알고리즘은 자신이 수신하는 히스토리 데이터(110)에 기초하여, 관련 있는 것이 무엇인지 내부적으로 결정하고, 예측들을 생성하기 위해 예측 생성기(135)에 출력을 제공한다. 유사하게, 브라우징과 같은 다른 프로세싱 도메인들에 대해, 상이한 머신 학습 알고리즘은, 머신 학습(120)이 프로세싱하는 히스토리 데이터(110)에 기초하여 사용할 관련 있는 브라우저 셋팅이 무엇인지 내부적으로 결정할 것이다.
[41] 실제의 구현들에서, 히스토리(110)는 훨씬 더 큰 세트의 사용 히스토리 및/또는 사용자 동작들의 정보를 포함한다. 히스토리(110)는 시간에 걸쳐 성장될 가능성이 있으며, 컨텐츠 또는 동작에 관한 정보(IACA) 연관 히스토리(110)의 양 또한 더 크게 성장된다. 일반적으로, 더 큰 데이터 세트는 더 정확환 모델들이 생성되도록 유도한다. 데이터 세트 사이즈를 포함하는 구현들에서, 데이터 세트가 충분히 큰 경우(예컨대, 최소의 요구되는 데이터 세트 사이즈), 시스템은 이전 동작들에 기초하여 사용자 동작 예측들을 생성하기 시작할 수 있다(예컨대, 히스토리(110)에 기초하여 예측 모델들을 생성 및 적용함).
[42] 다른 예로서, 사용자 Alice에 대해, Alice의 사진들 중 100장에 Alice의 친척들이 포함되어 있으면, Alice는 100장의 사진들 중 90장을 Alice의 "가족" 온라인 소셜 서클(예컨대, "가족"으로 라벨링된 그룹에 포함되어 있는 하나 또는 그 초과의 연락처들)과 공유할 수 있고, 100장의 사진들 중 10장을 Alice의 "동료" 온라인 소셜 서클과 공유할 수 있다. Alice에 의해 인가된 시스템은, Alice가 Alice의 친척에 대한 사진들을 Alice의 "가족" 온라인 소셜 서클과 공유하는 경향이 있다고 결정 또는 "학습"한다(예컨대, 머신 학습(120)은 그러한 학습에 기초하여 모델 M4를 생성함). Alice가 홈(home)에서 50장의 사진들을 찍었으면, Alice는 50장의 사진들 중 45장을 Alice의 "가족" 온라인 소셜 서클과 공유할 수 있고, 50장의 사진들 중 5장을 Alice의 "확장된(extended) 친구들" 온라인 소셜 서클과 공유할 수 있다. 시스템은, Alice가 홈에서 찍은 사진들을 Alice의 "가족" 온라인 소셜 서클과 공유하는 경향이 있다고 학습한다(예컨대, 머신 학습(120)은 그러한 학습에 기초하여 모델 M5를 생성함). 결과는, 전체적으로, 상이한 공유 선호도들로 상이한 종류들의 IACA(예컨대, 위치, 시각(time of day), 사람들의 아이덴티티들 등)를 연관시킬 수 있는 다-차원(multi-dimensional) 모델(예컨대, M4 및 M5)을 Alice가 갖는다는 것이다.
[43] 일부 구현들에서, 예측 모델들(130)은 사용자의 프라이버시 선호도들에 기초하여 생성될 수 있다. 이러한 예측 모델들 또는 프라이버시 선호도 모델들은 원하는 프라이버시 공유 셋팅들 또는 선호도들의 예측들을 생성하는데 사용될 수 있다. 예를 들어, Alice가 공원에서 3:30 PM에 Alice의 친척의 사진을 찍고, 그 사진(3:30 사진)을 공유하기를 원한다. 시스템은 유사한 IACA에 대한 지난 공유 동작들(예컨대, 히스토리(110))을 분석한다. 시스템은 그것을 학습하고, Alice가 사진들 및 비디오들이 공개적으로 찍힌 경우를 제외하고는(이 경우에서 Alice는 "확장된 친구들"과 공유함(모델 M7)) Alice의 친척의 사진들 및 비디오들을 "가족" 온라인 소셜 서클과 공유하는 경향(모델 M6)이 있다는 취지의 하나 또는 그 초과의 모델들을 생성한다. 오후에 캡쳐된 미디어(예컨대, 사진들 및 비디오들)는 더 광범위하게 공유되는 경향이 있다(모델 M8). 3:30 사진의 예에서, 프라이버시 선호도 모델들 M6 및 M7 또는 M8은, 사진이 낮 동안 공용 장소에서 캡쳐되었으므로, Alice가 그녀의 친척의 3:30 사진을 그녀의 "가족" 온라인 소셜 서클(M6) 및 "확장된 친구들" 온라인 소셜 서클들(M7, 공원 = 공용, 또는 M8, 3:30 PM = 오후)과 공유하기를 원할 것이라는 예측을 유도한다. 전술한 것들 전부는 사용자의 동의하에 수행된다.
[44] 구현들에 의존하여, 모델들(130)을 생성하는데 상이한 알고리즘들이 사용될 수 있으며, 이는 사용자의 프라이버시 선호도들에 기초할 수 있다. 예를 들어, "데이터 입력, 예측들 출력"의 머신 학습 블랙 박스는, 상이한 알고리즘들을 사용하여 많은 상이한 방식들로 기능할 수 있다. (예컨대, 최종 동작들에 기초하여) 가장 정확한 예측들을 생성하는 알고리즘들은, 알고리즘 애플리케이션 우선순위 큐(queue)의 상단에 유지되거나 플로팅(float)될 수 있다. 사용자는, 이러한 예시적인 구현에 참여하기 위해 그들의 프라이버시 선호도를 셋팅할지 또는 하지 않을지 여부를 임의의 시점에서 결정(예컨대, 동의)할 수 있다.
[45] 도 2b는 사용자 동작 예측들의 예시적인 구현들의 데이터 흐름도를 도시한다. 사용자(예컨대, Alice)는 동작(240)으로서 사진을 선택했을 수 있다. 일부 구현들에서, 사진을 찍거나 사진을 저장하는 것은 동작(240)으로 고려될 수 있으며, 이는 예측 생성기(135) 또는 예측 엔진(150)의 프로세스를 트리거링한다.
[46] 예측 엔진(150)이 구현되면, 블록(252)에서, 대응하는 사진(예컨대, 컨텐츠) 및/또는 동작(240)과 연관된 IACA가 추출된다. 추출된 IACA의 몇몇 예시적인 필드들은, 사진의 데이터 타입, 타임스탬프, 홈의 위치, 및 사진 상에서 친척인 사람의 식별을 포함할 수 있다. 블록(254)에서, 하나 또는 그 초과의 모델들이 추출된 IACA에 기초하여 식별 또는 선택된다. 예를 들어, 표 2에 도시된 모델 M1은, 사진의 데이터 타입, 홈의 위치, 및/또는 가족 멤버인 사람(예컨대, 이러한 예시적인 구현에서 가족 멤버인 친척)에 기초하여 식별될 수 있다.
[47] 일부 구현들에서, 하나 또는 그 초과의 모델들은, 소셜 네트워크 공유, 이메일발송(emailing), 브라우징 등과 같은 동작들 또는 잠재적 동작들에 기초하여 식별될 수 있다. 일부 구현들에서, 모델들은, 소셜 네트워크 상에서 사진들을 공유하는것, 소셜 네트워크 상에서 오디오 컨텐츠를 공유하는 것 등과 같이 동작들 및 데이터 타입 둘 모두에 기초하여 선택될 수 있다.
