JP2023536254A - 通信内容の調整 - Google Patents

Abstract

送信者および受信者の間のメッセージをパーソナライズするための方法が提供される。この方法は、通信履歴をセマンティック分析してナレッジ・グラフを形成することと、第１のトレーニング済ＭＬモデルを用いてフォーマリティ・レベル値を導出することと、リプライのパラメータ値を分析して受信者インパクト・スコアを決定することと、第２のＭＬシステムをトレーニングして受信者インパクト・スコア値を予測するためのモデルを生成することとを含む。加えてこの方法は、ドラフトされるメッセージの言語表現を選択することと、表現意図を決定することと、フォーマリティ・レベルおよび表現意図に基づいて言語表現を修正することによって修正言語表現を生成することと、修正言語表現がより高い受信者インパクト・スコアを有する可能性が増加したかどうかをテストすることとを含む。加えてこの方法は、停止基準が満たされるまで、言語表現を選択すること、表現意図を決定すること、言語表現を修正すること、およびテストすることを繰り返すことを含む。
【選択図】図２

Description

本開示は一般的に、メッセージをパーソナライズするための方法に関し、より具体的には、送信者から受信者に送信されるメッセージをパーソナライズするための方法に関する。本開示はさらに、メッセージ・パーソナライズ・システムと、送信者および受信者の間のメッセージをパーソナライズするためのコンピュータ・プログラム製品とに関する。

電子通信システムにおいて管理されるデータの量は増加し続けている。これは従来のｅメール・メッセージ、チャット・メッセージ、ソーシャル・メディア・メッセージ、およびその他の形の現代通信プラットフォームにも当てはまる。ビジネスのやり取りおよびマーケティングに、たとえばボイスメールなどのよりインフォーマルな電子通信機構を使用することも一般的になっている。上述のやり方のいずれかにおいて送信されるメッセージの数も増加しており、多くの場合、単一のメッセージの長さは減少している。このことによって、電子媒体の使用による誤解および伝達の誤りがもたらされることがある。加えて、１人の受領者に合わせて調整したメッセージは、その送信者と１人の受領者との間のコンテキストでは「的を射ている」かもしれないが、その送信者と別の受領者との間のコンテキストでは完全に内容のないものになることがある。したがって、適切かつ最大のインパクトを達成するために、メッセージを受領者の要件およびコンテキストの両方に合わせて調整すべきである。

しかし、多くのメッセージは集中していない送信者によって送信される。代替的に、マーケティング・メッセージは多数の視聴者に向けて送られることがあり、それを受信する各個人は独自の経歴を有するため、そのメッセージを受信するときのコンテキストが異なる。よって、複数の受信者に対するインパクトが顕著にばらつくことがある。この問題に対処するために、個々の受信者または小グループの受信者に対してコンテキスト特有のメッセージを送信するために、マーケティング・キャンペーンの前にしばしば非常に複雑な感情分析が行われる。マーケティングのために電子通信システムおよびプラットフォームが使用されるとき、これらの感情分析は大きな労力である。加えて、多くの１：１メッセージにおいても同じ弱点が観察され得る。なぜなら、メッセージ内容は必然的に送信者のコンテキストで生成されたものであるため、送信者には受信者の完全なコンテキストも、受信者がメッセージ内容をどのように解釈し得るかも分からないためである。

これらの問題に対処するために、すでにいくつかの試みが行われている。特許文献１は、コンテキスト情報を用いて、ユーザからの自然言語またはジェスチャー・チェック入力を補う仮想アシスタントを開示している。コンテキストは、ユーザの意図を明確にしてユーザの入力の候補解釈の数を減らし、ユーザが過剰な明確化入力を提供する必要性を減らすことを助ける。

さらに特許文献２は、デジタル文書内のテキストを分析するための方法を開示している。場合によっては、その分析は、処理回路によってデジタル文書の受信もしくは生成またはその両方を行うことと、テキスト・サンプル内の文書用語の発生に基づいて、複数の文書用語の各々の分布を定めることとを含み得る。

しかし、公知の技術は受領者の完全なコンテキストを考慮に入れないため、受領者による誤解の可能性を減少させるようにメッセージを適切に調整しないことがある。したがって、メッセージのより良好なパーソナライズが必要とされている。

米国特許出願公開第２０１２／０２６５５２８（Ａ１）号 米国特許出願公開第２０１３／０２５３９１０（Ａ１）号

本開示の１つの態様によると、送信者および受信者の間のメッセージをパーソナライズするための方法が提供されてもよい。この方法は、送信者および受信者の間の通信履歴をセマンティック分析して、送信者を識別する送信者識別子と、受信者を識別する受信者識別子との間のナレッジ・グラフを形成することを含んでもよい。さらにこの方法は、第１のトレーニング済機械学習モデルを用いて、ナレッジ・グラフから送信者および受信者の間のフォーマリティ・レベル値を導出することと、通信履歴におけるリプライのパラメータ値を分析して受信者インパクト・スコア値を決定することと、第２の機械学習システムをトレーニングして、ナレッジ・グラフおよびフォーマリティ・レベルに基づいて受信者インパクト・スコア値を予測するためのモデルを生成することとを含んでもよい。

加えてこの方法は、ドラフトされるメッセージの言語表現を選択することと、選択された言語表現の表現意図を決定することと、フォーマリティ・レベルおよび表現意図に基づいて言語表現を修正することによって修正言語表現を生成することとを含んでもよい。

加えてこの方法の一部であり得るのは、第３のトレーニング済機械学習モデルを用いて、修正言語表現がより高い受信者インパクト・スコア値をもたらす可能性が増加したかどうかをテストすることと、停止基準が満たされるまで、言語表現を選択するステップ、表現意図を決定するステップ、言語表現を修正するステップ、およびテストするステップを繰り返すこととである。

本開示の別の態様によると、送信者および受信者の間のメッセージをパーソナライズするためのメッセージ・パーソナライズ・システムが提供されてもよい。メッセージ・パーソナライズ・システムは、送信者および受信者の間の通信履歴をセマンティック分析するように適合され、かつ送信者を識別する送信者識別子と、受信者を識別する受信者識別子との間のナレッジ・グラフを形成するように適合された第１の分析手段と、第１のトレーニング済機械学習モデルを用いて、ナレッジ・グラフから送信者および受信者の間のフォーマリティ・レベル値を導出するように適合された導出手段と、通信履歴におけるリプライのパラメータ値を分析して受信者インパクト・スコア値を決定するように適合された第２の分析手段と、第２の機械学習システムをトレーニングして、ナレッジ・グラフおよびフォーマリティ・レベルに基づいて受信者インパクト・スコア値を予測するためのモデルを生成するように適合されたトレーニング手段とを含んでもよい。

さらに、メッセージ・パーソナライズ・システムは、ドラフトされるメッセージの言語表現を選択するように適合された選択手段と、選択された言語表現の表現意図を決定するように適合された決定手段と、フォーマリティ・レベルおよび表現意図に基づいて言語表現を修正することによって修正言語表現を生成するように適合された修正手段と、第３のトレーニング済機械学習モデルを用いて、修正言語表現がより高い受信者インパクト・スコア値をもたらす可能性が増加したかどうかをテストするように適合されたテスト手段とを含んでもよい。

さらに、メッセージ・パーソナライズ・システムは、停止基準が満たされるまで選択手段、決定手段、修正手段、およびテスト手段をトリガするように適合された繰り返し手段を含んでもよい。

送信者および受信者の間のメッセージをパーソナライズするための提案される方法は、複数の利点、技術効果、寄与、もしくは改善、またはその組み合わせを提供してもよい。

提案されるコンセプトは、最も効果的なやり方で「メッセージをもたらす」ことを助けるツールを表してもよい。これは、メッセージを本当に伝えるためにはそのメッセージを異なるやり方で７回提示すべきだという古くからの言い回しを克服するかもしれない。本明細書で提案されるシステムは、今述べた通信の経験則に対するショートカットであり得る。ドラフトされ（かつ送信され）るメッセージは、そのメッセージがアクティブに送信される前に、複数の機械学習システムのインタラクションによって修正されてもよい。

このことを達成するために、提案される方法および関係するシステムは、送信者と、関係する受信者または受領者との間の履歴通信フラグメントを調査および分析して、たとえばトピック、トピックの理解、特定のトピック、使用される語彙、送信者および受信者の関係、ならびにその他の利用可能なコンテキストおよびメタデータなどの異なるパラメータを決定してもよい。これらの経験データに基づいて、特定のやり方で作成されたメッセージが受領者にどのようなインパクトを与え得るか、たとえばどのような効果を与え得るかを予測するために、書込まれるメッセージは、そのメッセージが送信され得る前にもオンラインで動的に分析されてもよい。このことも複数の異なるパラメータに依存してもよく、それらのパラメータはもし既知であればすべて使用されてもよい。

よって提案されるコンセプトは、進行中の通信の実際の高速かつ効果的な進行を達成するために、誤解および時間のかかる質問のやり取りを回避することを助けてもよい。特にこのコンセプトは、通信をより円滑で効果的なものにすることを探求する中での文化、言語、および個人的な障壁の克服を可能にしてもよい。

したがって、メッセージは個々の受領者に合わせて調整されてもよいし、たとえば同等の通信履歴などを有する受領者のグループにも合わせて調整され得るため、提案されるコンセプトは１対１の通信だけでなく、１対多数の通信にも有効であり得る。メッセージの調整は、たとえば選択されたメンバー・グループの特徴などのその他のパラメータにも基づいてもよい。

任意の種類の電子通信システムに記憶する必要のあるメッセージが少なくなることによって、全体で必要な記憶容量が少なくなり得るという事実から、純粋な技術的利点が分かるだろう。加えて、質問に回答するために送信および返信されるメッセージが少なくなるため、通信帯域幅が節約されてもよい。

方法およびシステムに適用可能な追加の実施形態を以下に説明することとする。

この方法の有利な実施形態によると、第３の機械学習モデルは、たとえば強化学習システムなどに基づく強化学習モデルであってもよい。このやり方で、関与するソフトウェア・エージェントは、何らかの報酬の概念を最大化するようなやり方で動作してもよく、報酬の概念はたとえば報酬関数などであり、この特定の場合には受信者に対する修正メッセージの予期されるインパクトである。

この方法の増強された実施形態によると、第３の機械学習モデルのトレーニングは、双方向トランスフォーマを使用することも含んでもよい。これは、本明細書においては表現意図を予測するためのＢＥＲＴ（トランスフォーマによる双方向エンコーダ表現（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ））モデルに基づく方法に関与する前方機械学習モデルおよびシステムとみなされてもよい。よって、本明細書において提案される方法は、プレーン・テキスト・コーパスのみを使用して事前トレーニングされた言語表現に対する教師なしＭＬモデルを用いた最新のテキスト解釈およびＮＬＰ技術を使用してもよい。これによって、ＢＥＲＴは所与の単語またはフレーズの各々の発生に対するコンテキストを考慮に入れてもよい。たとえば、「走っている（ｒｕｎｎｉｎｇ）」に対するベクトルは、「彼は会社を経営している（ｒｕｎｎｉｎｇ）」および「彼はマラソンを走っている（ｒｕｎｎｉｎｇ）」という文における両方の発生に対して同じｗｏｒｄ２ｖｅｃベクトル表現を有し得るが、ＢＥＲＴは文によって異なるものとなるコンテキスト化された埋め込みを提供してもよい。

この方法の別の実施形態によると、双方向トランスフォーマのトレーニングは、トレーニング・データとして通信履歴、ナレッジ・グラフ、導出されたフォーマリティ・レベル、および受信者インパクト・スコア値を使用することを含んでもよい。よって、全範囲の利用可能で履歴から与えられ、導出され、構築された（例、ナレッジ・グラフにおける）データ、および選択されたデータ点間の依存関係が、たとえばＢＥＲＴモデルなどの双方向トランスフォーマに対して利用可能にされてもよい。このことによって、最大インパクトの受信者に対する最終メッセージ作成を最適化するための入力データのほぼ完全なセットが可能になってもよい。

この方法のさらに発展した実施形態によると、受信者識別子は複数のユーザを識別するために使用される複数の受信者識別子であってもよく、すべての受信者識別子の効果を考慮に入れて修正言語表現が構築されてもよい。よって、提案されるコンセプトは１：１通信タスクだけでなく、１対多数の通信タスクにおいても有利であってもよい。そのため、複数のターゲット識別子に関するデータの平均値を構築すること、もしくはたとえばフォーマリティ・レベル値などに基づく計量関数も使用した、たとえば重みおよびトピックおよびおそらくはたとえば受信者ＩＤなどに対するルックアップ・テーブルなどを用いたトピックに対する計量、またはその両方を行うことが有用であってもよい。異なる受信者または受信者のグループに対して、異なるバージョンの修正メッセージを作成することも可能であってもよい。最後の態様は、マス・コミュニケーションおよびソーシャル・メディア広告において特に興味深いかもしれない。

この方法の前進した実施形態によると、言語表現の修正（例、その修正バージョン）は、フォーマリティ・レベル分析、メッセージの機密性レベル分析、メッセージ・トピック分析、およびトーン分析から選択される少なくとも１つの結果に影響されることがあり、トーン分析は友好的、攻撃的、または協力的などと識別されてもよい。この影響は影響関数に基づいていてもよく、影響関数の結果は分析結果であり、その分析の結果は関数の独立変数として使用されてもよい。

この方法の１つのさらに前進した実施形態によると、言語表現の修正は、単語の置換、文の構造の転回、内容の並べ替え、単語の削除、メッセージ・ブロックの順序の入れ替え、同義語の使用、過去の通信で受信者が使用していた言葉遣いを含ませること、スタイルの調整（特に、受信者からのパーソナリティ・インサイト・プロファイルを用いたスタイル調整の案内）、およびＧＰＴ２（Ｏｐｅｎ ＡＩに基づく生成的事前トレーニング（ｇｅｎｅｒａｔｉｖｅ ｐｒｅ－ｔｒａｉｎｉｎｇ）モード）トランスフォーマ変形から選択される少なくとも１つによって行われてもよく、ここでＧＰＴ２トランスフォーマ変形は、ユーザに対するパーソナライズ・テキストを合成することによって、パーソナライズした方式で残りのパラグラフを生成するように部分的な文の作成を教え込まれている。よって、メッセージの修正の態様のすべてまたはほとんどが対処されてもよく、これは意識および完全に集中したユーザによっても使用されるだろう。しかし、多くのメッセージは送信者の十分な注意を伴わずに単にタイプされることがある。しかし、この本明細書に記載される特徴を用いた本明細書で提案するシステムは、送信されたメッセージが展開し得る効果を増加させてもよい。

この方法の興味深い実施形態によると、通信履歴のセマンティック分析は、潜在的ディリクレ配分法（ＬＤＡ：ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ ａｌｌｏｃａｔｉｏｎ）トピック・モデルによるトピックの識別を含んでもよい。これによって、ＬＤＡトピック・モデルの利点を本明細書で提案されるコンセプトに組み込んでもよく、すなわちＬＤＡがユーザからいくつかのトピックを受信して、文書コレクションにおける用語のディリクレ分布の多項分布に基づいてトピックを識別するプロセスを通じて文書をモデル化する能力を組み込んでもよい。

よって提案される方法は、通信履歴が議論トピックの周りを回っただけではなく、複数の異なるトピックを含むような環境においても容易に動作してもよい。

この方法の許容される実施形態によると、フォーマリティ・レベルはバッグ・オブ・ワード・モデルによって得られてもよく、第１のトレーニング済機械学習モデルはガウシアン・ナイーブ・ベイズ（Ｇａｕｓｓｉａｎ Ｎａｉｖｅ Ｂａｙｅｓ）分類子であってもよい。したがってバッグ・オブ・ワード・モデルは、自然言語処理および情報検索においてしばしば用いられる単純化表現である。このモデルにおいて、テキスト（たとえば文または文書など）は自身の単語のバッグ（マルチセット）として、文法および単語の順序すら無視して表されてもよいが、多重度は保っている。加えて、ガウシアン・ナイーブ・ベイズ分類子の使用は、フィーチャ間の強力な（ナイーブ）独立仮定によってベイズの定理を適用することに基づく、比較的単純な確率的分類子を使用するためのオプションであってもよい。これは、提案されるコンセプトのコンピュータ実施バージョンを効率的かつあまりリソースを大量消費しないものに保つことを助けてもよい。

この方法の有用な実施形態によると、ＩｏＴ（インターネット・オブ・シングス（Ｉｎｔｅｒｎｅｔ－ｏｆ－Ｔｈｉｎｇｓ））センサもしくはカレンダ情報またはその両方を用いて、メッセージが到着するよう設定された時間の受信者の状態またはタスクを予測することによって、言語表現をさらに洗練させてもよい。これは、センサ特有の命令をフェッチして、モデルを実行するためのプライベート（クラウド）リポジトリに検索した情報を記憶することによって実現されてもよい。よってこの方法は、通信履歴の使用に加えて、追加のデータ・ソースも使用してもよいが、受信者の予期される経験世界も使用してもよい。

この方法の別の前進した実施形態によると、受信者インパクト・スコアは、ＩｏＴセンサ・データ、ウェアラブル・システム・データ、コンピュータ・ビジョン・データ、リプライの有無、リプライのタイミング、同じ受領者または異なる受領者による他のリプライに関するリプライのタイミング、時間ゾーンおよびカレンダに関するリプライのタイミング、不在メッセージの有無、リプライの長さ、リプライの内容、送信者が受信者による実行を要求するタスク、およびたとえばリプライによるこのタスクの確認、ならびに絵文字（例、電子メッセージで使用される表意文字もしくは顔文字などの文字の組み合わせ、またはその両方）から選択される少なくとも１つに、その関数であるという意味で影響されてもよい。

このやり方で、たとえば受信者の心拍数／血圧データ、特定の身体運動、顔の表情、環境パラメータ値（例、温度、湿度、気圧など）などの受信者の個人環境データを使用して、送信される所与のメッセージのインパクトをより良好に理解してもよい。

この方法のさらなるオプションの実施形態によると、メッセージはたとえばｅメールまたはチャット・コメントなどの文字メッセージであってもよいし、音声メッセージであってもよい。このため、履歴通信データの一部として音声通信履歴も使用されてもよい。

この方法の別のオプションの実施形態によると、分析の結果として通信履歴が存在しないという事実がもたらされる場合は、受信者および別の送信者の間の通信履歴が、送信者および受信者の間の通信履歴と置き換わる。したがって、提案されるコンセプトは、通信履歴を有さない送信者と受信者、すなわち新たなターゲット視聴者との間にも適用可能である。これは、多くの新たな受領者が対処され得るマーケティングｅメール・バーストにおいて特に有益であってもよい。

さらに、実施形態は、コンピュータもしくは任意の命令実行システムによる使用またはそれに関連する使用のためのプログラム・コードを提供するコンピュータ使用可能媒体またはコンピュータ可読媒体によるアクセスが可能な、関連のコンピュータ・プログラム製品の形を取ってもよい。この説明の目的のために、コンピュータ使用可能媒体またはコンピュータ可読媒体は、命令実行システム、装置、またはデバイスによる使用またはそれに関連する使用のためのプログラムを記憶、通信、伝播、または伝達するための手段を含み得る任意の装置であってもよい。

本開示のさまざまな態様は、以後に記載される実施形態例から明らかであり、実施形態例を参照して説明される。当業者は変更および修正を認識するだろう。よって本開示は、開示される実施形態に限定されない。本開示の実施形態を単なる例として、以下の図面を参照して説明することとする。

送信者および受信者の間のメッセージをパーソナライズするための方法の実施形態を示すブロック図である。 送信者および受信者の間のメッセージをパーソナライズするための方法のために役立つコンポーネントの概観を示すブロック図である。 送信者および受信者の間のメッセージをパーソナライズするための方法に対する予備ステップを示す例示的な流れ図である。 ナレッジ・グラフの一部分を示す例示的な図である。 エンゲージメント検出のための分析フェーズの際に使用されるオプションを示す図である。 送信者および受信者の間のメッセージをパーソナライズするためのメッセージ・パーソナライズ・システムの実施形態を示すブロック図である。 図６によるメッセージ・パーソナライズ・システムを含むコンピュータ・システムの実施形態を示すブロック図である。 本発明の実施形態によるクラウド・コンピューティング環境を示す図である。 本発明の実施形態による抽象化モデル・レイヤを示す図である。

本明細書に記載される実施形態はさまざまな修正および代替形に適しているが、図面においては例としてその特定のものが示されており、それが詳細に説明される。しかし、記載される特定の実施形態は限定的な意味で解釈されるべきではないことが理解されるべきである。反対に、その意図するところは、本開示の思想および範囲内にあるすべての修正、均等物、および代替物を包含することである。

なお、本開示の実施形態は異なる主題を参照して説明される。特に、いくつかの実施形態は方法タイプの請求項を参照して説明されるのに対し、他の実施形態は装置タイプの請求項を参照して説明される。しかし、当業者は上記および以下の説明から、別様に通知されない限り、１つのタイプの主題に属する特徴の任意の組み合わせに加えて、異なる主題に関する特徴、特に方法タイプの請求項の特徴と装置タイプの請求項の特徴との任意の組み合わせもこの文書において開示されるとみなされることを推測するだろう。

この説明のコンテキストにおいては、以下の慣例、用語、もしくは表現、またはその組み合わせが用いられてもよい。

「通信履歴」という用語は、単純な場合には、１つのトピックに関して送信者および受信者の間で送信および受信されたｅメールを示してもよい。より複雑な場合には、通信履歴は送信者および受信者の間の複数のトピックに関するｅメールのグループに関するものであってもよいし、さらには送信者および受信者の間の複数のｅメール・システムにわたるすべてのｅメールに関するものであってもよい。加えて、送信者および受信者の両方の、他の受領者に対するｅメールが考慮に入れられてもよい。さらに、他の形の電子通信チャネル、特にチャット・システムまたはその他のコラボレーション・ツールが、通信履歴に対するデータを提供してもよい。さらに、音声メッセージもしくはビデオ・メッセージまたはその両方が、通信履歴に使用されてもよい。

「送信者」という用語は、ドラフトもしくは指定された受領者への送信またはその両方が行われるメッセージの発信者を示してもよい。単純なｅメール・システムの場合には、指定された受領者とは、ｅメール・アドレスに送信されたｅメール・メッセージの読者である。送信者は、他の通信システムを用いてメッセージを送信することもある。

「受信者」または「受領者」という用語は、ｅメールを読む個人と同じ個人に関連するｅメール・アドレスにアドレス指定された、送信者によって送信されたｅメールを読む個人を示してもよい。受信者は、他の電子通信チャネルを介してメッセージを受信してもよい。

「ナレッジ・グラフ」という用語は、ノードおよびエッジを含むデータ構造を示してもよい。ノードは通常ファクトを記憶し、エッジはノードを選択的にリンクする。エッジはファクト間の関係についての情報を記憶してもよい。ファクトは通常ノードに記憶されるため、エッジはノード間の関係と、ファクトおよびノードの間の関係とについての情報を記憶してもよい。ファクト関係についての情報は、計量因子も含んでもよい。

単純なニューラル・システムの場合における「送信者識別子」という用語は、送信者のｅメール・アドレスを示してもよい。受信者／受領者と、関係する受信者識別子とにも同じことが当てはまる。すなわち、「受信者識別子」および「受領者識別子」という用語は、単純なニューラル・システムの場合には受信者／受領者のｅメール・アドレスを示してもよい。

「フォーマリティ・レベル値」という用語は、送信者の人物と受信者の人物との間に存在し得るフォーマル（公式）の関係を記述する値を示してもよい。フォーマリティ・レベル値は通常数値であり、文字数字列として表現されてもよい。送信者の人物と受信者の人物との間の関係は、友人関係、従業員／雇用主の関係、および官庁／市民の関係などと記述されてもよい。フォーマリティ・レベル値は、電子通信システムを用いてメッセージを作成し得るやり方に影響を与えてもよい。

「第１のトレーニング済機械学習モデル」という用語は、通信履歴に基づいてフォーマリティ・レベル値を導出するため、特に分類するためのトレーニング済モデルを示してもよい。第１のトレーニング済機械学習モデルは、通信履歴データに基づいてフォーマリティ・レベル値を分類するために特定的にトレーニングされてもよい。基礎的な機械学習システムは、分類システムであってもよい。基礎的な機械学習システムは、教師付き学習アプローチに基づいていてもよい。

「リプライのパラメータ値」という用語は、インパクト・スコア値を特徴付ける、インパクト・スコア値に直接関係する専用の分析値を示してもよい。通常、リプライのパラメータ値が高くなることは、受領者に関する受信メッセージによるインパクトが高くなることを示してもよい。インパクトは、たとえば特に応答の速度、応答の決断力、トリガされた応答動作のトーンなどの異なるやり方で測定されてもよい。応答は、別の人物に送信されたｅメール、電話による通話、および開かれたウェブ・ページなどを含んでもよい。

「受信者インパクト・スコア値」という用語は、受信されたメッセージのインパクトを表す測定可能な値を示してもよい。受信者インパクト・スコア値は、リプライのパラメータ値から導出されてもよい。

「第２の機械学習システム」という用語は、利用可能な情報に基づいて、新たにドラフトまたは修正されたメッセージの受領者に対するインパクト・スコア値を予測するためのトレーニング済機械学習モデルを示してもよい。利用可能な情報は、ナレッジ・グラフと、送信者および受信者の間の導出されたフォーマリティ・レベルとを含んでもよい。第２の機械学習システムは、教師付き学習アプローチを用いてもよい。

「言語表現」という用語は、１つ以上の文を含むより長いメッセージの中のフレーズを示してもよい。特に、言語表現は１つ、２つ、またはいくつかの直接関係する単語であってもよい。

「表現意図」という用語は、メッセージ内の特定の言語表現の内容の意図、目的、または目標を示してもよい。

ドラフトされるメッセージを修正することに関する「修正する」という用語は、送信されるメッセージの１つ以上の言語表現を、その表現意図は変えずに変更、適合、または改正し得ることを示してもよい。もし２つ以上の言語表現が表現意図の制限内で修正されれば、ドラフトされるメッセージ全体の意図も変更されないはずである。

「第３のトレーニング済機械学習モデル」という用語は、修正言語表現が、修正言語表現または修正メッセージのより高いインパクト・スコア値をもたらし得るかどうかを予測する、別の機械学習システムを示してもよい。もしそうであれば、その修正メッセージは送信者から送信されてもよく、もしそうでなければ、その修正メッセージが送信者から送信されないようにされてもよい。第３のトレーニング済機械学習モデルは、言語表現が修正される際のインパクト・スコア値の変化を予測するために、関連する機械学習モデルを使用してもよい。

「強化学習」という用語および強化学習に基づくモデル化は、ソフトウェア・エージェントが累積的な報酬の概念を最大化するために環境においてどのように動作し得るかに関する機械学習の分野を示してもよい。最初の２つの基本的な機械学習パラダイムは、教師付き学習および教師なし学習であり、強化学習は第３の基本的な機械学習パラダイムである。強化学習は、現在最も頻繁に使用されるパラダイムである。基本的に、基礎的なアルゴリズムは、未知のテリトリの探査と、現在のナレッジの利用との間のバランスを見出すことに焦点を合わせている。一実施形態において、未知のテリトリとは修正言語表現であってもよく、現在のナレッジとは通信履歴から導出された情報であってもよい。

「双方向トランスフォーマ」という用語は、トランスフォーマによる双方向エンコーダ表現（ＢＥＲＴ）に基づく自然言語処理のためのシステムまたは技術を示してもよい。ＢＥＲＴは、ジェイコブ・デブリン（Ｊａｃｏｂ Ｄｅｖｌｉｎ）らによって開発および公開された。ＢＥＲＴはしばしばサーチ・エンジンにおいて使用される。

図面の詳細な説明が提供される。図面におけるすべての命令は模式的なものである。第１の図面は、送信者および受信者の間のメッセージをパーソナライズするための方法の実施形態のブロック図を提供する。次いで、この方法のさらなる実施形態と、この方法を使用するシステムの実施形態とが説明される。具体的には、記載されるシステムは、送信者および受信者の間のメッセージをパーソナライズするためのメッセージ・パーソナライズ・システムである。

図１は、送信者および受信者の間のメッセージをパーソナライズするための方法１００の好ましい実施形態のブロック図を示す。方法１００は、第１のフェーズ（動作１０２～１１２）および第２のフェーズ（動作１１４～１２０）を有するものとみなされてもよい。第１のフェーズにおいて、方法１００は動作１０２において、送信者および受信者の間でやり取りされた通信履歴をセマンティック分析することを含む。これは、関連するメタデータを含む、送信者および受信者の間で送信されたすべての利用可能な電子メッセージを含んでもよい。電子メッセージのメタデータは、メッセージの時間、メッセージの間の期間、環境データ、センサ・データ、および捕捉された健康データなどを含んでもよい。通信履歴のセマンティック分析に基づいて、方法１００はさらに動作１０４において、送信者を識別する送信者識別子と受信者を識別する受信者識別子との間のナレッジ・グラフを形成することを含む。

ナレッジ・グラフに基づいて、方法１００は動作１０６において、ナレッジ・グラフから送信者および受信者の間のフォーマリティ・レベル値を導出することを含む。これによって、２つの構成要素の間のすべての利用可能な情報に基づいて事前トレーニングされた第１のトレーニング済機械学習モデルが使用される。ナレッジ・グラフから導出され得るフォーマリティ・レベル値は、特に敬意の表現、友人関係、ビジネスの関係、関係の依存性、仕事上の関係を含んでもよい。

加えて方法１００は、動作１０８において通信履歴におけるリプライのパラメータ値を分析して、動作１１０において受信者インパクト・スコア値を決定することを含む。受信者インパクト・スコア値は、メッセージによって受信者が起こした反応を示す値であってもよい。

加えて方法１００は、動作１１２において第２の機械学習システムをトレーニングして、ナレッジ・グラフおよびフォーマリティ・レベルに基づいて受信者インパクト・スコア値を予測するための機械学習モデルを生成することを含む。第２の機械学習システムをトレーニングするために教師付き機械学習アプローチが用いられてもよい。このステップは、方法１００の予備フェーズ（例、第１のフェーズ）を終了させてもよい。

方法１００の第２のフェーズは、送信者から受信者への特定のメッセージに関するものである。より具体的には、加えて方法１００は、動作１１４においてドラフトされるメッセージの言語表現を選択することと、動作１１６において選択された言語表現の表現意図を決定することと、動作１１８においてフォーマリティ・レベルおよび表現意図に基づいて言語表現を修正することによって修正言語表現を生成することとを含む。よって、異なる言葉遣いおよびより良好な予期インパクトを有する同じメッセージが、メッセージの元のドラフトの代わりに使用されることがある。ドラフトされるメッセージは、送信者によってドラフトされてもよい。表現意図は、ＢＥＲＴモデルを用いて決定されてもよい。

方法１００は動作１２０において、修正言語表現のテストをさらに含む。動作１２０におけるテストは、トレーニング済機械学習モデルを用いて、修正言語表現がより高い受信者インパクト・スコア値をもたらす可能性が増加したかどうかを調べるためのチェックを行う。動作１２０におけるテストは、強化機械学習モデルを用いて行われてもよい。

より長いメッセージに対処するために、加えて方法１００は、停止基準が満たされるまで方法１００の第２のフェーズ（動作１１４～１２０）を繰り返すこと１２２を含んでもよい。こうした停止基準の例は、２つの連続するシミュレーションにおける受信者インパクト・スコアの値に有意な変化が測定されないことであってもよい。

図２は、方法１００を実現するためのコンポーネント２００の概観のブロック図を示す。グループ２０２内のエレメントは方法１００の第１のフェーズに関し、グループ２０４のエレメントは方法１００の第２のフェーズに関するものである。簡単にいうと、第１のフェーズの処理ステップは通信履歴と、ナレッジ・グラフと、トレーニング済の教師付き機械学習モデルとを使用して、メッセージが受領者にインパクトを与える可能性を予測する。代替的な実施において、第１のフェーズの処理ステップは、通信履歴の代わりにソーシャル・メディア・データを使用してもよい。第２のフェーズは、受信者に対するインパクトを増加させるようにメッセージを適合させる強化学習モデルである。

次いで、たとえばテキストなどの通信の一部分を強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）モデル・エージェント２３４が利用でき、強化学習モデル・エージェント２３４は元のメッセージを自動的に操作して、調整されたバージョンが、受信者に対するインパクトの結果としてより有利な動作をもたらす可能性が高くなったかどうかをテストできる。

よって、データの流れは次のとおりである。入力データ２０６が処理２０８されて、ナレッジ・グラフ２１０が構築される。たとえば、入力データはたとえばｅメール、チャット、もしくはソーシャル・メディア、またはその組み合わせなどの通信履歴の形であってもよい。生入力データの分析が行われる。分析は、たとえば感情分析、トーン分析器、もしくはパーソナル・インサイト、またはその組み合わせなどを用いて行われてもよい。次いで、この生データと分析結果とがナレッジ・グラフ２１０に取り込まれる。ナレッジ・グラフ２１０は、第１の機械学習コンポーネントとみなされてもよい。

生データはメッセージ・データ２１８と、メタデータ２２０と、送信者データ２２２と、受信者データ２２４と、関係データ２２６とを含んでもよい。さらに向上した実施においては、コンピュータ・ビジョン・データおよびその他のデータが含まれてもよい。このフェーズの出力は、生データおよび分析データを表す。特に、分析結果およびナレッジ・グラフは、生データおよび分析データを表す。

次いで生データおよび分析データは、第２の機械学習モデルを開発するための次の前処理ステップ２１４のためにそれぞれ使用される（２１２および２１６）。すでに前処理されたデータを追加の情報で補強するために、教師付き機械学習アプローチが使用される。たとえば、フォーマリティ・スコアを使用して前処理データを補強してもよい。

この第２の機械学習モデル２２８を使用して、マッチング・スコアが計算され２３０、教師付き機械学習モデルがトレーニングされる。教師付き機械学習モデルのこのトレーニングによって、教師付き機械学習モデルから通信の所与の部分のマッチング・スコアの予測を出力することが可能になる。マッチング・スコアの予測は、インパクトに対するエンゲージメント・スコアとしても示されてもよい。

この方法の次のステップにおいて、強化学習システム２３４はメッセージを反復して調整メッセージを形成する。強化学習の報酬関数入力２３２として、以下のコンポーネントが使用されてもよい。初期メッセージならびに上述のステップの入力および出力。上述のステップの入力および出力は、生データ、分析結果、ナレッジ・グラフ・データ、フォーマリティ・スコア、およびマッチング・スコアを計算するための第２の機械学習モデルの出力を含んでもよい。強化学習の報酬関数入力２３２の１つの反復のために、１つ以上のコンポーネントが使用されてもよい。

１つの反復に対する出力として、以下が予期され得る。改訂メッセージならびにそのペナルティおよび報酬。ペナルティおよび報酬は、改訂メッセージのマッチング・スコアの形で測定されてもよい。

反復調整メッセージを生成するために、ＢＥＲＴモデル・マスキング２３６が使用される。これによって、受信者に対してより良好に調整されるようなやり方でメッセージを適合させるために、メッセージに対する動作２３８が行われる。たとえば単語の転回、ＧＰＴ２、トランスフォーマなどのアプローチが使用されてもよい。

プロセス全体にわたってデータが使用されるため、適切な通信システム（単数または複数）から通信履歴データが抽出されて、機械学習モデルのトレーニングおよびメッセージの調整の支援に用いられる。メッセージ・データは、メッセージのテキスト、テキストのエンティティ、テキストの構造、テキストの長さ、感情分析データ、パーソナル・ナレッジ・データ、インサイダー・データ、トーン分析データ、エモーティコン、絵文字、追加グラフィクス、リンク、およびその他のデータを含んでもよい。テキストの構造は、挨拶文または冒頭部、主要部またはテキスト本文などを含んでもよい。テキストの長さは、たとえばテキスト・ブロックの長さ、単語またはメッセージ全体の文字数、単語カウント、または通信内のパラグラフ数などを含んでもよい。

メタデータも使用され得る。メタデータは、メッセージの日付および時間、チャネルのタイプ、および通信に関する情報を提供するその他のデータを含んでもよい。チャネルのタイプは、たとえばｅメール、チャット、または電話などであってもよい。しばしば以下のものが関連送信者データとみなされる。人物のプロフィール、テキストに関する人物の専門知識レベル、および送信者が調整メッセージを送信することを助け得るその他の情報。人物のプロフィールは、その人物のジェンダー、年齢、パーソナリティ・インサイト・プロファイルなどを含んでもよい。テキストに関する人物の専門知識レベルは、エンティティ抽出に基づいていてもよい。

受信者データは、人物のプロフィール・データと、テキストに関する人物の専門知識レベルとを含んでもよい。人物のプロフィールは、その人物のジェンダー、年齢、パーソナリティ・インサイト・プロファイルなどを含んでもよい。テキストに関する人物の専門知識レベルは、エンティティ抽出に基づいていてもよい。

さらに、関係データは履歴動作の数、送信者および受信者の親密度、２者が所与のトピック（単数または複数）についてどれだけ通信しているかのレベル、受信者が同じ知識を有するかどうかを判定するためのエンティティ分析データ、メッセージが「一致（マッチング）」であるかどうか、およびその他の因子を含んでもよい。

加えてマッチング値は、やり取りされた通信の履歴に基づいて計算される、各個別の通信に対する０％～１００％の間で変動する値を含んでもよい。よって、２人の通信パートナー間の関係を表すすべての利用可能な通信およびデータ・チャネルと、コンテキスト情報とを用いて、新たにドラフトされるメッセージを意図を変えずに調整および最適化してもよい。

図３は、上述の前処理方法３００を別の視点から示した流れ図を示す。動作３０２において、履歴通信データは分析され、処理されてナレッジ・グラフに記憶される。動作３０２におけるこの分析、処理、およびナレッジ・グラフへの記憶は、図１の動作１０２における通信履歴のセマンティック分析と、動作１０４におけるナレッジ・グラフの形成と同等である。ナレッジ・グラフは、ノードまたは頂点と、関係またはエッジとを含み、加えてラベルおよび特性も有してもよい。ナレッジ・グラフは、それぞれの送信者および受信者の間の関係情報を表すために特に有用である。この関係情報は、送信者／受信者ペアまたは複数の送信者／受信者ペアとして示されてもよい。加えて、特定のトピックに関する通信がいつ起こったかを調べるために、エンティティにタイムスタンプが付加されてもよい。ナレッジ・グラフは、ソーシャル・ネットワークまたはその他の情報源から得ることができる、ユーザに関する一般的な情報も含んでもよい。この一般的な情報は、優先事項、好み、他のユーザとのつながり、およびその他のデータを含んでもよい。別の実施形態において、ナレッジ・グラフはユーザ間でやり取りされる通信も含んでもよい。その例を以下の図４に示す。

次いで動作３０４において、通信はナレッジ・グラフからの情報と共に処理されて、第２の機械学習モデルに対する記録を提供する。第２の機械学習モデルは、教師付き学習モデルであってもよい。教師付き機械学習モデルの各記録は、送信者から受信者に送信されたメッセージに由来していてもよい。

フォーマリティ・レベルは、フォーマリティを数値的にスコアリングすることによって分類され得る。５段階グラジエント・シリーズにおいて、「１」は専門的なエンゲージメントを示してもよく、「３」は準専門的なエンゲージメントを示してもよく、「５」は完全にインフォーマルなレベルの会話を示してもよい。会話レベルは、ユーザが使用している言語でのバッグ・オブ・ワード・アルゴリズムに基づいてトレーニングされる。バッグ・オブ・ワード・アルゴリズムにおいて、ベースライン辞書が用いられてもよい。最初に、データ・ストレージまたはデータベースにフォーマルおよびインフォーマルのベースライン辞書が記憶され得る。このコンセプトの着想を与えるために、次の表にこうしたベースラインの例を示す。

パーソナライズまたはカスタマイズした単語セットをバッグ・オブ・ワードに追加して、それらをスコアリング・ペアで分類してもよい。各ペアがスコアリングされてもよい。５段階グラジエントによって、ペアは１～５にスコアリングされてもよい。そのトレーニング・セットに対する分類が完了すると、ガウシアン・ナイーブ・ベイズ（ＧａｕｓｓｉａｎＮＢ）分類子を用いてフォーマリティ・レベルが分類され、適切な様式で応答するための戦略が導出されてもよい。

分類子がフォーマリティ・スコアを提供すると、動作３０６においてそのスコアはキー値ペア｛“ｕｓｅｒ”，“ｆｏｒｍａｌｉｔｙ ｓｃｏｒｅ”｝の形の従属属性としてナレッジ・グラフに記憶される。動作３０６において、キー値ペアは決定木の形でナレッジ・グラフに記憶され、マッチング値は過去の通信インタラクションが有したインパクトを示すスコアを提供する。

さらなるパーソナライズの一部として、バッグ・オブ・ワードがＧａｕｓｓｉａｎＮＢ分類子と共に使用されてもよい。メッセージのリプライを分析してフォーマリティ・スコアを導出し、それを追加の値と同じ構造で記憶してもよい。さらに、メタデータ情報をユーザの辞書に記憶して、ナレッジ・グラフに追加してもよい。インパクトは、因子の組み合わせによる出力グラフの形で定義されてもよい。インパクト因子は、リプライの有無、リプライのタイミング、同じ受領者による他のリプライに関するリプライのタイミング、異なる受領者によるリプライに関するリプライのタイミング、時間ゾーンおよびカレンダに関するリプライのタイミング、不在メッセージの有無、リプライの長さ、リプライの内容、受信者が実行することを送信者が要求したタスクを確認するリプライ、およびその他の因子を含んでもよい。なお、リプライは絵文字の反応、「いいね」、および受領者によるその他のインフォーマルな通信表示も含んでもよい。

システムがユーザの部分的な文の部分的な意図についての情報を有し、かつ通信の過去のセクションからフォーマリティ・スコアのレベルを検出したとき、その情報は双方向トランスフォーマＢＥＲＴモデルに与えられてもよい。次いでその情報を用いて、部分的な文構成およびフレーズ間の情報のマスク部分に基づいて、提案される基礎的なシステムがトレーニングされてもよい。次いで、エンゲージメント・アルゴリズムのレベルを用いて、その部分的な文構成および情報のマスク部分がトレーニングされてもよい。

トレーニング・ステップの一部として、トレーニング・フェーズの際にマスクされた情報が隠され、その隠された情報は予測される出力として使用される。出力予測は過去の通信ログ、エンゲージメントのレベル、およびその他のデータに基づいている。これらの予測がトランスフォーマをトレーニングして、マスクされた情報を予測することによって部分的な発言に基づいて意図を予測するようにしてもよい。予測インサイト情報がＲＬモデルに提供されて、エンゲージメント・フィードバックに基づいてそれが微調整される。

ＢＥＲＴモデル実施に対する付加的な詳細は以下も含む。
１．｛“ｕｓｅｒ”：”ｅｎｇａｇｅｍｅｎｔ ｓｃｏｒｅ（１～５、規格化間隔［０，１］を用いて正規化され得る）”｝は、「バッグ・オブ・ワード（Ｂａｇ ｏｆ Ｗｏｒｄｓ）」およびＮＢ分類子から得られる情報をもたらす。
２．ｊｓｏｎペイロードを用いて、リストの形のインタラクション１からの他のメトリックをスクリプトに追加する、例：
ａ．｛Ｕｓｅｒ：ｅｎｇａｇｅｍｅｎｔ＿ｓｃｏｒｅ，ａｄｄｉｔｉｏｎａｌ＿ｐａｙｌｏａｄ：［ｒｅｃｉｐｉｅｎｔ，ｔｉｍｅｓｔａｍｐ，ｃａｌｅｎｄａｒ＿ｃｏｎｔｅｘｔ（ｐｒｅｖｉｏｕｓ／ｎｅｘｔ ｍｅｅｔｉｎｇ）］
ｂ．前のステップからのログ・ファイル分析も付加的なメタデータとしてペイロードに追加される。
３．上記のペイロードがスコアリング・メトリックとして与えられる。スコアリング・メトリックはペイロードから重み付けベクトルとして抽出される：例、ＢＥＲＴに与えられる新たなペイロードは以下を含む：｛Ｕｓｅｒ１＿ｓｅｎｔｅｎｃｅ，Ｒｅｃｉｐｉｅｎｔ＿ｅｘｃｈａｎｇｅ，ｏｖｅｒａｌｌ＿ｓｃｏｒｉｎｇ＿ｍｅｔｒｉｃ：ｓｉｇｍｏｉｄ（ｗ０＊ｅｎｇａｇｅｍｅｎｔ＿ｓｃｏｒｅ＋ｗ１＊ｔｉｍｅｓｔａｍｐ＋ｗ２＊ｃａｌｅｎｄａｒ＋ｗ３＊ｍｅｅｔｉｎｇ）
４．ＢＥＲＴモデルはＳｅｎｔｅｎｃｅ１およびＳｅｎｔｅｎｃｅ２を取ってもよい。Ｓｅｎｔｅｎｃｅ１およびＳｅｎｔｅｎｃｅ２は情報交換の組み合わせであってもよい。（それは一連のログであってもよいが、簡略化のためにここでは過去の会話の交換のみを考える。）それは次のとおりにカテゴリカル入力ベクトルに追加されてもよい：
ａ．｛Ｓｅｎｔｅｎｃｅ１ ＡＮＤ Ｓｅｎｔｅｎｃｅ２；Ｏｖｅｒａｌｌ＿ｓｃｏｒｉｎｇ＿ｍｅｔｒｉｃ｝
ｉ．ここでＳｅｎｔｅｎｃｅ１はＢＥＲＴモデルに別々に加えられる。トレーニングされるとき、入力シーケンスはトランスフォーマ・モデルを通る。
ｉｉ．高スコア・メトリックを示した単語は、トークン埋め込みフェーズの間にマスクされた特徴ベクトルを用いてマスクされる。高スコア・メトリックは、たとえばフォーマリティ・レベル＞０．７のものなどであってもよい。
ｉｉｉ．前のログに基づいてマスクされた特徴ベクトルが除去されるとき、使用されたコードはエンゲージメント・レベルを取得してスコアの変化を調べる。変化値を比較されるスコアは、たとえばそれらの重要な部分を有するスコアおよび有さないスコアなどである。さまざまなコーディング言語が用いられてもよい。たとえば、スコアの変化を識別するためのエンゲージメント・レベルを取得するためにパイソン・コードが用いられてもよい。
ｉｖ．文内の異なる情報がマスクされる。これがバッグ・オブ・ワードにフィードバックされて、スコアの確率が出力される。
ｖ．反復が繰り返される。繰り返し分析は、所与のユーザに対する状態入力として数値特徴ベクトルの形でＲＬモデルに与えられる。
ｖｉ．ＲＬモデルは応答を微調整して、フィードバックの形で再びＢＥＲＴモデルに戻り、より多くのインパクトを生じるために所与のマスクされた部分に何の情報または断片を加え得るかについてより多くの情報を提供する。
ｖｉｉ．受領者からの応答を識別すること、および自然言語処理（ＮＬＰ：ｎａｔｕｒａｌ ｌａｎｇｕａｇｅ ｐｒｏｃｅｓｓｉｎｇ）を用いて感情を抽出することはイネーブリング技術であり、これは状態ベクトルとしてＲＬループにフィードバックされる。ポジティブ・フィードバックを検出したとき、報酬関数は、別のマスキングおよび予測動作を行うようにＢＥＲＴモデルをポーリングしない。報酬関数がネガティブ・インパクト因子値を検出したとき、新たな反復のためにＢＥＲＴモデルが再び適用される。
ｖｉｉｉ．文に対する反復を行って特定の単語もしくはフレーズまたはその両方をマスクするとき、ここでＢＥＲＴモデルが直接用いられて、インパクト因子を最大化するようにＳｅｎｔｅｎｃｅ２が予測される。
５．調整されたメッセージはスコアリングされる。品質が基準または期待を満たすまで、次の反復のためにペナルティもしくは報酬またはその両方と共に最良バージョンが使用されてもよい。ペナルティもしくは報酬またはその両方は、マッチ値であってもよいし、マッチ値を満たすかまたは超えることが求められてもよい。

別の実施において、メッセージのインパクトの計算は、センサおよびコンピュータ・ビジョン・データも考慮に入れてもよい。メッセージのインパクトの計算は、マッチング値によって表されてもよい。こうした計算は、エンゲージメント検出プロセスにおけるユーザの戦略および関与のタイプに基づいて、学習器のエンゲージメント検出のための既存の方法をカテゴリに分けることによって行われてもよい。使用され得る３つの主なカテゴリ・タイプは、自動、半自動、および手動である。

エンゲージメント・トレーシングに関する方法は、分類学上は半自動に分類される。自動カテゴリの方法は、各方法がエンゲージメント検出のために処理する情報に依存して、コンピュータ・ビジョン・ベースの方法、センサ・データ分析、およびログ－ファイル分析に分けられてもよい。

これらのステップは通常、この方法およびこの方法を使用するシステムを生成するために必要とされる。初期反復の後に、これらのステップはシステムを再トレーニングするために定期的に繰り返されてもよい。

強化学習システムに関して、ＲＬの目標は、メッセージを調整してそれがより大きいインパクトを有するようにすることである。ＲＬの各反復は、任意のインパクトが存在するか否かを決定するために、事前トレーニング済の教師付きＭＬモデルによる少なくとも１つのスコアリングを必要とする。

ＲＬエージェントの状態は、メッセージ、メタデータ、送信者、受信者、送信者と受信者との関係、分析結果、およびナレッジ・グラフのすべての情報に基づいて決定されてもよい。しかしＲＬエージェントは、自身のペナルティもしくは報酬またはその両方としてメッセージ「マッチ値」の予測されるインパクトのみを有する。よってシステムは、いかに挙動するかを学習するように適合され、加えて特定の内容および関与する人々に合わせて調整される。

ＲＬは以下の技術によってメッセージをインタラクティブに操作できる。
－ 単語の置換、文の構造の転回、内容の並べ替え、および内容の削除を使用すること、
－ メッセージ・ブロックの順序を入れ替えること、
－ 同義語を使用すること、
－ 過去の通信で受信者が使用していた単語またはフレーズを含ませること、
－ 受信者からのパーソナリティ・インサイト・プロファイルによって案内され得る、スタイルを調整すること、
－ ＧＰＴ２トランスフォーマを使用すること、
－ およびその他の技術。
調整されたメッセージはスコアリングされる。品質が基準を満たすまで、次の反復のためにペナルティもしくは報酬またはその両方と共に最良バージョンが使用されてもよい。ペナルティもしくは報酬またはその両方は、設定マッチ値であってもよいし、設定マッチ値を満たすかまたは超えることが必要であってもよい。

以下の拡張および増強も実施されてもよい。

メッセージがまだ最適ではないことを送信者に示すために、色を用いてもよい。色によって送信者による入力もしくは調整またはその両方を指示してもよい。色標識は、たとえばそれぞれ前進、注意、および停止を示すための緑色、黄色、もしくは赤色、またはその組み合わせなどを含んでもよい。

システムは、メッセージが受信者に対する十分な説明を有さないかどうかを認識してもよい。システムはそれを補うためのコンテキストまたは定義を追加してもよい。コンテキストおよび定義は、外部ソースからもたらされてもよい。たとえば、情報がウェブサイトから直接インポートされてもよい。

ＩＢＭ Ｄｅｂａｔｅｒ／Ｓｐｅｅｃｈ ｂｙ Ｃｒｏｗｄ（ＩＢＭ社の登録商標）などのモデルを使用して、通信を最適化するために受領者が生じ得る質問を行ってもよい。こうしたモデルは、質問される前にそれに答えることによって通信のやり取りを防ぐことを助けてもよい。

システムは、２つの競合するモデルのＧＡＮ様（敵対的生成ネットワーク（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ））セットアップを使用してテキストを再生成できる。モデル・スコアリング（緑色／黄色／赤色）を差別化要因として、発生器は修正バージョンのｅメールを作成するだろう。

別の実施形態において、この方法は、完全なメッセージから出発して異なるバージョンを作成する代わりに、テキストの一部を拡張して完成させるように実施され得る。

一実施形態において、通信のリアルタイム分析を行って、内容以外の付加的な手段を通じて特定のメッセージをどのようにして得るかをアドバイスしてもよい。たとえば、その他の手段は、特定の色調の合図もしくは非言語コミュニケーションまたはその両方の使用を含んでもよい。通信のリアルタイム分析は、ｅメール、インスタント・メッセージ・プラットフォーム、電話、もしくは対面、またはその組み合わせでの会話を含んでもよい。仮想現実設定においてアドバイスが提供されてもよい。

図４は、ナレッジ・グラフ４００の一部分の例示的な図を示す。ナレッジ・グラフ４００は、説明可能な論拠を伴う会話のサンプルを表す。ナレッジ・グラフ４００は、増補されたナレッジ・グラフにおける会話の流れを反映している。通信パートナーの１人が次のように述べてもよい。「私は監督が監督した『映画』の結末の方が好きです。」彼の通信パートナーは次のように答えてもよい。「３つの映画の試みが本質的にこの映画を台無しにしました。『第２の映画』の方がずっと独創的でした。」示されるとおり、ナレッジ・グラフ４００はこの通信を分析して、この映画がある俳優を「主役」としていることを識別するが、ナレッジ・グラフ４００はその俳優がこの映画と第２の映画との（例、ニューラル・システムの意味での）論理的な交差をもたらさないことを認識してもよく、よってナレッジ・グラフ４００は映画のプロットがロボットを含むことを識別してもよい。いくつかの実施形態において、ナレッジ・グラフ４００は同時に第２の映画の背後の意味を分析して、第２の映画は小説を原作としており、その小説の著者は作家であったことを識別してもよい。ナレッジ・グラフ４００は、こうしたつながりが論理的交差をもたらさないことを認識し、さらに第２の映画に関するコメント（例、ウェブサイトの要約、レビューなど）で映画２における人工知能が識別されていることを認識してもよい。ナレッジ・グラフ４００は、映画と第２の映画とを結び付ける論理的交差が、ロボットと人工知能とが一般的に関係があることであることを識別してもよい。

図５は、ナレッジ・グラフ４００を開発するためのエンゲージメント検出５０２のための分析フェーズの際に使用され得るオプション５００の図を示す。オプション５００は、たとえば自動、半自動、もしくは手動、またはその組み合わせなどのやり方で実行されてもよい。木様の構造における下側の分岐は、実現される技術の技術的オプションを示す。たとえば、コンピュータ・ビジョン・ベースのアプローチは、複数の高機能のセンサを必要とすることがある。こうした高機能のセンサは、たとえばカメラなどの光学センサであってもよい。

図６は、送信者および受信者の間のメッセージをパーソナライズするためのメッセージ・パーソナライズ・システム６００のコンポーネントのブロック図を示す。メッセージ・パーソナライズ・システム６００は、送信者および受信者の間の通信履歴をセマンティック分析するように適合された第１の分析手段を含む。第１の分析手段は、送信者を識別する送信者識別子と、受信者を識別する受信者識別子との間のナレッジ・グラフも形成するように適合される。示されるとおり、第１の分析手段は第１の分析ユニット６０２である。

メッセージ・パーソナライズ・システム６００は、ナレッジ・グラフから送信者および受信者の間のフォーマリティ・レベル値を導出するように適合された導出手段も含む。示されるとおり、導出手段は導出ユニット６０４である。メッセージ・パーソナライズ・システム６００は、第１のトレーニング済機械学習モデルと、通信履歴におけるリプライのパラメータ値を分析するように適合された第２の分析手段とを用いて、受信者インパクト・スコア値を決定する。示されるとおり、第２の分析手段は第２の分析ユニット６０６である。

さらにメッセージ・パーソナライズ・システム６００は、第２の機械学習システムをトレーニングして、ナレッジ・グラフおよびフォーマリティ・レベルに基づいて受信者インパクト・スコア値を予測するためのモデルを生成するように適合されたトレーニング手段を含む。示されるとおり、トレーニング手段はトレーニング・モジュール６０８である。メッセージ・パーソナライズ・システム６００は、ドラフトされるメッセージにおける言語表現を選択するように適合された選択手段も含む。示されるとおり、選択手段は選択モジュール６１０である。メッセージ・パーソナライズ・システム６００はさらに、選択された言語表現の表現意図を決定するように適合された決定手段を含む。示されるとおり、決定手段は決定モジュール６１２である。メッセージ・パーソナライズ・システム６００は、フォーマリティ・レベルおよび表現意図に基づいて言語表現を修正することによって修正言語表現を生成するように適合された修正手段も含む。示されるとおり、修正手段は修正モジュール６１４である。

さらにメッセージ・パーソナライズ・システム６００は、第３のトレーニング済機械学習モデルを用いて、修正言語表現がより高い受信者インパクト・スコア値をもたらす可能性が増加したかどうかをテストするように適合されたテスト手段を含む。示されるとおり、テスト手段はテスト・ユニット６１６である。メッセージ・パーソナライズ・システム６００は、停止基準が満たされるまで選択手段、決定手段、修正手段、およびテスト手段をトリガするように適合された繰り返し手段も含む。示されるとおり、繰り返し手段は繰り返しトリガ・ユニット６１８である。

第１の分析ユニット６０２と、導出ユニット６０４と、第２の分析ユニット６０６と、トレーニング・モジュール６０８と、選択モジュール６１０と、決定モジュール６１２と、修正モジュール６１４と、テスト・ユニット６１６と、繰り返しトリガ・ユニット６１８とは、信号およびメッセージを交換するために通信的に結合される。代替的に、ユニットおよびモジュールの間の信号およびメッセージ伝達のために、１：１接続スキーマまたはメッセージ・パーソナライズ・システム６００内部バス・システム６２０が用いられ得る。

本開示の実施形態は、プログラム・コードの記憶もしくは実行またはその両方に対するプラットフォーム適合性にかかわらず、事実上任意のタイプのコンピュータと共に実現されてもよい。図７は一例として、提案される方法に関するプログラム・コードを実行するために好適なコンピュータ・システム７００を示す。コンピュータ・システム７００は、たとえばサーバなどであってもよい。

コンピュータ・システム７００は好適なコンピュータ・システムの単なる一例であり、本明細書に記載される開示の実施形態の使用または機能の範囲に関する任意の限定を示唆することは意図されていない。コンピュータ・システム７００には、多数のその他の汎用目的または特定目的のコンピュータ・システム環境または構成によって動作されるコンポーネントが存在する。コンピュータ・システム７００による使用のために好適であり得る周知のコンピュータ・システム、環境、もしくは構成、またはその組み合わせの例は、パーソナル・コンピュータ・システム、サーバ・コンピュータ・システム、シン・クライアント、シック・クライアント、ハンドヘルド・デバイス、ラップトップ・デバイス、マルチプロセッサ・システム、マイクロプロセッサ・ベースのシステム、セット・トップ・ボックス、プログラマブル家電機器、ネットワークＰＣ、ミニコンピュータ・システム、メインフレーム・コンピュータ・システム、および上記のシステムまたはデバイスのいずれかを含む分散型クラウド・コンピューティング環境などを含むが、それに限定されない。コンピュータ・システム７００は、たとえばプログラム・モジュールなどのコンピュータ・システム実行可能命令の一般的なコンテキストで説明されてもよい。こうしたコンピュータ・システム実行可能命令は、コンピュータ・システム７００によって実行され得る。一般的に、プログラム・モジュールはルーチン、プログラム、オブジェクト、コンポーネント、論理、およびデータ構造などを含んでもよい。こうしたモジュールは、特定のタスクを実行するか、または特定の抽象データ・タイプを実行する。コンピュータ・システム７００は、通信ネットワークを通じてリンクされたリモート処理デバイスによってタスクが行われる分散型クラウド・コンピューティング環境において実施されてもよい。分散型クラウド・コンピューティング環境において、プログラム・モジュールはローカルおよびリモートの両方の、メモリ・ストレージ・デバイスを含むコンピュータ・システム記憶媒体に位置してもよい。

コンピュータ・システム／サーバ７００は、汎用目的コンピュータ・デバイスの形で示されている。コンピュータ・システム７００のコンポーネントは、１つ以上のプロセッサまたは処理ユニット７０２と、システム・メモリ７０４と、さまざまなシステム・コンポーネントをプロセッサ７０２に結合するバス７０６とを含んでもよいが、それに限定されない。バス７０６は、メモリ・バス、メモリ・コントローラ、ペリフェラル・バス、アクセラレーテッド・グラフィクス・ポート、プロセッサ、およびさまざまなバス・アーキテクチャのいずれかを用いたローカル・バスを含むいくつかのタイプのバス構造のいずれか１つ以上を表す。たとえば、こうしたアーキテクチャはインダストリ・スタンダード・アーキテクチャ（ＩＳＡ：Ｉｎｄｕｓｔｒｙ Ｓｔａｎｄａｒｄ Ａｒｃｈｉｔｅｃｔｕｒｅ）バス、マイクロ・チャネル・アーキテクチャ（ＭＣＡ：Ｍｉｃｒｏ Ｃｈａｎｎｅｌ Ａｒｃｈｉｔｅｃｔｕｒｅ）バス、拡張ＩＳＡ（ＥＩＳＡ：Ｅｎｈａｎｃｅｄ ＩＳＡ）バス、ビデオ・エレクトロニクス・スタンダーズ・アソシエーション（ＶＥＳＡ：Ｖｉｄｅｏ Ｅｌｅｃｔｒｏｎｉｃｓ Ｓｔａｎｄａｒｄｓ Ａｓｓｏｃｉａｔｉｏｎ）ローカル・バス、およびペリフェラル・コンポーネント・インターコネクト（ＰＣＩ：Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔｓ）バスを含んでもよい。コンピュータ・システム／サーバ７００は通常、さまざまなコンピュータ・システム可読媒体を含む。こうした媒体はコンピュータ・システム７００によってアクセス可能な任意の利用可能な媒体であってもよい。こうした媒体は揮発性および不揮発性媒体の両方、ならびに取り外し可能および取り外し不可能媒体の両方を含む。

システム・メモリ７０４は、たとえばランダム・アクセス・メモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）７０８もしくはキャッシュ・メモリ７１０またはその両方などの、揮発性メモリの形のコンピュータ・システム可読媒体を含んでもよい。コンピュータ・システム７００はさらに、その他の取り外し可能もしくは取り外し不可能またはその両方の、揮発性もしくは不揮発性またはその両方のコンピュータ・システム記憶媒体を含んでもよい。単なる例として、取り外し不可能な不揮発性磁気媒体（図示せず）からの読取りおよびそこへの書込みのために、ストレージ・システム７１２が提供されてもよい。こうした取り外し不可能な不揮発性磁気媒体は通常、ハード・ドライブと呼ばれる。示されていないが、取り外し可能な不揮発性磁気ディスクからの読取りおよびそこへの書込みのための磁気ディスク・ドライブ、あるいは取り外し可能な不揮発性光ディスクもしくはその他の光媒体またはその両方からの読取りまたはそこへの書込みのための光ディスク・ドライブ、あるいはその組み合わせが提供されてもよい。取り外し可能な不揮発性磁気ディスクの例は、フレキシブル・ディスクである。取り外し可能な不揮発性光ディスクの例は、ＣＤ－ＲＯＭおよびＤＶＤ－ＲＯＭである。こうした場合に、各々は１つ以上のデータ媒体インターフェースによってバス７０６に接続され得る。以下にさらに示されて説明されることとなるとおり、メモリ７０４は、本開示の実施形態の機能を実行するように構成された少なくとも１つのプログラム・モジュールを有する少なくとも１つのプログラム製品を含んでもよい。１つ以上のプログラム・モジュールは、単一のモジュールであるか複数のモジュールであるかにかかわらず、セットとして記載されることがある。

プログラム／ユーティリティはプログラム・モジュール・セット７１６を有する。プログラム／ユーティリティはメモリ７０４に記憶されてもよい。オペレーティング・システム、１つ以上のアプリケーション・プログラム、その他のプログラム・モジュール、およびプログラム・データもメモリ７０４に記憶されてもよい。オペレーティング・システム、１つ以上のアプリケーション・プログラム、その他のプログラム・モジュール、およびプログラム・データの各々か、またはその何らかの組み合わせは、ネットワーク化環境の実現を含んでもよい。プログラム・モジュール・セット７１６は一般的に、本明細書に記載される開示の実施形態の機能もしくは方法またはその両方を実行する。

コンピュータ・システム７００は、たとえばキーボード、ポインティング・デバイス、ディスプレイ７２０、およびその他のコンピュータ周辺機器などの１つ以上の外部デバイス７１８とも通信してもよい。コンピュータ・システム７００は、ユーザがコンピュータ・システム７００と対話することを可能にし得る１つ以上のデバイスとも通信してもよい。コンピュータ・システム７００は、コンピュータ・システム７００が１つ以上の他のコンピュータ・デバイスと通信することを可能にする任意のデバイスとも通信してもよい。こうしたデバイスは、ネットワーク・カード、モデム、およびその他の遠隔通信デバイスもしくはコンポーネントまたはその両方を含んでもよい。こうした通信は、入力／出力（Ｉ／Ｏ：Ｉｎｐｕｔ／Ｏｕｔｐｕｔ）インターフェース７１４を介して生じ得る。コンピュータ・システム７００は、ネットワーク・アダプタ７２２を介して、たとえばローカル・エリア・ネットワーク（ＬＡＮ：ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、一般的な広域ネットワーク（ＷＡＮ：ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）、もしくは公共ネットワーク、またはその組み合わせなどの１つ以上のネットワークとも通信してもよい。公共ネットワークは、たとえばインターネットなどを含んでもよい。示されるとおり、ネットワーク・アダプタ７２２は、バス７０６を介してコンピュータ・システム７００の他のコンポーネントと通信してもよい。示されていないが、コンピュータ・システム７００と共に他のハードウェアもしくはソフトウェア・コンポーネントまたはその両方が用いられてもよい。コンピュータ・システム７００と共に用いられ得る他のハードウェアもしくはソフトウェアまたはその両方の例は、マイクロコード、デバイス・ドライバ、冗長処理ユニット、外部ディスク・ドライブ・アレイ、ＲＡＩＤシステム、テープ・ドライブ、およびデータ・アーカイバル・ストレージ・システムを含むが、それに限定されない。

加えて、送信者および受信者の間のメッセージをパーソナライズするためのメッセージ・パーソナライズ・システム６００がバス・システム７０６に取り付けられてもよい。

この開示はクラウド・コンピューティングの詳細な説明を含むが、本明細書に記述される教示の実施はクラウド・コンピューティング環境に限定されないことが理解されるべきである。むしろ、本発明の実施形態は、現在公知であるか、または後に開発される任意のその他のタイプのコンピューティング環境と共に実施され得る。

クラウド・コンピューティングは、最小限の管理努力またはサービスのプロバイダとのインタラクションによって迅速にプロビジョニングおよびリリースされ得る構成可能なコンピューティング・リソース（例、ネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン、およびサービス）の共有プールへの便利なオンデマンド・ネットワーク・アクセスを可能にするためのサービス配信のモデルである。このクラウド・モデルは少なくとも５つの特性と、少なくとも３つのサービス・モデルと、少なくとも４つの配置モデルとを含んでもよい。

特性は次のとおりである。

オンデマンド・セルフサービス。クラウド消費者は、たとえばサーバ時間およびネットワーク・ストレージなどのコンピューティング機能を、必要に応じて自動的に、サービスのプロバイダとの人的インタラクションを必要とせずに一方的にプロビジョニングできる。

広範なネットワーク・アクセス。機能はネットワークを通じて利用可能であり、さまざまなシンまたはシック・クライアント・プラットフォーム（例、携帯電話、ラップトップ、およびＰＤＡ）による使用を容易にする標準的な機構を通じてアクセスされる。

リソース・プール。マルチテナント・モデルを用いて複数の消費者にサービスするために、プロバイダのコンピューティング・リソースはプールされ、要求に従って異なる物理および仮想リソースが動的に割り当ておよび再割り当てされる。消費者は一般的に、提供されるリソースの正確な場所に対する制御も知識も有さないが、より高い抽象化レベルにおける場所（例、国、州、またはデータセンタ）を特定できてもよいという点で、場所独立性の意味が存在する。

迅速な順応性。機能は、素早くスケール・アウトするために場合によっては自動的に、迅速かつ順応的にプロビジョニングされ、かつ素早くスケール・インするために迅速にリリースされ得る。消費者にとって、プロビジョニングのために利用可能な機能はしばしば無制限にみえ、任意のときに任意の量を購入できる。

従量制サービス。クラウド・システムは、サービスのタイプ（例、ストレージ、処理、帯域幅、およびアクティブ・ユーザ・アカウント）に対して適切な何らかの抽象化レベルにおいて計測機能を利用することによって、リソースの使用を自動的に制御および最適化する。リソースの使用をモニタ、制御、および報告して、使用されるサービスのプロバイダおよび消費者の両方に対する透明性を提供できる。

サービス・モデルは次のとおりである。

サービスとしてのソフトウェア（ＳａａＳ：Ｓｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ）。消費者に提供される機能は、クラウド・インフラストラクチャにおいて動作するプロバイダのアプリケーションの使用である。アプリケーションは、さまざまなクライアント・デバイスからたとえばウェブ・ブラウザ（例、ウェブ・ベースのｅメール）などのシン・クライアント・インターフェースを通じてアクセス可能である。消費者はネットワーク、サーバ、オペレーティング・システム、ストレージ、または個々のアプリケーション機能さえも含む基礎的なクラウド・インフラストラクチャを管理または制御することはなく、例外となり得るのは限られたユーザ特有のアプリケーション構成設定である。

サービスとしてのプラットフォーム（ＰａａＳ：Ｐｌａｔｆｏｒｍ ａｓ ａ Ｓｅｒｖｉｃｅ）。消費者に提供される機能は、プロバイダによってサポートされるプログラミング言語およびツールを用いて作成された、消費者が作成または取得したアプリケーションのクラウド・インフラストラクチャへの配置である。消費者はネットワーク、サーバ、オペレーティング・システム、またはストレージを含む基礎的なクラウド・インフラストラクチャを管理または制御することはないが、配置されたアプリケーションおよびおそらくはアプリケーション・ホスティング環境構成に対する制御を有する。

サービスとしてのインフラストラクチャ（ＩａａＳ：Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ）。消費者に提供される機能は、オペレーティング・システムおよびアプリケーションを含み得る、消費者が任意のソフトウェアを配置および実行することが可能な処理、ストレージ、ネットワーク、およびその他の基本的なコンピューティング・リソースのプロビジョニングである。消費者は基礎的なクラウド・インフラストラクチャを管理または制御することはないが、オペレーティング・システム、ストレージ、配置されたアプリケーションに対する制御、およびおそらくはネットワーク形成コンポーネント（例、ホスト・ファイアウォール）の選択に対する限られた制御を有する。

配置モデルは次のとおりである。

プライベート・クラウド。このクラウド・インフラストラクチャは、ある組織に対してのみ操作される。これはその組織またはサード・パーティによって管理されてもよく、オンプレミスまたはオフプレミスに存在してもよい。

コミュニティ・クラウド。このクラウド・インフラストラクチャは複数の組織によって共有され、共通する関心事項（例、任務、セキュリティ要件、ポリシー、およびコンプライアンスの検討）を有する特定のコミュニティをサポートする。これはそれらの組織またはサード・パーティによって管理されてもよく、オンプレミスまたはオフプレミスに存在してもよい。

パブリック・クラウド。このクラウド・インフラストラクチャは、一般人または大規模な産業グループに対して利用可能にされ、クラウド・サービスを販売する組織が所有している。

ハイブリッド・クラウド。このクラウド・インフラストラクチャは２つ以上のクラウド（プライベート、コミュニティ、またはパブリック）の複合体であり、それらのクラウドは独自のエンティティに留まるが、データおよびアプリケーション・ポータビリティを可能にする標準または独自の技術（例、クラウド間のロード・バランシングのためのクラウド・バースティング）によって共に結合される。

クラウド・コンピューティング環境はサービス指向型であり、ステートレス性、低結合性、モジュラリティ、およびセマンティックな相互運用性に焦点を合わせている。クラウド・コンピューティングの中心には、相互接続されたノードのネットワークを含むインフラストラクチャがある。

ここで図８を参照すると、例示的なクラウド・コンピューティング環境５０が示されている。示されるとおり、クラウド・コンピューティング環境５０は１つ以上のクラウド・コンピューティング・ノード１０を含み、たとえばパーソナル・デジタル・アシスタント（ＰＤＡ：ｐｅｒｓｏｎａｌ ｄｉｇｉｔａｌ ａｓｓｉｓｔａｎｔ）もしくは携帯電話５４Ａ、デスクトップ・コンピュータ５４Ｂ、ラップトップ・コンピュータ５４Ｃ、または自動車のコンピュータ・システム５４Ｎ、あるいはその組み合わせなどの、クラウド消費者によって用いられるローカル・コンピュータ・デバイスが、このクラウド・コンピューティング・ノード１０によって通信してもよい。ノード１０は互いに通信してもよい。これらのノードは、たとえば上述したプライベート、コミュニティ、パブリック、もしくはハイブリッド・クラウド、またはその組み合わせなどの１つ以上のネットワークにおいて、物理的または仮想的にグループ化（図示せず）されてもよい。このことは、クラウド・コンピューティング環境５０がインフラストラクチャ、プラットフォーム、もしくはソフトウェア、またはその組み合わせを、クラウド消費者がそれに対するリソースをローカル・コンピュータ・デバイスにおいて維持する必要のないサービスとして提供することを可能にする。図８に示されるコンピュータ・デバイス５４Ａ～Ｎのタイプは単なる例示であることが意図されており、コンピューティング・ノード１０およびクラウド・コンピューティング環境５０は、任意のタイプのネットワークもしくはネットワーク・アドレス可能接続（例、ウェブ・ブラウザを使用するもの）またはその両方を通じて、任意のタイプのコンピュータ・デバイスと通信できることが理解される。

ここで図９を参照すると、クラウド・コンピューティング環境５０（図８）によって提供される機能的抽象化レイヤのセットが示されている。図９に示されるコンポーネント、レイヤ、および機能は単なる例示であることが意図されており、本発明の実施形態はそれらに限定されないことが予め理解されるべきである。示されるとおり、以下のレイヤおよび対応する機能が提供される。

ハードウェアおよびソフトウェア・レイヤ６０は、ハードウェアおよびソフトウェア・コンポーネントを含む。ハードウェア・コンポーネントの例は、メインフレーム６１、ＲＩＳＣ（縮小命令セット・コンピュータ（Ｒｅｄｕｃｅｄ Ｉｎｓｔｒｕｃｔｉｏｎ Ｓｅｔ Ｃｏｍｐｕｔｅｒ））アーキテクチャ・ベースのサーバ６２、サーバ６３、ブレード・サーバ６４、ストレージ・デバイス６５、ならびにネットワークおよびネットワーク形成コンポーネント６６を含む。いくつかの実施形態において、ソフトウェア・コンポーネントは、ネットワーク・アプリケーション・サーバ・ソフトウェア６７およびデータベース・ソフトウェア６８を含む。

仮想化レイヤ７０は抽象化レイヤを提供し、この抽象化レイヤから仮想エンティティの以下の例が提供されてもよい。仮想サーバ７１、仮想ストレージ７２、仮想プライベート・ネットワークを含む仮想ネットワーク７３、仮想アプリケーションおよびオペレーティング・システム７４、ならびに仮想クライアント７５。

一例において、管理レイヤ８０は以下に記載される機能を提供してもよい。リソース・プロビジョニング８１は、クラウド・コンピューティング環境内でタスクを行うために使用されるコンピューティング・リソースおよびその他のリソースの動的調達を提供する。計測および価格決定８２は、クラウド・コンピューティング環境内でリソースが使用される際のコスト追跡と、これらのリソースの消費に対する請求書またはインボイスの送付とを提供する。一例において、これらのリソースはアプリケーション・ソフトウェア・ライセンスを含んでもよい。セキュリティは、クラウド消費者およびタスクに対するアイデンティティ検証、ならびにデータおよびその他のリソースの保護を提供する。ユーザ・ポータル８３は、消費者およびシステム管理者に対するクラウド・コンピューティング環境へのアクセスを提供する。サービス・レベル管理８４は、要求されるサービス・レベルが満たされるようにクラウド・コンピューティング・リソースの割り当ておよび管理を提供する。サービス・レベル・アグリーメント（ＳＬＡ：Ｓｅｒｖｉｃｅ Ｌｅｖｅｌ Ａｇｒｅｅｍｅｎｔ）計画および実現８５は、ＳＬＡによって将来の要求が予測されるクラウド・コンピューティング・リソースに対する事前の取り決めおよびその調達を提供する。

ワークロード・レイヤ９０は、クラウド・コンピューティング環境が使用され得る機能の例を提供する。このレイヤから提供され得るワークロードおよび機能の例は、マッピングおよびナビゲーション９１、ソフトウェア開発およびライフサイクル管理９２、仮想教室の教育配信９３、データ分析処理９４、トランザクション処理９５、および通信内容の調整９６を含む。

例示の目的のために、本開示のさまざまな実施形態の説明を提供した。これらの説明は、開示される実施形態に対して網羅的または限定的になることは意図されていない。記載される実施形態の範囲および思想から逸脱することなく、当業者には多くの修正および変更が明らかになるだろう。本明細書において用いられる用語は、実施形態の原理、市場に見出される技術に対する実際の適用または技術的改善点を最もよく説明するため、または本明細書に開示される実施形態を他の当業者が理解できるようにするために選択されたものである。

本開示はシステム、方法、もしくはコンピュータ・プログラム製品、またはその組み合わせとして具現化されてもよい。コンピュータ・プログラム製品は、プロセッサに本開示の態様を実行させるためのコンピュータ可読プログラム命令を有するコンピュータ可読記憶媒体または複数の媒体を含んでもよい。

媒体は、伝播媒体のための電子、磁気、光学、電磁気、赤外、または半導体のシステムであってもよい。コンピュータ可読媒体の例は半導体または固体メモリ、磁気テープ、取り外し可能コンピュータ・ディスケット、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリ・メモリ（ＲＯＭ：ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ）、剛性磁気ディスク、および光ディスクを含んでもよい。光ディスクの現在の例は、コンパクト・ディスク・リード・オンリ・メモリ（ＣＤ－ＲＯＭ：ｃｏｍｐａｃｔ ｄｉｓｋ－ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、コンパクト・ディスク読取り／書込み（ＣＤ－Ｒ／Ｗ：ｃｏｍｐａｃｔ ｄｉｓｋ－ｒｅａｄ／ｗｒｉｔｅ）、ＤＶＤ、およびＢｌｕ－ｒａｙ（Ｒ）ディスクを含む。

コンピュータ可読記憶媒体は、命令実行デバイスによって使用するための命令を保持および記憶できる有形デバイスであり得る。コンピュータ可読記憶媒体は、たとえば電子ストレージ・デバイス、磁気ストレージ・デバイス、光ストレージ・デバイス、電磁気ストレージ・デバイス、半導体ストレージ・デバイス、または前述の任意の好適な組み合わせなどであってもよい。コンピュータ可読記憶媒体のより具体的な例の非網羅的なリストは以下を含む。ポータブル・コンピュータ・ディスケット、ハード・ディスク、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリ・メモリ（ＲＯＭ）、消去可能プログラマブル・リード・オンリ・メモリ（ｅｒａｓａｂｌｅ ｐｒｏｇｒａｍｍａｂｌｅ ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ）（ＥＰＲＯＭまたはフラッシュ・メモリ）、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ：ｓｔａｔｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ポータブル・コンパクト・ディスク・リード・オンリ・メモリ（ＣＤ－ＲＯＭ：ｃｏｍｐａｃｔ ｄｉｓｋ ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ）、デジタル多用途ディスク（ＤＶＤ：ｄｉｇｉｔａｌ ｖｅｒｓａｔｉｌｅ ｄｉｓｋ）、メモリ・スティック、フレキシブル・ディスク、機械的にコード化されたデバイス、たとえばパンチ・カードまたは記録された命令を有する溝の中の隆起構造体など、および前述の任意の好適な組み合わせ。本明細書において用いられるコンピュータ可読記憶媒体は、たとえば電波もしくはその他の自由に伝播する電磁波、導波路もしくはその他の伝送媒体を通じて伝播する電磁波、たとえば光ファイバ・ケーブルを通過する光パルスなど、またはワイヤを通じて伝送される電気信号など、それ自体が一時的信号のものであると解釈されるべきではない。

本明細書に記載されるコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体からそれぞれのコンピューティング／処理デバイスにダウンロードされ得るか、またはネットワークを介して外部コンピュータまたは外部ストレージ・デバイスにダウンロードされ得る。ネットワークの例はインターネット、ローカル・エリア・ネットワーク、広域ネットワーク、もしくはワイヤレス・ネットワーク、またはその組み合わせを含む。ネットワークは銅伝送ケーブル、光伝送ファイバ、ワイヤレス伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、もしくはエッジ・サーバ、またはその組み合わせを含んでもよい。各コンピューティング／処理デバイス内のネットワーク・アダプタ・カードまたはネットワーク・インターフェースは、ネットワークからコンピュータ可読プログラム命令を受信して、そのコンピュータ可読プログラム命令をそれぞれのコンピューティング／処理デバイス内のコンピュータ可読記憶媒体に記憶するために転送する。

本開示の動作を実行するためのコンピュータ可読プログラム命令はアセンブラ命令、命令セット・アーキテクチャ（ＩＳＡ：ｉｎｓｔｒｕｃｔｉｏｎ－ｓｅｔ－ａｒｃｈｉｔｅｃｔｕｒｅ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、ソース・コード、もしくはオブジェクト・コード、またはその組み合わせであってもよい。ソース・コードもしくはオブジェクト・コードまたはその両方は、たとえばＳｍａｌｌｔａｌｋおよびＣ＋＋などのオブジェクト指向プログラミング言語、もしくはたとえば「Ｃ」プログラミング言語などの従来の手続き型プログラミング言語、またはその両方を含む１つ以上のプログラミング言語の任意の組み合わせで書かれてもよい。

コンピュータ可読プログラム命令は、すべてがユーザのコンピュータで実行されてもよいし、スタンド・アロン・ソフトウェア・パッケージとして部分的にユーザのコンピュータで実行されてもよいし、一部がユーザのコンピュータで、一部がリモート・コンピュータで実行されてもよいし、すべてがリモート・コンピュータ／サーバで実行されてもよい。すべてリモート・コンピュータ／サーバでの実行のシナリオにおいて、リモート・コンピュータは任意のタイプのネットワークを通じてユーザのコンピュータに接続されてもよいし、代替的には外部コンピュータへの接続が行われてもよい。こうしたネットワークのオプションは、ローカル・エリア・ネットワーク（ＬＡＮ）および広域ネットワーク（ＷＡＮ）を含む。たとえば、インターネット・サービス・プロバイダを用いてインターネットを通じて接続が確立されてもよい。いくつかの実施形態において、電子回路は、本開示の態様を行うために電子回路をパーソナライズするためのコンピュータ可読プログラム命令の状態情報を使用することによって、コンピュータ可読プログラム命令を実行してもよい。電子回路の例は、たとえばプログラマブル・ロジック回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ：ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙｓ）、およびプログラマブル・ロジック・アレイ（ＰＬＡ：ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ａｒｒａｙｓ）などを含む。

本明細書においては、本開示の実施形態による方法、装置（システム）、およびコンピュータ・プログラム製品の流れ図もしくはブロック図またはその両方を参照して、本開示の態様を説明している。流れ図もしくはブロック図またはその両方の各ブロック、および流れ図もしくはブロック図またはその両方におけるブロックの組み合わせは、コンピュータ可読プログラム命令によって実現され得ることが理解されるだろう。

これらのコンピュータ可読プログラム命令は、汎用目的コンピュータ、特定目的コンピュータ、またはマシンを生成するためのその他のプログラマブル・データ処理装置のプロセッサに提供されることによって、そのコンピュータまたはその他のプログラマブル・データ処理装置のプロセッサを介して実行される命令が、流れ図もしくはブロック図またはその両方の単数または複数のブロックにおいて指定される機能／動作を実現するための手段を生じてもよい。これらのコンピュータ可読プログラム命令は、コンピュータ、プログラマブル・データ処理装置、もしくはその他のデバイス、またはその組み合わせに特定の方式で機能するように指示できるコンピュータ可読記憶媒体にも記憶されてもよい。命令が記憶されたコンピュータ可読記憶媒体は、流れ図もしくはブロック図またはその両方の単数または複数のブロックにおいて指定される機能もしくは動作またはその両方の態様を実現する命令を含む製造物を含む。

コンピュータ可読プログラム命令は、コンピュータ、他のプログラマブル・データ処理装置、または別のデバイスにもロードされて、コンピュータに実現されるプロセスを生成するためにコンピュータ、他のプログラマブル装置、または他のデバイスにおいて一連の動作ステップを行わせてもよい。こうした場合に、コンピュータ、他のプログラマブル装置、または別のデバイスにおいて実行される命令は、流れ図もしくはブロック図またはその両方の単数または複数のブロックにおいて指定される機能もしくは動作またはその両方を実現する。

図面における流れ図もしくはブロック図またはその両方は、本開示のさまざまな実施形態によるシステム、方法、およびコンピュータ・プログラム製品の可能な実施のアーキテクチャ、機能、および動作を示すものである。これに関して、流れ図またはブロック図の各ブロックは、指定される論理機能（単数または複数）を実現するための１つ以上の実行可能命令を含む命令のモジュール、セグメント、または一部分を表してもよい。いくつかの代替的実施において、ブロック内に示される機能は、図面に示されるものとは異なる順序で起こってもよい。たとえば、連続して示される２つのブロックは、実際には実質的に同時に実行されてもよいし、関与する機能によってはこれらのブロックがときに逆の順序で実行されてもよい。加えて、ブロック図もしくは流れ図またはその両方の各ブロック、およびブロック図もしくは流れ図またはその両方のブロックの組み合わせは、指定された機能もしくは動作を行うか、または特定目的のハードウェアおよびコンピュータ命令の組み合わせを実行する特定目的のハードウェア・ベースのシステムによって実現され得ることが注目されるだろう。

本明細書において用いられる用語は、単に特定の実施形態を説明する目的のためのものであり、本開示を限定することは意図されていない。本明細書において用いられる単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、コンテキストが別様を明確に示さない限り複数形も含むことが意図される。この明細書において用いられるときの「含む（ｃｏｍｐｒｉｓｅｓ）」もしくは「含んでいる（ｃｏｍｐｒｉｓｉｎｇ）」またはその両方の用語は、記述される特徴、整数、ステップ、動作、エレメント、もしくはコンポーネント、またはその組み合わせの存在を特定するが、１つ以上の他の特徴、整数、ステップ、動作、エレメント、コンポーネント、もしくはそのグループ、またはその組み合わせの存在または付加を除外しないことがさらに理解されるだろう。

以下の請求項におけるすべての手段またはステップ・プラス機能要素に対応する構造、材料、動作、および均等物は、特定的に請求される他の請求要素と組み合わせてその機能を行うための任意の構造、材料、または動作を含むことが意図される。本開示の説明は例示および説明の目的のために提供されたものであり、開示される形の本開示に対して網羅的または限定的になることは意図されていない。本開示の範囲および思想から逸脱することなく、当業者には多くの修正および変更が明らかになるだろう。実施形態は、本開示の原理および実際の適用を最もよく説明し、かつ他の当業者がさまざまな修正を伴うさまざまな実施形態に対して、こうした修正が予期される特定の使用に好適であるものとして本開示を理解できるようにするために選択されて記載されたものである。

Claims (25)

1. 送信者および受信者の間のメッセージをパーソナライズするための方法であって、前記方法が、
   前記送信者および前記受信者の間の通信履歴をセマンティック分析して、前記送信者を識別する送信者識別子と、前記受信者を識別する受信者識別子との間のナレッジ・グラフを形成することと、
   第１のトレーニング済機械学習モデルを用いて、前記ナレッジ・グラフから前記送信者および前記受信者の間のフォーマリティ・レベル値を導出することと、
   前記通信履歴におけるリプライのパラメータ値を分析して受信者インパクト・スコア値を決定することと、
   第２の機械学習システムをトレーニングして、前記ナレッジ・グラフおよび前記フォーマリティ・レベルに基づいて前記受信者インパクト・スコア値を予測するためのモデルを生成することと、
   ドラフトされるメッセージの言語表現を選択することと、
   前記選択された言語表現の表現意図を決定することと、
   前記フォーマリティ・レベルおよび前記表現意図に基づいて前記言語表現を修正することによって修正言語表現を生成することと、
   第３のトレーニング済機械学習モデルを用いて、前記修正言語表現がより高い受信者インパクト・スコア値をもたらす可能性が増加したかどうかをテストすることと、
   停止基準が満たされるまで、前記言語表現を前記選択すること、前記表現意図を決定すること、前記言語表現を修正すること、および前記より高い受信者インパクト・スコアをテストすることを繰り返すことと
   を含む、方法。
2. 前記第３の機械学習モデルが強化学習モデルである、請求項１に記載の方法。
3. 前記第３の機械学習モデルの前記トレーニングが、前記表現意図を予測するために双方向トランスフォーマを使用することも含む、請求項１または２に記載の方法。
4. 前記双方向トランスフォーマの前記トレーニングが、トレーニング・データとして前記通信履歴、前記ナレッジ・グラフ、フォーマリティ・レベル、および受信者インパクト・スコア値を使用することをさらに含む、請求項３に記載の方法。
5. 前記受信者識別子が複数のユーザを識別するために使用される複数の受信者識別子であり、
   前記修正言語表現がすべての受信者識別子の効果を考慮に入れて構築される、請求項１～４のいずれか一項に記載の方法。
6. 前記言語表現の前記修正は、前記フォーマリティ・レベル分析、前記メッセージの機密性レベル分析、メッセージ・トピック分析、およびトーン分析から選択される少なくとも１つの結果に影響される、請求項１～５のいずれか一項に記載の方法。
7. 前記言語表現の前記修正が、単語の置換、文の構造の転回、内容の並べ替え、単語の削除、メッセージ・ブロックの順序の入れ替え、同義語の使用、過去の通信で前記受信者が使用していた言葉遣い、スタイルの調整、およびＧＰＴ２トランスフォーマ変形からなる群より選択される少なくとも１つによって行われ、
   前記ＧＰＴ２トランスフォーマ変形が、ユーザに対するパーソナライズ・テキストを合成することによって、パーソナライズした方式でパラグラフのセグメントを生成するように部分的な文の作成を教え込まれている、請求項１～６のいずれか一項に記載の方法。
8. 前記通信履歴の前記セマンティック分析が、
   潜在的ディリクレ配分法（ＬＤＡ）トピック・モデルによってトピックを識別することを含む、請求項１～７のいずれか一項に記載の方法。
9. 前記フォーマリティ・レベルがバッグ・オブ・ワード・モデルによって得られ、前記第１のトレーニング済機械学習モデルがガウシアン・ナイーブ・ベイズ分類子である、請求項１～８のいずれか一項に記載の方法。
10. 前記言語表現が、ＩｏＴセンサまたはカレンダ情報を用いて前記メッセージが到着するよう設定された時間の前記受信者の状態またはタスクを予測することによってさらに洗練される、請求項１～９のいずれか一項に記載の方法。
11. 前記受信者インパクト・スコアが、ＩｏＴセンサ・データ、ウェアラブル・システム・データ、コンピュータ・ビジョン・データ、リプライの有無、リプライのタイミング、前記受信者または異なる受領者による他のリプライに関する前記リプライのタイミング、時間ゾーンおよびカレンダに関する前記リプライのタイミング、不在メッセージの有無、前記リプライの長さ、前記リプライの内容、前記送信者が前記受信者による実行を要求するタスク、および絵文字からなる群より選択される少なくとも１つによって影響される、請求項１～１０のいずれか一項に記載の方法。
12. 前記メッセージが文字メッセージまたは音声メッセージである、請求項１～１１のいずれか一項に記載の方法。
13. 前記分析が前記通信履歴がないことを明らかにし、
    二次通信履歴が前記通信履歴と置き換わり、前記二次通信履歴は前記受信者および二次送信者の間のものである、請求項１～１２のいずれか一項に記載の方法。
14. 送信者および受信者の間のメッセージをパーソナライズするためのメッセージ・パーソナライズ・システムであって、前記メッセージ・パーソナライズ・システムが、
    メモリと、
    前記メモリと通信するプロセッサとを含み、前記プロセッサが、
    前記送信者および前記受信者の間の通信履歴をセマンティック分析して、前記送信者を識別する送信者識別子と、前記受信者を識別する受信者識別子との間のナレッジ・グラフを形成するように適合されることと、
    第１のトレーニング済機械学習モデルを用いて、前記ナレッジ・グラフから前記送信者および前記受信者の間のフォーマリティ・レベル値を導出することと、
    前記通信履歴におけるリプライのパラメータ値を分析して受信者インパクト・スコア値を決定することと、
    第２の機械学習システムをトレーニングして、前記ナレッジ・グラフおよび前記フォーマリティ・レベルに基づいて前記受信者インパクト・スコア値を予測するためのモデルを生成することと、
    ドラフトされるメッセージの言語表現を選択することと、
    前記言語表現の表現意図を決定することと、
    前記フォーマリティ・レベルおよび前記表現意図に基づいて前記言語表現を修正することによって修正言語表現を生成することと、
    第３のトレーニング済機械学習モデルを用いて、前記修正言語表現がより高い受信者インパクト・スコア値を有する可能性が増加したかどうかをテストすることと、
    停止基準が満たされるまで、前記言語表現を前記選択すること、前記表現意図を決定すること、前記言語表現を修正すること、および前記より高い受信者インパクト・スコアをテストすることを繰り返すことと
    を含む動作を行うように構成される、メッセージ・パーソナライズ・システム。
15. 前記第３の機械学習モデルが強化学習モデルである、請求項１４に記載のメッセージ・パーソナライズ・システム。
16. 前記第３の機械学習モデルの前記トレーニングが、
    前記表現意図を予測するために双方向トランスフォーマを使用することを含む、請求項１４または１５に記載のメッセージ・パーソナライズ・システム。
17. 前記双方向トランスフォーマの前記トレーニングが、
    トレーニング・データとして前記通信履歴、前記ナレッジ・グラフ、前記フォーマリティ・レベル、および前記受信者インパクト・スコア値を使用することを含む、請求項１６に記載のメッセージ・パーソナライズ・システム。
18. 前記受信者識別子が複数のユーザを識別するために使用される複数の受信者識別子であり、
    前記修正手段が、前記送信者および前記複数のユーザの間の前記フォーマリティ・レベルおよび前記表現意図に基づいて前記修正言語表現を生成する、請求項１４～１７のいずれか一項に記載のメッセージ・パーソナライズ・システム。
19. 前記言語表現の前記修正が、前記フォーマリティ・レベル分析、前記メッセージの機密性レベル分析、メッセージ・トピック分析、およびトーン分析からなる群より選択される少なくとも１つの結果に影響される、請求項１４～１８のいずれか一項に記載のメッセージ・パーソナライズ・システム。
20. 前記言語表現の前記修正が、単語の置換、文の構造の転回、内容の並べ替え、単語の削除、メッセージ・ブロックの順序の入れ替え、同義語の使用、過去の通信で前記受信者が使用していた言葉遣い、スタイルの調整、およびＧＰＴ２トランスフォーマ変形からなる群より選択される少なくとも１つによって行われ、
    前記ＧＰＴ２トランスフォーマ変形が、ユーザに対するパーソナライズ・テキストを合成することによって、パーソナライズした方式でパラグラフのセグメントを生成するように部分的な文の作成を教え込まれている、請求項１４～１９のいずれか一項に記載のメッセージ・パーソナライズ・システム。
21. 前記通信履歴の前記セマンティック分析が、潜在的ディリクレ配分法（ＬＤＡ）トピック・モデルによってトピックを識別することを含む、請求項１４～２０のいずれか一項に記載のメッセージ・パーソナライズ・システム。
22. 前記フォーマリティ・レベルがバッグ・オブ・ワード・モデルによって得られ、前記第１のトレーニング済機械学習モデルがガウシアン・ナイーブ・ベイズ分類子である、請求項１４～２１のいずれか一項に記載のメッセージ・パーソナライズ・システム。
23. 前記言語表現が、ＩｏＴセンサまたはカレンダ情報を用いて前記メッセージが到着するよう設定された時間の前記受信者の状態またはタスクを予測することによってさらに洗練される、請求項１４～２２のいずれか一項に記載のメッセージ・パーソナライズ・システム。
24. 前記受信者インパクト・スコアが、ＩｏＴセンサ・データ、ウェアラブル・システム・データ、コンピュータ・ビジョン・データ、リプライの有無、リプライのタイミング、前記受信者または異なる受領者による他のリプライに関するリプライのタイミング、時間ゾーンおよびカレンダに関するリプライのタイミング、不在メッセージの有無、前記リプライの長さ、前記リプライの内容、前記送信者が前記受信者による実行を要求するタスク、および絵文字からなる群より選択される少なくとも１つによって影響される、請求項１４～２３のいずれか一項に記載のメッセージ・パーソナライズ・システム。
25. 送信者および受信者の間のメッセージをパーソナライズするためのコンピュータ・プログラム製品であって、前記コンピュータ・プログラム製品が、具現化されるプログラム命令を有するコンピュータ可読記憶媒体を含み、前記プログラム命令が１つ以上のコンピュータ・システムまたはコントローラによって実行可能であることによって、前記１つ以上のコンピュータ・システムに
    前記送信者および前記受信者の間の通信履歴をセマンティック分析して分析を生成することであって、前記分析は前記送信者を識別する送信者識別子と、前記受信者を識別する受信者識別子との間のナレッジ・グラフを形成するように適合される、前記分析を生成することと、
    第１のトレーニング済機械学習モデルを用いて、前記ナレッジ・グラフから前記送信者および前記受信者の間のフォーマリティ・レベル値を導出することと、
    前記通信履歴におけるリプライのパラメータ値を分析して受信者インパクト・スコア値を決定することと、
    第２の機械学習システムをトレーニングして、前記ナレッジ・グラフおよび前記フォーマリティ・レベルに基づいて前記受信者インパクト・スコア値を予測するためのモデルを生成することと、
    ドラフトされるメッセージの言語表現を選択することと、
    前記言語表現の表現意図を決定することと、
    前記フォーマリティ・レベルおよび前記表現意図に基づいて前記言語表現を修正することによって修正言語表現を生成することと、
    第３のトレーニング済機械学習モデルを用いることによって、前記修正言語表現がより高い受信者インパクト・スコア値を有する可能性が増加したかどうかをテストすることと、
    停止基準が満たされるまで、前記選択、前記決定、前記生成、および前記テストの前記プログラム命令を繰り返すことと
    を行わせる、コンピュータ・プログラム製品。

Images