TW201636914A - 行事曆主動推薦事件之方法 - Google Patents

Abstract

本發明一種行事曆主動推薦事件之方法，係應用於行事曆服務系統上提供一個自動分析與推薦行事曆事件的方法，行事曆系統中的模組利用行事曆資料庫中已發生之行事曆事件資料，藉由自動分析歷史事件再將結果排序，並依據排序結果主動選擇推薦給使用者，若使用者決定接受該推薦之事件時，將推薦之接受結果反饋給並儲存於行事曆資料庫，旨在使推薦予使用者的事件比傳統分析外部資料的方法更具有準確性方便性。

Description

行事曆主動推薦事件之方法

本發明係屬個人資訊管理行事曆之技術方法，特別為一種根據行事曆中的歷史事件自動推薦使用者建立未來事件之方法。

隨著社會變化使現代人生活逐漸忙碌，人類於生活中對資訊科技之方便性與自動性的依賴度逐漸上升，個人資訊管理之行事曆即是一種被廣泛應用於記錄與提醒使用者重要事項的資訊科技工具。先前技術中已有數種電子行事曆之相關專利與技術方法，但該些專利主要聚焦於行事曆事件的事件輸入與提醒方式，例如美國專利第8363943B2號「電子裝置上之行事曆應用程式生成資料方法」(Forming information for the calendar application of an electronic device)提供了一種經由影像辨識輸入行事曆事件的方法，台灣專利第I351866號「建立電子行事曆之介面、系統及其方法」則建立了友善的使用者操作畫面以便使用者快速操作及輸入行事曆事件和台灣專利第I279695號「從自然語言電子郵件萃 取安排計劃資訊的方法與裝置」為一種經由剖析電子郵件內容產生行事曆事件的方法，可以得知該些專利之目的均為加速使用者輸入行事曆事件的時間或為加廣行事曆事件輸入的方式。

從技術層面上來看，行事曆的事件大多為行事曆通過與使用者之互動被動產生，但仍有專利嘗試憑藉行事曆外部的資料源主動產生行事曆事件，例如前述之台灣專利第I279695號為將電子郵件內容透過自然語言分析自動產生未來可能行事曆事件的方法，目前並無專利方法採用通過行事曆內部資料源(即根據使用者已發生之行事曆歷史事件)自動推薦事件提供使用者輸入成為未來可能事件之方法。如從資料來源判斷資料之品質，外部來源之資料內容可能因格式或內容並不統一而具有無法預測性，行事曆系統乃進一步受影響產生誤判並自動加入錯誤的行事曆事件。

上述現有專利中行事曆服務加速行事曆事件的新增多為針對外部資料來源自動化剖析以判斷是否需要新增該資料至行事曆中，該類專利多對外部資料源的內容採用語意分析方法，依據機率模型做出判斷後再根據設定之臨界值自動產生未來行事曆事件，然而高臨界值設定將遺漏潛在可能事件，臨界值設定過低又可能產生大量誤判事件，導致使用者使用該種行事曆之難度增加致使其困擾。反而言之，針 對行事曆內部資料來源作為分析材料預告可能之未來事件的方法大為優於先前方法，因為已發生過的行事曆內部歷史事件為使用者過去建立之歷史事件，該些內部之歷史事件之間與外部電子郵件資料等相比對使用者的關聯性將高出許多。

本案發明人有鑒於該領域先前技術衍生之缺點，將傳統行事曆事件產生方法加以改良創新發想出本發明，係為一種將行事曆內歷史事件發生之時間與頻率通過統計分析以取得排序之行事曆推薦事件並將其供使用者參考新增未來事件方法。

本發明為一種行事曆內部根據使用者已發生之行事曆事件，經過計算規則產生推薦資料並自動推薦使用者以建立未來事件之方法。

本發明之目的在於提供一種根據使用者已發生之行事曆事件，經過計算規則自動推薦成為使用者未來事件之方法，其至少包含以下步驟：掃描取得所有行事曆事件；找出符合條件之歷史事件作為初步事件；依事件時間參數計算各初步事件之推薦分數；依推薦分數與另一加權值計算出加權推薦分數；將初步事件依加權推薦分數排序； 依排序結果列出推薦事件於使用者介面；以及待使用者於該使用者介面選擇想要之事件後將該想要之事件紀錄於行事曆資料庫。