[48] (254)에서 하나 초과의 모델이 식별되면, 모델들 M6-M8을 갖는 위의 3:30 사진의 경우에서와 같이, 식별된 모델들 중 하나 또는 그 초과를 사용할 것인지의 결정이 블록(256)에서 이루어진다. 블록(256)의 일 예시적인 구현은, 추출된 IACA의 하나 또는 그 초과의 부분들 또는 필드들에 가중치(weight)들을 부여하는 것을 수반할 수 있다. 예를 들어, 데이터 타입에는 X의 가중치가, 위치에는 Y의 가중치가, 그리고 사람들에는 Z의 가중치가 부여될 수 있다. X, Y, Z 각각이 임계 레벨을 충족시키기에 충분하면, 가장 높은 가중치를 갖는 모델이 선택된다. 임계 레벨을 충족시키기 위해 2개 또는 그 초과의 가중치들 X, Y, 및 Z의 결합이 취해지면, 임계 레벨을 충족시키는 가중치들의 합에 기여한 모델들이 선택된다. 선택된 모델들로부터 하나 초과의 예측이 예측될 수 있으면, 예측들은, 아래에 설명되는 도 3의 스크린샷(screenshot)(300B)에 도시된 바와 같이, 가중치들 또는 가중치들의 합들이 감소하는 순서로 사용자에게 제시될 수 있다. 일부 구현들에서, 결정은, 가중치들을 사용하지 않지만 임의의 팩터들일 수 있는 상이한 팩터들을 사용하여 행해진다.
[49] 예측 생성기(135)가 구현되면, 예측 생성기(135)는, 머신 학습(120)(도 1)으로부터의 기존의 출력을 프로세싱할 수 있거나, 또는 요구 시에 또는 필요에 근거하여 출력을 제공할 것을 머신 학습(120)에 요청할 수 있다. 예를 들어, 예측 생성기(135)는 박스(252)에 설명된 바와 같은 동작들(140)을 프로세싱할 수 있다. 예측 생성기(135)는, 박스(254) 대신, 동작들(140)의 IACA에 기초하여 히스토리(110)로부터 출력을 생성할 것을 머신 학습(120)에 요청할 수 있다. 하나 초과의 예측이 생성되면, 예측들은 우선순위화되거나, 랭크화되거나(ranked), 또는 내림차순화된다(reduced). 머신 학습(120) 및 예측 생성기(135)는, 히스토리(110) 및 최종 동작(180)으로부터의 피드백에 기초하여 계속 성장하는 블랙 박스 예측 엔진으로서 기능할 수 있다. 일부 구현들에서, (135) 및 (150) 둘 모두는 상이한 도메인들에 대한 상이한 파이프라인들 또는 프로세스들로 구현될 수 있다. 예를 들어, 예측 생성기(135)는 사진들을 공유하는 도메인에서 구현될 수 있고, 예측 엔진(150)은 인터넷을 브라우징하는 도메인에서 구현될 수 있다.
[50] 블록(160)에서, 하나 또는 그 초과의 예측들이 사용자(예컨대, Alice)에게 제시될 수 있다. 일부 구현들에서, 사용자는 (예컨대, 구성 또는 셋팅을 통해), 예측들 중 하나가 특정한 레벨을 충족하면(예컨대, 80% 또는 90%의 가중치 또는 가중치들의 합을 가짐) 그 예측이 동의한 사용자의 입력 없이도 자동적으로 선택 및 사용될 수 있다는 것을 결정할 수 있다(예컨대, 선택을 위해 Alice에게 예측들을 제시함이 없이 3:30 사진을 Alice의 "가족" 온라인 소셜 서클에 자동적으로 공유하지만, Alice는 이전에 시스템의 사용을 동의했었음). (160)에서, 하나 또는 그 초과의 예측들이 사용자에게 제시되면, 사용자는, 예측들 중 하나를 식별하거나 또는 선택하기 위해 사용자 인터페이스(도시되지 않음)를 사용하여 입력(170)을 제공할 수 있다. 사용자는 또한, 예측들 중 어떠한 것에도 있지 않은 입력(예컨대, 컨텐츠를 누구와 공유할지 그리고/또는 컨텐츠를 어떻게 공유할지 등)을 제공할 수 있다. 사용자의 입력은, 예컨대 도 1의 히스토리(110)에 피드백으로서 제공될 수 있다. 머신 학습(120)은, 모델들을 생성하고 그리고/또는 이미 생성된 하나 또는 그 초과의 모델들을 변경하는 것에서, 사용자의 피드백을 포함하거나 또는 확인할 수 있다. 일부 구현들에서, 예측 모델들(130)은, 사용자 피드백에 기초하여 하나 또는 그 초과의 모델들을 변경하거나 삭제하는 관리자에 의해 관리될 수 있다.
[51] 전술한 예시적인 구현들에 대해서와 같이, 사용자는 이러한 특성이 사용되는지 여부(예컨대, 동의)의 제어를 유지하며, 언제든지 이러한 특성을 사용하지 않는다고 결정할 수 있다.
[52] 블록(180)에서, 최종 동작, 이를테면 3:30 사진을 소셜 네트워크 상에서 Alice의 "가족" 온라인 소셜 서클에 공유하는 것, 식별된 수신자들에게 이메일로 문서를 전송하는 것, 웹사이트에 방문하기 위해 브라우저의 사적 모드를 스위칭하거나 사용하는 것 등이 취해진다.
[53] 도 3은 일부 예시적인 구현들에 따른 예시적인 사용자 인터페이스들을 도시한다. 도면에서, 사용자 인터페이스는 모바일 디바이스의 스크린샷들(300A-300C)을 사용하여 설명된다. 스크린샷(300A)에서, 사용자는, 사진을 찍는 것, 사진을 저장하는 것, 또는 사진을 선택하는 것일 수 있는 동작(도 2b, 240)을 취한다. 일부 구현들에서, 스크린샷(300B)에 도시된 바와 같이, 동작(240)은, 사용자가 "공유" 버튼(310)을 탭핑(tap)하는 것과 같은 사용자의 더 특정한 의도로 맵핑(map)된다. 다음으로, 도 2b에서 설명된 바와 같이, 예측 엔진의 프로세스(예컨대, 블록들 252-256)가 실행되어 하나 또는 그 초과의 예측들(160)에 도달된다. 도 3에서, 예측들(160)은 스크린샷들(300B 및 300C)에 도시된다. 스크린샷(300B)은 "공유 수단" 예측들을 도시하고, 스크린샷(300C)은, 스크린샷(300B)에서의 "공유 수단" 예측들의 사용자의 선택들에 기초할 수 있는 "공유 대상" 예측들을 도시한다.
[54] 스크린샷(300B)에서의 예시적인 "공유 수단" 예측들은, "Bluetooth", "Soc-network-Z.com", "E-mail" 및 "전체 보기(See all)" 서브메뉴에 숨겨져 있는 다른 것들이다. "공유 수단" 예측들은, 가장 높은 예측 확실성들 또는 가중치 스코어들에서 가장 낮은 것으로의 순서로 제시될 수 있다. 예를 들어, "Bluetooth"는 90%의 스코어를 가질 수 있고, "Soc-network-Z.com"은 88%의 스코어를 가질 수 있으며, "E-mail"은 65%의 스코어를 가질 수 있다. 최소 요건 임계치(예컨대, 50%)를 충족하는 다른 예측들은 "전체 보기" 서브메뉴에 숨겨질 수 있다.
