CN107548500A - 基于用户例程模型的事件异常 - Google Patents

Abstract

在一些实施方式中，传感器提供反映由传感器检测的用户活动的传感器数据。事件分析器基于例程相关方面来为与用户相关联的事件生成异常得分，其中例程相关方面根据与用户相关联的一个或多个用户例程模型而被生成。一个或多个用户例程模型至少部分地基于包括传感器数据的交互数据而被训练。可以接收事件的事件属性，包括事件的时间和事件的出席者。可以通过关于例程相关方面分析事件属性来生成异常得分。异常得分被生成以对事件属性与例程相关方面之间的偏差水平进行量化。可以至少部分地基于为事件生成的异常得分来为用户生成服务内容。

Description

基于用户例程模型的事件异常

背景技术

自动日历软件可以采用电子邮件或其他机制来邀请一个或多个用户到事件或会议。更传统的示例包括和Lotus然而，较新的示例可以被看作是基于云的服务和/或集成到手机中的服务。活动或会议的示例包括传统的面对面会议、电话会议、视频会议和在线小组聊天。在一些情况下，为了安排会议，组织者可以使用服务来向一个或多个被邀请者发送邀请。邀请通常指示可以由组织者设置的一个或多个事件属性，诸如会议的日期和时间、会议的位置、会议是否重复或会议何时再次出现以及评论。服务通常跟踪被邀请者的回复，诸如被邀请者接受、拒绝、暂时接受还是提出新的时间。基于响应，服务可以(诸如通过维护事件的出席者(例如，计划出席者)列表)更新或设置一个或多个事件属性。此外，服务可以自动地将会议作为日历事件或条目添加到每个用户的个人日历中。通常，在由原始组织者初始设置之后，一个或多个事件属性可以由一个或多个用户修改(或者属性可以由一个或多个添加或移除)。

用户可以使用一个或多个日程服务来规划和/或接收针对很多不同事件的邀请。在某种程度上，这些事件表示用户生活的某些方面，其中用户具有可以通过这些事件表现的典型例程(routine)。因此，用户可以习惯于这些事件中作为该例程的部分的某些元素，诸如这些事件的典型出席者、位置和时间。虽然这些典型事件可能不是特别值得用户注意，但是当事件的元素变得异常并且从例程中断时，它们可能会破坏用户的生活。然而，与例程元素的这样的偏差往往被忽视。

发明内容

提供本“发明内容”以便以简化形式介绍一些概念，这些概念将在下面的“具体实施方式”中进一步描述。本发明内容并非旨在标识所要求保护的主题的主要特征或基本特征，也不旨在孤立地使用以帮助确定所要求保护的主题的范围。

本发明的实施方式涉及用于关于根据与用户相关联的一个或多个用户例程模型生成的例程相关方面来分析事件异常的系统和方法。可以至少部分地使用指示用户与设备或服务之间的交互的传感器数据(“交互数据”)来训练一个或多个用户例程模型。事件或会议可以具有各种相关联的事件属性，这些事件属性关于例程相关方面被分析以基于事件属性与例程相关方面之间的偏差水平来量化异常。因此，可以关于用户生活的各种习惯方面评估事件的异常，以便标识打破例程并且可能会破坏用户生活的事件。

在一些情况下，可以将各种因素并入事件的整体异常。每个因素可以对应于事件属性集合和例程相关方面集合之间的相应的偏差水平。示例性因素包括基于通勤的因素、基于睡眠的因素、基于位置或地点访问的因素以及基于亲密度的因素。事件异常的一个或多个最高贡献因素可以基于与因素相对应的因素得分来确定。

在另外的方面，本公开涉及基于异常得分和/或可能引发事件异常的因素来为用户生成服务内容。在一些实施方式中，可以基于与用户相关联的事件的相应异常得分来选择与其相关联的一个或多个事件或内容以呈现给用户。例如，可以以对这些事件与不常见事件进行区分的方式来向用户呈现更多的一个或多个非常异常的事件。以这种方式，用户可以意识到可能真正影响用户生活的事件。

附图说明

以下参考附图来详细描述本发明的各方面，在附图中：

图1是适于实施本发明的各方面的示例操作环境的框图；

图2是描绘适于实施本发明的各方面的示例计算架构的图；

图3是描绘适于实实施本发明的各方面的示例计算架构的图；

图4A描绘了根据本发明的各方面的向用户显示的示例性服务内容；

图4B描绘了根据本发明的各方面的向用户显示的示例性服务内容；

图5描绘了根据本发明的实施方式的方法的流程图；

图6描绘了根据本发明的实施方式的方法的流程图；

图7描绘了根据本发明的实施方式的方法的流程图；以及

图8是适于实现本发明的实施方式的示例性计算环境的框图。

具体实施方式

本发明的各方面的主题在本文中具体描述以满足法定要求。然而，描述本身并不旨在限制该专利的范围。相反，发明人已经预期，所要求保护的主题也可以以其他方式来实施，以结合其他现有技术或将来的技术来包括与本文档中描述的步骤不同的步骤或类似的步骤的组合。此外，虽然术语“步骤”和/或“框”在本文中可以用于表示所采用的方法的不同元素，但是术语不应当被解释为暗示在本文中公开的各个步骤之间的任何特定顺序，除非和除了明确地描述了各个步骤的顺序。

本文中描述的技术的各个方面通常涉及系统、方法和计算机存储介质等，其用于至少部分基于反映由一个或多个传感器检测的用户活动的传感器数据(“交互数据”)使用用于用户的例程模型来推断与特定用户的行为模式或例程相关的方面。如本文中使用的，“用户例程模型”是通过根据定义例程相关特征之间或者例程相关特征与例程相关推断之间的逻辑关系的规则、框架或机器学习算法(“例程相关逻辑”)评估特征、属性或变量(“例程相关特征”)来推断或预测与特定用户的行为模式相关联的例程相关方面(“例程相关方面”)的概率机器学习结构。在一些实施方式中，例程相关逻辑还定义用于确定诸如置信度得分、方差度量、中心趋势值、概率分布函数等与例程相关推断相关联的各种度量、得分或值的过程、处理或操作。

如本文中使用的“例程相关推断”描述了提供对特定用户的行为模式的附加洞察的推断、估计或近似。因此，例程相关推断使得能够标识更加密切地反映特定用户的行为在未来的时间可能会是什么的一个或多个例程相关方面。例程相关推断通过使用与先前感测的交互数据相关联的数据训练的用户例程模型来评估(或分析)根据与当前感测的交互数据相关联的数据导出的一个或多个例程相关特征来被确定。在一些实施方式中，例程相关推断用于生成或更新与特定用户相关联的例程相关简档，以便提供针对特定用户的行为模式被个性化的时间敏感推荐。

如本文中进一步描述的，术语“服务”在本文中被广泛地使用以指代可以被实施为诸如在移动设备或云上运行的app等一个或多个计算机应用、服务或例程的几乎任何应用或自动化技术，。类似地，术语“推荐”在本文中被广泛地使用以指代由服务提供的任何推荐、特征、动作、操作、通知、功能和/或其他实用程序。术语“逻辑”包括用于执行任务的任何物理和有形功能。例如，流程图中所示的每个操作可以对应于用于执行该操作的逻辑部件。操作可以使用例如在计算机设备上运行的软件、硬件(例如，芯片实现的逻辑功能)等和/或其任何组合来执行。当由计算设备实施时，逻辑部件表示然而作为计算系统的物理部分被实施的电气部件。

现在转向图1，提供了示出其中可以采用本公开的一些实施方式的示例操作环境100的框图。应当理解，本文中描述的这种和其他布置仅作为示例来阐述。附加于或代替所示出的那些，可以使用其他布置和元件(例如，机器、接口、函数、命令和函数分组等)，并且为了清楚起见，可以完全省略一些元件。此外，本文中描述的很多元件是可以被所述为离散或分布式部件或者与其他部件结合所述并且以任何合适的组合和位置来所述的功能实体。本文中描述为由一个或多个实体执行的各种功能可以由硬件、固件和/或软件来执行。例如，一些功能可以由处理器执行存储在存储器中的指令来执行。

在未示出的其他部件中，示例操作环境100包括多个用户设备，诸如用户设备102a和102b至102n；多个数据源，诸如数据源104a和104b至104n；服务器106；和网络110。应当理解，图1所示的操作环境100是一个合适的操作环境的示例。例如，图1所示的每个部件可以经由诸如结合图8描述的计算设备800等任何类型的计算设备来实施。这些部件可以经由网络110彼此通信，网络110可以包括但不限于一个或多个局域网(LAN)和/或广域网(WAN)。在示例性实施方式中，在各种可能的公共和/或专用网络中的任何一个中，网络110包括因特网和/或蜂窝网络。

应当理解，在本公开的范围内，可以在操作环境100内采用任何数目的用户设备、服务器和数据源。每个可以包括单个设备或在分布式环境中协作的多个设备。例如，服务器106可以经由布置在分布式环境中的共同提供本文中描述的功能的多个设备来提供。此外，未示出的其他部件也可以被包括在分布式环境中。

用户设备102a和102b至102n可以是在操作环境100的客户端上的客户端设备，而服务器106可以位于操作环境100的服务器侧。服务器106可以包括服务器侧软件，其被设计为与用户设备102a和102b至102n上的客户端软件一起工作，以便实施本公开中讨论的特征和功能的任何组合。提供操作环境100的这种划分以说明合适的环境的一个示例，并且不要求每个实施方式将服务器106和用户设备102a和102b至102n的任何组合保留为单独的实体。

用户设备102a和102b至102n可以包括能够由用户来操作的任何类型的计算设备。例如，在一个实施方式中，用户设备102a至102n可以是本文中关于图8描述的类型的计算设备。作为示例而非限制，用户设备可以被实施为个人计算机(PC)、膝上型计算机、移动装置或移动设备、智能电话、平板计算机、智能手表、可穿戴计算机、个人数字助理(PDA)、MP3播放器、全球定位系统(GPS)或设备、视频播放器、手持通信设备、游戏设备或系统、娱乐系统、车载计算机系统、嵌入式系统控制器、遥控器、家电、消费电子设备、工作站或这些描绘设备的任何组合、或任何其他合适的设备。

数据源104a和104b至104n可以包括数据源和/或数据系统，其被配置为使数据可用于操作环境100或结合图2描述的系统200的各种组成部分中的任何一个。(例如，在一个实施方式中，一个或多个数据源104a至104n向图2的数据收集部件215提供用户数据(或使得用户数据可访问))。数据源104a和104b至104n可以独立于用户设备102a和102b至102n和服务器106，或者可以被并入和/或集成到这些部件中的至少一个中。在一个实施方式中，数据源104a至104n中的一个或多个包括一个或多个传感器，其可以被集成到用户设备102a、102b或102n或服务器106中的一个或多个中或与其相关联。结合图2的数据收集部件215进一步描述了通过数据源104a至104n变为可用的感测的用户数据的示例。

操作环境100可以与适于实现本发明的实施例并且总体上被指定为系统200的图2所示的示例性计算系统架构的部件一起使用。系统200仅表示适于实施本发明的各方面的示例性计算系统。附加到或代替所示出的那些，可以使用其他布置和元件，并且为了清楚起见，可以完全省略一些元件。此外，与操作环境100一样，本文中描述的很多元件是可以被实施为离散或分布式部件，或者与其他部件结合实施并且以任何合适的组合和位置来实施的功能实体。在未示出的其他部件中，系统200通常包括用于基于交互数据来推断特定用户的例程相关方面的部件。系统200包括诸如数据收集部件215、存储装置220、例程模型引擎240、例程推断引擎250和推荐引擎260等部件，所有这些部件都经由网络110通信地耦合。

在一些实施方式中，由系统200的部件执行的功能与一个或多个个人助理应用、服务或例程相关联。特别地，这样的应用、服务或例程可以在一个或多个用户设备(诸如用户设备102a)上操作，服务器(诸如服务器106)可以分布在一个或多个用户设备和服务器上，或者在云上被实施。此外，在一些实施方式中，系统200的这些部件可以分布在包括云中的一个或多个服务器(诸如服务器106)和客户端设备(诸如用户设备102a)的网络上，或者可以驻留在诸如用户设备102a等用户设备上。与操作环境100一样，本文中描述的一些部件可以被实施为编译的计算机指令集合、计算机函数、程序模块、计算机软件服务、或者在诸如结合图8描述的计算设备800等一个或多个计算机系统上执行的处理的布置。

例如，这些部件、由这些部件执行的功能、或由这些部件执行的服务可以在计算系统的适当的抽象层(诸如操作系统层、应用层、硬件层等)上实施附加地或备选地，这些部件的功能和/或本文中描述的本发明的实施方式可以至少部分地由一个或多个硬件逻辑部件来执行。可以使用的示例性类型的硬件逻辑部件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)复杂可编程逻辑器件(CPLD)等。另外，尽管本文中关于示例系统200中所示的特定部件来描述功能，但是可以预期，在一些实施方式中，这些部件的功能可以在其他部件上共享或分布。

数据收集部件215通常负责从诸如图1的数据源104a和104b至104n等一个或多个数据源获取、访问或接收(并且在一些情况下也标识)交互数据。例如，可以从与用户相关联或在一些情况下与多个用户相关联的多个用户设备(诸如图1的用户设备102a和102b到102n)接收交互数据。以这种方式，可以接收来自用户使用的多个用户设备(例如，用户的移动电话、笔记本电脑、平板电脑等)的特定用户的用户活动作为交互数据。交互数据可以由数据收集部件215接收、获取或访问，并且可选地被累积、重新格式化和/或组合，并且被存储在诸如存储装置220等一个或多个数据存储器中。例如，如本文中描述的，交互数据可以存储在用户简档230中或与用户简档230相关联。因此，一个或多个数据存储器可以可用于例程模型引擎240、例程推断引擎250和推荐引擎260。在一些实施方式中，数据收集部件215被配置为针对单个用户而累积交互数据，该交互数据反映由一个或多个传感器检测的用户活动(“单独来源的交互数据”)。在一些实施方式中，数据收集部件215被配置为针对多个用户累积交互数据，该交互数据与用户来源交互相关联(“来源于人群的交互数据”)。在一些实施方式中，任何个人标识数据(即，特定地标识特定用户的交互数据)不是从具有交互数据的一个或多个数据源上传、没有被永久地存储、和/或不可用于例程模型引擎240、例程推断引擎250和/或推荐引擎260。

交互数据可以从各种来源接收，其中数据可以以各种格式可用。例如，在一些实施方式中，由数据收集部件215累积的用户数据经由与用户设备(诸如用户设备102a和/或与用户相关联的其他设备)、服务器(诸如服务器106)、和/或其他计算设备相关联的一个或多个传感器来接收。如本文中使用的，传感器可以包括用于感测、检测或以其他方式从数据源(例如，图1的数据源104a)获得诸如用户数据等信息的功能、例程、部件或其组合，并且可以被实施为硬件、软件或两者。

作为示例而非限制，用户数据可以包括从一个或多个传感器感测或确定的数据(本文中称为“传感器数据”)，诸如移动设备的位置信息、智能电话数据(诸如电话状态、收费数据、日期/时间、或从智能手机得到的其他信息)、包括在多于一个用户设备上发生的用户活动的用户活动信息(例如：app使用情况；在线活动；搜索；诸如自动语音识别等语音数据；活动日志；包括呼叫、文本、即时消息和电子邮件的通信数据；网站帖子；与通信事件相关联的其他用户数据；等等)、用户历史、会话日志、应用数据、联系人数据、日历和日程数据、通知数据、社交网络数据、新闻(包括搜索引擎或社交网络上的流行或热门项目)、在线游戏数据、电子商务活动(包括来自诸如账户、或Xbox等在线账户的数据)、用户账户数据(其可以包括来自与个人助理应用或服务相关的用户偏好或设置的数据)、家庭传感器数据、设备数据、全球定位系统(GPS)数据、车辆信号数据、交通数据、天气数据(包括预报)、可穿戴设备数据、其他用户设备数据(其可以包括例如设备设置、简档、诸如Wi-Fi网络数据或配置数据等网络连接、关于型号、固件或设备的数据、设备配对(诸如用户具有与蓝牙耳机配对的移动电话)、陀螺仪数据、加速计数据、支付或信用卡使用数据(其可以包括来自用户的PayPal账户的信息)、购买历史数据(诸如来自用户的Amazon.com或eBay账户的信息)、可以由传感器(或其他检测器)部件感测或以其他方式检测的其他传感器数据(包括从与用户相关联的传感器部件得到的数据(包括位置、运动、方向、位置、用户访问、用户活动、网络访问、用户设备充电、或能够由一个或多个传感器部件提供的其他数据))、基于其他数据导出的数据(例如，可以从Wi-Fi、蜂窝网络或IP地址数据导出的位置数据)、以及可以如本文描述地感测或确定的几乎任何其他数据源。

在某些方面，可以在用户信号中提供用户数据。用户信号可以是来自相应数据源的用户数据的馈送。例如，用户信号可以来自智能电话、家庭传感器设备、GPS设备(例如，用于位置坐标)、车辆传感器设备、可穿戴设备、用户设备、陀螺仪传感器、加速度传感器、日历服务、电子邮件账户、信用卡账户或其他数据源。在一些实施方式中，数据收集部件215连续地、周期性地或根据需要接收或访问数据。

通常，存储装置220被配置为存储在本文中描述的本发明的实施方式中使用的计算机指令(例如，软件程序指令、例程或服务)和/或模型。在一些实施方式中，存储装置220还存储经由系统200的各种部件接收的信息或数据，并且向系统200的各种部件提供对该信息或数据的访问。例如，存储装置220可以存储这样的信息或数据作为交互数据、与关于数据收集部件215描述的任何用户数据相关联的描述信息、交互数据、推断数据、交互数据集、来源于人群的数据集、来源于个人的数据集、用户例程模型、例程相关推断、例程相关简档、和一个或多个用户简档(例如，用户简档230)。在实施方式中，存储装置220包括数据存储器(或计算机数据存储器)。此外，尽管被描绘为单个数据存储部件，但是存储装置220可以被实施为一个或多个数据存储器，或者可以在云中。

示例性用户简档230包括与特定用户或者在一些实施方式中与一组或一类用户相关联的信息。如图2所示，用户简档230包括诸如以下信息：交互数据集233、用户属性数据231、用户例程模型235和例程相关简档237。存储在用户简档230中的信息可以可用于示例系统200的其他部件。

用户属性数据231包括与特定用户相关联的任何特性、特征或属性。在一些实施方式中，用户属性数据231包括与人口统计数据、位置数据、职业数据、教育数据等相关的信息。例如，人口统计数据包括诸如年龄、性别、国籍、宗教信仰、种族等信息。作为另一示例，位置数据包括诸如以下的用于特定用户的信息：当前物理位置、工作位置、家庭位置、预计的未来位置等。在一些实施方式中，类似位置数据可以可用于与特定用户相关联的一个或多个用户设备或者一个或多个个体(例如，朋友、家人等)。可以以各种方式从用户获取用户属性数据231。在一些实施方式中，由用户经由以下关于图8的计算设备800描述的任何输入设备将用户属性数据231提交给系统200。在一些实施方式中，用户属性数据231从由用户提交的用户数据编译的，作为向应用注册用户简档的部分；社交媒体简档构建；人口普查登记；等等。在一些实施方式中，用户属性数据231从与用户相关联的一个或多个报告来获取，诸如信用报告；背景报告；就业报告；等等。

交互数据集233广泛地涉及使用与用于训练、测试和/或验证用户例程模型235的先前感测的交互数据相关联的任何数据填充的任何数据集。在一些实施方式中，用户例程模型235可以是被配置为通过评估与当前感测的交互数据相关联的数据来确定例程相关推断的机器学习的概率推断模型。例程相关简档237可以包括关于特定用户的一个或多个例程相关方面的信息。例程相关简档237可以使用通过使用用户例程模型235评估当前感测的交互数据而确定的例程相关推断来初始化和/或更新。例程相关方面包括特定用户的睡眠模式的以下一个或多个方面：就寝时间、唤醒时间、就寝时间范围、唤醒时间范围、睡眠持续时间等。例程相关简档237的例程相关方面可以根据任何已知的概率机器学习模型输出来表示。例如，例程相关方面可以被表示为在中心趋势度量(例如，平均值、中值或模式)和方差度量(例如，范围、标准偏差或方差)方面来描述特定对象的统计分布。下面关于例程模型引擎240描述与交互数据集233、用户例程模型235和例程相关简档237相关的进一步的细节。

例程模型引擎240通常被适配为与存储装置220协作来填充交互数据集233，并且使用这些交互数据集233来训练用户例程模型235。由例程模型引擎240训练的用户例程模型235使得例程推断引擎250能够推断(或预测)特定用户的例程相关方面。如示例性系统200所示，例程模型引擎240包括数据集预处理器241、交互数据集编译器243和例程模型训练器245。

在使用来源于人群的数据集来填充交互数据集233的实施方式中，数据集预处理器241可以被配置为使用用户属性数据231创建用户属性过滤器。在这些实施方式中，在某种意义上，用户例程模型235可以通过选择与特定用户更相关的先前感测的交互数据，来针对特定用户预定制以用于训练用户例程模型。在用与交互数据集233相关联的先前感测的交互数据填充交互数据集233之前，数据集预处理器241通过对来源于人群的数据集应用至少一个用户属性过滤器来实施对用户例程模型235的这样的预定制。在一些实施方式中，用户属性过滤器基于从与用户简档230相关联的用户属性数据231所获取的数据。在一些实施方式中，用户属性过滤器可以基于经由以下关于图8的计算设备800描述的任何输入设备从用户获取的数据。

例如，用户位置过滤器可以应用于来源于人群的数据集，以排除与距离特定用户在预定距离范围之外的用户相关联的先前感测的交互数据。作为另一示例，用户人口统计过滤器可以应用于来源于人群的数据集，以仅包括关联于与特定用户具有共同的至少一个人口统计特性(例如，年龄、收入、文化身份、性别等)的用户的先前感测的交互数据。在另一示例中，将用户职业过滤器应用于来源于人群的数据集，以仅包括关联于与特定用户具有共同的至少一个职业特性(例如，职业、行业、经验水平等)的用户的先前感测的交互数据。

交互数据集编译器243被配置为使用从数据收集部件215、存储装置220和/或例程推断引擎250接收的先前感测的交互数据来填充、编译或构建交互数据集233。在一些实施方式中，交互数据集233用反映由一个或多个传感器检测的特定用户的活动的源自于个人的数据被填充。在一些实施方式中，交互数据集233用反映由一个或多个传感器检测的多个用户的活动的来源于人群的交互数据被填充。在一些实施方式中，交互数据集233用与先前感测的交互数据相关联的描述数据被填充，诸如时间/日期戳、元数据标签、地理位置数据等。在一些实施方式中，如以下关于推断评估器253更详细地讨论的，交互数据集用解释数据被填充。

例程模型训练器245的实施方式可以被配置为通过分析交互数据集233来训练用户例程模型(例如，用户例程模型235)，以标识例程相关特征、例程相关逻辑、以及在一些实施方式中的例程相关权重。如以上讨论的，在一些实施方式中，用户例程模型235包括机器学习的概率推断模型，该概率推断模型被配置为通过评估与当前感测的交互数据相关联的数据来确定例程相关推断。因此，用户例程模型235可以由本领域技术人员已知的任何机器学习技术来训练。

例程相关特征可以由例程模型训练器245基于以下来标识：结合数据收集部件215描述的用户数据、与这样的用户数据相关联的描述信息以及由推断评估器253提供的解释数据的任何组合。在一些实施方式中，例程相关特征由例程模型训练器245识别交互数据集233中的数据与特定用户的例程之间的模式来标识。例如，例程模型训练器245可以使用诸如相关门限(正或负)等预定统计门限来识别这样的模式。预定统计门限可以反映所标识的例程相关特征之间的关系、或者例程相关特征与特定用户的例程的各个方面之间的关系。

在一些实施方式中，例程相关特征利用用户信号，用户信号提供来自与用户相关联的数据源(例如，用户设备)的交互数据的馈送。在这些实施方式中，交互数据的馈送可以以任何粒度级别来提供，包括：连续地，周期性地(例如，每分钟、每5分钟、每小时、每2小时等)，或者在用户信号转换逻辑状态时(例如，从关闭到打开、从高到低等)。提供交互数据的馈送的用户信号可以从与客户端侧、服务器侧、云中的应用或设备、或其任何组合相关联的传感器来接收。

例程模型训练器245还被配置为确定用于用户例程模型的例程相关逻辑，例程相关逻辑将与交互数据相关联的数据映射到例程相关特征，并且定义例程相关特征之间和/或例程相关特征与例程相关推断之间的逻辑关系。在一些实施方式中，例程相关逻辑还定义用于确定与例程相关推断相关联的各种度量、得分或值(诸如置信度得分、方差度量、中心趋势值、概率分布函数等)的过程、处理或操作。

在一些实施方式中，采用置信度得分来量化以下置信度：与例程相关简档相关联的一个或多个例程相关方面将如何准确地反映用户的例程的置信度。在这些实施方式中，置信度得分可以与以下相关联：例程相关简档总体、例程相关简档的特定例程相关方面、和/或与例程相关简档的特定例程相关方面相关联的一个或多个度量(例如，方差度量、中心趋势度量等)。换言之，置信度得分是相关联的概率或置信度，其指示预测的例程相关方面与用户的实际例程一致的可能性。在一些实施方式中，服务以各种方式使用置信度得分，诸如用于为用户提供时间敏感推荐的门限。

在其中使用例程相关权重的实施方式中，例程模型训练器245还可以被配置为向例程关联特征分配至少一个例程相关权重。例程相关权重可以通过分析用于训练用户例程模型235的交互数据集233来确定。例程相关权重反映相应例程相关特征在确定例程相关推断(预测其可能性)时的相对统计显著性。这样的例程相关权重可以由例程模型训练器245分配到与用户例程模型相关联的一个或多个例程相关特征。

尽管图2将例程模型引擎240描绘为单独的部件，但是本领域技术人员将认识到，例程模型引擎240或其任何子部件可以与另一部件(诸如交互数据收集部件、分析工具、用户设备、web服务器等)集成。在一些实施方式中，例程模型引擎240被实施为例程推断引擎250，或者被类似地被设计为生成例程相关简档的其他部件的部分。在一些实施方式中，例程模型引擎240被实现为网络服务器、混合硬件/软件部件的部分，或者被实施为在传统个人计算机上运行的软件模块，其正在用于使用交互数据来推断用户睡眠模式的例程相关方面。

通常，例程推断引擎250被配置为：通过使用先前感测的交互数据训练的用户例程模型分析当前感测的交互数据，来推断例程相关方面。如示例性系统200所示，例程推断引擎250包括特征预处理器251、推断评估器253、数据分析部件255和异常值检测器257。

特征预处理器251被配置为映射与交互数据相关联的数据，以生成用于由数据分析部件255分析的例程相关特征，如由例程模型训练器245标识的。由特征预处理器251生成的例程相关特征可以包括与本文中所讨论的交互数据相关联的任何数据。在一些实施方式中，特征预处理器251还被配置为将与交互数据相关联的数据转换成适当的格式以映射到例程相关特征，如由例程模型训练器245规定的。例如，与交互数据相关联的数据可以被接收作为模拟数据或数字数据，其被提供作为任何数目的数据类型，包括：矩阵；矢量；以及标量。在该示例中，特征预处理器251将这样的数据转换为由数据分析部件255可使用的、针对对应的历程相关特征的适当格式。

在一些实施方式中，特征预处理器251可以将来自单个数据源的、与当前感测的交互数据相关联的数据映射到单个例程相关特征。例如，特征预处理器251可以将来自在特定用户的智能电话上运行的闹钟应用的当前感测的交互数据映射到单个例程相关特征。在该示例中，例程模型训练器245确定特定用户在唤醒之后不久定期地停用智能电话上的闹钟应用。

在一些实施方式中，特征预处理器251可以将来自多个数据源的、与当前感测的交互数据相关联的数据映射到单个例程相关特征。例如，特征预处理器251可以将以下映射到单个历程相关特征：来自由特定用户正在与之交互的远程服务器托管的新闻网站和来自特定用户正在使用以与新闻网站交互的用户设备的当前感测的交互数据。在该示例中，描述数据可以是与从用户设备接收的交互数据相关联的设备标识符的形式。在该示例中，例程模型训练器245确定特定用户在就寝时间之前在平板计算设备上阅读新闻网站上的新闻文章。而如果特定用户在早上准备上班的同时在智能手机上与新闻网站交互，则从同一新闻网站收集的交互数据不能用于推断特定用户的就寝时间。

推断评估器253可以被配置为从感测的交互数据中提取解释数据，并且将提取的解释数据提供给存储装置220用于由系统200的其他部件使用。解释数据通常对应于任何信息，这些信息通过在获取交互数据时描述用户、设备和/或应用周围的环境来向由系统200利用的任何交互数据提供上下文。换言之，解释数据提供感测的交互数据的背景信息，该背景信息使得与在系统200不知道周围环境的情况下将有以其他方式可能标识的模式相比，系统200能够标识交互数据集233中的更多的模式。

解释数据的示例包括：在当时正被执行的任务，诸如后备军训练、试图减轻体重以导致用户较早醒来慢跑；关于时间上意义的信息，诸如生日、节假日、周年纪念、年度季节、特别活动、假期、最近事件之间的关联；关于地理意义的信息，诸如工作地点/家庭位置、位置的变化(例如，从一个城市移动到另一城市或从一个时区移动到另一时区)、度假目的地；或者向系统提供对感知交互数据的周围环境的更高级别的了解的任何其他信息。

数据分析部件255通常被配置为来实施由关于例程相关特征的用户历程模型中的例程模型引擎240提供的例程相关逻辑，例程相关特征包括与来自特征预处理器251的交互数据相关联的数据。通过实施关于例程相关特征的例程相关逻辑，数据分析部件255能够确定例程相关推断以及与例程相关推断相关联的各种度量、得分或统计信息，诸如置信度得分、方差度量、中心趋势值、概率分布函数等。与存储装置220协作，数据分析部件255还可以被配置为使用例程相关推断以及从当前感测的交互数据确定的与例程相关推断相关联的各种度量、得分或统计信息来更新(或初始化)与特定用户相关联的例程相关简档。

异常值检测器257可以被配置为使用预定的截断(cut-off)标识足够偏离先前确定的例程相关推断以构成统计异常值(“异常值推断”)的例程相关推断。例如，可以根据已知的统计异常检测方法建立预定截止值，诸如：基于模糊逻辑的异常值检测；基于聚类分析的异常值检测；基于密度的技术或任何其他已知的统计异常检测度量。在一些实施方式中，异常值检测器257使用预定截止值来将例程相关推断与关联于特定例程相关的简档的先前确定的例程相关推断相比较。

在一些实施方式中，与被异常值检测器257标识为统计异常值的例程相关推断相关联的数据被存储在本文中称为“异常值数据集”的交互数据集中。例如，这样的数据可以包括：所确定的例程相关推断、用于确定例程相关推断的任何例程相关特征、或者在确定该例程相关推断的规定时间内获取的任何当前感测的交互数据。在一些实施方式中，异常值数据集用于根据本文中公开的任何实施方式来训练用户例程模型。在这些实施方式中，在训练本文中称为“备选用户例程模型”的用户例程模型时，可以使用异常值数据集来代替并且替代交互数据集的部分和/或与交互数据集合并。在一些实施方式中，使用备选用户例程模型确定的例程相关推断用于生成例程相关简档(在本文中称为“备选例程相关简档”)。在这些实施方式中，可以基于由例程模型引擎240确定的用于训练其相应的备选用户例程模型的数据集内的一些共性使用备选简档标签来标识备选例程相关的简档。