本發明係一種行事曆主動推薦事件之方法，其中包含有數個模組之訊息傳遞，其包含如下列詳細步驟：於一行事曆系統內設置一行事曆資料庫，該行事曆系統內一擷取模組將自該行事曆資料庫擷取一初步資料再將該初步資料傳輸至該行事曆系統內之一計算分析模組，該計算分析模組將該初步資料通過計算規則產生一分析資料並將該分析資料傳輸至該行事曆系統內之另一排序模組，而後該排序模組將該分析資料排序產生一排序資料然後將該排序資料傳輸至該行事曆系統內之一推薦模組，該推薦模組將該排序資料通過推薦規則產生一推薦資料，至此推薦資料之計算程序完成。

本發明計算程序後之模組間訊息傳遞步驟更包含：該推薦模組將該推薦資料傳輸至該行事曆系統內之一使用者介面模組而該使用者介面模組將會根據該推薦資料產生一推薦選項資料並且將該推薦選項資料傳輸至該行事曆系統外部之一使用者終端裝置。使用者於該使用者終端裝置上與該推薦介面資料互動之判斷選擇結果將可得到一推薦選擇資料，該使用者終端裝置將該推薦選擇資料傳輸回該行事曆系統內部之該使用者介面模組，該使用者介面模組將該推薦選 擇資料傳輸至該行事曆系統內之另一反饋模組進行處理後產生一推薦反饋資料，該反饋模組再將該反饋資料傳輸至該行事曆系統內之該行事曆資料庫進行儲存。

該擷取模組自該行事曆資料庫中擷取資料之方法為先對該行事曆資料庫中所有資料進行掃描，再根據一篩選條件擷取複數歷史事件來產生該初步資料，每筆歷史事件內都至少設有一提醒時間和一起始時間，該篩選條件係為將該行事曆資料庫中各該歷史事件之該提醒時間與該行事曆資料庫中各該歷史事件之起始時間通過計算產生一可能發生時間，該可能發生時間落於一特定區間之各該歷史事件皆會被選入該初步資料，該篩選條件可進一步為該歷史事件之起始時間再減去一特定時間之時間值或是該行事曆資料庫紀錄中之分類標籤為同群之歷史事件，以上為該擷取模組從該行事曆資料庫中擷取資料的方式。

該擷取模組更會將篩選出的初步資料加以分類，該擷取模組擷取出的該初步資料可能包含有分類標籤同群之歷史事件與無分類標籤之歷史事件，該擷取模組會將該初步資料中同群之歷史事件進行分群成為一群組歷史事件並將無分類標籤之歷史事件分類為一單獨歷史事件。

將篩選出之分群或單獨歷史事件計算分析之步驟包含：該計算分析模組首先將該初步資料通過計算產生一 推薦分數，單獨歷史事件之推薦分數計算方式為將其提醒時間除以該初步資料中各該單獨歷史事件之提醒時間中的最大值者作為其推薦分數，群組歷史事件之推薦分數計算方式為將該群組中各該歷史資料之起始時間的差值之標準差作為該群組歷史事件的推薦分數。於推薦分數計算完畢之後，該計算分析模組將該初步資料基於需要計算出一加權值後再將該推薦分數與該加權值計算得出另一加權推薦分數，該加權推薦分數與該初步資料結合後即產生該分析資料。

最後則為排序方法，該排序模組會將傳輸來之該分析資料內該初步資料之各該單獨歷史事件依據該加權推薦分數排序產生該排序資料，或是將各該群組歷史事件中該些同群之歷史事件根據該加權推薦分數按照統計標準差規則排序產生該排序資料。

綜合上述詳細步驟可知，本發明提供了一種依據使用者先前建立之歷史行事曆事件來自動推薦事件成為使用者建立未來事件之方法，藉由使用者的行事曆歷史事件掃瞄篩選出可能之初步事件，再透過時間參數和加權值得出加權推薦分數，在適時預先依加權推薦分數排序篩選出之歷史事件於使用者介面上並待使用者選取決定後，將該些事件建立為未來事件紀錄於行事曆資料庫以完成事件之推薦，本發明與先前技術相比將有以下優點：

1.本發明使用內部歷史事件資料為依據分析產生推薦事件，可以減少使用外部資料通過語言分析得出之事件相關性較低致產生錯誤判斷新增事件的問題。

2.使用者運用本發明之行事曆時，不須如先前技術之行事曆先設定臨界值等項目並於行事曆實際提醒事件後才明瞭該如何設定將可得到較佳之提示狀況，省去使用者不必要的困擾。

3.本發明經過內部歷史資料分析後產生之推薦事件結果可將人們生活中不斷重複或每年每月特定日子可能需要做的事於事前提醒，該些推薦結果實用性將會比外部不穩定資料來源更高。

4.運用本發明方法之行事曆將分析過後的推薦事件提示予使用者得到反饋資料之事件才加以儲存成為未來計畫，最後決定新增與否由使用者於一整理完畢之提醒介面判斷，只需花費很短時間便可再進一步降低系統本身誤判之機會。

101‧‧‧使用者終端裝置

102‧‧‧使用者介面模組

103‧‧‧推薦模組

104‧‧‧排序模組

105‧‧‧計算分析模組

1051‧‧‧雲端服務加權模組

1052‧‧‧個人服務使用紀錄

106‧‧‧擷取模組

107‧‧‧反饋模組

108‧‧‧行事曆資料庫

S201~S206‧‧‧步驟流程

301‧‧‧ID

302‧‧‧起始時間

303‧‧‧提醒時間

S401~S404‧‧‧步驟流程

501‧‧‧ID

502‧‧‧起始時間

503‧‧‧提醒時間

504‧‧‧推薦旗標

505‧‧‧參考ID

701‧‧‧ID

702‧‧‧主旨

703‧‧‧起始時間

704‧‧‧提醒時間

705‧‧‧推薦旗標

706‧‧‧參考ID

801‧‧‧ID

802‧‧‧查詢節目

803‧‧‧查詢時間

第1圖為本發明行事曆主動推薦事件之方法之行事曆推薦系統模組訊息傳遞架構圖；第2圖為本發明行事曆主動推薦事件之尋找推薦事件的方法流程圖。

第3圖為本發明行事曆主動推薦事件之方法之第一實施例行事曆實施例資料圖。

第4圖為本發明行事曆主動推薦事件之使用者判斷是否選用推薦事件的流程圖。

第5圖為本發明行事曆主動推薦事件之方法之第二實施例行事曆實施例資料圖。

第6圖為本發明行事曆主動推薦事件之方法之統計分析模組示意圖

第7圖為本發明行事曆主動推薦事件之方法之第三實施例行事曆實施例資料圖。

第8圖為本發明行事曆主動推薦事件之方法之第三實施例雲端節目查詢紀錄圖。

為了使本發明的目的、技術方案及優點更加清楚明白，下面結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，但並不用於限定本發明。

本發明提供一種根據使用者已發生之行事曆事件，自動推薦成為使用者未來事件之方法。

請一併參照第1圖至第3圖，為本發明之一實施例：實施例背景之使用者於去年結婚紀念日前二天於運用本 發明方法的電子行事曆中增加一筆買禮物送妻子之行程，並使用本發明之功能於新增事件後建立有一提醒時間，隨著一年日子逐漸過去，逼近結婚紀念日時使用者已忘記了這件事情，然而在使用者於例行確認行事曆的一天，行事曆主動提示使用者一年前於一接近今天的日子曾新增有一買禮物送妻子之事件，使用者因此重新記起結婚紀念日並將該事件再加入行事曆中，以避免可能發生之窘境。

如第1圖所示，為本實施例中行事曆主動推薦事件之方法的系統架構，包含：一使用者終端裝置101，一使用者介面模組102，一推薦模組103，一排序模組104，一計算分析模組105，一擷取模組106，一反饋模組107，一行事曆資料庫108。

如第2圖所示，本實施例行事曆主動推薦事件之方法之步驟方法，包含：步驟S201：開始；步驟S202：根據規則篩選歷史事件；步驟S203：根據規則計算事件推薦分數；步驟S204：將推薦事件排序；步驟S205：列出推薦事件；以及步驟S206：結束。

上述行事曆主動推薦事件之方法之步驟方法中， 步驟S202根據規則篩選歷史事件可參照第3圖所示之行事曆實施例資料，假設使用者登入並使用行事曆時日期為2013/7/29，擷取模組106會根據該日期找出符合下列條件的所有歷史事件，該條件公式如下：D _t =D _s' =(D _s -R)-1

該公式中D _t 代表登入時的日期、D _s' 代表根據計算過後的起始時間、D _s 代表起始時間、R代表提醒時間以及減去1乃因為設定系統於事件前1日提醒，而篩選條件公式的意義係起始時間減去提醒時間再減去1日計算出的日期須等於登入時間加上一年。計算步驟如下：

1.提醒時間303欄位的提醒時間值為0天且起始時間302欄位為一起始時間值為2012/7/30的事件，如第3圖該擷取模組106會將其起始時間302欄位值減去提醒欄位303欄位值的天數，仍然是2012/7/30，故篩選出ID 301欄位值等於1的該筆資料；

2.將提醒時間303欄位的提醒時間值大於0天之所有事件其起始時間302欄位值減去提醒欄位303欄位值的天數，餘下兩筆事件其運算結果皆為2012/7/30，故擷取模組106如第3圖找出ID 301欄位值為2、3的這兩筆資料。

3.擷取模組106合計於該行事曆資料庫108中篩選出如第3圖之第1~3筆歷史事件，即為一初步資料。

接續如步驟S203，則為該根據規則計算事件推薦分數，如第3圖所示，該計算分析模組105尋找出該初步資料提醒時間303欄位值之最大值是6，最大值之事件係ID 301欄位值為3的該筆事件；再來該計算分析模組105將計算該初步資料之推薦分數，係先將每個事件的提醒時間303欄位值除以上述步驟得出之最大值6後以百分比表示，計算推薦分數的公式如下：

S代表推薦分數值，x _i 代表第i個事件的提醒時間，max _i=1...N x _i 代表取得所有提醒時間的最大值。根據上述公式，計算第3圖中三筆事件之計算分數分別為：ID 301欄位值1的推薦分數0%、ID 301欄位值2的推薦分數33%、ID 301欄位值3的推薦分數100%。

再來為步驟S204該將推薦事件排序，接續上述實施例第3圖，該排序模組104會將初步資料依據分析資料中的推薦分數遞減排序，推薦分數值越大者代表推薦重要性越高，因此將該初步資料依照推薦分數遞減排序後所得結果係為：第一位為ID 301欄位值3的事件、第二位為ID 301欄位值2的事件、第三位為ID 301欄位值1的事件。

又其中使用者判斷於使用者終端裝置101上是否選用推薦介面資料的事件流程，如第4圖所示： 步驟S401系統列出推薦的事件；步驟S402使用者判斷事件是否需要；步驟S403使用者想要的事件新增至資料庫；以及步驟S404以及將使用者的決定記錄起來。

當使用者用使用者終端裝置101透過使用者介面模組102產生之推薦介面資料使用行事曆系統，其系統與使用者的互動流程如第1圖至第4圖所示，當步驟S201開始流程之後，步驟S202根據規則篩選歷史事件係透過行事曆系統內的擷取模組106從該行事曆資料庫108中擷取出初步資料，接著步驟S203根據規則計算事件推薦分數係通過計算分析模組105來完成，步驟S204將推薦事件排序為通過該排序模組104完成，而步驟S205列出推薦事件係將排序資料傳輸至該推薦模組103，最後是尋找推薦資料的流程之結束步驟S206。接著推薦模組103通過步驟S401列出推薦的事件傳輸推薦資料至使用者介面模組102，步驟S402使用者判斷事件是否需要，為使用者可根據需要自行判斷選取，若該推薦資料中的事件為使用者愈新增的事件則執行步驟S403將使用者想要的事件新增至資料庫，步驟S404為將使用者的決定記錄起來，係透過反饋模組107將使用者的決定記錄於行事曆資料庫108中。

請一併參照第1圖、第2圖和第5圖，為本發明 之另一實施例，實施例背景為一業務繁忙之使用者於過去兩年曾頻繁拜訪一位客戶五次，然而使用者直至今日已經過一段時間沒有記起這位客戶並再度拜訪，於使用者今日例行的行事曆確認時，該運用本發明的行事曆根據頻率提取使用者過去兩年內曾多次拜訪該位客戶的事件以提醒使用者，使用者記起此一客戶並加到行事曆中預定拜訪，及時幫助客戶眾多的使用者達成客戶關懷。

為本實施例中行事曆主動推薦事件之方法的系統架構同樣可參照第1圖，包含：一使用者終端裝置101，一使用者介面模組102，一推薦模組103，一排序模組104，一計算分析模組105，一擷取模組106，一反饋模組107，一行事曆資料庫108。

本實施例行事曆主動推薦事件之方法之步驟方法請同樣參照第2圖，包含下列步驟：步驟S201：開始；步驟S202：根據規則篩選歷史事件；步驟S203：根據規則計算事件推薦分數；步驟S204：將推薦事件排序；步驟S205：列出推薦事件；以及步驟S206：結束。

其中，步驟S202根據規則篩選歷史事件，可參 照第5圖之行事曆實施例資料，假設使用者登入之日期為2013/9/14，擷取模組106將根據以下步驟找出符合規則的所有歷史事件：1.將歷史資料中推薦旗標504欄位值為Y且參考ID505欄位值相同者分類為同一群，如第5圖所示，ID 501欄位值為1、2、3將被分類為第一群組歷史事件，ID 501欄位值為4、5、6者被分類為第二群組歷史事件；2.各群組歷史事件群按照各群組中每個事件的起始時間502欄位值時間由先到後之順序排序後再計算出群組中各歷史事件之間的間隔時間天數，計算間隔天數的公式如下：D _d =D _n -D _n-1

D _d 代表起始時間間隔天數的值，D _n 代表第n個事件的起始時間而D _n-1代表第n-1個事件的起始時間。如第5圖所示，依照上述步驟尋找出的第一群組歷史事件(ID 501欄位值為1、2、3之事件)中ID 501欄位值1和值2歷史事件之間的間隔天數為368天，值2和值3的歷史事件之間的間隔天數為393天；而第二群組歷史事件(ID 501欄位值為4、5、6的事件)當中ID 501欄位值4和值5事件之間的間隔天數為365天，值5和值6事件之間的間隔天數為367天；擷取模組106將再根據以下公式計算各群組中事件間隔時間的平均值：

代表間隔時間的平均值，x _i 代表第i個間隔天數，表示將所有間隔天數相加總，N代表群組內歷史資料總筆數。請參照第5圖，擷取模組106根據步驟計算出第一群組歷史事件平均時間間隔為380天，第二群組歷史事件平均時間間隔為366天，接著需要再計算各群組歷史事件的提醒時間503欄位之平均值，第一群組的提醒時間平均值為1天，第二群組的提醒時間平均值也為1天；然後推算出各群組的下一個頻率發生點，其規則為將每群組的最晚一筆歷史事件的起始時間502欄位，先加上該群組間隔時間的平均值，再減去該群組提醒時間的平均值後，結果值為2013/9/15者(也就是使用者登入日期2013/9/14的後一天)篩選成為候選群，可參照第5圖中之計算第一群組歷史事件(2012/9/1+380-1=2013/9/15)和第二群組歷史事件(2012/9/15+366-1=2013/9/15)乃因此被選為候選群，也就是初步資料。

接著進行步驟S203根據規則計算事件推薦分數，接續參照第5圖，計算分析模組105將計算各群組歷史事件的中每一歷史事件的時間間隔標準差，該計算標準差的公式如下所列：

SD代表標準差值，x _i 代表第i個間隔天數，代表間隔天數平均值，N表示各群組中所有歷史資料之總筆數，表示將所有間隔天數減去平均值的平方相加總。如第5圖之實施例，第一群組歷史事件的標準差值為12.5，第二群組歷史事件的標準差值為0。

請繼續參照第5圖，接續上步驟後是步驟S204將推薦事件排序，根據基本統計原理可得知樣本標準差值較小則樣本中變異的程度也會較小，因而將各群之標準差遞增排序，排序結果為第二群組歷史事件在前而第一群組歷史事件在後，排序模組104再將此結果傳輸至推薦模組103。

此後進入使用者判斷是否選用推薦的事件流程，請參照第4圖，包含：步驟S401系統列出推薦的事件；步驟S402使用者判斷事件是否需要；步驟S403使用者想要的事件新增至資料庫；以及步驟S404以及將使用者的決定記錄起來。

當使用者於使用者終端裝置101透過使用者介面模組102使用行事曆系統，整體系統與使用者的互動流程如第2圖和第4圖所述，步驟S201開始流程之後，流程步驟S202 根據規則篩選歷史事件係通過擷取模組106取出該使用者所有行事曆資料庫108來完成，步驟S203根據規則計算事件推薦分數係通過計算分析模組105達成，步驟S204將推薦事件排序係透過排序模組104完成，而步驟S205流程中列出推薦事件係通過排序模組104將排序資料傳輸至推薦模組103以完成，然後尋找推薦事件的方法流程到此結束為步驟S206。之後推薦模組103執行步驟S401列出推薦的事件，也就是將推薦資料傳輸至使用者介面模組102，步驟S402使用者判斷事件是否需要才得以進行，若該事件是使用者判斷要新增的則執行步驟S403將使用者想要的事件新增至資料庫，最後步驟S404將使用者的決定記錄起來，係透過反饋模組107把使用者的決定記錄到行事曆資料庫108。

請一併參照第1圖、第2圖和第6圖，為本發明之又一實施例，其背景為使用近日專注於某一連續於固定時間播出的電視節目，使用者常在雲端節目查詢服務中查詢該節目之播放時間並於過去一段時間內頻繁將該些播放時間加入行事曆中，然而使用者忘記將本週之該電視節目播放時間加入本週的行事曆中，使用者的電子行事曆於是提醒使用者過去一段時間新增許多關注該電視節目的事件，使用者於是記起並將此事件再加入未來行事曆，行事曆因此成功幫助使用者不錯過關注的電視節目。

本實施例中行事曆主動推薦事件之方法的系統架構同樣可參照第1圖，包含：一使用者終端裝置101，一使用者介面模組102，一推薦模組103，一排序模組104，一計算分析模組105，一擷取模組106，一反饋模組107，一行事曆資料庫108。

該計算分析模組105，如第6圖所示，更包含：一雲端服務加權模組1051並連接一個人服務使用紀錄1052。

本實施例行事曆主動推薦事件之方法之步驟方法請參照第2圖，包含下列步驟：步驟S201：開始；步驟S202：根據規則篩選歷史事件；步驟S203：根據規則計算事件推薦分數；步驟S204：將推薦事件排序；步驟S205：列出推薦事件；以及步驟S206：結束。

上述步驟S202根據規則篩選歷史事件2，可詳細說明如第7圖所示的實施例三行事曆實施例資料，假設使用者登入時的日期為2013/9/13，該擷取模組106會篩選出符合後續步驟條件的所有事件，首先尋找推薦旗標705欄位值為Y且參考ID 706欄位值相同之歷史事件歸類為同一群組， 請參照第7圖，ID 701欄位值為1、2、3者為第一群組歷史事件，ID 701欄位值為4、5、6者為第二群組歷史事件；再將各群中各事件歷史的起始時間703欄位值按照時間先後順序排序後，再計算各群組內個歷史事件起始時間之間的間隔時間天數，該計算間隔天數的公式如下：D _d =D _n -D _n-1

D _d 代表間隔時間天數的值，D _n 代表第n個事件的起始時間，D _n-1代表第n-1個事件的起始時間。如第7圖所示，根據上述計算公式計算，第一群組歷史事件(ID 701欄位值為1、2、3)中其ID 701欄位值1和值2的事件之間的間隔天數為7天，值2和值3之間的事件間隔天數也為7天；第一群組歷史事件(ID 701欄位值為4、5、6)，其ID 701欄位值4和值5歷史事件之間的間隔天數為3天，值5和值6歷史事件之間的間隔天數也係3天，再根據以下公式計算各群組中歷史事件間隔時間的平均值，該計算平均值的公式如下所示：

代表間隔時間的平均值，x _i 代表第i個間隔天數，表示將所有間隔天數相加總，N表示各群組中所有歷史資料之總筆數。請參照第7圖之實施例，根據公式計算可得第一群組中各歷史事件間隔的平均時間為7天，第二群 組中各歷史事件間隔的平均時間為3天，再繼續計算各群中各歷史事件的提醒時間704欄位之平均值，請參照第6圖，第一群組的平均時間提醒時間為1天，第二群組的平均提醒時間也為1天；接著計算出各群組依頻率下一個歷史事件的發生時間，其規則係將每個群組中的最晚一筆歷史事件的起始時間703欄位，先加上該群組間隔時間的平均值再減去提醒時間的平均值，若其值為2013/9/14者(使用者登入日期2013/9/13的後一日)則篩選成為候選群，如第6圖所示，第一群組歷史事件(2013/9/8+7-1=2013/9/14)，第二群組歷史事件(2012/9/12+3-1=2013/9/14)都被列為候選群，也就是初步資料。

再來是步驟S203根據規則計算事件推薦分數，繼續參考實施例資料第7圖，首先計算分析模組105將計算該初步資料中各候選群中的歷史事件時間間隔之標準差，該計算標準差的公式如下所示：

SD代表標準差值，x _i 代表第i個間隔天數，代表間隔天數平均值，表示將所有間隔天數減去平均值的平方相加總，N代表各群組中所有歷史資料之總筆數。如第7圖所示，第一群組歷史事件的標準差值係為0，第二群 組歷史事件的標準差值也為0，接下來該計算分析模組105採加權方法計算加權推薦分數，如第8圖所示為一雲端節目查詢紀錄，按照當日時間篩選查詢時間803欄位以得出使用者上一個月內的雲端節目查詢紀錄列表，而根據該雲端節目查詢紀錄列表計算加權推薦分數的公式如下：

S _w 代表加權推薦分數，w為加權權重值(於第8圖實施例中該值初始設定為1)，A為第8圖查詢節目802之欄位與第7圖主旨702欄位值相同數的累計值(若無相同者則此值設定為1)。請參照第8圖，根據加權推薦分數的公式計算出第一群組歷史事件的加權推薦分數為(0+1)/4=0.25，第二群組歷史事件之加權分數則為(0+1)/2=0.5。

再來步驟S204將推薦事件排序，繼續參照實施例資料第7圖，排序模組104根據統計原理樣本標準差越小者樣本間變異程度越小，變異程度越小者越是穩定於一固定頻率會發生的事件，在本實施例中也就是使用者查詢並新增到行事曆的該電視節目的歷史紀錄，綜合以上根據各群組歷史事件之群組標準差遞增排序，如第7圖所示得出之排序結果為第一群組歷史事件(喜愛節目)再來是第二群組歷史事件(個人事件)，此排序結果係為排序模組104產生之排序資料。

排序模組104排序資料傳輸至推薦模組103，推薦模組 103再接續執行後續流程，係為將使用者判斷是否選用推薦的事件流程如第4圖所示，包含：步驟S401系統列出推薦的事件；步驟S402使用者判斷事件是否需要；步驟S403使用者想要的事件新增至資料庫；以及步驟S404以及將使用者的決定記錄起來。

當使用者利用該使用者終端裝置101透過使用者介面模組102使用行事曆，行事曆系統與使用者的互動流程請參照第2圖和第4圖，首先步驟S201開始之後，步驟S202根據規則篩選歷史事件，係透過系統之擷取模組106擷取自行事曆資料庫108擷取初步資料，步驟S203根據規則計算事件推薦分數，係透過計算分析模組105與其中的雲端服務加權模組1051通過個人服務紀錄使用紀錄1052完成，步驟S204將所有推薦事件排序透過排序模組104完成，步驟S205列出推薦事件係將排序資料送到推薦模組103，然後是尋找推薦事件流程的結束之步驟S206；然後推薦模組103會執行步驟S401列出推薦的事件，也就是傳輸推薦資料到使用者介面模組102，步驟S402為使用者判斷事件是否需要，若該事件是使用者選取需要新增的則步驟S403將使用者想要的事件新增至資料庫，最後步驟S404將使用者的決定記錄起來，係透過反饋模組107，將使用者的決定記錄到行事曆資料庫108。

由此實施例可知，該蒐集與分析行動裝置使用行為之方法，與先前技術相比較有著相當優點，例如行動裝置系統間相容性技術問題造成各軟硬體商已開發之模組無法完全達到成效，以及預先規劃之行動或固定裝置之使用人員可即時獲取建議報告，加速後續工作之處理。此外也可將建議資料傳回行動裝置，展示予使用者，當可優化使用者體驗，本發明實為將使用者行為資料如何在運用於銷售或產品改善方法之應用問題與時效性提供一新穎獨到之見解。

上列詳細說明乃針對本發明之一可行實施例進行具體說明，惟該實施例並非用以限制本發明之專利範圍，凡未脫離本發明技藝精神所為之等效實施或變更，均應包含於本案之專利範圍中。

綜上所述，本案不僅於技術思想上確屬創新，並具備先前技術方法所不及之上述多項功效，已充分符合新穎性及進步性之法定發明專利要件，爰依法提出申請，懇請 貴局核准本件發明專利申請案，以勵發明，至感德便。

101‧‧‧使用者終端裝置

102‧‧‧使用者介面模組

103‧‧‧推薦模組

104‧‧‧排序模組

105‧‧‧計算分析模組

106‧‧‧擷取模組

107‧‧‧反饋模組

108‧‧‧行事曆資料庫

Claims (10)

1. 一種行事曆主動推薦事件之方法，其包含下列步驟：一行事曆系統內設置一行事曆資料庫；於該行事曆系統內之一擷取模組自該行事曆資料庫擷取一初步資料；該擷取模組將該初步資料傳輸至該行事曆系統內之一計算分析模組；該計算分析模組將該初步資料通過計算規則產生一分析資料；該計算分析模組將該分析資料傳輸至該行事曆系統內之一排序模組；該排序模組將該分析資料排序產生一排序資料；該排序模組將該排序資料傳輸至該行事曆系統內之一推薦模組；該推薦模組將該排序資料通過推薦規則產生一推薦資料；該推薦模組將該推薦資料傳輸至該行事曆系統內之一使用者介面模組；該使用者介面模組將該推薦資料通過介面顯示產生一推薦資料產生一推薦選項資料；該使用者介面模組將該推薦選項資料傳輸至該行事曆系統外部之一使用者終端裝置；該使用者終端裝置將該推薦介面資料通過使用者互動產生一推薦選擇資料；該使用者終端裝置將該推薦選擇資料傳輸至該行事曆系 統內部之該使用者介面模組；該使用者介面模組將該推薦選擇資料傳輸至該行事曆系統內之一反饋模組；該反饋模組將該推薦選擇資料通過反饋處理產生一推薦反饋資料；以及該反饋模組將該推薦反饋資料傳輸至該行事曆系統內之該行事曆資料庫。
2. 如申請專利範圍第1項所述之行事曆主動推薦事件之方法，其步驟可進一步包含：該擷取模組掃描該行事曆資料庫中所有資料；該擷取模組根據一篩選條件自該行事曆資料庫擷取至少一歷史事件以產生該初步資料；其中該歷史事件內設有一提醒時間與一起始時間。
3. 如申請專利範圍第2項所述之行事曆主動推薦事件之方法，其中：該篩選條件係為將該行事曆資料庫中各該歷史事件之該提醒時間與該行事曆資料庫中各該歷史事件之起始時間通過計算產生一可能發生時間；以及該初步資料係為該可能發生時間落於一特定區間之各該歷史事件。
4. 如申請專利範圍第3項所述之行事曆主動推薦事件之方法，其中：該篩選條件更為該歷史事件之該起始時間減去一特定時間；以及該篩選條件係為該行事曆資料庫紀錄中之分類標籤為同群之歷史事件。
5. 如申請專利範圍第4項所述之行事曆主動推薦事件之方法，其步驟可進一步包含：該擷取模組根據該篩選條件擷取出該初步資料；該初步資料包含有至少一同群之歷史事件；以及該擷取模組將該初步資料根據一分群規則進行分群。
6. 如申請專利範圍第5項所述之行事曆主動推薦事件之方法，其步驟可進一步包含：該分群規則係根據行事曆資料庫紀錄之分類標籤將該初步資料中各該同群之歷史事件分類為包含有至少一筆同群之歷史事件的一群組歷史事件；以及該擷取模組根據該行事曆資料庫紀錄之分類標籤將該初步資料中無分類標籤之歷史事件分類為一單獨歷史事件。
7. 如申請專利範圍第6項所述之行事曆主動推薦事件之方法，其步驟可進一步包含：該計算分析模組將該初步資料通過計算產生一推薦分數；以及該計算分析模組更根據各該群組歷史事件中各該歷史資料之該推薦分數通過一推薦分數計算規則計算各該群組的一群組推薦分數。
8. 如申請專利範圍第7項所述之行事曆主動推薦事件之方法，其步驟可進一步包含：該擷取模組將該單獨歷史事件之提醒時間除以該初步資料中各該單獨歷史事件之該提醒時間的最大值作為該推薦分數；以及該推薦分數計算規則係計算各該群組歷史事件中各該同 群之歷史事件的該起始時間的差值之標準差作為該群組歷史事件的該推薦分數。
9. 如申請專利範圍第8項所述之行事曆主動推薦事件之方法，其步驟可進一步包含：該計算分析模組包含有一雲端服務加權模組；該雲端服務加權模組更連接有一個人服務使用紀錄；該雲端服務加權模組通過該個人服務使用紀錄取得一加權值；該計算分析模組更將該推薦分數與該加權值通過計算產生一加權推薦分數；以及該計算分析模組將該初步資料與該加權推薦分數結合為該分析資料。
10. 如申請專利範圍第9項所述之行事曆主動推薦事件之方法，其步驟可進一步包含：該排序模組將該分析資料內該初步資料之各該單獨歷史事件依據該分析資料中之該加權推薦分數排序產生該排序資料；以及該排序模組將各該群組歷史事件中該些同群之歷史事件依據該加權推薦分數之統計標準差的規則排序產生該排序資料。