NO326644B1 - Kontekstavhengig telefonbok - Google Patents

Kontekstavhengig telefonbok Download PDF

Info

Publication number
NO326644B1
NO326644B1 NO20055831A NO20055831A NO326644B1 NO 326644 B1 NO326644 B1 NO 326644B1 NO 20055831 A NO20055831 A NO 20055831A NO 20055831 A NO20055831 A NO 20055831A NO 326644 B1 NO326644 B1 NO 326644B1
Authority
NO
Norway
Prior art keywords
user
presence status
context
information
policy
Prior art date
Application number
NO20055831A
Other languages
English (en)
Other versions
NO20055831D0 (no
Inventor
Jahn Arne Johnsen
Original Assignee
Tandberg Telecom As
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 Tandberg Telecom As filed Critical Tandberg Telecom As
Priority to NO20055831A priority Critical patent/NO326644B1/no
Publication of NO20055831D0 publication Critical patent/NO20055831D0/no
Priority to EP06835718A priority patent/EP1960951A4/en
Priority to PCT/NO2006/000474 priority patent/WO2007067075A2/en
Priority to US12/096,671 priority patent/US8694517B2/en
Publication of NO326644B1 publication Critical patent/NO326644B1/no

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/26—Devices for calling a subscriber
    • H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
    • H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
    • H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
    • H04M1/2753—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips providing data content
    • H04M1/2757—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips providing data content by data transmission, e.g. downloading
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/26—Devices for calling a subscriber
    • H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
    • H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
    • H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
    • H04M1/27453—Directories allowing storage of additional subscriber data, e.g. metadata
    • H04M1/2746—Sorting, e.g. according to history or frequency of use
    • 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
    • H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
    • 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
    • H04M1/72457—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to geographic location

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Library & Information Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Telephonic Communication Services (AREA)
  • Telephone Function (AREA)

Abstract

Oppfinnelsen undersøker en brukers kontekstinformasjon og bruker denne til automatisk å kalkulere en nærværsstatus som vil bli publisert sammen med annen informasjon i en online telefonbok. Denne nærværsstatusen er nyttig idet den gjør det mulig for en person å bestemme hvorvidt det er passende å starte kommunikasjon eller ikke. Dette gjennomføres ved bruk av brukerens kontekstaggregator som er personlig for hver bruker. Brukerens kontekstaggregator inneholder en overvåket læringsalgoritme som lærer hvilke nærværsstatuser en bruker skal assosieres med, gitt den tilgjengelige kontekstinformasjon. En online telefonbok tilveiebringer en liste av prioriterte kommunikasjonsanordninger sammen med sannsynligheten for at kontakten kan nås på de respektive anordninger, hvor den nevnte listen blir generert på basis av bla den aggregerte nærværsstatusen og et personlig politikksett.

