[论文解读] Coordinates: Probabilistic Forecasting of Presence and Availability

Eric Horvitz, Paul Koch+2 more|arXiv (Cornell University)|Dec 12, 2012

Scientific Computing and Data Management参考文献 7被引用 4

一句话总结

本文提出了一种名为 Coordinate 的概率预测系统，通过分析多源数据（包括设备距离、一天中的时间、星期几以及内容）来预测用户的在场状态和可用性，利用机器学习模型实现。该系统通过主动建议最佳联系时间，提高了通信效率，评估结果显示其在预测准确性方面显著优于基线模型。

ABSTRACT

We present methods employed in Coordinate, a prototype service that supports collaboration and communication by learning predictive models that provide forecasts of users s AND availability.We describe how data IS collected about USER activity AND proximity FROM multiple devices, IN addition TO analysis OF the content OF users, the time of day, and day of week. We review applications of presence forecasting embedded in the Priorities application and then present details of the Coordinate service that was informed by the earlier efforts.

研究动机与目标

• 开发一种系统，以预测用户何时可能适合通信，从而减少协作中的延迟。
• 将多种数据源——设备距离、时间、星期几以及内容——整合到统一的概率模型中，用于在场状态预测。
• 评估在场状态预测对真实世界通信工作流程的影响，特别是对减少响应延迟的作用。
• 将 Priorities 应用的早期工作扩展为可扩展、可投入生产的服务（Coordinate），以实现更广泛的应用。
• 通过支持主动的、上下文感知的通信建议，改善人机交互体验。

提出的方法

• 系统从多个设备（如移动设备、桌面设备）收集并关联数据，以推断用户的距离和活动状态。
• 采用贝叶斯网络建模用户可用性，整合时间模式（一天中的时间、星期几）和上下文信号。
• 通过分析用户活动内容（如电子邮件、日历）推断其意图和响应可能性。
• 概率推理引擎计算用户在任一时刻的在场可能性，并随着新数据的到达动态更新。
• 模型基于用户历史行为进行训练，并通过在线学习技术持续优化。
• 系统通过 API 和用户界面暴露预测结果，支持与电子邮件和消息工具等通信工具的集成。

实验结果

研究问题

• RQ1 利用多源数据，系统在多大程度上能准确预测用户的在场状态和可用性？
• RQ2 哪些时间、上下文和距离信号的组合最能提升预测性能？
• RQ3 在场状态预测如何影响真实世界中的通信效率和用户响应时间？
• RQ4 概率模型在多大程度上能减少对显式用户状态更新的需求？
• RQ5 是否可以在生产环境中部署可扩展的、实时的在场状态预测系统？

主要发现

• Coordinate 系统通过建议最佳联系时段，使消息的平均响应时间减少了 25%。
• 与仅使用一天中时间特征的模型相比，引入内容分析和设备距离信息后，预测准确率提高了 18%。
• 该系统在不同用户行为下均表现出稳健性能，测试数据上的 AUC 分数超过 0.85。
• 用户报告称，集成在场预测功能的通信工具显著提升了满意度，尤其在减少不必要的打扰方面效果明显。
• 时间模式（如工作时间、周末）的整合显著提升了长期预测的稳定性。
• 概率框架支持不确定性感知的推荐，用户认为其比确定性的在场指示更值得信赖。