[55] 스크린샷(300B)에서, 예를 들어, 사용자는 "Soc-network-Z.com" 옵션을 선택하기 위한 입력을 제공하고, 이는 위에 설명된 바와 같이 시스템에 피드백으로서 다시 제공될 수 있다. 사용자의 선택은 스크린샷(300C)을 유도하며, 여기서, "공유 대상" 예측들이 사용자에게 제시될 수 있다. Soc-network-Z.com(330)에 의한 공유가 도시되며, 이러한 예에서의 사용자는 John XYZ이다. John XYZ는 사진을 그의 "가족" 온라인 소셜 서클(320)과 공유하기를 원할 것이라고 예측하는 일 예측이 도시된다. John은 더 많은 수신자들을 입력하고 그리고/또는 "가족" 온라인 소셜 서클을 교체할 수 있으며, 이는 위에 설명된 바와 같이 시스템에 피드백으로서 다시 제공될 수 있다. 위에 개시된 바와 같이, 예시적인 구현은 사용자, 즉 이러한 경우에서는 John XYZ의 동의하에서만 수행된다.
[56] 스크린샷(300C)에서, John의 "가족" 온라인 소셜 서클과 공유하는 것의 예측은, John이 예측을 변경하는 않는 것에 기초하는 정확한 디폴트(default) 예측이다. John이 "공유" 버튼 또는 위젯(widget)(340)을 누르는 경우, 스크린샷(300A)에서 찍힌 사진은 Soc-network-Z.com을 통해 John의 "가족" 온라인 소셜 서클과 공유된다.
[57] 일부 구현들에서, "공유 수단" 예측들 및 "공유 대상" 예측들은 하나의 사용자 인터페이스 또는 스크린에 함께 제시될 수 있다. 예를 들어, 스크린샷(300B)에서, 각각의 "공유 수단" 옵션들 옆에 하나 또는 그 초과의 "공유 대상" 옵션들이 있을 수 있다.
[58] 구현들에 의존하여, 상이한 디바이스들 또는 하나의 디바이스의 상이한 애플리케이션들이 상이한 방식들로 예측들을 활용할 수 있다. 예를 들어, 카메라 애플리케이션은, 예측된 프라이버시 선호도들(예컨대, "가족" 온라인 소셜 서클)을 갖는 하나 또는 그 초과의 공유 셋팅들을 미리 채울(pre-populate) 수 있다. 일부 구현들에서, 예측들 또는 프라이버시 선호도는 (예컨대, 하나 또는 그 초과의 디폴트 셋팅들 또는 예측들에 부가하여) 단축버튼(shortcut)들 또는 제안들로 제공될 수 있으며, 이는 사용자가 단일 탭 또는 클릭으로 액세스하는 것을 허용한다. 모든 예시적인 구현들에서, 사용자는 참여하지 않거나 동의하지 않는다고 결정할 수 있다.
[59] 일부 구현들에서, 사용자 동작 예측은 배치(batch) 공유(예컨대, 미디어의 공유 또는 이메일발송)에 적용되도록 구현될 수 있다. 예를 들어, Alice가 Alice의 친척의 사진들을 10장 찍고, 그 후 동료의 사진들을 5장 찍고, 그 후 Alice의 친척의 사진들을 10장 더 찍으면, 사용자 동작 예측의 구현은, 먼저 Alice의 친척의 사진들 20장 전부를 소셜 네트워크 상에서 Alice의 "가족" 온라인 소셜 서클과 공유할 것을 Alice에게 프롬프트(prompt)할 수 있고, 그 후, Alice의 동료의 사진들 5장을 (하나 또는 그 초과의 이메일 주소들을 사용하여) Alice의 직장 내 팀에 이메일로 전송할 것을 Alice에게 프롬프트할 수 있다. 모든 예시적인 구현들에서, 사용자는 참여의 제어를 유지하며, 언제든지 동의하거나 동의하지 않는다고 결정할 수 있다.
[60] 위에 설명된 바와 같이, 사용자 동작 예측은, 임의의 컨텐츠에 적용되도록, 임의의 애플리케이션을 사용하여, 그리고 임의의 사용자 동작과 관련되어 구현될 수 있다. 예를 들어, Alice의 브라우징에 기초한 프라이버시 선호도 모델들은, Alice의 브라우징 습관들 및 히스토리에 기초하여 생성될 수 있다. 모델들은 Alice가 브라우징할 때마다 사용될 수 있다. 하나의 모델은, Alice가 몇몇 종류들의 웹사이트들(예컨대, 건강 정보 웹사이트들)을 브라우징하는 경우 그녀는 브라우저의 사적 모드에서 브라우징하는 경향이 있다고 표시할 수 있다. 모델을 적용하여, Alice가 통상적으로 사적 모드에서 브라우징하는 종류의 웹사이트를 브라우징하기 시작할 때(그리고 Alice가 그 모드에서 브라우징하고 있지 않음)마다, 브라우저는, 브라우저에 대한 Alice의 구성 또는 셋팅들에 기초하여 사적 모드에서 사용할 것을 Alice에게 제안하거나 또는 사적 모드를 자동적으로 인에이블링(enable)할 수 있다. 위에 언급된 바와 같이, Alice는 동의하거나 동의하지 않는다고 결정할 수 있다.
[61] 도 4는 프로세스 구현의 예를 도시한다. 프로세스(400)는 도 2b의 동작 및/또는 도 3에서 설명된 동작을 구현하는 것일 수 있다. 블록(405)에서, 사용자에 의해 수행되는 동작(예컨대, 동작 240)이 검출된다. (410)에서, 제 1 동작과 연관된 정보(예컨대, IACA) 및/또는 제 1 동작과 관련된 컨텐츠가 축적되거나, 수집되거나, 식별되거나, 또는 추출된다. (415)에서, (410)에서 수집된 정보에 기초하는 하나 또는 그 초과의 예측 모델들이 식별되거나, 선택되거나, 또는 리트리브된다. (420)에서, 제 1 동작에 대한 예측 모델들의 적용성 레벨들이, 예를 들어, 도 2b의 블록(256)에서 설명된 바와 같은 가중치들을 사용하여 결정된다. 각각의 예측 모델은 적어도 예측된 동작(예컨대, 컨텐츠를 누구와 공유할지를 선택하는 동작 및/또는 어떠한 애플리케이션을 사용하여 컨텐츠를 공유하는지와 같은, 컨텐츠가 어떻게 공유되는지를 선택하는 동작)을 제안하거나 예측한다.
[62] (425)에서, 임계 레벨을 충족하는 적용성 레벨들에 기초하여 사용되도록 결정되는, 모델들로부터의 하나 또는 그 초과의 예측된 동작들이 사용자 인터페이스에 제공 또는 제시된다. (430)에서, 하나의 예측된 동작 또는 다른 예측된 동작(또는 예측된 동작을 수정하는 것 또는 예측되지 않은 동작을 제공하는 것)을 선택하는 사용자로부터의 입력이 수신된다. (430)에서 선택된 동작이 수행된다. 사용자의 선택 또는 입력은, 예를 들어, 시스템(예컨대, 정확성, 성능, 예측들 등)을 개선하기 위해 시스템에 피드백으로서 제공될 수 있다.