Description

Oppfinnelsens område
Oppfinnelsen relaterer seg til et system, fremgangsmåte og datamaskin programvare for å undersøke en brukers kontekst informasjon og ut fra dette bestemme en gitt automatisk nærværsstatus som vil bli publisert sammen med annen informasjon i et nettbasert kontaktverktøy.
Bakgrunn
Bortsett fra unntaket med e-post, har få datamaskinapplika-sjoner i historien vokst så fort som umiddelbar meldingsutveksling. Med en solid base av umiddelbar meldings-utvekslingsbrukere innenfor den private sfære har den umiddelbare meldingsutvekslingsrevolusjonen i de senere årene snudd mot forretningsbrukere. Dette tilføyer seg til den allerede store mengden av kommunikasjonsmuligheter og verk-tøy som er enkelt tilgjengelig for den gjennomsnittlige forretningsmann. En typisk forretningsmann har e-dagsorden, elektroniske telefonbøker, mobiltelefoner, videokonferanse-muligheter etc. Faktisk i dagens verden kan personer kommunisere med "hvem som helst, når som helst, hvor som helst". Men idet alle disse mulighetene fremkommer, gjør også problemene det. Det er få personer som ønsker å kommunisere med hvem som helst, når som helst og hvor som helst. Det er tidspunkter da du ikke ønsker å bli forstyrret (for eksempel under viktige møter, seminarer etc.). På den annen side er det også tidspunkter da du ikke kan få tak i personer du ønsker å snakke med. Dette kan for eksempel være fordi den personen du forsøker å nå ikke befinner seg på den lokasjon han/hun forventes å være, eller fordi personen du forsøker å nå ikke ønsker å bli forstyrret osv. Uavhengig av hvorvidt du er anropende part eller mottaker av en kommunika-sjonssesjon, vil manglende informasjon om tilgjengeligheten for mottakeren være hovedårsaken for uhensiktsmessig eller mangelfull kommunikasjon.
For å illustrere gjeldende problem, ser vi på et scenario hentet fra en alminnelig kontorsituasjon, Alice, en pro-sjektleder for en stor telekommunikasjonsbedrift, er i ferd med å forlate sitt hjemmekontor for å delta i et forret-ningsmøte med noen vanlige klienter. Hun kommer så plutse-lig på at hennes egen avdelig glemte å gi henne siste oppdatering på en viktig avgjørelse som klienten akkurat har gjort. Idet hun kommer på dette, henter Alice fram sin telefonbok på sitt videokonferansesystem og starter å utføre anrop. Hun vet at Bob, klientens normale kontakt, arbeider hjemmefra og at han akkurat har fått tvillingsønner. Hun ønsker ikke å forstyrre Bob unødvendig. Alice regner derfor med at han sannsynligvis ikke er hennes beste valg. Hun bestemmer seg for å anrope Tim, en seniorprogramvareutvikler i hennes prosjektgruppe. Telefonboken har fire oppføringer (tuples, inneholdende to eller flere komponenter) for Tim, videotelefon, kontortelefon, hjemmekontortelefon og mobiltelefon. Idet Alice er usikker på Tims nærvær og lokasjon, så anroper hun først hans videotelefon. Tim på sin side gikk akkurat til lunsj og er derfor ikke tilgjengelig på noen av sine kontortelefoner. Etter noen minutter prøver Alice å anrope Tims mobiltelefon. Siden Tim er til lunsj, må han løpe tilbake opp på kontoret for å hente informasjonen som Alice etterspør og dette tar litt tid. Som en følge av dette mister Alice toget sitt og blir en halv time forsinket til sitt møte. Gjennomgående for denne situasjonen har Bob vært ved sin datamaskin på sitt hjemmekontor. Idet hans kone er hjemme på svangerskapsper-misjon, har han ikke blitt forstyrret hele dagen, men føler seg til en viss grad avkoblet fra resten av sitt selskap.
I sitt samkvem og i samtale med hverandre er mennesker ganske gode på å overbringe informasjon til hverandre og å reagere passende. Det vil si, de er i stand til å tolke implisitt situasjonsinformasjon. Dette I sterk kontrast til mesteparten av de nåværende mest avanserte datamaskin- og kommunikasjonssystemer som i det vesentlige er uoppmerksom-me på denne kontekstinformasjonen. Følgelig det har i den seinere tid vært viet stor interesse for å utvikle program-mer som er mer kontekstorienterte slik at de kan tilpasse seg til forskjellige situasjoner og være mer mottakelige for brukerens behov.
Noe innsats har blitt gjort for å avhjelpe dette ved å kringkaste såkalt bruker nærværsinformasjon fra brukeres umiddelbare meldingsutvekslingsprogrammer (så som MSN Mes-senger, AIM osv.) i firmaers telefonbøker. Denne brukernær-værs status indikerer den nåværende situasjon for brukeren for eksempel at han er "fri", "i et møte" eller "opptatt". Denne nærværsinformasjonen er nyttig idet den muliggjør for en person å bestemme hvorvidt det er passende å initialise-re kommunikasjon eller ikke. Mens dette er et skritt i riktig retning har studier vist at brukere ikke alltid er
pliktoppfyllende med å oppdatere sin nærværsstatus[1).
Det er derfor ønskelig å utvikle nærværsinformasjon fra andre kjente datakilder knyttet til en spesifikk bruker.
Peddemors et al. [2] presenterer i sitt arbeid et system, PLIM, som forener konsepter for nærvær, lokasjon og umiddelbar meldingsutveksling i et nytt utvidet umiddelbart meldingsutvekslingssystem. Den anvendte en Bluetooth infra-struktur for å la en mobilanordning bestemme sin nåværende lokasjon. PLIM-systemet tillot også brukere i å sette opp regler som fikk systemet til å oppdatere sitt nærvær til en gitt verdi når de var ved en bestemt lokasjon. Selv om den kan være effektiv og nøyaktig I den gitte situasjon har den ulempen av å være rigid og i stor utstrekning ikke i stand til å tilpasse seg til stadige endrede betingelser. Det er også et problem ved definerting av de aktuelle regler for hver gitte nærværs status. Det er heller ikke alltid klart hvilke kontekst informasjon som danner for eksempel nærværsstatusen "i et møte".
Det er også blitt utført tidligere arbeid av Milewski et al. [3] der de foreslo en levende adressebok som hjalp brukeren i å utføre mer informerte telefonanrop og telefonkon-feranser. Den var, blant annet, i stand til å fremvise dynamisk informasjon for hvor mottakeren var, så vel som tilgjengeligheten for brukeren (det vil si nærværsstatus). I dette arbeidet anvendte Milewski et al. et manuelt oppsatt ikke-forstyrr-flagg, men fant ut at folk ofte glemte å fjerne flagget når de ble tilgjengelige i en slik utstrekning at folk betraktet flagget som upålitelig og ignorerte dette [3].
Microsofts koordineringsprosjekt [4] bruker sannsynlighets-modeller på menneskers møtedeltakelse og oppførsel. Disse modeller er utviklet fra informasjon for PC-bruk, tidspunkter om møtedeltakelse. Den bruker også dette for å bestemme hvorvidt meldinger til brukerne er viktig og avgjør beste måte å rute disse til brukeren på. Men i dette prosjektet er en bruker usynlig for systemet om han eller hun ikke sitter ved sin datamaskin og arbeider.
Således er det en hensikt ved den foreliggende oppfinnelse å overvinne problemene diskutert over.
Sammendrag for oppfinnelsen
Det er et formål med den foreliggende oppfinnelse å skaffe til veie et arrangement, en fremgangsmåte og datamaskinprogramvare som unngår de ovenfor nevnte problemer.
Trekkene definert i de selvstendige kravene vedlagt karak-teriserer dette arrangement, denne fremgangsmåten og data-maskinprogramvaren.
Kort beskrivelse av tegningene
Det foregående og andre hensikter, trekk og fordeler ved den foreliggende oppfinnelse vil bly tydeliggjort fra den etterfølgende mer særskilte beskrivelse av foretrukne utfø-relsesformer for oppfinnelsen, som illustrert ved de ledsagende tegninger der like referanse numre refererer seg til tilsvarende deler gjennom forskjellige snitt. Tegningene er ikke nødvendigvis riktig skalterte - det er i stedet vekt-lagt å fremheve oppfinnelsens prinsipp.
Fig. 1 viser en skjematisk systemoversikt
Fig. 2a illustrerer et enkelt treningssett
Fig. 2b er en skjematisk oversikt over en læringssituasjon Fig. 3 illustrerer en politikk
Fig. 4 illustrerer en mulig kontakthåndterer
Fig. 5 er en skjematisk systemoversikt
Fig. 6 er en skjematisk oversikt over CACM-serveren
Fig. 7 illustrerer viktige overganger i UserContextAggregator-tilstandsmaskinen Fig. 8 illustrerer hvordan en oppdatering i en kontekstfø-ler rapporteres til UCAen
Fig. 9 illustrerer en ny kontekstregel inn i UCAen
