CN109117874A - 操作行为预测方法及装置 - Google Patents
操作行为预测方法及装置 Download PDFInfo
- Publication number
- CN109117874A CN109117874A CN201810827054.3A CN201810827054A CN109117874A CN 109117874 A CN109117874 A CN 109117874A CN 201810827054 A CN201810827054 A CN 201810827054A CN 109117874 A CN109117874 A CN 109117874A
- Authority
- CN
- China
- Prior art keywords
- terminal device
- operation behavior
- module
- training sample
- object module
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于操作行为预测方法及装置。该方法包括:获取针对终端设备的当前操作行为,将当前操作行为输入至目标模型,得到目标模型预测的下一个操作行为;目标模型是根据训练样本对预设模型进行训练得到的,训练样本包括:终端设备中的历史操作行为。由于目标模型是通过终端设备中的历史操作行为训练得到的,而历史操作行为涵盖了用户使用终端设备的详细数据,从而使得训练的目标模型可以从多个维度来预测用户的下一个操作行为,进而使得预测的用户的下一个操作行为更加准确,因此,当将终端设备中的当前操作行为输入至目标模型后,目标模型预测出的用户的下一个操作行为更加符合持有终端设备的用户。
Description
技术领域
本公开涉及信息预测技术领域,尤其涉及操作行为预测方法及装置。
背景技术
目前,利用大数据收集大量用户使用手机应用程序(Application,简称为:APP)的顺序,然后在服务器端,把海量数据汇总起来,训练一个通用模型,预测用户下一个会使用什么APP的工作。
发明内容
为克服相关技术中存在的问题,本公开实施例提供操作行为预测方法及装置。所述技术方案如下:
根据本公开实施例的第一方面,提供一种操作行为预测方法,包括:
获取针对终端设备的当前操作行为;
将所述当前操作行为输入至目标模型,得到所述目标模型预测的下一个操作行为;所述目标模型是根据训练样本对预设模型进行训练得到的,所述训练样本包括:所述终端设备的历史操作行为。
本公开的实施例提供的技术方案可以包括以下有益效果:获取针对终端设备的当前操作行为,将当前操作行为输入至目标模型,得到目标模型预测的下一个操作行为;目标模型是根据训练样本对预设模型进行训练得到的,训练样本包括:终端设备中的历史操作行为。由于目标模型是通过终端设备中的历史操作行为训练得到的,而历史操作行为涵盖了用户使用终端设备的详细数据,从而使得训练的目标模型可以从多个维度来预测用户的下一个操作行为,进而使得预测的用户的下一个操作行为更加准确,因此,当将终端设备中的当前操作行为输入至目标模型后,目标模型预测出的用户的下一个操作行为更加符合持有终端设备的用户。
在一个实施例中,所述获取终端设备的当前操作行为,包括:
获取终端设备当前的日志信息;
根据所述终端设备当前的日志信息获取所述终端设备的当前操作行为;
所述日志信息至少包括以下信息中的至少一种:应用程序启动信息、应用程序切换信息、无线保真网络的状态变化信息、蓝牙的状态变化信息、系统的电量信息。
在一个实施例中,所述终端设备的历史操作行为包括:所述终端设备的历史日志信息。
在一个实施例中,所述获取终端设备的当前日志信息之前,包括:
获取所述训练样本;
通过所述训练样本对所述预设模型进行训练,获取所述目标模型。
在一个实施例中,所述获取所述训练样本之后,还包括:
保存所述训练样本;
所述通过所述训练样本对所述预设模型进行训练,获取所述目标模型包括:
当检测到所述终端设备的当前使用状态满足预设条件时,通过所述训练样本对所述预设模型进行训练,获取所述目标模型;
其中,所述终端设备的当前使用状态满足预设条件包括:所述终端设备的系统资源未被占用,或,所述终端设备处于充电状态。
在一个实施例中,所述通过所述训练样本对所述预设模型进行训练,获取所述目标模型,包括:
将所述训练样本发送给服务器,以使所述服务器通过所述训练样本对所述预设模型进行训练并获取所述目标模型;
接收所述服务器发送的所述目标模型。
根据本公开实施例的第二方面,提供一种操作行为预测装置,包括:
第一获取模块,用于获取针对终端设备的当前操作行为;
输入模块,用于将所述第一获取模块获取的所述当前操作行为输入至目标模型,得到所述目标模型预测的下一个操作行为;所述目标模型是根据训练样本对预设模型进行训练得到的,所述训练样本包括:所述终端设备的历史操作行为。
在一个实施例中,所述第一获取模块包括:第一获取子模块和第二获取子模块;
