CN107357833B - 数据处理方法及相关产品 - Google Patents
数据处理方法及相关产品 Download PDFInfo
- Publication number
- CN107357833B CN107357833B CN201710476773.0A CN201710476773A CN107357833B CN 107357833 B CN107357833 B CN 107357833B CN 201710476773 A CN201710476773 A CN 201710476773A CN 107357833 B CN107357833 B CN 107357833B
- Authority
- CN
- China
- Prior art keywords
- user habit
- habit data
- data
- processor
- controlling
- 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.)
- Expired - Fee Related
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 description 38
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Telephone Function (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例公开了一种数据处理方法及相关产品，其中，移动终端包括通用处理器，所述通用处理器用于执行如下步骤：获取第一用户习惯数据；将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值；在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；根据所述正常用户习惯数据对所述标准用户习惯数据进行更新。本发明实施例可获取用户习惯数据，并在用户习惯数据不在预测范围时，对用户习惯数据进行更新，如此，可及时更新用户习惯数据，提高了移动终端的智能性。
Description
技术领域
本发明涉及移动终端以及人工智能技术领域，具体涉及一种数据处理方法及相关产品。
背景技术
随着移动终端(手机、平板电脑等)的大量普及应用，移动终端能够支持的应用越来越多，功能越来越强大，移动终端向着多样化、个性化的方向发展，成为用户生活中不可缺少的电子用品。越来越多的研究表明，软件如何运行以及用户如何使用移动终端，是决定系统能耗和效率的关键要素。
目前，人工智能成为未来移动终端的发展趋势，但是，如何提高移动终端的智能性依旧尚未解决。
发明内容
本发明实施例提供了一种数据处理方法及相关产品，可以提高移动终端的智能性。
第一方面，本发明实施例提供一种移动终端，包括通用处理器，所述通用处理器用于执行如下步骤：
获取第一用户习惯数据；
将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值；
在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；
根据所述正常用户习惯数据对所述标准用户习惯数据进行更新。
第二方面，本发明实施例提供了一种数据处理方法，应用于包括通用处理器的移动终端，包括：
控制所述通用处理器获取第一用户习惯数据；
控制所述通用处理器将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值；
控制所述通用处理器在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；
控制所述通用处理器根据所述正常用户习惯数据对所述标准用户习惯数据进行更新。
第三方面，本发明实施例提供了一种移动终端，通用处理器和存储器；以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置成由所述通用处理器执行，所述程序包括用于执行以下步骤的指令：
控制所述通用处理器获取第一用户习惯数据；
控制所述通用处理器将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值；
控制所述通用处理器在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；
控制所述通用处理器根据所述正常用户习惯数据对所述标准用户习惯数据进行更新。
第四方面，本发明实施例提供了一种数据处理装置，该装置具有实现上述方法设计中移动终端的行为的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
第五方面，本发明实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如本发明实施例第二方面中所描述的部分或全部步骤。
第六方面，本发明实施例提供了一种计算机程序产品，其中，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本发明实施例第二方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本发明实施例，具有如下有益效果：
可以看出，本发明实施例中，移动终端的通用处理器获取第一用户习惯数据，将第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值，在相似值小于第一预设阈值时，从第一用户习惯数据中提取出正常用户习惯数据，根据正常用户习惯数据对标准用户习惯数据进行更新，从而，可获取用户习惯数据，并在用户习惯数据不在预测范围时，对用户习惯数据进行更新，如此，可及时更新用户习惯数据，提高了移动终端的智能性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，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1A是本发明实施例提供的一种移动终端的结构示意图；
图1B是本发明实施例提供的另一种移动终端的结构示意图；
图1C是本发明实施例公开的另一种移动终端的结构示意图；
图2是本发明实施例公开的一种数据处理方法的流程示意图；
图3是本发明实施例公开的另一种数据处理方法的流程示意图；
图4是本发明实施例公开的另一种移动终端的结构示意图；
图5a是本发明实施例公开的一种数据处理装置的结构示意图；
图5b是本发明实施例公开的另一种数据处理装置的结构示意图；
图6是本发明实施例公开的另一种移动终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
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发明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。
本发明实施例所涉及到的移动终端可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(User Equipment，UE)，移动台(Mobile Station，MS)，终端设备(terminaldevice)等等。为方便描述，上面提到的设备统称为移动终端。下面对本发明实施例进行详细介绍。
可选地，本发明实施例中的通用处理器可为应用处理器，或者，通用处理器包含应用处理器和人工智能模块(Artificial Intelligence，AI)，其中，AI模块集成或独立于应用处理器。具体地，本发明实施例中的移动终端可安装有人工AI模块，该AI模块可单独于应用处理器安装在移动终端中，例如，应用处理器调用AI模块实现人工智能，当然，也可以与应用处理器集成在一起，这时候，应用处理器就相当于AI模块。该AI模块可为量子芯片，或者，高密度硅集成电路，AI模块中可存储有机器学习算法，用于对用户使用习惯进行训练，以及对用户使用习惯进行深度学习，从而，通过AI模块达到对移动终端进行智能化控制的目的。
可选地，AI模块的具体形式可以是硬件和/或软件，AI模块包括硬件形态时，应用处理器和AI模块可以是集成设置，也可以是分离设置，此处不做限定。在AI模块集成与所述应用处理器集成设置时，若应用处理器为单核处理器，则AI模块可以是应用处理器中的智能微处理电路，若应用处理器为多核处理器，则AI模块可以是多核处理器中的单个智能微处理器内核或者某一个微处理器内核中的智能微处理电路。
可选地，在AI模块集成与所述应用处理器分离设置时，AI模块可以是应用处理器平台架构中除所述应用处理器之外的任意一个协处理器(如基带处理器、DSP以及电源管理芯片等)中的智能未处理电路，或者，可以是应用处理器平台架构中除所述应用处理器之外的一个新设置的智能微处理器，或者，可以是新设置的独立于所述应用处理器平台的智能处理平台，且该智能处理平台至少包括一个专用智能处理器，该智能处理平台与应用处理器平台通信连接，可选的，智能处理平台还可以与存储器、外设等直连通信连接。
请参阅图1A，图1A是本发明实施例提供了一种移动终端100的结构示意图，所述移动终端100包括：通用处理器110和存储器120，所述通用处理器110通过总线150连接所述存储器120，所述存储器120用于存储用户习惯数据，其中，
通用处理器110用于执行如下步骤101-步骤104，如图2所示，具体如下：
101、获取第一用户习惯数据；
其中，可从存储器120中获取第一用户习惯数据。第一用户习惯数据为预设时间段的用户习惯数据，预设时间段可由用户自行设置，或者，系统默认，例如，最近的一周，最近的24小时，最近的1个小时，等等。
可选地，第一用户习惯数据可为针对预设应用的用户习惯数据，预设应用可为：游戏应用(例如，魔兽)、视频应用(例如，优酷)、即时通讯应用(例如，微信)、支付应用(例如，支付宝)等等。
可选地，第一用户习惯数据还可以为用户使用移动终端过程的用户习惯数据，即不仅限于应用，针对所有应用的用户习惯数据。
可选地，第一用户习惯数据可来自于用户的使用记录，用户每次操作移动终端的时候，均可生成一条相应的使用记录，当然，第一用户习惯数据可包含大量的使用记录。
可选地，在执行步骤101之前，通用处理器110还可用于执行如下步骤：获取用户输入的身份验证信息，并对该身份验证信息进行比对，在该身份验证信息比对成功时，执行所述步骤101。需要说明的是，身份验证信息可为以下至少一种：人脸信息、虹膜信息、指纹信息、声纹信息、静脉信息、脑电波和字符串。如此，可避免误操作时，也对用户习惯数据进行更新。上述获取用户输入的身份验证信息可在使用与用户习惯有关的操作时获取的。例如，用户播放音乐的时候，当用户触摸到触摸屏，可由触摸屏采集用户的指纹信息。
可选地，上述步骤101中，获取第一用户习惯数据，可按照如下方式实施：每隔预设时间间隔获取第一用户习惯数据，该预设时间间隔可由用户自行设置或者系统默认。如此，可实现对移动终端的用户习惯数据进行周期性更新。
102、将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值；
其中，预先存储的标准用户习惯数据可在执行上述步骤101之前设置，该标准用户习惯数据可由移动终端根据用户在一段时间内的针对至少一个应用的使用习惯(使用记录(例如，开机、发信息等等))训练而成。可将第一用户习惯数据与标准用户习惯数据进行比对，以得到该两者之间的相似值。
103、在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；
其中，上述第一预设阈值可由用户自行设置，或者，系统默认。在相似值小于第一预设阈值，则说明用户的习惯已经改变了，需要对标准用户习惯数据，以更好地适应用户，如此，可实现人工智能。第一用户习惯数据中可能包含误操作数据，或者，也可能包含正常用户习惯数据。例如，用户习惯也会随着环境变化而改变，不同的环境会有不同的用户习惯数据，用户在冬天使用移动终端和夏天使用移动终端，习惯上也会存在着差异。
举例说明下，通常情况下，用户习惯数据是个范围值，例如，用户习惯在7点-8点之间播放音乐，那么，用户的习惯的数据会集中在7点半左右，或者，均匀分布在7点-8点之间，当然，一段时间，用户基本上7点55左右播放音乐，则说明用户的习惯已经改变，如此，若是这种情况下，则可能有的播放音乐的时刻超过8点，这部分数据就属于异常数据，则需要剔除掉，当然，对于7点-8点之间的数据分布情况已经改变，则此时，就需要调整用户习惯数据。从而，可实现用户习惯随着用户的习性而适应性改变，更加符合用户需求。
104、根据所述正常用户习惯数据对所述标准用户习惯数据进行更新。
其中，可选择正常用户习惯数据对标准用户习惯数据进行更新，如此，调整后的用户习惯数据会更加符合当前用户的需求，如此，实现对用户习惯进行深度学习。
在一个可能的示例中，在所述将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对方面，所述通用处理器110具体用于：
A1、对所述第一用户习惯数据进行特征提取，得到P个参数，所述P为大于1的整数；
A2、从所述标准用户习惯数据中获取与所述第一用户习惯数据的生成时刻对应的目标标准用户习惯数据；
A3、对所述目标标准用户习惯数据进行特征提取，得到Q个参数；根据所述Q个参数与所述P个参数确定所述相似值。
其中，由上述可知，第一用户习惯数据来自于使用记录，因而，可对第一用户习惯数据进行特征提取，即，对用户的使用记录进行特征提取，可得到P个参数，该参数可为以下至少一种：时间、地点、应用标识、响应时延、误操作概率等等，时间为使用记录的发生时间，地点为使用记录的发生地点，应用标识为使用记录对应的应用，响应时延为使用记录对应的操作指令产生后，系统响应的延迟时间、是否误操作可为系统对操作进行识别，为误操作的概率。由上可知标准用户习惯数据为一个时间轴对应的用户习惯数据(即包含以往的用户习惯、也包含当前，甚至预估的以后的用户习惯)，因而，可从标准用户习惯数据中获取与第一用户习惯数据的生成时刻对应的目标标准用户习惯数据，进而，可进一步对该目标标准用户习惯数据进行特征提取，得到Q个参数，Q为大于或等于P正整数，于是，可将P个参数与Q个参数进行比对，可计算两者之间的方差或者协方差，将其当作第一用户习惯数据与标准用户习惯数据之间的相似值。
在一个可能的示例中，所述第一用户习惯数据中包含M个数据记录，所述M为大于1的整数；在所述从所述第一用户习惯数据中提取出正常用户习惯数据方面，所述通用处理器110具体用于：
B1、对所述M个数据记录进行分析，得到所述M组参数集；
B2、对所述M组参数集进行去误操作，得到N组参数集；
B3、采用预设负样本分类器对所述N组参数集进行训练，得到K组参数集，所述K为正整数，并将所述K组参数集对应的数据记录作为所述正常用户习惯数据。
其中，上述预设负样本分类器可根据用户以往的用户习惯得到，当然，正确的用户习惯数据得到正样本分类器，异常的用户习惯数据得到负样本分类器。具体地，可对M个数据记录进行分析，主要是分析出其对应的时间、地点、应用标识、响应时延、误操作概率等等，时间为使用记录的发生时间，地点为使用记录的发生地点，应用标识为使用记录对应的应用，响应时延为使用记录对应的操作指令产生后，系统响应的延迟时间、是否误操作可为系统对操作进行识别，为误操作的概率，进而，可得到M组参数集，每一数据记录对应一组参数集，可对M组参数集进行去误操作，即去掉误操作对应的数据记录，得到N组参数集，进而，可采用预设负样本分类器对N组参数集进行训练，目的在于，筛选出不符合负样本要求的数据，得到K组参数集，进而，可将K组参数集对应的数据记录作为正常用户习惯数据。
在一个可能的示例中，在所述根据所述正常用户习惯数据对所述标准用户习惯数据进行更新方面，所述通用处理器110具体用于：
C1、对所述正常用户习惯数据进行特征提取，得到第一特征集；
C2、对所述正常用户习惯数据对应的标准用户习惯数据进行特征提取，得到第二特征集；
C3、根据所述第一特征集和所述第二特征集确定所述第二特征集对应的调整参数集；
C4、根据所述调整参数集对预设的正样本分类器对应的控制参数进行调整；
C5、通过调整后的所述预设的正样本分类器对所述标准用户习惯数据进行调整。
其中，可对正常用户习惯数据进行特征提取，得到第一特征集，并对该正常用户习惯数据对应的标准用户习惯数据进行特征提取，得到第二特征集，根据该第一特征集和第二特征集可得到需要调整第二特征集的调整参数集，进而，根据该调整参数集对预设的正样本分类器对应的控制参数进行调整，并根据该调整后的预设的正样本分类器对所述标准用户习惯数据进行调整，即可得到调整后的标准用户习惯数据。上述预设的正样本分类器可根据用户以往的用户习惯得到，每一正样本分类器均对应一些控制参数，用于调节分类器的调节力度。如此，可实现对标准用户习惯数据进行调节，从而，更加适应用户习惯的变化，以方便用户，移动终端也具备深度学习的能力。上述特征提取后，得到的特征集中的特征可为以下至少一种：时间、地点、应用标识、响应时延、误操作概率等等，时间为使用记录的发生时间，地点为使用记录的发生地点，应用标识为使用记录对应的应用，响应时延为使用记录对应的操作指令产生后，系统响应的延迟时间、是否误操作可为系统对操作进行识别，为误操作的概率。
需要说明的是，上述预设的正样本分类器或者预设的负样本分类器可为以下至少一种分类器：神经网络分类器，遗传算法分类器、支持向量机(Support Vector Machine，SVM)分类器、级联型分类器(例如，神经网络+SVM)等等。
在一个可能的示例中，所述通用处理器110还具体用于：
统计异常事件的发生次数；在所述发生次数大于第二预设阈值时，执行所述获取第一用户习惯数据的步骤。
其中，上述异常事件可为超过正常范围的事件，例如，用户在7点～8点播放音乐，允许播放音乐的范围为6点45分～8点15分，若在8点30播放音乐，则可认为是异常事件，另外，上述第二预设阈值可由用户自行设置或者系统默认。因而，可对异常事件的发生次数进行统计，在其超过第二预设阈值时，则可执行上述步骤101。
在一个可能的示例中，请参阅图1B，图1B为图1A所描述的移动终端的一种变型结构，其中，图1A中所描述的通用处理器110可包含应用处理器140和AI模块130，应用处理器140和AI模块130独立设置。其中，AI模块130用于执行上述任一实施例所描述的至少一个步骤，或者，应用处理器140调用AI模块130执行上述任一实施例所描述的至少一个步骤。
在一个可能的示例中，请参阅图1C，图1C为图1A所描述的移动终端的一种变型结构，其中，图1A中所描述的通用处理器110可包含应用处理器140和AI模块130，应用处理器140和AI模块130集成在一起。其中，AI模块130用于执行上述任一实施例所描述的至少一个步骤，或者，应用处理器140调用AI模块130执行上述任一实施例所描述的至少一个步骤。
可以看出，本发明实施例中，移动终端的通用处理器获取第一用户习惯数据，将第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值，在相似值小于第一预设阈值时，从第一用户习惯数据中提取出正常用户习惯数据，根据正常用户习惯数据对标准用户习惯数据进行更新，从而，可获取用户习惯数据，并在用户习惯数据不在预测范围时，对用户习惯数据进行更新，如此，可及时更新用户习惯数据，提高了移动终端的智能性。
请参阅图3，图3是本发明实施例提供了一种数据处理方法的流程示意图，应用于包括如图1A、图1B或图1C所描述的通用处理器的移动终端，如图所示，本数据处理方法包括：
201、控制所述通用处理器统计异常事件的发生次数；
202、控制所述通用处理器在所述发生次数大于第二预设阈值时，获取第一用户习惯数据；
203、控制所述通用处理器将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值；
204、控制所述通用处理器在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；
205、控制所述通用处理器根据所述正常用户习惯数据对所述标准用户习惯数据进行更新。
上述步骤201-步骤205可参照上述对应步骤，在此不再赘述。
可以看出，本发明实施例中，移动终端的通用处理器统计异常事件的发生次数，在发生次数大于第二预设阈值时，获取第一用户习惯数据，将第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值，在相似值小于第一预设阈值时，从第一用户习惯数据中提取出正常用户习惯数据，根据正常用户习惯数据对标准用户习惯数据进行更新，从而，可获取用户习惯数据，并在用户习惯数据不在预测范围时，对用户习惯数据进行更新，如此，可及时更新用户习惯数据，提高了移动终端的智能性。
请参阅图4图4是本发明实施例提供的一种移动终端，包括：通用处理器和存储器；以及一个或多个程序，其中，通用处理器可参照如图1A、图1B或图1C所描述的通用处理器的移动终端，
所述一个或多个程序被存储在所述存储器中，并且被配置成由所述通用处理器执行，所述程序包括用于执行以下步骤的指令：
控制所述通用处理器获取第一用户习惯数据；
控制所述通用处理器将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值；
控制所述通用处理器在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；
控制所述通用处理器根据所述正常用户习惯数据对所述标准用户习惯数据进行更新。
在一个可能的示例中，在所述将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对方面，所述程序包括用于执行以下步骤的指令；
控制所述通用处理器对所述第一用户习惯数据进行特征提取，得到P个参数，所述P为大于1的整数；
控制所述通用处理器从所述标准用户习惯数据中获取与所述第一用户习惯数据的生成时刻对应的目标标准用户习惯数据；
控制所述通用处理器对所述目标标准用户习惯数据进行特征提取，得到Q个参数；根据所述Q个参数与所述P个参数确定所述相似值。
在一个可能的示例中，所述第一用户习惯数据中包含M个数据记录，所述M为大于1的整数；
在所述从所述第一用户习惯数据中提取出正常用户习惯数据方面，所述程序包括用于执行以下步骤的指令：
控制所述通用处理器对所述M个数据记录进行分析，得到所述M组参数集；对所述M组参数集进行去误操作，得到N组参数集；
控制所述通用处理器采用预设负样本分类器对所述N组参数集进行训练，得到K组参数集，所述K为正整数，并将所述K组参数集对应的数据记录作为所述正常用户习惯数据。
在一个可能的示例中，在所述根据所述正常用户习惯数据对所述标准用户习惯数据进行更新方面，所述程序包括用于执行以下步骤的指令：
控制所述通用处理器对所述正常用户习惯数据进行特征提取，得到第一特征集；
控制所述通用处理器对所述正常用户习惯数据对应的标准用户习惯数据进行特征提取，得到第二特征集；
控制所述通用处理器根据所述第一特征集和所述第二特征集确定所述第二特征集对应的调整参数集；
控制所述通用处理器根据所述调整参数集对预设的正样本分类器对应的控制参数进行调整；
控制所述通用处理器通过调整后的所述预设的正样本分类器对所述标准用户习惯数据进行调整。
在一个可能的示例中，所述程序包括用于执行以下步骤的指令：
控制所述通用处理器统计异常事件的发生次数；
控制所述通用处理器在所述发生次数大于第二预设阈值时，通知所述处理器执行所述获取第一用户习惯数据的步骤。
请参阅图5a，图5a是本实施例提供的一种数据处理装置的结构示意图。该数据处理装置应用于移动终端，所述移动终端包括通用处理器，所述数据处理装置包括获取单元510、比对单元520、提取单元530和更新单元540，其中，
所述获取单元510，用于控制所述通用处理器获取第一用户习惯数据；
所述比对单元520，用于控制所述通用处理器将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值；
所述提取单元530，用于控制所述通用处理器在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；
所述更新单元540，用于控制所述通用处理器根据所述正常用户习惯数据对所述标准用户习惯数据进行更新。
在一个可能的示例中，在所述比对单元520控制所述通用处理器将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对方面，具体实现方式为：
控制所述通用处理器对所述第一用户习惯数据进行特征提取，得到P个参数，所述P为大于1的整数；
控制所述通用处理器从所述标准用户习惯数据中获取与所述第一用户习惯数据的生成时刻对应的目标标准用户习惯数据；
控制所述通用处理器对所述目标标准用户习惯数据进行特征提取，得到Q个参数；根据所述Q个参数与所述P个参数确定所述相似值。
在一个可能的示例中，所述第一用户习惯数据中包含M个数据记录，所述M为大于1的整数；
在所述提取单元530控制所述通用处理器从所述第一用户习惯数据中提取出正常用户习惯数据方面，具体实现方式为：
控制所述通用处理器对所述M个数据记录进行分析，得到所述M组参数集；对所述M组参数集进行去误操作，得到N组参数集；
控制所述通用处理器采用预设负样本分类器对所述N组参数集进行训练，得到K组参数集，所述K为正整数，并将所述K组参数集对应的数据记录作为所述正常用户习惯数据。
在一个可能的示例中，在所述更新单元540根据所述正常用户习惯数据对所述标准用户习惯数据进行更新方面，具体实现方式为：
对所述正常用户习惯数据进行特征提取，得到第一特征集；对所述正常用户习惯数据对应的标准用户习惯数据进行特征提取，得到第二特征集；根据所述第一特征集和所述第二特征集确定所述第二特征集对应的调整参数集；根据所述调整参数集对预设的正样本分类器对应的控制参数进行调整；通过调整后的所述预设的正样本分类器对所述标准用户习惯数据进行调整。
在一个可能的示例中，如图5b，图5b为图5a描述的数据处理装置的又一变型结构，图5b与图5a相比较，所述数据处理装置还可包括：统计单元550，具体如下：
所述统计单元550，用于统计异常事件的发生次数；所述统计单元550的统计结果为在所述发生次数大于第二预设阈值时，则由所述获取单元510执行所述获取第一用户习惯数据的步骤。
在一个可能的示例中，所述通用处理器包括应用处理器和AI模块，所述AI模块集成于所述应用处理器，所述AI模块用于：
执行所述通用处理器所用于执行的步骤中的至少一个步骤。
在一个可能的示例中，所述通用处理器包括应用处理器和AI模块，所述AI模块独立于所述应用处理器设置，所述AI模块用于：
执行所述通用处理器所用于执行的步骤中的至少一个步骤。
其中，获取单元510、比对单元520、提取单元530、更新单元540和统计单元550均可以是AI模块、应用处理器或者通用处理器，AI模块和处理器例如可以是中央处理器(Central Processing Unit，CPU)，通用处理器，数字信号处理器(Digital SignalProcessor，DSP)，专用集成电路(Application-Specific Integrated Circuit，ASIC)，现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器和所述AI模块也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。
可以理解的是，本实施例的数据处理装置的各程序模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
本发明实施例还提供了另一种移动终端，如图6所示，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该移动终端可以为包括手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、POS(Point of Sales，销售终端)、车载电脑等任意终端设备，以移动终端为手机为例：
图6示出的是与本发明实施例提供的移动终端相关的手机的部分结构的框图。参考图6，手机包括：射频(Radio Frequency，RF)电路910、存储器920、输入单元930、传感器950、音频电路960、无线保真Wi-Fi模块970、通用处理器980、以及电源990等部件。本领域技术人员可以理解，图6中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图6对手机的各个构成部件进行具体的介绍：
输入单元930可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元930可包括触控显示屏933、指纹识别装置931以及其他输入设备932。指纹识别装置931结合至触控显示屏933，指纹识别装置931的指纹识别区域位于触控显示屏933的第一区域。输入单元930还可以包括其他输入设备932。具体地，其他输入设备932可以包括但不限于物理按键、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。其中，所述通用处理器980用于执行如下步骤：
获取第一用户习惯数据；
将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值；
在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；
根据所述正常用户习惯数据对所述标准用户习惯数据进行更新。
通用处理器980是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器920内的软件程序和/或模块，以及调用存储在存储器920内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，通用处理器980可包括一个或多个处理单元；可选的，通用处理器980可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到通用处理器980中。
此外，存储器920可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
RF电路910可用于信息的接收和发送。通常，RF电路910包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，RF电路910还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobilecommunication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access,WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。
手机还可包括至少一种传感器950，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节触控显示屏的亮度，接近传感器可在手机移动到耳边时，关闭触控显示屏和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路960、扬声器961，传声器962可提供用户与手机之间的音频接口。音频电路960可将接收到的音频数据转换后的电信号，传输到扬声器961，由扬声器961转换为声音信号播放；另一方面，传声器962将收集的声音信号转换为电信号，由音频电路960接收后转换为音频数据，再将音频数据播放通用处理器980处理后，经RF电路910以发送给比如另一手机，或者将音频数据播放至存储器920以便进一步处理。
WiFi属于短距离无线传输技术，手机通过WiFi模块970可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了WiFi模块970，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
手机还包括给各个部件供电的电源990(比如电池)，可选的，电源可以通过电源管理系统与通用处理器980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。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，所述计算机包括移动终端。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，所述计算机包括移动终端。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。
Claims (11)
1.一种移动终端，其特征在于，包括通用处理器，所述通用处理器用于执行如下步骤：
获取第一用户习惯数据；
将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值，所述标准用户习惯数据由所述移动终端根据用户在一段时间内的针对至少一个应用的使用记录训练而成；
在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；
根据所述正常用户习惯数据对所述标准用户习惯数据进行更新；
其中，所述第一用户习惯数据中包含M个数据记录，所述M为大于1的整数；
在所述从所述第一用户习惯数据中提取出正常用户习惯数据方面，所述通用处理器具体用于：对所述M个数据记录进行分析，得到M组参数集，具体为：分析出每一数据记录对应的时间、地点、应用标识、响应时延、误操作概率，其中，所述时间为使用记录的发生时间，所述地点为使用记录的发生地点，所述应用标识为使用记录对应的应用，所述响应时延为使用记录对应的操作指令产生后，系统响应的延迟时间，所述误操作概率为系统对操作进行识别后的概率值；对所述M组参数集进行去误操作，得到N组参数集；采用预设负样本分类器对所述N组参数集进行训练，得到K组参数集，所述K为正整数，并将所述K组参数集对应的数据记录作为所述正常用户习惯数据；
其中，在所述根据所述正常用户习惯数据对所述标准用户习惯数据进行更新方面，所述通用处理器具体用于：
对所述正常用户习惯数据进行特征提取，得到第一特征集；对所述正常用户习惯数据对应的标准用户习惯数据进行特征提取，得到第二特征集；根据所述第一特征集和所述第二特征集确定所述第二特征集对应的调整参数集；根据所述调整参数集对预设的正样本分类器对应的控制参数进行调整；通过调整后的所述预设的正样本分类器对所述标准用户习惯数据进行调整。
2.根据权利要求1所述的移动终端，其特征在于，在所述将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对方面，所述通用处理器具体用于：
对所述第一用户习惯数据进行特征提取，得到P个参数，所述P为大于1的整数；从所述标准用户习惯数据中获取与所述第一用户习惯数据的生成时刻对应的目标标准用户习惯数据；对所述目标标准用户习惯数据进行特征提取，得到Q个参数；根据所述Q个参数与所述P个参数确定所述相似值。
3.根据权利要求1或2所述的移动终端，其特征在于，所述通用处理器还具体用于：统计异常事件的发生次数；在所述发生次数大于第二预设阈值时，执行所述获取第一用户习惯数据的步骤。
4.根据权利要求1或2所述的移动终端，其特征在于，所述通用处理器包括应用处理器和AI模块，所述AI模块集成于所述应用处理器，所述AI模块用于：
执行所述通用处理器所用于执行的步骤中的至少一个步骤。
5.根据权利要求1或2所述的移动终端，其特征在于，所述通用处理器包括应用处理器和AI模块，所述AI模块独立于所述应用处理器设置，所述AI模块用于：
执行所述通用处理器所用于执行的步骤中的至少一个步骤。
6.一种数据处理方法，其特征在于，应用于包括通用处理器的移动终端，包括：
控制所述通用处理器获取第一用户习惯数据；
控制所述通用处理器将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值，所述标准用户习惯数据由所述移动终端根据用户在一段时间内的针对至少一个应用的使用记录训练而成；
控制所述通用处理器在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；
控制所述通用处理器根据所述正常用户习惯数据对所述标准用户习惯数据进行更新；
其中，所述第一用户习惯数据中包含M个数据记录，所述M为大于1的整数；
所述控制所述通用处理器从所述第一用户习惯数据中提取出正常用户习惯数据方面，包括：
控制所述通用处理器对所述M个数据记录进行分析，得到M组参数集，具体为：分析出每一数据记录对应的时间、地点、应用标识、响应时延、误操作概率，其中，所述时间为使用记录的发生时间，所述地点为使用记录的发生地点，所述应用标识为使用记录对应的应用，所述响应时延为使用记录对应的操作指令产生后，系统响应的延迟时间，所述误操作概率为系统对操作进行识别后的概率值；对所述M组参数集进行去误操作，得到N组参数集；
控制所述通用处理器采用预设负样本分类器对所述N组参数集进行训练，得到K组参数集，所述K为正整数，并将所述K组参数集对应的数据记录作为所述正常用户习惯数据；
其中，所述控制所述通用处理器根据所述正常用户习惯数据对所述标准用户习惯数据进行更新，包括：
对所述正常用户习惯数据进行特征提取，得到第一特征集；对所述正常用户习惯数据对应的标准用户习惯数据进行特征提取，得到第二特征集；根据所述第一特征集和所述第二特征集确定所述第二特征集对应的调整参数集；根据所述调整参数集对预设的正样本分类器对应的控制参数进行调整；通过调整后的所述预设的正样本分类器对所述标准用户习惯数据进行调整。
7.根据权利要求6所述的方法，其特征在于，所述控制所述通用处理器将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对方面，包括：
控制所述通用处理器对所述第一用户习惯数据进行特征提取，得到P个参数，所述P为大于1的整数；
控制所述通用处理器从所述标准用户习惯数据中获取与所述第一用户习惯数据的生成时刻对应的目标标准用户习惯数据；
控制所述通用处理器对所述目标标准用户习惯数据进行特征提取，得到Q个参数；根据所述Q个参数与所述P个参数确定所述相似值。
8.一种移动终端，其特征在于，包括：通用处理器和存储器；以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置成由所述通用处理器执行，所述程序包括用于执行如权利要求6或7所述方法的指令。
9.根据权利要求8所述的移动终端，其特征在于，所述通用处理器包括应用处理器和AI模块，所述AI模块集成或独立于所述应用处理器。
10.一种数据处理装置，其特征在于，应用于包含通用处理器的移动终端，所述数据处理装置包括获取单元、比对单元、提取单元和更新单元，其中，
所述获取单元，用于控制所述通用处理器获取第一用户习惯数据；
所述比对单元，用于控制所述通用处理器将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值，所述标准用户习惯数据由所述移动终端根据用户在一段时间内的针对至少一个应用的使用记录训练而成；
所述提取单元，用于控制所述通用处理器在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；
所述更新单元，用于控制所述通用处理器根据所述正常用户习惯数据对所述标准用户习惯数据进行更新；
其中，所述第一用户习惯数据中包含M个数据记录，所述M为大于1的整数；
所述控制所述通用处理器从所述第一用户习惯数据中提取出正常用户习惯数据方面，所述提取单元具体用于：
控制所述通用处理器对所述M个数据记录进行分析，得到M组参数集，具体为：分析出每一数据记录对应的时间、地点、应用标识、响应时延、误操作概率，其中，所述时间为使用记录的发生时间，所述地点为使用记录的发生地点，所述应用标识为使用记录对应的应用，所述响应时延为使用记录对应的操作指令产生后，系统响应的延迟时间，所述误操作概率为系统对操作进行识别后的概率值；对所述M组参数集进行去误操作，得到N组参数集；
控制所述通用处理器采用预设负样本分类器对所述N组参数集进行训练，得到K组参数集，所述K为正整数，并将所述K组参数集对应的数据记录作为所述正常用户习惯数据；
其中，在所述控制所述通用处理器根据所述正常用户习惯数据对所述标准用户习惯数据进行更新方面，所述更新单元具体用于：