Fig. 10 er en skjematisk oversikt over de enkle triggerne og overganger fra UserContextAggregator-tilstandsmaskinen Fig. 11 er en skjematisk oversikt over en UserDevicePolicy-angivers fullstendige tilstandsmaskin Fig. 12 er en skjematisk oversikt over en SetDevicePolicy-melding mottatt fra omgivelsen Fig. 13 er en skjematisk oversikt over en ny aggregert nærværsstatus funnet og sendt til UDPen Fig. 14 er en skjematisk oversikt over en SendTerminalList-melding sendt fra UCAen Fig. 15 er en skjematisk oversikt over tilstandsmaskinen til en generisk UserContextProvider Fig. 16 er en skjematisk oversikt over tilstandsmaskinen til en brukerdatabase
Detaljert beskrivelse av oppfinnelsen
I det etterfølgende vil den foreliggende oppfinnelse bli diskutert ved å beskrive e foretrukket utførelsesform, og ved å referere til de ledsagende tegninger. Men, en fagmann på området vil innse at det finnes andre utførelser og mo-difikasjoner innefor omfanget av oppfinnelsen som definert i de vedlagte selvstendige kravene.
Den viste oppfinnelse beskriver en kontekstavhengig kontaktstyrer (context-aware contact manager, CACM) som bestemmer hvilke aggregerte nærværsstatuser en bruker skal bli assosiert med basert på tilbakemeldinger fra kontekst-følere. Oppfinnelsen undersøker en brukers kontekstinformasjon og fra denne bestemme på en gitt automatisk nærværsstatus som vil bli publisert sammen med annen informasjon i en online telefonbok. Denne nærværsstatusen er nyttig idet den gjør det mulig for en person å bestemme hvorvidt det er passende å starte kommunikasjon eller ikke. Dette gjennom-føres ved bruk av brukerens kontekstaggregator som er personlig for hver bruker. Brukerens kontekstaggregator inneholder en overvåket læringsalgoritme som lærer hvilke nærværsstatuser en bruker skal assosieres med ved å undersøke den tilgjengelige kontekstinformasjon. Treningen av denne motoren kan gjøres enten av en administrator, eller fort-rinnsvis av brukeren selv. Naive Bayes har vist seg å være en ekstremt rask og nøyaktig klassifikator og skal betraktes som et sterkt valg i en hvilken som helst fremtidig implementering av CACM-systerner. Oppfinnelsen er likevel ikke begrenset til denne klassifikatoren.
Personalisering blir gjort, både gjennom å tillate personlig klassifikasjonsregler, så vel som gjennom en politikk-tilnærming til personlige prioriteringer for en brukers kommunikasjonsanordninger basert på hans eller hennes aggregerte nærværsstatus. Dette kan utvides ved også å ta gruppemedlemsskapet for entiteten som ønsker brukerinformasjon i betraktning. Denne listen av prioriterte kommunikasjonsanordninger blir vist i en online kontaktstyrer som tilveiebringer en liste av kommunikasjonsanordninger sammen med sannsynligheten for at kontakten kan nås på de respektive anordninger.
Ved å utnytte kraften for overvåket læring i regelsett-bygging, har et ekstremt fleksibelt klassifiseringssystem blitt bygget.
Kontekstavhengighet blir sett på som et stadig mer viktig område av datamaskinforskning. Den gjør det mulig for systemer å skaffe til veie relevant informasjon og tjenester basert på nåværende situasjonsbehov for brukerne. Gjennom utvikling av en forståelse av kontekst, vil brukerne ikke lenger bli tvunget til å gi systemet eksplisitte instruk-sjoner for hvert trinn av sin samhandling.[5]
Sammenhengen mellom kontekst og datamaskinmiljø er definer av Dey et al. [6] som: " Kontekst er en hvilken som helst informasjon som kan bli brukt for å karakterisere situasjonen for en entitet. En entitet er en person, et sted, eller et objekt som er betraktet som relevant for samhandling mellom en bruker og en applikasjon, inkludert brukeren og applikasjonen i seg selv."
Når det refereres til kontekst i denne avhandlingen, vil denne definisjonen bli brukt.
Kontekst kan deles inn i flere separate kontekstdata. Så, for å undersøke kontekst, trengs data, dvs. kontekstdata. I Dey et al. vises fire typer kontekstdata som er kategori-sert som mer viktige enn andre: lokasjon, identitet, aktivitet og tidspunkt. Alle disse forskjellige typer kontekstdata kan samles gjennom forskjellige midler og i det føl-gende vi noen av disse kontekstparameterne bli kort forklart og presentert.
Lokasjon
Geografisk lokasjonsinformasjon beskriver en fysisk posi-sjon i verden som kan korrespondere til den siste, nåværende eller framtidige lokasjon for en person, hendelse eller anordning [7]. En slik lokasjon kan uledes enten fra brukeren selv eller gjennom midler for automatisk innhenting.
Mange forskjellige teknologier kan bli brukt for å skaffe til veie slik stedsinformasjon. Den vanligste av disse er Global Positioning System (GPS), som bruker en matrise av satellitter for å skaffe til veie stedsinformasjon med en gjennomsnittlig feilmargin innenfor 10-20 m. I cellebasert telekommunikasjonsnettverk, så som GSM, kan nøyaktigheten variere i forhold til hvilke posisjonsmetoder som brukes. Ved ganske enkelt å utnytte celleindentiteten gir en nøyak-tighet på 200 m til 10 km, avhengig av cellestørrelsen. Noen nyere GSM-utstyr anvender mer avanserte algoritmer basert på blant annet triangulærmålinger (for eksempel assis-tert GPS, ankomsttid, og vinkel for ankomst). For innendørs posisjonering eksisterer mye mer finmaskede teknologier. Basert på infrarød (Ir), radiofrekvens (RF) eller ultraso-niske teknikker, anvender disse teknologier ofte en type signalstasjon (beacon) eller aktive merker.
Aktivitet
Nærværsinformasjon er en statusindikator som gir mulighet og vilje for en potensiell kommunikasjonspartner, for eksempel en bruker, i å kommunisere. Denne informasjonen kan ganske enkelt være en online/offline-status, som angir hvorvidt brukeren er logget på eller ikke. I senere stan-dardiseringsdokumenter fra IETF, har nærvær blitt utvidet til å inkludere blant annet informasjon som indikerer brukerens nåværende situasjon, eller i noen tilfeller, aktiviteten brukeren for tiden er opptatt med [8]. Denne utvidel-sen muliggjør for nærværsstatusen å passe fint inn under aktivitetsangivelsen over. Nærværsinformasjonsdataformat (PIDF) og rike nærværsutvidelser (Rich Presence Extensions) til PIDF-definisjonen er eksempler på formater for utveks-ling av nærværsinformasjon [9], [10].
Agenda
Mennesker utnytter agenda som et planleggingsverktøy for deres dag ved å fylle den med arbeid eller fritid, eller begge deler. En E-agenda er en elektronisk versjon av den normale agendaen, men kan også inneholde en samling av data som fyller behovet til den individuelle bruker. I dag blir E-agenda mye brukt på de fleste forretningsområder i hele verden. Noen, men ikke alle, disse E-agendaene tillater brukeren å dele sin individuelle kalender med medarbeidere og andre personer. Som med nærværsstatus, sorterer denne kontekstparameteren under aktivitetsangivelsen over og skal ha prioritet i kontekstavhengige systemer.
Te rminalstatus
I [11] definerer Rosenberg en kommunikasjonsanordning som: " En kommunikasjonsanordning er en fysisk komponent som en bruker samhandler med for å lage eller motta kommu-nikasjoner. Eksempler er en telefon, PDA eller PC."
I denne avhandlingen blir en terminal brukt som et synonym for en anordning. Videre, når vi snakker om statusen for en terminal, refererer vi her til hvorvidt terminalen er i bruk, offline, osv. Denne statusen kan bli sett i sammen-heng med den tidligere nevnte aktivitetsangivelsen. En terminal i bruk forteller oss noe om aktiviteten for en bruker. Det er også nyttig for å bestemme hvilke terminaler som en etterspørrende entitet kan bruke for å nå brukeren.
Kontekstdatatyper beskrevet over er utvalg av kontekst data som kan bli anvendt ved den foreliggende oppfinnelse og skal ikke betraktes som begrensende for den foreliggende oppfinnelse.
Det kontekstavhengige systemet i henhold til den foreliggende oppfinnelse er i stand til å ha flere registrerte terminaler for hver bruker. En bruker kan for eksempel ha en mobiltelefon, kontortelefon, personlig videokonferanse-utstyr, hjemmekontortelefon og IM/videoklient (som kjører på en datamaskin) registrert med systemet.
I henhold til den foreliggende oppfinnelse vil systemet motta kontekstdata fra flere kontekstdatamoduler eller fø-lere. Systemet skal være i stand til å motta forskjellige typer kontekstdata: Geografisk lokasjon, nærværsstatus, e-agenda, andre brukeres lokasjon, terminalstatus, datama-skinaktivitet, lydsensor, videosensor, osv. For eksempel om brukeren gjør et anrop (eller mottar et anrop) på hans/hennes kontortelefon, vil telefonen sende et signal til systemet som forteller det at denne brukeren for tiden snakker på hans/hennes kontortelefon. Kilder for kontekstdata vil i det etterfølgende bli referert til som bruker-konteksttilbydere (User Contex Providers (UCP)).
