CN111798019B - 意图预测方法、装置、存储介质及电子设备 - Google Patents

意图预测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN111798019B
CN111798019B CN201910282437.1A CN201910282437A CN111798019B CN 111798019 B CN111798019 B CN 111798019B CN 201910282437 A CN201910282437 A CN 201910282437A CN 111798019 B CN111798019 B CN 111798019B
Authority
CN
China
Prior art keywords
panoramic
intention
data
user
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910282437.1A
Other languages
English (en)
Other versions
CN111798019A (zh
Inventor
陈仲铭
何明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN201910282437.1A priority Critical patent/CN111798019B/zh
Publication of CN111798019A publication Critical patent/CN111798019A/zh
Application granted granted Critical
Publication of CN111798019B publication Critical patent/CN111798019B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种意图预测方法、装置、存储介质及电子设备，其中，本申请实施例获取目标时间单元之前的预设时长内的全景数据，生成多个全景数据序列；根据多个全景数据序列和预设的特征提取算法，生成多个全景特征向量；将多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵；根据多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在目标时间单元的意图。该方案通过从全景数据序列中提取的特征向量，来表征用户当前时间及过去一段时间所处的情景状态的变化情况，进而根据这些特征来预测用户在未来一段时间，即目标时间单元内的意图，提高了对用户未来意图的预测准确度。

Description

意图预测方法、装置、存储介质及电子设备
技术领域
本申请涉及数据处理技术领域，具体涉及一种意图预测方法、装置、存储介质及电子设备。
背景技术
对终端用户的未来意图进行预测时，多是利用时序神经网络模型对用户意图进行序列化建模，获得用户意图预测模型。即基于用户过去一段时间的意图序列，预测用户的未来意图，但事实上，用户未来的意图与过去的一段时间的意图之间的关系并不是特定的，这种预测方式在模型算法上会出现过拟合和预测错误，导致对用户未来意图的预测准确度低。
发明内容
本申请实施例提供了一种意图预测方法、装置、存储介质及电子设备，能够提高对用户未来意图的预测准确度。
第一方面，本申请实施例了提供了的一种意图预测方法，包括：
获取目标时间单元之前的预设时长内的全景数据，生成多个全景数据序列；
根据所述多个全景数据序列和预设的特征提取算法，生成多个全景特征向量；
将所述多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵；
根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在所述目标时间单元的意图。
第二方面，本申请实施例了提供了的一种意图预测装置，包括：
数据获取模块，用于获取目标时间单元之前的预设时长内的全景数据，生成多个全景数据序列；
特征提取模块，用于根据所述多个全景数据序列和预设的特征提取算法，生成多个全景特征向量；
矩阵生成模块，用于将所述多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵；
意图预测模块，用于根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在所述目标时间单元的意图。
第三方面，本申请实施例提供的存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如本申请任一实施例提供的意图预测方法。
第四方面，本申请实施例提供了一种电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行如本申请任一实施例提供的意图预测方法；
本申请实施例提供的技术方案，通过采集目标时间单元之前的预设时长内全景数据，生成这段时间内的全景数据序列，根据多个全景数据序列和预设的特征提取算法生成多个全景特征向量，将多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵，根据意图预测模型及其对应的全景特征矩阵对用户在目标时间单元的意图进行预测，在本方案中，全景数据中包含有用户所处的情景数据，通过从全景数据序列中提取的特征向量，来表征用户当前时间及过去一段时间所处的情景状态的变化情况，进而根据这些特征来预测用户在未来一段时间，即目标时间单元内的意图，提高了对用户未来意图的预测准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的意图预测方法的全景感知架构示意图。
图2为本申请实施例提供的意图预测方法的第一种流程示意图。
图3为本申请实施例提供的意图预测方法的第二种流程示意图。
图4为本申请实施例提供的意图预测方法的第三种流程示意图。
图5为本申请实施例中提出的意图预测流程图。
图6为本申请实施例提供的意图预测方法的第四种流程示意图。
图7为本申请实施例提供的意图预测装置的结构示意图。
图8为本申请实施例提供的电子设备的第一种结构示意图。
图9为本申请实施例提供的电子设备的第二种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。
本文所使用的术语“模块”可看作为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看作为在该运算系统上的实施对象。而本文所述的装置及方法可以以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参考图1，图1为本申请实施例提供的意图预测方法的全景感知架构示意图所述意图预测方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述意图预测方法的硬件和软件的集成。
其中，全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如，所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
其中，距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器，可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。
数据处理层用于对信息感知层获取到的数据进行处理。例如，数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
其中，数据清理是指对信息感知层获取到的大量数据进行清理，以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度，以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等，以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下，最大限度的精简数据量。
特征抽取层用于对数据处理层处理后的数据进行特征抽取，以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。
其中，特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤，以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起，以构建一种更加高效、更加准确的特征提取方法，用于提取特征。
情景建模层用于根据特征抽取层提取到的特征来构建模型，所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如，情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如，智能服务层可以为用户提供基础应用服务，可以为电子设备进行系统智能优化，还可以为用户提供个性化智能服务。
此外，全景感知架构中还可以包括多种算法，每一种算法都可以用于对数据进行分析处理，所述多种算法可以构成算法库。例如，所述算法库中可以包括马尔科夫算法、隐形狄利克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。
基于上述全景感知构架，电子设备通过信息感知层和/或者其他方式采集用户的全景数据，数据处理层对全景数据进行处理，比如，对获取的全景数据进行数据清理、数据集成等，智能服务层按照本申请提出的意图预测方法确定用户的意图。例如，通过采集目标时间单元之前的预设时长内全景数据，生成这段时间内的全景数据序列，特征提取层根据多个全景数据序列和预设的特征提取算法生成多个全景特征向量，智能服务层将多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵，根据意图预测模型及其对应的全景特征矩阵对用户在目标时间单元的意图进行预测，在本方案中，全景数据中包含有用户所处的情景数据，通过从全景数据序列中提取的特征向量，来表征用户当前时间及过去一段时间所处的情景状态的变化情况，进而根据这些特征来预测用户在未来一段时间，即目标时间单元内的意图，提高了对用户未来意图的预测准确度。
本申请实施例提供一种意图预测方法，该意图预测方法的执行主体可以是本申请实施例提供的意图预测装置，或者集成了该意图预测装置的电子设备，其中该意图预测装置可以采用硬件或者软件的方式实现。其中，电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等设备。
以意图预测装置集成在电子设备中为例，电子设备可以获取目标时间单元之前的预设时长内的全景数据，生成多个全景数据序列；根据多个全景数据序列和预设的特征提取算法生成多个全景特征向量，将多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵，根据多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在目标时间单元的意图。在本方案中，从电子设备采集到的全景数据中可以获知用户所处的情景状态，通过从全景数据序列中提取的特征向量，来表征用户当前时间及过去一段时间所处的情景状态的变化情况，进而根据这些特征来预测用户在未来一段时间，即目标时间单元内的意图，提高了对用户未来意图的预测准确度。
请参照图2，图2为本申请实施例提供的意图预测方法的第一种流程示意图。本申请实施例提供的意图预测方法的具体流程可以如下：
步骤101、获取目标时间单元之前的预设时长内的全景数据，生成多个全景数据序列。
本申请实施例中，电子设备采集的全景数据包括但不限于以下数据：终端状态数据、用户状态数据和传感器状态数据。其中，用户状态数据包括电子设备的摄像头间接性地捕获到的用户脸部图像，以及从用户数据库中获取并存储在电子设备中的用户的年龄、性别等用户信息。
终端状态数据包括电子设备所处的运行模式，其中运行模式包括游戏模式、娱乐模式、影音模式等，可以根据当前运行的应用程序的类型确定电子设备所处的运行模式，当前运行的应用程序的类型可以直接从应用程序安装包的分类信息中获得；或者，终端状态数据还可以包括终端的剩余电量、显示模式、网络状态、熄屏/锁屏状态等。
传感器状态数据包括电子设备上的各个传感器采集到的信号，例如，电子设备上包括如下传感器：距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。其中，电子设备按照预设频率采集传感器状态数据。