[63] 일부 예들에서, 프로세스(400)는 상이하거나, 더 적거나, 또는 더 많은 블록들로 구현될 수 있다. 프로세스(400)는 컴퓨터 실행가능 명령들로 구현될 수 있으며, 명령들은, 매체 상에 저장되고, 하나 또는 그 초과의 컴퓨팅 디바이스들의 하나 또는 그 초과의 프로세서들 상에 로딩되고, 그리고 컴퓨터-구현된 방법으로서 실행될 수 있다.
[64] 도 5는 일부 예시적인 구현들에 적절한 예시적인 환경을 도시한다. 환경(500)은 디바이스들(505-545)을 포함하고, 각각은, 예를 들어, (예컨대 유선 및/또는 무선 연결들에 의한) 네트워크(560)를 통해 적어도 하나의 다른 디바이스에 통신가능하게 연결된다. 일부 디바이스들은 하나 또는 그 초과의 저장 디바이스들(530 및 545)에 통신가능하게 연결될 수 있다.
[65] 하나 또는 그 초과의 디바이스들(505-545)의 예는 도 6에서 아래에 설명되는 컴퓨팅 디바이스(605)일 수 있다. 디바이스들(505-545)은, 컴퓨터(505)(예컨대, 랩톱 컴퓨팅 디바이스), 모바일 디바이스(510)(예컨대, 스마트폰 또는 태블릿), 텔레비전(515), 차량과 연관된 디바이스(520), 서버 컴퓨터(525), 컴퓨팅 디바이스들(535-540), 저장 디바이스들(530 및 545)을 포함할 수 있지만 이에 제한되지 않는다.
[66] 일부 구현들에서, 디바이스들(505-520)은, 컨텐츠를 생성하고 그리고/또는 소셜 네트워크 상에서 컨텐츠를 공유하는 것과 같은 요청들을 송출하기 위해 사용자에 의해 사용되는 디바이스들과 같은 사용자 디바이스들로 고려될 수 있다. 디바이스들(525-545)은 서비스 제공자들과 연관된 디바이스들일 수 있다(예컨대, 웹페이지들, 텍스트, 텍스트 부분들, 이미지들, 이미지 부분들, 오디오들, 오디오 세그먼트(segment)들, 비디오들, 비디오 세그먼트들, 및/또는 이들에 관한 정보와 같은 데이터를 저장하고 그리고/또는 서비스들을 제공하기 위해 서비스 제공자들에 의해 사용됨).
[67] 예를 들어, 사용자(예컨대, Alice)는, 하나 또는 그 초과의 디바이스들(525-545)에 의해 지원되는 컨텐츠 또는 사진을, 소셜 네트워크 상에서 사용자 디바이스(510)를 사용하여 액세스하고, 관측하고, 그리고/또는 공유할 수 있다. 디바이스(510)는, 가이드형 사용자 동작들 또는 사용자 동작 예측을 구현하는 애플리케이션을 구동하는 것일 수 있다. 도 3에 도시된 바와 같이, Alice가 디바이스(510)로 사진을 찍은 이후, Alice는 "공유" 버튼(310)을 탭핑한다. 가이드형 사용자 동작들을 구현하는 애플리케이션은, 스크린샷들(300B-C)에 도시된 바와 같은 하나 또는 그 초과의 예측들을 제공하기 위해, Alice의 히스토리 데이터에 기초하여 생성된 모델들을 사용한다. Alice는 디폴트 또는 예측된 공유 동작을 수용하기 위해 "공유" 버튼(340)을 탭핑하며, 이는, 사진을 누구와 공유할지 및 사진을 어떻게 공유할지(예컨대, 어떠한 애플리케이션 또는 서비스를 사용하여 사진을 공유할지)를 포함할 수 있다.
[68] 도 6은 일부 예시적인 구현들에서의 사용에 적절한 예시적인 컴퓨팅 디바이스에 대한 예시적인 컴퓨팅 환경을 도시한다. 컴퓨팅 환경(600)에서의 컴퓨팅 디바이스(605)는, 하나 또는 그 초과의 프로세싱 유닛들, 코어들, 또는 프로세서들(610), 메모리(615)(예컨대, RAM, ROM 등), 내부 저장부(620)(예컨대, 자기, 광학, 고체 상태 저장부, 및/또는 유기(organic)), 및/또는 I/O 인터페이스(625)를 포함할 수 있으며, 이들 중 임의의 것은 정보를 통신하기 위해 통신 메커니즘 또는 버스(630)를 통해 커플링될 수 있거나, 또는 컴퓨팅 디바이스(605) 내에 임베딩(embed)될 수 있다.
[69] 컴퓨팅 디바이스(605)는 입력/사용자 인터페이스(635) 및 출력 디바이스/인터페이스(640)에 통신가능하게 커플링될 수 있다. 입력/사용자 인터페이스(635) 및 출력 디바이스/인터페이스(640) 중 어느 하나 또는 둘 모두는, 유선 또는 무선 인터페이스일 수 있고, 탈착가능할 수 있다. 입력/사용자 인터페이스(635)는, 입력을 제공하는데 사용될 수 있는 임의의 디바이스, 컴포넌트, 센서, 또는 인터페이스, 물리적 또는 가상의 인터페이스를 포함할 수 있다(예컨대, 버튼들, 터치-스크린 인터페이스, 키보드, 포인팅/커서(pointint/cursor) 제어, 마이크로폰, 카메라, 점자, 모션 센서, 광학 판독기 등). 출력 디바이스/인터페이스(640)는 디스플레이, 텔레비전, 모니터, 프린터, 스피커, 점자 등을 포함할 수 있다. 일부 예시적인 구현들에서, 입력/사용자 인터페이스(635) 및 출력 디바이스/인터페이스(640)는 컴퓨팅 디바이스(605)에 임베딩되거나 또는 물리적으로 커플링될 수 있다. 다른 예시적인 구현들에서, 다른 컴퓨팅 디바이스들은, 컴퓨팅 디바이스(605)에 대해 입력/사용자 인터페이스(635) 및 출력 디바이스/인터페이스(640)로서 기능하거나 또는 그들의 기능들을 제공할 수 있다.
[70] 컴퓨팅 디바이스(605)의 예들은, 고도의(highly) 모바일 디바이스들(예컨대, 스마트폰들, 차량들 및 다른 머신들 내의 디바이스들, 인간들 또는 동물들에 의해 휴대되는 디바이스들 등), 모바일 디바이스들(예컨대, 태블릿들, 노트북들, 랩톱들, 개인용 컴퓨터들, 휴대용 텔레비전들, 라디오들 등), 및 이동도(mobility)에 관하여 설계되지 않은 디바이스들(예컨대, 데스크톱 컴퓨터들, 다른 컴퓨터들, 정보 키오스크(information kiosk)들, 하나 또는 그 초과의 프로세서들이 임베딩되고 그리고/또는 커플링되는 텔레비전들, 라디오들 등)을 포함할 수 있지만 이에 제한되지 않는다.
[71] 컴퓨팅 디바이스(605)는, 동일하거나 상이한 구성을 갖는 하나 또는 그 초과의 컴퓨팅 디바이스들을 포함하는 임의의 개수의 네트워킹된(networked) 컴포넌트들, 디바이스들, 및 시스템들과 통신하기 위해 네트워크(650)에 그리고 (예컨대, I/O 인터페이스(625)를 통해) 외부 저장부(645)에 통신가능하게 커플링될 수 있다. 컴퓨팅 디바이스(605) 또는 임의의 연결된 컴퓨팅 디바이스는, 서버, 클라이언트, 씬 서버(thin server), 일반 머신, 특수-목적 머신, 또는 다른 라벨로서 기능할 수 있거나, 이들의 서비스들을 제공할 수 있거나, 또는 이들로 지칭될 수 있다.
[72] I/O 인터페이스(625)는, 컴퓨팅 환경(600)에서 적어도 모든 연결된 컴포넌트들, 디바이스들, 및 네트워크에 그리고/또는 이들로부터 정보를 통신하기 위해 임의의 통신 또는 I/O 프로토콜들 또는 표준들(예컨대, 이더넷, 802.11x, 유니버셜 시스템 버스(Universal System Bus), WiMax, 모뎀, 셀룰러 네트워크 프로토콜 등)을 사용하는 유선 및/또는 무선 인터페이스들을 포함할 수 있지만 이들로 제한되지 않는다. 네트워크(650)는 임의의 네트워크 또는 네트워크들의 결합(예컨대, 인터넷, 로컬 영역 네트워크, 광역 네트워크, 텔레폰(telephonic) 네트워크, 셀룰러 네트워크, 위성 네트워크 등)일 수 있다.
[73] 컴퓨팅 디바이스(605)는 일시적 매체들 및 비-일시적 매체들을 포함하는 컴퓨터-사용가능 또는 컴퓨터-판독가능 매체들을 사용하고 및/또는 이들을 사용하여 통신할 수 있다. 일시적 매체들은 전송 매체들(예컨대, 금속 케이블들, 광섬유들), 신호들, 반송파들 등을 포함한다. 비-일시적 매체들은 자기 매체들(예컨대, 디스크들 및 테이프들), 광학 매체들(예컨대, CD ROM, 디지털 비디오 디스크들, Blu-ray 디스크들), 고체 상태 매체들(예컨대, RAM, ROM, 플래시 메모리, 고체-상태 저장부), 및 다른 비휘발성 저장부 또는 메모리를 포함한다.
[74] 컴퓨팅 디바이스(605)는 일부 예시적인 컴퓨팅 환경들에서 기술들, 방법들, 애플리케이션들, 프로세스들, 또는 컴퓨터-실행가능 명령들을 구현하기 위해 사용될 수 있다. 컴퓨터-실행가능 명령들은 일시적 매체들로부터 리트리브될 수 있고 비-일시적 매체들 상에 저장되고 그로부터 리트리브될 수 있다. 실행가능 명령들은 임의의 프로그래밍, 스크립팅, 및 기계어들(예컨대, C, C++, C#, 자바, 비주얼 베이직, 파이선, Perl, 자바스크립트, 및 다른 것들) 중 하나 또는 그 초과로부터 비롯될 수 있다.
[75] 프로세서(들)(610)는 본래의(native) 또는 가상의 환경에서 임의의 운영 시스템(OS)(도시되지 않음) 하에서 실행될 수 있다. 로직 유닛(660), 애플리케이션 프로그래밍 인터페이스(API) 유닛(665), 입력 유닛(670), 출력 유닛(675), 모델 관리(680), 동작 프로세싱(685), 예측 엔진(690), 및 상이한 유닛들이 서로, OS와, 그리고 다른 애플리케이션들(도시되지 않음)과 통신하기 위한 유닛-간 통신 메커니즘(695)을 포함하는 하나 또는 그 초과의 애플리케이션들이 배치될 수 있다. 예를 들어, 모델 관리(680), 동작 프로세싱(685), 및 예측 엔진(690)은 도 1-5에 도시되고 설명된 하나 또는 그 초과의 프로세스들을 구현할 수 있다. 설명된 유닛들 및 엘리먼트들은, 설계, 기능, 구성, 또는 구현이 변할 수 있으며, 제공된 설명들로 제한되지 않는다.
[76] 몇몇 예시적인 구현들에서, 정보 또는 실행 명령이 API 유닛(665)에 의해 수신되는 경우, 정보는 하나 또는 다른 초과의 다른 유닛들(예컨대, 로직 유닛(660), 입력 유닛(670), 출력 유닛(675), 모델 관리(680), 동작 프로세싱(685), 및 예측 엔진(690))에 통신될 수 있다. 예를 들어, 입력 유닛(670)이 사용자 동작을 검출한 이후, 예측 엔진(690)은, 그 동작을 프로세싱하고, 하나 또는 그 초과의 예측된 동작을 제공하기 위해 하나 또는 그 초과의 예측 모델들을 리트리브하기 위해서 모델 관리(680)와 인터페이싱한다. 모델들은, 이전 동작들 또는 사용자 히스토리에 기초하여 동작 프로세싱(685)에 의해 생성될 수 있다. 그 후, 입력 유닛(670)은, 예측된 동작들 중 하나를 사용자가 선택하거나 수정하는 것으로부터 입력을 제공할 수 있다. 그 후, 출력 유닛(675)은, 사용자의 입력에 기초하여 최종 동작을 수행한다.
[77] 일부 예시들에서, 로직 유닛(660)은 유닛들 사이의 정보 흐름을 제어하고, 위에 설명된 일부 예시적인 구현들에서 API 유닛(665), 입력 유닛(670), 출력 유닛(675), 모델 관리(680), 동작 프로세싱(685), 및 예측 엔진(690)에 의해 제공되는 서비스들을 지시(direct)하도록 구성될 수 있다. 예를 들어, 하나 또는 그 초과의 프로세스들 또는 구현들의 흐름은 로직 유닛(660) 단독으로 또는 API 유닛(665)과 함께 제어될 수 있다.
[78] 본원에서 논의된 시스템들이 사용자들에 관한 개인 정보를 수집하거나, 개인 정보를 활용할 수 있는 상황들에서, 사용자들에게는 프로그램들 또는 피처(feature)들이 사용자 정보(예컨대, 사용자의 소셜 네트워크에 관한 정보, 소셜 동작들 또는 활동들, 직업, 사용자의 선호도들, 또는 사용자의 현재 위치)를 수집하는지 여부를 제어하거나, 사용자에 보다 관련될 수 있는 컨텐츠 서버로부터 컨텐츠를 수신할지 여부 및/또는 어떻게 수신하는지를 제어할 기회가 제공될 수 있다. 부가하여, 특정한 데이터는 저장되거나 사용되기 이전에 하나 또는 그 초과의 방식들로 처리될 수 있어서, 개인적으로 식별 가능한 정보가 제거된다. 예를 들어, 사용자의 아이덴티티는, 사용자에 대한 개인적으로 식별가능한 어떠한 정보도 결정될 수 없거나 또는 위치 정보(이를테면, 도시, ZIP 코드, 또는 상태 레벨)가 획득되는 경우 사용자의 지리적 위치가 일반화될 수 없도록 처리될 수 있어서, 사용자의 특정한 위치가 결정될 수 없다. 따라서, 사용자는 사용자에 관한 정보가 어떻게 수집되는지 및 컨텐츠 서버에 의해 어떻게 사용되는지를 제어할 수 있다.
[79] 일부 예시적인 구현들이 도시되고 설명되었지만, 이들 예시적인 구현들은 당업자들에게 본원에 설명된 요지를 전달하기 위해 제공된다. 본원에 설명된 요지가 설명된 예시적인 구현들로 제한됨이 없이 다양한 형태들로 구현될 수 있다는 것이 이해되어야 한다. 본원에 설명된 요지는, 특정하게 정의되거나 설명된 사안들 없이, 또는 설명되지 않은 다른 또는 상이한 엘리먼트들 또는 사안들로 실시될 수 있다. 첨부된 청구항들 및 그들의 등가물들에서 정의되는 바와 같이 본원에 설명된 요지로부터 벗어남이 없이 이들 예시적인 구현들에서 변경들이 이루어질 수 있다는 것이 당업자들에 의해 인식될 것이다.

Claims (20)

  1. 컴퓨터-구현 방법으로서,
    사용자에 의해 수행되는 제 1 동작을 검출하는 단계;
    상기 제 1 동작과 연관된 정보를 수집하는 단계;
    상기 정보에 기초하여 예측 모델을 리트리브(retrieve)하는 단계;
    상기 제 1 동작에 대한 예측 모델의 적용성(applicability) 레벨을 결정하는 단계 ― 상기 예측 모델은 제 2 동작을 제안함 ―;
    상기 적용성 레벨이 임계 레벨을 충족하는 경우, 상기 제 2 동작을 사용자 인터페이스에 제공하는 단계; 및
    상기 제 2 동작 또는 제 3 동작을 선택하는 상기 사용자로부터의 입력을 수신하는 단계를 포함하는, 컴퓨터-구현 방법.
  2. 제 1 항에 있어서,
    상기 제 1 동작은 컨텐츠를 식별하는 것을 포함하고, 상기 제 2 동작은 상기 컨텐츠를 공유할 하나 또는 그 초과의 수신자(recipient)들을 선택하는 것을 포함하는, 컴퓨터-구현 방법.
  3. 제 1 항에 있어서,
    상기 제 1 동작은 컨텐츠를 식별하는 것을 포함하고, 상기 제 2 동작은 상기 컨텐츠를 프로세싱할 애플리케이션을 선택하는 것을 포함하는, 컴퓨터-구현 방법.
  4. 제 1 항에 있어서,
    상기 제 1 동작은 웹사이트에 액세스하는 것을 포함하고, 상기 제 2 동작은 상기 웹사이트에 액세스할 브라우저(browser)의 모드를 선택하는 것을 포함하는, 컴퓨터-구현 방법.
  5. 제 1 항에 있어서,
    상기 예측 모델은 상기 사용자와 연관된 복수의 이전 동작들에 기초하는, 컴퓨터-구현 방법.
  6. 제 1 항에 있어서,
    상기 제 1 동작에 대한 예측 모델의 적용성 레벨을 결정하는 단계는,
    상기 예측 모델과 연관된 속성들의 가중화된(weighted) 계산을 수행하는 단계; 및
    상기 속성들의 가중화된 계산의 적어도 일부의 결합이 상기 임계 레벨을 충족한다고 결정하는 단계
    를 포함하는, 컴퓨터-구현 방법.
  7. 제 1 항에 있어서,
    상기 제 2 동작 또는 제 3 동작을 선택하는 상기 사용자로부터의 입력은, 상기 예측 모델을 수정하는, 컴퓨터-구현 방법.
  8. 컴퓨터 실행가능 명령들이 저장된 비-일시적인 컴퓨터 판독가능 매체로서,
    상기 컴퓨터 실행가능 명령들은,
    사용자에 의해 수행되는 제 1 동작을 검출하고;
    상기 제 1 동작과 연관된 정보를 수집하고;
    상기 정보에 기초하여 예측 모델을 리트리브하고;
    상기 제 1 동작에 대한 예측 모델의 적용성 레벨을 결정하고 ― 상기 예측 모델은 제 2 동작을 제안함 ―;
    상기 적용성 레벨이 임계 레벨을 충족하는 경우, 상기 제 2 동작을 사용자 인터페이스에 제공하고; 그리고
    상기 제 2 동작 또는 제 3 동작을 선택하는 상기 사용자로부터의 입력을 수신
    하기 위한 것인, 비-일시적인 컴퓨터 판독가능 매체.
  9. 제 8 항에 있어서,
    상기 제 1 동작은 컨텐츠를 식별하는 것을 포함하고, 상기 제 2 동작은 상기 컨텐츠를 공유할 하나 또는 그 초과의 수신자들을 선택하는 것을 포함하는, 비-일시적인 컴퓨터 판독가능 매체.
  10. 제 8 항에 있어서,
    상기 제 1 동작은 컨텐츠를 식별하는 것을 포함하고, 상기 제 2 동작은 상기 컨텐츠를 프로세싱할 애플리케이션을 선택하는 것을 포함하는, 비-일시적인 컴퓨터 판독가능 매체.
  11. 제 8 항에 있어서,
    상기 제 1 동작은 웹사이트에 액세스하는 것을 포함하고, 상기 제 2 동작은 상기 웹사이트에 액세스할 브라우저의 모드를 선택하는 것을 포함하는, 비-일시적인 컴퓨터 판독가능 매체.
  12. 제 8 항에 있어서,
    상기 예측 모델은 상기 사용자와 연관된 복수의 이전 동작들에 기초하는, 비-일시적인 컴퓨터 판독가능 매체.
  13. 제 8 항에 있어서,
    상기 제 1 동작에 대한 예측 모델의 적용성 레벨을 결정하는 것은,
    상기 예측 모델과 연관된 속성들의 가중화된 계산을 수행하는 것; 및
    상기 속성들의 가중화된 계산의 적어도 일부의 결합이 상기 임계 레벨을 충족한다고 결정하는 것
    을 포함하는, 비-일시적인 컴퓨터 판독가능 매체.
  14. 저장부 및 프로세서를 포함하는 적어도 하나의 컴퓨팅 디바이스로서,
    상기 프로세서는,
    사용자에 의해 수행되는 제 1 동작을 검출하는 것;
    상기 제 1 동작과 연관된 정보를 수집하는 것;
    상기 정보에 기초하여 예측 모델을 리트리브하는 것;
    상기 제 1 동작에 대한 예측 모델의 적용성 레벨을 결정하는 것 ― 상기 예측 모델은 제 2 동작을 제안함 ―;
    상기 적용성 레벨이 임계 레벨을 충족하는 경우, 상기 제 2 동작을 사용자 인터페이스에 제공하는 것; 그리고
    상기 제 2 동작 또는 제 3 동작을 선택하는 상기 사용자로부터의 입력을 수신하는 것
    을 수행하도록 구성되는, 적어도 하나의 컴퓨팅 디바이스.
  15. 제 14 항에 있어서,
    상기 제 1 동작은 컨텐츠를 식별하는 것을 포함하고, 상기 제 2 동작은 상기 컨텐츠를 공유할 하나 또는 그 초과의 수신자들을 선택하는 것을 포함하는, 적어도 하나의 컴퓨팅 디바이스.
  16. 제 14 항에 있어서,
    상기 제 1 동작은 컨텐츠를 식별하는 것을 포함하고, 상기 제 2 동작은 상기 컨텐츠를 프로세싱할 애플리케이션을 선택하는 것을 포함하는, 적어도 하나의 컴퓨팅 디바이스.
  17. 제 14 항에 있어서,
    상기 제 1 동작은 웹사이트에 액세스하는 것을 포함하고, 상기 제 2 동작은 상기 웹사이트에 액세스할 브라우저의 모드를 선택하는 것을 포함하는, 적어도 하나의 컴퓨팅 디바이스.
  18. 제 14 항에 있어서,
    상기 예측 모델은 상기 사용자와 연관된 복수의 이전 동작들에 기초하는, 적어도 하나의 컴퓨팅 디바이스.
  19. 제 14 항에 있어서,
    상기 제 1 동작에 대한 예측 모델의 적용성 레벨을 결정하는 것은,
    상기 예측 모델과 연관된 속성들의 가중화된 계산을 수행하는 것; 및
    상기 속성들의 가중화된 계산의 적어도 일부의 결합이 상기 임계 레벨을 충족한다고 결정하는 것
    을 포함하는, 적어도 하나의 컴퓨팅 디바이스.
  20. 제 14 항에 있어서,
    상기 제 2 동작 또는 제 3 동작을 선택하는 상기 사용자로부터의 입력은, 상기 예측 모델을 수정하는, 적어도 하나의 컴퓨팅 디바이스.
KR1020167015250A 2013-12-31 2014-12-18 가이드형 사용자 동작들을 위한 시스템들 및 방법들 KR102149017B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/145,596 2013-12-31
US14/145,596 US9519408B2 (en) 2013-12-31 2013-12-31 Systems and methods for guided user actions
PCT/US2014/071265 WO2015102931A1 (en) 2013-12-31 2014-12-18 Systems and methods for guided user actions

Publications (2)

Publication Number Publication Date
KR20160105395A true KR20160105395A (ko) 2016-09-06
KR102149017B1 KR102149017B1 (ko) 2020-08-27

Family

ID=52355225

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020167015250A KR102149017B1 (ko) 2013-12-31 2014-12-18 가이드형 사용자 동작들을 위한 시스템들 및 방법들

Country Status (7)

Country Link
US (1) US9519408B2 (ko)
EP (2) EP3633524A1 (ko)
JP (1) JP6549128B2 (ko)
KR (1) KR102149017B1 (ko)
CN (1) CN105874447B (ko)
BR (1) BR112016014653B1 (ko)
WO (1) WO2015102931A1 (ko)

Families Citing this family (83)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8106856B2 (en) 2006-09-06 2012-01-31 Apple Inc. Portable electronic device for photo management
US8698762B2 (en) 2010-01-06 2014-04-15 Apple Inc. Device, method, and graphical user interface for navigating and displaying content in context
WO2014143776A2 (en) 2013-03-15 2014-09-18 Bodhi Technology Ventures Llc Providing remote interactions with host device using a wireless device
US10313506B2 (en) 2014-05-30 2019-06-04 Apple Inc. Wellness aggregator
US9811352B1 (en) 2014-07-11 2017-11-07 Google Inc. Replaying user input actions using screen capture images
KR20230042141A (ko) 2014-08-02 2023-03-27 애플 인크. 상황 특정 사용자 인터페이스
US10452253B2 (en) 2014-08-15 2019-10-22 Apple Inc. Weather user interface
US10949507B2 (en) 2014-10-17 2021-03-16 Vulpecula, Llc. Methods, systems, and computer program products for web browsing
US10073976B2 (en) * 2014-10-24 2018-09-11 Samsung Electronics Co., Ltd. Application executing method and device, and recording medium thereof
EP3998762A1 (en) 2015-02-02 2022-05-18 Apple Inc. Device, method, and graphical user interface for establishing a relationship and connection between two devices
WO2016144385A1 (en) * 2015-03-08 2016-09-15 Apple Inc. Sharing user-configurable graphical constructs
US10275116B2 (en) 2015-06-07 2019-04-30 Apple Inc. Browser with docked tabs
US10003938B2 (en) 2015-08-14 2018-06-19 Apple Inc. Easy location sharing
EP4321088A3 (en) 2015-08-20 2024-04-24 Apple Inc. Exercise-based watch face
US10445425B2 (en) 2015-09-15 2019-10-15 Apple Inc. Emoji and canned responses
US11720940B2 (en) * 2015-10-29 2023-08-08 Micro Focus Llc System and apparatus for models based on data augmented with conceivable transitions
US10146397B2 (en) 2015-11-27 2018-12-04 International Business Machines Corporation User experience steering
US10613707B2 (en) * 2015-12-10 2020-04-07 International Business Machines Corporation Auditing icons via image recognition to provide individualized assets to software project teams
CN108781175B (zh) 2015-12-21 2021-09-21 谷歌有限责任公司 用于消息交换题绪的自动建议的方法、介质及系统
KR102174346B1 (ko) 2015-12-21 2020-11-04 구글 엘엘씨 메시징 애플리케이션들을 위한 자동적인 제안들 및 다른 콘텐츠
US20230316284A1 (en) * 2016-03-25 2023-10-05 State Farm Mutual Automobile Insurance Company Reducing false positives using customer data and machine learning
US10880833B2 (en) * 2016-04-25 2020-12-29 Sensory, Incorporated Smart listening modes supporting quasi always-on listening
AU2017100667A4 (en) 2016-06-11 2017-07-06 Apple Inc. Activity and workout updates
AU2017100670C4 (en) 2016-06-12 2019-11-21 Apple Inc. User interfaces for retrieving contextually relevant media content
DK201670609A1 (en) 2016-06-12 2018-01-02 Apple Inc User interfaces for retrieving contextually relevant media content
US10873786B2 (en) 2016-06-12 2020-12-22 Apple Inc. Recording and broadcasting application visual output
WO2018002776A1 (en) * 2016-06-28 2018-01-04 Koninklijke Philips N.V. System and architecture for seamless workflow integration and orchestration of clinical intelligence
US10419381B2 (en) * 2016-08-30 2019-09-17 Facebook, Inc. Prompt ranking
CN109952572B (zh) 2016-09-20 2023-11-24 谷歌有限责任公司 基于消息贴纸的建议响应
WO2018057536A1 (en) 2016-09-20 2018-03-29 Google Llc Bot requesting permission for accessing data
US10791037B2 (en) 2016-09-21 2020-09-29 Iunu, Inc. Reliable transfer of numerous geographically distributed large files to a centralized store
US10635274B2 (en) * 2016-09-21 2020-04-28 Iunu, Inc. Horticultural care tracking, validation and verification
US11244398B2 (en) 2016-09-21 2022-02-08 Iunu, Inc. Plant provenance and data products from computer object recognition driven tracking
US11538099B2 (en) 2016-09-21 2022-12-27 Iunu, Inc. Online data market for automated plant growth input curve scripts
US9805306B1 (en) * 2016-11-23 2017-10-31 Accenture Global Solutions Limited Cognitive robotics analyzer
US10356200B2 (en) 2016-12-28 2019-07-16 Google Llc Optimizing user interface data caching for future actions
WO2018142764A1 (ja) * 2017-02-03 2018-08-09 パナソニックＩｐマネジメント株式会社 学習済みモデル生成方法、学習済みモデル生成装置、および学習済みモデル利用装置
US10439966B2 (en) 2017-02-17 2019-10-08 Google Llc Transitioning between private and non-private state
DK179412B1 (en) 2017-05-12 2018-06-06 Apple Inc Context-Specific User Interfaces
US10860854B2 (en) * 2017-05-16 2020-12-08 Google Llc Suggested actions for images
US10873545B2 (en) * 2017-06-12 2020-12-22 Microsoft Technology Licensing, Llc Automatic action responses
US10769291B2 (en) * 2017-06-12 2020-09-08 Microsoft Technology Licensing, Llc Automatic data access from derived trust level
US10348658B2 (en) 2017-06-15 2019-07-09 Google Llc Suggested items for use with embedded applications in chat conversations
US10404636B2 (en) 2017-06-15 2019-09-03 Google Llc Embedded programs and interfaces for chat conversations
CN107220094B (zh) * 2017-06-27 2019-06-28 北京金山安全软件有限公司 页面加载方法、装置和电子设备
US11556548B2 (en) 2017-08-08 2023-01-17 Microsoft Technology Licensing, Llc Intelligent query system for attachments
US10650306B1 (en) * 2017-09-29 2020-05-12 Amazon Technologies, Inc. User representation using a generative adversarial network
US10992773B2 (en) * 2017-10-30 2021-04-27 Microsoft Technology Licensing, Llc Action prompt transmission based on attribute affinity
US11113604B2 (en) * 2017-11-06 2021-09-07 Google Llc Training and/or utilizing an interaction prediction model to determine when to interact, and/or prompt for interaction, with an application on the basis of an electronic communication
US10891526B2 (en) 2017-12-22 2021-01-12 Google Llc Functional image archiving
US11062516B2 (en) 2018-02-07 2021-07-13 Iunu, Inc. Augmented reality based horticultural care tracking
US10884769B2 (en) * 2018-02-17 2021-01-05 Adobe Inc. Photo-editing application recommendations
US11036811B2 (en) 2018-03-16 2021-06-15 Adobe Inc. Categorical data transformation and clustering for machine learning using data repository systems
US11327650B2 (en) 2018-05-07 2022-05-10 Apple Inc. User interfaces having a collection of complications
CN114327225A (zh) * 2018-05-07 2022-04-12 苹果公司 用于共享上下文相关的媒体内容的用户界面
DK180171B1 (en) 2018-05-07 2020-07-14 Apple Inc USER INTERFACES FOR SHARING CONTEXTUALLY RELEVANT MEDIA CONTENT
US10680979B2 (en) 2018-06-08 2020-06-09 Capital One Services, Llc System and method for proactive intervention to reduce high cost channel usage
US20190384460A1 (en) * 2018-06-14 2019-12-19 Microsoft Technology Licensing, Llc Surfacing application functionality for an object
US20190384621A1 (en) * 2018-06-14 2019-12-19 Microsoft Technology Licensing, Llc Next operation prediction for a workflow
US20190384622A1 (en) * 2018-06-14 2019-12-19 Microsoft Technology Licensing, Llc Predictive application functionality surfacing
US10949272B2 (en) 2018-06-14 2021-03-16 Microsoft Technology Licensing, Llc Inter-application context seeding
US10885905B2 (en) * 2018-07-13 2021-01-05 Samsung Electronics Co., Ltd. Predicting user actions on ubiquitous devices
US11093510B2 (en) 2018-09-21 2021-08-17 Microsoft Technology Licensing, Llc Relevance ranking of productivity features for determined context
US11163617B2 (en) * 2018-09-21 2021-11-02 Microsoft Technology Licensing, Llc Proactive notification of relevant feature suggestions based on contextual analysis
WO2020107184A1 (zh) * 2018-11-26 2020-06-04 华为技术有限公司 一种模型选择方法和终端
DK201970535A1 (en) 2019-05-06 2020-12-21 Apple Inc Media browsing user interface with intelligently selected representative media items
US11960701B2 (en) 2019-05-06 2024-04-16 Apple Inc. Using an illustration to show the passing of time
US11131967B2 (en) 2019-05-06 2021-09-28 Apple Inc. Clock faces for an electronic device
US11340778B2 (en) 2019-05-06 2022-05-24 Apple Inc. Restricted operation of an electronic device
US11074408B2 (en) 2019-06-01 2021-07-27 Apple Inc. Mail application features
US11194467B2 (en) 2019-06-01 2021-12-07 Apple Inc. Keyboard management user interfaces
US20200380432A1 (en) * 2019-06-03 2020-12-03 Sap Se Predictive workflow control powered by machine learning in digital workplace
EP3783537A1 (en) 2019-08-23 2021-02-24 Nokia Technologies Oy Controlling submission of content
US11797880B1 (en) * 2019-08-27 2023-10-24 Meta Platforms, Inc. Systems and methods for digital content provision
US10852905B1 (en) 2019-09-09 2020-12-01 Apple Inc. Techniques for managing display usage
US11720980B2 (en) 2020-03-25 2023-08-08 Iunu, Inc. Crowdsourced informatics for horticultural workflow and exchange
US11372659B2 (en) 2020-05-11 2022-06-28 Apple Inc. User interfaces for managing user interface sharing
CN115552375A (zh) 2020-05-11 2022-12-30 苹果公司 用于管理用户界面共享的用户界面
DK202070625A1 (en) 2020-05-11 2022-01-04 Apple Inc User interfaces related to time
US11694590B2 (en) 2020-12-21 2023-07-04 Apple Inc. Dynamic user interface with time indicator
US11720239B2 (en) 2021-01-07 2023-08-08 Apple Inc. Techniques for user interfaces related to an event
US11921992B2 (en) 2021-05-14 2024-03-05 Apple Inc. User interfaces related to time
WO2022245669A1 (en) 2021-05-15 2022-11-24 Apple Inc. User interfaces for group workouts

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090041224A1 (en) * 2007-08-09 2009-02-12 Modu Ltd. Speed-dial and speed-contact with predictive logic
JP2011090391A (ja) * 2009-10-20 2011-05-06 Sony Corp 情報処理装置、機能管理方法、コンピュータプログラム及び情報処理システム
JP2012194970A (ja) * 2011-03-14 2012-10-11 Internatl Business Mach Corp <Ibm> 内密の（イン−プライベート）ブラウジングのための方法、システム、およびコンピュータ・プログラム（製品）

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6400996B1 (en) * 1999-02-01 2002-06-04 Steven M. Hoffberg Adaptive pattern recognition based control system and method
JP2009514075A (ja) 2005-10-28 2009-04-02 テレコム・イタリア・エッセ・ピー・アー 選択されたコンテンツアイテムをユーザーに提供する方法
US8010676B1 (en) * 2008-01-03 2011-08-30 Desktonc, Inc. Virtual computing services deployment network
US20090234876A1 (en) * 2008-03-14 2009-09-17 Timothy Schigel Systems and methods for content sharing
JP5235160B2 (ja) 2009-04-20 2013-07-10 日本電信電話株式会社 行動予測装置とそのプログラム
US20110196853A1 (en) 2010-02-08 2011-08-11 International Business Machines Corporation System, method, and apparatus for generating a script to perform a task at a target web interface instance
US20110208822A1 (en) * 2010-02-22 2011-08-25 Yogesh Chunilal Rathod Method and system for customized, contextual, dynamic and unified communication, zero click advertisement and prospective customers search engine
KR20120045415A (ko) 2010-10-29 2012-05-09 삼성에스디에스 주식회사 지능형서비스제공 라이프로깅장치 및 방법
US8707184B2 (en) * 2010-11-01 2014-04-22 Google Inc. Content sharing interface for sharing content in social networks
US8866701B2 (en) * 2011-03-03 2014-10-21 Citrix Systems, Inc. Transparent user interface integration between local and remote computing environments
US10366341B2 (en) 2011-05-11 2019-07-30 Oath Inc. Mining email inboxes for suggesting actions
US20130091087A1 (en) 2011-10-10 2013-04-11 Topsy Labs, Inc. Systems and methods for prediction-based crawling of social media network
TWI522815B (zh) * 2011-10-19 2016-02-21 致伸科技股份有限公司 直接相片分享系統
US8812416B2 (en) 2011-11-08 2014-08-19 Nokia Corporation Predictive service for third party application developers
US20130132330A1 (en) 2011-11-22 2013-05-23 Motorola Mobility, Inc. Management of privacy settings for a user device
US8849730B2 (en) 2011-12-15 2014-09-30 Microsoft Corporation Prediction of user response actions to received data
US20130218637A1 (en) * 2012-02-20 2013-08-22 Katalus Advisors, LLC Systems and methods for collecting and analyzing customer feedback information
KR102150514B1 (ko) * 2012-08-22 2020-09-21 삼성전자주식회사 디바이스 및 그를 이용한 컨텐츠 공유 방법
US9338622B2 (en) * 2012-10-04 2016-05-10 Bernt Erik Bjontegard Contextually intelligent communication systems and processes
US20140130076A1 (en) * 2012-11-05 2014-05-08 Immersive Labs, Inc. System and Method of Media Content Selection Using Adaptive Recommendation Engine
US20140279793A1 (en) * 2013-03-14 2014-09-18 Balderdash Inc. Systems and methods for providing relevant pathways through linked information
US10049342B2 (en) * 2013-06-13 2018-08-14 Blackberry Limited Method and apparatus pertaining to sharing content with scheduled-event participants
US11074618B2 (en) * 2013-06-13 2021-07-27 Blackberry Limited Method and apparatus pertaining to history-based content-sharing recommendations
CN103345513B (zh) * 2013-07-09 2017-07-18 清华大学 一种社交网络中的基于朋友关系传播的朋友推荐方法
US20150081470A1 (en) * 2013-09-18 2015-03-19 W.W. Grainger, Inc. Methods and apparatus for providing supplemental content in communications sharing a webpage

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090041224A1 (en) * 2007-08-09 2009-02-12 Modu Ltd. Speed-dial and speed-contact with predictive logic
JP2011090391A (ja) * 2009-10-20 2011-05-06 Sony Corp 情報処理装置、機能管理方法、コンピュータプログラム及び情報処理システム
JP2012194970A (ja) * 2011-03-14 2012-10-11 Internatl Business Mach Corp <Ibm> 内密の（イン−プライベート）ブラウジングのための方法、システム、およびコンピュータ・プログラム（製品）

Also Published As

Publication number Publication date
CN105874447B (zh) 2019-09-17
EP3090353B1 (en) 2019-12-04
BR112016014653A2 (ko) 2017-08-08
WO2015102931A1 (en) 2015-07-09
EP3090353A1 (en) 2016-11-09
BR112016014653A8 (pt) 2018-01-02
EP3633524A1 (en) 2020-04-08
US9519408B2 (en) 2016-12-13
JP6549128B2 (ja) 2019-07-24
JP2017510867A (ja) 2017-04-13
BR112016014653B1 (pt) 2023-02-23
CN105874447A (zh) 2016-08-17
EP3090353A4 (en) 2017-07-19
KR102149017B1 (ko) 2020-08-27
US20150185995A1 (en) 2015-07-02

Similar Documents

Publication Publication Date Title
KR102149017B1 (ko) 가이드형 사용자 동작들을 위한 시스템들 및 방법들
US20210103837A1 (en) Systems and methods for guided user actions
US11681654B2 (en) Context-based file selection
US9338242B1 (en) Processes for generating content sharing recommendations
KR101656819B1 (ko) 특징-추출-기반 이미지 점수화
US9531823B1 (en) Processes for generating content sharing recommendations based on user feedback data
US10769101B2 (en) Selective data migration and sharing
KR101686830B1 (ko) 온라인 소셜 네트워크 상의 이미지를 위한 태그 제안
US10154312B2 (en) Systems and methods for ranking and providing related media content based on signals
JP2019096352A (ja) フレキシブルなイメージ・レイアウト
KR20120087972A (ko) 검색으로부터의 콘텐츠를 문서 또는 메시지에 추가하는 메커니즘
US10460171B2 (en) Systems and methods for processing media content that depict objects
US10552473B2 (en) Systems and methods for processing media content that depict objects
US20150074599A1 (en) Mobile video channel-based gestural user interface
US20180267998A1 (en) Contextual and cognitive metadata for shared photographs
US20180060355A1 (en) Systems and methods for processing media content that depict objects
US11658926B2 (en) Generating smart replies involving image files
CN112352223A (zh) 用于输入建议的方法和系统
US20150026266A1 (en) Share to stream
KR101638262B1 (ko) 소셜 네트워크 리포트들
US20150186672A1 (en) Photo privacy
US12032518B2 (en) Context-based file selection

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right