例如，如果例程模型引擎240确定用于训练备选用户例程模型的异常值数据集包括与特定地理位置(例如，以色列、欧洲、墨西哥的度假屋等)相关联的交互数据。在该示例中，可以使用指定特定地理位置的备选简档标签来标识使用例程相关推断生成的替代例程相关简档，该例程相关推断使用该备选用户例程模型被确定。因此，该示例的备选例程相关简档可以包括特定于该特定地理位置的特定用户的例程相关方面。例如，与在家里工作时相比，特定用户可以在墨西哥度假时醒来更早。

作为另一示例，例程模型引擎240确定用于训练备选用户例程模型的异常值数据集包括与特定时间段(例如，平日/周末、夏季/冬季、每个月的特定周末等)相关联的交互数据。在该示例中，可以使用指定特定时间段的备选简档标签来标识使用例程相关推断生成的替代例程相关简档，该例程相关推断使用该备选用户例程模型被确定。因此，该示例的备选例程相关简档可以包括特定于特定时间段的特定用户的例程相关方面。例如，特定用户可以在后备军单位，这导致与他们在家里在周末放松时相比，特定用户在与后备军单位训练的当月的特定周末醒来更早。

推荐引擎260被配置为接收对于特定用户的例程相关方面的请求，使用与特定用户相关联的例程相关简档来标识所请求的例程相关方面，以及将所标识的例程相关方面提供给提交请求的应用、服务或设备。在一些实施方式中，推荐引擎260可以被所述为应用编程接口(“API”)。如图2所示，推荐引擎260包括客户端侧服务接口261、服务器侧服务接口263和基于云的服务接口265。

客户端侧服务接口261被配置为从直接向特定用户提供时间敏感推荐的客户端侧推荐应用或服务接收请求。作为示例，所接收的请求可以源自于在特定用户的智能电话上运行的应用，诸如个人助理应用或通信应用。在另一示例中，请求可以源自于通信地耦合到与具有由特定用户使用的自动化能力的任何客户端侧设备、机器或器具相关联的致动器的控制器。

服务器侧服务接口263被配置为从可以被托管在向用户提供建议的第三方设备上的服务器侧应用或服务接收请求。例如，所接收的请求可以源自于托管提供与社交媒体、交通、天气、新闻等相关的商业或信息服务的网站的服务器。在一些实施方式中，可以从与关联于另一用户(例如，特定用户的家庭成员、朋友等)的例程推断引擎相关联的推荐引擎接收请求。类似地，基于云的服务接口265被配置为从任何基于云的应用或服务接收请求。

可选地，特定用户的例程相关方面的例程相关预测可以使用当前感测的交互数据和用户例程模型来被确定，该用户例程模型使用先前感测的交互数据来被训练。交互数据集可以使用先前感测的交互数据来被填充。先前感测的交互数据可以在存储的数据集中被积累之前从交互数据收集部件(例如，图2的数据收集部件215)接收。在一些情况下，先前感测的交互数据从存储的数据集中取回，存储的数据集包括关于数据收集部件215描述的任何交互数据。例如，存储的数据集可以包括来自个人数据集的与特定用户相关联的累积的先前感测的交互数据。在另一示例中，存储的数据集可以包括来自来源于人群的数据集的与多个用户相关联的累积的先前感测的交互数据。在另一示例中，存储的数据集可以包括来自个人数据集、来源于人群的数据集或其组合的累积的先前感测的交互数据。

在使用来源于人群的数据集的实施方式中，可以在填充交互数据集之前对从来源于人群的数据集中取回的先前感测的交互数据执行预处理。这样的预处理可以包括噪声滤波、异常值数据的去除和/或丢失数据的处理。在使用来源于人群的数据集的实施方式中，预处理可以包括使用基于用户属性(例如，图2的用户属性数据231)的一个或多个过滤器来从来源于人群的数据集中过滤先前感测的交互数据。当使用时，一个或多个过滤器将从用户接收的具有该用户属性的先前感测的交互数据与从用户接收的不具有该用户属性的先前感测的交互数据分离。因此，过滤后的先前感测的交互数据可以被包括在交互数据集中或从交互数据集中排除，以提供通常针对训练、测试和/或验证用户例程模型而定制的先前感测的交互数据。

可以使用填充的交互数据集来训练、测试和/或验证用户例程模型。如以上讨论的，通过标识交互数据集中的一个或多个例程相关特征，使用任何已知的机器学习技术来训练用户例程模型。在一些实施方式中，通过利用初始值填充例程相关简档来生成特定用户的例程相关简档，该初始值使用填充的交互数据集中的先前感测的交互数据来被确定。在这些实施方式中，与这样的例程相关简档相关联的置信度得分被赋予最小值(例如，0、1％、0.02等)。例如，可以通过用例程相关方面的初始值填充例程相关简档来生成特定用户的例程相关简档。备选地，可以使用任何编号系统或其组合来向该示例中例程相关方面的初始值分配置信度得分。

用户例程模型包括例程相关逻辑，其定义用于通过评估与当前感测的交互数据相关联的数据，来确定例程相关推断的逻辑框架。在一些实施方式中，例程相关逻辑包括以下概率规则类型中的一个或多个：预测规则、排序规则、聚类规则或分类规则。例程相关逻辑通过以下方式定义逻辑框架：将与当前感测的交互数据相关联的数据映射到一个或多个例程相关特征中的每个例程相关特征；规定一个或多个例程相关特征之间的关系，以使用与当前感测的交互数据相关联的数据来确定例程相关推断；并且在一些实施方式中，向至少一个例程相关特征分配例程相关权重。基于特定例程相关特征在确定例程相关推断时(例如，预测其可能性)的相对重要性，来向特定的例程相关特征分配例程相关权重。因此，可以使用用户例程模型以及所确定的其例程相关推断来生成或更新特定用户的例程相关简档。

可以经由与用户设备相关联的一个或多个传感器来接收当前感测的交互数据，并且可以通过根据与用户例程模型相关联的例程相关逻辑评估与该当前感测的交互数据相关联的数据，来确定例程相关推断。在实施方式中，与该当前感测的交互数据相关联的数据包括以下中的一个或多个：从传感器接收的原始交互数据、与原始交互数据相关联的描述信息、从原始交互数据和/或描述信息确定的推断数据、或其任何组合。如结合图2的例程推断引擎250讨论的，在实施方式中，取决于用于确定特定的例程相关推断的例程相关逻辑的类型(诸如，自然分类标签、概率分布函数、预期结果、结果得分等)，可以以各种格式来呈现例程相关推断。

可以使用例程相关推断来更新或初始化特定用户的例程相关简档。在其中没有使用初始值来生成例程相关简档的实施方式中，可以将例程相关推断用作初始化值来初始化例程相关简档。在其中通过利用初始值填充例程相关简档来生成例程相关简档的实施方式中，其中初始值使用填充的交互数据集中的先前感测的交互数据来别确定，例程相关推断可以与对应的初始值一致(reconciled)。在这些实施方式中，通过替换、求平均、求加权平均、内插、外插等来使例程相关推断与相应的初始值一致。在其中分配置信度得分的这些实施方式中，根据本文中描述的任何实施方式，可以从先前值增加置信度得分。

可以为特定用户提供一个或多个例程相关方面，其中对于特定用户的一个或多个例程相关方面的请求被接受。响应于接收到请求，可以使用与特定用户相关联的例程相关简档来标识一个或多个例程相关方面。根据本文中描述的任何实施例，诸如以上描述的，使用交互数据来生成例程相关简档。结合图2的例程推断引擎250提供生成例程相关简档的进一步的细节。可以向提交请求的设备、应用或服务提供一个或多个例程相关方面。

已经描述了根据本公开的一些实施方式的用于生成用户的例程的例程相关方面的可选的架构和各种方法，图3是描绘根据本公开的一些实施方式的适于分析用户的事件的示例性计算架构的图。图3示出了被配置为基于用户例程的例程相关方面和事件的事件属性来分析用户的一个或多个事件的事件分析器366。通过关于例程相关方面来分析用户的事件，本公开的实施方式可以标识相对于用户日常生活中普通和预期的内容不常见的事件。因此，事件分析器366可以发现对用户而言真正有影响并且值得注意的事件。

在一些情况下，事件分析器366分析关于特定用户的异常(诸如事件的任何一方等)。另外，或者相反，可以针对多个用户的聚合(诸如事件的每个出席者等)来评估异常。例如，可以分别评估异常以为每个特定用户生成异常得分，其可以组合成聚合异常得分。作为另一示例，引发异常得分的各种因素可以被聚合以生成多个出席者的异常得分。

如本文中使用的，异常得分量化一个或多个事件的一个或多个事件属性与一个或多个建模的例程的一个或多个例程相关方面之间的偏差水平。在异常得分基于多个因素的情况下，每个因素(也称为因素度量)可以量化至少一个事件属性与至少一个建模的例程的至少一个例程相关方面之间的相应偏差水平。

作为示例，图3示出了用户(诸如具有图2中的相关联的用户简档230的用户之一)的事件382。如本文中使用的，用户的事件可以指代与用户相关联的事件。例如，用户可以是事件的出席者和/或组织者。在一些情况下，可以使用诸如日历应用等日程软件来生成事件。在各种实施方式中，在生成事件的同时(例如，当用户正在向日程服务输入事件属性时)，在生成事件之后(例如，在事件属性关于事件被持久化或保存之后)，和/或在事件的一个或多个事件属性改变之后，可以分析事件的异常。

在各种实施方式中，可以使用以下来生成事件：可以采用电子邮件或其他机制来邀请一个或多个用户参加事件或会议的自动日历软件。更传统的示例包括和Lotus 然而，较新的示例可以被看作是主要基于云的服务和/或集成到移动电话中的服务。例如，这样的应用通常被提供作为操作系统的库存或默认应用，诸如移动操作系统，包括各种版本的Phone、Android^TM或iOS^TM，或桌面操作系统，诸如各种版本的或Mac 然而，这些应用也可以由操作系统提供商的第三方来提供。此外，事件可以跨平台和/或跨应用被计划和/或分析。作为示例，可以采用GoogleSync和/或Yahoo Sync将日历事件导入Windows Phone日历中。事件382可以是任何前述事件的示例，并且每个包括一个或多个事件属性，诸如事件属性378。

在一些情况下，为了安排会议，组织者可以使用服务向一个或多个被邀请者发送邀请。邀请通常表示一个或多个事件属性，诸如事件属性378，其可以由组织者设定，诸如会议的日期和时间、会议的位置、会议是否重复或会议将在何时重复、和评论。服务通常跟踪被邀请者的响应，诸如被邀请者接受、拒绝、暂时接受还是提出新的时间或地点。基于响应，服务可以(诸如通过维护事件的出席者(例如，计划出席者)列表)更新或设置一个或多个事件属性。此外，服务可以自动地将会议作为日历事件或条目添加到每个用户的个人日历中。通常，在由原始组织者初始设置之后，一个或多个事件属性可以由一个或多个用户修改(或者属性可以由一个或多个添加或删除)。

因此，在各种实施方式中，事件属性378中的至少一些可以对应于一个或多个用户在计划或日程事件时输入的信息，诸如由出席者之一和/或事件的组织者。关于图3中的事件382a示出了事件的事件属性的示例。示例性事件属性包括开始时间384、结束时间386、持续时间388、位置390、出席者392、组织者394和重复396。然而，并非所有事件属性都可以被包括，并且在本公开的各种实施方式中，可以采用其他事件属性。此外，应当理解，开始时间384、结束时间386和持续时间388中的任何两个可以用于推导出另一个。

开始时间384对应于事件382a的计划或预期的开始时间，结束时间386对应于事件382a的计划或预期的结束时间，持续时间388对应于事件382a的计划或预期的持续时间，位置390对应于要发生事件382a的计划或预期的位置，出席者392对应于预期或计划出席事件382a的一组人或联系人，组织者394对应于事件382a的组织者，并且重复396对应于事件382a是否为重复事件而不是一次性事件的指示符。在本示例中，事件382a对应于与用户相关联的事件条目(例如，在日历服务或应用中)。然而，在其他情况下，事件382a可以对应于正被计划或生成的事件，并且可以非显式地与特定用户相关联。

事件的事件属性用于定义事件，并且可以捕获事件的各种异常方面或特征。然而，事件属性通常缺乏关于属性在受事件影响的人的生活中的重要性的上下文。因此，有时单独事件属性可能不适合于正确地确定事件的异常。在各种实施方式中，事件分析器366可以采用用户的例程相关方面来提供事件属性的上下文，以便准确地确定用户的事件的异常。因此，事件的异常不仅可以表示事件与系统已知的其他事件相比有多么异常，而且可以进一步表示事件关于用户的生活和例程行为的平常程度。

例程相关方面的示例包括图3中的例程相关方面368。例程相关方面368包括从交互数据的用户模式推断的信息。例如，在一些实施方式中，可以从图2的推荐引擎260向事件分析器366提供例程相关方面368的一个到全部。例如，可以使用客户端侧服务接口261、服务器侧服务接口263和/或基于云的服务接口265来提供例程相关方面368。在一些情况下，事件分析器366可以主动地请求来自推荐引擎260的信息。在其他情况下，可以以被动或主动的方式将信息提供给事件分析器366或者使其可用于事件分析器366。

可以从由例程模型引擎240跟踪、训练和分析的一个或多个相应例程(例如，例程模型)来推断每个例程相关方面。此外，每个例程相关方面可以由例程推断引擎250针对特定用户来推断或预测。特别地，特定用户可以对应于正在被确定异常的事件的出席者。由事件分析器366采用的例程相关方面可以包括与例程相关推断相关联的各种度量、得分或值的任何组合，诸如置信度得分、方差度量、中心趋势值、概率分布函数等。事件分析器366可以处理例程相关方面以推断对于用户的事件异常。特别地，事件分析器366可以采用例程相关方面和事件的事件属性来表征事件的异常。例程相关方面的示例包括通勤相关方面370、睡眠相关方面372、位置访问相关方面374和与亲密度(affinity)相关方面376。

如上所述，每个事件可以被分配以异常得分，其通过关于事件属性来分析用户例程的例程相关方面而生成。异常得分可以基于各种因素，其组合以量化事件的异常。在一些情况下，分别分析每个因素以生成相应的因素得分。每个因素得分可以表示在分析事件的异常时使用的一个准则，并且可以使用相应的因素度量来生成。可以组合各种因素得分以生成异常得分。

确定异常的一个这样的因素可以基于用户的通勤模式。用户的通勤模式可以由用户的一个或多个通勤相关例程的通勤相关方面370来捕获，并且关于事件的一个或多个事件属性来分析。作为示例，可以引发事件异常的基于通勤的因素可以部分地基于事件与用户的一个或多个已知通勤之间的交叠(例如，由例程模型引擎240已建模的通勤)。对事件的整体异常的贡献度(例如，因素得分)(例如，异常得分)可以基于事件与通勤之间的交叠量。例如，因素得分在事件与通勤之间没有交叠的情况下可以最小(例如，无贡献)，并且随着交叠量的增大而增加，使得贡献在完全交叠时可以最大。因此，作为具体示例，如果通勤时间是从上午9:15到上午10:00，并且事件开始时间是上午9:45，其中持续时间为1小时，则因素得分可以低于在事件开始时间为上午9:10的情况下的因素得分。

在一些实施方式中，基于通勤的因素可以基于指示事件的开始时间、结束时间和/或持续时间的事件属性来确定。此外，基于通勤的因素可以基于通勤的例程相关方面，包括用户的已建模的通勤的开始时间和结束时间。可选地，基于通勤的因素还可以考虑开始时间和结束时间的方差度量(例如，标准偏差)。在考虑方差度量时，可以基于通勤的开始时间的方差和通勤的结束时间的方差来确定交叠量。例如，在确定交叠时，可以将开始时间向前调整与开始时间相关联的方差度量(例如，一个标准偏差)，并且可以将结束时间向后调整与结束时间相关联的方差度量(例如，一个标准偏差)。此外，可选地，与例程相关方面相关联的置信度得分可以用于调整基于通勤的因素的程度，其中较低的置信度得分降低因素得分。

确定事件异常的另一这样的因素可以基于用户的睡眠模式。用户的睡眠模式可以由用户的一个或多个睡眠相关例程的睡眠相关方面372来捕获，并且关于事件的一个或多个事件属性来分析。作为示例，可以引发事件异常的基于睡眠的因素可以部分地基于事件与用户的一个或多个已知睡眠时间表之间的交叠(例如，由例程模型引擎240建模的睡眠时间表)。对事件的整体异常的贡献度(例如，因素得分)(例如，异常得分)可以基于事件与睡眠时间表之间的交叠量。例如，因素得分在事件与睡眠时间表之间没有交叠的情况下可以最小(例如，无贡献)，并且随着交叠量的增大而增加，使得贡献在完全交叠时可以最大。

在一些实施方式中，基于睡眠的因素可以基于指示事件的开始时间、结束时间和/或持续时间的事件属性来确定。此外，基于睡眠的因素可以基于睡眠时间表的例程相关方面，包括用户的已建模的睡眠时间表的开始时间(即就寝时间)和结束时间(即唤醒时间)。可选地，基于睡眠的因素还可以考虑开始时间和结束时间的方差度量(例如，标准偏差)。在考虑方差度量时，可以基于睡眠的开始时间的方差和睡眠的结束时间的方差来确定交叠量。例如，在确定交叠时，可以将开始时间向前调整与开始时间相关联的方差度量(例如，一个标准偏差)，并且可以将结束时间向后调整与结束时间相关联的方差度量(例如，一个标准偏差)。此外，可选地，与例程相关方面相关联的置信度得分可以用于调整基于睡眠的因素的程度，其中较低的置信度得分降低因素得分。

确定事件异常的另一这样的因素可以基于用户的位置访问模式。用户的位置访问模式可以由用户的一个或多个位置访问相关例程的位置访问相关方面374来捕获，并且关于事件的一个或多个事件属性而被分析。作为示例，可以引发事件异常的基于位置访问的因素可以部分地基于用户对在事件的位置处或附近的建模的位置或场所进行访问的频率(例如，访问由例程模型引擎240建模的位置或场所)。

在一些实施方式中，事件分析器366被配置为基于事件的位置与由例程模型引擎240建模的一个或多个被访问场所或位置的位置之间的比较，来确定基于位置访问的因素。例如，可以将位置与一个或多个被访问位置相比较，并且基于位置访问的因素可以对应于事件的位置是被访问位置中的一个或多个的概率。在一些情况下，事件的位置距离一个或多个被访问位置(例如，最接近的被访问位置)的位置越远，则因素得分越大。最小得分可以是事件的位置基本上位于被访问位置的位置，并且可以在与被访问位置相距一定距离(例如，预定距离)处增加到最大值。作为示例，所采用的位置各自可以包括用于确定距离的位置坐标(诸如经度和纬度)，并且可以基于GPS坐标。因此，在事件在例程访问的用户场所或位置处或附近的情况下，关于位置访问相关因素，事件可能不会被认为是特别异常的。

事件的位置可以是例如事件382a的事件属性的位置390。在一些情况下，事件分析器366在确定事件的异常时使用的位置坐标在与事件相关联地被存储的事件属性中是明确的或隐含的。例如，事件日程服务可以允许组织或用户明确地为会议室和/或其他资源提供经度和纬度。作为另一示例，位置390可以包括由用户(诸如事件的出席者)输入或选择的地址。这样的地址可以隐含地与事件分析器366可以使用地理位置服务查找的位置坐标相关联。作为另一示例，可以从位置390推断位置坐标。例如，先前的事件可以使用会议或文本或包括与当前位置的文本相对应的字符的文本的位置。基于在先前事件期间从用户设备提取的位置坐标(和/或其他传感器数据)，事件分析器366可以推断位置坐标对应于当前事件的位置。

在一些实施方式中，事件分析器366基于事件向推荐引擎260提供时间。例如，开始时间、结束时间或开始和结束时间之间的时间可以被提供给推荐引擎260。基于时间，推断引擎250可以预测用户的位置(例如，用户的位置)。例如，基于由与用户相关联地被收集的空间时间数据点形成的模式，例程推断引擎250可以提供位置访问相关方面374，其包括用户在给定时间(或时间范围)在一个或多个位置处或附近的一个或多个位置和概率。事件分析器366可以选择与事件位置最接近的预测位置，并且基于事件位置到事件的距离来生成因素得分。可选地，这样的分析可以考虑与位置的概率关联。例如，因素得分可以用预测位置的概率被加权。作为另一示例，在选择用于与事件的位置相比较的预测位置时，与不太可能的位置相比，更可能的位置可以被加权得更重。

附加地或替代地，基于位置访问的因素可以由事件分析器366将事件的位置提供给例程推断引擎250，并且接收预测用户将在该时间期间处于该位置的概率来生成，其中时间基于该事件。概率可以用于确定因素得分，例如，使得更高的概率降低关于因素的异常。

以下提供例程推断引擎250可以如何为了基于位置访问的因素的目的来预测用户的一个或多个位置的示例。然而，可以采用其他方法。在一些实施方式中，可以为由变化的分辨率的时间间隔索引的对应位置生成置信度得分或概率得分。对于空间时间数据点的时间戳(例如，位置坐标和对应的时间戳)，时间间隔的示例包括星期二上午9点、平日早上和星期三下午。在进行这样的确定时，时间间隔可以对应于由事件分析器366提供的事件的时间。置信度得分可以通过应用Dirchlet多项式模型并且计算每个周期直方图的后验预测分布来计算。在这样做时，特定直方图中每个仓(bin)的预测可以由下式给出：