En oversikt over systemet i henhold til den foreliggende oppfinnelse blir vist i fig. 1. Systemet går automatisk gjennom kontekstdata mottatt fra UCP-ene og fra disse utle-des en ny nærværsstatus automatisk. Nærværsstatusen er en aggregert verdi for alle mottatte kontekstdata. Den aggregerte nærværsstatus kan for eksempel være tilgjengelig, opptatt, i møte, ferie, hjemmekontor, reise, osv. Mulige aggregerte tilstander kan bli basert på, men er ikke begrenset til, IETFs RPID.
Videre, i henhold til den foreliggende oppfinnelsen vil ag-gregeringen utført ved å bruke en overvåket (supervised) læringsklassifikator bygget på et treningsregistrerings-sett. Klassifisering er en oppgave som opptrer innenfor et stort område av menneskelig aktiviteter. Den bredeste definisjonen på terminologien kan dekke en hvilken som helst avgjørelse eller prognose som blir gjort ved å evaluere en nåværende tilgjengelig informasjon. En klassifikasjonspro-sedyre blir så en formell fremgangsmåte for å gjentagende gjøre slike vurderinger i nye situasjoner. I overvåket læring vil en med sikkerhet kunne kjenne klassesettet (her, nærværsstatus), ved hjelp av å etablere en regel som skal være i stand til å klassifisere en ny observasjon inn i en av det eksisterende klasser. Settet kan være en kompositt av både en forhåndsbestemt og et personlig sett, og kan bli editert og rekonfigurert av både en sentral autoritet og brukeren selv. Regelsettet skal ikke bare være avhengig av et gitt sett av følere.
De etterfølgende ikke-begrensende eksempelreglene skal være mulig å sette inn: Om en bruker går inn i et konferanserom, skal brukeren bli markert som " møte". Dersom en bruker er i kantina, skal han/hun bli merket som " spiser". Dersom en anordning rapporterer at den for tiden er i et anrop, skal brukeren bli markert som " i telefonen". Dersom en bruker har registrert en hendelse i sin e-agenda, skal brukeren bli markert i henhold til denne når aktiviteten starter
(for eksempel om aktiviteten er " møte", skal brukeren bli markert som i møte osv.). Når en brukers lokasjon er ukjent, skal hans status være " borte". Det er viktig å mer-ke seg at dette ikke på noen måte er et komplett regelsett, men kun enkle eksempler av mulige regler som skal være mulig å legge inn i systemet.
Fig. 2 er en skjematisk tegning av kontekstaggregatoren med et ikke-begrensende inngangseksempel (et lite treningssett
(201) og et sett av kontekstdata (202)), og en aggregert nærværsstatus funnet ved den overvåkede læringsklassifikatoren basert på et lite treningssett. Treningssettet (201) angir at når data fra lokasjonstjeneren (103) rapporterer at brukeren er i et "møterom", vil brukerens e-agenda (104) rapportere at et "i møte" er planlagt, mobiltelefonen (105) rapporterer at telefonen er satt i "stille" og at brukerens videotelefonstatus er "normal", brukerens aggregerte nærvær er "i møte". Videre, om lokasjonstjeneren (103) rapporterer at brukeren er i "kantine", vil brukerens e-agenda (104) rapportere at "ingenting" er planlagt, mobiltelefonen (105) er satt til "normal" og brukerens videtelefonstatus er "normal", brukerens aggregerte nærværstilstand er "til lunsj". Nå vil den overvåkede læringsklassifikatoren være trent til å gjenkjenne disse hendelser og om den nåværende data (202) fra UCPen er Lokasjon: "møterom"; Plan: "i møte"; Mobiltelefon: "stille"; Videotelefon: "normal" den aggregerte nærværsstatus vil være satt til "i et møte".
En måte å trene en overvåket læringsklassifikator på er ved å sette inn virkelige brukerdata i settet som vist i fig.
3. Dette kan bli gjort ved å utstyre hver bruker med et "trening"-valg på mobilanordningen. Brukeren vil velge hans eller hennes nåværende nærværsstatus (for eksempel min nåværende situasjon er "i et møte") og systemet vil så sette inn dette i treningssettet sammen med den tilgjengelige kontekstdata samtidig. Så, forskjellige hendelser i et treningssett vil kunne se ut omtrent som dette: " aggregert nærværsklasseskal være opptatt når kontekstdata er som føl-ger: lokasjon = konferanserom, agenda = møte osv.." Maskin-læringsklassifikatoren vil generalisere på treningssettet og skape klassifikasjonsscenarier som så blir brukt for å klassifisere en brukers gitte kontekst.
Når den aggregerte nærværsstatus har blitt utledet, vil et personlig politikksett definert av brukeren bli brukt for å generere en prioritetsliste av kommunikasjonsanordninger. Listen vil også spesifisere sannsynligheten for at brukeren er tilgjenglig på henholdsvis hver anordning på listen. Et eksempel på politikk kan ses i fig. 4. Politikken skal være basert på brukerens " aggregerte nærvær". Blant annet vil Aggregert nærværsstatus " ferie" kunne bli definert som " gi min mobiltelefon prioritet 1, 0, min hjemmetelefon prioritet 0, 3 og min kontortelefon og kontorvideotelefon prioritet 0", eller aggregert nærværsstatus " kontor" kan bli definert som " gi min videotelefon prioritet 1, 0, min kontortelefon prioritet 0, 9, min mobiltelefon prioritet 0, 3 og min hjemmetelefon prioritet 0". En utvidelse av dette kan også være å basere politikken på gruppe, dvs. "i telefonen" og grup-pen "kontor" bestemmer den prioriterte anordningslista. Politikken skal være en sentralt konfigurerbar politikk. Hver bruker skal være i stand til å overkjøre definerte deler av politikken på personlig basis.
Videre, systemet i henhold til den foreliggende oppfinnelse skal produsere en prioritert (foretrukket) liste over brukerens registrerte terminaler i henhold til den forhåndsdefinerte politikk. Dette kan være i form av en kontaktstyrer, som vist i fig. 4. Når en velger en bruker fra kontaktstyreren, vil en ny meny (eller lignende) komme frem som viser aggregert nærværstilstand for den ønskede bruker og nevnte liste av terminaler. Fra eksempelet i fig. 4 kan vi se at John er på sitt kontor og at han foretrekker å bli kontaktet på sin kontorvideotelefon eller sin alminnelige kontortelefon. John kan også nås på sin mobiltelefon, men et er ikke like sannsynlig at den er slått på.
Med referanse til scenariene beskrevet i introduksjonen, om kontaktstyreren i henhold til den foreliggende oppfinnelse var tilgjengelig for Alice, ville hun hatt mye mer detaljert informasjon om hvor kollegaene hennes var og tilgjengeligheten for hennes kollegaer, og scenarioet kunne ha sett omtrent slik ut i stedet: Alice, en prosjektstyrer for et stort telekommunikasjonsfirma er i ferd med å forlate sitt hjemmekontor for å delta i et forretningsmøte med noen vanlige klienter. Hun kommer så brått på at hennes egen avde-ling glemte å gi henne den siste oppdateringen på en viktig avgjørelse som klienten akkurat har gjort. Idet hun kommer på dette, henter Alice opp sin telefonbok på sitt videokonferansesystem for å begynne å gjøre anrop. Fordi hun vet at Bob, klientens faste kontakt, arbeider hjemmefra og at han akkurat har fått tvillingsønner, så vil hun ikke forstyrre Bob unødvendig. I hennes nærværsavhengige telefonbok (presence aware phonebook) er hun informert om at hennes andre valg, Tim (en senior programvareutvikler i hennes prosjektgruppe) er til lunsj. Men Bob ser ut til å sitte på sin datamaskin på sitt hjemmekontor og er tilgjengelig på alle mediaformater. Det er derfor enkelt for henne å ta avgjø-relsen om å anrope Bob. Bob som har vært ved sin datamaskin hele dagen, er glad for å hjelpe henne, og situasjonen håndteres i løpet av minutter. Alice kan delta i møtet oppdatert på alle avgjørelser klienten har gjort, og ankommer til møtet som planlagt.
Som nevnt over er et viktig trekk ved den foreliggende oppfinnelse er å utlede en brukers aggregerte nærvær. For å
oppnå dette, trenger systemet en form for resonnementsevne. Anvendelse av regler for å spesifisere en slik oppførsel er en svært enkel måte å gjøre systemet kontekstavhengig. Slike regler kan uttrykkes i noen former for logikk (for eksempel temporær logikk eller fuzzy logikk) og så bli skre-vet eller uttrykt i språk, så som Prolog eller RuleML. Så snart konteksten for en brukers miljø endres, vil alle reg-lenes betingelser bli evaluert og håndtert. Denne regelba-serte tilnærmingen har den ulempen at den er stivbent og ikke er i stand til å tilpasse seg stadig endrede betingelser. En dynamisk tilnærming er klassifikasjon gjennom maskinlæring som hjelper oss å omgå dette problemet. I tillegg til å være svært fleksibel, introduserer brukeren av maskinlæring evnen til å klassifisere fullstendig ukjente scenarier. Dette vil si at selv om klassifikatoren støter på et nytt scenario som den ikke har sett før, vil den prø-ve å forutse en status basert på den underliggende tidligere data. Det har blitt vist at disse forutsetningene ofte har en høy grad av sikkerhet med de rette treningsdata
