[发明专利]使内容以群集中表现不好的用户为目标

权利要求书

1.一种由一个或多个计算设备执行的方法，所述方法包括：

从目标用户与至少一个计算设备上的应用程序的交互获得个体行为数据；

从多个用户与其他计算设备上的所述应用程序的其他实例的交互获得群体行为数据；

基于所述群体行为数据来确定针对一个或多个任务或任务链的一个或多个表现基准；

基于用户之间的一个或多个特征的相似度来将所述多个用户聚集到多个用户群集中；

基于所述用户群集中的用户和所述目标用户之间的一个或多个特征的相似度来将所述目标用户分类到所述多个用户群集中的一个用户群集中；

从所述个体行为数据和所述群体行为数据标识所述目标用户的一个或多个焦点特征，所述一个或多个焦点特征表现差于所述目标用户被分类到的所述用户群集中的所述多个用户的所述一个或多个特征的所述表现基准中的一个或多个表现基准；

基于所述目标用户的标识的所述一个或多个特征来标识与所述一个或多个任务或任务链相关联的作为目标的内容；以及

经由所述计算设备来递送所述作为目标的内容。

2.根据权利要求1所述的方法，

其中确定所述一个或多个表现基准至少部分通过执行机器学习算法而被完成；

其中执行所述机器学习算法包括：

训练神经网络，所述神经网络在所述个体行为数据和所述群体行为数据上具有多个层，所述层中的至少一个层包括检测一个或多个特征的一个或多个特征检测器，所述特征检测器中的每个特征检测器具有权重的对应集合，每个特征与所述一个或多个任务或任务链和所述一个或多个表现基准相关联；以及

基于权重的所述对应集合来评估所述个体行为数据和所述群体行为数据；并且

其中由所述一个或多个特征检测器检测到的所述一个或多个特征由所述目标用户和/或所述神经网络预先确定。

3.根据权利要求1所述的方法，

其中确定所述一个或多个表现基准至少部分通过执行机器学习算法而被完成；

其中所述机器学习算法利用从包括支持向量机、决策树学习和受监督机器学习的组选择的机器学习技术。

4.根据权利要求2所述的方法，其中所述方法跟随作为目标的内容的所述递送而被迭代地重复，从而使得基于一个或多个焦点特征的表现针对所述一个或多个表现基准的改变，所述目标用户的所述个体行为数据被重新评估，所述目标用户被重新分类，一个或多个焦点特征被重新标识并且作为目标的内容被重新递送。

5.根据权利要求4所述的方法，其中针对由所述一个或多个特征检测器检测到的所述特征的权重的所述对应集合利用所述方法的每个迭代重复而被调整。

6.根据权利要求1所述的方法，其中与所述目标用户的标识的所述一个或多个焦点特征相关联的所述一个或多个任务被布置在链接的序列中并且与定制的触发相关联。

7.根据权利要求6所述的方法，其中所述定制的触发与由所述目标用户可观察和可行动的作为目标的内容提示相关联。

8.根据权利要求6所述的方法，其中所述定制的触发基于所述目标用户被分类到的所述用户群集而被调整。

9.根据权利要求6所述的方法，其中所述定制的触发为时间范围和/或地理范围。

10.根据权利要求9所述的方法，其中所述地范围对应于约束路径上的位置，所述任务或任务链沿着所述约束路径而被组织，并且所述时间范围与所述一个或多个任务或任务链沿着所述约束路径的时序相关联。

11.根据权利要求1所述的方法，其中所述作为目标的内容由线索引擎递送，所述线索引擎经由应用编程接口可访问并且被提供有在所述一个或多个计算机上被实例化的线索库。

12.根据权利要求1所述的方法，其中所述作为目标的内容经由文本、听觉、视觉和/或触觉媒体而被递送。