所述第一获取子模块,用于获取终端设备当前的日志信息;
所述第二获取子模块,用于根据所述第一获取子模块获取的所述终端设备当前的日志信息获取所述终端设备的当前操作行为;
所述日志信息至少包括以下信息中的至少一种:应用程序启动信息、应用程序切换信息、无线保真网络的状态变化信息、蓝牙的状态变化信息、系统的电量信息。
在一个实施例中,所述终端设备的历史操作行为包括:所述终端设备的历史日志信息。
在一个实施例中,所述装置还包括:第二获取模块和训练模块;
所述第二获取模块,用于在所述第一获取模块获取获取终端设备的当前日志信息之前,获取所述训练样本;
所述训练模块,用于通过所述第二获取模块获取的所述训练样本对所述预设模型进行训练,获取所述目标模型。
在一个实施例中,所述训练模块包括:保存子模块、检测子模块和训练子模块;
所述保存子模块,用于保存所述第二获取模块获取的所述训练样本;
所述检测子模块,用于检测所述终端设备的当前使用状态是否满足预设条件;
所述训练子模块,用于当所述检测子模块检测到所述终端设备的当前使用状态满足预设条件时,通过所述训练样本对所述预设模型进行训练,获取所述目标模型;
其中,所述终端设备的当前使用状态满足预设条件包括:所述终端设备的系统资源未被占用,或,所述终端设备处于充电状态。
在一个实施例中,所述训练模块包括:发送子模块和接收子模块;
所述发送子模块,用于将所述第二获取模块获取的所述训练样本发送给服务器,以使所述服务器通过所述训练样本对所述预设模型进行训练并获取所述目标模型;
所述接收子模块,用于接收所述服务器发送的所述目标模型。
根据本公开实施例的第三方面,提供一种操作行为预测装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取针对终端设备的当前操作行为;
将所述当前操作行为输入至目标模型,得到所述目标模型预测的下一个操作行为;所述目标模型是根据训练样本对预设模型进行训练得到的,所述训练样本包括:所述终端设备的历史操作行为。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的操作行为预测方法的流程图。
图2是根据一示例性实施例示出的一种操作行为预测方法的流程图。
图3是根据一示例性实施例示出的一种操作行为预测方法的流程图。
图4是根据一示例性实施例示出的一种操作行为预测装置的框图。
图5是根据一示例性实施例示出的一种操作行为预测装置中第一获取模块的框图。
图6是根据一示例性实施例示出的一种操作行为预测装置的框图。
图7是根据一示例性实施例示出的一种操作行为预测装置中训练模块的框图。
图8是根据一示例性实施例示出的一种操作行为预测装置中训练模块的框图。
图9是根据一示例性实施例示出的一种用于操作行为预测装置80的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
目前,获取到的数据是把所有用户的APP使用习惯汇总起来的,不太个性化,对于那些APP使用顺序和大家比较一致的人群,预测效果好,但是对于习惯比较特殊的人群,预测效果就不好了。
为了提升用户行为的预测效果,本公开提出一种操作行为预测方法。
图1是根据一示例性实施例示出的操作行为预测方法的流程图,如图1所示,该方法包括以下步骤S101-S102:
在步骤S101中,获取针对终端设备的当前操作行为。
在步骤S102中,将当前操作行为输入至目标模型,得到目标模型预测的下一个操作行为;目标模型是根据训练样本对预设模型进行训练得到的,训练样本包括:终端设备中的历史操作行为。
终端设备的历史操作行为为终端设备使用目标模型对用户的行为进行预测之前,终端设备的全部操作行为,也可以是预设时间段的操作行为。
终端设备的当前操作行为可以为预设时间段内终端设备的操作行为,比如,在终端设备使用目标模型对用户的下一个操作行为进行预测之前的5分钟内终端设备的操作行为。
本公开的实施例提供的技术方案可以包括以下有益效果:获取针对终端设备的当前操作行为,将当前操作行为输入至目标模型,得到目标模型预测的下一个操作行为;目标模型是根据训练样本对预设模型进行训练得到的,训练样本包括:终端设备中的历史操作行为。由于目标模型是通过终端设备中的历史操作行为训练得到的,而历史操作行为涵盖了用户使用终端设备的详细数据,从而使得训练的目标模型可以从多个维度来预测用户的下一个操作行为,进而使得预测的用户的下一个操作行为更加准确,因此,当将终端设备中的当前操作行为输入至目标模型后,目标模型预测出的用户的下一个操作行为更加符合持有终端设备的用户。
在一个实施例中,上述步骤S101包括以下子步骤A1-A2:
在A1中,获取终端设备当前的日志信息。
在A2中,根据终端设备当前的日志信息获取终端设备的当前操作行为。
其中,日志信息至少包括以下信息中的至少一种:应用程序启动信息、应用程序切换信息、无线保真网络的状态变化信息、蓝牙的状态变化信息、系统的电量信息。