其中K表示仓的数目，α₀是编码先验知识的强度的参数，并且因此，模式预测是对应于i^*的直方图的仓，并且其置信度由x_i ^*给出。作为示例，考虑直方图，其中早上＝3，下午＝4，晚上＝3。使用，α₀＝10，模式预测是下午，并且置信度得分为根据各种实施方式，更多的观察导致增加的置信度得分，这表明增加了预测的置信度。作为示例，考虑直方图，其中早上＝3000，下午＝4000，晚上＝3000。使用类似的计算，置信度得分为

此外，在一些实施方式中，可以为由周期和若干时间戳索引的对应的跟踪变量生成置信度得分。示例包括每周1次访问和每2周3次访问。使用高斯后验，可以为每个周期分辨率为模式生成置信度得分，表示为j。这可以通过采用以下公式来实现：

在上文中，σ²是样本方差，σ₀ ²和μ₀是公式的参数。可以通过围绕若干时间戳的预测采取固定间隔并且计算累积密度来计算置信度得分：

作为示例，考虑以下观察： 并且N⁽¹⁾-4并且N⁽²⁾-2。使用μ₀＝1并且μ⁽¹⁾＝4.075并且conf₁＝0.25。另外，μ⁽²⁾＝10.31并且conf₂＝0.99。在上述示例中，尽管两个星期周期的可用时间戳较少，但是用户信号的减小的方差导致模式存在的置信度增加。

确定了模式存在，或者模式的置信度得分足够高(例如，超过阈值)时，例程推断引擎250可以生成推断，诸如标识位置或地点被用户例程地访问。作为示例，可以通过将函数映射到形成模式的空间时间数据的时间戳(诸如高斯函数或钟形曲线)来建立标准偏差。

例程推断引擎250还可以采用位置预测，如上所述，其可以使用直方图模型来实施，该直方模型使用时间间隔索引。如上所述，时间间隔由事件分析器366提供。使用时间，直方图模型可以应用于每个已知的地点或位置。这些地点中的每个地点可以产生估计当时访问地点的部分的概率：

量P(time＝t|Place＝p)是上述直方图模型。P(Place＝p)是在地点p的先验概率。时间t的分辨率从窄到宽被释放(例如，星期二上午9点＝>平日上午)，直到上述量超过门限，在这种情况下，我们的模型预测地点p。在地点p对应于事件的位置的情况下，可以推断事件关于位置不是非常异常的，和/或与地点p相对应的位置或候选地点可以具有增加的置信度或概率得分作为用户的预测位置。

确定事件异常的另一因素可以基于用户的亲密度模式。在一些实施方式中，用户的亲密度模式可以由用户的一个或多个亲密度相关例程的亲密度相关方面376来捕获，并且关于事件的一个或多个事件属性来分析。通过利用基于亲密度的因素，事件分析器366可以关于事件的参与者来评估事件的异常。作为示例，可以引发事件异常的基于亲密度的因素可以部分地基于用户与事件的一个或多个出席者之间的亲密度(例如，用户与由例程模型引擎240建模的联系人简档交互的模式)，该事件对应于被跟踪作为用户的一个或多个基于亲密度的例程的部分的联系人简档或用户。

在一些实施方式中，事件分析器366向推荐引擎260提供事件的出席者的列表，诸如出席者392。推荐引擎260可以将列表提供给例程推断引擎250，用于关于出席者列表生成亲密度得分。可以向事件分析器366提供一个或多个亲密度得分，用于生成针对基于亲密度的因素的因素得分。一个或多个亲密度得分可以是出席者列表的聚合亲密度得分，或者作为示例，可以为每个出席者提供亲密度得分。亲密度得分对应于用户与一个或多个其他用户或联系人之间的量化的关联度。特别地，出席者可以被映射到由例程模型引擎240关于用户跟踪的一个或多个联系人条目。在一些情况下，联系人条目对应于用户的联系人簿中的条目，诸如用户的移动联系人和/或电子邮件联系人。每个联系人条目可以包括对应的名称、以及一个或多个街道地址、电子邮件地址、电话号码等。在一些情况下，出席者的列表可以包括出席者的联系人条目和/或其指示符，例如，事件的出席者从与例程模型引擎240共享的联系人簿来生成。在其他情况下，例程推断引擎250可以从出席者诸如姓名、电子邮件地址等在列表中提供的信息来推断联系人。

用户与出席者之间的亲密度可以基于用户与对应于出席者的联系人之间的各种跟踪的交互。可以增加亲密度的交互的示例包括去往和/或来自联系人的电子邮件、去往和/或来自联系人的文本消息、去往和/或来自联系人的电话呼叫、将用户与联系人相关联的其他传感器数据、以及上述中的任何一个的量。在一些情况下，亲密度可以基于其他事件或会议，诸如用户和联系人都是出席者的过去事件。此外，邀请去往或来自与用户相关联的联系人的事件可以增加亲密度。在一些情况下，基于所检测的交互的新近性，亲密度被打折。例如，与不太接近的交互相比，更接近的交互可以在较大程度上增加亲密度。亲密度不必仅基于用户与联系人之间的检测或标识的交互。特别地，可以采用将用户与联系人相关联的信息。作为示例，可以使用包括用户和客户端作为员工的组织机构图。

在一些实施方式中，出席者的亲密度还基于上下文。例如，可以由事件分析器366提供从事件的标题和/或其他事件属性生成和/或提取的文本，使得能够关于由文本指示的上下文来评估亲密度。

可以基于一个或多个亲密度得分来生成基于亲密度的因素的因素得分。应当理解，可以采用各种方法。一般来说，较高的亲密度得分表明出席者对于用户来说不太异常，从而导致对事件异常的贡献较小。其他因素可以包括具有超过对用户具有低的亲密度的阈值的亲密度得分的出席者的数目。然而，在一些情况下，可以聚合亲密度得分以生成因素得分，例如，作为亲密度得分的平均值。

除了用户的跟踪例程的一个或多个例程相关方面之外，事件的异常可以由事件分析器366基于一个或多个其他因素来确定。一个这样的示例包括事件是否为重复事件。例如，重复396可以指示事件是重复事件。如本文中使用的，重复事件对应于在多于一个时间段中被安排的事件，并且可以每周、每月或每天重复。在事件是重复事件的情况下，事件分析器366可以折扣或以其他方式调整事件的异常得分。基于非例程的因素的另一示例包括用户是否是事件的组织者。例如，组织者394可以指示事件由用户组织。在用户是事件的组织者的情况下，事件分析器366可以调整事件的异常得分。

另一基于非例程的因素是事件的持续时间。例如，可以关于诸如事件382等与用户相关联的一个或多个附加或其他事件来分析事件的持续时间，以确定持续时间是否相对于那些事件的聚合的持续时间是异常的。例如，事件的持续时间可以与事件的平均持续时间相比较。事件的持续时间越接近于平均持续时间，事件的持续时间越不可能增加事件的异常。在一些情况下，平均持续时间包括在事件发之后的一段时间内(诸如在接下来的两周内)的事件。时间段还可以包括一个或多个先前的事件，诸如前一天或两天的事件。此外，正在被分析的事件的持续时间可以被包括在平均或聚合持续时间内。平均持续时间不限于时间段，并且可以基于滚动平均值、或以其他方式考虑历史事件持续时间。

因此，上面已经描述了可以由事件分析器366组合以确定事件的异常程度的各种因素。异常可以基于异常度量，该异常度量用于关于一个或多个用户来评估各种事件中的任何事件的异常。因此，可以提供各种事件的相对异常(例如，使用相应的异常得分)，并且可以基于事件的相对异常来向用户提供服务内容。在一些情况下，在结合这些因素时，不同的因素可能被赋予不同的权重以确定整体异常得分。例如，在计算异常得分时，可以将因素得分乘以权重值。至少一些权重值可以被机器学习并且/或可以对用户个性化。

在各种实施方式中，可以基于对一个或多个事件的变化来更新一个或多个事件的异常得分。例如，事件分析器366可以检测事件的事件属性之一的变化并且相应地更新异常得分。作为另一示例，可以基于一个或多个其他事件的事件属性的变化来更新事件的异常得分。例如，在另一事件的持续时间改变的情况下，该改变可能会影响事件的异常(例如，事件的平均持续时间)。因此，在一些实施方式中，可以基于检测到一个或多个事件的结果有效事件属性的变化来更新多个事件的异常得分。类似地，一个或多个事件的变化可以包括添加或移除一个或多个事件，并且可以相应地更新异常得分。

在一些实施方式中，事件可以被存储在存储装置380中，存储装置380可以与图2中的存储装置220相同或不同。在一些情况下，存储装置380位于诸如用户设备102a等用户设备上，或者以其它方式与用户相关联地被存储。如上所述，可以从各种日程和事件跟踪服务聚合各种事件。可以在用户设备上的操作系统的服务或其他服务监听可以影响一个或多个异常得分的事件的变化，诸如对现有事件、添加的事件或移除的事件的修改。基于检测到一个或多个变化，监听者可以提供通知以使事件分析器366更新事件的异常得分。

在一些情况下，当检测到改变时，监听者可以使改变(诸如经由推荐引擎260)被上传到服务器，以用于进一步处理。例如，可选地，事件分析器366可以至少部分地被集成到中，例程推断引擎250在服务器中并且在用户设备外部。因此，事件分析器366的至少一些功能可以是基于云的。然而，在其他实施方式中，事件分析器366的至少一些功能可以位于用户的正在分析事件的用户设备上。在一些情况下，事件的变化可以由事件分析器定期地(诸如每天)评估，。然而，可以以其他间隔来评估变化，诸如每次检测到变化时和/或基于触发向用户呈现服务内容。

在一些情况下，基于分配给用户的一个或多个事件的一个或多个异常得分来向用户提供服务内容。例如，已经为一个或多个事件确定了一个或多个异常得分，可以使用呈现部件398基于一个或多个异常得分向用户呈现内容(例如，内容399)。例如，内容可以被呈现在用户设备102a和102b至102n的任何组合上。在这种能力下，呈现部件398可以采用事件的各种事件属性、事件的异常得分、和/或用于生成异常得分的例程相关方面以及其他数据中的任何一个。呈现部件398可以确定何时和/或如何向用户呈现内容。呈现部件398还可以确定向用户提供什么内容。

在一些实施方式中，事件分析器366可以生成与异常得分相对应的上下文信息。上下文信息可以指示或以其他方式对应于异常得分的起因或原因。在一些情况下，生成上下文信息包括向异常得分分配一个或多个类别。特别地，事件分析器366可以向异常得分分配一个或多个预定类别。分配的类别可以对应于导致分歧的起因或原因的分类。可选地，分配可以基于：在确定异常得分时使用的因素得分、事件属性和/或例程相关方面的分析。

分类的示例包括或指示最高贡献因素。例如，在上述各种因素中，因素或因素得分之一可以是事件的整体异常得分的最高贡献者。作为另一示例，分类可以包括或指示一个或多个因素的排序。呈现部件398可以利用上下文信息来确定何时和/或如何向用户呈现内容和/或向用户呈现什么内容。例如，在一些情况下，呈现部件可以与基于相关联的异常得分呈现的事件和/或其他内容相关联地向用户显示或以其他方式呈现最高贡献因素的指示符。注意，分类可以包括各种粒度级别。例如，最高贡献因素的指示还可以指示与因素的贡献相关联的更具体的方面或原因。作为示例，指示或分类不仅可以指示事件具有异常持续时间，而且还可以指示事件异常地长或异常地短。上下文信息的其他示例包括置信度得分、方差得分和用于生成异常得分的其他信息。

在一些实施方式中，一个或多个分类可以与以下相关联：可以呈现给用户的呈现部件和/或内容可以采取的一个或多个动作。例如，每个分类可以具有不同的相关联的动作和/或内容的集合。作为示例，如果足够和/或最高贡献因素是基于位置访问的因素，则呈现部件398可以呈现在用户会议之前和/或之后提供日程行进时间的内容(例如，在用户日历中)。作为另一示例，呈现部件398可以呈现提供用于为用户设置警报的内容。例如，如果足够和/或最高贡献因素是基于睡眠的因素，则呈现部件398可以呈现提供用于在用户的典型的唤醒时间之前设置闹钟的内容。此外，用户的典型的唤醒闹钟至少可以在事件当天被禁用。可以呈现的其他内容可以帮助用户准备会议，或者由于会议的异常而协助用户。

在一些实施方式中，呈现部件398至少部分基于事件的异常得分从与用户相关联的多个事件中选择要向用户呈现的一个或多个事件。例如，可以向用户呈现具有最高异常得分的一个或多个事件。在一些情况下，在事件的异常得分超过阈值的情况下，事件分析器366可以将事件分类为异常。可以基于事件是否被分类为异常来向用户呈现一个或多个事件(或其他内容)。

可以用于确定要向用户呈现的一个或多个事件或其他相关联的内容的另一因素是与用户相关联的事件的紧迫度。例如，除了异常得分之外，在一些实施方式中，事件分析器366可以为每个事件生成紧迫度得分。紧迫度得分可以基于在事件被安排以发生之前的时间量。例如，在事件之前的时间量可以从事件分析器366可用的当前时间(诸如来自服务器或用户设备)、基于异常得分来呈现内容的预测或预定的时间、或另一参考时间来测量。与更远离参考时间的事件相比，具有更接近于参考时间的时间的事件可以对紧迫度的影响更大。当要呈现基于异常得分的内容时，紧迫度得分可以包括另外的因素，诸如用户的当前位置或预期/预测的位置。事件的紧迫度得分可以基于用户的参考位置与事件的位置之间的距离。与更接近于参考位置的事件相比，具有比参考位置更远的位置的事件可以对紧迫度的影响更大。与异常得分一样，在事件的紧迫度得分超过阈值的情况下，事件分析器366可以将事件分类为紧迫度事件。可以基于事件是否被分类为紧迫来向用户呈现一个或多个事件(或其他内容)。

用于确定要向用户显示哪些事件或其他内容的各种得分可以被聚合成组合得分。可以通过组合得分对事件进行排序，并且可以选择一个或多个事件来显示事件或与其相关联的其他内容(例如，最高评分事件)。在一些情况下，内容只能在组合得分超过门限的情况下才被呈现。此外，在排序中考虑的事件可以是被分类为异常以及可选地被分类为紧迫的事件。

现在参考图4A和4B，图4A和图4B示出了可以基于与用户相关联的一个或多个事件的异常得分(例如，在诸如移动电话等用户设备)而向用户呈现的示例性内容。特别地，图4A和4B示出了内容400，其中的至少一些可以由呈现部件398基于异常得分来提供。如图所示，图4A对应于内容400的聚合视图，图4B对应于可以基于点击或轻击内容400的窗格410来呈现的内容400的展开视图。内容400可以包括关于用户被安排的事件的总结报告。内容400包括用户的事件日程412。事件日程412指示覆盖预定时间段(诸如一天)的时间线格式的事件412a、412b和412c的开始时间和结束时间。在事件日程412中的事件中，仅通过附加细节示出了事件412a。具体地，呈现部件398可以至少基于与事件412a、412b和412c相关联的异常得分并且可选地基于诸如紧迫度得分等其他因素来选择事件412a。事件412a与图标416相关联地被示出，呈现部件398可以基于事件412a被分类为异常而选择性地显示图标416。

作为示例，窗格410显示包括开始时间、结束时间和位置的事件412a的事件属性。图4B中的展开的窗格418包括与事件相关联的附加内容，包括附加事件属性。例如，示出了来自与事件的出席者相关联的联系人条目的信息。与事件412a相关联地向用户呈现另外的各种可选择的动作。所示的示例包括响应动作、迟到(run late)动作和呼叫动作。这些动作中的至少一个可以基于事件的异常得分的分类和/或与事件相关联的紧迫度得分的分类来被呈现。与动作交互可以触发一个或多个相关联的界面以关于事件来帮助用户。因此，可以以各种方式辅助用户，以便更好地应对异常事件。

现在参考图5，图5描绘了根据本发明的实施方式的用于分析用户的事件的方法500的流程图。在框510，方法500包括接收与用户相关联的事件的事件属性。例如，事件分析器366可以接收事件382a的事件属性378。事件属性378可以包括事件的开始时间384、结束时间386和/或另一时间。此外，事件属性可以包括事件的出席者392和/或其他事件属性。

在框520，方法500包括基于关于与用户相关联的例程相关方面的事件属性来为事件生成异常得分。例如，事件分析器366可以通过关于与用户相关联的例程相关方面368来分析事件属性378以生成或确定异常得分。可以生成异常得分以量化事件属性378与例程相关方面368之间的偏差水平。

在框530，方法500包括基于异常得分来为用户生成服务内容。例如，呈现部件398可以至少部分基于为事件382a生成的异常得分来生成内容399(可以对应于图4A和4B中的内容400)的至少部分。可以基于事件属性378与例程相关方面368之间的偏差水平来生成服务内容。

现在参考图6，图6描绘了根据本发明的实施方式的用于分析用户的事件的方法600的流程图。在框610，方法600包括接收与用户相关联的例程相关方面。例如，事件分析器366可以接收，例程相关方面378根据与用户相关联的一个或多个用户例程模型被生成。可以至少部分基于交互数据来训练一个或多个用户例程模型，交互数据包括传感器数据，传感器数据反映由一个或多个传感器检测的用户活动。

在框620，方法600包括将因素度量应用于与用户相关联地被存储的事件中的事件以生成因素度量的因素得分。例如，事件分析器366可以将上述因素和/或其他因素的任何组合或子集应用于事件382中的事件382a。每个因素度量可以量化事件382a的相应事件属性集合378与相应的例程相关方面集合368之间的偏差水平以作为相应因素得分。

在框630，方法600包括基于因素得分的分析来选择因素度量的子集。例如，事件分析器366可以基于因素度量中每个的因素得分的分析来选择因素量度的子集。应当注意，如本文中使用的，“集合”可以包括一个或多个成员。类似地，“子集”可以包括一个或多个成员。然而，应当注意，集合的子集意味着集合包括至少两个成员。

在框640，方法600包括基于所选择的因素度量子集来为用户生成服务内容。例如，事件分析器366可以至少部分基于所选择的因素度量子集来为用户生成内容399(其可以对应于图4A和4B中的内容400)。

现在参考图7，图7描绘了根据本发明的实施方式的用于分析用户的事件的方法700的流程图。在框710，方法700包括接收与用户相关联地被存储的事件。例如，事件分析器366可以从一个或多个数据存储(诸如存储装置380)接收与用户相关联地被存储的事件382。每个接收的事件可以包括事件的事件属性。

在框720，方法700包括接收与用户相关联的例程相关方面。例如，事件分析器366可以接收从与用户相关联的一个或多个用户例程模型所生成的例程相关方面。可以至少部分基于交互数据来训练一个或多个用户例程模型，该交互数据包括传感器数据，传感器数据反映由一个或多个传感器检测的用户活动。

在框730，方法700包括通过关于例程相关方面分析事件的事件属性来生成每个事件的异常得分。例如，事件分析器366可以通过关于例程相关方面(例如，例程相关方面368)分析事件的事件属性来为事件382中的每个事件生成或确定异常得分。可以生成异常得分以量化事件的事件属性与例程相关方面之间的偏差水平。

在框740，方法700包括基于事件的时间和参考时间来为每个事件生成紧迫度得分。例如，事件分析器366可以为事件382中的每个事件生成或确定紧迫度得分。紧迫度得分可以至少部分基于事件的事件属性中的事件的时间(例如，开始时间、结束时间或其他事件属性)和参考时间。上面已经描述了参考时间的示例。

在框750，方法700包括基于每个事件的异常得分和紧迫度得分来使与事件子集相对应的内容被呈现在用户的用户设备上。例如，事件分析器366可以基于事件子集382中的至少一些的异常得分和紧迫度得分来使与事件子集382相对应的内容399(其可以对应于内容400)被呈现在用户的用户设备102a上。作为示例，可以在内容中显示事件的子集而不显示其他事件，或者可以使用图标、标签和/或其他标记将事件子集与其他事件区分开。

因此，已经描述了技术的各个方面，其部分地涉及用于至少部分基于反映由一个或多个传感器检测的用户活动的传感器数据来推断用户的事件异常的系统和方法。应当理解，本文中描述的实施方式的各种特征、子组合和修改是有用的，并且可以在其他实施方式中被采用而不参考其他特征或子组合。此外，示例方法中示出的步骤的顺序(order)和次序(sequence)并不意味着以任何方式限制本发明的范围，并且事实上，这些步骤可以在其实施方式内以各种不同的顺序发生。这样的变化及其组合也被认为在本发明的实施方式的范围内。

已经描述了本发明的各种实施方式，现在描述适于实现本发明的实施方式的示例性计算环境。参考图8，提供了示例性计算设备并且其总体上被称为计算设备800。计算设备800仅是合适的计算环境的一个示例，并且不旨在暗示对本发明的使用或功能的范围的任何限制。计算设备800也不应当被解释为具有与所示部件的任何一个或组合相关的任何依赖性或要求。

本发明的实施方式可以在计算机代码或机器可使用指令的一般上下文中描述，包括由诸如个人数据助理、智能手机、平板电脑或其他手持设备等计算机或其他机器执行的计算机可用或计算机可执行指令，诸如程序模块。通常，包括例程、程序、对象、部件、数据结构等在内的程序模块是指执行特定任务或实施特定抽象数据类型的代码。本发明的实施方式可以在各种系统配置中实践，包括手持设备、消费电子设备、通用计算机、更专业的计算设备等。本发明的实施方式也可以在分布式计算环境中实施，其中任务由通过通信网络链接的远程处理设备来执行。在分布式计算环境中，程序模块可以位于本地和远程计算机存储介质两者中，包括存储器存储设备。

参考图8，计算设备800包括直接耦合或间接耦合以下设备的总线810：存储器812、一个或多个处理器814、一个或多个呈现部件816、一个或多个输入/输出(I/O)端口818、一个或多个I/O部件820和说明性电源822。总线810表示什么可以是一个或多个总线(诸如地址总线、数据总线或其组合)。尽管图8的各个框为了清楚起见而用线示出，但是实际上，这些框表示逻辑的、不一定是实际的部件。例如，可以将诸如显示设备等呈现部件视为I/O部件。另外，处理器具有存储器。本发明人认识到，这是本领域的本质，并且重申图8的图示仅是可以结合本发明的一个或多个实施方式使用的示例性计算设备的说明。在诸如“工作站”、“服务器”、“笔记本电脑”、“手持设备”等之间不进行区分，因为所有这些预期在图8的范围内并且参考“计算设备”。

计算设备800通常包括各种计算机可读介质。计算机可读介质可以是可以由计算设备800访问的任何可用介质，并且包括易失性和非易失性介质、可移除和不可移除介质。作为示例而非限制，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪速存储器或其他存储器技术、CD-ROM、数字通用盘(DVD)或其他光盘存储器、磁带盒、磁带、磁盘存储器或其他磁存储设备或可以用于存储期望信息并且可以被计算设备800访问的任何其他介质。计算机存储介质本身不包括信号。通信介质通常实施计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制等调制数据信号中的其他数据，并且包括任何信息传递介质。术语“调制数据信号”是指以能够在信号中对信息进行编码的方式设置或改变其特性中的一个或多个的信号。作为示例而非限制，通信介质包括有线介质(诸如有线网络或直接有线连接)和无线介质(诸如声学、RF、红外和其他无线介质)。上述任一项的组合也应当被包括在计算机可读介质的范围内。

存储器812包括易失性和/或非易失性存储器形式的计算机存储介质。存储器可以是可移除的、不可移除的或其组合。示例性硬件设备包括固态存储器、硬盘驱动器、光盘驱动器等。计算设备800包括从诸如存储器812或I/O部件820等各种实体读取数据的一个或多个处理器814。呈现部件816向用户或其他设备呈现数据指示。示例性呈现部件包括显示设备、扬声器、打印部件、振动部件等。

I/O端口818使得计算设备800能够在逻辑上耦合到其他设备(包括I/O部件820)，I/O部件820中的一些可以被内置。说明性部件包括麦克风、操纵杆、游戏键盘、卫星天线、扫描仪、打印机、无线设备等。I/O部件820可以提供处理由用户生成的空气手势、语音或其他生理输入的自然用户界面(NUI)。在一些情况下，输入可以被传输到适当的网络元件用于进一步处理。NUI可以实施语音识别、触摸和手写笔识别、面部识别、生物识别、屏幕上和屏幕附近的手势识别、空中手势、头部和眼睛跟踪以及与计算设备800上的显示相关联的触摸识别的任何组合。计算设备800可以配备有用于手势检测和识别的深度相机，诸如立体相机系统、红外相机系统、RGB相机系统及其组合。另外，计算设备800可以配备有能够检测运动的加速度计或陀螺仪。可以将加速度计或陀螺仪的输出提供给计算设备800的显示器，以渲染沉浸式增强现实或虚拟现实。

计算设备800的一些实施方式可以包括一个或多个无线电824(或类似的无线通信部件)。无线电824传输和接收无线电或无线通信。计算设备800可以是被适配为在各种无线网络上接收通信和介质的无线终端。这样，计算设备800可以经由诸如码分多址(“CDMA”)、全球移动电话系统(“GSM”)或时分多址(“TDMA”)等无线协议与其他设备通信。无线电通信可以是近距离连接、远距离连接、或近距离和远距离无线电信连接的组合。当提到“近”和“远”类型的连接时，不是指两个设备之间的空间关系。相反，通常将近距离和远距离称为不同类别或类型的连接(即，主连接和次连接)。作为示例而非限制，近距离连接可以包括到提供对诸如使用802.11协议的WLAN连接等无线通信网络的接入的设备的连接(例如，移动热点)；到另一计算设备的蓝牙连接是近距离连接或近场通信连接的第二示例。作为示例而非限制，远距离连接可以包括使用CDMA、GPRS、GSM、TDMA和802.16协议中的一个或多个的连接。

在不脱离以下权利要求的范围的情况下，所描绘的各种部件以及未示出的部件的很多不同布置是可能的。已经描述了本发明的实施方式，意图是说明性的而不是限制性的。对于本公开的读者而言，备选实施方式将在阅读之后变得显而易见。在不脱离以下权利要求的范围的情况下，可以完成所述上述内容的替代方式。某些特征和子组合是有用的，并且可以在不参考其他特征和子组合的情况下使用，并且预期在权利要求的范围内。

Claims (14)

1.一种计算机化的系统，包括：

一个或多个传感器，所述一个或多个传感器被配置为提供传感器数据，所述传感器数据反映由所述一个或多个传感器检测的用户活动；

事件分析器，所述事件分析器被配置为基于例程相关方面来为与用户相关联的事件生成异常得分，所述例程相关方面根据与所述用户相关联的一个或多个用户例程模型而被生成，所述一个或多个用户例程模型至少部分地基于交互数据而被训练，所述交互数据包括所述传感器数据；

一个或多个处理器；以及

一个或多个计算机存储介质，所述一个或多个计算机存储介质存储计算机可使用指令，所述计算机可使用指令在由所述一个或多个处理器使用时使所述一个或多个处理器执行操作，所述操作包括：

使用所述事件分析器接收所述事件的事件属性，所述事件属性包括所述事件的时间和所述事件的出席者；

通过关于所述例程相关方面分析所述事件属性，生成所述异常得分，所述异常得分被生成以量化所述事件属性与所述例程相关方面之间的偏差水平；以及

至少部分地基于为所述事件生成的所述异常得分，为所述用户生成服务内容，所述服务内容基于所述事件属性与所述例程相关方面之间的所述偏差水平而被生成。

2.根据权利要求1所述的计算机化的系统，其中所述例程相关方面中的至少一个例程相关方面是根据至少一个通勤相关例程模型生成的通勤相关方面，所述至少一个通勤相关例程模型基于在所述传感器数据中检测所述用户的通勤模式而被训练。

3.根据权利要求1所述的计算机化的系统，其中所述例程相关方面中的至少一个例程相关方面是根据至少一个睡眠相关例程模型生成的睡眠相关方面，所述至少一个睡眠相关例程模型基于在所述传感器数据中检测所述用户的睡眠模式而被训练。

4.根据权利要求1所述的计算机化的系统，其中所述例程相关方面中的至少一个例程相关方面是根据至少一个位置访问相关例程模型生成的位置相关方面，所述至少一个位置访问相关例程模型基于在所述传感器数据中检测所述用户的位置访问模式而被训练。

5.根据权利要求1所述的计算机化的系统，其中所述例程相关方面中的至少一个例程相关方面是根据至少一个亲密度相关例程模型生成的亲密度相关方面，所述至少一个亲密度相关例程模型基于在所述传感器数据中关于所述用户的一个或多个联系人检测所述用户的亲密度模式而被训练。

6.根据权利要求1所述的计算机化的系统，其中所述传感器数据包括在多于一个用户设备上发生的用户活动。

7.根据权利要求1所述的计算机化的系统，其中所述事件属性包括所述事件的位置和所述事件的时间，并且所述异常得分至少部分基于所述用户在所述事件的所述时间或在所述时间附近时位于所述事件的所述位置处或所述位置附近的概率，所述概率基于所述一个或多个用户例程模型中的至少一个用户例程模型而被计算，所述一个或多个用户例程模型中的至少一个用户例程模型基于从所述传感器数据中提取的空间时间数据点而被训练。

8.根据权利要求1所述的计算机化的系统，还包括：

接收位置，所述位置是所述事件的所述事件属性中的一个属性；

基于从所述传感器数据中提取的空间时间数据点，将所接收的所述位置的文本转换成位置坐标，所述传感器数据具有与由所述用户出席的在先事件相关联的时间戳，

其中所述在先事件的位置与所述事件的所述位置相关联；其中所述异常得分基于所述位置坐标而被生成。

9.根据权利要求1所述的计算机化的系统，其中生成所述异常得分基于：确定所述事件与所述用户的通勤之间的时间交叠量，所述通勤使用所述一个或多个用户例程模型中的至少一个用户例程模型而被建模。

10.根据权利要求1所述的计算机化的系统，其中生成所述异常得分基于：确定所述事件与所述用户的睡眠时间表之间的时间交叠量，所述睡眠时间表使用所述一个或多个用户例程模型中的至少一个用户例程模型而被建模。

11.根据权利要求1所述的计算机化的系统，其中所述事件对应于日历应用中的事件条目。

12.一种计算机化的方法，包括：

从一个或多个数据存储接收与用户相关联地被存储的事件，每个所接收的事件包括所述事件的事件属性；

接收例程相关方面，所述例程相关方面根据与所述用户相关联的一个或多个用户例程模型而被生成，所述一个或多个用户例程模型至少部分地基于交互数据而被训练，所述交互数据包括传感器数据，所述传感器数据反映由一个或多个传感器检测的用户活动；

将因素度量应用于所述事件中的事件，每个因素度量对以下进行量化以作为相应的因素得分：所述事件的所述事件属性的相应集合与所述例程相关方面的相应集合之间的偏差水平；

基于所述因素度量中的每个因素度量的所述因素得分的分析，选择所述因素度量的子集；以及

至少部分基于所选择的所述因素度量的所述子集，为所述用户生成服务内容。

13.根据权利要求13所述的计算机化的方法，其中一因素度量基于具有所述因素度量的最高因素得分而被包括在所述因素度量的所述子集中。

14.根据权利要求13所述的计算机化的方法，还包括：基于所述因素度量的所述因素得分来将一个或多个类别分配给所述事件，其中所述服务内容中的至少一些服务内容是基于被分配给所述事件的所述一个或多个类别预定的。