CN107368553A - 基于活动状态提供搜索建议词的方法及装置 - Google Patents

Abstract

本发明提供了一种基于活动状态提供搜索建议词的方法及装置。所述方法应用于移动终端，包括：根据基于所述移动终端记录的用户的历史活动数据得到的历史活动状态信息，确定所述用户的常用地点；从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词；将所述搜索建议词推送至所述指定类型应用，以使所述指定类型应用内的搜索框被触发时，将所述搜索建议词显示在所述搜索框对应的搜索词推荐位置。该技术方案使得移动终端能够为用户提供地点类的搜索建议词，且筛选出的搜索建议词更加符合用户当前产生的活动状态，无需用户手动输入搜索关键词，进而使移动终端对搜索词的推荐更加智能化、人性化。

Description

基于活动状态提供搜索建议词的方法及装置

技术领域

本发明涉及互联网技术领域，特别是涉及一种基于活动状态提供搜索建议词的方法及装置。

背景技术

用户进行搜索时，需要在搜索输入框中输入与用户搜索意图相关的搜索词。现有技术中，通常在用户输入搜索词中的一个或几个字符时，将用户输入的字符作为前缀在历史搜索词中进行匹配，并将匹配到的包括该前缀的搜索词提供给用户。显然，这种为用户提供搜索词的方法仍需用户手动输入部分字符，对用户而言不仅繁琐，且搜索体验较低。以导航应用为例，当用户使用移动终端进行导航时，需要同时输入起点和终点两个地点，而目前移动终端无法根据用户当前的需求主动为用户匹配合适的地点搜索词，导致用户体验度较低。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于活动状态提供搜索建议词的方法及装置。

依据本发明的一个方面，提供了一种基于活动状态提供搜索建议词的方法，应用于移动终端，包括：

根据基于所述移动终端记录的用户的历史活动数据得到的历史活动状态信息，确定所述用户的常用地点；

从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词；

将所述搜索建议词推送至所述指定类型应用，以使所述指定类型应用内的搜索框被触发时，将所述搜索建议词显示在所述搜索框对应的搜索词推荐位置。

可选地，所述常用地点包括常停留地点和/或历史搜索地点。

可选地，所述常停留地点包括以下至少一项：

停留时长达到预设时长的地点；

停留频率达到预设频率的地点；

在预设周期内的固定时间段均前往的地点，所述预设周期包括每年、每月、每日中的至少一种。

可选地，从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词，包括：

利用所述移动终端的当前活动数据确定所述用户当前产生的至少一种活动状态；

根据所述至少一种活动状态，从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词。

可选地，所述活动状态包括活动地点、活动类型、活动方向中的至少一种；根据所述至少一种活动状态，从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词，包括：

获取所述活动地点以及各常用地点的地理位置信息，以根据所述地理位置信息确定出所述活动地点以及所述各常用地点之间的距离；

获取预设的距离范围与活动类型之间的对应关系；

根据所述对应关系确定与所述活动类型对应的至少一个距离范围，并从所述常用地点中筛选出符合所述至少一个距离范围的常用地点作为搜索建议词。

可选地，从所述常用地点中筛选出符合所述至少一个距离范围的常用地点作为搜索建议词，包括：

从所述常用地点中筛选出符合所述至少一个距离范围、且相对于当前地点的方向与所述活动方向一致的常用地点作为搜索建议词。

可选地，所述指定类型应用包括搜索类应用、地图类应用、导航类应用、生活消费类应用中的至少一项。

可选地，所述方法还包括：

持续监测所述用户当前产生的活动状态；

当监测到所述用户当前产生的活动状态发生变化时，从所述常用地点中重新筛选出至少一个所述常用地点作为新的搜索建议词；

将所述新的搜索建议词推送至所述指定类型应用。

可选地，所述方法还包括：

当所述用户当前产生的至少一种活动状态包括驾驶状态时，调起所述移动终端的OS操作系统；

利用所述OS操作系统将所述移动终端的当前模式调整为语音交互驾驶模式。

可选地，所述方法还包括：

确定所述常用地点的类型；

根据所述常用地点的类型确定所述用户的常活动习惯，并根据所述常活动习惯生成所述用户的专属标签；

结合所述专属标签以及所述用户的个人信息，为所述用户生成专属画像。

依据本发明的另一个方面，提供了一种基于活动状态提供搜索建议词的装置，设置于移动终端，包括：

第一确定模块，适于根据基于所述移动终端记录的用户的历史活动数据得到的历史活动状态信息，确定所述用户的常用地点；

第一筛选模块，适于从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词；

第一推送模块，适于将所述搜索建议词推送至所述指定类型应用，以使所述指定类型应用内的搜索框被触发时，将所述搜索建议词显示在所述搜索框对应的搜索词推荐位置。

可选地，所述常用地点包括常停留地点和/或历史搜索地点。

可选地，所述常停留地点包括以下至少一项：

停留时长达到预设时长的地点；

停留频率达到预设频率的地点；

在预设周期内的固定时间段均前往的地点，所述预设周期包括每年、每月、每日中的至少一种。

可选地，所述第一筛选模块还适于：

利用所述移动终端的当前活动数据确定所述用户当前产生的至少一种活动状态；

根据所述至少一种活动状态，从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词。

可选地，所述活动状态包括活动地点、活动类型、活动方向中的至少一种，所述第一筛选模块还适于：

获取所述活动地点以及各常用地点的地理位置信息，以根据所述地理位置信息确定出所述活动地点以及所述各常用地点之间的距离；

获取预设的距离范围与活动类型之间的对应关系；

根据所述对应关系确定与所述活动类型对应的至少一个距离范围，并从所述常用地点中筛选出符合所述至少一个距离范围的常用地点作为搜索建议词。

可选地，所述第一筛选模块还适于：

从所述常用地点中筛选出符合所述至少一个距离范围、且相对于当前地点的方向与所述活动方向一致的常用地点作为搜索建议词。

可选地，所述指定类型应用包括搜索类应用、地图类应用、导航类应用、生活消费类应用中的至少一项。

可选地，所述装置还包括：

监测模块，适于持续监测所述用户当前产生的活动状态；

第二筛选模块，适于当监测到所述用户当前产生的活动状态发生变化时，从所述常用地点中重新筛选出至少一个所述常用地点作为新的搜索建议词；

第二推送模块，适于将所述新的搜索建议词推送至所述指定类型应用。

可选地，所述装置还包括：

调起模块，适于当所述用户当前产生的至少一种活动状态包括驾驶状态时，调起所述移动终端的OS操作系统；

调整模块，适于利用所述OS操作系统将所述移动终端的当前模式调整为语音交互驾驶模式。

可选地，所述装置还包括：

第二确定模块，适于确定所述常用地点的类型；

第一生成模块，适于根据所述常用地点的类型确定所述用户的常活动习惯，并根据所述常活动习惯生成所述用户的专属标签；

第二生成模块，适于结合所述专属标签以及所述用户的个人信息，为所述用户生成专属画像。

采用本发明实施例提供的技术方案，能够基于移动终端所记录的用户的历史活动数据得到的历史活动状态信息确定出用户的常用地点，并从中筛选出至少一个常用地点作为搜索建议词，进而将筛选出的搜索建议词推送至指定类型应用，以使指定类型应用内的搜索框被触发时能够将搜索建议词显示在搜索框对应的搜索词推荐位置，使得用户通过指定类型应用内的搜索框进行搜索时，移动终端能够基于用户的常用地点来提供搜索建议词。因此，相较于现有技术中仅能为用户推荐热点新闻、或者仅能根据用户输入的部分字符推荐关键词的方法而言，该技术方案中的移动终端在为用户提供搜索建议词时，更加贴近用户当前的活动状态的相关需求，提高了用户的搜索体验度。

进一步地，该技术方案能够利用移动终端的当前活动数据确定用户当前产生的至少一种活动状态，并根据该活动状态筛选出至少一个常用地点作为搜索建议词，使得移动终端筛选出的搜索建议词更加符合用户当前产生的活动状态，而无需用户手动输入搜索关键词，进而使移动终端对搜索词的推荐更加智能化、人性化。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是根据本发明一个实施例的一种基于活动状态提供搜索建议词的方法的示意性流程图；

图2是根据本发明一个实施例的基于移动终端的用户活动状态识别方法的流程示意图；

图3是根据本发明一个实施例的分类模型的训练方法的流程示意图；

图4是根据本发明一个实施例的一种基于活动状态提供搜索建议词的方法中指定类型应用的示意性界面图；

图5是根据本发明一个实施例的一种基于活动状态提供搜索建议词的装置的示意性框图；以及

图6是根据本发明另一个实施例的一种基于活动状态提供搜索建议词的装置的示意性框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1是根据本发明一个实施例的一种基于活动状态提供搜索建议词的方法的示意性流程图。如图1所示，该方法一般性地可包括以下步骤S101-S103：

步骤S101，根据基于移动终端记录的用户的历史活动数据得到的历史活动状态信息，确定用户的常用地点。

步骤S102，从常用地点中筛选出至少一个常用地点作为搜索建议词。

步骤S103，将搜索建议词推送至指定类型应用，以使指定类型应用内的搜索框被触发时，将搜索建议词显示在搜索框对应的搜索词推荐位置。

采用本发明实施例提供的技术方案，能够基于移动终端所记录的用户的历史活动数据得到的历史活动状态信息确定出用户的常用地点，并从中筛选出至少一个常用地点作为搜索建议词，进而将筛选出的搜索建议词推送至指定类型应用，以使指定类型应用内的搜索框被触发时能够将搜索建议词显示在搜索框对应的搜索词推荐位置，使得用户通过指定类型应用内的搜索框进行搜索时，移动终端能够基于用户的常用地点来提供搜索建议词。因此，相较于现有技术中仅能为用户推荐热点新闻、或者仅能根据用户输入的部分字符推荐关键词的方法而言，该技术方案中的移动终端在为用户提供搜索建议词时，更加贴近用户当前的活动状态的相关需求，提高了用户的搜索体验度。

以下分别针对上述步骤S101-S103进行详细说明。

首先执行步骤S101，即根据基于移动终端记录的用户的历史活动数据得到的历史活动状态信息，确定用户的常用地点。其中，历史活动数据用于记录用户在不同时间段的活动地点及活动类型，其中，活动类型包括运动、静止、驾车、乘坐公交、乘坐地铁中的至少一种，且运动包括步行和/或跑步。

具体地，在执行步骤S101时，可以在指定时长内，基于移动终端的传感器持续获取用户的行为所产生的传感器数据，进一步，可以根据获取的传感器数据确定用户在指定时长内的不同活动状态。

移动终端的传感器可以是加速度计(accelerometer)、磁力计(magnetometer)、陀螺仪(gyroscope)等，本发明实施例不限于此。这些传感器使得移动终端具备多种多样的功能，其中，本发明实施例对用户历史活动状态的识别获取即用到了移动终端中各传感器的测量数据。相应地，加速度计是测量运载体线加速度的仪表，其是活动识别最主要的传感器，其测量作用于设备的三个轴方向(x，y，z)的加速度(m/s²)，包含了重力加速度。磁力计测量作用于设备三个轴方向(x，y，z)的磁场强度值(A/m)。陀螺仪测量设备绕三个轴(x，y，z)旋转的速度(rad/s)。移动终端的各传感器能够对用户的不同行为进行数据的测量和收集。

在根据移动终端的传感器获取到用户的行为所产生的传感器数据后，可以根据获取的传感器数据确定用户的活动状态信息。具体地，图2示出了根据本发明一个实施例的基于移动终端的用户活动状态识别方法的流程示意图，在图2中，该方法至少可以包括以下步骤S202至步骤S204：

步骤S202、提取传感器数据中的特征向量，并输入从特征向量到用户活动状态的类别的分类模型；

步骤S204、利用上述分类模型识别出传感器数据对应的用户活动状态的类别。

可以看到，本发明实施例充分利用了移动终端本身具备的传感器，读取传感器采集的传感器数据，并基于传感器数据和分类模型能够识别出使用该移动终端的用户的活动状态。并且，本发明实施例在对传感器数据处理时，针对性地提取其中的特征向量，能够提高识别结果的精确度。

本发明实施例，在读取到传感器数据之后，执行步骤S202，从读取的传感器数据中提取特征向量，然后将提取的特征向量输入分类模型中进而识别用户活动状态的类别，如静止、步行、骑行、跑步、登山、驾车、坐公交、坐地铁、坐火车等等。分类模型中的特征向量与提取的特征向量是对应的，因此，本发明实施例首先介绍分类模型的训练步骤，图3示出了根据本发明一个实施例的分类模型的训练方法的流程示意图，在图3中，该方法至少可以包括以下步骤S302至步骤S304：

步骤S302、收集移动终端上传感器采集的数据，得到数据序列；

步骤S304、将数据序列作为训练样本提取其中的特征向量，将特征向量映射到用户活动状态的类别，使用机器学习算法训练从特征向量到用户活动状态的类别的分类模型。

上述的步骤S302和步骤S304主要可以包括数据收集、预处理、数据分割、特征提取以及机器学习，详细介绍如下。

在数据收集步骤中，收集移动终端上传感器采集的数据，得到数据序列。即，从前面介绍的各传感器中可以获得用户活动期间的传感器数据序列，具体可以以恒定采样频率(如50赫兹等)来采样得到数据。并且，传感器采集的数据可以包括多个方向上的数据，这样，数据序列也可以包括相应的各个方向上的数据序列。例如，加速度计、地磁传感器、陀螺仪都有三个轴的读数，因而对于每个传感器，都会得到三个轴x、y、z的信号值序列。在数据收集过程中，本发明实施例对前述的各个类别的用户活动状态都需要收集充分的样本，同一类别的用户活动状态，也可以考虑移动终端的姿态等各种不同的情况。

在预处理步骤中，有些移动终端不一定支持所有的传感器，因此，本发明实施例从收集的数据中，提取不同传感器组合的数据。即，对多种类型的传感器进行组合，得到多组传感器。其中，各组传感器中包含一类或多类传感器，进而收集移动终端上的各组传感器采集的数据，得到各组传感器中各类传感器对应的数据序列。由于加速度计是最主要的传感器，本发明实施例选择以下三种可能的组合：(1)加速度计；(2)加速度计和地磁传感器；(3)加速度计、地磁传感器和陀螺仪，对这三种情况的数据将分别进行训练。

在数据分割步骤中，将传感器数据序列分割成子序列，每个子序列映射到一个对应的活动标签。对于加速度计、地磁传感器和陀螺仪这些以恒定采样频率采样的数据，本发明实施例将整个传感器数据序列分割为时间间隔相等的子序列。选择最佳的时间窗口大小或时间间隔是影响识别效果的关键因素之一，因此，本发明实施例分别选择1至6秒的不同间隔进行分割得到子序列，后面通过机器学习分类时，对不同尺度的数据分别进行学习，得到基于不同时间窗口大小的识别模型，然后对不同的模型评测其识别效果，以选择最佳的分割间隔。需要说明的是，这里选取的1至6秒的时间间隔仅是示意性的，并不对本发明实施例进行限制，在实际应用中，还可以选取7或8秒等时间间隔来对序列进行分割。

数据分割完毕后得到的样本集中，可以选取一部分作为后续机器学习的输入，剩下的部分作为测试集，用来评测分类模型的分类效果。

在本发明的可选实施例中，在利用各个时间窗口对数据序列进行分割处理时，每个时间窗口生成一个子序列，子序列之间互不重叠，得到该时间窗口对应的多个子序列作为训练样本；或者，将各个时间窗口在数据序列上进行滑动，每滑动指定时长生成当前时间窗口对应的子序列，得到各个时间窗口各自对应的多个子序列作为训练样本。

在特征提取步骤中，对于分割后的传感器数据子序列，本发明实施例举例以下公式来计算以下特征量来得到序列的特征向量，但需要说明的是，本发明保护的技术方案并不局限以下及说明书中列的各个公式实现的方案，本领域技术人员能够想到通过合理变化、增减比例、调整系数、增加权重等方式依然可以实现本发明技术方案，而这些未穷举的方案也都在本发明保护范围内。

1)均值(mean)

对于大小为n的序列S，其均值为n个信号值相加的总和除以序列大小，计算公式如下：

Mean(S)＝Sum(S)/n

2)标准差(standard deviation)

标准差是各信号值与均值离差平方的算术平均数的平方根，可以反映样本的变化度。

对于大小为n的序列x₁,x₂...x_n，其均值为μ，标准差公式为：

3)中位数(median)

中位数为数据序列按顺序排列后位于中间位置的数。对于大小为n的序列，将该序列按升序排序，如果n为奇数，则取(n+1)/2个数为中位数；如果n为偶数，则取第n/2个数和第n/2+1个数的平均数为中位数。

4)中位数绝对偏差(median absolute deviation)

当存在异常值可能影响平均值的一些情况下，中位数绝对偏差相对标准差可以提供更好的变化度测量。将序列的各项减去序列的中位数后求绝对值，得到新序列，对于新序列求中位数，即可以得到中位数绝对偏差。

对于序列x₁,x₂...x_n，中位数绝对偏差为：

MAD＝Median(|x_i-Median(X)|)

5)零交叉(zero crossing)

零交叉为信号值与中位置相交的次数，这个特征量用于区分快运动和慢运动。计算方法是遍历序列的各项值，如果中位数大于当前项且小于后一项，或者小于当前项且大于后一项，则零交叉次数加1。

6)相关性(correlation)

多分量的传感器，其各个分量之间存在相关性，如加速度计的x、y、z三个方向相互之间的相关性。不同的活动状态各分量的相关性可能存在差异。对于大小为n的序列x和y，其相关性的计算公式如下：

7)峰-峰振幅

该值表示信号的峰值到谷值之差，即数据序列的最大值与最小值之差，计算公式如下：

P2PA(S)＝Max(S)-Min(S)

8)信号能量

信号能量指信号曲线与时间轴之间构成的区域的面积，对于传感器数值序列，信号能量可以表示为平方值之和：

以上介绍了本发明实施例从数据序列或子序列中主要提取的特征向量，当然本发明并不限于此。

接下来，在机器学习步骤中，本发明实施例使用监督学习方法，将特征向量映射到用户活动状态的类别，建立从特征向量到用户活动状态的类别的分类模型。这里，如前文介绍，数据序列对应有用户活动状态的类别的标签，这样在将特征向量映射到用户活动状态的类别时，可以将数据序列对应的用户活动状态的类别的标签作为其特征向量的标签，从而将数据序列的特征向量映射到用户活动状态的类别。

针对不同的传感器组合，本发明实施例将训练不同的分类模型，之后就可以利用这些分类模型，识别新的样本对应的用户活动状态的类别。

不同的监督学习算法对活动的识别效果有明显的差异，本发明实施例选取支持向量机(Support Vector Machine，SVM)作为主要的监督学习方法。SVM的目标是使预测精度最大化而又不会引起数据的过拟合，对于二元分类，SVM算法在特征空间里建立一个区域模型，将数据(特征向量)在多维空间中分隔成两个不同的类别，使分类边界离最近的数据点的距离尽量远。对活动进行分类属于多类别问题，多类别问题可以分解为多个二元分类问题，本发明实施例选择一对一方法，即最大赢选举法(maximum-wins voting)来处理活动分类问题，对每对不同的活动类别，训练一个SVM模型，最终得到K(K-1)/2个SVM分类器，对新样本分类时，每个分类器将得出一个分类，记录每个类别的得票数，得票最多的分类胜出，即确定为新样本对应的用户活动状态的类别。

需要说明的是，此处列举的机器学习SVM算法仅是示意性的，本发明实施例还可以使用决策树、人工神经网络、朴素贝叶斯等算法来实现分类，并且还可以对比评估不同学习算法的效果，从而选择合适的学习算法。具体地，利用测试样本集可以实现学习效果的评测，本发明实施例选择召回率、准确率、F-Score作为评测指标，通过不断调整训练样本、特征向量等相关参数以达到更佳的标准，优化识别效果。

在训练得到分类模型之后，接下来就可以利用分类模型来识别用户活动状态的类别。即，在步骤S202中从读取的传感器数据中提取特征向量，并输入从特征向量到用户活动状态的类别的分类模型，在步骤S204中利用上述分类模型识别读取的传感器数据对应的用户活动状态的类别。这里，在读取传感器数据时，可以以固定时间间隔生成样本，有以下两种生成样本的方式：

第一，假设样本所需持续时间为5秒，每5秒生成一个样本，样本之间互相不重叠；

第二，假设样本所需持续时间为5秒，每1秒生成一个样本，取之前5秒内的数据，样本之间会相互重叠。

在提取特征向量时，提取的特征向量与训练时相同，即，可以利用上文特征提取步骤中提及的方法计算数据序列或子序列的均值、标准差、中位数、中位数绝对偏差、零交叉、相关性、峰-峰振幅、信号能量，将这些特征值作为序列的特征向量。接下来，根据移动终端支持的传感器，选择合适的分类模型，使得训练好的分类模型对样本进行分类，识别出读取的传感器数据对应的用户活动状态的类别。

在本发明的可选实施例中，为了进一步提高识别的准确率，可以在确定用户的当前活动状态信息之前，进一步获取移动终端的辅助识别信息，进而利用辅助识别信息来调整识别出的用户活动状态的类别。本发明实施例中，辅助识别信息可以是网络数据、位置信息和/或应用数据。更多地，移动终端的网络数据可以是蓝牙数据和/或WIFI数据，移动终端的位置信息可以是GPS信息等，本发明实施例对此不做具体限定。同时，本发明实施例所提供的方法，将利用分类模型识别用户活动状态的类别称为初步识别，进而，还可以利用辅助识别信息来调整初步识别的识别结果。

在利用辅助识别信息来调整识别出的用户活动状态的类别时，本发明实施例可以判断移动终端上的指定通信模块(如蓝牙、WIFI等，本发明实施例不限于此)是否接入相应协议类型的通信设备。若是，则获取移动终端上的通信模块接入的通信设备的相关信息，进而基于获取的相关信息来调整识别出的用户活动状态的类别。下面通过几个实例来详细介绍。

情况一，蓝牙连接状态

本发明实施例可以获取蓝牙连接状态及连接的蓝牙设备类型，查看连接的蓝牙设备类型可以识别车载蓝牙设备，当确认移动终端连接了车载蓝牙设备，且初步识别的用户活动状态为驾车或与驾车接近的状态，则可以确认或纠正为驾车状态。

情况二，周边蓝牙设备

通过蓝牙扫描可以得到周边的蓝牙设备列表，分析其中的设备类型及数量，统计发现驾车时扫描到的蓝牙设备数量通过不会太多。因此，可以设定数量阈值，如果该数量超过了数量阈值且无车载蓝牙设备，而初步识别为驾车，则认为是误识别。

情况三，GPS

通过GPS可以获得当前的位置及移动速度，通过设定速度阈值，可以确认是否在行驶的车辆上。由于GPS长时间使用功耗较高，因此，本发明实施例仅在用户活动状态可能发生切换，进行确认时才使用GPS辅助判断。

情况四，WIFI

目前，许多公交车上都会安装WIFI，这些WIFI通常都有较明显的特征(如名称等)，通过数据收集与分析可以提取这些特征，如果移动终端连接了WIFI，通过判断当前连接的WIFI的特征，可以辅助判断是否在公交车上。

情况五，历史状态

历史状态用于状态切换，在判断是否可以切换到新的状态时，需要考察历史状态，确认新的状态是否已经持续了指定时长，若是，则确认切换到新的状态；若否，则不认为切换到新的状态。

在利用辅助识别信息来调整识别出的用户活动状态的类别时，本发明实施例还可以获取移动终端上的指定应用程序的业务数据，进而基于获取的业务数据来调整识别出的用户活动状态的类别。例如，用户开启指定应用程序，利用指定应用程序打开自行车车锁，然后进入骑行状态，该指定应用程序从开锁到关锁一直会记录用户的骑行时间，本发明实施例从指定应用程序获取到这些业务数据时，则确认用户活动状态为骑行状态。又例如，用户开启刷公共交通卡功能，刷卡之后，该公共交通卡功能会记录用户乘坐公共交通的时间或站点，本发明实施例从公共交通卡功能处获取到这些业务数据时，则确认用户活动状态为乘坐公共交通状态。

在本发明的可选实施例中，当发生调整识别出的用户活动状态的类别的事件时，获取调整后的用户活动状态的类别，进而利用传感器数据中的特征向量与调整后的用户活动状态的类别对分类模型进行训练，以修正分类模型。

在步骤S101执行结束之后，可以获取到较为精确的用户的历史活动状态信息，其中，用户的历史活动状态的类别可以包括静止、步行、跑步、驾车、乘坐公共交通等，本发明不限于此。此外，本发明实施例，在获取用户的历史活动状态信息过程中，还可以确定用户的每一次活动状态是否发生切换。具体地，在识别出用户活动状态的类别之后，可以判断本次识别是否为初次识别操作。若是，则将本次识别出的用户活动状态的类别作为本次确定的用户活动状态的类别。若否，则获取上一次确定的用户活动状态的类别，并基于上一次确定的用户活动状态的类别与本次识别出的用户活动状态的类别，确定本次用户的活动状态是否发生切换。

进一步地，若上一次确定的用户活动状态的类别与本次识别出的用户活动状态的类别相同，则确定本次用户活动状态未发生切换。若上一次确定的用户活动状态的类别与本次识别出的用户活动状态的类别不相同，则将上一次确定的用户活动状态的类别称为第一类别，本次识别出的用户活动状态的类别称为第二类别，并继续进行上述的读取、识别操作。当后续识别出的用户活动状态的类别为第二类别的次数超出阈值，则确定超出阈值时对应的用户活动状态发生切换。

比如，通过上述步骤识别出用户的活动状态的类别为静止状态，为了确定用户活动状态是否发生切换，首先判断本次识别是否为初次识别操作，若是，则将本次识别出的用户活动状态的类别作为本次确定的用户活动状态的类别；若否，则获取到上一次确定的用户活动状态的类别为步行，此时不会立即确定用户活动状态切换为静止状态，而是继续执行上述步骤识别出用户活动状态的类别，若通过多次识别用户活动状态的类别为静止，则确定用户活动状态切换为静止状态。

在本发明的可选实施例中，当确定用户活动状态为第一活动状态后，从移动终端的传感器处读取当前的传感器数据，并基于当前的传感器数据识别出用户活动状态为第二活动状态；若第二活动状态与第一活动状态不相同、且用户活动状态为第二活动状态的持续时长大于第一指定时间阈值，则确定用户活动状态从第一活动状态切换为第二活动状态。这里的第一指定时间阈值可以基于第一活动状态和第二活动状态来确定。

若第二活动状态与第一活动状态不相同、且用户活动状态为第二活动状态的持续时长小于第一指定时间阈值，则继续从移动终端的传感器处读取当前的传感器数据，并基于当前的传感器数据识别出用户活动状态为第三活动状态。若第三活动状态与第一活动状态、第二活动状态不相同，并且用户活动状态为第三活动状态的持续时长大于第二指定时间阈值，则确定用户活动状态从第一活动状态切换为第三活动状态。这里的第二指定时间阈值可以基于第一活动状态和第三活动状态来确定，也可以基于第一活动状态、第二活动状态以及第三活动状态来确定。

通过上面介绍可以看到，本发明实施例在状态发生变化时，进入新的状态前，需要一段时间进行确认，以确保状态的准确性，以下是状态切换时的基本策略。

首先是初始状态。在初次识别之前，由于还无法确定状态，可以将状态设为未知。

其次是状态进入。无论原先是未知状态或其它已识别的状态，进入新的状态都需要持续一段时间的稳定状态，才确认切换到新的状态。

再次是状态退出。通常有三种情况会退出原来的状态：

a.进入新的状态；

b.未确认进入新状态，但已经连续有一段时间识别的状态不符合旧的状态。对于简单的状态，这个时间相对较短(如30秒)；对于复杂的状态(如驾车、公交等)，这些状态持续期间通常会包含其它状态，如等红绿灯时静止，因此只有持续较长时间(如5分钟)未识别为原来的状态才退出；

c.系统或应用退出。

最后是状态维持。进入新的状态之后，将一直维持该状态，直到满足退出条件。

接下来针对各种状态，详细描述其切换条件。

1)关于静止状态

从未知、步行、跑步等状态到静止状态，只需要静止状态持续稳定一段时间(如5-15秒)，即可确认切换到静止状态。

从驾车状态到静止状态，为避免等红绿灯这类情况下状态变化，需要静止的稳定持续时间更长(如超过2分钟)才会切换状态。

从坐公交状态到静止状态，通常不应该从坐公交状态直接切换到静止状态，为避免异常情况，设置一个较长的确认时间即可(如5分钟以上)。

2)关于步行、跑步状态

从未知、静止等状态到步行或跑步状态，只需步行或跑步状态持续稳定一段时间(如5-15秒)，即可确认切换到新状态。

步行和跑步之间的切换，为避免像快走和慢跑等这类很接近的状态导致状态来回变化，步行与跑步之间的状态切换需要的确认时间更长(如15-30秒)。

从驾车状态到步行、跑步状态，因驾车状态较为复杂，而且驾车过程中经过颠簸道路时，有可能误识别为步行等其它状态，因此从驾车状态切换到步行或跑步状态，需要确保新状态稳定持续了较长时间(如30秒以上)。在驾车和步行之间通常存在停车静止状态(时间较短未切换到静止)，如果步行状态之前存在静止状态，可适当降低确认时间。为了确保准确性，还可以利用GPS确认当前速度没有超过步行的速度。

从坐公交状态到步行、跑步状态，乘坐公交时，因可能在车厢内走动，还可能站立，因此进入步行、跑步状态需要确保新状态持续较长时间(如30秒以上)。为了确保准确性，还可以利用GPS确认当前速度没有超过步行的速度。

3)关于驾车状态

从未知、静止状态到驾车状态，需要驾驶状态稳定持续较长的时间(如30秒以上)，且在确认期间开启GPS获取当前速度，如果连续一段时间(如15秒内)速度太低(如小于10千米每小时)或无GPS信号，则不进入驾车状态。

从步行、跑步状态到驾车状态，进入的条件类似从未知或静止进入驾车，但相比上一种情况，从步行或跑步到驾车状态之间，刚进入车内还未开动时，通常会有一段时间的静止状态(时间太短未切换到静止)，因此需额外再增加驾车状态前的静止状态判断，如不存在静止状态，需要适当增加确认时间。

从坐公交到驾车状态，通常不允许从坐公交状态直接切换为驾车状态。

4)坐公交、地铁

坐公交相比驾车是更复杂的状态，因其状态相对更不稳定，比如乘客可坐可站，也可能频繁操作移动终端等，因此仅仅通过初步识别的状态结合WIFI、GPS等，还不足以准确识别，需要进一步结合公交站点及线路数据来进行判断。

具体地，在本发明的可选实施例中，当基于移动终端的传感器数据识别出用户活动状态为预设状态时，获取移动终端用户所在的第一位置信息；随后，将第一位置信息与公共交通站点和线路数据进行匹配，若匹配上，则在指定时长后获取移动终端用户所在的第二位置信息和移动速度；之后，将第二位置信息与公共交通站点和线路数据进行匹配，若匹配上，且移动速度符合预设条件，则确定用户活动状态为乘坐公共交通状态。

在确定上述的指定时长时，若第一位置信息匹配上公共交通站点，则基于匹配上的公共交通站点的类型确定指定时长，其中，公共交通站点的类型包括起始站点、中间站点以及结束站点中任意之一；若第一位置信息匹配上公共交通线路，则基于匹配上的公共交通线路的相关信息确定指定时长，其中，公共交通线路的相关信息包括红绿灯情况和/或实时路况。

从未知、步行、跑步状态到乘坐公共交通状态，上车时通常会识别为步行，因此从步行状态切换为乘坐公共交通是进入乘坐公共交通状态比较普遍的方式。在确认是否进入乘坐公共交通状态期间，本发明实施例开启移动终端上的GPS，通过开启的GPS获取移动终端用户所在的第一位置信息。接着，将第一位置信息与公共交通站点和线路数据进行匹配，判断当前是否在公共交通站点或其附近，或者是否沿公共交通线路行驶，若匹配上，则在指定时长后获取移动终端用户所在的第二位置信息和移动速度，若匹配上，且移动速度符合预设条件，则确定用户活动状态为乘坐公共交通状态。

从静止到乘坐公共交通状态，通过定位位置结合公共交通站点和线路数据，判断当前是否在公共交通站点附近及站点是否为始发站，如果不是从始发站上车，通常不会存在静止状态，即便存在，也可能持续时间很短，因此设定阈值，静止时间超过阈值则不认为是乘坐公共交通状态；如果是始发站，则该阈值可以设为较长的时间，同时还需要判断静止之前的历史状态，需存在步行状态才可以识别为乘坐公共交通状态。

在确定用户活动状态是否发生切换时，本发明实施例还可以基于移动终端的状态变化来确定。具体地，当移动终端的状态发生变化时，获取移动终端上的用于识别用户活动状态的相关数据，并基于获取的相关数据识别用户活动状态为待定活动状态；接着，判断在待定活动状态之前是否存在已确定的第一活动状态；若存在，则基于待定活动状态与第一活动状态，确定用户的第二活动状态。这里，移动终端的状态发生变化可以是多种情况，例如，从移动终端的传感器处读取传感器数据，若读取的传感器数据的振幅变化大于幅度阈值，则确定移动终端的状态发生变化；又例如，当监测到移动终端上的指定通信模块接入相应协议类型的通信设备，则确定移动终端的状态发生变化，等等，本发明实施例不限于此。

进一步，在基于待定活动状态与第一活动状态确定用户的第二活动状态时，若用户活动状态为待定活动状态的持续时长大于时间阈值，则将待定活动状态确定为用户的第二活动状态。若用户活动状态为待定活动状态的持续时长小于时间阈值，则继续监测移动终端的状态是否发生变化。

举例来说，若从移动终端的传感器处读取传感器数据，若读取的传感器数据的振幅变化大于幅度阈值，此时移动终端的状态发生变化，则获取移动终端上的用于识别用户活动状态的相关数据，并基于获取的相关数据识别用户活动状态为待定活动状态，具体为静止状态。若在静止状态之前存在已确定的第一活动状态，具体为步行状态。如果用户活动状态为静止状态的持续时长大于时间阈值(如15秒)，则确定用户的第二活动状态为静止状态。如果用户活动状态为静止状态的持续时长小于15秒，则继续监测移动终端的状态是否发生变化。若监测到移动终端上的指定通信模块接入相应协议类型的通信设备，此时移动终端的状态发生变化，则基于接入的通信设备的相关信息识别出用户活动状态为待定活动状态，具体为驾车状态。如果用户活动状态为驾车状态的持续时长大于时间阈值(如30秒)，则确定用户的第二活动状态为驾车状态。如果用户活动状态为驾车状态的持续时长小于30秒，则继续监测移动终端的状态是否发生变化，以此类推。

在本发明实施例中，基于用户随身携带的移动终端获取到用户的历史活动数据，例如，在历史活动数据中记录有如下信息：用户在每日上午7:00～8:00乘坐从地点a到地点b的公交，在每日上午8:00～12:00于地点b停留，等等。

在一个实施例中，静止活动类型并非指用户在某个地点上绝对的静止，也可将小范围内的运动认为是一种静止状态。例如，地点b为用户的公司，用户8:00～12:00于公司所属范围内的走动也可认为是静止活动类型。

上述步骤中，常用地点包括常停留地点和/或历史搜索地点。其中，常停留地点包括以下至少一项：停留时长达到预设时长的地点、停留频率达到预设频率的地点、在预设周期内的固定时间段均前往的地点，其中，预设周期包括每年、每月、每日中的至少一种。例如，用户每天在公寓A的停留时长达到10小时(即预设时长)以上，则公寓A为用户的常停留地点；或者，用户每隔2天(即停留频率)都会固定去健身所B，则健身所B为用户的常停留地点；再或者，用户每个月(即预设周期)的1～3日(即固定时间段)均前往住所C，则住所C为用户的常停留地点。

确定出常用地点之后，继续执行步骤S102，即从常用地点中筛选出至少一个常用地点作为搜索建议词。该步骤中，可将确定出的常用地点全部作为搜索建议词，也可根据用户当前的需求自动筛选出一部分常用地点作为搜索建议词。以下详细说明如何根据用户当前的需求筛选常用地点。

在一个实施例中，可根据用户当前产生的至少一种活动状态来筛选常用地点。因此，步骤S102可执行为以下步骤：

首先，利用移动终端的当前活动数据确定用户当前产生的至少一种活动状态。其中，用户当前产生的至少一种活动状态包括活动地点、活动类型和/或活动方向。移动终端的当前活动数据可包括移动终端上任一种具有记录活动数据功能的客户端上所记录的活动数据，还可包括移动终端内设的传感器(如加速度传感器、陀螺仪、磁力计等)所录的传感器数据。根据这些当前活动数据，即可确定出用户当前所产生的活动状态，例如用户当前为静止状态、跑步状态或驾车状态等等。

其次，根据用户当前产生的至少一种活动状态，从常用地点中筛选出至少一个常用地点作为搜索建议词。具体的，可按照如下步骤A1-A3筛选常用地点：

步骤A1，获取当前的活动地点以及各常用地点的地理位置信息，以根据地理位置信息确定出活动地点以及各常用地点之间的距离。

步骤A2，获取预设的距离范围与活动类型之间的对应关系。

步骤A3，根据对应关系确定与当前的活动类型对应的至少一个距离范围，并从常用地点中筛选出符合至少一个距离范围的常用地点作为搜索建议词。优选地，可从常用地点中筛选出符合至少一个距离范围、且相对于当前地点的方向与活动方向一致的常用地点作为搜索建议词。

该实施例能够利用移动终端的当前活动数据确定用户当前产生的至少一种活动状态，并根据该活动状态筛选出至少一个常用地点作为搜索建议词，使得移动终端筛选出的搜索建议词更加符合用户当前产生的活动状态，而无需用户手动输入搜索关键词，进而使移动终端对搜索词的推荐更加智能化、人性化。

举例而言，用户的常用地点共有地点A、地点B和地点C三个，用户当前产生的活动状态包括：活动地点为D，活动类型为跑步，活动方向为向东。即，用户当前正在地点D处沿向东的方向跑步。其中，地点D与地点A之间的距离为1公里，地点D与地点B之间的距离为3公里，地点D与地点C之间的距离为15公里。在预设的距离范围与活动类型之间的对应关系中，走路或跑步活动类型对应的距离值较小，驾车或乘坐公交/地铁对应的距离值较大。假设与当前的活动类型(即跑步)对应的距离范围为0.5～5公里，那么在地点A、地点B和地点C三个地点中，只有地点A和地点B符合活动状态——跑步对应的距离范围，因此可筛选出地点A和地点B作为搜索建议词。更进一步地，假设在上述距离值的基础上，地点A相对于地点D的方向为东，而地点B相对于地点D的方向为西，由于地点B相对于地点D的方向不符合用户当前的活动方向，因此这种情况下仅筛选出地点A作为搜索建议词。

此外，除上述列举的筛选方式之外，还可结合各地点之间的路况信息来筛选常用地点。具体地，当用户当前产生的活动状态为走路或跑步时，可筛选出路面平整、

由上述可知，本实施例能够根据各常用地点与当前活动地点之间的距离、相对方向以及其他相关信息(如路况信息等)来筛选常用地点，使得筛选出的地点类搜索建议词更加符合用户当前的需求，避免筛选出用户当前不愿前往的地点，例如与用户当前的活动方向相反、距离太远无法步行到达、路况太差无法驾车前往等等，从而大大提高了用户的搜索体验度。

确定搜索建议词之后，继续执行步骤S103，即将搜索建议词推送至指定类型应用，以使指定类型应用内的搜索框被触发时，将搜索建议词显示在搜索框对应的搜索词推荐位置。其中，指定类型应用包括搜索类应用(如百度搜索、360搜索等)、地图类应用(如360地图、谷歌地图等)、导航类应用(如百度地图等)、生活消费类应用(如大众点评、美团网、糯米网等)中的至少一项。对于不同的指定类型应用，搜索建议词被推送至该应用中的显示位置可能有所不同，以下列举几个不同的指定类型应用来详细说明步骤S103。

在一个实施例中，指定类型应用为搜索类应用。此时，移动终端将搜索建议词推送至搜索类应用的搜索框对应的位置进行显示，该位置包括搜索框中的位置和/或搜索框的下拉列表中的位置。例如，当搜索建议词仅包括一个常用地点时，可直接将搜索建议词推送并显示在搜索类应用的搜索框中；当搜索建议词包括多个常用地点时，则可将多个搜索建议词推送并显示在搜索类应用的搜索框的下拉列表中，以供用户从下拉列表中选择当前所需的搜索词。

在另一个实施例中，指定类型应用为导航类应用。此时，移动终端将搜索建议词推送至导航类应用的地点搜索框对应的位置进行显示，由于导航类应用中通常包括起点搜索框和终点搜索框两个搜索框，因此移动终端可将搜索建议词推送并显示在导航类应用的终点搜索框对应的位置(包括终点搜索框和/或下拉列表中的位置)，这样既实现了为用户提供常用地点作为搜索建议词，也符合用户通常使用导航类应用搜索终点的习惯。当确定其中一个搜索建议词为终点搜索词时，导航类应用还可生成从用户当前的活动地点至终点的路线规划。

此外，在该实施例中，移动终端还可将常用地点以预定标识的方式标注在导航类应用的地图中，从而起到突出显示的作用，以使用户从地图中一目了然地获知与自己相关的常用地点的位置，并获知每个位置周边的活动场所。

在另一个实施例中，指定类型应用为生活消费类应用。此时，移动终端将搜索建议词推送至生活消费类应用的搜索框对应的位置进行显示，该位置包括搜索框中的位置和/或搜索框的下拉列表中的位置。例如，移动终端已筛选出常用地点“XXX”作为搜索建议词，则移动终端将搜索建议词“XXX”推送至生活消费类应用的搜索框对应的位置进行显示。图4所示为该例中一种生活消费类应用的搜索界面图，在图4中，搜索框中显示有搜索建议词“XXX”，用户可直接点击搜索框右侧的“搜索”按钮对常用地点“XXX”进行搜索，而无需手动输入搜索词。

此外，在该实施例中，移动终端还可为用户推荐搜索词对应的地点的周边相关信息，包括优惠信息、推广信息等。例如，在搜索框下方的位置为用户提供地点“XXX”周边具有优惠活动的商场、其他用户推荐的餐饮场所、适合娱乐的场所等等。进一步地，移动终端还可根据用户搜索的地点类型来为用户推荐相关信息。具体地，当地点类型为商场时，可推荐商场内的优惠信息、推广信息等，例如商场内的哪家店铺有优惠活动；当地点类型为餐饮场所时，可推荐该餐饮场所内的优惠信息、好评信息等，例如哪些餐饮被大众推荐等。

在一个实施例中，上述方法还包括以下步骤：持续监测用户当前产生的活动状态；当监测到用户当前产生的活动状态发生变化时，从常用地点中重新筛选出至少一个常用地点作为新的搜索建议词，并将新的搜索建议词推送至指定类型应用。该实施例中，能够根据用户当前产生的活动状态的变化及时更新搜索建议词，使得移动终端为用户筛选的搜索建议词能够跟紧用户的当前需求，避免因用户活动状态发生改变时无法及时提供正确的搜索建议词的情况。

在一个实施例中，上述方法还包括以下步骤：当用户当前产生的至少一种活动状态包括驾驶状态时，调起移动终端的OS操作系统，并利用OS操作系统将移动终端的当前模式调整为语音交互驾驶模式。

在一个实施例中，上述方法还包括以下步骤：

首先，确定常用地点的类型。其中，常用地点的类型可包括公司、商场、公园、医院等。

其次，根据常用地点的类型确定用户的常活动习惯，并根据常活动习惯生成用户的专属标签。例如，当常用地点的类型包括公司时，可确定用户的常活动习惯包括经常上班，因此可为用户生成专属标签“固定上下班用户”；当常用地点的类型包括医院时，可确定用户的常活动习惯包括经常看病，因此可为用户生成专属标签“身体状况不佳”；等等。

最后，结合专属标签以及用户的个人信息，为用户生成专属画像。其中，用户的个人信息可包括头像、通讯号码、性格、个性签名等。例如，结合专属标签和用户头像，可将专属标签以文字的方式标识在用户头像的上方，从而为用户生成专属画像。

图5是根据本发明一个实施例的一种基于活动状态提供搜索建议词的装置的示意性框图。如图5所示，该装置设置于移动终端，包括：

第一确定模块510，适于根据基于移动终端记录的用户的历史活动数据得到的历史活动状态信息，确定用户的常用地点；

第一筛选模块520，与第一确定模块510相耦合，适于从常用地点中筛选出至少一个常用地点作为搜索建议词；

第一推送模块530，与第一筛选模块520相耦合，适于将搜索建议词推送至指定类型应用，以使指定类型应用内的搜索框被触发时，将搜索建议词显示在搜索框对应的搜索词推荐位置。

可选地，常用地点包括常停留地点和/或历史搜索地点。

可选地，常停留地点包括以下至少一项：

停留时长达到预设时长的地点；

停留频率达到预设频率的地点；

在预设周期内的固定时间段均前往的地点，预设周期包括每年、每月、每日中的至少一种。

可选地，第一筛选模块520还适于：

利用移动终端的当前活动数据确定用户当前产生的至少一种活动状态；

根据至少一种活动状态，从常用地点中筛选出至少一个常用地点作为搜索建议词。

可选地，活动状态包括活动地点、活动类型、活动方向中的至少一种，第一筛选模块520还适于：

获取活动地点以及各常用地点的地理位置信息，以根据地理位置信息确定出活动地点以及各常用地点之间的距离；

获取预设的距离范围与活动类型之间的对应关系；

根据对应关系确定与活动类型对应的至少一个距离范围，并从常用地点中筛选出符合至少一个距离范围的常用地点作为搜索建议词。

可选地，第一筛选模块520还适于：

从常用地点中筛选出符合至少一个距离范围、且相对于当前地点的方向与活动方向一致的常用地点作为搜索建议词。

可选地，指定类型应用包括搜索类应用、地图类应用、导航类应用、生活消费类应用中的至少一项。

可选地，如图6所示，上述装置还包括：

监测模块540，与第一筛选模块520相耦合，适于持续监测用户当前产生的活动状态；

第二筛选模块550，与监测模块540相耦合，适于当监测到用户当前产生的活动状态发生变化时，从常用地点中重新筛选出至少一个常用地点作为新的搜索建议词；

第二推送模块560，与第二筛选模块550相耦合，适于将新的搜索建议词推送至指定类型应用。

调起模块570，与第一筛选模块520相耦合，适于当用户当前产生的至少一种活动状态包括驾驶状态时，调起移动终端的OS操作系统；

调整模块580，与调起模块570相耦合，适于利用OS操作系统将移动终端的当前模式调整为语音交互驾驶模式。

可选地，上述装置还包括：

第二确定模块，适于确定常用地点的类型；

第一生成模块，与第二确定模块相耦合，适于根据常用地点的类型确定用户的常活动习惯，并根据常活动习惯生成用户的专属标签；

第二生成模块，与第一生成模块相耦合，适于结合专属标签以及用户的个人信息，为用户生成专属画像。

采用本发明实施例提供的装置，能够基于移动终端所记录的用户的历史活动数据得到的历史活动状态信息确定出用户的常用地点，并从中筛选出至少一个常用地点作为搜索建议词，进而将筛选出的搜索建议词推送至指定类型应用，以使指定类型应用内的搜索框被触发时能够将搜索建议词显示在搜索框对应的搜索词推荐位置，使得用户通过指定类型应用内的搜索框进行搜索时，移动终端能够基于用户的常用地点来提供搜索建议词。因此，相较于现有技术中仅能为用户推荐热点新闻、或者仅能根据用户输入的部分字符推荐关键词的方法而言，该技术方案中的移动终端在为用户提供搜索建议词时，更加贴近用户当前的活动状态的相关需求，提高了用户的搜索体验度。

进一步地，该装置能够利用移动终端的当前活动数据确定用户当前产生的至少一种活动状态，并根据该活动状态筛选出至少一个常用地点作为搜索建议词，使得移动终端筛选出的搜索建议词更加符合用户当前产生的活动状态，而无需用户手动输入搜索关键词，进而使移动终端对搜索词的推荐更加智能化、人性化。

本领域的技术人员应可理解，图5中的基于活动状态提供搜索建议词的装置能够用来实现前文所述的基于活动状态提供搜索建议词的方案，其中的细节描述应与前文方法部分描述类似，为避免繁琐，此处不另赘述。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于活动状态提供搜索建议词的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (10)

1.一种基于活动状态提供搜索建议词的方法，应用于移动终端，所述方法包括：

根据基于所述移动终端记录的用户的历史活动数据得到的历史活动状态信息，确定所述用户的常用地点；

从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词；

将所述搜索建议词推送至所述指定类型应用，以使所述指定类型应用内的搜索框被触发时，将所述搜索建议词显示在所述搜索框对应的搜索词推荐位置。

2.根据权利要求1所述的方法，其中，所述常用地点包括常停留地点和/或历史搜索地点。

3.根据权利要求1-2中任一项所述的方法，其中，所述常停留地点包括以下至少一项：

停留时长达到预设时长的地点；

停留频率达到预设频率的地点；

在预设周期内的固定时间段均前往的地点，所述预设周期包括每年、每月、每日中的至少一种。

4.根据权利要求1-3中任一项所述的方法，其中，从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词，包括：

利用所述移动终端的当前活动数据确定所述用户当前产生的至少一种活动状态；

根据所述至少一种活动状态，从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词。

5.根据权利要求1-4中任一项所述的方法，其中，所述活动状态包括活动地点、活动类型、活动方向中的至少一种；根据所述至少一种活动状态，从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词，包括：

获取所述活动地点以及各常用地点的地理位置信息，以根据所述地理位置信息确定出所述活动地点以及所述各常用地点之间的距离；

获取预设的距离范围与活动类型之间的对应关系；

根据所述对应关系确定与所述活动类型对应的至少一个距离范围，并从所述常用地点中筛选出符合所述至少一个距离范围的常用地点作为搜索建议词。

6.根据权利要求1-5中任一项所述的方法，其中，从所述常用地点中筛选出符合所述至少一个距离范围的常用地点作为搜索建议词，包括：

从所述常用地点中筛选出符合所述至少一个距离范围、且相对于当前地点的方向与所述活动方向一致的常用地点作为搜索建议词。

7.根据权利要求1-6中任一项所述的方法，其中，所述指定类型应用包括搜索类应用、地图类应用、导航类应用、生活消费类应用中的至少一项。

8.根据权利要求1-7中任一项所述的方法，其中，所述方法还包括：

持续监测所述用户当前产生的活动状态；

当监测到所述用户当前产生的活动状态发生变化时，从所述常用地点中重新筛选出至少一个所述常用地点作为新的搜索建议词；

将所述新的搜索建议词推送至所述指定类型应用。

9.根据权利要求1-8中任一项所述的方法，其中，所述方法还包括：

当所述用户当前产生的至少一种活动状态包括驾驶状态时，调起所述移动终端的OS操作系统；

利用所述OS操作系统将所述移动终端的当前模式调整为语音交互驾驶模式。

10.一种基于活动状态提供搜索建议词的装置，设置于移动终端，所述装置包括：

第一确定模块，适于根据基于所述移动终端记录的用户的历史活动数据得到的历史活动状态信息，确定所述用户的常用地点；

第一筛选模块，适于从所述常用地点中筛选出至少一个所述常用地点作为搜索建议词；

第一推送模块，适于将所述搜索建议词推送至所述指定类型应用，以使所述指定类型应用内的搜索框被触发时，将所述搜索建议词显示在所述搜索框对应的搜索词推荐位置。