由于日志(英文:log)信息里,含有大量的,多维度的终端设备的状态信息,例如:应用程序(APPlication,简称为:APP)启动信息,APP切换信息,还是无线保真(WIreless-Fidelity,简称为:Wifi)网络的状态变化信息;蓝牙(英文:Bluetooth)的状态变化信息,以及各个其他开关的状态变化信息,甚至包括系统的电量信息,绘制信息等,都会有。
进而通过这种海量的、多维度的、详细的终端设备状态信息来获取终端设备的当前操作行为,使得确定的终端设备的当前操作行为更加准确。
示例的,当终端设备的操作系统为安卓(英文:Android)时,终端设备中的日志信息可以通过下日志信息类型中的至少一种来获取:系统日志(英文:system log)信息,时间日志(英文:event log)信息,内核日志(英文:kernel log)信息等等。
在一个实施例中,终端设备的历史操作行为包括:终端设备的历史日志信息。
通过利用终端设备中的日志(英文:log)信息,来训练目标模型。而log信息里,含有大量的,多维度的用户行为信息。通过这种海量的、多维度的、详细的终端设备状态信息的数据收集,相比单纯的APP使用顺序数据,可以极大的加强目标模型的预测准确度,而且使得训练的目标模型更加个性化。
示例的,如果训练样本中包括用户在工作时连接的wifi,那么此时通过目标模型以及终端设备的当前操作行为就可以检测终端设备是否连接工作时的wifi,当检测到终端设备连接工作时的wifi时,便可以预测用户的下一个操作行为为用户在工作。当然,本公开中目标模型预测的持有终端设备的用户的操作行为还可以包括:用户接下来使用终端设备中的哪个APP;或者,用户当前的位置等。本公开不对预测的用户的下一个操作行为的类型加以限定。
在一个实施例中,上述步骤S101之前,还包括以下子步骤B1-B2:
在B1中,获取训练样本。
在B2中,通过训练样本对预设模型进行训练,获取目标模型。
为了使用目标模型对用户行为进行预测,还需要对预设模型进行训练,以得到目标模型。
可以采用机器学习的方法基于训练样本对预设模型进行训练,以获取目标模型。
进一步的,由于强化学习是一种不断自我学习,自我评价,自我优化的机器学习方法。通过强化学习,可以不断根据真实的用户行为和预测的用户行为的对比来调整模型,从而使得得到的目标模型预测得越来越准确,因此,在本公开中,机器学习的方法可以包括:强化学习。
在本公开中,由于用户是不断的使用终端设备的,因此,终端设备中记录的日志信息是不断增加,也即,终端设备中的历史日志信息是不断增加的,为了提升目标模型后期预测的准确性,可以基于终端设备中的新增加的历史日志信息不停的训练模型,从而使得得到的目标模型的与促准确度更高。
在一个实施例中,上述步骤B1之后,还包括以下子步骤C1,此时,上述步骤B2包括以下子步骤C2:
在C1中,保存训练样本。
可以将训练样本保存在终端设备中的预设数据库中。
在C2中,当检测到终端设备的当前使用状态满足预设条件时,通过训练样本对预设模型进行训练,获取目标模型。其中,终端设备的当前使用状态满足预设条件包括:终端设备的系统资源未被占用,或,终端设备处于充电状态。
由于训练样本为用户使用终端设备时产生的日志信息,也即,训练样本为用户的隐私数据,当通过服务器进行目标模型的训练时,由于需要进行训练样本的传输,这样在传输的过程中会导致用户的隐私数据的丢失,为了避免用户的隐私数据在传输过程中丢失,可以在终端设备侧训练目标模型。而当利用每个终端设备的存储和运算能力来训练目标模型时,可以减少用于训练目标模型的中央统一服务器的压力。
但是在终端设备侧训练目标模型时,是要占据终端设备的系统资源的,因此,可以先将得到的训练样本进行保存,当检测到终端设备的系统资源未被占用时才开始训练目标模型;而且在终端设备侧训练目标模型时,是要耗费大量的电量的,因此,也可以在终端设备处于充电状态才开始训练目标模型。
在一个实施例中,上述步骤B2包括以下子步骤D1-D2:
在D1中,将训练样本发送给服务器,以使服务器通过训练样本对预设模型进行训练并获取目标模型。
在D2中,接收服务器发送的目标模型。
为了节省终端设备的系统资源和电量,可以将训练样本发送给服务器,以让服务器使用训练样本对预设模型进行训练得到目标模型,从而可以有效节省终端设备的系统资源和电量。
为了提升数据传输的可靠性,可以使用预设加密算法对训练样本进行加密,进而当服务器接收到加密后的训练样本,可以使用预设的解密算法对加密的训练样本进行解密,以使用训练样本对预设模型进行训练。
其中,服务器包括云端的服务器。
图2是根据一示例性实施例示出的一种操作行为预测方法的流程图,如图2所示,包括以下步骤:
在步骤S201中,获取训练样本;训练样本包括:终端设备中的历史日志信息。
在步骤S202中,保存训练样本。
在步骤S203中,当检测到终端设备的当前使用状态满足预设条件时,通过训练样本对预设模型进行训练,获取目标模型;终端设备的当前使用状态满足预设条件包括:终端设备的系统资源未被占用,或,终端设备处于充电状态。
在步骤S204中,获取终端设备的当前日志信息。
在步骤S205中,根据终端设备当前的日志信息获取终端设备的当前操作行为。
日志信息至少包括以下信息中的至少一种:应用程序启动信息、应用程序切换信息、无线保真网络的状态变化信息、蓝牙的状态变化信息、系统的电量信息。
在步骤S206中,将终端设备的当前操作行为输入至目标模型,得到目标模型预测的持有终端设备的用户的下一个操作行为。
图3是根据一示例性实施例示出的一种操作行为预测方法的流程图,如图3所示,包括以下步骤:
在步骤S301中,获取训练样本;训练样本包括:终端设备中的历史日志信息。
在步骤S302中,保存训练样本。
在步骤S303中,将训练样本发送给服务器,以使服务器通过训练样本对预设模型进行训练并获取目标模型。
在步骤S304中,接收服务器发送的目标模型。
在步骤S305中,获取终端设备的当前日志信息。
在步骤S306中,根据终端设备当前的日志信息获取终端设备的当前操作行为。
日志信息至少包括以下信息中的至少一种:应用程序启动信息、应用程序切换信息、无线保真网络的状态变化信息、蓝牙的状态变化信息、系统的电量信息。
在步骤S307中,将终端设备的当前操作行为输入至目标模型,得到目标模型预测的持有终端设备的用户的下一个操作行为。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图4是根据一示例性实施例示出的一种操作行为预测装置的框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示,该操作行为预测装置包括:
第一获取模块11,用于获取针对终端设备的当前操作行为;
输入模块12,用于将所述第一获取模块11获取的所述当前操作行为输入至目标模型,得到所述目标模型预测的下一个操作行为;所述目标模型是根据训练样本对预设模型进行训练得到的,所述训练样本包括:所述终端设备的历史操作行为。
在一个实施例中,如图5所示,所述第一获取模块11包括:第一获取子模块111和第二获取子模块112;
所述第一获取子模块111,用于获取终端设备当前的日志信息;
所述第二获取子模块112,用于根据所述第一获取子模块111获取的所述终端设备当前的日志信息获取所述终端设备的当前操作行为;
所述日志信息至少包括以下信息中的至少一种:应用程序启动信息、应用程序切换信息、无线保真网络的状态变化信息、蓝牙的状态变化信息、系统的电量信息。
在一个实施例中,所述终端设备的历史操作行为包括:所述终端设备的历史日志信息。
在一个实施例中,如图6所示,所述装置还包括:第二获取模块13和训练模块14;
所述第二获取模块13,用于在所述第一获取模块11获取获取终端设备的当前日志信息之前,获取所述训练样本;
所述训练模块14,用于通过所述第二获取模块13获取的所述训练样本对所述预设模型进行训练,获取所述目标模型。
在一个实施例中,如图7所示,所述训练模块14包括:保存子模块141、检测子模块142和训练子模块143;
所述保存子模块141,用于保存所述第二获取模块13获取的所述训练样本;
所述检测子模块142,用于检测所述终端设备的当前使用状态是否满足预设条件;
所述训练子模块143,用于当所述检测子模块142检测到所述终端设备的当前使用状态满足预设条件时,通过所述训练样本对所述预设模型进行训练,获取所述目标模型;
其中,所述终端设备的当前使用状态满足预设条件包括:所述终端设备的系统资源未被占用,或,所述终端设备处于充电状态。
在一个实施例中,如图8所示,所述训练模块14包括:发送子模块144和接收子模块145;
所述发送子模块144,用于将所述第二获取模块13获取的所述训练样本发送给服务器,以使所述服务器通过所述训练样本对所述预设模型进行训练并获取所述目标模型;
所述接收子模块145,用于接收所述服务器发送的所述目标模型。
根据本公开实施例的第三方面,提供一种操作行为预测装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为:
获取针对终端设备的当前操作行为;
将所述当前操作行为输入至目标模型,得到所述目标模型预测的下一个操作行为;所述目标模型是根据训练样本对预设模型进行训练得到的,所述训练样本包括:所述终端设备的历史操作行为。
上述处理器还可被配置为:
所述获取终端设备的当前操作行为,包括:
获取终端设备当前的日志信息;
根据所述终端设备当前的日志信息获取所述终端设备的当前操作行为;
所述日志信息至少包括以下信息中的至少一种:应用程序启动信息、应用程序切换信息、无线保真网络的状态变化信息、蓝牙的状态变化信息、系统的电量信息。
所述终端设备的历史操作行为包括:所述终端设备的历史日志信息。
所述获取终端设备的当前日志信息之前,包括:
获取所述训练样本;
通过所述训练样本对所述预设模型进行训练,获取所述目标模型。
所述获取所述训练样本之后,还包括:
保存所述训练样本;
所述通过所述训练样本对所述预设模型进行训练,获取所述目标模型包括:
当检测到所述终端设备的当前使用状态满足预设条件时,通过所述训练样本对所述预设模型进行训练,获取所述目标模型;
其中,所述终端设备的当前使用状态满足预设条件包括:所述终端设备的系统资源未被占用,或,所述终端设备处于充电状态。
所述通过所述训练样本对所述预设模型进行训练,获取所述目标模型,包括:
将所述训练样本发送给服务器,以使所述服务器通过所述训练样本对所述预设模型进行训练并获取所述目标模型;
接收所述服务器发送的所述目标模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种用于操作行为预测装置80的框图,该装置适用于终端设备。例如,装置80可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
装置80可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置80的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置80的操作。这些数据的示例包括用于在装置80上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置80的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置80生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置80和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置80处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置80处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置80提供各个方面的状态评估。例如,传感器组件814可以检测到装置80的打开/关闭状态,组件的相对定位,例如所述组件为装置80的显示器和小键盘,传感器组件814还可以检测装置80或装置80一个组件的位置改变,用户与装置80接触的存在或不存在,装置80方位或加速/减速和装置80的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置80和其他设备之间有线或无线方式的通信。装置80可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置80可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子组件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置80的处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由装置80的处理器执行时,使得装置80能够执行上述的操作行为预测方法,所述方法包括:
获取针对终端设备的当前操作行为;
将所述当前操作行为输入至目标模型,得到所述目标模型预测的下一个操作行为;所述目标模型是根据训练样本对预设模型进行训练得到的,所述训练样本包括:所述终端设备的历史操作行为。
所述获取终端设备的当前操作行为,包括:
获取终端设备当前的日志信息;
根据所述终端设备当前的日志信息获取所述终端设备的当前操作行为;
所述日志信息至少包括以下信息中的至少一种:应用程序启动信息、应用程序切换信息、无线保真网络的状态变化信息、蓝牙的状态变化信息、系统的电量信息。
所述终端设备的历史操作行为包括:所述终端设备的历史日志信息。
所述获取终端设备的当前日志信息之前,包括:
获取所述训练样本;
通过所述训练样本对所述预设模型进行训练,获取所述目标模型。
所述获取所述训练样本之后,还包括:
保存所述训练样本;
所述通过所述训练样本对所述预设模型进行训练,获取所述目标模型包括:
当检测到所述终端设备的当前使用状态满足预设条件时,通过所述训练样本对所述预设模型进行训练,获取所述目标模型;
其中,所述终端设备的当前使用状态满足预设条件包括:所述终端设备的系统资源未被占用,或,所述终端设备处于充电状态。
所述通过所述训练样本对所述预设模型进行训练,获取所述目标模型,包括:
将所述训练样本发送给服务器,以使所述服务器通过所述训练样本对所述预设模型进行训练并获取所述目标模型;
接收所述服务器发送的所述目标模型。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (14)
1.一种操作行为预测方法,其特征在于,包括:
获取针对终端设备的当前操作行为;
将所述当前操作行为输入至目标模型,得到所述目标模型预测的下一个操作行为;所述目标模型是根据训练样本对预设模型进行训练得到的,所述训练样本包括:所述终端设备的历史操作行为。
2.根据权利要求1所述的方法,其特征在于,所述获取终端设备的当前操作行为,包括:
获取终端设备当前的日志信息;
根据所述终端设备当前的日志信息获取所述终端设备的当前操作行为;
所述日志信息至少包括以下信息中的至少一种:应用程序启动信息、应用程序切换信息、无线保真网络的状态变化信息、蓝牙的状态变化信息、系统的电量信息。
3.根据权利要求2所述的方法,其特征在于,所述终端设备的历史操作行为包括:所述终端设备的历史日志信息。
4.根据权利要求1所述的方法,其特征在于,所述获取终端设备的当前日志信息之前,包括:
获取所述训练样本;
通过所述训练样本对所述预设模型进行训练,获取所述目标模型。
5.根据权利要求4所述的方法,其特征在于,所述获取所述训练样本之后,还包括:
保存所述训练样本;
所述通过所述训练样本对所述预设模型进行训练,获取所述目标模型包括:
当检测到所述终端设备的当前使用状态满足预设条件时,通过所述训练样本对所述预设模型进行训练,获取所述目标模型;
其中,所述终端设备的当前使用状态满足预设条件包括:所述终端设备的系统资源未被占用,或,所述终端设备处于充电状态。
6.根据权利要求4所述的方法,其特征在于,所述通过所述训练样本对所述预设模型进行训练,获取所述目标模型,包括:
将所述训练样本发送给服务器,以使所述服务器通过所述训练样本对所述预设模型进行训练并获取所述目标模型;
接收所述服务器发送的所述目标模型。
7.一种操作行为预测装置,其特征在于,包括:
第一获取模块,用于获取针对终端设备的当前操作行为;
输入模块,用于将所述第一获取模块获取的所述当前操作行为输入至目标模型,得到所述目标模型预测的下一个操作行为;所述目标模型是根据训练样本对预设模型进行训练得到的,所述训练样本包括:所述终端设备的历史操作行为。
8.根据权利要求7所述的装置,其特征在于,所述第一获取模块包括:第一获取子模块和第二获取子模块;
所述第一获取子模块,用于获取终端设备当前的日志信息;
所述第二获取子模块,用于根据所述第一获取子模块获取的所述终端设备当前的日志信息获取所述终端设备的当前操作行为;
所述日志信息至少包括以下信息中的至少一种:应用程序启动信息、应用程序切换信息、无线保真网络的状态变化信息、蓝牙的状态变化信息、系统的电量信息。
9.根据权利要求8所述的装置,其特征在于,所述终端设备的历史操作行为包括:所述终端设备的历史日志信息。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括:第二获取模块和训练模块;
所述第二获取模块,用于在所述第一获取模块获取获取终端设备的当前日志信息之前,获取所述训练样本;
所述训练模块,用于通过所述第二获取模块获取的所述训练样本对所述预设模型进行训练,获取所述目标模型。
11.根据权利要求10所述的装置,其特征在于,所述训练模块包括:保存子模块、检测子模块和训练子模块;
所述保存子模块,用于保存所述第二获取模块获取的所述训练样本;
所述检测子模块,用于检测所述终端设备的当前使用状态是否满足预设条件;
所述训练子模块,用于当所述检测子模块检测到所述终端设备的当前使用状态满足预设条件时,通过所述训练样本对所述预设模型进行训练,获取所述目标模型;
其中,所述终端设备的当前使用状态满足预设条件包括:所述终端设备的系统资源未被占用,或,所述终端设备处于充电状态。
12.根据权利要求10所述的装置,其特征在于,所述训练模块包括:发送子模块和接收子模块;
所述发送子模块,用于将所述第二获取模块获取的所述训练样本发送给服务器,以使所述服务器通过所述训练样本对所述预设模型进行训练并获取所述目标模型;
所述接收子模块,用于接收所述服务器发送的所述目标模型。
13.一种操作行为预测装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取针对终端设备的当前操作行为;
将所述当前操作行为输入至目标模型,得到所述目标模型预测的下一个操作行为;所述目标模型是根据训练样本对预设模型进行训练得到的,所述训练样本包括:所述终端设备的历史操作行为。
14.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810827054.3A CN109117874A (zh) | 2018-07-25 | 2018-07-25 | 操作行为预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810827054.3A CN109117874A (zh) | 2018-07-25 | 2018-07-25 | 操作行为预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109117874A true CN109117874A (zh) | 2019-01-01 |
Family
ID=64863207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810827054.3A Pending CN109117874A (zh) | 2018-07-25 | 2018-07-25 | 操作行为预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117874A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110332658A (zh) * | 2019-07-29 | 2019-10-15 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器 |
CN110609725A (zh) * | 2019-09-16 | 2019-12-24 | 山东爱城市网信息技术有限公司 | 一种前端用户行为预测方法及系统 |
CN111586020A (zh) * | 2020-04-29 | 2020-08-25 | 北京天融信网络安全技术有限公司 | 一种概率模型构建方法、装置、电子设备及存储介质 |
CN111722695A (zh) * | 2019-03-18 | 2020-09-29 | 北京小米移动软件有限公司 | 终端设备功耗优化方法及装置 |
CN111798019A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 意图预测方法、装置、存储介质及电子设备 |
CN111797861A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 信息处理方法、装置、存储介质及电子设备 |
CN111966703A (zh) * | 2020-06-30 | 2020-11-20 | 广州迈安信息科技有限公司 | 工程造价数据查询方法、装置、服务器和存储介质 |
CN113032034A (zh) * | 2019-12-06 | 2021-06-25 | 北京达佳互联信息技术有限公司 | 控制应用程序的方法、装置、服务器及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728874A (zh) * | 2017-09-06 | 2018-02-23 | 阿里巴巴集团控股有限公司 | 提供用户快捷操作的方法、装置及设备 |
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 |
US20180199291A1 (en) * | 2010-11-16 | 2018-07-12 | At&T Mobility Ii Llc | Data bundling and fast dormancy based upon intelligent application learning |
CN109086816A (zh) * | 2018-07-24 | 2018-12-25 | 重庆富民银行股份有限公司 | 一种基于贝叶斯分类算法的用户行为分析系统 |
CN109117873A (zh) * | 2018-07-24 | 2019-01-01 | 重庆富民银行股份有限公司 | 一种基于贝叶斯分类算法的用户行为分析方法 |
-
2018
- 2018-07-25 CN CN201810827054.3A patent/CN109117874A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180199291A1 (en) * | 2010-11-16 | 2018-07-12 | At&T Mobility Ii Llc | Data bundling and fast dormancy based upon intelligent application learning |
CN107728874A (zh) * | 2017-09-06 | 2018-02-23 | 阿里巴巴集团控股有限公司 | 提供用户快捷操作的方法、装置及设备 |
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 |
CN109086816A (zh) * | 2018-07-24 | 2018-12-25 | 重庆富民银行股份有限公司 | 一种基于贝叶斯分类算法的用户行为分析系统 |
CN109117873A (zh) * | 2018-07-24 | 2019-01-01 | 重庆富民银行股份有限公司 | 一种基于贝叶斯分类算法的用户行为分析方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722695A (zh) * | 2019-03-18 | 2020-09-29 | 北京小米移动软件有限公司 | 终端设备功耗优化方法及装置 |
CN111722695B (zh) * | 2019-03-18 | 2022-03-25 | 北京小米移动软件有限公司 | 终端设备功耗优化方法及装置 |
CN111798019A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 意图预测方法、装置、存储介质及电子设备 |
CN111797861A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 信息处理方法、装置、存储介质及电子设备 |
CN111798019B (zh) * | 2019-04-09 | 2023-03-24 | Oppo广东移动通信有限公司 | 意图预测方法、装置、存储介质及电子设备 |
CN110332658A (zh) * | 2019-07-29 | 2019-10-15 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器 |
CN110609725A (zh) * | 2019-09-16 | 2019-12-24 | 山东爱城市网信息技术有限公司 | 一种前端用户行为预测方法及系统 |
CN113032034A (zh) * | 2019-12-06 | 2021-06-25 | 北京达佳互联信息技术有限公司 | 控制应用程序的方法、装置、服务器及存储介质 |
CN111586020A (zh) * | 2020-04-29 | 2020-08-25 | 北京天融信网络安全技术有限公司 | 一种概率模型构建方法、装置、电子设备及存储介质 |
CN111586020B (zh) * | 2020-04-29 | 2021-09-10 | 北京天融信网络安全技术有限公司 | 一种概率模型构建方法、装置、电子设备及存储介质 |
CN111966703A (zh) * | 2020-06-30 | 2020-11-20 | 广州迈安信息科技有限公司 | 工程造价数据查询方法、装置、服务器和存储介质 |
CN111966703B (zh) * | 2020-06-30 | 2023-11-03 | 广州迈安信息科技有限公司 | 工程造价数据查询方法、装置、服务器和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117874A (zh) | 操作行为预测方法及装置 | |
CN111651263B (zh) | 移动终端的资源处理方法、装置、计算机设备及存储介质 | |
EP3099063A1 (en) | Video communication method and apparatus | |
CN105653323A (zh) | 应用程序管理方法及装置 | |
CN105553963B (zh) | 定位服务的控制方法和装置 | |
CN106231378A (zh) | 直播间的显示方法、装置及系统 | |
CN105472303A (zh) | 视频聊天防偷窥的方法和装置 | |
CN105843503B (zh) | 应用开启方法、装置和终端设备 | |
CN109375967A (zh) | 应用程序界面显示方法和装置、移动终端及存储介质 | |
US20170300211A1 (en) | Method and apparatus for displaying status information of application | |
KR20170038178A (ko) | 지문 인식 방법, 장치, 이동 단말기, 프로그램 및 컴퓨터 판독가능한 기록매체 | |
CN105653236A (zh) | 音量控制方法、装置和移动终端 | |
CN109039877A (zh) | 一种显示未读消息数量的方法、装置、电子设备及存储介质 | |
CN106254192A (zh) | 提示方法、提示装置及提示系统 | |
CN106096009A (zh) | 消息生成方法及装置 | |
CN108629178A (zh) | 应用程序的资源访问权限配置方法及装置 | |
CN109117229A (zh) | 屏幕分区域显示方法及装置 | |
CN109129484A (zh) | 机器人控制方法、装置及存储介质 | |
CN105653903B (zh) | 应用程序权限的管理方法及装置 | |
CN109214175B (zh) | 基于样本特征训练分类器的方法、装置及存储介质 | |
CN108476379A (zh) | 信息记录方法和信息记录装置 | |
CN106534658A (zh) | 控制摄像头拍照的方法、装置及移动终端 | |
CN107734139A (zh) | 终端设备的控制方法及装置 | |
CN105721283A (zh) | 截屏消息的发送方法、装置及设备 | |
CN105657658A (zh) | 聚集事件处理方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |