用于被引导用户动作的系统和方法

用于被引导用户动作的系统和方法
【专利摘要】描述了用于被引导用户动作的系统和方法，包括检测用户所执行的第一动作；收集与该第一动作相关联的信息；基于该信息检索预测模型；确定该预测模型对于该第一动作的适用性水平，该预测模型建议第二动作；当该适用性水平满足阈值水平时在用户界面中提供第二动作；并且接收来自用户的选择第二动作或第三动作的输入。
【专利说明】
用于被引导用户动作的系统和方法
技术领域
[0001] 这里所描述的主题总体上涉及到数据处理，尤其涉及到用于被引导用户动作的系 统和方法。
【背景技术】
[0002] 用户经常创建诸如新的照片、视频、和发布的内容以用于与家人、好友、熟人以及 其它用户进行分享。然而，该分享过程可能是麻烦的。例如，即使用户处于已经建立了联系 人群组或社交圈的电子邮件系统或社交网络上，用户也必须手动识别并选择他或她希望与 之分享特定照片、视频、发布、或其它内容的用户。
[0003] 例如，正在旅行的人(例如，Alice)每天都拍摄照片。Alice几乎每天都想与她的家 人分享一些照片。每次与其家人分享照片时，Alice都需要选择所要分享的照片，选择分享 的方法(例如，经由电子邮件、社交网络等），并且选择她的家人作为接收方。

【发明内容】

[0004] 该主题包括用于被引导用户动作的方法，包括检测用户所执行的第一动作；收集 与该第一动作相关联的信息;基于该信息检索预测模型；确定该预测模型对于该第一动作 的适用性水平，该预测模型建议第二动作；当该适用性水平满足阈值水平时，在用户界面中 提供第二动作；以及接收来自用户的选择第二动作或第三动作的输入。
[0005] 该方法使用一个或多个计算设备和/或系统来实施。该方法可以存储在计算机可 读媒体中。
【附图说明】
[0006] 图1示出了根据一些实施方式的示例系统的数据流程图。
[0007] 图2A示出了预测模型生成的示例实施方式的数据流程图。
[0008] 图2B示出了用户动作预测的示例实施方式的数据流程图。
[0009] 图3示出了根据一些示例实施方式的示例用户界面。
[0010] 图4示出了过程实施方式的示例。
[0011] 图5示出了适用于一些示例实施方式的示例环境。
[0012] 图6示出了具有适于在一些示例实施方式中使用的示例计算设备的示例计算环 境。
【具体实施方式】
[0013] 这里所描述的主题通过示例实施方式而被教导。已经出于清楚以及避免对主题造 成混淆的目的省略了各种细节。以下所示出的示例针对用于实现用于被引导用户动作的系 统和方法的结构和功能。
[0014] 图1示出了根据一些实施方式的示例系统的数据流程图。系统100包括模型生成部 分110-130以及模型应用部分130-180。在一些实施方式中，模型生成部分是110-135,并且 模型应用部分是135-180,其中预测模型130和预测引擎150的功能被组合为预测生成器 135。模型生成部分例如包括使用机器学习120来分析用户先前的动作、用户的行为和/或习 惯、以及与用户相关联的数据（统称为用户历史110)，并且生成与用户相关联的预测模型 130。例如，在用户许可的情况下，系统100(例如，机器学习120)使用并分析过去对用户分享 行为(例如，过去分享动作）的观察以生成与用户相关联的所期望受众和/或用户所进行的 新的分享动作的所期望分享方法的一种或多种预测(例如，预测模型）。历史110可以是一个 或多个应用、网站、不同提供方的服务等的历史，用户已经许可或同意对所述用户的使用历 史和用户动作进行收集。系统100的模型生成部分以下在图2A中进一步进行描述。
[0015] 仍然在图1中，在系统100的模型应用部分中，当用户试图分享数据(例如，照片、视 频等)或者采取一个或多个分享动作140时，系统100(例如，预测引擎150)基于动作140识别 并使用一个或多个预测模型130来为用户提供一种或多种预测160,预测160可以包括诸如 分享预测（例如，通过电子邮件与用户的家人进行分享）的一种或多种动作选项，以及一种 或多种其它分享选项(例如，通过用户所选择的方法与用户的家人进行分享;通过经用户的 社交网络账户进行分享的所预测的方法与用户所选择的接收方进行分享;第三种分享选 项，等等）。动作140在用户已经给出使用动作140的许可的情况下成为用户历史110的一部 分。
[0016] 用户例如可以经由用户界面（未示出）提供用户输入170以选择或改变预测160或 动作选项中的一个。用户可以选择预测引擎150所预测的分享预测。用户可以改变分享预测 的一些部分或者选择其它预测选项中的一个预测选项。用户的选择成为最终动作180。在一 些实施方式中，最终动作180(例如，用户的选择)作为反馈被提供至历史110。系统100的模 型应用部分以下在图2B中进一步进行描述。
[0017] 使用分享内容作为示例来描述这里的主题。应当注意的是，这里的主题应用于所 有的用户动作而并不局限于分享内容。例如，用户动作中的一个动作可以是在互联网上进 行浏览。许多浏览器允许用户以私密浏览模式进行浏览（例如，Chfome?中的无痕浏览， Internet bxpl〇丨·er?.中的InPrivate浏览，Firefox?和Safari? 中的Private Browsing) 〇
[0018] 模型生成部分或系统100可以从用户的浏览习惯和历史进行学习以生成一种或多 种预测模型。例如，用户可能以开放模式浏览一些类型的网站(例如，学校、新闻组织、政府 等的网站)并且以私密模式浏览其它类型的网站(例如，涉及个人金融、健康、在线购物等的 网站）。
[0019] 当用户开始浏览金融机构的网站时，系统100可以基于一种或多种模型预测用户 可能想要以私密模式进行浏览并且在选项中的一个选项中提供该预测。用户可以接受该预 测并且开始以私密模式进行浏览。如果用户以另一种模式开始浏览或者对预测的任意部分 加以改变，则用户的动作或选择的反馈被提供回系统1〇〇(例如，历史110)以对系统1〇〇(例 如，机器学习引擎和/或模型)进行精细调谐。
[0020] 图2A示出了预测模型生成的示例实施方式的数据流程图。用户历史110(例如，与 用户相关联的先前动作、行为、习惯、数据)例如包括被提供至(例如，由其读取)机器学习引 擎120以生成预测模型(例如，隐私模型或偏好)130的先前动作111-114。在具有预测生成器 135以及具有用户授权的实施方式中，用户历史110被输入至机器学习120以向预测生成器 135提供输出。预测生成器135可以触发机器学习120来处理历史110和/或向预测生成器135 提供输出。先前动作111 -114由与先前动作的内容或动作相关的信息（IACA)来表示。
[0021] 如这里所使用的，"与内容或动作相关的信息"或"IACA"是有关内容的任意信息、 有关关联于内容所进行的一个或多个动作的任意信息、或者其二者。如这里所使用的，"内 容"是任意的数字或数字化内容。内容是以数字形式表示（即，以二进制数据表示）的任意信 息集合。内容的示例包括但并不局限于一个或多个文件、文档、图像、视频、音频、发布、通信 消息(例如，电子邮件、短消息文本、视频消息、音频消息等，它们的任意组合）、游戏、其任意 部分，以及它们的任意组合。
[0022] 如这里所使用的，"有关内容的信息"是与内容相关联的任意信息。有关内容的信 息可以是元数据，其包括但并不局限于应用元数据(例如，以语言或文件格式所定义的元数 据，诸如HTML(超文本标记语言）、JPEG(联合图形专家组)等），描述性元数据(例如，用于识 别和检索的资源的描述，诸如文件名、标题、作者和摘要等）、结构性元数据(例如，对象之内 和之间的关系，诸如段落、页面、章节等）、管理性元数据(例如，用于管理资源，诸如版本、时 间戳、访问控制、存储目录或位置等）。该信息仅在用户同意的示例实施方式中使用。
[0023] 在一些示例实施方式中，有关内容的信息包括关于内容所记录或生成的任意数 据。例如，该信息可以包括用户所访问的网页(例如，该网页的统一资源定位符或URL)、用户 最后访问的网页(例如，超文本传输协议或HTTP中的引用）、访问该网页的时间、用户在访问 该网页时的位置、工具的模式一诸如浏览器的私密模式、网页的类型、网页是否要求认证， 等等。
[0024] 以上有关网页的示例以及这里结合用户的其它示例是在假设实施方式获得了用 户对于记录所描述信息的同意的情况下而进行描述的。如果用户并未结合一段信息给予同 意，则该段信息不会被记录，此外，用户可以删除用户历史110中的数据或者整个历史110。
[0025] 关于内容所记录或生成的数据的其它示例包括但并不局限于用户所生成、机器所 生成、以及应用所生成的信息。例如，用户所生成的信息包括任何用户或管理员所生成的信 息。用户可以提供有关一些内容的描述、反馈、和/或评论。管理员可以记录有关一些内容的 事件。设备所生成的信息例如可以包括设备的类型、设备中包括的资源、用来打开内容的应 用、设备的状态等。
[0026] 应用所生成的信息例如可以包括图像的文本信息。该应用可以分析图像(例如，像 素数据、元数据、和/或矢量数据)并且生成有关该图像的文本信息。例如，对于公园中野餐 的图像而言，所生成的文本数据可以包括该照片或视频中的人的姓名或身份(例如，来自于 面部识别）、图像的描述（例如，来自内容分析的"picnic party in a park with trees and grass drinking sodas(公园中的野餐排队，在树和草边喝苏打水)"）、以及元数据(例 如，图像由某个型号的相机、使用某个光圈数值、以某个图像分辨率进行拍摄，等等）。
[0027] 在一些示例实施方式中，有关内容的信息包括结构化的该内容的一个或多个字 段。例如，如果该内容是存储在数据库中或者从数据库所检索的信息，则该内容的任意字段 都能够被用作有关该内容的信息。如果该内容是电子邮件消息，则多个字段(例如，发往、来 自、主题、CC、BCC、主体等)可以被用作有关该内容的信息。
[0028] 如这里所使用的，关联于内容所采用的"有关一个或多个动作的信息"是与动作相 关联的任意信息或者有关动作的信息。有关动作的信息包括但并不局限于历史使用信息 (例如，使用记录或使用日志），被用来执行动作的有关网络、系统、设备、操作系统、应用、模 块、软件等的信息，有关执行动作时的环境、日期、时间、位置的信息，以及其它可用信息(例 如，接收方信息、用来执行动作的应用的语言，等等）。在一些实施方式中，有关动作的信息 可以与有关内容的信息有所重叠。例如，无论用户何时针对一些内容(例如，照片、视频、发 布、链接)设置分享许可，用户的许可都与该内容相关联(例如，将该许可存储为元数据）。在 一些实施方式中，用户的环境可以随用户所给出的同意进行记录。例如，用户附近的其它已 知用户的身份(通过追踪他们的设备或位置）。
[0029] 参考图2A，先前动作（例如，动作111-114)例如包括有关如表1所示的有关内容或 动作的信息（IACA)。
[0030]
[0031] 表 1
[0032]表1示出了例如考虑IACA的八个条目或字段(行1-7)的实施方式。实施方式能够考 虑任何IACA信息(例如，任意字段以及任意数目的字段）。所述字段可以基于内容有所不同。 例如，动作112包括作为目标的URL以及针对链接(例如，引用)数据类型的浏览的私密动作， 其在具有照片和视频的数据类型的动作111、113和114中并未被包括或使用。
[0033]动作111-114中所示出的IACA信息仅是示例的IACA。可以存在不同和/或其它的 IACA字段。例如，可以存在IACA设备字段(未示出）以提供设备信息，诸如电话、平板电脑、膝 上计算机、或另一种设备。
[0034] 即使对于诸如位置字段的给定IACA字段而言，也可以存在不同或其它的信息。例 如，对于位置字段，可以存在不同或其它类型的位置信息，诸如经炜度、某个事物(例如，建 筑物)之内或之外、处于私人空间或公开场合空间。可以存在互相独立的捕捉相关"位置"信 息的不同方式(例如，能够针对所有位置信息或者其任意组合实施以用于在生成预测模型 130时使用）。
[0035] 可以作为系统、设备、应用、或软件模块的机器学习120可以被实施为黑盒子来处 理用户历史110以产生预测或预测模型130。机器学习120可以以任意方式来实施以执行任 意一种或多种算法的指令。例如，这些算法中的一种算法可以是处理用户历史11〇(例如，动 作111-114)从而以例如50 %的阈值生成"与谁分享（shared with)"和/或"由谁分享 (shared by)"的模型130(例如，在达到50 %阈值或更高的情况下生成模型）。
[0036] 在对动作111-114进行处理之后，机器学习120例如生成表2所示的示例模型以用 于基于内容的一个或多个属性来预测与谁分享内容和/或如何分享内容。
[0037]
[0038] 表 2
[0039] 表2示出了例如从历史110(例如，动作111-114)生成三个模型或预测模型130M1-M3。为了清楚，在说明中示出并描述了四个动作111-114。組可以使用动作111和114的IACA 生成。M2和M3分别均可以使用仅一个动作一 112或113-的IACA生成。在一些实施方式中，仅 在支持模型的数据集合（即，用来生成模型的IACA)是某个样本大小的情况下才生成模型。 例如，在表2的示例中，如果存在数据集合大小或样本大小要求为2，则模型M2和M3将由于数 据集合大小为1不足而不被生成。模型Ml将由于数据集合大小为2(动作111和114)而仍然被 生成。在一些实施方式中，预测强度可以基于样本大小进行估计。预测强度还可以由系统 100所使用的一种或多种算法来估计。
[0040] 模型M1-M3以及这里所描述的其它模型仅是作为示例。在实际的实施方式中，可以 存在不同的和/或其它的模型。此外，不同模型可以被组合为更少的模型。在再其它的实施 方式中，模型是联机生成的概念模型或动态模型。
[0041] 如以上所描述的，机器学习120可以被实施为基于用户历史110提供一种或多种预 测的黑盒子。在该黑盒子中可以动态地应用任意数目的算法中的一种或多种。所常见的是 数据110(图2A)进入而得到模型130(图2A)。在一些实施方式中，替代模型130或者除其之 外，机器学习120产生供预测生成器135生成一种或多种预测的输出。例如，在一些实施方式 中，模型M1-M3可以都不生成。例如，系统100(图1)可以针对不同领域利用不同渠道或过程 来实施。一种过程渠道可以是用于浏览(例如，使用一个或多个浏览器）；另一种渠道可以是 在社交网络上进行分享;第三种渠道可以涉及到电子邮件通信；一个或多个渠道可以基于 内容类型(例如，一个渠道用于照片、一个渠道用于音频和/或视频，等等）。
[0042]以共享照片为例，机器学习算法将在内部基于其接收到的历史数据110确定什么 是相关的，并且向预测生成器135提供输出以产生预测。类似地，针对诸如浏览的其它处理 领域，不同机器学习算法将基于历史数据110在内部确定机器学习120进行处理所使用的相 关浏览器设置是什么。
[0043]在实际实施方式中，历史110包含使用历史和/或用户动作的更大集合的信息。历 史110可能随时间而增长并且与历史110相关联的有关内容或动作的信息（IACA)量也会变 得更大。通常，更大的数据集合使得生成更为准确的模型。在包括数据集合大小的实施方式 中，当数据模型足够大时(例如，至少为所要求的数据集合大小），系统能够基于先前动作开 始用户动作的预测(例如，基于历史110生成和应用预测模型）。
[0044] 作为用户Alice的另一个示例，如果Alice的照片100包含Alice的亲戚，贝ijAl ice可 能已经与Alice的"家人"在线社交圈（例如，被置于具有标签"家人"的群组中的一个或多个 联系人)分享这100张照片中的90张，并且与Alice的"同事"在线社交圈分享了这100张照片 中的10张。作为被Alice所授权的系统确定或"学习"到Alice趋向于与Alice的"家人"在线 社交圈分享Alice的亲戚的照片(例如，机器学习120基于该学习生成模型M4)。如果Alice已 经在家拍摄了 50张照片，则Alice可能已经与Alice的"家人"在线社交圈分享了这50张照片 中的45张，并且与Alice的"扩展好友"在线社交圈分享了这50张照片中的5张。该系统学习 至IjAl ice趋向于与Alice的"家人"在线社交圈分享在家中拍摄的照片(例如，机器学习120基 于该学习生成模型M5)。其结果是Alice总共具有多维模型（例如，M4和M5)，其能够将不同类 型的IACA(例如，位置、一天中的时间、人的身份等)与不同分享偏好相关联。
[0045] 在一些实施方式中，预测模型130可以基于用户的隐私偏好生成。这些预测模型或 隐私偏好模型能够被用来作出所期望的隐私分享设置或偏好的预测。例如，Alice 3:30PM 在公园拍摄了Alice的亲戚的照片并且想要将其分享（3: 30的照片）。系统分析具有类似 IACA的过往分享动作(例如，历史110)。该系统学习到并创建一个或多个模型(模型M6)来达 至ijAlice趋向于与"家人"在线社交圈分享Alice的亲戚的照片和视频的效果，除非所述照片 和视频在公共场合拍摄，在这种情况下Alice与"扩展好友"进行分享(模型M7)。在下午所捕 捉的媒体(例如，照片和视频)趋向于被更为广泛的分享(模型M8)。在3:30的照片的示例中， 隐私偏好模型M6和M7或者M8导致了 Alice将会想要与其"家人"（M6)和"扩展好友"（M7,公园 =处于公共场所，或者M8,3:30PM=下午)在线社交圈分享她的亲戚的3:30的照片，这是因 为该照片是在一天中在公共场所所捕捉的。所有上述内容都是在用户同意的情况下执行。
[0046] 根据实施方式，能够使用不同算法来生成模型130,其可以基于用户的隐私偏好。 例如，"数据进入，预测输出"的机器学习黑盒子能够使用不同算法以许多不同方式进行工 作。产生最为准确的预测的算法(例如，基于最终动作)可以保持或浮动至算法应用优先级 队列的顶端。用户能够在任何时候决定是否设置其隐私偏好(例如，同意）从而参与到该示 例实施方式之中。
[0047]图2B示出了用户动作预测的示例实施方式的数据流程图。用户（例如，Alice)可以 已经选择了照片作为动作240。在一些实施方式中，拍摄或保存照片可以被认为是动作240， 其触发预测生成器135或预测引擎150的过程。
[0048]如果实施预测引擎150,则在框252,提取与动作240和/或相对应的照片（例如，内 容)相关联的IACA。所提取的IACA的一些示例字段可以包括照片的数据类型、时间戳、家中 的位置，以及照片上作为亲戚的人的标识。在框254,基于所提取的IACA识别或选择一个或 多个模型。例如，可以基于照片的数据类型、家中的位置、和/或作为家庭成员的人(例如，在 该示例实施方式中作为家庭成员的亲戚)而识别出表2中所示的模型Ml。
[0049] 在一些实施方式中，可以基于诸如社交网络分享、电子邮件发送、浏览等的动作或 潜在动作来识别出一个或多个模型。在一些实施方式中，可以基于动作和数据类型二者来 选择模型，诸如在社交网络上分享照片、在社交网络上分享视频内容等。
[0050] 如果在254识别出多于一种的模型，如在以上3: 30的照片的示例中的M6-M8，则在 框256确定使用所识别的模型中的一个或多个。框256的一种示例实施方式可以涉及到向所 提取的IACA中的一个或多个块或字段分配权重。例如，数据类型能够被分配以权重X;位置 被分配以权重Y;并且人被分配以权重Z。如果X、Y、Z中的每一个都足以满足阈值水平，则选 择具有最高权重的模型。如果采用两个或更多权重Χ、γ和Ζ的组合来满足阈值水平，则选择 对满足阈值水平的权重总和有所贡献的模型。如果能够从所选择的模型预测出多于一种的 预测，则如图3的截屏300Β中所示，可以以权重或权重总和的降序向用户呈现预测。在一些 实施方式中，并不使用权重而是使用不同因素来进行该确定，上述因素可以是任意因素。
[0051] 如果实施预测生成器135,则预测生成器135可以对来自机器学习120(图1)的现有 输出进行处理或者可以请求机器学习120按照需求或者以需要为基础提供输出。例如，预测 生成器135可以如框252中所描述的对动作140进行处理。替代框254,预测生成器135可以请 求机器学习120基于动作140的IACA从历史110生成输出。如果生成了多于一个的预测，则该 预测可以被优先化、排序、或减少。机器学习120和预测生成器135可以用作黑盒子预测引 擎，其基于历史110以及来自最终动作180的反馈而继续成长。在一些实施方式中，135和150 二者都可以针对不同领域利用不同渠道或过程来实施。例如，可以在分享照片的领域中实 施预测生成器135,并且可以在浏览互联网的领域中实施预测引擎150。
[0052] 在框160,一个或多个预测可以被呈现给用户（例如，Alice)。在一些实施方式中， 用户可以决定（例如，通过配置或设置)预测中的一个预测是否满足某个水平（例如，具有 80%或90 %的权重或权重总和），预测可以在没有表示同意的用户的输入的情况下自动被 选择并使用（例如，向Alice的"家人"在线社交圈自动分享3:30的照片而并不向Alice呈现 预测供其选择，虽然Alice之前已经同意该系统的使用）。如果一个或多个预测在160被呈现 给用户，则用户可以使用用户界面(未示出）提供输入170以识别或选择预测中的一个预测。 用户还可以提供并不处于任何预测之中的输入(例如，与谁分享内容和/或由谁怎样分享内 容等）。用户的输入可以作为反馈被例如提供至图1中的历史110。机器学习120可以在生成 模型时和/或为了改变已经生成的一个或多个模型合并或考虑用户的反馈。在一些实施方 式中，预测模型130可以由管理员进行管理，该管理员基于用户反馈改变或删除一个或多个 模型。
[0053]如之前的示例实施方式，用户保持对是否使用该特征的控制(例如，同意），并且能 够在任意时间决定不使用该特征。
[0054]在框180,采取最终动作，诸如在社交网络上向Alice的"家人"在线社交圈分享3: 30的照片、通过电子邮件向所识别的接收方发送文档、切换或使用浏览器的私密模式来访 问网站，等等。
[0055]图3示出了根据一些示例实施方式的示例用户界面。这里的用户界面使用移动设 备的截屏300A-300C进行描述。在截屏300A中，用户采取动作（240，图2B)，其可以是拍摄照 片、保存照片、或选择照片。在一些实施方式中，如截屏300B中所示，动作240被映射至更为 确定的用户意图，诸如用户敲击"分享"按钮310。接下来，执行预测引擎的过程（例如，框 252-256)以到达一个或多个预测160,如图2B中所描述的。在图3中，预测160在截屏300B和 300C中示出。截屏300B示出了"由谁分享(shared by)"的预测并且截屏300C示出了"与谁分 享(shared with)"的预测，它们可以基于对截屏300B中的"由谁分享"的预测的用户选择。 [0056] 截屏300B中的示例的"由谁分享"的预测为"蓝牙"、"soc-network-Z. com"、"电子 邮件"以及隐藏在"查看全部"子菜单中的其它方式。"由谁分享"的预测可以以预测确定性 或权重得分从最高向最低的顺序进行呈现。例如，"蓝牙"可以具有90%的得分，"soc- network-Z.com"可以具有88%的得分，并且"电子邮件"可以具有65%的得分。满足最低要 求阈值(例如，50%)的其它预测可以隐藏在"查看全部"子菜单中。
[0057] 例如，在截屏300B中，用户提供输入以选择"soc-network_Z.com"选项，其可以如 以上所描述的作为反馈被提供回系统。用户的选择导致截屏300C，其中"与谁分享"的预测 可以被呈现给用户。通过soc-network-Z. com330进行分享，并且用户在该示例中为John XYZ。示出了预测John XYZ将会想要与其"家人"在线社交圈320分享照片的一种预测。John 能够输入更多接收方和/或替换"家人"在线社交圈，这可以如以上所描述的作为反馈被提 供回系统。如以上所描述的，示例实施方式仅在用户同意的情况下才被执行，该用户在这种 情况下是John XYZ。
[0058] 在截屏300C中，与John的"家人"在线社交圈进行分享的预测是基于John并不改变 预测的正确缺省预测。当John按压"分享"按钮或小部件340时，截屏300A中所拍摄的照片在 soc-network-Z. com上与John的"家人"在线社交圈进行分享。
[0059] 在一些实施方式中，"由谁分享"的预测与"与谁分享"的预测可以共同在一个用户 界面或屏幕中进行呈现。例如，在截屏300B中，在每个"由谁分享"的选项旁边可以是一个或 多个"与谁分享"的选项。
[0060] 根据实施方式，不同设备或者一个设备的不同应用能够以不同方式对预测加以利 用。例如，相机应用能够使一个或多个分享设置预先填充有所预测的隐私偏好(例如，"家 人"在线社交圈）。在一些实施方式中，预测或隐私偏好可以作为捷径和/或建议而提供(例 如，除了一种或多种缺省设置或预测之外），这允许用户利用单次敲击或点击进行访问。在 所有示例实施方式中，用户可以决定并不参与或者同意。
[0061] 在一些实施方式中，可以实施用户动作预测以应用于批量分享(例如，媒体的分享 或电子邮件发送）。例如，如果Alice拍摄了 Alice的亲戚的10张照片，随后拍摄了同事的5 张照片，接着拍摄了Alice的亲戚的另外10张照片，则用户动作预测的实施方式可以提示 Alice首先在社交网络上与Alice的"家人"在线社交圈分享Alice的亲戚的全部20张照片， 并且随后提示Alice通过电子邮件将Alice的同事的5张照片发送至工作团队(使用一个或 多个电子邮件地址）。在所有示例实施方式中，用户对参与保持控制，并且可以在任何时间 决定同意或不同意。
[0062] 如以上所描述的，能够使用任意应用并且结合任意用户动作来实施用户动作预测 以应用于任意内容。例如，可以基于Alice的浏览习惯和历史生成基于Alice的浏览的隐私 偏好模型。该模型可以在A1 ice每次浏览时被使用。一种模型可以指示A1 ice何时浏览她趋 向于以浏览器的私密模式进行浏览的一些类型的网站(例如，健康信息网站）。应用该模型， 无论Alice何时开始浏览她通常以私密模式进行浏览(且Alice并未正在以该模式进行浏 览）的网站类型，浏览器都可以基于Alice在浏览器上的配置或设置而向Alice建议使用私 密模式或者自动启用私密模式。如以上所提到的，Alice可以决定同意或不同意。
[0063]图4示出了过程实施方式的示例。过程400可以实施图2B和/或图3中所描述的操 作。在框405,检测用户所执行的动作(例如，动作240)。在410,采集、收集、识别、或提取与第 一动作相关联的信息(例如，IACA)和/或结合第一动作的内容。在415，识别、选择、或检索基 于410所收集的信息的一种或多种预测模型。在420,例如使用如图2B的框256中所描述的权 重来确定该预测模型对第一动作的适用性水平。每个预测模型建议或预测至少一种所预测 的动作（例如，选择与谁分享内容的动作和/或选择如何分享内容的动作，诸如使用什么应 用来分享内容）。
[0064]在425,基于该适用性水平满足阈值水平而被确定要使用的该模型中的一个或多 个预测动作被提供或呈现在用户界面中。在430,接收来自用户的选择一种预测动作或另一 种预测动作的输入(或者修改预测动作或提供并未预测的动作）。执行在430中所选择的动 作。用户的选择或输入可以作为反馈被提供至系统以例如对该系统进行改进(例如，准确 性、性能、预测等）。
[0065] 在一些示例中，过程400可以利用不同、更少、或更多的框来实施。过程400可以被 实施为计算机可执行指令，其能够被存储在介质上、加载到一个或多个计算设备的一个或 多个处理器上，并且作为计算机实施的方法来执行。
[0066] 图5不出了适用于一些不例实施方式的不例环境。环境500包括设备505-545,并且 均例如经由网络560而通信地连接至至少一个其它设备(例如，通过有线和/或无线连接）。 一些设备可以通信地连接至一个或多个存储设备530和545。
[0067] 一个或多个设备505-545的示例可以是以下在图6中描述的计算设备605。设备 505-545可以包括但并不局限于计算机505(例如，膝上通信设备）、移动设备510(例如，智能 电话或平板电脑）、电视515、与车辆相关联的设备520、服务器计算机525、计算设备535-540、存储设备530和545。
[0068]在一些实施方式中，设备505-520可以被认为是用户设备，诸如由用户用来创建内 容和/或发出诸如在社交网络上分享内容的请求的设备。设备525-545可以是与服务提供方 相关联的设备(例如，被服务提供方用来提供服务和/或存储数据，诸如网页、文本、文本部 分、图像、图像部分、音频、音频分段、视频、视频分段和/或与之相关的信息）。
[0069] 例如，用户（例如，Alice)可以使用用户设备510在一个或多个设备525-545所支持 的社交网络上访问、观看、和/或分享内容或照片。设备510可以运行应用，所述应用实施被 引导的用户动作或用户动作预测。在Alice如图3所示利用设备510拍摄照片之后，Alice敲 击"分享"按钮310。实施被引导的用户动作的应用使用基于Alice的历史数据所生成的模 型来提供一种或多种预测，如截屏300B-C中所示。Alice敲击"分享"按钮340来接受缺省或 预测的分享动作，其可以包括与谁分享照片以及如何分享照片(例如，使用什么应用或服务 来分享照片）。
[0070] 图6示出了具有适于在一些示例实施方式中使用的示例计算设备的示例计算环 境。计算环境600中的计算设备605可以包括一个或多个处理单元、核心、或处理器610、存储 器615(例如，RAM、R0M和/或其他）、内部存储620(例如，磁性、光学、固态存储、和/或有机存 储），和/或I/O接口 625,它们中的任何一个都能够在通信机制或总线630上进行耦合以用于 传输信息，或者被嵌入在计算设备605中。
[0071] 计算设备605能够通信耦合至输入/用户接口 635和输出设备/接口 640。输入/用户 接口 635和输出设备/接口 640中的任一个或者其二者能够是有线或无线接口并且能够进行 拆卸。输入/用户接口 635可以包括能够被用来提供输入的物理或虚拟的任意设备、组件、传 感器、或接□(例如，按钮、触摸屏接□、键盘、指示/光标控制、麦克风、相机、盲文系统、运动 传感器、光学读取器和/或其他）。输出设备/接口 640可以包括显示器、电视、监视器、打印 机、扬声器、盲文系统等。在一些示例实施方式中，输入/用户接口635和输出设备/接口640 能够嵌入计算设备605或者与之物理耦合。在其它示例实施方式中，其它计算设备可以充当 输入/用户接口 635和输出设备/接口 640或者为计算设备605提供它们的功能。
[0072]计算设备605的示例可以包括但并不局限于高度移动设备（例如，智能电话、车载 设备和其它机器、人和动物所携带的设备，等等）、移动设备(例如，平板电脑、笔记本、膝上 计算机、个人计算机、便携式电视、无线电设备等），以及并非针对移动设计的设备(例如，台 式计算机、其它计算机、信息亭、具有一个或多个嵌入其中和/或与之耦合的处理器的电视、 无线电设备等）。
[0073] 计算设备605可以通信耦合(例如，经由I/O接口 625)至外部存储645和网络650以 用于与包括相同或不同配置的一个或多个计算设备的任意数目的联网组件、设备、和系统 进行通信。计算设备605或任意连接的计算设备能够充当、提供其服务或者被称之为服务 器、客户端、瘦服务器、通用机器、专用机器、或者其它标签。
[0074] I/O接口 625可以包括但并不局限于使用任意通信或I/O协议或标准（例如，以太 网、802. llx、通用系统总线、WiMAX、调制解调器、蜂窝网络协议等)的有线和/或无线接口以 往来于至少计算环境600中全部连接的组件、设备、和网络的传输信息。网络650可以是任意 网络或网络组合(例如，互联网、局域网、广域网、电话网络、蜂窝网络、卫星网络等）。
[0075]计算设备605可以使用计算机可用或计算机可读媒体和/或使用它们进行通信，包 括暂时性媒体和非暂时性媒体。暂时性媒体包括传输媒体(例如，金属线缆、光纤）、信号、载 波等。非暂时性媒体包括磁性媒体(例如，磁盘和磁带）、光学媒体(例如，CD R0M、数字视频 盘、蓝光盘）、固态媒体(例如，RAM、R0M、闪存、固态存储），以及其它非易失性存储或存储器。 [0076]计算设备605能够被用来在一些示例计算环境中实施技术、方法、应用、过程、或计 算机可执行指令。计算机可执行指令能够从暂时性媒体获取并且被存储在非暂时性媒体上 并从那里获取。可执行指令能够源自于一种或多种任意的编程、脚本、和机器语言(例如，C、 C++、C#、Java、Visual Basic、Python、PerlJavaScript等）。
[0077]处理器610能够在本地或虚拟环境中的任意操作系统(OS)(未示出）下执行。能部 署一个或多个应用，它们可以包括逻辑单元660、应用编程接口（API)单元665、输入单元 670、输出单元675、模型管理680、动作处理685、预测引擎690,以及用于不同单元互相通 信、与0S通信以及与其它应用（未示出）通信的单元间通信机制695。例如，模型管理680、动 作处理685、和预测引擎690可以实施在图1-5中所描述并示出的一种或多种过程。所描述的 单元和元件可以在设计、功能、配置、或实施方式中有所变化而并不局限于所提供的描述。 [0078]在一些示例实施方式中，当信息或执行指令被API单元665所接收时，其可以被传 输至一个或多个其它单元(例如，逻辑单元660、输入单元670、输出单元675、模型管理680、 动作处理685、和预测引擎690)。例如，在输入单元670已经检测到用户动作之后，预测引擎 690对该动作进行处理并且与模型管理680进行对接以获取一个或多个预测模型从而提供 一种或多种预测动作。该模型可以由动作处理685基于先前动作或用户历史而生成。输入单 元670随后可以提供来自用户的选择或修改预测动作中的一个预测动作的输入。输出单元 675随后基于用户输入执行最终动作。
[0079]在一些情况下，逻辑单元660可以被配置为对单元之间的信息流进行控制并且对 以上所描述的一些示例实施方式中API单元665、输入单元670、输出单元675、模型管理680、 动作处理685、和预测引擎690所提供的服务进行指引。例如，一种或多种过程或实施方式的 流程可以由逻辑单元660单独控制或者结合API单元665进行控制。
[0080]在这里所讨论的系统收集关于用户的个人信息，或可使用个人信息的情形中，可 向用户提供控制程序或特征是否收集用户信息(例如，关于用户的社交网络、社交动作或活 动、职业、用户偏好或用户的当前位置的信息），或控制是否和/或如何从内容服务器接收可 能与用户更相关的内容的机会。另外，某些数据可在其被存储或使用之前用一种或多种方 式处理，使得个人可识别信息被移除。举例来说，用户的身份可被处理，使得无法针对用户 确定个人可识别信息，或可一般化用户的获得位置信息的地理位置(诸如到城市、邮政编 码、或州级），使得无法确定用户的特定位置。因此，用户可控制如何收集有关用户的信息 和如何通过内容服务器使用信息。
[0081]虽然已经示出并描述了一些示例实施方式，但是这些示例实施方式被提供以向本 领域技术人员传递这里所描述的主题。应当理解的是，这里所描述的主题可以以各种形式 实施而并不局限于所描述的示例实施方式。这里所描述的主题可以在没有那些具体定义或 描述的事物或者利用并未描述的其它或不同元件或事物来实践。本领域技术人员将会意识 到，可以在这些示例实施方式中进行改变而并不背离如所附权利要求及其等同形式所限定 的这里所描述的主题。
【主权项】
1. 一种计算机实施的方法，包括： 检测用户所执行的第一动作； 收集与所述第一动作相关联的信息； 基于所述信息检索预测模型； 确定所述预测模型对于所述第一动作的适用性水平，其中，所述预测模型建议第二动 作； 当所述适用性水平满足阈值水平时，在用户界面中提供所述第二动作；以及 接收来自所述用户的选择所述第二动作或第三动作的输入。2. 根据权利要求1所述的方法，其中，所述第一动作包括识别内容，并且所述第二动作 包括选择要分享所述内容的一个或多个接收方。3. 根据权利要求1所述的方法，其中，所述第一动作包括识别内容，并且所述第二动作 包括选择应用来处理所述内容。4. 根据权利要求1所述的方法，其中，所述第一动作包括访问网站，并且所述第二动作 包括选择访问所述网站的浏览器的模式。5. 根据权利要求1所述的方法，其中，所述预测模型是基于与所述用户相关联的多个先 前动作。6. 根据权利要求1所述的方法，其中，确定所述预测模型对于所述第一动作的适用性水 平包括： 执行与所述预测模型相关联的属性的加权计算；以及 确定所述属性的加权计算中的至少一些加权计算的组合满足所述阈值水平。7. 根据权利要求1所述的方法，其中，来自所述用户的选择所述第二动作或第三动作的 输入对所述预测模型进行修改。8. -种具有其中所存储的计算机可执行指令的非暂时性计算机可读介质，其用于： 检测用户所执行的第一动作； 收集与所述第一动作相关联的信息； 基于所述信息检索预测模型； 确定所述预测模型对于所述第一动作的适用性水平，其中，所述预测模型建议第二动 作； 当所述适用性水平满足阈值水平时，在用户界面中提供所述第二动作；以及 接收来自所述用户的选择所述第二动作或第三动作的输入。9. 根据权利要求8所述的介质，其中，所述第一动作包括识别内容，并且所述第二动作 包括选择要分享所述内容的一个或多个接收方。10. 根据权利要求8所述的介质，其中，所述第一动作包括识别内容，并且所述第二动作 包括选择应用来处理所述内容。11. 根据权利要求8所述的介质，其中，所述第一动作包括访问网站，并且所述第二动作 包括选择访问所述网站的浏览器的模式。12. 根据权利要8所述的介质，其中，所述预测模型是基于与所述用户相关联的多个先 前动作。13. 根据权利要求8所述的介质，其中，确定所述预测模型对于所述第一动作的适用性 水平包括： 执行与所述预测模型相关联的属性的加权计算；以及 确定所述属性的加权计算中的至少一些加权计算的组合满足所述阈值水平。14. 包括存储和处理器的至少一个计算设备，所述至少一个计算设备被配置为执行： 检测用户所执行的第一动作； 收集与所述第一动作相关联的信息； 基于所述信息检索预测模型； 确定所述预测模型对于所述第一动作的适用性水平，其中，所述预测模型建议第二动 作； 当所述适用性水平满足阈值水平时，在用户界面中提供所述第二动作；以及 接收来自所述用户的选择所述第二动作或第三动作的输入。15. 根据权利要求14所述的至少一个计算设备，其中，所述第一动作包括识别内容，并 且所述第二动作包括选择要分享所述内容的一个或多个接收方。16. 根据权利要求14所述的至少一个计算设备，其中，所述第一动作包括识别内容，并 且所述第二动作包括选择应用来处理所述内容。17. 根据权利要求14所述的至少一个计算设备，其中，所述第一动作包括访问网站，并 且所述第二动作包括选择访问所述网站的浏览器的模式。18. 根据权利要14所述的至少一个计算设备，其中，所述预测模型是基于与所述用户相 关联的多个先前动作。19. 根据权利要求14所述的至少一个计算设备，其中，确定所述预测模型对于所述第一 动作的适用性水平包括： 执行与所述预测模型相关联的属性的加权计算；以及 确定所述属性的加权计算中的至少一些加权计算的组合满足所述阈值水平。20. 根据权利要求14所述的至少一个计算设备，其中，来自所述用户的选择所述第二动 作或第三动作的输入对所述预测模型进行修改。
【文档编号】G06F17/00GK105874447SQ201480071684
【公开日】2016年8月17日
【申请日】2014年12月18日
【发明人】加思·休梅克, 迈克尔·尤金·艾埃洛
【申请人】谷歌公司