[12] . En rekke klassifikatorer kan benyttes med den foreliggende oppfinnelse og den mest vanlige klassifikatoren fra hver av de tre klassifikatortilnærmingene: Naive Bayes fra den statistiske tilnærmingen, Quinlan's C4.5 fra maskinlæring og Multilayer Perception fra nevrale nettverk har blitt tes-tet. Resultatene viste en klar favoritt blant de testede klassifikatorne; Naive Bayes-algoritmen. På det testede regelsett og testtilfeller var Naive Bayes den raskeste og klart mest presise klassifikatoren. Det skal likevel bemer-kes at andre klassifikatorer kan bli brukt med den foreliggende oppfinnelse. Statistiske tilnærminger for klassifikasjon har generelt en eksplisitt underliggende sannsynlighetsmodell som tilveiebringer en sannsynlighet for at et tilfelle skal falle inn i hver klasse fremfor en rett-frem-klassifisering og blir kalt sannsynlighetsklassifikator. Bayesiske klassifikatorer er sannsynlighetsklassifikatorer basert på anvendelse av Bayes Theorem. En Bayesisk klassifikator har evnen til å forutse sannsynligheten for at et gitt tilfelle tilhører en bestemt klasse. Naive Bayes-klassifikatoren er basert på antagelsen om klassebetingelsesuavhengighet, dvs. verdiene av attributtene i et tilfelle er antatt å være uavhengig gitt klassen for tilfellet.
[13]. Dette betyr for eksempel at sannsynligheten for at en frukt som er rund, oransje, 10 cm i diameter, osv. vil være en appelsin som kan beregnes fra uavhengige sannsynligheter om at en frukt er rund, at den er oransje, at den er 10 cm i diameter.
La Ai til Ak være k forskjellige attributter med diskrete verdier brukt for å forutse en diskret klasse C. Gitt et tilfelle med de observerte attributtverdier ai til ak, så vil den optimale klasseprediksjonsverdien være c slik at P{ C = c\ Ax a ...a Ak = ak ) er maksimal. Nå, i henhold til Bayesisk teorem, sannsynligheten for denne ligningen tilsvarer
Generelt vil P kunne være beregningsmessig kostbar for å beregne P(A|Ci). For å forenkle dette, gjøres (naive)-antagelsen om klassebetingelsesuavhengighet. Antagelsen for dette gjør det mulig for oss å skrive
Dette angir at produktet for sannsynligheten for hver av attributtverdiene for X for den gitte klassen Ci. Nå, for å klassifisere et tilfelle, vil en ganske enkelt kunne gå gjennom alle forskjellige klasser og sammenligne P(C|A)-beregning. Denne klassifikatoren er kjent som Naive Bayes klassifikator. Det kan vises at Naive Bayesiske klassifikator har en treningstid på 0 ( nk) hvor n er antallet tilfeller og k er antallet attributter. Denne tidskompleksiteten er optimal ([21]) og hver læringsalgoritme som går gjennom hver attributtverdi for hvert treningstilfelle må ha samme eller dårligere kompleksitet.
En oversikt over dette systemet i henhold til en eksempel-utførelse for den foreliggende oppfinnelse kan ses i fig. 5 og omfatter tre hovedkomponenter: Terminaler, en CACM-tjener (CACMS) og en brukerdatabase (User Database, DU).
CACMSen er hjertet av CACM-systemet og kan ses i fig. 6. CACM-tjeneren er en enhet dedikert til kontinuerlig over-våkning av alle brukerne registrert innenfor systemet.
CACM-tjeneren består av (i det minste) to moduler, UserContextAggregator (UCA) og UserDevicePolicy (UDP). Det er i disse to modulene mye av funksjonaliteten til systemet er plassert. En systemkontrollenhet blir brukt for å kontrollere systemet.
Inngang til CACM-tjeneren er data fra forskjellige typer av konteksttilbydere eller kontekstfølere. Konteksttilbydere som diskutert over kan for eksempel være: UserAgenda, UserLocation og UserPresence.
UCA nevnt over har til oppgave å bestemme hvilke aggregert nærvær som skal bli valgt ved å eksaminere tilgjengelig kontekstinformasjon. Dette blir gjort ved bruk av overvåket læringsklassifikator (for eksempel Naive Bayes) som har blitt opplært ved et gitt regelsett. Regelsettet kan være et kompositt av både et forhåndsbestemt og personlig regelsett og kan editeres og rekonfigureres av både en sentral autoritet og brukeren selv.
UCAens hovedoppførsel kan ses i tilstandsmaskinskjemaet i fig. 7 og fig. 10. Treets viktigste overganger er vist i fig. 7, mens de mindre viktige er vist i fig. 10. Først og fremst kan en se at RegisterContext-signalet blir mottatt. Dette signalet blir sendt til UCA fra en UCP og inneholder navnet på kontekstdata så vel som en ArrayList av streng-valg som UCPen kan kunne ta. UCA vil legge dette som en at-tributt til den implementerte klassifikatoren og bygge en ny klassifikatormodell. Det nest viktigste signalet er UpdateContext-signalet som også er vist i MSC i fig. 8. Dette blir også sendt til UCA fra en UCP. Signalet signaliserer en endring i UCPen. Dette kan for eksempel være en endring i lokasjon, agenda, osv. UCAen vil prosessere endringen og sende den nye komplette kontekst inn til den implementerte klassifikatoren. Dersom det er en endring i klassifisert aggregert nærvær, vil en SendAggregatedPresence-signal bli sendt både til UCPen som sendte oppdateringen og til UDP. I tillegg til dette, dersom en melding kom fra en terminal (for eksempel kontortelefon som går fra "ledig" til "i anrop", eller en mobil som går fra "normal" til "stille"), så vil den nye statuslisten for anordningene også bli sendt til UDP. Dette for å sikre at UDP alltid har en oppdatert liste over brukernes anordninger og deres statuser.
Det tredje og det siste av de uthevede triggesignalene er SetContextRule, hvis signalruting blir vist i fig. 9. Dette signalet inneholder en treningsregel (tilfelle) for klassifikatoren, dvs. aggregerte nærvær og leverte kontekstbe-tingelser, for eksempel " aqqreqate presence shall be busy when agenda context data provider signals an appointment". UCAen vil ta hensyn til den nye regelen og bygge en ny klassifikator basert på dens forskjellige kontekstregler. Dersom den nye klassifikatormodellen klassifiserer den nåværende kontekst til en ny aggregert nærværsklasse, så vil SendAggregatedPresence bli sendt til UDPen.
De to enkle triggersignalene i fig. 10 er GetContextlndex og GetContextRules. Det siste sender ut alle tilgjengelige kontekstregler mens den første sender ut en liste av tilgjengelige UCPer og deres tilgjengelige strengevalg.
UserDevicePolicy (UDP)-modulen inneholder informasjon om de tilgjengelige terminaler og en prioritering blant disse i henhold til en politikk basert på brukerens aggregerte nærvær. Som et ikke-begrensende eksempel, basert på priorite-ringsskala i IETFs PIDF-standard, vil denne prioriteringen være basert på en skala fra 0 til 1 med intervaller på 0,1. UDP-tilstandsmaskinen kan ses i fig. 11. UDP mottar en vi-deresendt RegisterTerminal-melding fra CACMS når en ny terminal registrerer seg hos CACMS. Terminalen er gitt en prioritet på 1,0 og plasser i en liste av mulige kontaktanord-ninger.
SetDevicePolicy-signalet er typisk sendt av en kontrollapp-likasjon som vist i fig. 12 og inneholder et gitt aggregert nærvær og en prioriteringsterminalliste for de tilveiebrak-te aggregerte nærvær. UDP sender et bekreftelsessignal med den oppdaterte politikklisten tilbake til avsender og pias-serer den nye politikken inn i sitt register. Dersom den nye politikken dreier seg om den nåværende aggregerte nærvær, blir den umiddelbart plassert i handling og et Upda-teUSer-signal blir sendt til User-databasen.
En SendAggregatedPresence-melding kommer fra den assosierte UCA som vist i fig. 13 og inneholder det nye aggregerte nærværet som klassifisert av UCAen. Dette trigger en endring i den nåværende anordningspolitikken som blir endret. Om ingen passende politikk finnes, vil alle terminalene bli gitt en forhåndsbestemt prioritet på 1,0. Den nye informasjonen blir så sendt til User-databasen ved å sende et Up-dateUser-signal.
SendTerminalStatusList er et signal som inneholder statusen for alle brukernes terminaler. Det blir sendt fra UCA som vist i fig. 7. Denne nye listen blir satt inn i registeret og User-databasen varsles om endringen gjennom sending av et UpdateContext-signal.
Til slutt trigger UDPen også ved mottak av et GetDevicePo-licies-signal. I dette tilfellet vil UDP ganske enkelt sende brukerens komplette liste over anordningspolitikk og prioriteringer til signalets avsender.
