DE69736552T2

DE69736552T2 - Intelligente anwenderunterstützungsfunktion

Info

Publication number: DE69736552T2
Application number: DE69736552T
Authority: DE
Inventors: Eric Kirkland HORVITZ; S. John Mercer Island BREESE; E. David Bellevue HECKERMAN; D. Samuel Seattle HOBSON; O. David Redmond HOVEL; C. Adrian Seattle KLEIN; A. Jacobus ROMMELSE; L. Gregory Kirkland SHAW
Original assignee: Microsoft Corp
Current assignee: Microsoft Corp
Priority date: 1996-07-19
Filing date: 1997-07-02
Publication date: 2007-05-10
Anticipated expiration: 2017-07-03
Also published as: EP0912932B1; US6233570B1; DE69736552D1; JP2001510599A; CA2210601A1; EP1742174A2; JP4750771B2; WO1998003907A2; CA2210601C; US6021403A; WO1998003907A3; EP0912932A2; US6262730B1; JP2009157951A; CN1231742A; CN1280715C; JP2008084321A; CN1632749A; US6260035B1; JP4676037B2

Description

Technisches Gebiet:
Diese Erfindung betrifft Expertensysteme in der Datenverarbeitung. Insbesondere betrifft diese Erfindung ein System und ein Verfahren zur automatisierten maschinellen Schlussfolgerung um Softwarebenutzern eine Hilfe bereitzustellen und um die Funktionalität von Computersystemen und Software zu optimieren, in dem Deduktion über die Bedürfnisse und Vorlieben des Benutzers bei der Bedienung von Softwaresystemen oder Anwendungen durchgeführt wird.
Hintergrund der Erfindung:
Obwohl entscheidende Fortschritte bei grafischen Benutzerinterfaces, Softwareanwendungen zugänglicher und produktiver für Benutzer von Personal-Computern gemacht haben, hat die zugenommene Benutzerfreundlichkeit die Notwendigkeit gefördert, mehr und mehr technisch ausgereifte Features einzubinden.
Wenn ein neuer Benutzer zum ersten Mal mit einer komplizierten Softwareanwendung in Kontakt kommt, kann er aufgrund der überwältigten Anzahl und Komplexität der durch die Menüs und Werkzeugleisten der Benutzerinterface zugänglichen Features verwirrt werden. Es ist nicht ungewöhnlich für einen Benutzer, der mit den Softwarefeatures nicht vertraut ist, dass er auf Menüsurfen zurückgreift, indem er schnell von Menüelement zu Menüelement umschaltet, in der Hoffnung herauszufinden, wie das gewünschte Feature ausgeführt wird. Auch wenn die Benutzer einen oder mehrere Wege zum Durchführen einer Funktion in einer Softwareanwendung kennen, werden sie oft nicht eine effiziente Vorgehensweise erkennen. Auch wenn Benutzer wissen mögen, wie eine Funktion durchgeführt wird, würden sie dennoch anstelle die Funktion selbst durchzufüh ren lieber ein System haben, das auf Eigeninitiative ihre Bedürfnisse bestimmt und Funktionen durchführt oder anbietet durchzuführen, wie z.B. das Starten von Anwendungen, die bald benötigt werden, das Schließen von Anwendungen und das Vorabrufen von Dateien oder Informationen von entfernten Servern, um diese effizienter verfügbar zu machen, wenn sie abgerufen werden.
Das automatisierte Bestimmen der besten Aktionen zum Durchführen oder der besten Informationen zur Bereitstellung, die dem Benutzer während der Arbeit mit der Software bereitgestellt werden, benötigt die Entwicklung von Methoden, die in Verbindung mit Softwareprogrammen arbeiten und die die Fähigkeit haben, die Bedürfnisse, Absichten oder Ziele durch den Anblick des Benutzerhintergrundes und den Benutzeraktionen zu identifizieren. Solche Verfahren können durch das Bilden und die Verwendung von Modellen erhalten werden, die explizit die Bedürfnisse der Benutzer mit ihren Hintergründen und Aktionen verbindet.
Es wurden mehrere Studien durchgeführt über die Verwendung von Modellen zur Schlussfolgerung über die Absichten von Leuten, die eine Vielzahl von Funktionen durchführen und um Ratschläge oder Hilfe, die auf diesen Modellen basieren, verfügbar zu machen. Forscher, die die Verwendung von Computern bei der Erziehung studiert haben, haben versucht, Programme zu konstruieren, die Modelle von Benutzern verwenden, um die Quelle von Missverständnis und den besten Weg, um Studenten zu unterrichten, herauszufinden. Diese Modelle können auch die Antworten, die Benutzer auf Fragen geben, und andere Anregungen, betrachten. Die Strategic Computing Initiative in den 80'iger Jahren konzentrierte sich zum Teil auf Methoden zum Durchführen von Schlussfolgerungen über die Absichten eines Piloten aus einem verschiedenartigen Satz von Eingaben und ihnen mit der besten Hilfe beim Steuern und Kämpfen mit Kampfjets bereitzustellen. Bei der Vielzahl solcher „Pilotengefährten"-Projekte haben die Ingenieure versucht Systeme zu entwickeln, die über die Absichten der Benutzer Schlussfolgerungen ziehen konnten. Typischerweise wurden sehr basierte oder logische Ansätze benutzt um Alternativen zu bestimmen oder ihnen Vorrang zu geben.
Es wurden auch einige Arbeiten gemacht, probabilistische Modelle beim Abbilden der Benutzerbedürfnisse für solche Anwendungen wie das Überwachen von komplexen zeitkritischen Anwendungen zu verwenden.
Einige der ersten Diskussionen über probabiblistische Abhängigkeitsmodelle bei Anwendungen zur Verbesserung der Anzeige von Informationen gab es in Projekten, die mit Modellierung von Benutzern zur Kontrolle der Informationen, die Flugzeugpiloten gezeigt werden, experimentierten. Probabiblistische Deduktionen wurde als ein Mittel zum Steuern der Informationen, die Piloten angezeigt werden, untersucht. Eine andere Arbeit umfasste die Benutzung von entscheidungstheoretischen Methoden, um über die wichtigsten Informationen, die Flugingenieure im NASA-Mission-Control-Center angezeigt werden, zu schlussfolgern. Die Methoden berücksichtigen den Zusammenhang anhand des Fachwissens des Benutzers und Telemetrie vom Spaceshuttle um Entscheidungen zu treffen und machen sich zeitkritische und probabilistische Modelle über die Vorstellungen und Absichten des Benutzers zunutze. Eine andere diesbezügliche Arbeit hat den besten Weg erforscht, um Piloten Informationen und Erklärungen anzuzeigen, angesichts verschiedener Kompromisse bei der Anzeige. In einer anderen Arbeit haben Forscher die Verwendung von probabilistischen Modellen bei der Hilfe von Computerbenutzern, die mit Kommandozeilen-Eingabesystemen von Computersystemen arbeiten, erforscht.
Es gab diverse Projekte, die sich auf die Verwendung von Sätzen von logischen Regeln und von auf logischen Regeln basierender Heuristik konzentriert haben, um den Benutzer auf den Zusammenhang und die Aktivität basierende Hilfe bereitzustellen. Beispielsweise wird die gebräuchliche zusammenhangsabhängige Hilfe, die in Anwendungen, die für das Microsoft Windows Betriebssystem bereitgestellt wurde, durch das Anwählen von grafischen Objekten und das Klicken von Standardhilfekommandos (wie z.B. eine Funktionstaste auf der Tastatur), abgerufen. Hilfsinformationen werden dann bereitgestellt, die die Funktionalität der grafischen Objekte wie einer Werkzeugleiste betreibt. Ein anderes Beispiel ist das TipWizard-System in Microsoft-Excel-Produkten, das einen großen Satz von logischen Regeln anwendet, die fortfahren, nach Sequenzen von Benutzerereignissen zu suchen und Benutzern Hilfe bei der effizienteren Durchführung von Anwendungen bereitzustellen. In einer Arbeit über Apple-Computern, die im US-Patent Nr. 5,930,281 von Luciw u.a. beschrieben wurde, werden Sätze von Regeln verwendet, um Benutzern Hilfe bei Anwendungen bereitzustellen, in dem die Heuristik angewandt wird, die eine Anzahl von Bedingungen für eine Startregel mit der spezifischen Anzahl von Bedingungen, die in einer bestimmten Situation erkannt werden, vergleicht und zum Interpretieren dieses Teils als eine mit der von der Regel angezeigten Aktion verbundene Kraft.
Es gibt ferner Arbeiten an anspruchsvolleren probabilistischen Modellen, die die Unsicherheit von Benutzerzielen und Bedürfnissen bezüglich Softwarehilfe berücksichtigen. Das Answer-Wizard-Feature von Microsoft-Office-Produkten verwendet probabilistische Modelle zum Interpretieren der Wörter in einer Benutzerfreitextabfrage mit dem Fokus auf der Unterstützung von Benutzern bei der Verwendung von Computersoftwareanwendungen. Bei dieser Arbeit wurden die unsichere Beziehung zwischen Sätzen von zusammengehörenden Worten, die in einer Abfrage erkannt werden können und verschiedener Arten von Hilfe mit hohen Wahrscheinlichkeiten moduliert. Diese Arbeit wurde in der US-Patentanmeldung Nr. 08400797 (die nun als US-Patentnummer 5,694,559 veröffentlicht wurde) beschrieben.
Jedoch hat keine dieser bisherigen Versuche anspruchsvolle Methoden zur Schlussfolgerung unter Unsicherheit über die Bedürfnisse eines Benutzers bezüglich Hilfe angewandt, indem viele Hinweisteile berücksichtigt werden, die Informationen über den Benutzerhintergrund und die Benutzeraktivitäten, die selbstständig von dem Programm erkannt werden, beinhalten, und die dann auf Basis dieser Schlussfolgerungen anbieten, dem Benutzer die relevante Hilfe bereitzustellen. Diese Systeme haben auch nicht die Überwachung von Interaktionen mit dem Softwareprogramm berücksichtigt, so dass wenn ein Benutzer direkt über die Freitextabfrage Hilfe abfragt, das System die Analyse der Wörter in der Freitextabfrage mit der weitergehenden Analyse der Benutzeraktionen und der Programm-Zusammenhang kombiniert.
Was wünschenswert ist, ist eine intelligente Benutzerhilfeeinrichtung, die selbstständig erkennt, dass der Benutzer Hilfe benötigt für die Benutzung eines bestimmten, oder um eine bestimmte Anwendung auszuführen und die anbietet, die relevante Hilfe bereitzustellen auf Basis von der Berücksichtigung vieler Hinweisteile, die Informationen über den Hintergrund eines Benutzers und die Aktivität eines Benutzers beinhalten. Was ferner wünschenswert ist, ist eine intelligente Benutzerhilfeeinrichtung, die die Analyse von Wörtern in der Freitextabfra ge mit der weitergehenden Analyse von Benutzeraktionen und Programmzusammenhang kombiniert, wann immer ein Benutzer direkt mit der Freitextabfrage nach Hilfe fragt. Diese Erfindung löst das Problem der selbstständigen Erkennung, dass ein Benutzer Hilfe benötigen könnte, bei der Benutzung eines bestimmten Features oder um eine spezifische Anwendung auszuführen, und des Angebots, die relevante Hilfe bereitzustellen, basierend auf der Berücksichtigung von vielen Hinweisteilen, Informationen über den Hintergrund eines Benutzers und die Aktivitäten eines Benutzers beinhalten. Diese Erfindung löst ferner das Problem der Kombinationen der Analyse von Worten in der Freitextabfrage mit der weitergehenden Analyse von Benutzeraktionen und Programmzusammenhang, wann immer ein Benutzer direkt nach Hilfe mit der Freitextabfrage fragt. Die Erfindung ist zusätzlich in der Lage, über verschiedene Klassen von Hinweisen eine Deduktion zu überwachen und durchzuführen, wobei die Hinweise den Status von Schlüsseldatenstrukturen in einem Programm, normale Frequenzen von Benutzereingaben mit einem mausgesteuerten Cursor während eines normalen Interaktionsablaufes mit einer graphischen Benutzeroberfläche, die in einer Freitextabfrage für Hilfe eingegeben werden, visuelle Informationen wie Blick und Gestikinformationen und Sprachinformationen beinhalten.
Die WO 92/02880 offenbart ein System, das eine Überwachungseinrichtung, eine Wissensdatenbank und eine Deduktionsmaschine umfasst. Die Wissensdatenbank beinhaltet Daten und eine Hilfeinformationsdatenbank, die eine Vielzahl von Regeln und Text umfasst. Die Deduktionsmaschine überprüft bekannte Daten gegenüber vordefinierten Regeln, wenn der Benutzer Hilfe anfordert. Wenn der Benutzer Hilfe nicht anfordert, fährt das Programm einfach mit der Überwachung fort. Diese Regeln sind Voraussetzungs-Festsetzungs-Aufstellungen, die von einem Anwendungsentwickler vordefiniert sind. Die Deduktionsmaschine versucht die Feststellung jeder Regel durch die Erfüllung ihrer Vorraussetzung zu beweisen.
Die Endausgabe der Deduktionsmaschine 340 ist ein „Hilfeetikett" das eine bestimmte Hilfelösung angibt. Entsprechend sind die Daten mit den Regeln abgeglichen, die von einem Anwendungsentwickler vordefiniert sind, bei einem Versuch eine Feststellung zu identifizieren, die von einem Anwendungsentwickler identifiziert ist. US 8400797 beschreibt eine verbesserte Freitextabfragemethode und ein System als Teil eines Onlinehilfesystems. Es ist ein probabilistischer Ansatz zur Informationsabfrage offenbart und ein Satz von relevanten Ereignissen, die auf Wortmerkmalen basieren (wie z.B. Wörter, Wortsätze, Wörter mit Großschreibungsfiguren) sind in einer Datenbank gespeichert.
Zusammenfassung der Erfindung:
Die vorliegende Erfindung stellt eine Methode zur Bildung einer intelligenten Benutzerhilfeeinrichtung für Softwareprogramme bereit, um einem Benutzer bei der Anwendung eines Softwareprogramms zu unterstützen. Die Funktionalität des Softwareprogramms wird für die Bereitstellung von intelligenter Benutzerhilfe identifiziert. Ein Schlussfolgerungsmodel wird für die identifizierte Programmfunktionalität für die Anwendung der Bereitstellung einer intelligenten Benutzerhilfe gebildet. Das Schlussfolgerungsmodell verarbeitet eine Wahrscheinlichkeit von alternativen Benutzerabsichten, Zielen und Informationsbedürfnissen durch die Analyse von Informationen über Benutzeraktionen, Programmstatus und Wörtern. Zur Bereitstellung einer intelligenten Benutzerhilfe werden Musterereignisse für die identifizierte Programmfunktionalität zur Verwendung durch das Schlussfolgerungsmodell definiert. Atomische Benutzer-Interface-Interaktionen werden identifiziert, die das Auftreten von Musterereignissen kennzeichnen.
Die vorliegende Erfindung umfasst ferner ein allgemeines Ereignis-Berechnungs- und Überwachungssystem, das ermöglicht, das High-Level-Ereignisse durch die Kombination von Low-Level-Ereignissen gebildet werden. Das Ereignissystem ist in Verbindung mit dem Schlussfolgerungssystem in der Lage, für eine Vielzahl von Zwecken Deduktion über verschiedene Klassen von Ereignissen zu überwachen und durchzuführen. Die verschiedenen Ereignisklassen beinhalten den Status von Schlüsseldatenstrukturen in einem Programm, allgemeine Sequenzen von Benutzereingaben mit einem mausgesteuerten Cursor in dem normalen Interaktionsablauf mit einem graphischen Benutzerinterface, Wörtern, die in eine Freitextabfragehilfe eingegeben werden, visuelle Informationen über die Benutzer wie z.B. Blick- und Gestikinformationen und Sprachinformationen. Die vorliegende Erfindung stellt zusätzlich ein System und ein Verfahren bereit zur Überwachung von Benutzerinteraktionen mit einem Softwareprogramm und zur Anwendung von probabilistischen Schlussfolgerungen, um zu erkennen, dass der Benutzer Hilfe benötigen könnte bei der Anwendung eines bestimmten Features oder um eine spezifische Anwendung durchzuführen. Das System fährt fort die Aktionen eines Benutzers zu untersuchen und erzeugt von diesen Informationen Wahrscheinlichkeiten über Benutzerbedürfnisse und Ziele.
In einer beispielhaften Ausführungsform werden die Wahrscheinlichkeiten berechnet, dass verschiedene textbasierte Hilfethemen oder Demonstrationen von verschiedenen Softwareanwendungen relevant sind, berechnet und die Hilfe wird dem Benutzer zur Verfügung gestellt. Die Wahrscheinlichkeiten über die relevanten Hilfethemen werden ebenso wie die Wahrscheinlichkeiten dass ein Benutzer Hilfe erwünschen würde, berechnet. In diesem Ausführungsbeispiel berechnet die Erfindung die Wahrscheinlichkeiten, dass ein Benutzer verschiedene Formen von Hilfe benötigt und benutzt diese Informationen, um eine Liste von Hilfethemen zu priorisieren, wenn Hilfe angefragt wird. Wenn keine Hilfe angefragt wird, benutzt das System seine Deduktion um festzustellen, wann ein Benutzer Hilfe benötigen würde und kommt selbstständig nach vorn in Abhängigkeit von der berechneten Wichtigkeit des Nachvornkommens und des Wertes auf den ein Benutzer einen Grenzwert setzt. Wann immer ein Benutzer direkt mit der Freitexteingabe nach Hilfe fragt, kombiniert dieses Ausführungsbeispiel die Analyse von Worten in der Freitexteingabe mit der weitergehenden Analyse von Benutzeraktionen und Programmzusammenhang.
Die Erfindung beinhaltet ein reichhaltiges, aktualisierbares Benutzerprofilsystem. In dem Hilfethemenausführungsbeispiel ruft das Deduktionssystem das Benutzerprofilsystem ab, um kontinuierlich die Kompetenzen zu überprüfen, und basierend auf der Benutzerkompetenz die Hilfe die gegeben wird, zu wechseln.
Die vorliegende Erfindung beinhaltet ferner ein neues Deduktionssystem mit einem kommentiertes Bayes'sches-Netzwerk, um spezielle temporale Schlussfolgerungsvorgänge einzubinden. Temporale Schlussfolgerungsmechanismen werden dazu benutzt, die Änderungen in der Ereignisrelevanz bei derzeitigen Bedürfnissen und Zielen eines Benutzers mit dem Zeitablauf, nach dem ein Ereignis eingetreten ist, zu berücksichtigen. Die Deduktionsmaschine beinhaltet ein neues spezifisches Abschätzungsverfahren, das eine einzelne eindeutige Bayes'sche-Netzwerk-Wissensdatenbank benutzt, wechselt aber die Wahrscheinlichkeitsin formation in dem Netzwerk basierend auf dem Zeitabstand zu der Vergangenheit, in der eine Beobachtung gemacht worden ist.
Das System erlaubt ferner, dem Benutzer die Grenzwerte zu steuern, die erreicht werden müssen, bevor Benutzern Hilfe angeboten wird; wobei ihnen erlaubt ist, das Systemverhalten gemäß ihrer eigenen persönlichen Vorliebe bezüglich Ablenkung mit Hilfe, zuschneiden. Schließlich wurden die Verfahren mit vielen graphischen Benutzerinterfaces versehen, die ein geselliges Benutzerinterface in der Form eines animierten Charakters beinhalten.
Kurzbeschreibung der Fign.
1 ist ein Blockdiagramm eines Computersystems.
2 ist ein Flussdiagramm zur Bildung einer intelligenten Benutzerhilfeeinrichtung für ein Softwareprogramm.
3 ist ein Diagramm, das ein einfaches Zwei-Variablen-Bayes'sches-Netzwerk darstellt.
4 ist ein Blockdiagramm einer intelligenten Benutzerhilfeeinrichtung.
5 ist ein Blockdiagramm eines instrumentierten Anwendungsprogramms.
6 ist ein Blockdiagramm eines instrumentierten Tabellenkalkulationsanwendungsprogramm zur Benutzung einer intelligenten Benutzerhilfeeinrichtung.
7 ist ein Blockdiagramm eines Ereignisprozessors.
8 ist ein Blockdiagramm eines Ereignissystem-Spezifikationswerkzeugs zum Erzeugen eines Musterereigniszusammensteller.
9 ist ein Blockdiagramm eines Benutzerprofilsystems.
10 ist ein Flussdiagramm der Ereignisstatusaktualisierungsroutine des Be nutzerprofilsystems von 9.
11 ist ein Flussdiagramm der Benutzerprofilabrufroutine des Benutzerprofilsystems von 9.
12 ist ein Flussdiagramm der kundenspezifizierte Anleitungsroutine des Benutzerprofilsystems von 9.
13 ist ein Blockdiagramm des Deduktionssystems der vorliegenden Erfindung.
14 ist ein Bayes'sches Netzwerkdiagramm, das die allgemeine Einflussbeziehung für jedes Softwareprogramm, das die intelligente Benutzerhilfeeinrichtung der vorliegenden Erfindung zum Bereitstellen von Benutzerhilfe benutzt, darstellt.
15 ist ein Diagramm, das einen Teil des Bayes'schen Netzwerks darstellt, das einige probabilistische Abhängigkeiten über der Zeit darstellt.
16 ist ein Flussdiagramm des Informationswertverfahrens zum Erwerben von Benutzerinformationen gemäß den Grundsätzen der Erfindung.
17 bis 22 stellen Bildschirmausgaben der intelligenten Benutzerhilfeeinrichtung dar, die gemäß den Grundsätzen der vorliegenden Erfindung in einem beispielhaften Ausführungsbeispiel einer Tabellenkalkulationsanwendung erzeugt wurden.
23 zeigt Bildschirmausgaben der intelligenten Benutzerhilfeeinrichtung gemäß den Grundsätzen der vorliegenden Erfindung in einem beispielhaften Ausführungsbeispiel einer Tabellenkalkulationseinrichtung zum Darstellen einer Zusammenfassung der kundenspezifisch zugeschnittenen Anleitungen
24 ist ein Teil eines Bayes'schen Netzwerks für die intelligente Benutzerhilfeeinrichtung, der gemäß den Grundsätzen der vorliegenden Erfindung hergestellt worden ist.
25 ist ein Teil eines Bayes'schen Netzwerks für eine Tabellenkalkulationsanwendung, der Musterereignisse und profilerzeugte Ereignisse zum Darstellen von Daten einer Tabellenkalkulation darstellt.
26 ist ein Bayes'sches Netzwerk, das mit temporalen dynamischen Informationen gekennzeichnet ist, gemäß den Grundsätzen der vorliegenden Erfindung bei einem beispielhaften Ausführungsbeispiel einer Tabellenkalkulationsanwendung.
27 ist ein Teil eines Bayes'schen Netzwerks, der ein Modell gemäß den Grundsätzen der vorliegenden Erfindung zum Helfen beim Beenden in einer Mehrfache-Anwendungen-Situation darstellt.
28 bis 30 sind ein Teil eines Bayes'schen Netzwerkes, das die Schlussfolgerun gen zum Helfen beim Beenden in einer Mehrfache-Anwendungen-Situation darstellt.
31 ist ein Diagramm, das die Steuerungsmodi der intelligenten Benutzerhilfeeinrichtungssteuerung darstellt.
32 ist ein Verfahren gemäß der vorliegenden Erfindung zum Kombinieren der Deduktionsanalyse der Benutzeraktionen und des Programmstatus mit der Deduktionsanalyse der Freitextabfrage.
33 ist ein Flussdiagramm des selbstständigen Hilfeablaufs der vorliegenden Erfindung.
34 ist eine Darstellung des geselligen Interfaces der intelligente Benutzerhilfe für ein Tabellenkalkulationsprogramm bereitstellt.
35 ist ein Blockdiagramm der intelligenten Benutzerhilfeeinrichtung mit Spracherkennungssystem, das die Benutzung der Deduktionsergebnisse.
Detaillierte Beschreibung der Erfindung:
Die vorliegende Erfindung stellt ein normales Ereignis, Erzeugungs- und Überwachungssystem bereits, das die Erzeugung von High-Level-Ereignissen durch die Kombination von Low-Level-Ereignissen erlaubt. Das Ereignissystem ist in Verbindung mit dem Schlussfolgerungssystem in der Lage, Deduktionen über verschiedene Klassen von Ereignissen zu verschiedenen Zwecken zu überwachen und durchzuführen. Die verschiedenen Klassen von Ereignissen beinhalten den Status von Schlüsseldatenstrukturen in einem Programm, normale Sequenzen von Benutzereingaben mit einem mausgesteuertem Cursor in dem normalen Interaktionsablauf mit einem graphischen Benutzerinterface, Wörtern, die in eine Freitextabfrage für Hilfe eingegeben werden, visuelle Informationen über Benutzer wie beispielsweise Blick- und Gestikinformationen und Sprachinformationen beinhalten. Die vorliegende Erfindung wendet ferner ein neues Ereignisspezifikationswerkzeug an, das die schnelle Entwicklung des allgemeinen Ereignisprozessors erlaubt, der High-Level-Ereignisse durch die Kombination von Benutzeraktionen bildet.
Die vorliegende Erfindung beinhaltet ferner ein neues Deduktionssystem mit einem gekennzeichneten Bayes'schen Netzwerk, um spezielle temporale Schlussfolgerungsverfahren einzubeziehen. Die Schlussfolgerungsmaschine beinhaltet ein neues spezifisches Abschätzungsverfahren, das eine einzelne eindeutige Bayes'sche Netzwerkwissensdatenbank verwendet, aber die Wahrscheinlichkeitsinformationen in dem Netzwerk in Abhängigkeit von dem Zeitabstand zu der Vergangenheit, an dem eine Beobachtung gemacht worden ist, verändert. Die Wissensdatenbank enthält spezielle Kennzeichen mit temporalen dynamischen Informationen und die Deduktionsmaschine beinhaltet spezielle Verfahren um Wechsel in der Relevanz mit dem Zeitablauf zu handhaben.
Die vorliegende Erfindung stellt ferner eine intelligente Benutzerhilfeeinrichtung und ein Verfahren zum Gebrauch von probabilistischen und logischen Schlussfolgerungen bereit, um Entscheidungen über den besten Weg zu treffen, einem Computersoftwarebenutzer Hilfe bereitzustellen. Die vorliegende Erfindung stellt ferner ein Verfahren zum Bilden einer intelligenten Benutzerhilfeeinrichtung bereit, in dem ein Schlussfolgerungsmodel zum Berechnen der Wahrscheinlichkeit von Absichten, Zielen oder Informationsbedürfnissen eines Benutzers durch die Analyse von Informationen über die Aktionen eines Benutzers, den Programmstatus und Wörter eingerichtet wird. Eine beispielhaftes Ausführungsform der vorliegenden Erfindung überwacht Benutzerinteraktionen mit einer Softwareanwendung und wendet probabilistische Schlussfolgerungen an, um zu erkennen, dass der Benutzer Hilfe bei dem Gebrauch eines bestimmten Features oder beim Durchführen einer spezifischen Anwendung benötigt. Dieses Ausführungsbeispiel der vorliegenden Erfindung akzeptiert zusätzlich eine Freitextabfrage des Benutzers der nach Hilfe fragt und verbindet die Deduktionsanalyse der Benutzeraktionen und des Programmstatus mit einer Deduktionsanalyse der Freitextabfrage. Dieses Ausführungsbeispiel der vorliegenden Erfindung bezieht auch ein neues Benutzerprofilsystem mit ein, das Informationen über die Benutzerkompetenz speichert, die zunächst durch eine Benutzereingabe oder einen Dialog mit dem Benutzer erstellt werden können und die durch die Ergebnisse der weitergehenden Benutzeraktivität aktualisiert wird. Dieses ständige Benutzerprofil bietet Benutzerkompetenzinformationen während der Deduktionsanalyse und ermöglicht ferner die Kundenspezifizierung von Anleitungsinformationen für die Benutzer, nachdem eine Anwendungssitzung abgeschlossen ist.
Ferner beinhaltet dieses Ausführungsbeispiel eine automatische Hilfeschlussfolgerung um zu bestimmen, wann eine Benutzer Hilfe haben möchte und kommt selbstständig nach vorne, in Abhängigkeit von der berechneten Wichtigkeit des des Nachvornekommens und des Wertes, auf welchen ein Benutzer einen Grenzwert gesetzt hat. Wenn ein Benutzer direkt mit der Freitextabfrage Hilfe abfragt, verbindet das System auch die Analyse der Worte in der Freitextabfrage mit der fortgehenden Analyse der Benutzeraktionen.
1 ist ein Blockdiagramm eines Computersystems 10, das für die Probe eines beispielhaften Ausführungsbeispiels der vorliegenden Erfindung geeignet ist. Der Fachmann wird erkennen, dass das Computersystem, das in 1 dargestellt ist, lediglich zur Erläuterung gedacht ist und dass die vorliegende Erfindung auch mit anderen Computersystemkonfigurationen durchgeführt werden kann, inklusive dezentraler Systeme und Multiprozessorsysteme und tragbarer Einheiten. Das Computersystem 10 beinhaltet einen Prozessor 12, mit einem Eingabe-/Ausgabesystem 14. Die Eingabeeinrichtung kann z.B. eine Kamera 15, eine Tastatur 16, eine Maus 18, ein Mikrophon 20, ein Anzeigegerät oder eine andere Eingabeeinrichtung sein. Die Ausgabeeinrichtungen können z.B. ein Anzeigenbildschirm 22, einen Drucker 24, einen Lautsprecher 26 oder eine andere Ausgabeeinrichtung sein. Das Computersystem 10 kann ein Sprachinterface 27 umfassen, das ein Sprachsystem mit dem Mikrophon 20 und dem Lautsprecher 26 koppelt. Das Computersystem 10 kann ein visuelles Erkennungs- und Verfolgungsinterface 29 umfassen, das alles Erkennungs- und Verfolgungssystem mit der Kamera 15 oder anderen spezialisierten Kopfgeräten mit einem Infrarot Reflektor oder 3D-Ultraschallsensoren koppelt. Das Computersystem 10 kann ferner ein Netzwerkinterface 28 umfassen, das den Computer mit einem Netzwerk 30 koppelt, das entweder ein lokales Netz oder ein Weitverkehrsnetz, wie das Internet, sein kann. Das Computersystem umfasst zusätzlich einen Systemspeicher 32 und ein Dauerspeicher 34 der die Anwendungsprogramme und die intelligente Benutzerhilfeeinrichtung beinhaltet. Der Dauerspeicher kann eine Diskette, eine CD-ROM; eine Festplatte oder Firmware sein. Das Computersystem 10 umfasst ein Betriebssystem 36 und mehrere Anwendungsprogramme wie z.B. ein Tabellenkalkulationsprogramm 38, ein Textverarbeitungsanwendungsprogramm 40 oder andere Anwendungsprogramme 42. Ein System-Bus 44 verbindet den Prozessor 12, den Systemspeicher 32, den Dauerspeicher 34 und das Eingabe-/Ausgabesystem 14. Der Fachmann wird erkennen, dass die intelligente Benutzerhilfeeinrichtung direkt in den Anwendungsprogrammen integriert sein kann oder als alleinstehende Einrichtung, die Teil der Systembibliothek oder des Betriebssystems ist.
Überblick über die intelligente Benutzerhilfeeinrichtung (IUAF)
Obwohl Softwarebenutzerfreundlichkeitsstudien die Benutzerinterfaceprobleme beim Zugang zu komplexen Features genau aufzeigen und das Benutzerinterface vereinfachen und intuitiver für den Featurezugang machen können, können die Verbesserungen im Benutzerinterface die Vielzahl von komplexen Features nicht verstecken und die Funktionalität der komplexen Features für den unerfahrenen Benutzer nicht vereinfachen, ohne die Anzahl der Feature, die durch das Inter face dargestellt sind, zu reduzieren und/oder nur eine vereinfachte Version des vollen Feature darzustellen.
Ein Beiprodukt der Softwareprogrammbenutzerfreundlichkeitstudien kann die Identifikation von Benutzerverhalten sein, wenn ein Benutzer Schwierigkeiten bei der Verwendung von Basisfunktionalität eines bestimmten Softwareprogramms hat. Die Erfindung stellt ein Verfahren zur Schaffung einer intelligenten Benutzerhilfeeinrichtung für ein bestimmtes Softwareprogramm bereit, in dem Benutzerbenehmen überwacht und verstanden wird, wenn ein Benutzer solche Schwierigkeiten hat, oder wenn ein Benutzer Nutzen aus der Bereitstellung von automatisierten Aktionen ziehen kann.
2 ist ein Flussdiagramm des Verfahrens zur Schaffung einer intelligenten Benutzerhilfeeinrichtung für ein Softwareprogramm. Der erste Schritt 50 des Verfahrens besteht in der Identifizierung der Basisfunktional eines bestimmten Softwareprogramms, in dem Benutzer Schwierigkeiten haben, oder aus einer automatischen Hilfe Nutzen ziehen könnten und das Benutzerverhalten, das ein Benutzer zeigt, wenn der Benutzer solche Schwierigkeiten hat, oder nach Hilfe verlangt. Ein Weg, diesen Schritt durchzuführen, besteht in der Beobachtung und Aufnahme von Benutzerverhalten, wenn ein Benutzer Schwierigkeiten während der Benutzerfreundlichkeitstudien über das spezielle Softwareprogramm hat. Zum Beispiel während einer Benutzerfreundlichkeitsstudie für ein Tabellenkalkulationsprogramm kann ein Benutzer der mit einer Tabellenkalkulation interagiert, darum gebeten werden, ein grafisches Datendiagramm einer Tabellenkalkulation (z.B. ein Balkendiagramm) zu aktualisieren. Der Benutzer muss keine Erfahrung in der Veränderung oder Modifizierung von Balkendiagrammen haben, sobald diese erzeugt worden sind. Der Benutzer zeigt anschließend folgendes Verhalten: Erst wird der Benutzer das Balkendiagramm anwählen, indem er den Mauszeiger auf das Diagramm platziert und den Mausknopf doppelklickt. Dann pausiert der Benutzer, um auf dem Diagramm über einen Zeitraum zu verweilen, während er den nächsten Schritt prüft, oder sucht. Die Beobachtung dieser Aktivität könnte als ein Hinweis darauf dienen, dass der Benutzer Schwierigkeiten hat bei der Verwendung des Diagrammfeatures der Tabellenkalkulation.
Sobald die Probleme bei der Verwendung der Basisfunktionalität identifiziert sind, besteht der nächste Schritt 52 in dem Bilden eines Modells für die Anwendung um eine intelligente Hilfe für die identifizierte Basisfunktionalität bereitzustellen. Ein Modelltyp ist ein Netzwerk von unabhängigen Variablen, wie beispielsweise ein Bayes'sches Netzwerk, das probabilistische Verhältnisse zwischen beobachtbaren Hinweisen, Zwischenvariablen und Interessenhypothese repräsentiert. Ein Bayes'sches Netzwerk ist ein gerichtetes azyklisches Diagramm, in denen die Knoten zufallsbedingte Variablen repräsentieren und die Bögen zwischen den Knoten probabilistische Abhängigkeiten zwischen diesen Variablen repräsentieren. Ein Bayes'sches Netzwerk repräsentiert eine Gemeinschaftswahrscheinlichkeitsverteilung für einen Satz von Variablen. Rechenverfahren, die als Bayes'sche Deduktionsalgorithmen bezeichnet werden, wurden entwickelt um das Bayes'sche Netzwerk zu handhaben. Diese Algorithmen aktualisieren die Wahrscheinlichkeitsverteilung über den Status von Variablen in einem Bayes'schem Netzwerk. gemäß Änderungen, die in den Statuswerten gemacht werden. Ein Beispiel für Statusveränderungen sind neue Werte, die auf den variablen Status übertragen werden, wobei die Variablen die beobachtbaren Stadien der Welt, gefolgt von der Beobachtung dieser Stadien in der Welt repräsentieren. Eine Beschreibung von Bayes'schen Netzwerken kann in „Probabilistic Reasoning In Intelligent Systems" von Judea Pearl, IMorgan Kaufmann Publishing Inc., San Mateo, 1988, gefunden werden.
Einige der Knoten sind Variablen, die einen Hinweis repräsentieren, der beobachtet werden kann. Andere Knoten repräsentieren nicht beobachtbare oder schwierig zu beobachtende Interessenhypothesen, die beim automatiserten Entscheidungstreffen verwendet werden können. Ein einfaches zwei-variabel Bayes'sches Netzwerk ist in 3 dargestellt. Das Netzwerk repräsentiert die Abhängigkeit zwischen einem Benutzer, der in dem Status des Hilfebedarfs 68 ist, und Benutzeraktivität der vielfachen Menüerkundung 69 oder „Menüsurfen" ohne eine Fortschritt zu machen. Menüsurfen kann erkannt werden, aber es kann nicht einfach beobachtet werden, ob ein Benutzer Hilfe benötigt. Bei der Modellierung von Benutzerschwierigkeiten mit komplexen Softwarefeatures können die Hinweisknoten das Benutzerverhalten repräsentieren, das bei der Durchführung von Aktionen zu bestimmten Zielen oder bei dem Erfahren von Schwierigkeiten mit einem Softwareprogrammfeature gezeigt wird und Hypothesenknoten können das Ziel des Benutzers oder die bestimmte Hilfe die der Benutzer für die Vollendung einer Anwendung, die dieses Feature benutzt, repräsentieren. Zum Beispiel während der Erstellung eines Diagramms pausiert der Benutzer nach der Auswahl des Diagrammerzeugungskommandos. Eine Hinweisknotenvariable würde die Tatsache, dass der Benutzer nach der Auswahl des Kommandos pausiert, repräsentieren. In der Hypothesenknotenvariable könnte die Hypothesenwahrscheinlichkeit, dass der Benutzer zur Erzeugung eines Diagramms Hilfe benötigt, repräsentieren, gemäß der Tatsache, dass der Benutzer nach der Auswahl des Diagrammerzeugungskommandos pausiert. Die Verwendung eines Bayes'schen Netzwerkes ist ein Weg, ein solches Modell der unsicheren Verhältnisse zwischen Benutzeraktionen und Hypothese zu bilden. Der Fachmann wird erkennen, dass andere Modelle verwendet werden können, wie z.B. Entscheidungsbäume oder regelbasierte Schlussfolgerungen.
Für jede dieser Modelle besteht der nächste Schritt 54 darin, die Hinweisvariablen zu korrespondierenden Mustermodellen zu bestimmen, die zwischen verschiedenen Schwierigkeiten und Hilfebedarf unterscheiden können, die eine Person bei der Verwendung einer Basisfunktionalität eines Softwareprogramms haben kann und die während der Benutzerinteraktion mit der Software erkannt werden können. Eine Schlüsselanwendung, die bei der Bildung des Bayes'schen Netzwerkmodells für die intelligente Hilfeeinrichtung benötigt wird definiert die Hinweisvariablen, die beobachtet werden und nimmt die probabilistische Beziehung zwischen diesen Variablen zu Variablen, die die Interessenhypothese repräsentieren, zur Kenntnis. Diese Ereignisse sind solche, die nützlich für die Erkennung und Unterscheidung zwischen verschiedenen Schwierigkeiten und Bedürfnissen sind, die eine Person im Gebrauch von komplexen Softwarefeatures im Allgemeinen und insbesondere bei spezifischen komplexen Softwarefeatures von Softwareanwendungen haben kann.
Beobachtungsklassen, die nützlich für die Identifizierung wann und was für eine Art von Hilfe ein Benutzer braucht sind, umfassen Hinweise auf Suche (z.B. die Erkundung von vielen Menüs), Hinweise auf Selbstprüfung (z.B. plötzliche Pausen oder Verlangsamung des Kommandoflusses), Hinweise des Aufmerksamkeitsfokus (z.B. das Anwählen und Pausieren auf Objekten), Hinweise auf ungewollte Aktionseffekte (z.B. Kommando/Rückgängigmachen, ein Dialog der ohne Aktionen geöffnet und geschlossen wird), Hinweise auf ineffiziente Kommandosequenzen, den strukturellen und semantischen Inhalt einer Datei an der gearbeitet wird und zielspezifische Aktionssequenzen. Auch Programmstatus und Programmzusammenhang, Benutzerkompetenzen und die Historie der von dem Benutzer durchgesehen Informationen sind nützlich.
Bei der Entwicklung des Bayes'schen Netzwerkes und der Spezifiszierung dieser beobachtbaren Variablen, ist es wichtig, die Natur und Definitionen der intelligenten Benutzerhilfeeinrichtung zu berücksichtigen, dass zur Erkennung von Benutzeraktionen genutzt wird. Die Basisereignisse, die von dem Softwaresystem oder der Softwareanwendung verfügbar gemacht werden können, müssen berücksichtigt werden. Musterereignisse, die als bei dem System auftretend erkannt werden, werden entworfen, um mit jeder beobachtbaren Variabel zu korrespondieren. Die Musterereignisse müssen bezüglich Basis oder atomischen Ereignissen, die von dem Softwareprogramm erzeugt werden, definiert werden.
Während der Laufzeit werden die Musterereignisse, die mit den beobachtbaren Hinweisvariablen korrespondieren, die in dem Bayes'schen Netzwerk moduliert sind, dem Deduktionssystem bereitgestellt, das die Hinweisvariablen auf spezifische Werte setzt. Die intelligente Benutzerhilfeeinrichtung hat die Fähigkeit, das kürzliche Auftreten von vielen Musterereignissen nebeneinander und die Zeit, an der diese Ereignisse auftraten, zu berücksichtigen und diese überwachten Informationen zur Aktualisierung des Status der beobachteten Variablen in dem Bayes'schen Netzwerk zu benutzen. Das Bayes'sche Netzwerk wird mit seinen assoziierten, dynamisch sich bezüglich dem Status und der Zeit der beobachteten Variablen veränderten Einstellungen von dem Deduktionssystem analysiert, das aktualisierte Wahrscheinlichkeiten von verschiedenen Interessehypothesen generiert. Diese Wahrscheinlichkeiten werden für das Treffen von Entscheidungen über Aktionen und Informationsanzeigen für den Benutzer verwendet.
Nach der Vollendung der Anwendung des Bestimmens der Hinweisvariablen in einem Bayes'schen Netzwerk und ihrer assoziierten Mustermodelle besteht der nächste Schritt 56 darin, atomische Ereignisse zu identifizieren und das Vorhandensein von jedem Musterereignis festzustellen. Die Musterereignisse können durch das Vorhandensein eines einzelnen atomischen Ereignisses bestimmt werden, das mit einer Benutzeraktion oder dem Status eines Programms assoziiert ist oder eine Sequenz eines oder mehrerer atomischen Ereignisse repräsentiert.
Zum Beispiel können die zwei atomischen Ereignisse, das (1) ein Benutzer ein Balkendiagramm anwählt und dann (2) auf dem Diagramm über einen Zeitraum von mehr als 10 Sekunden pausiert, zu einem einzigen Musterereignis zusammengefasst werden, das einer Hinweisvariable in einem Bayes'schem Netzwerk entspricht. Beide dieser Ereignisse können zum Bilden eines Musterereignisses, Sel_Chart_Pause, zusammengefasst werden, dass das einen Vorfall eines Benutzers der Schwierigkeiten bei der Aktualisierung eines Diagramms mit den Daten einer Tabellenkalkulation hat, anzeigt.
Die Variablen in dem Bayes'schen Netzwerk können binär sein und nur zwei Stadien (z.B. vorhanden und nicht vorhanden) haben, oder können verschiedene Stadien haben. Für den Fall, dass mehrere Werte vorhanden sind wird die Variable auf eine der Stadien, die der Beobachtung entspricht, gesetzt. Binäre Beobachtungsvariablen sind beschrieben, jedoch gilt auch diese Technik für Variablen mit einer größeren Anzahl von Werten. Wenn ein Musterereignis beobachtet wird und an das Deduktionssystem weitergeleitet wird, wird die Hinweisvariabel, die diesem Ereignis entspricht, zu der Zeit, die für das Auftreten des Ereignisses vermerkt ist, auf „vorhanden" gesetzt. Wann immer probabilistische Deduktionen in dem Bayes'schn Netzwerk durchgeführt werden, werden die Stadien von allen Variablen, die von einem Musterereignis festgelegt werden können, berücksichtigt. Als Deduktionsergebnis können wir Veränderungen in der Interessenhypothesen erkennen. Zum Beispiel wenn der Vorfall Sel_Chart_Pause oder andere Beobachtungen, die die Wahrscheinlichkeiten aktualisieren, dass ein Benutzer Schwierigkeiten mit diagrammbezogenen Anwendungen hat, gegeben ist, wird die Wahrscheinlichkeit, die der Hypothese zugewiesen ist, dass ein Benutzer Schwierigkeiten mit der Aktualisierung des Diagramms mit Daten der Tabellenkalkulation hat, zunehmen.
Ein weiteres Beispiel eines Musterereignisses ist die Aktion eines Benutzers, das Rückgängig-Kommando anzuwählen, gefolgt von dem Kommando eines Satzes von diagrammbezogenen Kommandos. Eines von jeglichen atomischen Ereignissen oder Musterereignissen in einem Satz gefolgt von einem Rückgängigkommando kann als Chart_Cmd_Undo Musterereignis zusammengefasst werden. Wenn dieses Musterereignis den entsprechenden Hinweisknoten im Bayes'schen Netz festlegt, können wir einen Anstieg in der Wahrscheinlichkeit, die der Hypo these zugeordnet ist, das ein Benutzer Schwierigkeiten bei der Aktualisierung des Diagramms mit Daten einer Tabellenkalkulation hat, sehen. Um mit dem oberen Beispiel fortzufahren, die atomischen Ereignisse für das Musterereignis Sel_Chart_Pause sind (1) ein Benutzer wählt ein Balkendiagram an, gefolgt von (2) einigen minimalen vorher festgelegten Zeiträumen (z.B. 10 Sekunden), in denen eine Verweilzeit ist, die durch den Stillstand der Benutzeraktivität gekennzeichnet ist.
Atomische Ereignisse können direkt als Musterereignisse dienen. Zum Beispiel ist Del_Chart ein atomisches Ereignis, dass das Löschen eines Diagramms repräsentiert, das auch ein Musterereignis ist, dass der Beobachtungsvariable in dem Bayes'schen Netzwerk entspricht.
Musterereignisse können auch Zusammenhangsinformationen über den Status der Datenstrukturen in einer Anwendung enthalten. Beispielsweise Chart_View bedeutet, dass ein Diagramm auf der momentanen Anzeige vorhanden ist. Dies erhöht die Wahrscheinlichkeit, das Diagrammhilfe für den Benutzer relevant ist.
Wörter, die in einer Freitextabfrage aufgetaucht sind, sind auch atomische Ereignisse. Übergeordnete Musterereignisse können als das Auftauchen von einem Wort eines vordefinierten Satzes von Wörtern in einer Benutzerabfrage definiert sein. Wenn die Benutzerfrage ist: „Wie kann ich die Farben in dem Diagramm ändern?", wird das Musterereignis, das ein Wort eines Satzes von Wörtern (z.B. in diesem Fall einen Satz, der die Worte modifizieren, umformen und aktualisieren als Elemente enthält) in der Frage bemerkt wurde, an das Deduktionssystem übergeben. Andere wichtige Worte in der Frage wie „Farbe" und „Diagramm" sind auch als Musterereignisse erkannt worden, wenn sie bekannt dafür sind, in einem Satz von zuvor modulierten Sätzen von gleichartigen Wörtern vorhanden zu sein. Diese Musterereignisse werden in der gleichen Art und Weise analysiert wie „umformen".
Die Klasse der Musterereignisse, die über den vielfachen Gebrauch eines Softwareprogramms beständig sind, sind als Profilinformationen definiert. Die Musterereignisse beinhalten Ereignisse, die die Benutzerkompetenz oder fehlende Kompetenz angeben und sind in der Benutzerprofildatenbank gespeichert. Mus terereignisse, die in dem Benutzerprofil gespeichert sind, stellen zusätzliche Informationen über den Benutzer bereit, wie beispielsweise die vorherige Erfahrung des Benutzers mit speziellen Anwendungsfeatures oder mit der Ausführung von spezifischen Anwendungen oder der Durchsicht von Anleitungsmaterial in der Vergangenheit. Diese Ereignisse können mit Variablen korrespondieren, die in dem Bayes'schen Netzwerk dargestellt sind und von dem Deduktionssystem verwendet werden, um die Evaluation der Hypothese anzupassen.
Andere Arten von atomischen Ereignissen können Informationen über die Anwesenheit oder Abwesenheit eines Benutzers vor dem Computer umfassen, die von Umgebungsdetektoren, über visuelle Merkmale des Benutzers inklusive Informationen über den Fokus des Benutzerblickes, den Ausdrücken des Benutzers oder der Gestik des Benutzers, die von einer Videokamera oder einem visuellen Erkennungs- und Verfolgungssystems erkannt werden, und Sprachäußerungen eines Benutzers gesammelt werden, die von einem Spracherfassungssystem erkannt und verarbeitet werden.
Nachdem für jedes der Musterereignisse die atomischen Ereignisse und ihre zugehörigen Kombinationen identifiziert sind, besteht der nächste Schritt 58 in dem Bilden eines Ereignismonitors für das Softwareprogramm, der die Benutzerinterfaceaktionen begutachten wird, um die atomischen Ereignisse für die Eingabe in die Deduktionsanalyse zu extrahieren. Der gebildete Ereignismonitor ist in die Softwareanwendung integriert, um diese Softwareanwendung in Schritt 60 beim Erstellen einer intelligenten Benutzerhilfeeinrichtung zu instrumentieren. Der Fachmann wird erkennen, dass der Ereignismonitor in der Anwendungssoftware integriert sein kann oder als alleinstehende Komponente stehen kann, die Teil einer Systembibliothek oder eines Betriebssystems ist.
Zur Komplettierung der intelligenten Benutzerhilfeeinrichtung solle ein Ereignisprozessor die Musterereignisse aus atomischen Benutzerinterfaceaktionen berechnen (Schritt 62). Als nächstes wird eine Wissensdatenbank aus dem Muster gebildet (Schritt 64). Der letzte Schritt 66 besteht darin, eine Deduktionsmaschine aus dem Modell zu bilden, die die Wissensdatenbank dazu verwendet, eine vorgeschlagene Benutzerhilfe bei dem Auftreten von Musterereignissen zu bestimmen. Ein Bayes'schs Netzwerk mit Deduktionsprozeduren dient sowohl als Wissensdatenbank als auch als Deduktionsmaschine.
4 ist ein funktionelles Blockdiagramm der Komponenten eines Ausführungsbeispiels einer intelligenten Benutzerhilfeeinrichtung, die durch die Verwendung der oben beschriebenen Methode gebildet worden ist. Die intelligente Benutzerhilfeeinrichtung umfasst ein Softwareprogramm 72, das instrumentiert worden ist, um Aktionen und Ereignisse zu beobachten, die von einem Benutzer der mit dem Softwareprogramm interagiert, ausgelöst worden sind. Diese Aktionen und Ereignisse werden periodisch von einem Ereignisprozessor 74 untersucht, um zu entdecken, ob irgendeine oder irgendein von diesen entweder in Alleinstellung oder in Kombination eine beobachtbare Variable in dem Bayes'schen Netzwerk repräsentiert. Die Musterereignisse werden von dem Deduktionssystem 76 analysiert, um Vielfachhypothesen darüber, welche Hilfe ein Benutzer benötigen könnte, zu bilden und zu evaluieren. Diese Ereignisse können dazu führen, dass die Wahrscheinlichkeit ansteigt oder abfällt, dass ein Benutzer Probleme bei der Verwendung eines speziellen Anwendungsfeatures oder bei der Durchführung einer spezifischen Anwendung hat.
Das Deduktionssystem 76 ruft auch das Benutzerprofilsystem 78 auf, um die Kompetenzen und die Hilfeänderungen, die basierend auf der Benutzerkompetenz gegeben sind, zu kontrollieren. Der Benutzerhintergrund, die erfolgreiche Vollendung von Schlüsselanwendungen, die auf die Kompetenz in speziellen Bereichen hinweisen, und die zuvor von dem Benutzer durchgesehene Hilfe sind einige der Variablen, die in dem Benutzerprofilsystem 78 gespeichert sind.
Das IUAF Steuergerät 79 löst, basierend auf den Einstellungen seines Steuermodus, einen Deduktionsanalysezyklus des Deduktionssystems 76 aus. Ein Deduktionszyklus kann immer, wenn ein Benutzer nach Hilfe fragt, ausgelöst werden oder wenn eines oder mehrere von jeder Anzahl von Spezialereignissen aufgetreten ist/sind, oder kann einfach als regulär getakteter Zyklus auftreten oder als jede Kombination dieser Modi. Wenn der Steuerungsmodus eingestellt ist, um einen Deduktionszyklus bei dem Auftreten eines speziellen Ereignisses auszulösen, oder der Steuerungsmodus eingestellt ist, um als regulär getakteter Zyklus aufzutreten, wird das Deduktionssystem 76 selbstständig dem Benutzer Hilfe an bieten, wann immer die berechnete Wichtigkeit des Nachvornekommens den von einem Benutzer eingestellten Selbstständige-Hilfe-Grenzwert übersteigt. Wenn der Steuermodus eingestellt ist, einen Deduktionszyklus auszulösen, wann immer der Benutzer nach Hilfe fragt, wird die Deduktionsanalyse der Benutzeraktionen und des Programmhintergrunds mit einer Analyse der Wörter einer Freitextabfrage kombiniert, wenn immer der Benutzer eine Freitextabfrage übermittelt.
Der Fachmann wird erkennen, dass die funktionellen Blöcke, die in dem Diagramm dargestellt sind, als separate Komponenten implementiert sein können oder dass einige oder alle der funktionellen Blöcke in eine einzelne Komponente implementiert sein können. Zum Beispiel kann eine separate Bibliothek implementiert werden, die die Schlussfolgerungssystemfunktionalität und die Ereignisprozessorfunktionalität beinhaltet. Bei einer solchen Implementierung kann das Schlussfolgerungssystem das instrumentierte Programm periodisch nach allen atomischen Ereignisse seit der letzten Abfrage abfragen, oder kann einfach nach einer spezifischen Anzahl der zuletzt aufgetretenen Ereignisse fragen und dann kann das Schlussfolgerungssystem die Musterereignisdatenbank des speziellen Softwareprogramms aufrufen, um zu bestimmen, ob irgendein Ereignis der atomischen Ereignisse ein Musterereingis für die Eingabe in die Deduktionsanalyse ist. Der Fachmann wird erkennen, dass die Deduktionsanalyse implementiert werden kann, um nur die fortgehende Analyse der Benutzeraktionen und des Programmhintergrunds zu umfassen, außer wenn ein Benutzer direkt mit einer Freitextabfrage nach Hilfe fragt. In diesem Fall kann die Deduktionsanalyse implementiert sein, nur die Analyse der Wörter in der Freitextabfrage zu umfassen, wann immer ein Benutzer direkt mit einer Freitextabfrage nach Hilfe fragt. Der Fachmann wird auch erkennen, dass eine separate Analyse für die unterschiedlichen Klassen der Musterereignisse durchgeführt werden könnte, wie z.B. für die Wörter in einer Abfrage oder für den Aktionen im Interface, und die Resultate dieser separaten Analysen könnten mit der Möglichkeit, die den Ergebnissen der verschiedenen Analysen gegebene Gewichtung zu steuern, kombiniert werden.
Instrumentiertes Programm
Jedes Softwareprogramm oder jede Bibliothek kann ein instrumentiertes Programm sein, inklusive Betriebssystemprogramme oder Anwendungsprogramme. Als Darstellung eines instrumentierten Programms wird ein Anwendungsprogramm beschreiben. Eine typische Softwareanwendung umfasst ein Benutzerinterface und Anwendungsprozeduren. Wenn ein Benutzer mit der Softwareanwendung interagiert, durch die Verwendung von Eingabeeinrichtung, wie z.B. das Niederdrücken einer Taste der Tastatur, oder das Klicken eines Knopfes der Maus, übersetzt das Betriebssystem diese Benutzeraktionen in Ereignisse und sendet diese zu dem Anwendungsprogramm. Die Benutzerinterfacekomponente des Anwendungsprogramms verarbeitet diese Ereignisse und leitet sie zu der passenden Anwendungsprozedur zum Antworten auf diese Ereignisse weiter. Der für die intelligente Benutzerhilfeeinrichtung einer speziellen Beantwortung gebildete Ereignismonitor kann in die Anwendungssoftware integriert sein, wie in 5 dargestellt ist. In dieser Konfiguration verfolgt der Ereignismonitor 84 Ereignisse, die von der Benutzerinterfacekomponente 82 an die Anwendungsprozedur 86 übergeben werden und übermittelt sie dem Ereignisprozessor durch ein Aufrufinterface des Ereignisprozessors. Es kann auch als alleinstehende Komponente implementiert werden, die Teil eines Systems oder einer Anwendungsbibliothek ist, die periodisch Abrufe an das Anwendungsprogramm macht, ihm alle Ereignisse seit der letzten Periode zu übermitteln, oder es macht einfach die Abfrage, dass das Anwendungsprogramm nur eine spezifische Anzahl der zuletzt aufgetretenen Ereignisse übermittelt. Alternativ kann es als Teil des Betriebssystems enthalten sein, wobei in diesem Fall der Ereignismonitor die Ereignisse, die vom Betriebssystem an das Anwendungsprogramm übermittelt werden, filtert und an den Ereignisprozessor weitergibt.
6 ist ein funktionelles Blockdiagramm eines instrumentierten Tabellenkalkulationsanwendungsprogramms, wie in dem Hilfethemenausführungsbeispiel. Wenn ein Benutzer mit dem Tabellenkalkulationsanwendungsprogramm durch die Verwendung von Eingabeeinrichtung interagiert, übersetzt das Betriebssystem diese Benutzeraktionen in Ereignisse und übermittelt sie an das Tabellenkalkulationsanwendungsprogramm. Zum Beispiel kann der Benutzer den Zeiger der Maus auf ein Menügegenstand platzieren und kann dann den Mausknopf klicken.
Das Betriebssystem wird diese Benutzeraktionen in ein Ereignis übersetzen, das der Benutzer ein Anwendungsmenügegenstand angeklickt hat und übermittelt dieses Ereignis an die Tabellenkalkulationsanwendung. Die Benutzerinterfacekomponente 92 des instrumentierten Tabellenkalkulationsanwendungsprogramms 90 erhält dieses Ereignis und leitet es zu der passenden Tabellenkalkulationsanwendungsprozedur 96 zur Verarbeitung dieses Ereignisses weiter. Der Tabellenkalkulationsereignismonitor 94, der die Ereignisse, die von der Benutzerinterfacekomponente 92 an die Anwendungsprozedur 96 übergeben werden, verfolgt, erkennt dieses Ereignis und leitet eine Kopie an den Ereignisprozessor weiter.
Ereignisprozessor
Der Ereignisprozessor ist ein allgemeines Überwachungs- und Ereignisberechnungssystem, das ermöglicht, dass High-Level-Ereignisse aus der Kombination von Low-Level-Ereignissen geschaffen werden. Der Ereignis-Prozessor muss nicht hochentwickelte Schlussfolgerungsfähigkeiten umfassen. Jedoch wird der Fachmann auch erkennen, dass eine Vielzahl von deterministischen und probabilistischen Ereignisverarbeitungsmethoden verwendet werden können, um mit willkürlichen Abstraktionen oder Clustern von Ereignissen zu arbeiten und Ereignisse in numerische Informationen mit einer Vielzahl von mathematischen Funktionen, inklusive solcher, die direkt als Wahrscheinlichkeiten interpretiert werden können, umzuwandeln.
Da der Ereignisprozessor einen Satz logischer Ereignisse produziert, kann jede Schlussfolgerungsmaschine, regelbasiert oder probabilistisch, seine Ausgabe verwenden. 7 ist ein Blockdiagramm, das die Komponenten des Ereignisprozessors darstellt. Atomische Ereignisse oder Benutzereingabeeinrichtungsinteraktionen werden von einer Ereignisquelle 100, wie beispielsweise ein instrumentiertes Programm, zu dem Ereignisprozessor gesendet. Das instrumentierte Programm kann ein Abrufinterface verwenden, das dem Ereignisprozessor die Ereignisinformation spezifiziert. Der Ereignisprozessor kann nach dem Empfang dieser Ereignisse jedes Ereignis mit einen Zeitstempel versehen und sie in einem Lokalspeicher, wie z.B. dem Systemspeicher, in einem von verschiedenen Datenstruk turarten zum Speichern von Informationen speichern, inklusive einer Datenbank von Aufzeichnungen oder einer endliche Kreiswarteschlange, die nach dem Zeitstempel sortiert ist oder in der Reihenfolge wie eingetroffen.
Ein Musterereigniszusammensteller 104 überwacht periodisch die atomischen Ereignisse in dem Lokalspeicher 102 auf der Suche nach einem oder mehreren atomischen Ereignissen, die in ein Musterereignis umgerechnet werden könnten. Dies würde typischer Weise von dem Deduktionssystem 74 zu Beginn eines Deduktionszyklus ausgelöst; jedoch könnte der Musterereigniszusammensteller 104 zwischen Deduktionszyklen eine Komposition von Ereignissen durchführen, wie z.B. wann immer ein neues atomisches Ereignis empfangen wird, oder wenn spezielle Auszüge von Ereignissen empfangen werden. Der Musterereigniszusammensteller 104 bildet dann Musterereignisse aus den atomischen Ereignissen gemäß den Ereigniskompositionsregeln, die in der Ereignisspezifikation definiert sind. Der Musterereigniszusammensteller 104 speichert jedes Musterereignis, das der Zusammensteller 104 aus den atomischen Ereignissen geschaffen hat, in der Musterereignisdatenbank 108.
Der Fachmann wird feststellen, dass für jedes individuelle Programm, das die intelligente Benutzerhilfeeinrichtung verwendet eine Musterereignisdatenbank implementiert sein könnte. Beispielsweise könnte eine Musterdatenbank für jedes instrumentierte Anwendungsprogramm, das sich in dem Computersystem befindet, vorhanden sein. Der Fachmann wird auch feststellen, dass zusätzlich eine separate allgemeine Musterdatenbank vorhanden sein könnte, die Allgemeinsystem- oder Anwendungsereignisse wie das Öffnen eines Programms oder das Schließen eines Programms umfasst. In diesem Fall kann das Deduktionssystem eines Deduktionszyklus sowohl auf die allgemeine Musterereignisdatenbank, als auch auf die Musterereignisdatenbank des aktiven Programms zugreifen.
In einem Beispiel einer Musterereignisdatenbank existiert eine einzelne Aufnahme für jedes Musterereignis für diese Datenbank. Wenn ein Programm mit dem intelligenten Benutzerinterface aktiviert wird, können vorher existierende persistente Ereignisse, die in dem Benutzerprofil gespeichert sind, dazu verwendet werden, die Musterereignisdatenbank zu initialisieren. Indem Musterereignisse von dem Zusammensteller gebildet werden, kann die Aufnahme für dieses Ereig nis in der Musterereignisdatenbank aktualisiert werden. Ein Beispiel für ein Aufnahmeformat der Musterereignisse in der Musterereignisdatenbank ist:
Eines der Felder wird dazu verwendet, die Anzahl der Auftritte zu zählen und die Rate ihres Auftretens. LastTime und Count werden in der Benutzerprofildatenbank für alle persistenten Musterereignisse gespeichert. Nach der Programminitialisierung werden diese Felder aus der Benutzerprofildatenbank in ihre korrespondierenden Musterereignisse in der Musterereignisdatenbank geladen.
Musterereignisse sind nur für eine vergleichsweise kurze Zeit interessant. Die Zeitperiode während der ein Musterereignis relevant ist, kann als sein Horizont bezeichnet werden. Verschiedene Ereignisse können verschiedene Horizonte haben. Ein 60 Sekunden Horizont ist eine angemessene Zeitlänge für die Horizonte der meisten Ereignisse, die aus Benutzeraktionen erzeugt werden. Die Dauer des Horizontes bestimmt die Zeitlänge, in der ein Musterereignis in dem Deduktionssystem 76 berücksichtigt wird.
Jedem Musterereignis kann ein vorgegebener System- oder Anwendungshorizont zugeordnet werden, oder es kann ein spezifischer Horizont zugeordnet werden. Musterereignisse die in der Musterereignisdatenbank 104 über ihren Horizont verblieben sind werden wann immer die Musterereignisdatenbank abgerufen oder aktualisiert wird, verworfen. Bevor sie jedoch aus der Musterereignisdatenbank 104 geworfen werden, werden die resistenten Musterereignisse in dem Benutzerprofil gespeichert. Die Deduktionsmaschine 76 und der Benutzerprofilersteller agieren im Allgemeinen als Ereignissenke und greifen auf die Musterereignisdatenbank 104 zum Extrahieren von Musterereignisaufnahmen zu. Jedoch gibt es eine Ausnahme. Zur Programminitialisierungszeit können die vorher vorhandenen resistenten Ereignisse, die in dem Benutzerprofil gespeichert sind dazu verwendet werden, die Musterereignisdatenbank 104 zu initialisieren und verändern als Konsequenz das Verhalten des Programms.
Ereignissystemspezifizierungswerkzeug
Das Ereignisspezifizierungswerkzeug gewährleistet die schnelle Erschaffung des Musterereigniszusammenstellers und der Musterereignisdatenbank für spezifische Anwendungsprogramme während der Erschaffung einer intelligenten Benutzerhilfeeinrichtung für dieses Softwareprogramm. Eine Sprache wurde für das Bilden von Musterereignissen (wie z.B. Menüsurfen) aus atomischen Ereignissen, die in einem Programm, z.B. einer Anwendung, bereitgestellt wurden (z.B. viele Menüs wurden ohne Aktion innerhalb von 10 Sekunden besucht, Position des Cursors auf der Tabellenkalkulation, usw.), entwickelt. Die Sprache erlaubt es, dass die atomischen Ereignisse direkt als Musterereignisse verwendet werden, genauso wie das atomische Ereignisse in übergeordnete Musterereignisse umgeformt werden. Auch können Musterereignisse verbunden werden um andere Musterer eignisse zu schaffen, genauer gesagt, ermöglicht die Sprache boolesche Kombinationen von atomischen Ereignissen und die Verbindung von booleschen Ereignissen zu Musterereignissen mit Operatoren, die den Zeitbegriff erfassen. Das Ereignisspezifizierungswerkzeug kann direkt mit einem Bayes'schen Modellierungswerkzeug verbunden sein, so dass die Musterereignisse und ihre Definitionen während der Bildung und Redefinition des Bayes'schen Benutzermusters erstellt werden können.
8 ist ein Blockdiagramm eines Ereignissystemsspezifizierungswerkzeuges 110, das für die Codeerstellung für den Musterereigniszusammensteller 104 und die Musterereignisdatenbankdefinitionen 118 verwendet wird. Jede Musterereignisdefinition 112, die während des Schrittes der Definition der Musterereignisse erschaffen worden ist, wird dazu verwendet, die Ereignisse in der Ereignissprache 114 zu spezifizieren. Die Ereignisspezifizierung 114 wird dann in ein Ereignissprachenübersetzer 116 eingegeben, der die Ereignissprachen Aussagen der Spezifizierung in einen High-Level-Sprachcode, wie z.B. C, übersetzt, um die Musterereigniszusammenstellerkomponente 104 zu erschaffen. Der Ereignissprachübersetzer erschafft auch die Musterereignisdatenbankdefinition. Als Teil dieses Prozesses kann der Ereignissprachübersetzer 116 in Systemen, die eine Datenbankstruktur verwenden, um Informationen über den Status der Musterereignisse zu speichern, die Musterereignisdatenbank 106 direkt aus den Musterereignisdatenbankdefinitionen 118 erschaffen.
Die Ereignissprache umfasst boolesche und gesetzte Operatoren mit dem Zusatz, dass temporale Operationen Verweilzeit und Sequenz umfassen. Mustermodelle werden in einem separaten Textmodul, das in der Ereignisspezifizierungssprache geschrieben ist, definiert. Sie können jedoch auch mit dem Gebrauch von speziellen Definitionsformularen gebildet werden. Die Textdefinitionen werden als bezeichnete Aussageblöcke für jedes Musterereignis erstellt. Diese Definitionen umfassen die Namen der atomischen Ereignisse und weisen einen oder mehrere atomische Ereignisse Operationen zu. Die allgemeine Form einer Musterereignisdeklaration in der Ereignisdefinitionssprache ist:
Ein Beispiel der Musterereignisdeklarationen für das Musterereignis Dwell_on_Chart ist:
Der Übersetzer übersetzt die Syntaxaussage der Ereignisdefinitionssprache in den Musterereignisnamen, Dwell_on_Chart, und aktualisiert die Musterereignisdatenbank durch das Hinzufügen einer Aufnahme mit diesem Ereignisnamen und initialisiert alle Aufnahmefelder. Ein Musterereignis kann eine komplexe Synthese verschiedener anderer Ereignisse, inklusive anderer Musterereignisse, sein oder kann einfach das Umbenennen eines atomischen Ereignisses sein. Die Ereignissynthesesprache unterstützt Einfügungsausdrücke, die logische Kombinationen von atomischen Ereignissen, Musterereignissen, arithmetischen und logischen Operatoren vorgeben. Da jede grundlegende Operation durchgeführt ist, wird das Zwischenresultat als Ereignis behandelt und hat ähnliche Eigenschaften.
Die Ereignissprache hat logische und mengentheoretische Operatoren, temporale und arithmetische Operatoren. Die Operatoren erlauben die Definition von spezifischen Elementen, genauso wie Elemente, die als Verallgemeinerungen definiert sind, basierend auf dem Ereignissatz. Zum Beispiel können übergeordnete Ereignisse über Abstraktion oder Verallgemeinerung mit Operatoren wie Element gebildet werden:
Element({x₁, ... x₀}): Jedes Ereignis das von den Elementen des Ereignissatzes {x₁, ... x₀} bezeichnet wird, tritt auf. Solche Sätze können als spezifische Klasse der Ereignisse definiert werden.
Temporale Operatoren erlauben uns, Ereignisse hinsichtlich Sequenzen von Ereignissen über die Zeit zu definieren. Temporale Intervalle können bezüglich der Anzahl der Benutzeraktionen, des Umfanges der Zeit, oder anderer Messungen der Dauer, die als Funktionen der Benutzeraktionen und Zeit definiert werden können, gemessen werden. Zum Beispiel kann es nützlich sein, die Musterereignisse bezüglich Scaled_seconds zu definieren, eine Messung der Dauer in der die Sekunden von der Schnelligkeit mit welcher ein Benutzer arbeitet, skaliert werden, so dass die temporalen Konstanten an Benutzer die mit schnelleren oder langsameren Geschwindigkeiten als ein Durchschnittsbenutzer arbeiten, angepasst werden. Beim Spezifizieren der temporalen Operatoren kennzeichnen wir die Dimension der Messung des temporalen Intervalls durch die Spezifizierung der temporalen Dimension d mit einem Wert (z.B. c für Kommandos, s für Sekunden und ss für skalierte Sekunden). Einige nützliche temporale Operatoren sind:
Rate (x, t, d): Mindestens x atomische Ereignisse treten in der Dauer t der Dimension d auf.
Ensemble_N({x₁, ... x₀}, t, d) mindestens N Ereignisse aus dem Ereignissatz {x₁, ... x_n} treten in dem Intervall t der Dimension d auf.
All({x₁, ... x₀}, t, d): alle Ereignisse in einem spezifizierten Ereignissatz {x1, ... xn} treten in der Dauer t der Dimension d auf.
Sequence({x₁, ... x₀}t, d): alle der Ereignisse die in einem Ereignissatz {x1, ... xn} treten in der Dauer t der Dimension d auf.
TightSeq({x₁, ... x_n}, t): alle der Ereignisse, die in einem Ereignissatz {x₁, ... x_n} spezifiziert sind, treten in der Dauer t der Dimension d auf.
Dwell(t, d): keine Benutzeraktion über t Sekunden oder skalierte Sekunden der Dimension d.
Zusätzlich können Parameter spezifiziert werden, die die Persistenz oder Dynamik der probabilistischen Verhältnisse zwischen Musterereignissen und anderen Variablen in einem Bayes'schen Netzwerk mit der Zunahme des Umfangs der Zeit, seitdem ein Musterereignis aufgetreten ist, definieren. Im allgemeinen Fall können wir jede temporale Funktion bereitstellen, die beschreibt, wie die probabilistische Verhältnisse der Ereignisse zu anderen Variablen in einem Bayes'schen Netzwerk sich ändert, wenn die Zeit die dem Auftreten eines Ereignisses folgt, zunimmt.
Insbesondere erlaubt die Sprache die Bogenbeschreibung p(E_i, t₀|H_j, t₀),die Wahrscheinlichkeit des Auftretens des Ereignisses E_l zu der Zeit t₀ in der Vergangenheit unter Bedingung der Wahrheit der Hypothese H_j zum jetzigen Moment, wobei t_p sich mit dem ansteigendem Umfang der Zeit t_p = t, seit dem das letzte Ereignis aufgetreten ist, ändert.
Nützliche Unterscheidungen zum Darstellen der temporalen Dynamiken beinhaltet Horizont und Verfall:
Horizont: Das Zeitintervall, das zu der Zeit t = t₀ beginnt ein Ereignis wahr wird, dass das probabilistische Verhältnis als p(E_i, t₀|H_j, t₀) ohne Änderung dauerhaft besteht. Die Wahrscheinlichkeit verbleibt unverändert, solange die Differenz zwischen dem jetzigen Moment t_p und der Zeit t₀, an der das Ereignis zuletzt erkannt worden ist, weniger ist, als der Horizont.
Dynamik: Die zeitabhängigen Funktionen, die beschreiben p(E_i, t₀|H_j, t_p) und p(E_i, t₀|not(H_j), t_p] nachdem ein Horizont erreicht ist. Die Dynamiken können mit einer Beschreibung der Veränderung in dem Wahrscheinlichkeitsverhältnis, das durch das Verhältnis dieser Wahrscheinlichkeiten definiert ist, zusammengefasst werden. Die Funktionen zeigen, wie die anfänglichen Wahrscheinlichkeiten p(E_i, t₀|H_j, t_p) und p(E_i, t₀|not(H_j), t_p] sich verändern, wenn die Zeit, an der ein Ereignis wahr geworden ist, sich ansteigend von der jetzigen Zeit, t_p, entfernt. Es kann angeführt werden, dass diese Wahrscheinlichkeiten zu einer bestimmten Zeit zu p(not(E_i)|H_j, t_p) und p(not(E_i)|not(H_j), t_p) konvergieren und das anfängliche Wahrscheinlichkeitsverhältnis, wenn t_p = t₀, zu dem Verhältnis dieser späteren Wahrscheinlichkeiten konvergiert und dann Funktionen abgeschätzt werden können, dass das die Wahrscheinlichkeiten oder das Wahrscheinlichkeitsverhältnis von dem anfänglichen Wahrscheinlichkeitsverhältnis, wenn t_p = t₀, zum dem Wahrscheinlichkeitsverhältnis, das mit der Abwesenheit eines Ereignisses verbunden ist, abnehmen.
Die Wahrscheinlichkeiten können als Funktionen berechnet werden, die als Argumente die anfängliche Wahrscheinlichkeit (bei t_0), den Wahrscheinlichkeiten die mit dem abwesend seienden Auffinden verbunden sind und der Zeit des jetzigen Momentes, t_p, und sie versichert die Beständigkeit zwischen den Wahrscheinlichkeiten zu jedem Moment. Das ist, p(Ei, t0|Hj, tp) = f[p(Ei, t0|Hj, t0), p(not(Ei)|Hj, tp), tp]und p(Ei, t0|not(Hj), tp) = f[p(Ei, t0|not(Hj), t0), p(not(Ei)|not(Hj), tp), tp].
Die Operatoren, die dazu verwendet werden, um Musterereignisse zu definieren, können die Zeitdauer der Informationen der resultierenden Musterereignisse beeinflussen. Verknüpfung resultiert in der Speicherung der letzten Auftrittszeit von jeglichen untergeordneten Ereignissen. Trennung resultiert in der Speicherung der Zeiten, die mit dem ersten wahren untergeordneten Ereignis verbunden sind.
Das Wertefeld des erzeugten Zwischenergebnisses, des Musterereignisses wird gemäß dem Ergebnis des Ausdrucks gesetzt. Das Ergebnis aller arithmetischen Vergleichsoperationen ist entweder 1 (Boolesches TRUE) oder 0 (Boolesches FALSE). Wenn das Argument einer arithmetischen Operation ein Ereignis ist, wird das Argument ausgewertet als 1, wenn das Ereignis aufgetreten ist und als 0, wenn das Ereignis nicht aufgetreten ist. Die Zeitstempel, die mit einfachen Nummern versehen sind, werden in den Bereich des momentanen Zyklus gesetzt; mit anderen Worten, die Startzeit ist die Zeit des letzten Zyklus und die Endzeit ist die momentane Zeit.
Da die Syntax Rekursion erlaubt, sollte darauf geachtet werden, dass nicht unendliche Rekursion stattfindet. Diese Aussagen werden in eine Textdatei die als Ereignisspezifikationsmodul bekannt ist, eingetragen. Das Ereignisspezifikationsmodul 114 wird dann von dem Ereignisdefinitionssprachübersetzer 116 ver arbeitet. Der Ereignissprachübersetzer konvertiert die Ereignisspezifikationssprache 114 in den C++-Code, der in die Rechnersprache kompiliert werden kann und verbindet sie direkt mit der Ereignisprozessorsystembibliothek, der IUAF-Bibliothek, der Betriebssystembibliothek oder einer anderen Implementierungsbibliothek. Das Ergebnis der Übersetzung einer High-Level-Ereignisspezifikation ist der Musterereigniszusammensteller 104, der Musterereignisse erstellt. Wenn der Musterereigniszusammensteller 104 während eines Deduktionszyklus aufgerufen wird, bildet er einen Satz der momentanen aktiven Musterereignisse und sendet sie zurück an den Abrufer. Der Deduktionscode führt dann die von dem Ereignissatz angegebenen geeigneten Aktionen durch.
Benutzerprofilsystem
Das Deduktionssystem 76 greift auf das Benutzerprofilsystem 78 zu, um die Kompetenzen zu überprüfen und ändert, bezogen auf die Benutzerkompetenz die Hilfe, die gegeben wird. Der Benutzerhintergrund, die erfolgreiche Vollendung von Schlüsselanwendungen, die indikativ für die Kompetenz in speziellen Gebieten sind, und bisherige Hilfe, die von einem Benutzer durchgesehen worden ist, sind Variablen, die in einer dauerhaften Datei gespeichert und mit der Zeit aktualisiert werden können. Solche persistenten Informationen über den Benutzerhintergrund, die Erfahrung und die Kompetenz werden als „Profilinformationen" bezeichnet.
9 ist ein Blockdiagramm; des Benutzerprofilsystems 78. Das Benutzerprofilsystem 78 umfasst eine Benutzerprofildatenbank 120, eine Benutzerprofilzugriffsroutine 122, eine Ereignisstatusaktualisierungsroutine 124, eine Hintergrund- und Kompetenzdialogroutine 126 und eine kundenspezifizierte Hilferoutine 128.
Die Benutzerprofildatenbank 120 beinhaltet Aufnahmen, die formatidentisch mit den Aufnahmen in der Musterereignisdatenbank 106 sind, so dass ein gemeinsames Format zwischen den Musterereignisdatenbankaufnahmen und den Benutzerprofildatenbankaufnahmen besteht. Dieses gemeinsame Format ist praktischer sowohl für das Aktualisieren der Benutzerprofildatenbank mit Musterereignissen, als auch für die Deduktionsmaschine zum Interpretieren dieser Aufnah men, wenn sie auf diese Datenbanken für eine Deduktionsanalyse zugreift. Die Benutzerprofildatenbankaufnahmen sind dauerhaft gespeichert, so dass sie eine historische Aufnahme von speziellen Benutzerkompetenzen mit spezifischen Softwareanwendungen bilden. Diese Datenbank wird auf einer über-Benutzer-über-Anwendungsbasis aufrecht erhalten. Ein Beispiel der persistent gespeicherten Mustermodelle, die bezeichnend für die Benutzerkompetenz sind, ist die Vollendung oder Nichtvollendung von bestimmten Anwendungen, der erfolgreiche oder nicht erfolgreiche Gebrauch von bestimmten Features und die Hilfe die in der Vergangenheit erhalten wurde oder die Hilfsinformationen, die durchgesehen worden sind.
10 ist ein Flussdiagramm, das zeigt, wie die Benutzerprofildatenbank 120 mit dem Ereignisstatus eines Benutzers, der mit einem spezifischen Anwendungsprogramm interagiert, aktualisiert wird. Die Ereignisstatusaktualisierungsroutine 124 in Schritt 130 erhält die erste Musterereignisaufnahme aus der Musterereignisdatenbank und überprüft in Schritt 132, ob die Aufnahme als eine Daueraufnahme gekennzeichnet ist. Wenn sie als Daueraufnahme gekennzeichnet ist, wird diese Aufnahme in Schritt 134 in die Benutzerprofildatenbank aufgenommen. Wenn sie nicht als Daueraufnahme gekennzeichnet ist, wird sie nicht in die Benutzerprofildatenbank aufgenommen. Jede aufeinanderfolgende Aufnahme aus der Musterereignisdatenbank wird einer nach dem anderen erhalten (Schritte 136 und 138), überprüft, ob die Aufnahme als eine Daueraufnahme gekennzeichnet ist (Schritt 132) und zu der Benutzerprofildatenbank hinzugefügt, wenn sie als eine dauerhafte Aufnahme gekennzeichnet ist (Schritt 134).
Die das Vorhandensein eines standardgespeicherten Benutzerprofils, das Informationen über „persistente Ereignisse" enthält, könnte ein Benutzer über ein lokales Netzwerk oder über das Internet verfolgen und dadurch die Software des Benutzers kundenspezifisch zuschneiden, wo immer der Benutzer auch sein mag. Während eine Softwareanwendung aktiv ist, kann ein neuer Benutzer sich in das System einwählen und die aktive Softwareanwendung benutzen. 11 ist ein Flussdiagramm, das zeigt, wie auf ein Nutzerprofil zugegriffen wird, wann immer sich ein neuer Benutzer sich in dem System oder der Anwendung anmeldet. Wenn ein Benutzer sich in das System oder in die Anwendung einwählt (Schritt 140), durchsucht die Benutzerprofilzugriffsroutine 122 die lokale Benutzerdaten bank nach dem Profil dieses Benutzers (Schritt 141). Wenn das Profil gefunden wird, wird der Pfad zu diesem Benutzerprofil an das Deduktionssystem 167 übergeben (Schritt 142). Wenn das Profil dieses Benutzers nicht gefunden wird, weil dieser Benutzer die Anwendung von einem entfernten Platz nutzen könnte, dann durchsucht die Benutzerprofilzugriffsroutine die vorhandenen Netzwerke nach jeglichen Benutzerprofildatenbanken, die Benutzerprofile enthalten (Schritt 143). Wenn die Profildatenbank des Benutzers nicht gefunden wird oder das Profil des Benutzers nicht in irgendeiner Benutzerprofildatenbank, auf die zugegriffen wurde, gefunden wird, dann fragt die Benutzerprofilzugriffsroutine den Benutzer nach der Erlaubnis, einen Benutzerkompetenzdialog mit dem Benutzer zu betreten (144), und erstellt ein Benutzerprofil für diesen Benutzer (Schritt 145). Der Pfad für dieses Benutzerprofil wird dann an das Deduktionssystem 76 übergeben (Schritt 142). Wenn der Dialog nicht vollendet wird, wird der Pfad zu Standardprofilinformationen an das Deduktionssystem 76 übergeben (Schritt 146) und verwendet.
Zusätzlich zu dem Beibehalten eines persistenten Benutzerprofils zur Verwendung während der Echtzeitdeduktion kann eine fortgesetzte Hintergrundanalyse der sich wiederholenden Muster des Hilfebedarfs eines Benutzers während eines oder mehrerer Sitzungen, der einen Schwellenwert übersteigt, dazu verwendet werden, eine Hilfeinformationsanleitung kundenspezifisch zu erstellen, die dem Benutzer am Ende einer Benutzersitzung mit diesem Programm angeboten werden kann. 12 ist ein Flussdiagramm der Routine zur Erstellung von kundenspezifischen Anleitungen. Während einer Benutzersitzung mit einem spezifischen Anwendungsprogramm wird ein Histogramm von Hilfethemen, die einen Relevant-Wahrscheinlichkeitsgrenzwert übersteigen, von einem Deduktionssystem 76 aufgenommen (Schritt 150). Wenn der Benutzer anfragt, die Sitzung mit dem Anwendungsprogramm zu beenden, speichert das Benutzerprofil das Histogramm in dem Profil des Benutzers (142) und bereitet eine kundenspezifische Hilfeinformationsanleitung vor, die mit den Hilfethemen, die in dem Histogramm aufgenommen worden sind, zusammenhängen (Schritt 154). Das Benutzerprofilsystem benachrichtigt den Benutzer vor dem Schließen Anwendungsprogramms darüber, dass eine kundenspezifische Anleitung für die Onlinedurchsicht, oder das Drucken als Anleitung vorbereitet worden ist (Schritt 156).
Deduktionssystem
Wenn ein Deduktionsanalysezyklus gestartet wird, greift das Deduktionssystem 76 auf die Musterereignisdatenbank 106 zu, um die Musterereignisaufnahmen für jedes Musterereignis, das seit dem letzten Deduktionszyklus aufgetreten ist, zu entnehmen. Ein funktionelles Blockdiagramm des Deduktionssystems ist in 13 dargestellt. Das Deduktionssystem 76 umfasst eine oder mehrere Wissensdatenbanken 160 und eine Deduktionsmaschine 165. Die Wissensdatenbanken 160 beinhalten Informationen, die zu Variablen, die beobachtbare Stadien der Welt repräsentieren, wie z.B. Benutzeraktionen oder Wörter, eine Beziehung zu Variablen finden, die Interessenhypothesen über die Ziele und der Hilfebedarf eines Benutzers repräsentieren, die nicht direkt beobachtet werden können oder die kostspielig zu beobachten sind. Beispielsweise können die Ziele eines Benutzers notwendigerweise nicht direkt beobachtet werden, aber eine Sequenz von Computerkommandos kann aufgenommen werden. Ein Benutzer kann aktiv über seine Ziele gefragt werden, aber dies kann sehr ablenkend für den Benutzer sein.
Eine deterministische Wissensdatenbank, die aus einem zusammenhängenden Satz von logischen Regeln besteht, kann Beobachtungen mit versteckten Hypothesen verbinden. Jedoch ist es häufig geeigneter die unsicheren Verhältnisse als Wahrscheinlichkeiten und den Hypothesewahrscheinlichkeiten über den Benutzerbedarf zu verarbeiten. Beispielsweise bei dem Versuch das Verhalten eines komplexen Systems die menschliche Physiologie zu verstehen und vorauszusagen, ist es typischer Weise nicht möglich, alle Komponenten eines Systems komplett mit deterministischen Verhältnissen zu modulieren und dann Zugriff auf ein deterministisches Modell zu haben, für die Diagnosedurchführung oder für die auf einem Satz Symptome basierende Therapieerstellung. Für die Diagnoseerstellung und das Entscheidungsfällen über komplexe Systeme sind wir häufig gezwungen, unter Unsicherheit zu schlussfolgern und explizit die Unvollkommenheit in unserem Verständnis aufzuzeigen. Die Wahrscheinlichkeit stellt uns Mittel zur Diagnose und Voraussage über das Verhalten von komplexen Systemen bereit, angesichts des Wissens über einen Satz von Verhältnissen zwischen beobachtbaren Variablen und versteckten Variablen, die wir als wichtig herausgestellt haben. Wir können probabilistische Methoden zur Darstellung und Schlussfolgerung über schwache und starke Unsicherheitsabhängigkeiten von Beobachtungen, wie bei spielsweise Symptome eines Patienten oder Variablen wie Krankheiten eines Patienten, verwenden. Ein gutes Beispiel für ein komplexes System ist ein Benutzer, der versucht eine Anwendung durchzuführen, während er mit einer Computersoftwareanwendung oder einem Computersystem interagiert. Es ist sehr schwierig deterministische Modelle zu bilden, die das Verhalten des Benutzers mit den Zielen und Absichten eines Benutzers verbinden. Der beste Weg den Bedarf eines Benutzers zu diagnostizieren, ist geeignete Abstraktionen zu entwickeln, die auf unserem Verständnis der Verhältnisse zwischen verschiedenen Arten von Zielen und Aktionen des Benutzers basieren und die Verhältnisse mit Wahrscheinlichkeiten aufzuzeigen und daraus Schlussfolgerungen zu ziehen. Probabilistische Methoden erlauben uns Modelle mit einem Abstraktionsgrad zu bilden, der im Hinblick auf unser unvollständiges Verständnis über Benutzer und ihre Aktionen geeignet ist.
Ein Bayes'sches Netzwerk oder die Verallgemeinerung eines Bayes'schen Netzwerkes, das ein Einflussdiagramm genannt wird, kann dazu verwendet werden, um sichere und unsicherer Verhältnisse über Benutzeraktionen und solche versteckten, aber wichtigen Stadien, wie Benutzerziele, Benutzerabsichten und Benutzerbedarf aufzuzeigen, angesichts beobachtbarer Informationen, wie eine oder mehrere Benutzeraktionen. Ein Bayes'sches Netzwerk ist ein gerichtetes azyklisches Diagramm, in dem Knoten willkürliche Variablen sind und Bögen probabilistische Abhängigkeiten zwischen diesen Variablen darstellen. Die Variablen in einem Bayes'schen Netzwerk sind Möglichkeitsvariablen und deterministische Variablen. Ein Bayes'sches Netzwerk zeigt eine Verbindungswahrscheinlichkeitsverteilung für einen Variablensatz, den es repräsentiert. Die Wahrscheinlichkeitsverteilungen über die Werte der Möglichkeitsvariablen hängen von den Werten der direkten Vorfahren oder Elternvariablen, die die Eltern der Knoten sind, ab. Der Wert der deterministischen Variablen ist eine deterministische Funktion der Vorgänger. Einflussdiagramme sind eine Verallgemeinerung von Bayes'schen Netzwerken, die zusätzliche Knoten, die mögliche Aktion und den Ergebnisnutzen darstellen, repräsentieren.
Die Deduktionsmaschine 165 umfasst Deduktionsprozeduren 166 die mit der Wissensdatenbank 160 arbeiten. Die Wissensdatenbank 160 umfasst ein Bayes'sches Netzwerk 162. Der Fachmann wird erkennen, dass die Wissensdaten bank eine deterministische Wissensdatenbank sein kann mit logischen Kettenprozeduren, wie die Deduktionsprozeduren der Deduktionsmaschine. Oder die Wissensdatenbank kann ein Bayes'sches Einflussdiagramm mit Deduktionsprozeduren sein, zum Arbeiten an Bayes'schen Netzwerken, wie die Deduktionsprozedur der Deduktionsmaschine. Temporale Schlussfolgerungsprozeduren 167 und Informationswertprozeduren 168 sind auch als Teil der Deduktionsmaschine 165 enthalten. Andere spezialisierte Prozeduren können auch enthalten sein.
Die Bayes'schen Deduktionsprozeduren arbeiten an dem Bayes'schen Netzwerk um eine einheitliche spätere Wahrscheinlichkeitsverteilung über die Werte der Variablen in dem Netzwerk zu berechnen, anhand der Statuseinstellung der beobachtbaren oder der Hinweisvariablen zu spezifischen Stadien basierend auf den Beobachtungen. Unter der Annahme wir sind an der Wahrscheinlichkeitsverteilung über nicht überwachte Interessenhypothesen, H₁... H_M, interessiert und haben Zugriff auf Beobachtungen und Profilinformationen E₁, ... E_N. Der Bayes'sche Netzwerkdeduktionsalgorithmus berechnet eine Wahrscheinlichkeitsverteilung über H angesichts der Beobachtungen, geschrieben als p(H|E₁, ... E_n). Für das Einflussdiagramm wird eine entscheidungstheoretische Deduktion durchgeführt, um den erwarteten Nutzen der alternativen Aktionen zu identifizieren. Die beste Aktion ist die, die mit dem höchsten erwarteten Nutzen verbunden ist.
Im allgemeinsten Sinne, die Anwendung eine Deduktion für eine intelligente Benutzerhilfeeinrichtung zu erstellen wird am besten aus der Perspektive durchgeführt, die von der Entscheidungstheorie bereitgestellt wird, einer Erweiterung der probabilistischen Theorie, die Wichtigkeiten des Wertes unter Unsicherheit wiedergibt. Einflussdiagramme erlauben uns fundamentale Verhältnisse zwischen Unsicherheit, Aktionen und denen der Aktion folgenden Ergebnissen und den Werten dieser Ergebnisse auszudrücken. Diese Darstellung ist nützlich für das Erstellen, Verstehen und in vielen Fällen die aktuellen Implementierungen des intelligenten Benutzerhilfesystems. Es ist jedoch häufig der Fall, dass ein einfacheres System geschaffen werden kann, ohne explizit Entscheidungen, Ergebnisse und den Nutzen der Ergebnisse aufzuzeigen und anstelle dessen Bayes'sch Netzwerke zu verwenden, um probabilistische Verhältnisse darzustellen und probabilistische Deduktionen zu verwenden, in Kombination mit verfahrensorientier ten Steuerungen und Grenzwerten als Abschätzung von komplexeren Einflussdiagrammmodellen.
Ein allgemeines Einflussdiagramm zur Benutzermodellierung und für Aktionen, um Benutzern von Software zu helfen, ist in 14 dargestellt als eine beispielhaftes Ausführungsform eines Bayes'schen Einflussdiagramms als eine Wissensdatenbank. Wie in der Figur dargestellt ist, beeinflusst der Hintergrund eines Benutzers 170 mit Unsicherheit die über alle Ziele eines Benutzers 171 beim Verwenden von Software genauso wie das Wissen des Benutzers 162 in der Verwendung der Software. Das Wissen des Benutzers 172 wird auch von der vorherigen Hilfe 173, die ein Benutzer gesehen haben mag, beeinflusst. Der Hintergrund des Benutzers 170 und die vorherige Hilfe 173 sind Variablen, die in einer dauerhaften Datei gespeichert werden und mit der Zeit aktualisiert werden können. Solche persistenten Informationen über Benutzerhintergrund, Erfahrung und Kompetenz werden als „Profilinformationen" bezeichnet. Wie in dem Einflussdiagramm aufgezeigt ist, beeinflussen die Ziele des Benutzers 171 und das Wissen des Benutzers 172 wiederum mit Unsicherheit den Informationsbedarf 174 des Benutzers. Die Ziele 171 und der Bedarf 174 wiederum beeinflussen die erkannte Aktivität 175 und die Wörter die in einer Abfrage 176 an die Software oder das Softwarehilfesystem genutzt werden könnten. Eine Nutzenfunktion des Benutzers 177 ist als Diamant dargestellt. Der Nutzwert 177 wird direkt von dem Informationsbedarf 174 des Benutzers, den Kosten einer selbstständigen Aktion 178 (z.B. Ablenkung eines momentanen Aufmerksamkeitsfokus des Benutzers) und die Aktion, die durchgeführt wird, beeinflusst. Verschiedene Klassen von Aktionen können in dem System verfügbar sein, inklusive das Bereitstellen von Anweisungen oder Hilfe 179, die Ausführung von Softwareaktionen verschiedener Art 180 und die Beschaffung von zusätzlicher, zuvor von dem System unüberwachter Informationen 181 oder direkt von dem Benutzer. Wie in 14 von der Skala an der Hilfekostenvariable 178 dargestellt ist, möchten wir den Benutzer erlauben, direkt die Hilfekosten zu verändern um auf eine flüssige Art und Weise den Grad der Selbstständigkeit in Bezug auf das System zu steuern.
Das übergeordnete Ziel des Deduktionssystems besteht in der Identifizierung von Aktionen, das den erwarteten Nutzen des Benutzers anhand des Benutzerbedarfs und der Kosten für das Durchführen selbstständiger Aktionen optimiert. Anhand eines Satzes von Hinweisen E über den Hintergrund und die Aktionen eines Benutzers wird die Wahrscheinlichkeitsverteilung über Interessenhypothese über den Bedarf eines Benutzers, H, berechnet. Für den Fall des Bayes'schen Einflussdiagramms in 14 wird die Wahrscheinlichkeitsverteilung über den Hilfebedarf eines Benutzers berechnet. Der erwartete Wert der Aktion muss in dem Satz aller möglichen Aktionen A berücksichtigt werden. Um dies durchzuführen berücksichtige den Nutzwert über die Ergebnisse was als Nutzwertmodell dargestellt wird (Diamantenknoten). Das Nutzwertmodell beinhaltet Informationen über den Wert oder den Nutzwert der Ergebnisse. Die Ergebnisse (A, H) sind als Doubles der durchgeführten Aktionen A und des Status des aktuellen Bedarfs des Benutzers H definiert. Das Nutzwertmodell berichtet uns über den Nutzwert der jedem Ergebnis u(A, H), zugeordnet ist. Die beste durchzuführende Aktion, A*, ist die Aktion, die den erwarteten Nutzwert unter Unsicherheit maximiert, und wird wie folgt berechnet: A* = arg maxA Σj u(A1, Hj) p(Hj|E)
Obwohl Einflussdiagramme explizite Aktionsmodelle darstellen, sind Bayes'sche Netzwerke häufig einfacher zu bilden und können zum Entscheidungstreffen und Aktionen verwendet werden, wobei Grenzwerte und Regeln über die Wahrscheinlichkeit von Variablen in dem Netzwerk basierend auf dem Überzeugungsgrad der einer Vielzahl von Stadien, inklusive der Stadien die die Vorlieben für eine Aktion beschreiben, zugeordnet ist, dazu verwendet, anzuzeigen wenn Aktionen durchgeführt werden sollten. Einflussdiagramme, wie z.B. das in 14 dargestellte, können dazu verwendet werden um Abschätzungen die in dem Bayes'schen Netzwerk verwendet werden, zu verdeutlichen.
Temporale Schlussfolgerung und Dynamik
Das Deduktionssystem 76 umfasst auch spezielles temporales Schlussfolgerungswissen 164 in der Wissensdatenbank 160 und Prozeduren 167 zum Durchführen von Deduktionen über die Veränderungen des Verhältnisses der Beobachtungen zu anderen Variablen in dem Model, wenn die Beobachtungen zu Zeiten mit progressiv größeren Abständen zu der Vergangenheit auftreten. Im allgemeinen Falle benötigen Anwendungen der Bayes'schen Prozeduren und Wissensda tenbanken zum Schlussfolgern über Beobachtungsmuster, die über die Zeit erkannt worden sind, die Berücksichtigung der Variablen und ihrer Abhängigkeiten zu einer Zeit und zu verschiedenen Zeiten. Das Bilden und Durchführen von Deduktionen mit Bayes'schen Netzwerken, die Kopien von Variablen und Abhängigkeiten für verschiedene Zeitbilder, kann zu schwierigen rechnerischen Schlussfolgerungsproblemen und für einen Benutzer, der mit einem Programm interagiert, zu inakzeptablen Antwortzeiten führen. Daher sind verschiedene Abschätzungen von Wert. In einer Art von Abschätzung werden nur die spezifischen Abhängigkeiten die als solche mit der größten Wichtigkeit angesehen werden, im Zeitablauf berücksichtigt.
Ein Teil eines Bayes'schen Netzwerks mit zu verschiedenen Zeiten und prototypischen Abhängigkeiten dargestelltem Variablensatz ist in 15 dargestellt. 15 zeigt ein Bayes'sches Netzwerk, das explizit willkürliche Variablen zu verschiedenen Zeitpunkten und die probabilistischen Abhängigkeiten über diese Variablen zu einer bestimmten Zeit und über Variablen an verschiedenen Zeiten darstellt. Die fehlenden Abhängigkeiten von Variablen sind Behauptungen der Unabhängigkeitsannahme. Die Figur zeigt mögliche Einflüsse, die erste relevante Hilfe einem Benutzer zum jetzigen Moment bereitzustellen und darauf die relevanteste Hilfe einem Benutzer zu einer früheren oder späteren Zeit bereitzustellen. Die Figur hebt auch die potentiellen Abhängigkeiten zwischen dem Beobachtungsstatus (E_i und E_j) zum jetzigen Moment und den Beobachtungen, die in der Vergangenheit und Zukunft gemacht wurden/werden hervor. Die Figur zeigt auch das Verhältnis zwischen der ersten relevanten Hilfe im jetzigen Moment und den Beobachtungen in der Vergangenheit. Im allgemeinen Fall sind solche vielfach verbundenen Netzwerke schwierig zu lösen und während der Bildung der Modelle abzuschätzen.
Wir werden nun einen Ansatz beschreiben, über die relevante Hilfe über die Zeit zu schlussfolgern, der handhabbarer beim Lösen und Abschätzen ist durch das Machen von zusätzlichen Abschätzungen der Unabhängigkeit und das Darstellen der Verhältnisse zwischen Hinweisen, die zu Zeiten, die einen progressiv größeren Abstand zu der Vergangenheit haben, festgestellt worden sind, und Interessenhypothesen mit parametrisierten Funktionen, die die Stärke des probabilistischen Verhältnisses zwischen diesen Beobachtungen und den momentanen Zie len und Bedürfnissen nach Hilfe vorschreiben. Die Verwendung dieser Abschätzung in einem beispielhaften Ausführungsbeispiel verwendet ein einzelnes explizites Bayes'schs Netzwerk, aber erlaubt dem System implizit viele Bayes'sche Netzwerke mit der Zeit zu berücksichtigen. Diese Methode hat den Vorteil der direkten Abschätzung während der Modellierungszeit der Funktionen, die adäquat die Dynamik der probabilistischen Verhältnisse zwischen den Variablen und anderen Variablen in einem Bayes'schem Netzwerk beschreiben. Zur Modellierungszeit werden ein Horizont und Dynamiken für jede beobachtbare Variable E_i abgeschätzt und die Variable ist mit dieser Information gekennzeichnet. Während der Laufzeit umfasst die Deduktionsmaschine 165 Prozeduren 167 für die Benutzung dieser Informationen über Horizont und Dynamik. Der Horizont für ein Ereignis erfasst das Zeitintervall, in dem das probabilistische Verhältnis mit der Hypothese H_j ohne Veränderung p(E_i, t₀|H_j,t_p) und p(E_i, t₀|not(H_j),t₀) fortbesteht.
Die Dynamik ist die zeitabhängige Veränderung der Wahrscheinlichkeiten zum jetzigen Moment, wie zuvor beschrieben.
Die Heuristik des Definierens eines Ereignishorizontes beinhaltet die Verwendung von vorgegebenen Horizonten für alle von einem System berücksichtigten beobachtbaren Ereignissen, außer es ist anders spezifiziert, und die Verwendung einer Ereignisreihe der endlichen Länge k, bei der nur die letzten k Musterereignisse bei der Analyse berücksichtigt werden. Dieser Ansatz kann auch mit Dynamik kombiniert werden, wie gerade beschrieben.
Wert der Information
Die Deduktionsmaschine 165 umfasst auch den erwarteten Wert der Information (EVI) Prozeduren 168 um den erwarteten Wert der von einem Benutzer erfassten Information zu berechnen. EVI-Prozeduren und informationstheoretische Abschätzungen, die in probabilistischen Modellen verwendet werden können, sind dem Fachmann für Entscheidungstheorien gut bekannt. Der EVI ist ein Mittel um den erwarteten Wert der erfassten Informationen über Variablen, die bisher noch nicht beobachtet worden sind, zu berechnen. Solche Informationen umfassen die Antworten von Benutzern auf Fragen, die das Computersystem über ihre Ziel und ihren Bedarf gestellt worden sind. Der Nettoinformationswert (NEVI) ist der Nettowert für die Informationserfassung inklusive der Kosten für die Informationser fassung. Das Deduktionssystem 76 fragt nur eine Frage oder erfasst selbstständig Informationen, wenn der informationelle Nutzen der Informationen die Kosten überwiegt. Wenn sich E_x auf jede zuvor unbeobachtete Variable bezieht, die abgefragt werden kann, O_k ein möglicher beobachtbarer Wert von E_x ist und A der Wert ist, der beobachtet wird, wenn die Variable evaluiert wird, dann ist der NEVI von jeder Variable: NEVI(Ex) = ΣK p(Ex – Ok|E)·[maxA Σj u(Aj, Hj) p(Hj|E, Ex= Ok)] – maxA Σj u(Ai, Hj) p(Hi|E) – C(Ex)wobei C(E_x) die Kosten zum Evaluieren des Umstandes E_x sind. Der EVI kann direkt in den Einflussdiagrammen angewandt werden. Verschiedenen gut bekannte informationstheoretische Algorithmen inklusive solcher, die auf der Entropieberechnung basieren, arbeiten, um ähnliche Funktionalität für die Entscheidungen über aus probabilistischen Modellen, wie z.B. Bayes'schen Netzwerken, erhaltenden Informationen bereitszustellen. Diese Algorithmen sind typischerweise handhabbarer als die Berechnung des NEVI mit Einflussdiagramm. Sie verarbeiten nicht explizit die Nutzerwerte, aber sie können nichtsdestotrotz in Verbindung mit Heuristiken, die die Kosten der Information mit den Ausmaßen des Informationswertes balancieren, verwendet werden.
16 ist ein Flussdiagramm der Informationswertprozeduren in der Informationswertkomponente. Die Informationswertkomponente listet alle der zuvor unbeobachteten Informationen in der Reihenfolge ihres Wertes als alternative Informationen auf (Schritt 190) und gewichtet den Nutzwert des Erhaltens der Informationen gegen die Kosten der Ablenkung des Benutzers für jeden Informationsgegenstand (Schritt 192). Wenn der Nutzwert größer als die Kosten sind, die der Benutzer eingestellt hat, fragt die IUAF den Benutzer um den Informationsgegenstand der den höchsten Wert hat, bereitzustellen (Schritt 194). Wenn der Benutzer antwortet, dann wiederholt die Informationswertkomponente die ersten beiden Schritte bis entweder die Kosten der Ablenkung größer als der Nutzwert der Informationsbereitstellung ist oder der Benutzer nicht antwortet (Schritt 196).
Szenarien, die die Bildschirmausgabe der IUAF darstellen:
17 bis 23 stellen die Bildschirmausgaben der intelligenten Benutzerhilfeeinrichtung anhand einer beispielhaften Ausführungsform einer Tabellenkalkulationsanwendung dar. Das System berücksichtigt ein Benutzerprofil, benutzerspezifische Grenzwertinformationen und kombiniert Wörter und Benutzeraktionen um eine intelligente Hilfe dem Benutzer bereitzustellen. Das System hat die Möglichkeit auf Hilfeanfragen zu antworten, genauso wie selbstständig Hilfe bereitzustellen. 17 zeigt ein Hilfeinterface 200, das erstellte wird, wenn der Benutzer explizit nach Hilfe gefragt hat. Vermutungen über den Benutzer bereitzustellende, brauchbare Hilfe sind in der Listenbox 201 in der oberen linken Ecke angezeigt. Die Momentane-System-Einstellungs-Box 202 in der unteren linken Ecke zeigt, dass der Benutzer ein Expertenbenutzer ist. Die Information wurde von dem Benutzerprofilsystem bereitgestellt. Die Momentane-System-Einstellungs-Box 202 zeigt auch, dass sowohl die Benutzeraktion als auch Freitextabfrage von der Deduktionsmaschine während eines Deduktionsanalysezyklus verwendet werden. Anhand der Profilinformationen und der letzten Aktionen, die die Interaktion mit dem Textlayout, in Kombination mit Pausen, und mit den Aktionen die der Benutzer vorgenommen hat um das Aussehen der Zeilen und Spalten zu ändern, kurz bevor die Hilfe angefragt worden ist, einbeziehen, glaubt das System, dass der Benutzer am Besten durch das Erhalten von Hilfe bei dem Arbeiten mit Schriften, fortgeschrittenen Formatanweisungen und mit Methoden zur Änderung der Dimensionen des Tabellenkalkulationsdokumentes profitiert. Rechts von diesem Bildschirmfoto ist ein Deduktionsdiagramm 203 dargestellt, das die Wahrscheinlichkeitsverteilung über einen Satz von Anwendungsbereichen, die von dem Deduktionssystem 76 erstellt worden sind, zeigt. Diese Anzeige wurde für konstruktionstechnische Zwecke erstellt, kann aber dem Benutzer angezeigt werden. Die Länge des Balkendiagramms neben jedem Anwendungsbereich ist die diesem Bereich zugeordnete Wahrscheinlichkeit. Die beiden Bereiche höchster Wahrscheinlichkeit (die mit dem längsten zugeordneten Balkendiagramm) sind die Anwendungen über das Arbeiten mit Schriften und die fortgeschrittenen Formatierungsthemen.
In 18 wurden die Profilinformationen zu einem Profil für einen Anfängerbenutzer ausgetauscht. Der Erfahrungsgrad in der Momentane-System- Einstellungs-Box 202 zeigt, dass der Benutzer einen Erfahrungsgrad eines Anfängers hat. Alle anderen Ereignisverarbeitungen verbleiben unverändert. Wir haben ein Profil für einen Anfängerbenutzer verwendet. Die Profilinformation wird dazu verwendet, die propabilistischen Verhältnisse in dem Bayes'schen Netzwerk zu modifizieren. Das Deduktionsdiagramm 203, das die probabilistische Verteilung über die relevante Hilfe anzeigt, zeigt die mit den Profilinformationen veränderte Wahrscheinlichkeitsverteilung. Wie in der Beste-Vorschläge-Listenbox 201 erkannt werden kann, glaubt das System nun, dass der Benutzer am meisten von der Hilfe mit der Basisarbeit mit Zeilen und Reihen der Tabellenkalkulation, dem Verändern der Anordnung und dem einfachen Formatieren von Diagrammen profitiert.
19 zeigt die Analyse des gleichen Satzes von Benutzeraktionen, doch nun unter Berücksichtigung der Wörter in einer Abfrage eines Benutzers. Der Benutzer hat in das System die natursprachliche Frage, „wie mache ich es, dass dies schöner aussieht?" in die Abfrageeingabebox 204 eingegeben. Die Analyse der Worte und der Aktionen werden kombiniert um eine neue Wahrscheinlichkeitsverteilung, wie in der Deduktionsanzeige 203 angezeigt ist, und eine neue korrespondierende Liste der vorgeschlagenen Themen in der Beste-Vorschläge-Listenbox 201 zu erzeugen. Nun wird die Liste neu sortiert und mit Autoformathilfe aktualisiert, die als die am meisten relevante Hilfe vorgeschlagen wird, enthält aber auch noch andere Formatierungsthemen inklusive der Veränderung der Anordnung, das Arbeiten mit beiden Grenzen und das Arbeiten mit Schriften.
20 zeigt das Programm zu einem späteren Zeitpunkt, zu dem wieder Hilfe abgefragt wird, nach der Interaktion mit einem Diagramm in dem Dokument gekoppelt mit Pausen in den Diagrammkommandos. Die Wahrscheinlichkeitsverteilung, die von dem Deduktionssystem 76 berechnet wurde, wird in dem Deduktionsdiagramm 203 angezeigt. Nun fokussieren sich die vorgeschlagenen Themen in der Beste-Vorschläge-Listenbox 201 auf eine Vielzahl von Hochwahrscheinlichkeitsgebieten in dem Bereich der Diagrammerstellungsinformation. 21 zeigt den Zusatz von Informationen der in Form einer Frage in der Frageeingabebox 204 übermittelt worden ist. Die natursprachliche Frage des Benutzers lautet: „ich benötige den Zugriff auf Daten aus einer anderen Anwendung". Die Wörter werden nun in Verbindung mit den Ereignissen berücksichtigt. Das Deduktionssys tem 76 stellt eine überarbeitete Wahrscheinlichkeitsverteilung in dem Deduktionsdiagramm 203 und eine überarbeitete Liste der vorgeschlagenen Themen in der Beste-Vorschläge-Listenbox 201 bereit, wobei es sich auf das Erhalten von Daten aus einer anderen Datenbank und auf das Verändern in dem Diagramm dargestellten Daten konzentriert.
22 zeigt die Bildschirmausgabe des Deduktionssystems 76 das einem Benutzer selbstständig Hilfe anbietet. Während der Benutzer mit einem Tabellenkalkulationsprogramm 205 interagiert, berechnet ein Hilfemonitoragent die Wahrscheinlichkeit, dass ein Benutzer Hilfe benötigt und das Deduktionssystem 76 berechnet auch die Wahrscheinlichkeiten der verschiedenen Arten von Hilfe, die dem Benutzer gegeben werden, sollte der Benutzer Hilfe benötigen. Der Hilfemonitoragent zeigt die Deduktionsergebnisse über die Wahrscheinlichkeit, dass ein Benutzer Hilfe benötigt in dem Hilfemonitoragentenfenster 206. Genauso wie die Deduktionsdiagrammanzeige 203, die oben beschrieben wurde, wurde der Hilfemonitoragent 206 für Konstruktionszwecke erstellt, kann aber auch dem Benutzer angezeigt werden. Der Benutzer, der mit einem Tabellenkalkulationsprogramm 205 interagiert, wählt nun das gesamte Blatt aus und pausiert. Wie das Hilfemonitoragentenfenster 206 zeigt, verändert sich die berechnete Wahrscheinlichkeit, dass der Benutzer Hilfe benötigt von 26% auf 89%, wobei ein Grenzwert erreicht wird und ein zeitlich kurz angepasstes Fenster, das Selbstständige-Hilfefenster 207, kommt selbstständig nach vorn und zeigt die Hilfegebiete der höchsten Wahrscheinlichkeit, die berechnet worden sind, an. In diesem Fall umfassen die Themen der höchsten Wahrscheinlichkeit das Formatieren von Zellen, das Überprüfen von Rechtschreibfehlern und Durchführen von Berechnungen, sowie Themen, die Analyseimplikation oder Modifikation des gesamten Dokumentes beinhalten. Das Selbstständige-Hilfefenster 207 bietet höflich Hilfe an. Es bietet dem Benutzer auch die Möglichkeit, den Grenzwert neu zu setzen, das die Wahrscheinlichkeit anheben oder absenken wird, die von der Wahrscheinlichkeit, dass ein Benutzer Hilfe benötigt, benötigt wird, bevor ein Fenster angezeigt wird. Das Fenster 207 wird zeitlich ablaufen und mit einer Entschuldigung für das Ablenken des Benutzers entfernt werden, wenn der Benutzer nicht mit dem Fenster 207 interagiert.
23 zeigt die Anzeige 208 der Themen, die als von Wert für den Benutzer bestimmt worden sind, basierend auf der Aufnahme und der Zusammenfassung der fortgehenden Hintergrunddeduktion über Probleme die der Benutzer während einer Sitzung, in der ein Softwareprogramm benutzt worden ist, hatte. Profilinformationen über den Benutzerhintergrund, die Kompetenz und über die Hilfe, die der Benutzer erhalten oder in der Vergangenheit durchgesehen hat, sind auch enthalten. Diese Themen wurden für den Ausdruck als eine kundenspezifisch zugeschnittene Anleitung für die spätere Durchsicht vorbereitet.
Mit temporaler Schlussfolgerung versehenes Bayes'sches Netzwerk
24 zeigt ein Beispiel eines Bayes'schen Netzwerks, das die Wahrscheinlichkeiten der alternativen Form der einem Benutzer bereitzustellenden Hilfen als eine Funktion der Profilinformation über den Benutzer genauso wie der kürzlich von dem Benutzer durchgeführten Aktionen berechnet. Um herauszustellen, dass diese Struktur für viele Beobachtungsklassen und anwendungsspezifischen Hilfebedarf wiederholt werden kann, wurden die Variablen x, y, z und A in vielen der Knoten verwendet.
In diesem Model stellen wir Profilvariablen, die den Status der Benutzerkompetenz in zwei verschiedenen Bereichen der Softwarefunktionalität, x und y, repräsentieren mit einem Satz von Variablen, die als User Competence x 210 und User Competence y 211 bezeichnet sind, dar. Die Benutzerkompetenzen werden jeweils von Variablen beeinflusst, die (1) spezifische beobachtete Aktivitäten des Benutzers (2) die Historie der Hilfethemen, die von dem Benutzer durchgesehen worden sind und (3) der allgemeine Benutzerhintergrund 212, der unsicher sein kann oder durch einen Dialog mit dem Benutzer eingestellt sein kann, repräsentieren. Wie in dem Bayes'schen Netzwerk herausgestellt worden ist, beeinflussen die Benutzerkompetenzen direkt die vorherige Wahrscheinlichkeit der verschiedenen Hilfen bezüglich Relevanz für den Benutzer, wie durch den Status der Primary Assistance Needed Variablen 213 dargestellt wird. Diese Variable wird auch von einer Hintergrundvariablen 214, die Informationen über den Programmstatus wie beispielsweise die Existenz von speziellen Datenstrukturen in der aktuellen Version einer Anwendung, beschreiben.
In diesem Model wird das Problem mit einer einzelnen ersten Hilfevariablen mit Stadien, die alternative Hilfeformen repräsentieren, formuliert. Das Model nimmt an, dass nur ein Status der ersten Hilfe die der Benutzer zu jeder bestimmten Zeit benötigt, existiert. Viele Variablen über die Hilfe können auch dargestellt sein, um die Kennzeichnung das viele Hilfetypen alle zu einer Zeit relevant sein könnten, erfassen.
Wie in dem Bayes'schen Netzwerk dargestellt ist, beeinflusst der Primary Assistance Needed Knoten 213 einen Satz von beobachteten Musterereignissen, wie z.B. das Anwählen des grafischen Objektes Z, dann Pausieren über mehr als eine vordefinierte Zeitperiode (Sel Z Pause 215), oder das Verändern eines Objektes und dann das Durchführen eines Rücksetzens (Z Cmd Undo 216). Während der Laufzeit werden diese Musterereignisse erkannt und an das Deduktionssystem 76 von dem Ereignisprozessor 74 übergeben. Die zu dem Musterereignis gehörenden beobachtbaren Variablen werden aktualisiert und Bayes'sche Deduktion wird durchgeführt, um die Wahrscheinlichkeiten über alle der unbeobachteten Variablen in dem System inklusive der Primary Assistance Needed Variable 213 zu aktualisieren. Die Zeit des Ereignisses wird notiert und, wenn das Ereignis progressiv in die Vergangenheit wandert, wird die temporale Schlussfolgerungsprozedur 167 angewandt, um die probabilistischen Verhältnisse in dem Netzwerk zu aktualisieren.
25 zeigt eine Umschreibung der Knoten mit den Variablen x und z mit dem relevanten Unterschieden, um über das Verhältnis der Aktionen und der Profilinformationen über Diagramm und Kurvenerstellungsinformationen von einem Tabellenkalkulationsprogramm, wie z.B. dem Microsoft Excel-Produkt, zu schlussfolgern. Variablen, die dauerhaft und in einem Profil gespeichert sind, werden mit einem anliegenden P gekennzeichnet. Variablen, die als beobachtbare Musterereignisse beobachtet werden, werden mit M gekennzeichnet. Einer oder mehrere Knoten kann verschiedene Klassen der Diagrammerstellungskompetenz darstellen. In diesem Fall wird eine einzelne Variable, User Competence Charting 220, als die Variable angezeigt, die Informationen über den allgemeinen Grad der Chart-Erstellungsfähigkeit des Benutzers beinhaltet. Die Wahrscheinlichkeitsverteilung über den Stadien dieser Variable wird von Hx Help Charting 221 und Hx Activity Charting 222 und User Background 212 beeinflusst. Hx Help Charting 221 wird von Beobachtungen, die in dem dauerhaften Profil über eine oder Mehrdiagrammerstellungsaktivitäten, die der Benutzer erfolgreich vollendet hat und von Informationen über die Hilfeinformationen über Charterstellung in einer Onlineanleitung, die der Benutzer durchgesehen hat, gesetzt. Die Kompetenzen über die Diagrammerstellung und einer Vielzahl von anderen Gebieten der Softwarefunktionalität beeinflussen die Primary Assistance Needed Variable 213. Diese Variable wiederum beeinflusst die Wahrscheinlichkeit, dass verschiedene Verhaltensweisen des Benutzers beobachtet werden. Beispielsweise beeinflusst der Status das ein Benutzer Hilfe mit einer spezifischen Art der Diagrammerstellungsanwendung benötigt die Wahrscheinlichkeit, dass erfasst wird, dass der Benutzer ein Diagramm in dem Dokument auswählt und auf ihm für s Sekunden pausiert (Sel Chart Pause 223). Anhang 1 umfasst ein kompletteres Bayes'sches Netzwerk an einem beispielhaften Ausführungsbeispiel einer Tabellenkalkulationsanwendung.
26 stellt ein beispielhaftes Ausführungsbeispiel des temporalen Wissens und Deduktion dar. Jedes beobachtbare Musterereignis wird mit Informationen über den Effekt von Zeitfluss auf die probabilistischen Verhältnisse des Ereignisses mit anderen Variablen in dem Bayes'schen Netzwerk gekennzeichnet. In diesem Fall ist jeder Knoten mit temporalen Dynamikinformationen über einen Horizont und Zerfall gekennzeichnet, die als eine Wahrscheinlichkeitstafel oder in einer anderen Datenstruktur implementiert werden können. Die Zeitdimensionen der temporalen Dynamik von jeder Variable werden in Sekunden, die vergangen sind seid das letzte Ereignis wahrgeworden ist, dargestellt.
Wir stellen nun ein Beispiel für einen Fall, der auf Komponenten in der in 26 dargestellten Wissensdatenbank basiert, bereit.
Nehmen wir einen Fall an, in dem wir die folgenden Profilinformationen haben:
Zur Zeit t = 50 Sekunden haben wir folgende Musterereignisse festgestellt:
Ein Analysezyklus wird bei t = 50 Sekunden gestartet. Der Zyklus beinhaltet die Zusammenstellung von Musterereignissen aus dem Atomische-Ereignisselokalspeicher 102, das Übermitteln der Ereignisse an das Deduktionssystem 76 und die Deduktion mit den neuen Beobachtungen. Wir werden die momentane Wahrscheinlichkeit untersuchen, das die erste Hilfe, die von dem Benutzer benötigt wird, die Hilfe mit Diagrammerstellungsinformationen, p(Charting_Assistance|E) ist: Die vorige Wahrscheinlichkeit, dass der Benutzer Hilfe in diesem Gebiet benötigt, bedingt durch den Benutzerhintergrund, die Kompetenz und die Historie der Hilfedurchsicht, ist 0,001. Die Hintergrundinformationen haben dies zu einer Wahrscheinlichkeit von 0,04 ansteigen lassen. Die Wahrscheinlichkeiten sind auch als eine Funktion von allen bisher erfassten Hinweisen anderen Hypothesen über die erste Hilfe zugeordnet (aber dies ist nicht explizit in diesem Beispiel).
Bei t = 52 Sekunden wählt der Benutzer ein Diagramm aus. Das atomische Ereignis durch dass das Diagramm angewählt wird, wird detektiert und in dem Atomische-Ereignislokalspeicher 102 gespeichert. Der Benutzer pausiert dann 3 Sekunden ohne etwas zu tun. Eine Verweilzeit von 3 Sekunden wird detektiert in dem Ereignislokalspeicher 102. Ein Analysezyklus wird bei t = 60 Sekunden aufgerufen. Ein Musterereignis Sel_Chart_Pause 223 wird von dem Ereignisprozessor 74 berechnet, wobei es bei t = 55 Sekunden als wahrwerdend gekennzeichnet wird und wird zu dem Detektionssystem 76 geschickt.
Das Dedektionssystem greift auf das Bayes'sche Netzwerk, das mit temporalen Dynamikinformationen gekennzeichnet ist, zu. Wie in der Wahrscheinlichkeitstafel für Sel_Chart_Pause 230 angezeigt ist, existiert ein Horizont von 5 Sekunden und eine lineare Konvergenz der Wahrscheinlichkeiten zu den Abwesenheitswahrscheinlichkeiten bei 15 Sekunden.
Bei t = 63 Sekunden wählt der Benutzer ein Diagrammdialog aus und schließt den Dialog ohne Erfolg bei t = 66 Sekunden. Ein Analysezyklus wird bei 70 Sekunden aufgerufen und das Musterereignis Char_Dialog_Unsucc 227 wird berechnet und an das Deduktionssystem mit dem Zeitstempel von 66 Sekunden übergeben. Wie in der Wahrscheinlichkeitstafel für Chart_Dialog_Unsucc 231 angezeigt ist, existiert ein Horizont von 20 Sekunden und keine temporale Dynamik.
Dieser Benutzer hat den Grenzwert, bei dem er mit selbstständiger Hilfe gestört wird auf p = 0,12 gesetzt. Daher wird dem Benutzer Hilfe bei der Charterstellung angeboten, wenn die Wahrscheinlichkeit, dass dieses Thema relevant ist auf p = 0,14 ansteigt.
Systemlevel IUAF für vielfache Anwendungen
Die beschriebenen Verfahren können nicht nur bei einzelnen Anwendungen angewandt werden, sondern können auch auf dem Betriebssystemlevel zum Schlussfolgern über das Bereitstellen von Hilfe in einem System mit vielfachen Anwendungen eingesetzt werden. In einer beispielhaften Ausführungsform zur Bereitstellung von Systemhilfe wird ein Bayes'sches Netzwerk verwendet, um einen Benutzer bei dem Schließen einer Anwendung zu helfen, indem abgeschätzt wird, wann der Benutzer eine Anwendung vollendet hat, oder bald vollenden wird.
Eine Bayes'sche Netzwerkwissensdatenbank für die Hilfe eines Benutzers für diese Anwendung ist in 27 dargestellt. Profilinformationen, inklusive der, ob der Benutzer Hilfe in der Vergangenheit durchgesehen hat, oder nicht (Reviewed_Help_in_Past 240), ob er zuvor ausgestiegen ist (User_Exited_Before 241) und ob er gezeigt hat, dass er eine Doppelklickoperation ausführen kann (Successful_Double_Click 242) sind mit umfasst. Musterelemente die als Beobachtungen in dem Bayes'schen Netzwerk dargestellt sind, umfassen die Verweilzeiten nach einer Aktivität (Dwell after Activity 243), Klicksequenzen auf einer Sequenz von unverbundenen grafischen Icons (Click on Seq of Unrelated 244), Mausschlingern (Mouse Meandering 245), ob ein Dokument kürzlich gedruckt wurde (Print Doc 246) oder eine Nachricht gesendet worden ist (Send Msg 247) und die Zeitspanne in der eine Anwendung offen ist (Duration of Time with App 248). Eine Variable repräsentiert eine Wahrscheinlichkeitsverteilung über die am meisten erwünschte Aktion, wodurch sie uns erlaubt, die probabilistische Deduktion für die Schlussfolgerung über die Wahrscheinlichkeit von alternativen besten Aktionen zu schlussfolgern.
Das Beispielszenario demonstriert die Ergebnisse des Effekts der beobachteten Ereignisse bei der Deduktion über den Benutzer. Der Beispielfall nimmt folgendes Profil an: Der Benutzer ist bisher noch nicht selbstständig ausgestiegen, der Benutzer hat noch keine erfolgreiche Doppelklickaktion gezeigt, der Benutzer hat die Hilfe über die Ausstiegsanwendung durchgesehen, aber nicht auf der Infor mation verweilt. Das System detektiert nun das der Benutzer in einer E-Mail für fast 10 Minuten ist und dass der Benutzer auf eine unverbundene Sequenz von grafischen Icons geklickt hat. 28 zeigt die Stadien für jede willkürliche Variable und zeigt durch die Länge der Balken neben den Stadien die Wahrscheinlichkeit über verschiedene Stadien von jeder willkürlichen Variable. Wie durch das Balkendiagramm demonstriert wird, hat das Deduktionssystem 76 berechnet, dass eine hohe Wahrscheinlichkeit existiert, dass der Benutzer ungebildet über das Ausstieg ist (User Ignorant about Exit 249) und eine geringe Wahrscheinlichkeit, dass der Benutzer eine Hauptanwendung beendet hat oder bald beenden wird (Major Task Completed 250).
In 29 sehen wir die Ergebnisse der Deduktion, nachdem ein neues Musterereignis berücksichtigt worden ist. In diesem Fall hat der Benutzer eine E-Mail versendet (Send Msg 247) und verweilte nun für mehr als drei skalierte Sekunden nach der Aktivität (Dwell after Activity 243). Das Bereitstellen eines Tipps für den Benutzer wird nun als die am meisten gewünschte ausstiegsbezogene Aktion identifiziert (Most Desired Exit Action 251). 30 zeigt das gleiche Szenario mit einer Änderung: der Benutzer hat Hilfe oder Beihilfe innerhalb der letzten zwei Minuten erhalten (Recent rec Exit Help 252). Nun ist die am meisten gewünschte Aktion nichts zu tun, gefolgt von den Fragen des Benutzers, ob das System die Anwendung für ihn schließen soll (Most Desired Exit Action 251).
IUAF Steuergerät
Typischerweise existiert ein Bedarf für eine allgemeine Steuerung der verschiedenen Komponenten der intelligenten Benutzerhilfeeinrichtung. Die Steuerungen werden dafür benötigt, um Entscheidungen zu treffen über die Verfahrensweise des Aufrufens des Ereignisprozessors 74 und des Deduktionssystems 76 und für die Feststellung, wann Hilfe selbstständig bereitgestellt werden sollte. 31 ist ein Diagramm, das verschiedene allgemeine Koordinationssteuerungsmodi des intelligenten Benutzerinterfacesteuergerätes darstellt, die separat oder zusammen in Kombination verwendet werden können. Der erste Koordinationssteurungsmodus, der gezeigt wird, ist der Timer-Modus 260, in dem ein wiederholter Systemtimer auslöst, um das IUAF Steuergerät zu benachrichtigen, einen ande ren Überwachungs- und Deduktionsanalysezyklus zu beginnen (Schritt 161). Das IUAF Steuergerät ruft dann das Deduktionssystem auf (Schritt 262). Nach der Vollendung der Deduktionsanalyse wartet das Steuergerät bis der Timer wieder auslöst (Schritt 163). Der Timermodus kann darauf ausgedehnt werden, andere Beschränkungen zu berücksichtigen, bevor der Begin eines Zyklus erlaubt ist. Beispielsweise können in dem Fall, in dem komplexe Deduktionen während der Ereignisüberwachung und Deduktionen auftreten, die weiteren Bedingungen des Bewertens der Verfügbarkeit von Berechnungsressourcen (z.B. die Identifizierung ob eine Leerlaufzeit existiert) hinzugefügt werden. Dadurch wird der Ereignisverarbeitungs- und Deduktionszyklus eintreten, wenn ein Timer auslöst und wenn die Bedingungen der Berechnungsressourcenverfügbarkeit besteht.
Der zweite Modus zeigt den Anforderungsmodus 265. Dieser Modus führt nur eine Deduktionsanalyse durch, wenn der Benutzer nach Hilfe fragt. Wenn eine instrumentierte Anwendung eine Abfrage von Hilfeinformationen erhält (Schritt 266), sendet die instrumentierte Anwendung eine Benachrichtigung an das IUAF Steuergerät (Schritt 267). Als Ergebnis des Erhalts der Benachrichtigung ruft das IUAF Steuergerät das Deduktionssystem auf (Schritt 268). Nach der Vollendung der Deduktionsanalyse wartet das Steuergerät, bis es die nächste Benachrichtigung bekommt (Schritt 269).
Der dritte gezeigte Modus ist der Spezialereignisauslösemodus 270. In diesem Modus existiert eine Liste von Spezialereignissen, die einen Deduktionsanalysezyklus auslösen. Wann immer der Ereignisprozessor das Vorhandensein eines dieser Spezialereignisse detektiert (Schritt 271) sendet der Ereignisprozessor eine Benachrichtigung an das IUAF Steuergerät (Schritt 272). Das IUAF Steuergerät ruft dann wiederum das Deduktionssystem als Ergebnis für das Erhalten der Benachrichtigung auf (Schritt 273). Nach Vollendung der Deduktionsanalyse wartet das Steuergerät, bis es die nächste Benachrichtigung erhält (Schritt 247).
Jegliche zwei oder alle drei Modi können gleichzeitig aktiv sein. Wenn in dem Fall, das alle drei Modi aktiv sind, der Benutzer nicht während der Periode des Timers nach Hilfe gefragt hat oder nicht irgendwelche Benutzeraktionen gestartet hat, die in eines der Spezialereignisse übersetzt werden kann, dann würde ein Deduktionsanalysezyklus auftreten, wenn die Timerperiode abgelaufen ist. Andernfalls würde der Deduktionsanalysezyklus während der Timerperiode auftreten, wenn der Benutzer nach Hilfe gefragt hat, oder eine Benutzeraktion gestartet hat, die in eines der Spezialereignisse übersetzt werden kann.
Integration der Freitextabfrageanalyse mit Ereignissen
Wie zuvor erwähnt, können wir Wörter in einer Freitexthilfeabfrage eines Benutzers als Quelle für Musterereignisse behandeln. Der Microsoft Answer Wizard der in alle Anwendungen der Microsoft Office 95 Produktlinie integriert ist, macht von einem probabilistischen Modell Gebrauch, das Wörter in der Freitextabfrage auf die Wahrscheinlichkeit der relevanten Hilfethemen bezieht. Dieses wurde in der US-Patentanmeldung Nr. 08400797 die nun als US-Patent Nr. 5,694,559 veröffentlicht worden ist, beschrieben. In einer beispielhaften Ausführungsform können Wörter und Aktionen auf eine einheitliche Art und Weise zusammen als Musterereignisse in einem System das die probabilistische Relevanz der Wörter und Aktionen schlussfolgert, gehandhabt werden.
In einem alternativen Ausführungsbeispiel sind separate Untersysteme für die Handhabung der Wörter und für die Handhabung der Aktionen vorhanden. Die Analysen dieser separaten Untersysteme werden, nachdem die separaten probabilistischen Analysen vollendet sind, kombiniert. 32 ist ein Flussdiagramm des Verfahrens für die Kombination separater probabilistischer Analysen. Als erstes wird eine Bayes'sche Anlayse der relevantesten Hilfethemen für den gegebenen Programmstatus, das Benutzerprofil und die Benutzeraktionssequenz berechnet (Schritt 282). Der nächste Schritt besteht in der Ausgabe einer zweiten Liste von Hilfethemen, in der Reihenfolge der höchsten Relevanzwahrscheinlichkeit (Schritt 283). Dann werden beide dieser Listen der Hilfethemen kombiniert, nachdem den Hilfethemen auf jeder Liste eine Gewichtung zugeordnet wurde durch die Berechnung der Wahrscheinlichkeit, dass jedes Hilfethema, das das Gleiche auf beiden Listen ist, relevant ist (Schritt 284). Der letzte Schritt besteht in der Ausgabe der kombinierten Liste von Hilfethemen in der Reihenfolge der höchsten Wahrscheinlichkeitsrelevanz (Schritt 285). In diesem Ausführungsbeispiel kann die Systemperformance eingestellt werden, indem die Ergebnisse des einen Ereignissatzes stärker als der andere gewichtet wird durch die Verände rung des Wertes eines real-nummerierten Parameters, der für die Multiplikation der Wahrscheinlichkeiten verwendet wird, die denen von der Wort- oder Aktionsanalyse bereitgestellten Wahrscheinlichkeiten der Interessenhypothese zugeordnet sind (z.B. Relevanz der Hilfethemen).
Das Bilden von separaten Systemen für die Analyse der Handhabung von Wörtern in einer Freitextabfrage und der Benutzeraktionen erlaubt es den beiden Untersystemen basierend auf den spezifischen Eigenschaften von jeder Ereignisklasse separat optimiert zu werden. Das Gleiche kann auf die anderen Aktionssätze angewandt werden, wie z.B. Visuelle- und Sprachereignisse im System mit Ereignisüberwachungen, die auf diese zusätzlichen Sensormodalitäten ausgeweitet sind.
Separate Analysen erlauben auch die Vereinfachung implementierungsspezifischer Methoden des Kombinierens der Ergebnisse, des Trennens von diesen oder des Sequenzieren von diesen. Beispielsweise kann ein Ausführungsbeispiel eine anfängliche Hilfeabschätzung basierend auf Deduktionen anhand der beobachteten Aktionen anzeigen, aber wenn Wörter hinzugefügt werden, sich alleine auf die Analyse basierend auf den Wörtern vertrauen, angesichts der Performance eines Wortanalysesystems gegenüber eines Aktionssystems. Ein alternativer Ansatz besteht darin, Steuerungsregeln über die Kombination gegenüber der Separation der Deduktion in verschiedenen Subsystemen zu haben, basierend auf einer Vergleichsanalyse der Resultate von den Wörter- und Aktionsanalysen.
Steuerung der Vermittlung und Durchführung von Hilfe:
Das IUAF Steuergerät trifft außerhalb der koordinativen Steuerungsfunktionen auch Entscheidungen darüber, wann der Benutzer mit selbstständiger Hilfe oder mit Fragen zur Information über die Ziele des Benutzers gestört wird (basierend auf dem Wert der Informationsberechnung). In einem beispielhaften Ausführungsbeispiel berechnet ein spezielles Bayes'schs Netzwerk oder Komponenten eines Netzwerkes, das in dem Deduktionssystem 76 angesiedelt ist, die allgemeine Wahrscheinlichkeit, dass ein Benutzer zum jetzigen Zeitpunkt gerne Hilfe hätte. Das IUAF Steuergerät benutzt diese Wahrscheinlichkeitsänderungen, um zu steuern, wann selbstständige Hilfe bereitgestellt wird. Das IUAF stellt selbst ständige Hilfe bereit, wann immer die berechnete Wahrscheinlichkeit, dass ein Benutzer gerne zu dieser Zeit Hilfe hätte, den Grenzwert der von dem Benutzer geändert werden kann, übersteigt. Ein Benutzer verändert den Grenzwert für das Anbieten selbstständiger Hilfe durch die Verwendung eines Grenzwertsteuergerätes. Das Grenzwertsteuergerät kann z.B. in der Form eines gleitenden Grenzwertsteuergerätes sein und kann den Benutzern auf einem selbstständige Hilfe Fenster angezeigt werden, dass ihnen erlaubt den Grenzwert in Abhängigkeit des Wertes den sie finden durch das Erhalten von Hilfe gegenüber der Ablenkung, die es verursacht, zu verändern. Eine Bildschirmabbildung eines dynamischen Hilfefensters mit einem Grenzwertschieber ist in 22 dargestellt.
33 ist ein Flussdiagramm des Bereitstellungsverfahrens selbstständiger Hilfe in diesem Ausführungsbeispiel. Während eines Deduktionsanalysezyklus gibt das Deduktionssystem 76 eine Liste von relevanten Hilfethemen in der Reihenfolge der höchsten Relevanzwahrscheinlichkeit aus (Schritt 290). Dies kann so durchgeführt werden, wie zuvor bei der Diskussion des Deduktionssystems beschrieben wurde. Der nächste Schritt besteht darin, festzustellen, ob die Wahrscheinlichkeit, dass ein Benutzer Hilfe benötigt den Grenzwert übersteigt, der von dem Benutzer für das Bereitstellen selbstständiger Hilfe gesetzt worden ist (Schritt 292). Wenn die Wahrscheinlichkeit, dass der Benutzer Hilfe benötigt, den von dem Benutzer gesetzten Grenzwert übersteigt, dann stellt das Deduktionssystem 76 eine Liste von relevanten Hilfethemen in der Reihenfolge der höchsten Wahrscheinlichkeit bereit (Schritt 294). Die Liste kann derart abgekürzt sein, dass nur die Höchstwahrscheinlichen oder mehrere höchstwahrscheinliche Themen angezeigt werden, aber in einem Fenster, das dem Benutzer erlaubt, wenn benötigt durch eine längere Liste zu scrollen. Als nächstes wird die Liste der relevanten Themen nach redundanten Hilfethemen überprüft, die innerhalb einer spezifizierten Zeitperiode in vorherigen Listen aufgetaucht sind (Schritt 296). Wenn keine redundanten Hilfethemen existieren, wird die Liste dem Benutzer angezeigt (Schritt 298). Wenn der Benutzer auf das selbstständige Hilfeanbieten antwortet, dann werden die Schritte 290 bis 298 wiederholt, bis der Benutzer vor dem Ablauf des Antworttimers es unterlässt zu antworten. Wenn der Benutzer es unterlässt, vor dem Ablauf des Antworttimers zu antworten, dann wird eine Entschuldigungsnachricht auf dem Titel des Fensters angezeigt (Schritt 299) und das Fenster wird nachfolgend entfernt.
Der Fachmann wird feststellen, dass alternative Ausführungsbeispiele verwendet werden können, wie z.B. nur das Anbieten von selbstständiger Hilfe, wenn dies direkt von dem Benutzer angefragt wird, z.B. durch das Klicken auf einen grafisches Icon das mit der intelligenten Hilfeeinrichtung verbunden ist. Das System kann auch berechnete Maßgaben über den erwarteten Nutzwert für das selbstständige Anbieten von Hilfe oder ihre Abschätzung verwenden. Ferner könnte das System nur selbstständige Hilfe anbieten, wenn die Summe der individuellen Relevanzwahrscheinlichkeiten für jedes Thema in einem Themensatz der für Hilfebereitstellung angeboten wird, einen konstanten Wert übersteigt.
In einer beispielhaften Ausführungsform werden die Hilfethemenabschätzungen so lange nicht angezeigt, wenn ein Benutzer Hilfe abfragt, bis die für die Top 5 Themen berechneten Wahrscheinlichkeiten zusammen nicht mindesten die Summe von 0,40 ergeben. In noch einem anderen alternativen Ausführungsbeispiel wird die selbstständige Hilfe so lange nicht angeboten, bis der Benutzer pausiert, damit der Benutzer nicht abgelenkt wird, während der Benutzer sich mit der Aktivität befasst, außer es scheint wichtig zu sein, den Benutzer mit der Aktivität zu helfen, während die Aktivität durchgeführt wird.
Es kann auch nützlich sein, soziale Gewohnheitsregeln und Metaphern bereitzustellen. Beispielsweise können die Deduktionsergebnisse dazu verwendet werden, die Verhaltensgestiken eines grafischen geselligen Zeichentrickcharakters zu steuern. Ein Beispiel dieser Interfaceart ist in 34 dargestellt. Die IUAF Deduktionsergebnisse über die wahrscheinlichsten Probleme die ein Benutzer hat oder potentiell wertvolle Hilfe kann alternativ in einer „Gedankenwolkenmetapher" über den Kopf eines Charakters angezeigt werden. Die Freitextabfragen können in eine grafische Texteingabebox gegeben werden, die ein Mittel des Charakters um die Frage zu sehen oder zu lesen zu sein scheinen.
Spracherkennungsverbesserung über die Integration von IUAF-Komponenten
Der Fachmann für Spracherkennung wird die Leistung erkennen, die erhalten wird, wenn Modelle gesprochener Sprache, die zur Charakterisierung von Lauten über Wahrscheinlichkeit verwendet werden, dynamisch von aus Zielen, Absichten und Bedürfnissen von Computerbenutzern errechneten Informationen beeinflusst werden. Wie in dem Einflussdiagramm in 12 dargestellt worden ist, beeinflussen Benutzerhintergrund und -ziele die in einem Interface erkannten Aktionen, die Wörter, die in einer Freitextabfrage verwendet werden, und die Sprachäußerungen, die von einem Benutzer bei dem Versuch mit einem Softwaresystem oder einer Softwareanwendung zu kommunizieren, generiert werden. Durch das Verstehen der Wahrscheinlichkeit der Benutzerziele und -absichten beim Äußerungenmachen kann unsere Fähigkeit, automatische Spracherkennung durchzuführen, verbessern. Solche Systeme erlauben uns die Wahrscheinlichkeiten über Anweisungen anzupassen und dadurch die Wahrscheinlichkeit von Wörtern und Lauten, die von Benutzern von Computersoftware geäußert werden.
Spracherkennung ermöglicht das Verarbeiten von Audiosignalen, die von einer Anweisung erzeugt worden sind, in gleichartige Laute und das Verarbeiten von Lauten in gleichartige Wörter. Probabilistische Systeme zur Spracherkennung können Wahrscheinlichkeiten von Lauten anhand des Audiosignals und die Wahrscheinlichkeiten von alternativen Wörtern anhand des Signals berechnen. Der Ausdruck Sprache wird verwendet um sich auf den Hinweis zu beziehen, der durch die Schritte des Verarbeitens einer Äußerung in Audiosignale oder in Laute ergibt.
Bayes'sche Sprachverständnissysteme berechnen die Wahrscheinlichkeit des Wortes oder des Wortflusses von einer Anweisung wie folgt:
Durch die Berechnung der Wahrscheinlichkeit über die Bedürfnisse und Ziele eines Benutzers anhand der Aktionen, die von Musterereignissen (inklusive solcher, die auf Blicken basieren ) repräsentiert werden, können wir die Genauigkeit der Wahrscheinlichkeit der von einer Benutzersprache gegebenen Wörter wie folgt redefinieren:
Wir können die Wahrscheinlichkeit, dass Wörter oder Wortfolgen in einem Kontext von Zielen verwendet werden durch das Darstellen der Wahrscheinlichkeit, dass Wörter oder Wortfolgen in einem Kontext von spezifischen Zielen verwendet werden, aktualisieren und aktualisieren in Echtzeit die Basiswahrscheinlichkeiten, dass Wörter verwendet werden, p(words), die in einem typischen Sprachmodel enthalten sind. Anstelle einer statischen Datenbank p(words) zu benutzen, aktualisieren wir dadurch die Wahrscheinlichkeit der Wörter wie folgt: p(words) = Σi p(words|user needsi)·p(user needsi)
Diese Berechnung hat den Vorteil einer Wissensdatenbank von Kontextspezifischen Sprachmodellen, die Informationen in der Form p(words) = Σ_i p(words|user needs_i) enthalten.
Während der Laufzeit werden Aktionen von dem Ereignismonitorsystem analysiert und an das Deduktionssystem weitergegeben, das, wie oben beschrieben, dynamisch die kontinuierlich neu berechnete Wahrscheinlichkeitsverteilung über die Benutzerbedürfnisse, p(user needs|events), bereitstellt. Eine beispielhafte Ausführungsform ist das Schlussfolgern über Hilfethemen und die Kontextspezifischen Sprachmodelle beinhalten Informationen in der Form p(words|relevant help topic).
In einem allgemeineren Modell, dass eine Modifikation der obigen Gleichung zeigt, geben wir die dynamischen Ereignisse
ein.
Dies kann auf
reduziert werden.
23 zeigt die Schlüsselkomponenten und den die Schlüsselkomponenten der intelligenten Benutzer-Hilfe-Einrichtung verwendenden Analysefluss zum Verbessern der Spracherkennung durch dynamische Veränderung der Wahrscheinlichkeiten über die geäußerten Wörter und daher auch die geäußerten Laute. Wie in der Figur dargestellt ist, werden die Benutzeraktionen von dem instrumentierten Programm 72 verfolgt und die atomischen Ereignisse werden von dem Ereignisprozessor 74 in Musterereignisse zusammengestellt und an das Deduktionssystem 76 weitergereicht. Das Deduktionssystem berechnet eine Wahrscheinlichkeitsverteilung der Benutzerbedürfnisse und die gewichtetet Liste der Bedürfnisse wird an einen Dynamisches-Sprachmodell-Erzeuger 300 weitergereicht.
Der Dynamisches-Sprachmodell-Erzeuger 300 besitzt eine Funktion zwischen alternativen Bedürfnissen und der Wahrscheinlichkeit von Äußerungen oder Wörtern. Diese Komponente kann Informationen von einer Sprachmodelldatenbank 301 enthalten, die probabilistische Information in der Form p(words|user need) umfassen, den Wahrscheinlichkeiten, dass verschiedene Wörter oder Wortfolgen von einem Benutzer angesichts der Bedürfnisse des Benutzers geäußert werden. Diese Sprachmodelle können durch Training mit Statistiken aus einer großen Sammlung von Wörterfolgen, die in verschiedenen Benutzer-Bedarf-Kontext gespeichert sind, gebildet werden. Während der Laufzeit stellt das Deduktionssystem eine Wahrscheinlichkeitsverteilung über die Bedürfnisse des Benutzers bereit, die dazu verwendet werden, die Bildung eines aktualisierten Sprachmodels zu steuern auf Basis der Gewichtung der Sprachmodelle aus den verschiedenen Kontexten. Das aktualisierte Sprachmodell 302 enthält Information der Form p(words|events), die durch Gewichtung von Wortsätzen bezüglich der Wahrscheinlichkeit der alternativen Bedürfnisse basierend auf den probabilistischen Deduktionsergebnissen geschaffen werden.
Insgesamt kann der Vorteil des Kontextes beim Hören die Genauigkeit des Spracherkennungssystems 303 erhöht werden durch das Absenken der Wahrscheinlichkeit der Äußerungen, die unwahrscheinlich sind, und das Erhöhen der Wahrscheinlichkeiten der Äußerungen, die wahrscheinlicher sind, mit Hilfe des Benutzermodells.
Über den Gebrauch zusammen mit Software beim Hilfeempfang hinaus findet die dynamischen Spracherkennung Anwendung bei einer Vielzahl von Sprachverständnisanwendungen. Als ein Beispiel finden die Methoden in einer Vielzahl von Interfaces mit Kommando und Steuerung Anwendung, die sich auf die Steuerung der Steuerungen und der Funktionalität von Software beziehen. Wenn wir die Benutzerziele modellieren, können wir Sprachlehren erstellen, die abschätzend gewichtet sind, um die nächsten Schritte des Benutzers wiederzuspiegeln, und es existieren weniger Anlässe für Fehler.
Diese Methoden können in Verbindung mit Modellen, die die Wahrscheinlichkeit des nächsten Softwarekommandos anhand von Benutzerzielen erstellen. Bei diesem Ansatz konzentrieren wir uns auf einen speziellen Benutzerbedarf, das Verlangen nach Aktion. Das Verlangen des Benutzers nach Aktion kann sich auf die Implementierung eines oder mehrerer Softwaresteuerungen durch Sprache beziehen, inklusive des Zugriffs auf ein Hilfethema oder mehrere Hilfethemen. Wir setzen in den obigen Gleichungen p(desired action|events) für p(user need|events) ein und verwenden Sprachmodelle, die die Information p(words|desired action) anstelle von p(words|user needs) enthalten. Die Ereignisse, die in diesem Modell berücksichtigt werden, können Kontext beinhalten, der Informationen über das aktive Fenster sowie über den Text, Buttons und Steuerungen, die dem Benutzer während des Auftretens der Sprachäußerung angezeigt werden, enthält. Zum Beispiel finden dynamische Sprachmodelle für Kommando und Steuerung in Systemen Anwendung, die explizit probabilistische Ergebnisse als Teil ihrer Funktion erzeugen und anzeigen. Als Beispiel sei ein probabilistisches Schlussfolgerungssystem angesehen, dass ein Bayes'sches Netzwerk oder Einflussdiagramm zum Unterstützen eines Arztes beim Diagnostizieren aus einem Satz von Symptomen verwendet. Bayes'sche Schlussfolgerungssysteme in der Medizin können Sätze von Fenstern, die die Ergebnisse von diagnostischer Deduktion enthalten, besitzen. Ein Fenster kann die Krankheiten über berechnete Wahrscheinlichkeiten auflisten, ein anderes kann basierend auf dem Informationswert die nächstbesten zu evaluierenden Symptome oder Tests anzeigen. Durch das Bilden oder Zugreifen auf Modelle über die Wahrscheinlichkeit der Benutzeraktionen anhand des Kontextes der dargestellten Informationen, der Funktionen der berechneten Wahrscheinlichkeiten und erwarteten, den dargestellten Objekten zugeordneten Nutzen beinhalten kann, können wir bei der Spracherkennung dynamisch neuberechnete p(words events) berechnen und verwenden.
Obwohl die Erfindung mit Bezug auf beispielhafte Ausführungsformen dargestellt worden ist, wird der Fachmann erkennen, dass verschieden Änderungen in Form und Detail vorgenommen werden können, ohne sich aus dem angedachten Schutzbereich, wie er in den angehängten Ansprüchen definiert ist, zu entfernen. Zum Beispiel ist kann das allgemeine Ereigniszusammenstellungs- und Deduktionssystem auch in einem Betriebssystem zur Bereitstellung einer intelligenten Benutzeroberfläche oder allgemeiner zur Optimierung der Funktionalität jedes Computersystems oder jeder Computersoftware verwendet werden. Wegen der Variationen, die auf die dargestellten und beschriebenen Ausführungsformen der Erfindung angewandt werden können, sollte die Erfindung allein mit Verweis auf die angehängten Ansprüche definiert werden.

Claims

Computerimplementiertes Verfahren zum Bereitstellen von vorbestimmter Benutzerhilfe für ein Softwareprogramm, bei welchem vorgesehen ist: – eine aus einem Schlussfolgerungsmuster gebildete Wissensdatenbank zum Liefern der vorbestimmten Benutzerhilfe für ein Softwareprogramm, wobei die Wissensdatenbank Musterereignisse für die identifizierte Programmfunktionalität speichert, wobei für jedes Musterereignis eine oder mehrere atomische Benutzerinterfaceaktionen definiert sind, welche das Auftreten jedes Musterereignisses kennzeichnen; und – eine aus dem Muster. gebildete Deduktionsmaschine, welche die Wissensdatenbank in Verbindung mit einer Wahrscheinlichkeitsanalyse verwendet, um die wahrscheinlichste Benutzerhilfe abzuleiten, die unter dem gegebenen Auftreten spezifischer Musterereignisse hilfreich ist; wobei das Verfahren die folgenden von einem Computer ausführbaren Schritte umfasst: – Überwachen von Benutzerinterfaceaktionen; – Extrahieren von Benutzerinterfaceereignissen; – Generieren eines Musterereignisses aus dem Benutzerinterfaceereignis unter Verwendung der Deduktionsmaschine; und – Ableiten der wahrscheinlichsten Benutzerhilfe, die unter dem gegebenen Auftreten des Musterereignisses hilfreich ist, unter Verwendung der Wissensdatenbank in Verbindung mit der Wahrscheinlichkeitsanalyse; – Ableiten einer Wahrscheinlichkeit, dass ein Benutzer Hilfe benötigt; – Vergleichen dieser Wahrscheinlichkeit mit einem voreingestellten Grenzwert; und wenn der Grenzwert erreicht wird; – Präsentieren eines selbständigen Hilfefensters, das die abgeleitete wahrscheinlichste Hilfe anzeigt.
Verfahren nach Anspruch 1, ferner umfassend: das Bilden eines Ereignismonitors zum Erfassen der identifizierten atomischen Benutzerinterfaceaktionen, und das Integrieren des Ereignismonitors in das Softwareprogramm, um dieses Programm für eine intelligente Benutzerhilfe zu instrumentalisieren.
Verfahren nach Anspruch 1, ferner umfassend: das Bilden eines Ereignisprozessors, um aus atomischen Benutzerinterfaceaktionen Musterereignisse zusammenzustellen.
Verfahren nach Anspruch 1, bei dem ein Bayes'sches Netzwerk zum Durchführen der Wahrscheinlichkeitsanalyse verwendet wird.
Verfahren nach Anspruch 1, bei dem ein Bayes'sches Einflussdiagramm zum Durchführen der Wahrscheinlichkeitsanalyse verwendet wird.
Verfahren nach Anspruch 1, bei dem die Musterereignisse kontextabhängige Informationen über den Zustand von Datenstrukturen in dem Programm enthalten.
Verfahren nach Anspruch 1, bei dem die Musterereignisse Wörter in einer nach Hilfeinformationen unter Verwendung des Programms suchenden Freitextabfrage enthalten.
Verfahren nach Anspruch 1, bei dem das Softwareprogramm auf einem Computersystem mit einem Spracherkennungssystem ausgeführt wird und die Musterereignisse von dem Spracherkennungssystem identifizierte Wörter umfassen.
Verfahren nach Anspruch 1, bei dem das Softwareprogramm auf einem Computersystem ausgeführt wird, das einen Anzeigeschirm und ein Blickerkennungssystem aufweist, und die Musterereignisse den von dem Blickerkennungssystem identifizierten Fokus des Blicks eines Benutzers auf den Schirm umfassen.
Verfahren nach Anspruch 1, bei dem die Musterereignisse Menübefehle des Programms umfassen.
Verfahren nach Anspruch 1, bei dem die Musterereignisse eine Zeitspanne umfassen, in denen keine Benutzeraktivität vorliegt.
Verfahren nach Anspruch 1, bei dem das Softwareprogramm auf einem Computersystem mit einem Anzeigeschirm ausgeführt wird und die Musterereignisse Text umfassen, der auf dem Schirm angezeigt wird, über einen Zeitraum verweilt und daraufhin gescrollt wird.
Verfahren nach Anspruch 12, bei dem der auf dem Schirm angezeigte Text aus Hilfeinformationen besteht und das Musterereignis zum Angeben der Kompetenz eines Benutzers bei der Verwendung der spezifischen Programmfunktionalität verwendet wird.
Verfahren nach Anspruch 12, bei dem das Musterereignis des Anzeigens von Text auf dem Schirm, des Verweilens über einen Zeitraum und des anschließenden Scrollens verwendet wird, um das Interesse eines Benutzers an der Textinformation zu verfolgen.
Verfahren nach Anspruch 14, bei dem der Text in der Musterereignisdatenbank gespeichert wird.
Verfahren nach Anspruch 14, bei dem der Pfad der (Speicher-)Stelle des Textes in der Musterereignisdatenbank gespeichert wird.
Computerlesbares Medium mit von einem Computer ausführbaren Befehlen zum Durchführen der Schritte von Anspruch 1.
Vorrichtung zum Bereitstellen eines Benutzerinterface für ein Softwareprogramm, um einen Benutzer beim Betrieb des Softwareprogramms zu unterstützen, mit: – einem Softwareprogramm, das Benutzerinterfaceaktionen überwacht und Benutzerinterfaceereignisse extrahiert; – einem Ereignisprozessor, der die Benutzerinterfaceereignisse aus dem Softwareprogramm erhält; und – einem Ereignisdeduktionssystem, das aus den Benutzerinterfaceereignissen ein Musterereignis erzeugt und aus dem Auftreten der Musterereignisse, zumindest teilweise auf Wahrscheinlichkeitsanalyse basierend, vorgeschlagene Benutzerhilfe bestimmt, wobei die Benutzerhilfe vorgeschlagen wird durch – Rückschließen auf die Wahrscheinlichkeit, dass ein Benutzer Hilfe benötigt; – Vergleichen dieser Wahrscheinlichkeit mit einem voreingestellten Grenzwert; und wenn der Grenzwert erreicht wird – Präsentieren eines selbständigen Hilfefensters, das die abgeleitete wahrscheinlichste Benutzerhilfe anzeigt.
Vorrichtung nach Anspruch 18, ferner mit einem dynamischen Sprachmodellgenerator zum Betrieb auf einer Rechenvorrichtung mit einem Spracherkennungssystem, das ein Sprachmodell aufweist, bei welchem Wörtern der Sprache Wahrscheinlichkeiten zugeordnet sind, wobei der dynamische Sprachmodellgenerator die von dem Deduktionssystem bestimmte vorgeschlagene Benutzerhilfe verwendet, um Wahrscheinlichkeiten von durch das Spracherkennungssystem erkannten Wörtern der Sprache zu modifizieren.
Vorrichtung nach Anspruch 18, bei der das Softwareprogramm zum Überwachen von Benutzerinterfaceaktionen und zum Extrahieren von Benutzerinterfaceereignissen eingerichtet ist.
Vorrichtung nach Anspruch 18, bei der das Softwareprogramm ein Anwendungsprogramm ist.
Vorrichtung nach Anspruch 18, bei der das Softwareprogramm ein Betriebssystemprogramm ist.
Vorrichtung nach Anspruch 19, bei der das Softwareprogramm ein Betriebssystemprogramm ist, und bei der das Betriebssystem das Spracherkennungssystem für die Sprachbedienung der Rechenvorrichtung verwendet.
Computerlesbares Medium mit von einem Computer ausführbaren Komponenten nach Anspruch 18.
Vorrichtung nach Anspruch 18, bei welcher der Ereignisprozessor die Ereignisse zu Musterereignissen zusammenstellt.
Vorrichtung nach Anspruch 18, ferner mit einem Benutzerprofilsystem, das eine historische Aufzeichnung der Ereignisse für den Benutzer speichert, welche von dem Deduktionssystem zum Bestimmen der vorgeschlagenen Benutzerhilfe in Abhängigkeit von dem Auftreten von Ereignissen verwendet wird.
Vorrichtung nach Anspruch 26, bei der die Musterereignisdatenbank durch persistente Musterereignisse für das Programm initialisiert wird, die in dem Benutzerprofil des Programmbenutzers gespeichert sind.
Computerlesbares Medium mit von einem Computer ausführbaren Komponenten nach Anspruch 26.
Vorrichtung nach Anspruch 18, ferner mit einem Controller zum Einleiten eines Deduktionsanalysezyklus des Deduktionssystems.
Vorrichtung nach Anspruch 29, bei welcher der Controller einen Deduktionsanalysezyklus in einem periodischen Zyklus einleitet.
Vorrichtung nach Anspruch 29, bei welcher der Controller einen Deduktionsanalysezyklus einleitet, sobald ein oder mehrere Ereignisse eingetreten sind.
Vorrichtung nach Anspruch 29, bei welcher der Controller einen Deduktionsanalysezyklus einleitet, sobald der Benutzer die Hilfefunktion des Programms aktiviert.
Vorrichtung nach Anspruch 18, bei der die vorgeschlagene Benutzerhilfe eine Liste von Hilfethemen ist.
Vorrichtung nach Anspruch 33, bei der das Deduktionssystem die wahrscheinlichkeitstheoretische Deduktionsanalyse verwendet, um die Liste von Hilfethemen zu bestimmen, und das Deduktionssystem nur diejenigen Hilfethemen auflistet, welche angesichts des Auftretens der Ereignisse eine Relevanzwahrscheinlichkeit haben, die ein Konfidenzmaß übersteigt.
Vorrichtung nach Anspruch 34, bei der das Deduktionssystem in einer scrollbaren Dialogbox diejenigen Hilfethemen nach dem höchsten Wahrscheinlichkeitswert geordnet auflistet, deren Relevanzwahrscheinlichkeit das Konfidenzmaß übersteigt.
Vorrichtung nach Anspruch 34, bei der das Deduktionssystem dem Benutzer autonom Hilfe anbietet, sobald die Wahrscheinlichkeit, dass ein Hilfethema angesichts des Auftretens von Ereignissen relevant ist, einen Grenzwert übersteigt.
Vorrichtung nach Anspruch 36, bei welcher der Grenzwert von dem Benutzer eingestellt wird.
Vorrichtung nach Anspruch 34, bei der das Deduktionssystem die für das Bestimmen der Liste der Hilfethemen gemäß dem Auftreten von Ereignissen verwendete wahrscheinlichkeitstheoretische Deduktionsanalyse mit einer wahrscheinlichkeitstheoretischen Deduktionsanalyse kombiniert, welche dem Bestimmen einer Liste von Hilfethemen gemäß einer Freitextabfrage dient.
Vorrichtung nach Anspruch 38, bei der das Deduktionssystem nur diejenigen Hilfethemen der kombinierten Analyse auflistet, deren Relevanzwahrscheinlichkeit ein Konfidenzmaß übersteigt.
Vorrichtung nach Anspruch 34, bei der das Deduktionssystem nur eine wahrscheinlichkeitstheoretische Deduktionsanalyse der Wörter in der Freitextanfrage zur Bestimmung einer Liste von Hilfethemen verwendet, sobald ein Benutzer eine Freitextabfrage eingibt.
Vorrichtung nach Anspruch 18, bei der das Deduktionssystem vorgeschlagene Benutzerhilfe unter Verwendung von Wahrscheinlichkeit bestimmt und dem Benutzer selbstständig Hilfe anbietet, sobald das Deduktionssystem feststellt, dass die Wahrscheinlichkeit, dass der Benutzer angesichts des Auftretens von Ereignissen Hilfe benötigt, einen Schwellenwert übersteigt.
Vorrichtung nach Anspruch 41, bei welcher der Schwellenwert von dem Benutzer eingestellt wird.
Vorrichtung nach Anspruch 18, bei der das Deduktionssystem die vorgeschlagene Benutzerhilfe sowohl aus dem Auftreten von Ereignissen, als auch aus einer von dem Benutzer gestellten Freitextanfrage bestimmt.
Vorrichtung nach Anspruch 18, bei der die vorgeschlagene Benutzerhilfe dem Benutzer über ein geselliges Benutzerinterface in Form einer animierten Figur vermittelt wird.
Vorrichtung nach Anspruch 18, bei welcher der Ereignisprozessor und das Deduktionssystem als einzelne Komponente implementiert sind, die aus der Gruppe bestehend aus einem Softwareprogramm, einer Softwarebibliothek oder einem instanziierten Objekt gewählt ist.
Vorrichtung nach Anspruch 18, bei welcher der Ereignisprozessor während eines Deduktionsanalysezyklus nur eine spezifische Anzahl der zuletzt aufgetretenen Ereignisse erfasst.