对所述正常用户习惯数据进行特征提取，得到第一特征集；对所述正常用户习惯数据对应的标准用户习惯数据进行特征提取，得到第二特征集；根据所述第一特征集和所述第二特征集确定所述第二特征集对应的调整参数集；根据所述调整参数集对预设的正样本分类器对应的控制参数进行调整；通过调整后的所述预设的正样本分类器对所述标准用户习惯数据进行调整。
11.一种计算机可读存储介质，其特征在于，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求6或7任一项所述的方法。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710476773.0A CN107357833B (zh) | 2017-06-21 | 2017-06-21 | 数据处理方法及相关产品 |
| PCT/CN2018/089840 WO2018233481A1 (en) | 2017-06-21 | 2018-06-04 | METHOD OF PROCESSING DATA AND RELATED PRODUCTS |
| EP18176760.9A EP3418951A1 (en) | 2017-06-21 | 2018-06-08 | Method for data processing and related products |
| US16/007,496 US10642820B2 (en) | 2017-06-21 | 2018-06-13 | Method for data processing and related products |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710476773.0A CN107357833B (zh) | 2017-06-21 | 2017-06-21 | 数据处理方法及相关产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107357833A CN107357833A (zh) | 2017-11-17 |
| CN107357833B true CN107357833B (zh) | 2020-05-26 |
Family
ID=60272780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710476773.0A Expired - Fee Related CN107357833B (zh) | 2017-06-21 | 2017-06-21 | 数据处理方法及相关产品 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US10642820B2 (zh) |
| EP (1) | EP3418951A1 (zh) |
| CN (1) | CN107357833B (zh) |
| WO (1) | WO2018233481A1 (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107357833B (zh) * | 2017-06-21 | 2020-05-26 | Oppo广东移动通信有限公司 | 数据处理方法及相关产品 |
| CN108153517A (zh) * | 2017-12-20 | 2018-06-12 | 无锡雅座在线科技股份有限公司 | 数据处理方法和装置 |
| CN108021235B (zh) * | 2017-12-27 | 2021-03-09 | Oppo广东移动通信有限公司 | 触发操作的方法、装置、终端及存储介质 |
| CN110413744B (zh) * | 2019-06-17 | 2023-06-23 | 创新先进技术有限公司 | 即时通讯过程中的对话消息处理方法、装置及设备 |
| CN110570873B (zh) * | 2019-09-12 | 2022-08-05 | Oppo广东移动通信有限公司 | 声纹唤醒方法、装置、计算机设备以及存储介质 |
| CN114172818A (zh) * | 2021-12-06 | 2022-03-11 | 深圳市铱云云计算有限公司 | 基于用户习惯分析的多终端消息提醒方法 |
| CN114290873B (zh) * | 2021-12-27 | 2024-01-12 | 重庆长安汽车股份有限公司 | 具有自动适应用户习惯的汽车空调控制方法、系统及车辆 |
| CN114860972B (zh) * | 2022-07-07 | 2022-09-20 | 南通追光者信息技术有限公司 | 一种小程序开发数据传输优化存储方法 |
| CN117576798B (zh) * | 2023-10-23 | 2024-06-04 | 北京宇音天下科技有限公司 | 自由习惯任务的打卡方法、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699823A (zh) * | 2014-01-08 | 2014-04-02 | 同济大学 | 基于用户行为模式的身份认证系统及其方法 |
| CN105101302A (zh) * | 2014-04-30 | 2015-11-25 | 宇龙计算机通信科技(深圳)有限公司 | 基于用户使用习惯的流量管理方法及系统 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102075851B (zh) * | 2009-11-20 | 2015-01-07 | 北京邮电大学 | 一种移动网络中用户偏好的获取方法及系统 |
| US9510050B2 (en) * | 2011-06-28 | 2016-11-29 | Tata Consultancy Services Limited | Method and system for context-aware recommendation |
| US9326189B2 (en) * | 2012-02-03 | 2016-04-26 | Seven Networks, Llc | User as an end point for profiling and optimizing the delivery of content and data in a wireless network |
| WO2014058894A1 (en) * | 2012-10-08 | 2014-04-17 | Lark Technologies, Inc. | Method for delivering behavior change directives to a user |
| US9597039B2 (en) * | 2013-03-14 | 2017-03-21 | Siemens Aktiengesellschaft | Devices, methods and computer readable mediums for on demand personalization of a user interface |
| CN104679536A (zh) * | 2013-11-28 | 2015-06-03 | 索尼公司 | 应用程序的启动方法、装置以及电子设备 |
| US9294816B2 (en) * | 2013-12-20 | 2016-03-22 | Rovi Guides, Inc. | Methods and systems for predicting user viewing preferences based on detected events |
| US9766998B1 (en) * | 2013-12-31 | 2017-09-19 | Google Inc. | Determining a user habit |
| US9407652B1 (en) * | 2015-06-26 | 2016-08-02 | Palantir Technologies Inc. | Network anomaly detection |
| US20170011641A1 (en) * | 2015-07-07 | 2017-01-12 | Fujitsu Limited | Directive determination for behavior encouragement |
| CN105224872B (zh) * | 2015-09-30 | 2018-04-13 | 河南科技大学 | 一种基于神经网络聚类的用户异常行为检测方法 |
| CN107357833B (zh) * | 2017-06-21 | 2020-05-26 | Oppo广东移动通信有限公司 | 数据处理方法及相关产品 |
-
2017
- 2017-06-21 CN CN201710476773.0A patent/CN107357833B/zh not_active Expired - Fee Related
-
2018
- 2018-06-04 WO PCT/CN2018/089840 patent/WO2018233481A1/en active Application Filing
- 2018-06-08 EP EP18176760.9A patent/EP3418951A1/en not_active Ceased
- 2018-06-13 US US16/007,496 patent/US10642820B2/en not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699823A (zh) * | 2014-01-08 | 2014-04-02 | 同济大学 | 基于用户行为模式的身份认证系统及其方法 |
| CN105101302A (zh) * | 2014-04-30 | 2015-11-25 | 宇龙计算机通信科技(深圳)有限公司 | 基于用户使用习惯的流量管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3418951A1 (en) | 2018-12-26 |
| US20180373749A1 (en) | 2018-12-27 |
| CN107357833A (zh) | 2017-11-17 |
| WO2018233481A1 (en) | 2018-12-27 |
| US10642820B2 (en) | 2020-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107357833B (zh) | 数据处理方法及相关产品 | |
| CN107292342B (zh) | 数据处理方法及相关产品 | |
| CN107222914B (zh) | 应用控制方法及相关产品 | |
| CN107146616B (zh) | 设备控制方法及相关产品 | |
| CN107272872B (zh) | 省电控制方法及相关产品 | |
| CN107809542B (zh) | 应用程序控制方法、装置、存储介质和电子设备 | |
| CN107277230B (zh) | 消息的语音播报方法及相关产品 | |
| CN107332757B (zh) | 删除推送消息的方法及相关产品 | |
| CN107480489B (zh) | 解锁控制方法及相关产品 | |
| CN107346397B (zh) | 信息处理方法及相关产品 | |
| CN107295173B (zh) | 删除聊天消息的方法及相关产品 | |
| CN111050370A (zh) | 网络切换方法、装置、存储介质及电子设备 | |
| CN110209245B (zh) | 人脸识别方法及相关产品 | |
| CN107545163B (zh) | 解锁控制方法及相关产品 | |
| CN109960581B (zh) | 硬件资源配置方法、装置、移动终端及存储介质 | |
| CN110298277B (zh) | 指纹识别方法及相关产品 | |
| CN106095566B (zh) | 一种响应控制方法及移动终端 | |
| CN108121227B (zh) | 跌落保护方法及相关产品 | |
| CN107291328B (zh) | 界面显示方法及相关产品 | |
| CN106484688B (zh) | 一种数据处理方法及系统 | |
| CN107329780B (zh) | 数据处理方法及相关产品 | |
| CN107025389B (zh) | 一种指纹录入的方法及终端 | |
| CN110188675B (zh) | 静脉采集方法及相关产品 | |
| CN108491285B (zh) | 应用于电子设备测试的数据保护方法及相关产品 | |
| CN107679460B (zh) | 人脸的自学习方法及智能终端和存储介质 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1244327 Country of ref document: HK |
|
| CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200526 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |