本發(fā)明涉及信息技術和用戶界面技術，特別涉及一種個性化的功能項序列調度的方法和系統(tǒng)。

背景技術：

現(xiàn)今，移動終端應用(簡稱應用)成長為一個巨大的市場，并且，相應地，隨著人們越來越依賴于應用程序來完成他們的日常需求，人們的生活方式也發(fā)生了很大的變化，移動用戶在他們的智能手機上安裝了大量的應用程序，每天都頻繁的使用應用程序。雖然，人們做出很大的努力，想研究出更好的方法來提高用戶體驗，但這樣的研究主要集中在應用程序層面，然而，事實上，用戶行為表明他們只頻繁使用應用程序中少數(shù)頁面或功能。另一方面，用戶的需求通常是由一個接著一個的一系列連續(xù)操作來實現(xiàn)。所述連續(xù)操作可以是一個滿足用戶的需求的功能序列。

例如，當用戶的需求為照相時，用戶不需要用到微信上聊天等其他功能。相反，如果此時在微信上提供給用戶準確的“照相”功能頁面，與向用戶提供完整的應用程序相比，具有更好的用戶體驗。當用戶的需求為“我想吃小龍蝦”時，一個較好的解決方案是提供這樣的功能序列：用“打開飯桌”功能去預定座位，用優(yōu)步請求頁面前往具體地方，然后去Yelp評論頁面留言。

然而，現(xiàn)有技術常常忽視應用程序功能使用層面。因此，即使用戶想用尋求多個功能來滿足需求，但是用戶很難發(fā)現(xiàn)隱藏的功能序列，并且對于用戶而言，如何花費較少的時間去研究如何使用該隱藏的功能序列是更為困難的。

本發(fā)明公開的方法及其系統(tǒng)用于解決現(xiàn)有技術中的一個或者多個問題。

技術實現(xiàn)要素：

本發(fā)明一方面公開了一種向用戶推薦個性化功能項序列調度的方法，該方法包括獲取由用戶輸入的至少一個用戶意圖，創(chuàng)建包括用于實現(xiàn)用戶意圖的若干功能項的功能項序列；確定在功能項序列中若干功能項調度的用戶偏好。所述方法還包括確定在功能項序列中若干功能項之間的相關性；確定在功能項序列中若干功能項調度的調度限制。該方法還包括：根據(jù)所述用戶偏好，相關性以及調度限制，通過最優(yōu)化方法在功能項序列中的若干功能項確定所述個性化調度用以實現(xiàn)用戶意圖。

本發(fā)明另一方面公開了一種向用戶推薦個性化調度的功能項序列的系統(tǒng)。這個系統(tǒng)包括了輸入模塊，功能項序列模塊，功能項偏好學習模塊，功能項序列調度模塊，和最優(yōu)調度輸出模塊。輸入模塊用于通過用戶輸入獲取至少一個用戶意圖，功能項序列模塊用于創(chuàng)建包括用于實現(xiàn)用戶意圖的功能項的若干功能項序列。功能偏好學習模塊用于確定在功能項序列中若干功能項調度的用戶偏好。功能項序列調度模塊用于確定在功能項序列中若干功能項之間的相關性和調度限制，根據(jù)所述用戶偏好，相關性以及調度限制，通過最優(yōu)化方法在功能項序列中的若干功能項確定所述個性化調度用以實現(xiàn)用戶意圖。進一步，最優(yōu)調度輸出模塊用于向用戶推薦具有個性化調度的功能項序列。

本發(fā)明的其他方面，所屬技術領域技術人員能夠依據(jù)本發(fā)明的權利要求書，說明書，以及附圖有效實施并充分公開。

附圖說明

圖1為本發(fā)明具體實施方式的工作環(huán)境示意圖。

圖2為本發(fā)明具體實施方式的計算系統(tǒng)的結構框圖。

圖3為本發(fā)明具體實施方式的功能項序列調度和推薦系統(tǒng)結構示意圖。

圖4為本發(fā)明具體實施方式的功能項序列調度和推薦的流程圖。

具體實施方式

為了便于理解本發(fā)明，下面參照相關附圖對本發(fā)明進行更全面的描述。除非另外指出，在各圖中相同的參考數(shù)字用于相同的部件。

在這里引用，術語“功能項”(FUNC或者func)用于表示一個應用程序的接入點，即應用程序的一個功能。每個功能項可能是一個功能層次的操作流程，所述功能項與滿足用戶特定要求的功能或者服務相關。對于同樣的需要，不同的用戶根據(jù)用戶習慣或者偏好會使用不同移動應用程序上不同功能項來實現(xiàn)(比如，有些用戶用Facebook分享照片，其他用戶用微信分享照片)。因為所述功能項提供了本地應用程序，網(wǎng)絡應用程序，或定制的功能的入口，所以利用所述功能項可以使其從一個移動應用程序過渡到其他移動應用程序從而實現(xiàn)功能序列。

根據(jù)功能項的概念,不利用應用程序層次操作能夠更順利的創(chuàng)建用戶行為的功能流。所述應用程序層次操作是指需要頻繁返回主頁，由多個移動應用程序或網(wǎng)絡服務中執(zhí)行的操作，因此所述應用程序層次操作需要更多的用戶交互(觸屏或者按鍵)，這導致用戶更難執(zhí)行功能序列。

根據(jù)本發(fā)明實例中，其中一個解決創(chuàng)建和使用來自不同應用程序的功能的困難的方法是通過提供個性化的功能項序列調度過程和系統(tǒng)。該系統(tǒng)可以綜合用戶的個人偏好數(shù)據(jù)和其他用戶的記錄向用戶推薦最佳的或個性化的功能項序列和調度。

圖1所示本發(fā)明具體實施方式的工作環(huán)境示意圖100，如圖1所示，環(huán)境100包括終端102，服務器106，用戶108和網(wǎng)絡110。

終端102(也可以叫終端設備)指具有一定運算能力的任何合適的用戶移動終端，比如個人電腦(PC)，工作站計算機、服務器計算機、便攜式計算設備(平板電腦)、智能手機或移動手機，或任何其他的用戶端移動計算設備。在具體實例中，終端102可能是移動終端設備，如智能手機，平板電腦，或者移動手機等。所述終端102應用于任何合適的計算平臺，所述用戶108用所述終端102連接所述網(wǎng)絡110和向所述服務器106發(fā)出請求。所述終端102可以從任何合適的來源獲得網(wǎng)頁，如本地儲存設備，從服務供應商的有線或無線網(wǎng)絡設備或者從互聯(lián)網(wǎng)上。

具體的，所述服務器106指的是為了提供某些網(wǎng)絡服務器功能而配置的一個或多個服務器計算機(如搜索服務器)。所述服務器106包括并行執(zhí)行計算機程序的一個或多個處理器。所述服務器106存儲終端102訪問的網(wǎng)頁，并且每一個網(wǎng)頁都有唯一的網(wǎng)站地址，所述唯一的網(wǎng)絡地址稱為統(tǒng)一定位器(URL)。所述服務器106根據(jù)所述用戶108的請求向終端102提供各種應用程序和/或向所述用戶推薦各種網(wǎng)頁和/或應用程序以及應用程序功能，所述服務器106也可以是云端服務器。

所述終端102和所述服務器106通過所述網(wǎng)絡110通訊連接，比如有線電視網(wǎng)絡、電話網(wǎng)絡和/或衛(wèi)星網(wǎng)路等。雖然圖1中只有一個終端102和一個服務器106，但是可以包括任意數(shù)量的終端和/或網(wǎng)絡設備。

終端102和/或服務器106能夠在任何合適的電子計算平臺上應用。圖2為本發(fā)明實施例能夠應用終端102和/或服務器106的計算系統(tǒng)200的框圖。

如圖2所示，計算機系統(tǒng)200包括處理器202，存儲介質204，顯示器206，通訊模塊208，數(shù)據(jù)庫210以及外圍設備212。其中某些設備可被省略，也可以包括其他設備。

處理器202可以包括任何合適的一個或多個處理器。具體的，處理器202可以包括多線程或并行處理的多個核心。存儲介質204可以包括內存模塊，比如ROM，RAM,閃存模塊,以及大容量存儲器，比如光盤和硬盤。存儲介質204存儲有計算機程序，當處理器202執(zhí)行這些計算機程序時，可以實現(xiàn)各種方法步驟。

此外，外圍設備212包括各種傳感器和其他的I/O設備，比如鍵盤和鼠標。通信模塊208包括某些通過通信網(wǎng)絡建立連接的網(wǎng)絡接口設備。數(shù)據(jù)庫210包括一個或多個用于存儲某些數(shù)據(jù)并在存儲數(shù)據(jù)上執(zhí)行某些操作，比如數(shù)據(jù)庫搜索的數(shù)據(jù)庫。

在操作過程中，通過終端102或者終端102上的網(wǎng)頁瀏覽器，用戶108使用終端102上或者來自于各種服務器106網(wǎng)絡上的某些應用程序(APPs)，或移動應用程序。一個移動應用程序有用來實現(xiàn)某些功能的主頁或者其他直接接入點。移動應用程序接入點包括移動設備或網(wǎng)絡上功能的入口，功能類型和其他相關信息，如位置，狀況，功能性質等。所述功能包括本地移動應用程序，網(wǎng)絡應用程序和定制功能如云端應用程序編程接口(API)。

本地移動應用程序指在特定的操作系統(tǒng)用特定編程語言編碼移動設備應用程序。在移動設備上直接安裝所述本地移動應用程序。網(wǎng)絡應用程序指一個通過在移動設備上的網(wǎng)頁瀏覽器特制功能的網(wǎng)址。功能入口和入口類型包括各種配置，例如，接入點包括網(wǎng)絡應用程序頁面的鏈接，定制功能的鏈接，已安裝本地應用程序頁面的鏈接或快捷鍵。本地應用程序的壓縮版本的頁面的鏈接，本地應用程序下載和安裝操作的鏈接和應用程序網(wǎng)頁指南的鏈接，所述網(wǎng)頁指南用于建議用戶打開備選應用程序等。

進一步，服務器106提供一種形成了合適功能項調度的功能項序列調度和能自動推薦用戶偏好的，無沖突，且具有滿足客戶需求的功能項序列的整體優(yōu)化調度的推薦系統(tǒng)，所述合適功能項調度指考慮到用戶偏好,功能項序列中功能項相關性，優(yōu)先級限制，圖3所示為本發(fā)明具體實施方式的功能項序列調度和推薦系統(tǒng)300。

如圖3所示，所述功能項序列調度和推薦系統(tǒng)300包括輸入模塊302，功能項序列模塊304，現(xiàn)存調度模塊306，功能項序列調度模塊308，功能項偏好學習模塊310，用戶數(shù)據(jù)庫312和最優(yōu)輸出模塊314。其中某些模塊可被省略，也可以包括其他模塊。

所述用戶輸入模塊302用于獲取應用程序的用戶請求或者接收用戶咨詢，其中所述應用程序用于滿足某些用戶需要或提供功能。所述用戶請求或咨詢可以是任何格式，比如文本格式，聲音格式，圖片格式等。

所述功能項序列模塊304用于接收用戶需求，并將用戶需求對應設計為功能序列用于滿足用戶需求。其中，所述用戶需求來自于所述用戶輸入模塊302中所述用戶請求和咨詢。

通過按順序執(zhí)行來自于單個應用程序或多個應用程序的多個功能項來滿足所述用戶需求，不同的用戶需求需要不同數(shù)量的功能項和/或不同功能項序列。設定滿足用戶需要的功能項序列為F，其中包括按順序排列的n個功能項：

其中，在F中每個功能項f_i(1≤i≤n)是在前一個功能f_i-1完成后執(zhí)行，并且不同的n和/或不同的功能項形成不同的F。N為所屬功能項序列中功能項的最大預定數(shù)量。

不同的功能需要調度，調度功能序列F是用于安排F上每個f_i的執(zhí)行時間，每個功能f_i的調度定義為：

其中t_j是指執(zhí)行或完成f_i可能的調度時間，S(F)是在功能項序列F中所有功能項的調度結果。

因此，所述功能項序列模塊304輸出功能序列F，功能序列F包括執(zhí)行用于滿足用戶需求的n個連續(xù)排列的功能。根據(jù)預定算法設計完成與用戶需求對應的功能項序列規(guī)劃。

進一步，所述現(xiàn)存調度模塊306包括或獲取已經(jīng)為用戶調度好的功能，當生成用戶的理想功能項序列時，需要考慮包括所述已完成調度的功能的調度限制C。換而言之，所述調度限制C要求在S(f_i)和所述現(xiàn)存調度之間沒有沖突。

所述用戶數(shù)據(jù)庫312收集和存儲包括請求用戶的數(shù)據(jù)在內的所有與用戶功能項相關的信息。所述與用戶功能項相關的信息包括任何相關用戶功能項使用的信息，比如所述用戶以及所有其他用戶在某環(huán)境下某次執(zhí)行功能f_i的歷史記錄。

進一步，所述功能項偏好學習模塊310基于所述用戶數(shù)據(jù)庫312中以收集的用戶歷史記錄，學習在不同時間的功能項f_i的用戶個人偏好，比如，所述功能偏好學習模塊310使用在協(xié)同過濾(CF)模型從所述用戶庫312學習和預測在每個可用的調度中的用戶偏好q(S(f_i))。

所述功能序列調度308利用來自于所述功能偏好學習模塊310的用戶偏好q(S(f_i))以及在滿足所述調度限制C時，在頂點-n-邊-加權有向無環(huán)圖(DAG)網(wǎng)絡G＝(V,E)中功能項序列F的功能相關性p(S(fi-1)，S(fi))來確定最優(yōu)調度T_o。所述功能項序列調度模塊308確定所述最優(yōu)調度后，所述功能序列調度308輸出確定結果到所述最優(yōu)調度模塊314。

所述最優(yōu)調度輸出模塊314可以向用戶呈現(xiàn)能夠滿足用戶要求的功能序列F中個性化和沒有沖突的最優(yōu)調度。用戶可以調整或者增添一些新的限制，并且使所述功能序列調度和所述推薦系統(tǒng)進一步確定或者推薦這些調整或者新的限制。用戶可以確認呈現(xiàn)的調度，同時所述最優(yōu)調度輸出模塊314可以存儲用戶確認的調度并更新至用戶數(shù)據(jù)庫312中，用以進一步學習用戶偏好。

具體的，通過各種模塊，所述功能項序列調度和推薦系統(tǒng)300完成了本發(fā)明實施例中的功能項序列調度和推薦流程。圖4為具體實施方式的功能項序列調度和推薦的流程圖。

如圖4所示，流程開始時，利用一個或多個應用程序的功能項序列能夠實現(xiàn)獲取關于用戶意圖的用戶輸入(402)。根據(jù)用戶輸入，確定用戶意圖(404)，比如，用戶意圖包括有一個或多個意圖的意圖列表，或來自用戶的其他意圖類別或需要。

進一步，根據(jù)用戶意圖和用于實現(xiàn)用戶意圖創(chuàng)建至少一個功能項序列(406)。利用預定算法創(chuàng)建至少一個所述功能項序列，例如，首先將用戶意圖分成若干任務，所述任務作為實現(xiàn)用戶意圖的基本單位，當意圖列表包括若干意圖時，單獨處理每個意圖，在流程最后整合每個意圖的處理結果。例如，將用戶文本請求引出的一個意圖序列輸入到所述功能項序列模塊304中。

預定義或實時定義意圖任務。預定義任務對于一個特定的意圖，可以是由固定數(shù)量的任務或者可變數(shù)量的任務組成。換而言之，對于每個意圖，預定義實現(xiàn)每個意圖的任務。比如，“在家烹飪”是一個意圖，為了實現(xiàn)這個意圖，任務包括，“找超市”，“去超市”，“買材料”，“付錢”，“回家”，“找食譜”“準備食物”和“烹飪”。

雖然預定義了多個任務，但是沒有定義關于多個任務的具體順序或者序列。因此，存在多個任務序列去實現(xiàn)每個意圖。也就是說，多個任務實現(xiàn)多個任務序列。

一個功能項能實現(xiàn)一個或者一組任務，而且一個任務也可以通過多個功能項來實現(xiàn)，比如，“照相”是個任務，通過在微信或者Poco美食相機中照相的功能頁面實現(xiàn)任務，再例如，Yelp的”熊貓速遞”頁面是個功能項，能同時實現(xiàn)“菜肴評價”和“查詢地址”的任務。因此，通過各種功能項實現(xiàn)每個任務，而且每個意圖通過一組任務來實現(xiàn)。

因此，根據(jù)用戶意圖獲取任務序列和功能項序列，例如，用戶日志包括了任務的時序和用戶選擇用以實現(xiàn)任務的功能項。進一步，如此獲取流程也是連續(xù)或主動學習過程。用戶訪問功能項和任務越頻繁，從而形成越流行和越重要的功能項和任務。任務和功能項的重要性學習是主動學習過程。

因此，根據(jù)用戶輸入，創(chuàng)建滿足用戶需要的功能項序列F＝{f₁,f₂,…,f_n}，創(chuàng)建功能項序列后，用每個功能項f_i的調度S(f_i)＝(f_i,t_j)定義為在F中每個f_i執(zhí)行時間。

進一步，如果定義時間函數(shù)為T(·)。然后T(S(f_i))＝t_j，和T(S(F)是功能項序列F的調度時間結果。T(S(F))可以簡單表示為T，T代表在時間順序中的時間段，T可以作為F調度結果，其中，T中第i個時間對應F中f_i的執(zhí)行時間。在調度S(f_i)中時間t_j不同的調度可能產(chǎn)生不同的調度結果T。

進一步，獲取用戶的個人偏好并結合所述功能項序列中所述功能項的調度(408)。即完成個性化過程，如此用戶會發(fā)現(xiàn)自動調度與用戶自己人工調度是一樣的或者本質上是相似的。函數(shù)q(S(f_i))定義為在功能項f_i調度上的個人偏好。

為了獲得q(S(f_i))，確定調度S(f_i)的用戶偏好，其中，所述調度S(f_i)是用于任意一個功能項f_i的調度。例如，如果所述用戶數(shù)據(jù)庫312有具體信息，可以從所述用戶數(shù)據(jù)庫312的歷史記錄獲得用戶偏好，其中所述具體信息是指與功能項序列上與功能項有關的用戶信息。雖然，所述數(shù)據(jù)庫312的真實用戶歷史記錄僅僅提供稀疏信息，比如在能一定程度上反映用戶偏好的交互時間上用戶功能項執(zhí)行頻率。

利用協(xié)調過濾(CF)模型獲得在任意時間調度S(f_i)缺失的用戶偏好，通過利用其他用戶和用戶個人歷史數(shù)據(jù)，在所述協(xié)調過濾模型下從稀疏的用戶歷史數(shù)據(jù)學習到在任意時間用戶執(zhí)行功能f_i頻率和預測缺失數(shù)據(jù)，CF模型也能處理復雜的環(huán)境條件(比如時間，位置，溫度，等)，從而能結合其他用戶和用戶本身顯示的歷史模式推斷和預測隱藏在復雜的條件中的用戶偏好。

預測缺失信息的問題被轉化為稀疏的N維張量(比如，一個3維張量包括功能項，時間，用戶)，解決預測缺失信息的問題用張量分解而不是用解決傳統(tǒng)推薦系統(tǒng)的二維矩陣分解。因為在三維張量基礎上很容易推出第四維或者更多維度(比如包括位置在內)，為了便于理解，CF模型在這里描述為3維張量：功能，時間，用戶。

因此，定義為結果張量，其中n代表功能項的數(shù)量，r代表時間的數(shù)量，w代表用戶的數(shù)量。結果張量包括在功能項，時間，和用戶之間相互作用的頻率，換而言之，在時間t_j內，用戶u_k執(zhí)行功能項f_i的頻率(k∈[1,w],i∈[1,n],j∈[1,r])。

利用Cannonical典型分解或者平行因子(CP-分解)模型,通過分解所述張量為三維矩陣and解決所述預測缺失信息的問題，其中，三維矩陣and中的d是中心張量的維度，所述Cannonical典型分解或者平行因子(CP-分解)模型對應學習分別概括了每個功能項，時間和用戶變量的因素。

F_i*代表整個矩陣F第i行，相似的，T_j*代表整個T矩陣第j行,U_k*代表整個U矩陣第k行。確定功能是將預測相互作用的缺失頻率轉化為時間t_j內，用戶u_k執(zhí)行功能項f_i的對應得分，確定功能如下公式所示：

通過預測分數(shù)S_ijk表示對于用戶u_k，在時間t_j內調度S(f_i)中用戶缺失的偏好。

所述模型的目標是結合顯示的歷史數(shù)據(jù)來計算功能項F^r×d，時間T^l×d，用戶U^n×d,的變量，通過最小化以下目標函數(shù)計算所述變量：

其中p_ijk是從所述用戶數(shù)據(jù)庫312中顯示的功能項-時間-用戶頻率歷史記錄；是基于所述變量的歐幾里德距離的正則項。

圖4中，獲取用戶的偏好后，確定或獲取在功能項序列中功能項之間的相關性(410)。由于在功能項序列中的功能項是連續(xù)執(zhí)行并整體滿足用戶需要，所以在功能項序列中的功能項與相鄰功能項的存在相關性，而不是單獨影響。例如，函數(shù)p(S(f_i-1),S(f_i))定義為調度與前一個調度的相關性。相關性也可以擴展到所述調度與前兩個或兩個以上的調度。

換而言之，功能項序列中功能項相關性也屬于所述功能調度考慮范疇。在時間順序中，用戶常常在不同對應時間下連續(xù)執(zhí)行功能項序列中的功能項，并且在功能項之間本身存在相關性。從標注問題(或者稱為序列標簽問題)到獲取聯(lián)合條件概率，采用隱馬爾科夫模型(HMMs)建模需要將所述功能項之間的相關性作為一個考慮因素，其中，所述聯(lián)合條件概率是指為實施整個功能項序列的用戶偏好的聯(lián)合條件概率。

以利用一元模型HMMs為例子，通過計算p(S(f_i-1)，S(f_i))＝P(S(f_i)|S(f_i-1))的條件概率確定功能項相關性，也就意味著，調度S(f_i)的概率與它前一個調度有關并且依賴于前一個調度S(f_i-1)。相關性可考慮擴展到F中的功能項和所述功能項前兩個或幾個功能項，計算式為p(S(f_i-2),S(f_i-1),S(f_i))＝P(S(f_i)|S(f_i-1),S(f_i-2))或者p(S(f_i-n),…,S(f_i-1),S(f_i))＝P(S(f_i)|S(f_i-1),…,S(f_i-n)).

從所述用戶數(shù)據(jù)庫312記錄的頻率值獲取所述條件概率，例如，當考慮到與前一個調度相關性時，可以從中得出條件概率P(S(f_i)|S(f_i-1)，其中C指用戶經(jīng)驗的調度的觀察計數(shù)。

進一步，用戶U_k在任意時間t_j的功能f_i的條件下，利用從所述個人偏好學習模塊310中歸一預測分數(shù)從而獲取q(S(f_i))，q(S(f_i))可以解釋為在時間t_j上單功能f_i的調度S(f_i)下用戶執(zhí)行頻率的概率，并且q(S(f_i))反映了單個調度的用戶偏好。

S(f_i))，q(S(f_i)，p(S(f_i-1)的概率適用于標注問題，并且用聯(lián)合概率P用來表明在相對可能的調度結果時間系列T上實施整個功能項序列的用戶偏好，聯(lián)合概率公式如下：

進一步，如圖4，獲得調度限制需要考慮功能項序列中的功能項調度(412)，也就是說，調度需要遵從調度限制的優(yōu)先和無沖突。

設函數(shù)d(f_i)為功能f_i持續(xù)時間(完成功能項所需時間)，函數(shù)l(f_i-1,f_i)指從前一個功能項f_i-1,的位置到達功能f_i的位置的遷移時間，調度限制C的定義如下：

T(S(f_i))–T(S(f_i-1))≥d(f_i-1)+l(f_i-1,f_i) (6)

進一步，所述功能項序列調度根據(jù)個人偏好，相關性，和調度限制進行優(yōu)化或者調整，從而確定至少一個個性化功能項序列調度(414)，也就是說，T_o定義為最優(yōu)T，所述最優(yōu)T是指在所有可能調度中找出個性化功能項序列調度的最優(yōu)或匹配的方案，T_o用于執(zhí)行滿足用戶需求的功能項序列F，其中，所述用戶需求符合個人偏好，相關性，和調度限制。

換而言之，基于以上述變量，個性化功能項序列調度被歸納為發(fā)現(xiàn)最優(yōu)T_o的優(yōu)化問題，其中所述最優(yōu)T_o是指符合調度限制，并最大限度滿足用戶個人偏好，其中所述用戶個人偏好是具有相關性的功能項F執(zhí)行序列，所述最優(yōu)T_o公式如下：

其中q(S(f_i))是指在功能項f_i調度上用戶偏好，其中，利用協(xié)同過濾(CF)模型和結合其他用戶和用戶的個人功能項的使用歷史記錄學習和預測所述用戶偏好。應用適合于標注問題研究的隱馬爾科夫模型(HMMs)，通過前調度S(f_i-1)計算調度S(f_i)的條件概率獲取反映功能項相關性的p(S(f_i-1)，S(f_i)，容易推導出擴展到前兩個或前幾個功能項的相關性，如p(S(f_i-2)，S(f_i-1)，S(f_i))或p(S(f_i-n)，…S(f_i-1)，S(f_i))。e_i表示調度S(f_i)是否滿足調度限制C取決于是否能找到最佳的調度結果T_o作為在n個頂點的路徑加權有向無環(huán)圖(DAG)網(wǎng)絡G＝(V,E)中的最優(yōu)路徑。其中，創(chuàng)建所述n個頂點的路徑加權有向無環(huán)圖(DAG)網(wǎng)絡G＝(V,E)是利用圖論問題中的關鍵路徑分析模式。

具體的，創(chuàng)建n個頂點的路徑加權有向無環(huán)圖(DAG)網(wǎng)絡以尋找圖中的最優(yōu)路徑，所述最優(yōu)路徑代表了滿足所有調度限制C的最優(yōu)T_o，所述最優(yōu)T_o調度F的最佳或最個性化的調度。

當涉及圖論模型上的關鍵路徑分析方法，通過以下標記法建立DAG模型

1)G＝(V,E)是指有向無環(huán)圖(DAG)。

2)頂點集合V中的頂點是指t_j時間上調度S(f_i)，還包括兩個額外的指定的，分別作為起始頂點和終止頂點的頂點V_S和V_E。

3)邊集合E中的邊是指按F順序中從前一個頂點到下一個頂點之間的有向線段。

4)路徑(v_s,v_e)是指連接從起始頂點V_S到終止頂點V_E之間，所有頂點的邊的路線。沿著路徑的多個頂點的時間組成一組時間段T，因此具有符合條件邊的路徑是F的調度并且最優(yōu)路徑path_o是在F上最優(yōu)時間段T_o。

此外，功能項序列調度最優(yōu)化方案滿足以下限制：

1)在序列中功能項的優(yōu)先級：由于F中的功能f_i是按序排列，選擇可能作為執(zhí)行時間的t_j應該是滿足優(yōu)先級限制，即t_j大于前一個功能項f_i-1調度執(zhí)行時間。

2)執(zhí)行功能項持續(xù)時間：功能項f_i的調度時間不應該在前一個功能項f_i-1持續(xù)時間內。

3)遷移成本：當功能項需要在不同位置上執(zhí)行，在相鄰功能項之間遷移將會有時間成本。調度時需要考慮時間成本。

函數(shù)d(f_i)定義為功能項f_i的持續(xù)時間，函數(shù)l(f_i-1,f_i)為在功能項之間的遷移成本，其中調度限制C如方程6所示。

為了滿足限制C，分配指示子e_i給有向無環(huán)圖中每個邊用于表明其是否滿足限制，從而向用戶保證調度沒有沖突。

值得注意，連接開始和結束頂點組v_s和v_e的邊取值為1。

進一步，在頂點-n-邊-加權圖中，通過分配每個頂點值的權重來加權頂點V，關于邊E的權重，每個邊被分配值的權重。路徑代表著可能成為最優(yōu)調度的調度，其中，所述路徑具有符合要求并且通過v_s到v_e相應的頂點的邊(相反的，e_i＝0表示沒有符合要求的邊)。

由于優(yōu)化功能項序列調度的目標是在限制C的控制下和在優(yōu)化時間系列T_o內最大化調度功能項序列F的用戶偏好，尋找最大化聯(lián)合概率P的T_o可以表示所述目標：

用在DAG模式中頂點的權重為和邊的權重為用在有向無環(huán)圖的公式9中描述的最優(yōu)目標進一步轉換為尋找最優(yōu)路徑，如公式10所示的，所述最優(yōu)路徑是指所有頂點和邊面的總數(shù)最小時：

在有向無環(huán)圖中應用改進的迪杰斯特拉算法以生成所述最短路徑。迪杰斯特拉算法是一個計算復雜度成本較小的層次遞進算法。在算法每一個計算步驟中，一些頂點具有永久標號，另一些頂點具有臨時標號。

例如，通過以下步驟完成該層次遞進算法：

步驟1在拓撲排序中有所有頂點，并且為起始頂點Vs分配數(shù)值為M_s＝0的永久標號，其余頂點分配臨時標號R_ij＝∞。

步驟2在可能還沒有永久標簽的路徑上，與有前永久標號的頂點v_i′j′通過符合條件的定向邊連接的每一個頂點v_ij生成了新的臨時標簽，其臨時標號的值如下所示：

其中R_ij是指沿著路徑，頂點和側面的權重，以及e_i的互補對數(shù)，在有前永久標簽頂點上的累計值。

步驟3：不同路徑下在所有頂點的臨時標簽中最小值R_ij指定為在相對的頂點中，有M_ij值的永久標簽。

M_ij＝min{R_ij} (12)

重復步驟3和步驟4直到結束頂點v_e,獲得永久標簽。所述最優(yōu)路徑是指在有最小值的結束頂點上有M_e永久標簽的頂點。

因此，通過對具有最小值的結束頂點v_e追溯，獲得最優(yōu)路徑path_o，沿著路徑path_o的頂點時間組成最優(yōu)時間系列T_o，并且作為最終優(yōu)化功能項序列調度時間結果。

進一步，如圖4所示，確定最優(yōu)或者個性化的功能項序列調度后，可能向用戶呈現(xiàn)或推薦功能項序列和個性化功能項序列(416)，用戶可選擇具有功能項調度的功能項序列，系統(tǒng)自動執(zhí)行功能項序列，其中包括在已確定的功能項調度基礎上，從一個功能項到另一個功能項的定向過渡?；蛘呷绻脩暨x擇特殊功能項或功能項組，系統(tǒng)將會引用這個功能項或者功能項組。為了后續(xù)功能項序列調度確定，所述用戶庫312將記錄和存儲包括用戶使用的序列，功能項，調度在內的用戶選擇。

例如，根據(jù)從推薦功能項序列中提取的最優(yōu)調度的信息和結果，以及根據(jù)用戶選擇，系統(tǒng)能夠推薦功能項序列調度的細節(jié)，如第一個功能項什么時候開始，下一個功能項是什么，從前一個功能項到下一個功能項進行遷移是否有足夠時間，是否有在日程上已經(jīng)調度的其他事件占用了在功能項序列上任意功能項的時間。在完成前一個功能項后用戶是否應該馬上開始下一個功能項，或者最好選擇其他時間開始下一個功能項，這樣可以在更適合的時間完成所有功能序列，調度一個實現(xiàn)客戶需要的功能項序列最佳的整體方法會是什么等。

因此，利用本發(fā)明中的功能項序列調度方法和系統(tǒng)，個性化功能項序列調度問題被歸納為新的公式，并且形成框架，所述框架能夠調度實現(xiàn)客戶意圖的功能項序列。通過所述框架向終端用戶自動推薦用戶偏好，無沖突和最優(yōu)的整體調度。通過綜合個人歷史數(shù)據(jù)和其他用戶的數(shù)據(jù)，所述體制中的個性化偏好學習模塊和算法能夠學習并且預測在任何時間下實現(xiàn)功能項的用戶隱含偏好。通過應用張量分解和協(xié)同過濾器實現(xiàn)其結果。在考慮功能項序列的相關性和滿足所有限制情況下，修改和結合圖表中一元HMMs模型，從有向無環(huán)圖中的關鍵路徑分析和改進的迪杰斯特拉算法能夠自動搜索功能項序列中最優(yōu)的整體調度。最后調度是加入用戶現(xiàn)存調度后沒有任何沖突的最佳調度，其中，實現(xiàn)用戶需要的新功能項序列框架提供了所述最后調度。

本發(fā)明具體實施例所述的系統(tǒng)僅用于解釋，相類似的想法和實現(xiàn)方法均可以應用于其他不同的系統(tǒng)中，將本發(fā)明所述系統(tǒng)和方法應用在不同領域，進行改進，替換，調整或者相當于本發(fā)明所公開的具體技術實施方案都是本領域普通技術人員不需要通過創(chuàng)造性勞動就能實現(xiàn)的。