En UserContextProviders (UCP) (UserAgenda, UserLocation, UserPresence, etc.) tilveiebringer noen grad av kontekstdata til UCA. Dette kan for eksempel være brukerens agenda-status (i et møte), stedsinformasjon (møterom A), mobiltelefon ("stille"), osv. Ved oppstart vil UCP registrere seg hos UCA ved å sende RegisterContext-signal som inneholder navnet på kontekstdata så vel som en ArrayList av strengevalg som UCP kan ta. Disse strengevalgene representerer de forskjellige tilstandene kontekstdataene kan ha, for eksempel en anordningsstausindikator kan ha strengevalget "ledig", "i et anrop" og "offline". En UCP kan velge å bli implementert enten som en poll eller push-strategi for å avfølge endringer i kontekstmiljøet. Hvilken strategi som er optimal vil variere med de forskjellige kontekstfølere.
Den generiske UCP-tilstandsmaskinen kan finnes i fig. 15, der de fundamentale overganger og signaler blir vist. Ved oppstart vil UCP sende en RegisterContext til UCAen. Når en bekreftelse fra UCAen blir mottatt, vil UCP gå inn i en dvaletilstand (idle state) og vil være i denne tilstanden resten av sin levetid. Den viste spesifikasjonen er en push-løsning der UCP sender inn en hvilken som helst endring i kontekstdataparameteret når de oppstår. UCP registrerer den nye verdien og sender en UpdateContext-melding til UCA. I en poll-løsning vil et timer-signal bli brukt og UCP vil så sjekke for en hvilken som helst endring i kon-tekstdataparameterverdiene på forhåndsdefinerte tidsintervaller .
User-databasen er en database inneholdende dataposter for alle brukere registrert i CACMen og deres nåværende prioriteringsliste for kommunikasjonsanordningen. Alle brukerne kan i det virkelige liv ta del i flere samfunn (communi-ties), for eksempel hans/hennes firma, familie, venner etc. Brukerdatabasen kan også tjene som en gruppeoppbevaring for kontakt og kontekstinformasjon.
Som nevnt har brukerdatabasen det formål å samle inn og lagre data fra UDPen. Dette består av informasjon om hvordan en kan kontakte en bruker (dvs. informasjon om tilgjengelige terminaler og prioriteringer blant disse) så vel som informasjon om en brukers aggregerte nærvær og kontekst. Det er fra Userdatabasen informasjon blir hentet når kontekstavhengig kontaktstyrer (context aware contact manager) i henhold til en utførelsesform for den foreliggende oppfinnelse blir generert ved en brukers grensesnitt. Bru-kerdatabasens tilstandsmaskin kan ses i fig. 16.
Brukerdatabasen mottar tre signaler: RegisterUser fra CACMS, UpdataUser fra UDPer og GetGroupUsers fra applika-sjonsbrukere av GD-tjenester. RegisterUser-signalene kommer fra CACMS når nye brukere blir lagt til systemet. Nye brukere blir så lagt til brukerdatabaseadresselisten og med-lemsskap til databasen blir sikret.
Når det er en endring i brukeres aggregerte nærvær, vil en UpdatUser-melding bli sendt fra den assosierte UDP til UserDatabase. Dette inneholder brukerens nye aggregerte nærvær, og ny prioriteringsliste for tilgjengelige kontakt-terminaler. Informasjonen blir lagret i brukerens database tilveiebrakt på forespørsel til forespørrende anordninger eller applikasjoner.
Det siste signalet i brukerdatabasetilstandsmaskinen er GetGroupUsers. Dette blir sendt fra en hvilken som helst applikasjon som ønsker å aksessere den siste informasjonen om gruppebrukere. GD responderer med et SendGroupUsers-signal som inneholder en HashMappe for de forskjellige brukere, deres terminaler, kontaktprioriteringer og siste registrerte kontekst.
I en annen utførelsesform for den foreliggende oppfinnelse er onlinekontaktstyreren synkronisert, enten regulært eller på forespørsel med brukernes private eller brukernes dedi-kerte kontaktstyrer, enten på en tjener eller på brukerens utstyr, så som en PC eller en mobiltelefon. Så snart brukeren er online, vil nærværsstatusinformasjon kunne bli oppdatert. Slik nærværsinformasjon kan også bli lagt til navn eller adresser, eller telefonnumre presentert i andre applikasjoner, for eksempel som Microsoft gjør med sitt pro-dukt "Live Communication Server" som tilveiebringer nær-værsinf ormas j on i sine applikasjoner, så som MS Office inkludert Outlook. Nåværende systemer for kontakthåndtering integrerer med filkatalogtjenester, såp som Active Directo-ry, LDAP, X.500 og RADIUS-baserte autentiseringstjenester, så som Microsofts IAS. Disse tjenestene gir administratoren mulighet til å kontrollere brukerantall og privileger og tillater brukeren å dele en sentral kontaktliste på tvers av organisasjoner.
Alle trekkene beskrevet ovenfor kan gjennomføres i datamaskinprogramvare av en fagmann på området.
Bruk av overvåket læring (supervised learning) i UCA mulig-gjør at CACM ikke er utelukkende avhengig av en hvilken som helst bestemt kontekstdataføler, men har i stedet evnen til å tilpasse seg til et stadig endrende miljø. Med den for-ventede eksplosjon av kontekstfølere i området, så som al-lestedsnærværende beregning (ubiquitous computing)[5], vil denne evnen til å tilpasse seg bli stadig viktigere i frem-tidige kontekstavhengige systemer. Den tilpasningsdyktige naturen for UCA kan ses å gi systemet en form for kunstig intelligens (AI) [14], [15]. Denne AI gir systemet en evne til å generalisere på scenarier som også er spesielt nytti-ge i det virkelige liv-implementeringen der læringstilfel-ler kan komme fra personlig læreanordninger som automatisk avføler (auto-sense) den nåværende kontekst.
Overvåket læring kan også bli brukt direkte i andre reson-nementsdeler for framtidige kontekstavhengige systemer. Et eksempel på en slik applikasjon kan være matanbefalingspro-gramvare som kan generalisere for spisevanene for en person basert på tidspunktet på dagen, tilgjengelige valg osv.
For å konstruere en kontekstdatasensor og introdusere dette i klassifiseringssystemet, vil en bare måtte følge den ge-nerelle strukturen som forklart over. UCP vil registrere seg selv med UCA og umiddelbart være tilgjengelig for nye regeltilfeller. Denne dynamiske oppførelsen har følge forbi CACM-systernet, men kan bli brukt i mange kontekstavhengige systemer.
I tillegg til å være i stand til å konstruere svært flek-sible regelsett og klassifikasjonssystemer, vil bruken av overvåket læring også introdusere evnen til å klassifisere fullstendig ukjente scenarier. Dette betyr at selv om klassifikatoren møter på nye scenarier som den ikke har sett før, vil den forsøke å forutse en status basert på underliggende tidligere data. Det har blitt vist at disse pre-diksjoner ofte har en høy grad av nøyaktighet med de rette treningsdata [12].
[1] Schilit, B. og Theimer, M. "Disseminating active map information to mobile hosts", IEEE Network, vol. 8, sider 22-32, oktober 1994
[2] Peddemors, A.J.H., Lankhorst, M.M., de Heer, J., "Com-bining presence, location and instant messaging in a context aware mobile application framework", Project GigaMobile, 2002
[3] Milewski, A.E., Smith, T.M, "Providing Presence Cues to Telephone Users", Proceedings of the ACM Conference on Computer Supported Cooperative Work (CSCW 2000), sider 89-96, 2000
[4] Horvitz, E., Koch, P., Kadie, C.M., Jacobs, A., "Coor-dinate Probabilistic Forecasting of Presence and Availability", Eighteenth Conference on Uncertainty in Artificial Intelligence, August 2002
[5] Chen, H.L., "An Intelligent Broker Architecture for Pervasive Context-Aware Systems", Doctoral thesis, 2004
[6] Dey, A. and Abowd, Gl, "Towards a better understanding of context and context-awareness", GVU Technical Re-port, juni 1999
[7] Peterson, J., "A Presence-based GEOPRIV Location Ob-ject Format", GEOPRIV WG, Internet-Draft, 9. septem-ber, 2004
[8] Schulzrinne, H., Gurbani, V., Kyzivat, P., Rosenberg, J., "RPID: Rich Presence Extensions to the Presence Information Data Format (PIDF)", SIMPLE, Internet-Draft, 15. juli 2005
[9] Schilit, B. og Theimer, M. "Disseminating active map information to mobile hosts", IEEE Network, vol. 8, sider 22-32, oktober 1994
[10] Sugano, H., Fujimoto, S., Klyne, G., Bateman, A., Carr, W., Peterson, J., "Presence Information Data Format (PIDF)", IETF Network Working Group, RFC 3863
[11] Rosenberg, J., "A Data Model for Presence", SIMPLE, Internet-Draft, 23. august 2005
[12] Mitchell, T.M., "Machine learning", McGraw Hill, 1997
[13] Elkan, C, "Naive Bayesian Learning", Harvard University, 1997
[14] Michie, D., Spiegelhalter D.J., Taylor, CC, "Machine Learning, Neural and Statistical Classification", Ellis Horwood, 1994
[15] Nilsson, N.J., "Introduction to Machine learning", Stanford University, desember 1996

Claims (19)

1. Et online kontakthåndteringssystem for å gi en bruker kontaktinformasjon til en forespørselsenhet eller applikasjon, der nevnte system omfatter: en systemstyringsenhet; en kontekstaggregator operativt forbundet til nevnte styringsenhet, der nevnte kontekstaggregator er konfigurert for: på forhåndsdefinerte hendelser å motta kontekstinformasjon om en bruker fra to eller flere kontekstavfølere; beregne en aggregert nærværsstatus for nevnte bruker basert på nevnte mottatte kontekst informasjon, der en klassifikasjonsalgoritme blir brukt for å beregne nevnte aggregerte nærværsstatus, en brukerdatabase operativt koblet til nevnte kontrollenhet, hvor nevnte brukerdatabase er konfigurert til å lagre brukerinformasjon for et flertall av brukere, hvor nevnte brukerinformasjon består av i det minste et brukernavn, nevnte aggregerte nærværsstatus, tilgjengelige kommunikasjons terminaler og deres prioritet, hvor nevnte tilgjengelige terminaler og deres prioritet er en funksjon av nevnte aggregerte nærværsstatus; nevnte systemkontrollenhet er konfigurert til, på forespørsel å distribuere i det minste deler av nevnte brukerinformasjon fra nevnte brukerdatabase til nevnte forespørselsenhet eller applikasjon.
2. System i henhold til krav 1, der nevnte klassifikasjonsalgoritme er en overvåket opplæringsklassifikator.
3. System i henhold til et av de foregående kravene, der nevnte kontekstaggregator videre er konfigurert for å motta et treningssett fra nevnte bruker.
4. System i henhold til krav 1, der nevnte forhåndsdefinerte hendelse består av når kontekstinformasjon i en eller flere av kontekstavfølerne endrer, eller på forhåndsdefinerte tidsintervaller.
5. System i henhold til et av de foregående kravene videre omfatter en politikkenhet konfigurert til: å motta en brukerbrukerdefinert politikk, der nevnte brukerdefinerte politikk definerer i det minste et sett av kommunikasjonsterminaler tilgjengelige til brukeren og deres respektive prioritetsverdi for hver mulige aggregerte nærværsstatus; og lagre nevnte brukerdefinerte politikk som et datasett i et internregister, der nevnte datasett inneholder en post for hver nevnte mulige aggregerte nærværsstatus, definere nevnte prioritetsverdi for hver nevnte kommunikasjonsanordning.
6. System i henhold til krav 5 som videre omfatter nevnte politikkenhet som ytterligere er konfigurert til å omdefinere nevnte brukerpolitikk ved forhåndsdefinerte hendelser.
7. System i henhold til krav 6 som videre omfatter nevnte forhåndsdefinerte hendelse bestående av når en ny politikk er innsendt av brukeren, eller når en ny kommunikasjonsanordning er registrert for nevnte bruker.
8. System i henhold til et av kravene 5-7, der en endring i en brukers kontekstinformasjon resulterer i en ny aggregert nærværsstatus, nevnte systemstyringsenhet er konfigurert til få nevnte post korresponderende til nevnte nye aggregerte nærværsstatus fra nevnte politikkenhet, lagre i det minste aggregert nærværsstatus og nevnte post i brukerdatabasen.
9. System i henhold til et av de foregående kravene, der nevnte systemstyringsenhet videre er konfigurert til å på forespørsel å innhente brukerinformasjon om en bruker fra nevnte brukerdatabase, nevnte brukerinformasjon består av i det minste aggregert nærværsstatus, tilgjengelige kommunikasjonsanordninger og deres prioritet.
10. System i henhold til et av de foregående kravene, der nevnte forespørselsenhet eller applikasjon er en telefonbokapplikasjon som befinner seg på en brukerterminal.
11. Fremgangsmåte for å gi nærværsbasert brukerkontaktinformasjon til en forespørselsenhet eller applikasjon, bestående av trinnene, på forhåndsdefinerte hendelser, å motta kontekstinformasjon om en bruker fra to eller flere kontekstavfølere; beregne en aggregert nærværsstatus for nevnte bruker basert på nevnte mottatte kontekstinformasjon, der en klassifikasjonsalgoritme blir brukt for å beregne nevnte aggregerte nærværsstatus, lagre brukerinformasjon for et flertall av brukere, nevnte brukerinformasjon består av i det minste et brukernavn, nevnte aggregerte nærværsstatus, tilgjengelige kommunikasjonsterminaler og deres prioritet, hvor nevnte tilgjengelige terminaler og deres prioritet er en funksjon av nevnte aggregerte nærværsstatus, distribuere, på forespørsel, i det minste deler av nevnte brukerinformasjon fra nevnte brukerdatabase til nevnte forespørselsenhet eller applikasjon.
12. Fremgangsmåte i henhold til krav 11, der nevnte klassifikasjonsalgoritme er en overvåket opplæringsklassifikator.
13. Fremgangsmåte i henhold til et av kravene 11-12, hvor nevnte metode videre består av trinnene, forsyne i det minste et treningssett fra hver bruker for trening av nevnte kontekstaggregator.
14. Fremgangsmåte i henhold til krav 11, der nevnte forhåndsdefinerte hendelse består av når kontekstinformasjon i en eller flere av kontekstavfølerne endres, eller på forhåndsdefinerte tidsintervaller.
15. Fremgangsmåte i henhold til kravene 11-14 videre omfatter trinnene; å motta en brukerdefinert politikk ved en politikkenhet, der nevnte brukerdefinerte politikk definerer i det minste et sett av kommunikasjonsanordninger tilgjengelige til brukeren og deres respektive prioritetsverdier for hver mulige aggregerte nærværsstatus; og å lagre nevnte brukerdefinerte politikk som et datasett i et internregister for en politikkenhet, der nevnte datasett inneholder en post for hver nevnte mulige aggregerte nærværsstatus, som definerer nevnte prioritetsverdi for hver nevnte kommunikasjonsanordning.
16. Fremgangsmåte i henhold til krav 15 videre omfatter trinnene, redefinere nevnte bruker politikk hvis i det minste en av de følgende hendelsene forekommer; en ny politikk er innsendt av brukeren, eller en ny kommunikasjonsanordning er registrert for nevnte bruker.
17. Fremgangsmåte i henhold til krav 11-16, der endring i en brukers kontekstinformasjon resulterer i en ny aggregert nærværsstatus, få nevnte post korresponderende til nevnte nye aggregerte nærværsstatus fra nevnte politikkenhet, lagre i det minste ny aggregert nærværsstatus og nevnte post brukerbrukerdatabasen
18. Datamaskinprogramvare for å bestemme en nærværsstatus for en bruker, der nevnte programvare omfatter, en kontekstaggregator konfigurert for på forhåndsdefinerte hendelser å motta kontekstinformasjon om en bruker fra to eller flere kontekstavfølere; beregne an aggregert nærværsstatus for nevnte bruker basert på nevnte mottatte kontekstinformasjon, der en klassifikasjonsalgoritme blir brukt til å beregne nevnte aggregerte nærværsstatus, en brukerdatabase operativt koblet til nevnte kontrollenhet, hvor nevnte brukerdatabase er konfigurert til å lagre brukerinformasjon for et flertall av brukere, hvor nevnte brukerinformasjon består av i det minste et brukernavn, nevnte aggregerte nærværsstatus, tilgjengelige kommunikasjons terminaler og deres prioritet, hvor nevnte tilgjengelige terminaler og deres prioritet er en funksjon av nevnte aggregerte nærværsstatus; nevnte systemkontrollenhet er konfigurert til, på forespørsel å distribuere i det minste deler av nevnte brukerinformasjon fra nevnte brukerdatabase til nevnte forespørselsenhet eller applikasjon.
19. Datamaskinprogramvare for å bestemme en nærværsstatus for en bruker i henhold til krav 18, der nevnte programvare omfatter alle trekk som definert av kravene 2-10.
NO20055831A 2005-12-08 2005-12-08 Kontekstavhengig telefonbok NO326644B1 (no)

