智能预测用户需求必须更深入的了解用户。建造一个模型来解释过去的情境，并以此通过关联来推测当前情境。

一个简单的解决办法是发现两个情境中的共同的属性，由此缩小预测当前情境的依据范围。例如，在一个音乐库，当用户选中列表中的几个蓝调歌曲，软件应该自动显示更多该流派的歌曲。随着对用户这一结果的进一步肯定，软件可以考虑进一步删减其他流派的歌曲。另一个例子，假设一个用户需要有关 " Lightwave "，" Bryce "和" Blender"的资料，这些三个词都有很多解释，但把它们作为整体联系起来看，他显然是在描述一个三维渲染软件包。以后，当他搜查"Maya"这个词时，显然不应该理解为他想查找有关古代文明的资料，而是一个名为“Maya”的三维渲染软件，应该自动将关于该软件的信息提供给他。

另一种简单的解决办法是，通过既有数据加速用户做出决策。如果一个人查找一个旅游指南：第一天前往大峡谷，第二天去拉斯维加斯，软件应该自动建议第三天去洛杉矶周围游玩。

Amazon, iTunes ，以及越来越多的其它在线零售商正在实施类似计划。不过，除了微不足道的的垃圾邮件过滤器，非零售的信息软件中，利用既有数据提供关联信息的例子仍然少之又少。它们中的大多数在新一天的开始又会将用户前一天留下的信息忘得一干二净。

不幸的是，面对用户一次又一次的重申其需求，反反复复的点击鼠标，没完没了的敲击键盘，浪费一个又一个小时，有些软件却把这称为“交互性”。

(未完待续）