此外，本申请实施例中，将时间划分为多个连续的时间单元，例如，每1-10分钟作为一个时间单元。其中，目标时间单元为当前时间单元的下一时间单元，即未来的一段时间。本申请的目的在于对目标时间单元的用户意图进行一预测。其中，时间单元的长度可以根据实际需要设置，此处只为举例说明。上述摄像头、麦克风以及各个传感器均是按照一定的采集频率采集数据。假设预设时长为12小时，则生成的全景数据序列即为电子设备在这12小时内采集到的全景数据按照时间顺序构成的序列。
上述每一项终端状态数据、用户状态数据和传感器状态数据都可以作为一种类别的全景数据，采集预设时长内一个类别的全景数据生成一个全景数据序列。例如，光线传感器在预设时长内采集的数据形成一个全景数据序列。其中，全景数据序列的时间单位默认使用系统的时间戳进行记录。此外，可以预先定义需要采集哪些类别的全景数据，以及按照什么频率采集。
此外，需要说明的是，对于上述数据中的非数字形式的全景数据，可以采用建立索引号的方式，将其转换为数字表示。例如，对于电子设备所处的运行模式这一全景数据，使用索引号代表当前的运行模式，比如1是游戏模式，2是娱乐模式，3是影音模式。这样，在获取到电子设备的运行状态后，即可用对应的数字表示。通过这样的方式，保证获取到的多个全景数据序列均为数字序列。
步骤102、根据所述多个全景数据序列和预设的特征提取算法，生成多个全景特征向量。
接下来对获取到的全景数据序列进行特征提取。由于每一类别的全景数据的量纲不相同，为了保证后续的数据分析的准确度，需要将有量纲的数据转换为无量纲的数据。
请参阅图3，图3为本申请实施例提供的意图预测方法的第二种流程示意图。
在一可选的实施例中，步骤102、根据所述多个全景数据序列和预设的特征提取算法，生成多个全景特征向量包括：
步骤1021、对所述多个全景数据序列进行归一化处理；
步骤1022、根据归一化处理后的多个全景数据序列和预设的特征提取算法，生成多个全景特征向量。
例如，可以采用离差标准化或者Z-score标准化方法等归一化处理方法。离差标准化是对原始数据的线性变换，使结果值映射到[0，1]之间。Z-score标准化是根据原始数据的均值和标准差进行数据的标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，处理后的数据映射在[-1，1]之间。进行归一化处理后的多个全景数据序列中的数据均为无量纲数据，接下来根据预设的特征提取算法提取全景数据序列中的特征，作为意图预测的依据。
请参阅图4，图4为本申请实施例提供的意图预测方法的第三种流程示意图。
在一可选的实施例中，步骤1022、根据归一化处理后的多个全景数据序列和预设的特征提取算法，生成多个全景特征向量包括：
步骤10221、分别将归一化处理后的多个全景数据序列输入预先训练好的循环神经网络进行计算；
步骤10222、针对每一全景数据序列，获取所述循环神经网络倒数第二层输出的数据，将所述数据作为该全景数据序列对应的全景特征向量。
该实施例中，采用循环神经网络提取序列数据的特征。循环神经网络是用于对时间序列数据的一种预测模型。该模型经过预先训练，其中训练数据包括输入数据和输出数据，训练数据为采集的过去时间的多个全景数据序列。经过训练的循环神经网络模型可以作为时间序列数据的预测模型，其最后一个输出层输出的为预测结果。此外，在本实施例中，通过人工方式，预先对用户的意图进行类别划分，定义若干类的用户意图。如在聚餐的情境下，用户很有可能会先开启游戏状态，进入游戏对战模式，然后在上菜的时候用户打开摄像头进行美食拍照，在就餐结束后回到游戏模式。在不同的场景下有着不同的用户意图，这些意图类别需要人工预先进行定义。预先创建多个意图类别，例如，会议、点餐、游戏、外出、拍照、修图、支付等等。此外，对于当前或者过去时间来说，用户意图是已知的，即用户在当前或者过去时间启动的应用程序，执行的操作内容都是可以获取到的，这些信息反应用户的意图类别，故，在训练循环神经网络模型时，可以根据预先创建的意图类别为训练数据添加标签。
本实施例中，不使用该模型作为预测模型，而是作为特征提取网络。由于循环神经网络可以很高的效率对序列的非线性特征进行学习，能够非常好的挖掘时间序列数据中的特征。而本实施例中的全景数据均为时间序列数据，因此，这里把循环神经网络模型的倒数第二层输出的数据取出作为全景特征向量。
步骤103、将所述多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵。
假设有100种类别的全景数据，则最终可以获取到100个全景特征向量，可以将其融合为一个100行的全景特征矩阵来表示。
不同的意图所需要的全景数据是不尽相同的，例如，意图1为去坐飞机，那么需要用到的全景数据为加速度、陀螺仪、磁力计的数据，如果意图2为点餐，那么需要用到的全景数据为信息系统运行态信息和光照传感器。因此，不同的意图会使用不同的意图预测模型。
例如，参照图5，图5为本申请实施例中提出的意图预测流程图。通过步骤101和步骤102获取到全景特征，其中，上述全部全景特征向量的综合及为全景特征。假设本实施例中有n种意图类别，则预先训练好n个意图识别模型，每一个意图识别模型用于识别一种意图类别。在获取到多个全景特征向量后，需要将多个全景特征向量与多个意图识别模型匹配，即对于每一个意图识别模型来说，都需要从多个全景特征向量选择需要的一个或者多个全景特征向量，作为输入数据。
可选地，在一实施例中，步骤103、将所述多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵包括：
根据意图预测模型与全景数据的类别之间的映射关系，确定与意图预测模型匹配的全景特征向量；根据确定的全景特征向量，生成各意图预测模型对应的全景特征矩阵。
预先创建意图预测模型与全景数据的类别之间的映射关系。在生成全景数据特征后，根据意图预测模型与全景数据的类别之间的映射关系，为每一个意图预测模型选择匹配的全景特征向量，将选择的多个全景特征向量融合为一个全景特征矩阵，作为输入数据，其中，全景特征矩阵的每一行对应一个全景特征向量。
此外，可以理解的是，若全景特征向量的长度不相等，则可以采用向量叠加的方式，将其调节为相等长度的向量，再将调整长度后的全景特征向量融合为一个全景特征矩阵。