Priority Applications (4)

Application Number Priority Date Filing Date Title
NO20055831A NO326644B1 (no) 2005-12-08 2005-12-08 Kontekstavhengig telefonbok
EP06835718A EP1960951A4 (en) 2005-12-08 2006-12-08 CONTENT OF THE TELEPHONE BOOK
PCT/NO2006/000474 WO2007067075A2 (en) 2005-12-08 2006-12-08 Context aware phonebook
US12/096,671 US8694517B2 (en) 2005-12-08 2006-12-08 Context aware phonebook

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
NO20055831A NO326644B1 (no) 2005-12-08 2005-12-08 Kontekstavhengig telefonbok

Publications (2)

Publication Number Publication Date
NO20055831D0 NO20055831D0 (no) 2005-12-08
NO326644B1 true NO326644B1 (no) 2009-01-26

Family

ID=35539184

Family Applications (1)

Application Number Title Priority Date Filing Date
NO20055831A NO326644B1 (no) 2005-12-08 2005-12-08 Kontekstavhengig telefonbok

Country Status (4)

Country Link
US (1) US8694517B2 (no)
EP (1) EP1960951A4 (no)
NO (1) NO326644B1 (no)
WO (1) WO2007067075A2 (no)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8612522B1 (en) * 2003-11-26 2013-12-17 Apple Inc. System and method for allowing an orginating user to use contact information in a prioritized list to contact a destination user
US20080304648A1 (en) * 2007-06-11 2008-12-11 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Context identifying aspects
US20080304512A1 (en) * 2007-06-11 2008-12-11 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Context associating for context designated destination communication system
US20080305806A1 (en) * 2007-06-11 2008-12-11 Searete Llc, A Limited Liability Corporation Of The Sate Of Delaware Context associating aspects
US20080313335A1 (en) * 2007-06-15 2008-12-18 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Communicator establishing aspects with context identifying
US8369505B2 (en) 2010-04-14 2013-02-05 Research In Motion Limited Call access management
US8792862B1 (en) * 2011-03-31 2014-07-29 Emc Corporation Providing enhanced security for wireless telecommunications devices
US8447288B2 (en) 2011-05-24 2013-05-21 Motorola Solutions, Inc. Method and apparatus for dynamically updating an address book when a mobile device roams from one network to another
US20130060587A1 (en) * 2011-09-02 2013-03-07 International Business Machines Corporation Determining best time to reach customers in a multi-channel world ensuring right party contact and increasing interaction likelihood
US20130218993A1 (en) * 2012-02-20 2013-08-22 Avaya Inc. Contextual presence in collaborative systems
FR2988547A1 (fr) * 2012-03-26 2013-09-27 France Telecom Procede et systeme de notification, a un utilisateur d'un terminal, de donnees contextuelles a des elements identifies dans une application de type repertoire
US9710793B2 (en) * 2013-02-20 2017-07-18 International Business Machines Corporation Associating a meeting room with a meeting
US10306000B1 (en) 2014-03-31 2019-05-28 Ribbon Communications Operating Company, Inc. Methods and apparatus for generating, aggregating and/or distributing presence information
US10044774B1 (en) 2014-03-31 2018-08-07 Sonus Networks, Inc. Methods and apparatus for aggregating and distributing presence information
US9398107B1 (en) * 2014-03-31 2016-07-19 Sonus Networks, Inc. Methods and apparatus for aggregating and distributing contact and presence information
US9591143B2 (en) 2014-06-11 2017-03-07 Koninklijke Philips N.V. Mobile communication device connectable to a vital sign monitoring system
US10657135B2 (en) 2015-09-30 2020-05-19 International Business Machines Corporation Smart tuple resource estimation
US10733209B2 (en) 2015-09-30 2020-08-04 International Business Machines Corporation Smart tuple dynamic grouping of tuples
US10558670B2 (en) 2015-09-30 2020-02-11 International Business Machines Corporation Smart tuple condition-based operation performance
US10296620B2 (en) * 2015-09-30 2019-05-21 International Business Machines Corporation Smart tuple stream alteration
US10567532B2 (en) 2016-10-03 2020-02-18 Microsoft Technology Licensing, Llc Contact availability prediction
US11463577B2 (en) 2017-12-05 2022-10-04 Samsung Electronics Co., Ltd. Method and apparatus for providing communication availability of users
CN111210824B (zh) * 2018-11-21 2023-04-07 深圳绿米联创科技有限公司 语音信息处理方法、装置、电子设备及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7844055B2 (en) * 2001-06-26 2010-11-30 Link Us All, Llc Detecting and transporting dynamic presence information over a wireless and wireline communications network
US7493369B2 (en) * 2001-06-28 2009-02-17 Microsoft Corporation Composable presence and availability services
US7233933B2 (en) * 2001-06-28 2007-06-19 Microsoft Corporation Methods and architecture for cross-device activity monitoring, reasoning, and visualization for providing status and forecasts of a users' presence and availability
GB0218713D0 (en) 2002-08-12 2002-09-18 Mitel Knowledge Corp Architecture and Implementation for control of context aware call processing with local feature definition
US7555108B2 (en) * 2002-10-01 2009-06-30 Nortel Networks Limited Presence information for telephony users
US7925246B2 (en) * 2002-12-11 2011-04-12 Leader Technologies, Inc. Radio/telephony interoperability system
CA2530669C (en) 2003-06-27 2012-09-11 Nokia Corporation Customisation of an electronic device
EP1661425B1 (en) 2003-09-05 2007-11-14 NTT DoCoMo, Inc. Mobility management in mobile networks based on context information
US7831679B2 (en) * 2003-10-15 2010-11-09 Microsoft Corporation Guiding sensing and preferences for context-sensitive services
JP4544417B2 (ja) * 2005-01-06 2010-09-15 日本電気株式会社 リスト管理サーバ、リスト管理システム、リスト管理方法およびプログラム

Also Published As

Publication number Publication date
NO20055831D0 (no) 2005-12-08
EP1960951A1 (en) 2008-08-27
WO2007067075A2 (en) 2007-06-14
US8694517B2 (en) 2014-04-08
EP1960951A4 (en) 2011-05-18
US20090150441A1 (en) 2009-06-11

Similar Documents

Publication Publication Date Title
US8694517B2 (en) Context aware phonebook
US11128979B2 (en) Inferring user availability for a communication
US10719535B2 (en) Single device with multiple personas
US6968052B2 (en) Method and apparatus for creating a presence monitoring contact list with dynamic membership
US8892658B2 (en) Break-through mechanism for personas associated with a single device
US7801954B2 (en) Method and system for providing expanded presence information when a user is offline
US8301169B2 (en) System and method for providing time zone as instant messaging presence
US9672270B2 (en) Systems and methods for aggregation, correlation, display and analysis of personal communication messaging and event-based planning
JP4191412B2 (ja) コミュニケーションのための優先手段を、参加者のプリファレンスとコンテキストに基づいて特定し、確立するためのシステムおよび方法
RU2523164C2 (ru) Обмен сообщениями по принципу when-free
EP1271371A2 (en) Methods for and applications of learning and inferring the periods of time until people are available or unavailable for different forms of communication, collaboration, and information access
US20080183814A1 (en) Representing online presence for groups
US20080263158A1 (en) Method and Apparatus for Instant Messaging
US8954511B2 (en) System and method for collecting and presenting records in a journal on an electronic device
Khalil et al. Improving cell phone awareness by using calendar information
WO2010075779A1 (zh) 邮件自动回复方法、装置及系统
US20150120829A1 (en) Context based communication management
CN106664335B (zh) 用于管理呼叫日志的方法、为此目的的设备、计算机程序和软件产品
WO2011001291A2 (en) Method and apparatus for managing interpersonal communications
Danninger et al. MyConnector: analysis of context cues to predict human availability for communication
US20100159903A1 (en) Personalized mobile data enhancement
CA2566782C (en) System and method for collecting and presenting records in a journal on an electronic device
Phithakkitnukoon et al. Towards ubiquitous computing with call prediction
Danninger et al. The connector service-predicting availability in mobile contexts
Knox et al. Towards Scatterbox: a context-aware message forwarding platform

Legal Events

Date Code Title Description
CREP Change of representative

Representative=s name: ONSAGERS AS, POSTBOKS 6963 ST OLAVS PLASS, 0130 OS

MM1K Lapsed by not paying the annual fees