例如，经过特征提取后，得到S1、S2、S3……Sk，共k个全景特征向量。预先设置有n个意图预测模型。假设意图预测模型1对应的全景特征向量为S1、S2和Sk-1，则获取S1、S2和Sk-1这三个全景特征向量，叠加生成与意图预测模型1对应的全景特征矩阵；意图预测模型2对应的全景特征向量为S2、S4和Sk-3，则获取S2、S4和Sk-3这三个全景特征向量，叠加生成与意图预测模型2对应的全景特征矩阵；从上述例子可以看出，同一个全景特征向量可以在多个全景特征矩阵中重复出现。
步骤104、根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在所述目标时间单元的意图。
其中，生成的多个全景特征矩阵与多个意图预测模型一一对应。将全景特征矩阵输入到对应的意图预测模型中进行运算，输出分类结果。其中，每一个意图预测模型均为二分类模型，用于根据输入的全景特征矩阵，判断用户的意图是否为该意图预测模型对应的意图类别。即意图预测模型的输出结果为是或否两种结果中的任意一种，若输出结果为是，则判定用户的未来意图为该意图预测模型对应的意图类别，若输出结果为否，则判定用户的未来意图不是该意图预测模型对应的意图类别。结合多个意图预测模型的预测结果，确定用户在目标时间单元的意图。
具体地，根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在所述目标时间单元的意图的步骤包括：
根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，获取多个意图预测模型的预测结果，其中，多个意图预测模型与多种意图一一对应；根据所述多个意图预测模型的预测结果，确定用户在所述目标时间单元的意图。
请参阅图6，图6为本申请实施例提供的意图预测方法的第四种流程示意图。可选地，在一个实施例中，步骤104、在确定用户在所述目标时间单元的意图的步骤之后，该方法还包括：
步骤105、根据所述意图，确定在所述目标时间单元待开启的应用；
步骤106、在后台启动所述应用，并为所述应用分配系统资源。
对智能移动终端进行资源调度或者资源分配的时候，现有的技术方案使用最多的是黑白名单，例如检测到当前应用为跑分软件，该跑分软件位于白名单内的优先级里，此时系统资源将全部开放给该应用程序，使得该应用程序运行更加流程和舒适。然而基于该黑白名单的方案，存在的问题是：如果出现新的应用，则需要对黑白名单进行修改；又假如白名单的优先级应用程序同时打开，将会导致应用竞争系统资源，终端不确定如何调配系统资源，可能会导致某一应用资源调配不足而卡顿。并且，基于黑白名单的技术方案在终端用户场景众多的情况下，并不能做到个性化，即难以针对不同的用户使用终端的行为习惯和当前所处的环境，进行合理的资源调配。
因此在对终端资源进行调度时，如果能够准确地了解用户的未来意图，将大大提升资源调配服务的智能化和个性化程度。
基于上述步骤101至步骤104的方案，在实现对用户未来一段时间内的意图的准确预测后，根据预测到的意图类别，确定用户将要使用的应用程序，在后台预先启动该应用程序，并优化进程，为该应用程序分配合理的系统资源。接下来在用户开启该应用程序后，可以直接使用，不必等待。例如，通过上述方案预测到用户的未来意图为支付，则在后台启动支付应用，使得用户开启支付应用后可以直接流畅使用，无需等待。
具体实施时，本申请不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。
由上可知，本申请实施例的意图预测方法，通过采集目标时间单元之前的预设时长内全景数据，生成这段时间内的全景数据序列，根据多个全景数据序列和预设的特征提取算法生成多个全景特征向量，将多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵，根据意图预测模型及其对应的全景特征矩阵对用户在目标时间单元的意图进行预测，在本方案中，全景数据中包含有用户所处的情景数据，通过从全景数据序列中提取的特征向量，来表征用户当前时间及过去一段时间所处的情景状态的变化情况，进而根据这些特征来预测用户在未来一段时间，即目标时间单元内的意图，提高了对用户未来意图的预测准确度。
在一实施例中还提供了一种意图预测装置。请参阅图7，图7为本申请实施例提供的意图预测装置400的结构示意图。其中该意图预测装置400应用于电子设备，该意图预测装置400包括数据获取模块401、特征提取模块402、矩阵生成模块403以及意图预测模块404，如下：
数据获取模块401，用于获取目标时间单元之前的预设时长内的全景数据，生成多个全景数据序列。
本申请实施例中，电子设备采集的全景数据包括但不限于以下数据：终端状态数据、用户状态数据和传感器状态数据。其中，用户状态数据包括电子设备的摄像头间接性地捕获到的用户脸部图像，以及从用户数据库中获取并存储在电子设备中的用户的年龄、性别等用户信息。
终端状态数据包括电子设备所处的运行模式，其中运行模式包括游戏模式、娱乐模式、影音模式等，可以根据当前运行的应用程序的类型确定电子设备所处的运行模式，当前运行的应用程序的类型可以直接从应用程序安装包的分类信息中获得；或者，终端状态数据还可以包括终端的剩余电量、显示模式、网络状态、熄屏/锁屏状态等。
传感器状态数据包括电子设备上的各个传感器采集到的信号，例如，电子设备上包括如下传感器：距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。按照预设频率采集传感器状态数据。
此外，本申请实施例中，将时间划分为多个连续的时间单元，例如，每1-10分钟作为一个时间单元。其中，目标时间单元为当前时间单元的下一时间单元，即未来的一段时间。本申请的目的在于对目标时间单元的用户意图进行一预测。其中，时间单元的长度可以根据实际需要设置，此处只为举例说明。上述摄像头、麦克风以及各个传感器均是按照一定的采集频率采集数据。假设预设时长为12小时，则数据获取模块401生成的全景数据序列即为电子设备在这12小时内采集到的全景数据按照时间顺序构成的序列。
上述每一项终端状态数据、用户状态数据和传感器状态数据都可以作为一种类别的全景数据，数据获取模块401采集预设时长内一个类别的全景数据生成一个全景数据序列。例如，光线传感器在预设时长内采集的数据形成一个全景数据序列。其中，全景数据序列的时间单位默认使用系统的时间戳进行记录。此外，可以预先定义需要采集哪些类别的全景数据，以及按照什么频率采集。
此外，需要说明的是，对于上述数据中的非数字形式的全景数据，可以采用建立索引号的方式，将其转换为数字表示。例如，对于电子设备所处的运行模式这一全景数据，使用索引号代表当前的运行模式，比如1是游戏模式，2是娱乐模式，3是影音模式。这样，在获取到电子设备的运行状态后，即可用对应的数字表示。通过这样的方式，保证获取到的多个全景数据序列均为数字序列。
特征提取模块402，用于根据所述多个全景数据序列和预设的特征提取算法，生成多个全景特征向量。
接下来通过特征提取模块402对获取到的全景数据序列进行特征提取。由于每一类别的全景数据的量纲不相同，为了保证后续的数据分析的准确度，需要将有量纲的数据转换为无量纲的数据。具体地，在一可选的实施例中，特征提取模块402还用于：对所述多个全景数据序列进行归一化处理；根据归一化处理后的多个全景数据序列和预设的特征提取算法，生成多个全景特征向量。
例如，可以采用离差标准化或者Z-score标准化方法等归一化处理方法。离差标准化是对原始数据的线性变换，使结果值映射到[0，1]之间。Z-score标准化是根据原始数据的均值和标准差进行数据的标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，处理后的数据映射在[-1，1]之间。进行归一化处理后的多个全景数据序列中的数据均为无量纲数据，接下来特征提取模块402根据预设的特征提取算法提取全景数据序列中的特征，作为意图预测的依据。
可选地，在一实施例中，特征提取模块402还用于：分别将归一化处理后的多个全景数据序列输入预先训练好的循环神经网络进行计算；针对每一全景数据序列，获取所述循环神经网络倒数第二层输出的数据，将所述数据作为该全景数据序列对应的全景特征向量。
该实施例中，特征提取模块402采用循环神经网络提取序列数据的特征。循环神经网络是用于对时间序列数据的一种预测模型。该模型经过预先训练，其中训练数据包括输入数据和输出数据，训练数据为采集的过去时间的多个全景数据序列。经过训练的循环神经网络模型可以作为时间序列数据的预测模型，其最后一个输出层输出的为预测结果。此外，在本实施例中，通过人工方式，预先对用户的意图进行类别划分，定义若干类的用户意图。如在聚餐的情境下，用户很有可能会先开启游戏状态，进入游戏对战模式，然后在上菜的时候用户打开摄像头进行美食拍照，在就餐结束后回到游戏模式。在不同的场景下有着不同的用户意图，这些意图类别需要人工预先进行定义。预先创建多个意图类别，例如，会议、点餐、游戏、外出、拍照、修图、支付等等。此外，对于当前或者过去时间来说，用户意图是已知的，即用户在当前或者过去时间启动的应用程序，执行的操作内容都是可以获取到的，这些信息反应用户的意图类别，故，在训练循环神经网络模型时，可以根据预先创建的意图类别为训练数据添加标签。
本实施例中，不使用该模型作为预测模型，而是作为特征提取网络。由于循环神经网络可以很高的效率对序列的非线性特征进行学习，能够非常好的挖掘时间序列数据中的特征。而本实施例中的全景数据均为时间序列数据，因此，特征提取模块402把循环神经网络模型的倒数第二层输出的数据取出作为全景特征向量。
矩阵生成模块403，用于将所述多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵。
假设有100种类别的全景数据，则最终可以获取到100个全景特征向量，可以将其融合为一个100行的全景特征矩阵来表示。
不同的意图所需要的全景数据是不尽相同的，例如，意图1为去坐飞机，那么需要用到的全景数据为加速度、陀螺仪、磁力计的数据，如果意图2为点餐，那么需要用到的全景数据为信息系统运行态信息和光照传感器。因此，不同的意图会使用不同的意图预测模型。
例如，参照图4所示，假设本实施例中有n种意图类别，则预先训练好n个意图识别模型，每一个意图识别模型用于识别一种意图类别。在获取到多个全景特征向量后，需要将多个全景特征向量与多个意图识别模型匹配，即对于每一个意图识别模型来说，都需要从多个全景特征向量选择需要的一个或者多个全景特征向量，作为输入数据。
可选地，在一实施例中，矩阵生成模块403还用于：根据意图预测模型与全景数据的类别之间的映射关系，确定与意图预测模型匹配的全景特征向量；根据确定的全景特征向量，生成各意图预测模型对应的全景特征矩阵。
预先创建意图预测模型与全景数据的类别之间的映射关系。在生成全景数据特征后，矩阵生成模块403根据意图预测模型与全景数据的类别之间的映射关系，为每一个意图预测模型选择匹配的全景特征向量，将选择的多个全景特征向量融合为一个全景特征矩阵，作为输入数据，其中，全景特征矩阵的每一行对应一个全景特征向量。
此外，可以理解的是，若全景特征向量的长度不相等，则可以采用向量叠加的方式，将其调节为相等长度的向量，再将调整长度后的全景特征向量融合为一个全景特征矩阵。
例如，经过特征提取后，得到S1、S2、S3……Sk，共k个全景特征向量。预先设置有n个意图预测模型。假设意图预测模型1对应的全景特征向量为S1、S2和Sk-1，则获取S1、S2和Sk-1这三个全景特征向量，叠加生成与意图预测模型1对应的全景特征矩阵；意图预测模型2对应的全景特征向量为S2、S4和Sk-3，则获取S2、S4和Sk-3这三个全景特征向量，叠加生成与意图预测模型2对应的全景特征矩阵；从上述例子可以看出，同一个全景特征向量可以在多个全景特征矩阵中重复出现。
意图预测模块404，用于根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在所述目标时间单元的意图。
其中，生成的多个全景特征矩阵与多个意图预测模型一一对应。将全景特征矩阵输入到对应的意图预测模型中进行运算，输出分类结果。其中，每一个意图预测模型均为二分类模型，用于根据输入的全景特征矩阵，判断用户的意图是否为该意图预测模型对应的意图类别。即意图预测模型的输出结果为是或者否两种结果中的任意一种，若输出结果为是，则判定用户的未来意图为该意图预测模型对应的意图类别，若输出结果为否，则判定用户的未来意图不是该意图预测模型对应的意图类别。意图预测模块404结合多个意图预测模型的预测结果，确定用户在目标时间单元的意图。
具体地，意图预测模块404还用于：根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，获取多个意图预测模型的预测结果，其中，多个意图预测模型与多种意图一一对应；根据所述多个意图预测模型的预测结果，确定用户在所述目标时间单元的意图。
可选地，在一个实施例中，该意图预测装置400还包括：
资源调度模块，用于根据所述意图，确定在所述目标时间单元待开启的应用；在后台启动所述应用，并为所述应用分配系统资源。
对智能移动终端进行资源调度或者资源分配的时候，现有的技术方案使用最多的是黑白名单，例如检测到当前应用为跑分软件，该跑分软件位于白名单内的优先级里，此时系统资源将全部开放给该应用程序，使得该应用程序运行更加流程和舒适。然而基于该黑白名单的方案，存在的问题是：如果出现新的应用，则需要对黑白名单进行修改；又假如白名单的优先级应用程序同时打开，将会导致应用竞争系统资源，终端不确定如何调配系统资源，可能会导致某一应用资源调配不足而卡顿。并且，基于黑白名单的技术方案在终端用户场景众多的情况下，并不能做到个性化，即难以针对不同的用户使用终端的行为习惯和当前所处的环境，进行合理的资源调配。
因此在对终端资源进行调度时，如果能够准确地了解用户的未来意图，将大大提升资源调配服务的智能化和个性化程度。
基于上述方案，在实现对用户未来一段时间内的意图的准确预测后，资源调度模块根据预测到的意图类别，确定用户将要使用的应用程序，在后台预先启动该应用程序，并优化进程，为该应用程序分配合理的系统资源。接下来在用户开启该应用程序后，可以直接使用，不必等待。例如，通过上述方案预测到用户的未来意图为支付，则在后台启动支付应用，使得用户开启支付应用后可以直接流畅使用，无需等待。
由上可知，本申请实施例的意图预测装置，通过采集目标时间单元之前的预设时长内全景数据，生成这段时间内的全景数据序列，根据多个全景数据序列和预设的特征提取算法生成多个全景特征向量，将多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵，根据意图预测模型及其对应的全景特征矩阵对用户在目标时间单元的意图进行预测，在本方案中，全景数据中包含有用户所处的情景数据，通过从全景数据序列中提取的特征向量，来表征用户当前时间及过去一段时间所处的情景状态的变化情况，进而根据这些特征来预测用户在未来一段时间，即目标时间单元内的意图，提高了对用户未来意图的预测准确度。
本申请实施例还提供一种电子设备。所述电子设备可以是智能手机、平板电脑等设备。如图8所示，图8为本申请实施例提供的电子设备的第一种结构示意图。电子设备300包括处理器301和存储器302。其中，处理器301与存储器302电性连接。
处理器301是电子设备300的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器302内的计算机程序，以及调用存储在存储器302内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备300中的处理器301会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中，并由处理器301来运行存储在存储器302中的计算机程序，从而实现各种功能：
获取目标时间单元之前的预设时长内的全景数据，生成多个全景数据序列；
根据所述多个全景数据序列和预设的特征提取算法，生成多个全景特征向量；
将所述多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵；
根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在所述目标时间单元的意图。
在一些实施例中，根据所述多个全景数据序列和预设的特征提取算法，生成多个全景特征向量时，处理器301执行如下步骤：
对所述多个全景数据序列进行归一化处理；
根据归一化处理后的多个全景数据序列和预设的特征提取算法，生成多个全景特征向量。
在一些实施例中，根据归一化处理后的多个全景数据序列和预设的特征提取算法，生成多个全景特征向量时，处理器301执行如下步骤：
分别将归一化处理后的多个全景数据序列输入预先训练好的循环神经网络进行计算；
针对每一全景数据序列，获取所述循环神经网络倒数第二层输出的数据，将所述数据作为该全景数据序列对应的全景特征向量。
在一些实施例中，全景数据包括多个类别，全景特征向量与全景数据的类别一一对应，将所述全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵时，处理器301执行如下步骤：
根据意图预测模型与全景数据的类别之间的映射关系，确定与意图预测模型匹配的全景特征向量；
根据确定的全景特征向量，生成各意图预测模型对应的全景特征矩阵。
在一些实施例中，根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在所述目标时间单元的意图时，处理器301执行如下步骤：
根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，获取多个意图预测模型的预测结果；
根据所述多个意图预测模型的预测结果，确定用户在所述目标时间单元的意图。
在一些实施例中，根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，获取多个意图预测模型的预测结果时，处理器301执行如下步骤：
根据所述多个卷积神经网络模型和匹配的全景特征矩阵对用户进行意图预测，获取多个卷积神经网络模型的预测结果。
在一些实施例中，确定用户在所述目标时间单元的意图的步骤之后，处理器301执行如下步骤：
根据所述意图，确定在所述目标时间单元待开启的应用；
在后台启动所述应用，并为所述应用分配系统资源。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序，从而执行各种功能应用以及数据处理。
在一些实施例中，如图9所示，图9为本申请实施例提供的电子设备的第二种结构示意图。电子设备300还包括：射频电路303、显示屏304、控制电路305、输入单元306、音频电路307、传感器308以及电源309。其中，处理器301分别与射频电路303、显示屏304、控制电路305、输入单元306、音频电路307、传感器308以及电源309电性连接。
射频电路303用于收发射频信号，以通过无线通信与网络设备或其他电子设备进行通信。
显示屏304可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路305与显示屏304电性连接，用于控制显示屏304显示信息。
输入单元306可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元306可以包括指纹识别模组。
音频电路307可通过扬声器、传声器提供用户与电子设备之间的音频接口。其中，音频电路307包括麦克风。所述麦克风与所述处理器301电性连接。所述麦克风用于接收用户输入的语音信息。
传感器308用于采集外部环境信息。传感器308可以包括环境亮度传感器、加速度传感器、陀螺仪等传感器中的一种或多种。
电源309用于给电子设备300的各个部件供电。在一些实施例中，电源309可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图9中未示出，电子设备300还可以包括摄像头、蓝牙模块等，在此不再赘述。
由上可知，本申请实施例提供了一种电子设备，所述电子设备可以获取目标时间单元之前的预设时长内的全景数据，生成多个全景数据序列；根据多个全景数据序列和预设的特征提取算法生成多个全景特征向量，将多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵，根据多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在目标时间单元的意图。在本方案中，从电子设备采集到的全景数据中可以获知用户所处的情景状态，通过从全景数据序列中提取的特征向量，来表征用户当前时间及过去一段时间所处的情景状态的变化情况，进而根据这些特征来预测用户在未来一段时间，即目标时间单元内的意图，提高了对用户未来意图的预测准确度。
本申请实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，所述计算机执行上述任一实施例所述的意图预测方法。
需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成，所述计算机程序可以存储于计算机可读存储介质中，所述存储介质可以包括但不限于：只读存储器(ROM，Read OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的意图预测方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (6)

1.一种意图预测方法，其特征在于，包括：
获取目标时间单元之前的预设时长内的全景数据，生成多个全景数据序列，所述全景数据包括终端状态数据、用户状态数据和传感器状态数据，其中，所述终端状态数据包括电子设备所处的运行模式，所述用户状态数据包括用户脸部图像和用户信息，所述传感器状态数据是指所述电子设备的传感器采集的数据；
根据所述多个全景数据序列和预设的特征提取算法，生成多个全景特征向量，包括：对所述多个全景数据序列进行归一化处理；分别将归一化处理后的多个全景数据序列输入预先训练好的循环神经网络进行计算；针对每一全景数据序列，获取所述循环神经网络倒数第二层输出的数据，将所述数据作为该全景数据序列对应的全景特征向量；
将所述多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵，包括：根据意图预测模型与全景数据的类别之间的映射关系，确定每一意图预测模型匹配的全景特征向量；对于每一意图预测模型，将所述意图预测模型匹配的全景特征向量构成为一个全景特征矩阵；
根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在所述目标时间单元的意图，包括：根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，获取多个意图预测模型的预测结果，其中，多个意图预测模型与多种意图一一对应；根据所述多个意图预测模型的预测结果，确定用户在所述目标时间单元的意图。
2.如权利要求1所述的意图预测方法，其特征在于，根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，获取多个意图预测模型的预测结果，包括：
根据多个卷积神经网络模型和匹配的全景特征矩阵对用户进行意图预测，获取多个卷积神经网络模型的预测结果。
3.如权利要求1至2任一项所述的意图预测方法，其特征在于，确定用户在所述目标时间单元的意图之后，还包括：
根据所述意图，确定在所述目标时间单元待开启的应用；
在后台启动所述应用，并为所述应用分配系统资源。
4.一种意图预测装置，其特征在于，包括：
数据获取模块，用于获取目标时间单元之前的预设时长内的全景数据，生成多个全景数据序列，所述全景数据包括终端状态数据、用户状态数据和传感器状态数据；
特征提取模块，用于根据所述多个全景数据序列和预设的特征提取算法，生成多个全景特征向量，包括：对所述多个全景数据序列进行归一化处理；分别将归一化处理后的多个全景数据序列输入预先训练好的循环神经网络进行计算；针对每一全景数据序列，获取所述循环神经网络倒数第二层输出的数据，将所述数据作为该全景数据序列对应的全景特征向量；
矩阵生成模块，用于将所述多个全景特征向量与多个意图预测模型进行匹配，生成各意图预测模型对应的全景特征矩阵，包括：根据意图预测模型与全景数据的类别之间的映射关系，确定每一意图预测模型匹配的全景特征向量；对于每一意图预测模型，将所述意图预测模型匹配的全景特征向量构成为一个全景特征矩阵；
意图预测模块，用于根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，确定用户在所述目标时间单元的意图，包括：根据所述多个意图预测模型和匹配的全景特征矩阵对用户进行意图预测，获取多个意图预测模型的预测结果，其中，多个意图预测模型与多种意图一一对应；根据所述多个意图预测模型的预测结果，确定用户在所述目标时间单元的意图。
5.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至3任一项所述的意图预测方法。
6.一种电子设备，包括处理器和存储器，所述存储器存储有计算机程序，其特征在于，所述处理器通过调用所述计算机程序，用于执行如权利要求1至3任一项所述的意图预测方法。
CN201910282437.1A 2019-04-09 2019-04-09 意图预测方法、装置、存储介质及电子设备 Active CN111798019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910282437.1A CN111798019B (zh) 2019-04-09 2019-04-09 意图预测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910282437.1A CN111798019B (zh) 2019-04-09 2019-04-09 意图预测方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN111798019A CN111798019A (zh) 2020-10-20
CN111798019B true CN111798019B (zh) 2023-03-24

Family

ID=72805335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910282437.1A Active CN111798019B (zh) 2019-04-09 2019-04-09 意图预测方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN111798019B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032466A (zh) * 2021-03-01 2021-06-25 国网浙江省电力有限公司临海市供电公司 一种用电数据监控方法及系统
CN113298321B (zh) * 2021-06-22 2022-03-11 深圳市查策网络信息技术有限公司 一种基于多数据融合的用户意图预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993085A (zh) * 2017-10-19 2018-05-04 阿里巴巴集团控股有限公司 模型训练方法、基于模型的用户行为预测方法及装置
CN108595227A (zh) * 2018-05-10 2018-09-28 Oppo广东移动通信有限公司 应用程序预加载方法、装置、存储介质及移动终端
CN109117874A (zh) * 2018-07-25 2019-01-01 北京小米移动软件有限公司 操作行为预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2761391A1 (en) * 2009-05-08 2010-11-11 Zokem Oy System and method for behavioural and contextual data analytics

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993085A (zh) * 2017-10-19 2018-05-04 阿里巴巴集团控股有限公司 模型训练方法、基于模型的用户行为预测方法及装置
CN108595227A (zh) * 2018-05-10 2018-09-28 Oppo广东移动通信有限公司 应用程序预加载方法、装置、存储介质及移动终端
CN109117874A (zh) * 2018-07-25 2019-01-01 北京小米移动软件有限公司 操作行为预测方法及装置

Also Published As

Publication number Publication date
CN111798019A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111797854B (zh) 场景模型建立方法、装置、存储介质及电子设备
CN111797288A (zh) 数据筛选方法、装置、存储介质及电子设备
CN111797302A (zh) 模型处理方法、装置、存储介质及电子设备
CN111797851A (zh) 特征提取方法、装置、存储介质及电子设备
CN111798259A (zh) 应用推荐方法、装置、存储介质及电子设备
CN111798019B (zh) 意图预测方法、装置、存储介质及电子设备
CN111800445B (zh) 消息推送方法、装置、存储介质及电子设备
CN111797148A (zh) 数据处理方法、装置、存储介质及电子设备
CN111796926A (zh) 指令执行方法、装置、存储介质及电子设备
CN111796925A (zh) 算法模型的筛选方法、装置、存储介质和电子设备
CN111798367A (zh) 图像处理方法、装置、存储介质及电子设备
CN111797873A (zh) 场景识别方法、装置、存储介质及电子设备
CN111797856B (zh) 建模方法、装置、存储介质及电子设备
CN111797874B (zh) 行为预测方法、装置、存储介质及电子设备
CN111816211B (zh) 情绪识别方法、装置、存储介质及电子设备
CN111797849A (zh) 用户活动识别方法、装置、存储介质及电子设备
CN111797867A (zh) 系统资源优化方法、装置、存储介质及电子设备
CN111797860B (zh) 特征提取方法、装置、存储介质及电子设备
CN111800538B (zh) 信息处理方法、装置、存储介质及终端
CN111796663A (zh) 场景识别模型更新方法、装置、存储介质及电子设备
CN111797863A (zh) 模型训练方法、数据处理方法、装置、存储介质及设备
CN111797869A (zh) 模型训练方法、装置、存储介质及电子设备
CN111796924A (zh) 服务处理方法、装置、存储介质及电子设备
CN111796916A (zh) 数据分发方法、装置、存储介质及服务器
CN111797127A (zh) 时序数据分割方法、装置、存储介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant