CN109978491A - 提醒预测方法、装置、计算机设备及存储介质 - Google Patents
提醒预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109978491A CN109978491A CN201910111418.2A CN201910111418A CN109978491A CN 109978491 A CN109978491 A CN 109978491A CN 201910111418 A CN201910111418 A CN 201910111418A CN 109978491 A CN109978491 A CN 109978491A
- Authority
- CN
- China
- Prior art keywords
- prompting
- training data
- vector
- prediction model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 136
- 239000013598 vector Substances 0.000 claims abstract description 106
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000000644 propagated effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000003252 repetitive effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种提醒预测方法、装置、计算机设备及存储介质。本发明应用于智能决策中的预测模型领域。所述方法包括：采用预设方式收集训练数据，其中，所述训练数据包括用于作为标签的第一训练数据以及具有提醒动作的第二训练数据；将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量；构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果；根据训练后的所述提醒预测模型对历史数据进行预测以输出提醒预测结果。通过实施本发明实施例的方法可实现为用户订制贴合用户使用习惯的提醒，减少用户的重复性操作，提高用户使用体验。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种提醒预测方法、装置、计算机设备及存储介质。
背景技术
随着科技与经济的发展，人们的生活水平逐步提高，智能产品已广泛地应用在人们的日常生活当中，例如，智能手机、平板电脑以及智能手表等。智能产品的功能多样化，其可以作为用户的智能助手提醒用户待办的事项，例如，生日提醒、会议提醒以及出行提醒等。然而，现有的智能助手的提醒前提是需要用户手动创建提醒，按照标签分类创建新事项并设置日程，操作非常繁琐，导致用户使用体验差。
发明内容
本发明实施例提供了一种提醒预测方法、装置、计算机设备及存储介质，旨在解决提醒需要手动创建，操作繁琐，用户使用体验差的问题。
第一方面，本发明实施例提供了一种提醒预测方法，其包括：采用预设方式收集训练数据，其中，所述训练数据包括用于作为标签的第一训练数据以及具有提醒动作的第二训练数据；将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量；构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果；根据训练后的所述提醒预测模型对历史数据进行预测以输出提醒预测结果。
第二方面，本发明实施例还提供了一种提醒预测装置，其包括：收集单元，用于采用预设方式收集训练数据，其中，所述训练数据包括用于作为标签的第一训练数据以及具有提醒动作的第二训练数据；预处理单元，用于将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量；构建单元，用于构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果；预测单元，用于根据训练后的所述提醒预测模型对历史数据进行预测以输出提醒预测结果。
第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述方法。
本发明实施例提供了一种提醒预测方法、装置、计算机设备及存储介质。其中，所述方法包括：采用预设方式收集训练数据，其中，所述训练数据包括用于作为标签的第一训练数据以及具有提醒动作的第二训练数据；将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量；构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果；根据训练后的所述提醒预测模型对历史数据进行预测以输出提醒预测结果。本发明实施例由于构建提醒预测模型，基于用户的行为进行提醒预测，为用户订制提醒，可实现为用户订制贴合用户使用习惯的提醒，减少用户的重复性操作，提高用户使用体验。
附图说明
为了更清楚地说明本发明实施例技术方案，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1为本发明实施例提供的提醒预测方法的流程示意图；
图2为本发明实施例提供的提醒预测方法的子流程示意图；
图3为本发明实施例提供的提醒预测方法的子流程示意图；
图4为本发明实施例提供的提醒预测方法的子流程示意图；
图5为本发明实施例提供的提醒预测方法的子流程示意图；
图6为本发明实施例提供的提醒预测装置的示意性框图；
图7为本发明实施例提供的提醒预测装置的具体单元的示意性框图；以及
图8为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
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做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1为本发明实施例提供的提醒预测方法的示意性流程图。该提醒预测方法应用于终端中。
图2是本发明实施例提供的提醒预测方法的流程示意图。如图所示，该方法包括以下步骤S110-S140。
S110、采用预设方式收集训练数据，其中，所述训练数据包括用于作为标签的第一训练数据以及具有提醒动作的第二训练数据。
在一实施例中，预设方式包括两种，一种是收集第一训练数据，另一种是收集第二训练数据，第一训练数据指的是用于作为标签的数据，第二训练数据指的是具有提醒动作的数据。由于每个用户的行为不同，会有不同的偏好，因此采用第一训练数据和第二训练数据相结合的训练数据能够实现训练数据的标签化分类，有效地提高训练数据的针对性从而提高提醒预测模型的准确度。
在一实施例中，如图2所示，所述步骤S110可包括步骤：S111-S112。
S111、根据终端所绑定的用户账号获取用户的基本信息。
在一实施例中，用户账号指的是用于标识用户的唯一ID，每台智能移动终端都会分配用户唯一的用户账号，且每台智能移动终端绑定一个用户账号，用户的相关信息根据用户账号进行存储，用户账号通过用户授予权限获取。例如，用户的基本信息，其包括：姓名、年龄、性别、昵称、身高、体重、血型、活动地域以及提醒标签等，其中提醒标签指的是该用户账号在终端中曾经创建过提醒的标签。由于用户信息是存储在系统的内存中，因此根据用户账号从系统内存中获取用户的基本信息。
S112、根据第一预设规则从所述基本信息中提取可作为标签的特征信息作为第一训练数据。
在一实施例中，第一预设规则指的是提取标签的规则，标签指的是具有共性的信息，由于基本信息中包含了可作为标签的特征信息，还包含了不可作为标签的其他信息，因此第一预设规则的作用是提取可作为标签的特征信息，过滤掉不可作为标签的其他信息。例如，基本信息包括：姓名为张三、年龄为26岁、性别为男、昵称为风之子、身高为180CM、体重为75KG、血型为A型、活动地域为A花园以及提醒标签为工作，其中，姓名、昵称、身高、体重以及血型为不可作为标签的其他信息，年龄、性别、活动领域以及提醒标签为可作为标签的特征信息，根据第一预设规则提取基本信息中的年龄、性别、活动领域以及提醒标签信息作为第一训练数据，过滤掉其他的基本信息。
在一实施例中，如图3所示，所述步骤S110还包括步骤：S113-S114。
S113、从终端的所有应用程序中获取预设时间段内的日志文件。
在一实施例中，用户在使用智能移动终端的过程中，应用程序记录了用户的使用过程，这些使用过程均存储在应用程序的日志文件中，例如，视频应用程序中的观看记录，新闻应用程序中的浏览记录以及备忘录应用程序中的提醒记录。具体地，预设时间段为最近一个季度，根据各应用程序的存储路径获取最近一个季度内的日志文件，这些日志文件中存储着用户近期的日志记录。
S114、根据第二预设规则从所述日志文件中提取具有提醒动作的特征日志记录作为第二训练数据。
在一实施例中，在得到日志文件后，由于日志文件中包含了各种日志记录，其中，包括具有提醒动作的日志记录以及不具有提醒动作的日志记录，因此第二预设规则的作用是在日志文件中提取具有提醒动作的日志记录，过滤掉不具有提醒动作的日志记录。例如，在视频应用程序的日志文件中，包括有观看综艺节目的观看记录，还有预约提醒观看明日凌晨三点足球直播视频的预约提醒记录，其中，观看综艺节目的观看记录为不具有提醒动作的日志记录，预约提醒观看明日凌晨三点足球直播视频的预约提醒记录为具有提醒动作的特征日志记录，根据第二预设规则提取预约提醒记录为具有提醒动作的特征日志记录作为第二训练数据，过滤掉不具有提醒动作的观看综艺节目的观看记录。
S120、将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量。
在一实施例中，预处理指的是将训练数据转换为向量的一系列过程，标签特征向量指的是以第一训练数据为标签结合了第一训练数据和第二训练数据的向量。例如，第一训练数据是性别为男，第二训练数据是预约提醒观看明日凌晨三点足球直播视频的观看记录，经过预处理后得到以性别为男和预约提醒观看明日凌晨三点足球直播视频组成的标签特征向量。通过标签特征向量作为提醒预测模型的输入可以有效地提高模型预测的准确度，使得所预测的提醒更加贴近于该标签下用户需要的提醒。
在一实施例中，如图4所示，所述步骤S120可包括步骤：S121-S123。
S121、对所述第一训练数据进行独热编码得到第一向量。
在一实施例中，独热编码即one-hot编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都有其独立的寄存器位，并且在任意时候只有一位有效，通常在处理稀疏而又散乱地分布在空间中的数值时使用。例如，第一训练数据为提醒标签，其包括：个人、旅游、工作以及生活，经过独热编码得到个人为[1、0、0、0]，旅游为[0、1、0、0]、工作为[0、0、1、0]以及生活为[0、0、0、1]的第一向量。
S122、通过向量转换工具对所述第二训练数据进行转换得到第二向量。
在一实施例中，向量转换工具指的是一种自然语言处理工具，其作用就是将自然语言中的字词转为计算机可以理解的向量。具体地，采用Word2Vec作为向量转换工具，Word2Vec通常采用Skip-Gram和CBOW两种模型来实现向量的转换，本方案采用Skip-Gram模型对第二训练数据进行转换，该Skip-Gram模型包括输入层、隐藏层以及输出层，从输入层到隐藏层的映射没有采用激活函数，而隐藏层到输出层采用霍夫曼树进行优化，经过霍夫曼树的优化可以大大减少计算量，加快第二向量的转换速度。具体地，首先对所收集的第二训练数据进行分词，然后再通过Word2Vec进行转换得到第二向量。
S123、将所述第一向量作为标签并将所述第一向量和所述第二向量进行特征交叉得到标签特征向量。
在一实施例中，在得到第一向量和第二向量之后进行特征交叉，具体地，是以第一向量为标签，在保留第一向量特征的前提下嵌入第二向量。每一个第一向量对应嵌入一个第二向量，当有多个第二向量时，分别与第一向量进行特征交叉。例如，在备忘录应用程序中，提醒标签中的工作标签项下记录有待办事项，那么该工作标签经独热编码后得到的第一向量为[0、0、1、0]，该待办事项经向量工具转换后得到的第二向量为[89、15、33、47]，将第一向量与第二向量进行特征交叉得到当该工作标签下还有其他的待办事项，那么将另外的待办事项分别转换为第二向量，再分别与第一向量进行特征交叉，得到多个以工作为标签的标签特征向量。
S130、构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果。
在一实施例中，通过深度神经网络(DNN)来构建提醒预测模型，深度神经网络是一种深度学习的算法，通过将收集到的训练数据输入到由深度神经网络构建的提醒预测模型中进行学习训练，使得该模型输出的提醒预测结果逼近用户真实需要的提醒，不再需要用户重复性地手动创建提醒，从而提高用户的使用体验。
在一实施例中，如图5所示，所述步骤S130可包括步骤：S131-S132。
S131、根据深度神经网络构建提醒预测模型。
在一实施例中，深度神经网络包括输入层、隐藏层以及输出层，中间的隐藏层可以是多层，层与层之间是全连接，输出层采用tanx函数激活。其具体公式如下：
其中，wi表示权重，b表示偏倚，xi为标签特征向量，yj为输出的提醒预测，i为输入标签特征向量的数量，f是激活函数。将所得到标签特征向量输入至上述深度神经网络模型的公式中进行训练。
S132、将所述标签特征向量输入至所述提醒预测模型并采用前向传播和反向传播相结合的方式对所述提醒预测模型进行训练输出提醒预测结果。
在一实施例中，深度神经网络模型的训练在于找到合适的参数，即权重和偏倚，在找到合适参数的模型后得到的输出才尽可能的接近真实的样本输出。因此，采用前向传播和反向传播相结合的方式来对提醒预测模型进行训练。其中，前向传播方式即从输入层到隐藏层再到输出层一步一步得到输出；而反向传播方式首先需要选定一个损失函数，通过该损失函数来度量输出与真实输出之间的损失即残差，具体地采用均方差的方法来计算损失函数，在得到残差后根据该残差进行梯度下降求解每一层的权重和偏倚对参数进行更新，具体地采用批量梯度下降法，随着下一个输入继续进行迭代不断地优化参数，从而完成提醒预测模型的训练。
S140、根据训练后的所述提醒预测模型对历史数据进行预测以输出提醒预测结果。
在一实施例中，历史数据指的是基于用户每日的行为产生与提醒预测相关的数据，例如，新增的第一训练数据和第二训练数据，通过上述获取第一训练数据和第二训练数据的方式来获取。具体地，首先提醒预测模型训练完后得到多个提醒预测结果，提醒预测模型输出的提醒预测结果的具体形式是概率值，将多个提醒预测结果即概率值按照由高到低的顺序进行排序；然后收集用户每日新增的数据作为训练数据，对所收集的训练数据根据标签进行向量化得到标签特征向量，再将该标签特征向量输入至训练好的提醒预测模型中进行预测输出提醒预测结果，根据所输出的提醒预测结果更新排序；最后在排序中选择预设数量的提醒预测结果生成提醒消息推送给用户，或者根据预设的阈值选择提醒预测结果生成提醒消息推送给用户。例如，还款提醒的概率为0.87，工作提醒的概率为0.91、快递提醒的概率为0.83，旅游提醒的概率为0.55，视频更新提醒的概率为0.67，若预设数量为3，那么选择工作提醒、还款提醒以及快递提醒生成提醒消息推送给用户；若预设阈值为0.9，那么选择工作提醒推送给用户。其中，通常是基于昨日的历史数据通过提醒预测模型进行预测输出次日的提醒预测结果以提醒用户。
本发明展示了一种提醒预测方法，其包括：采用预设方式收集训练数据，其中，所述训练数据包括用于作为标签的第一训练数据以及具有提醒动作的第二训练数据；将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量；构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果；根据训练后的所述提醒预测模型对历史数据进行预测以输出提醒预测结果，可以实现为用户订制贴合用户使用习惯的提醒，减少用户的重复性操作，提高用户使用体验。
图6是本发明实施例提供的一种提醒预测装置200的示意性框图。如图6所示，对应于以上提醒预测方法，本发明还提供一种提醒预测装置200。该提醒预测装置200包括用于执行上述提醒预测方法的单元，该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地，请参阅图6，该提醒预测装置200包括收集单元210、预处理单元220、构建单元230以及预测单元240。
收集单元210，用于采用预设方式收集训练数据，其中，所述训练数据包括用于作为标签的第一训练数据以及具有提醒动作的第二训练数据。
在一实施例中，如图7所示，所述收集单元210包括：第一获取单元211以及第一提取单元212。
第一获取单元211，用于根据终端所绑定的用户账号获取用户的基本信息。
第一提取单元212，用于根据第一预设规则从所述基本信息中提取可作为标签的特征信息作为第一训练数据。
在一实施例中，如图7所示，所述收集单元210还包括：第二获取单元213以及第二提取单元214。
第二获取单元213，用于从终端的所有应用程序中获取预设时间段内的日志文件；
第二提取单元214，用于根据第二预设规则从所述日志文件中提取具有提醒动作的特征日志记录作为第二训练数据。
预处理单元220，用于将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量。
在一实施例中，如图7所示，所述预处理单元220包括：编码单元221、转换单元222以及特征交叉单元223。
编码单元221，用于对所述第一训练数据进行独热编码得到第一向量。
转换单元222，用于通过向量转换工具对所述第二训练数据进行转换得到第二向量。
特征交叉单元223，用于将所述第一向量作为标签并将所述第一向量和所述第二向量进行特征交叉得到标签特征向量。
构建单元230，用于构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果。
在一实施例中，如图7所示，所述构建单元230包括：构建子单元231以及训练单元232。
构建子单元231，用于根据深度神经网络构建提醒预测模型；
训练单元232，用于将所述标签特征向量输入至所述提醒预测模型并采用前向传播和反向传播相结合的方式对所述提醒预测模型进行训练输出提醒预测结果。
预测单元240，用于根据训练后的所述提醒预测模型对历史数据进行预测以输出提醒预测结果。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述提醒预测装置200和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述提醒预测装置可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8，图8是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。
参阅图8，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种提醒预测装置方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种提醒预测装置方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：采用预设方式收集训练数据，其中，所述训练数据包括用于作为标签的第一训练数据以及具有提醒动作的第二训练数据；将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量；构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果；根据训练后的所述提醒预测模型对历史数据进行预测以输出提醒预测结果。
在一实施例中，处理器502在实现所述采用预设方式收集训练数据步骤时，具体实现如下步骤：根据终端所绑定的用户账号获取用户的基本信息；根据第一预设规则从所述基本信息中提取可作为标签的特征信息作为第一训练数据。
在一实施例中，处理器502在实现所述采用预设方式收集训练数据步骤时，具体实现如下步骤：从终端的所有应用程序中获取预设时间段内的日志文件；根据第二预设规则从所述日志文件中提取具有提醒动作的特征日志记录作为第二训练数据。
在一实施例中，处理器502在实现所述将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量步骤时，具体实现如下步骤：对所述第一训练数据进行独热编码得到第一向量；通过向量转换工具对所述第二训练数据进行转换得到第二向量；将所述第一向量作为标签并将所述第一向量和所述第二向量进行特征交叉得到标签特征向量。
在一实施例中，处理器502在实现所述构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果步骤时，具体实现如下步骤：根据深度神经网络构建提醒预测模型；将所述标签特征向量输入至所述提醒预测模型并采用前向传播和反向传播相结合的方式对所述提醒预测模型进行训练输出提醒预测结果。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤：采用预设方式收集训练数据，其中，所述训练数据包括用于作为标签的第一训练数据以及具有提醒动作的第二训练数据；将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量；构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果；根据训练后的所述提醒预测模型对历史数据进行预测以输出提醒预测结果。
在一实施例中，所述处理器在执行所述程序指令而实现所述采用预设方式收集训练数据步骤时，具体实现如下步骤：根据终端所绑定的用户账号获取用户的基本信息；根据第一预设规则从所述基本信息中提取可作为标签的特征信息作为第一训练数据。
在一实施例中，所述处理器在执行所述程序指令而实现所述采用预设方式收集训练数据步骤时，具体实现如下步骤：从终端的所有应用程序中获取预设时间段内的日志文件；根据第二预设规则从所述日志文件中提取具有提醒动作的特征日志记录作为第二训练数据。
在一实施例中，所述处理器在执行所述程序指令而实现所述将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量步骤时，具体实现如下步骤：对所述第一训练数据进行独热编码得到第一向量；通过向量转换工具对所述第二训练数据进行转换得到第二向量；将所述第一向量作为标签并将所述第一向量和所述第二向量进行特征交叉得到标签特征向量。
在一实施例中，所述处理器在执行所述程序指令而实现所述构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果步骤时，具体实现如下步骤：根据深度神经网络构建提醒预测模型；将所述标签特征向量输入至所述提醒预测模型并采用前向传播和反向传播相结合的方式对所述提醒预测模型进行训练输出提醒预测结果。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以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，各个单元的划分，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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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，也可以是两个或两个以上单元集成在一个单元中。
该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，可以存储在一个存储介质中。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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种提醒预测方法，其特征在于，包括：
采用预设方式收集训练数据，其中，所述训练数据包括用于作为标签的第一训练数据以及具有提醒动作的第二训练数据；
将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量；
构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果；
根据训练后的所述提醒预测模型对历史数据进行预测以输出提醒预测结果。
2.根据权利要求1所述的提醒预测方法，其特征在于，所述采用预设方式收集训练数据，包括：
根据终端所绑定的用户账号获取用户的基本信息；
根据第一预设规则从所述基本信息中提取可作为标签的特征信息作为第一训练数据。
3.根据权利要求1所述的提醒预测方法，其特征在于，所述采用预设方式收集训练数据，包括：
从终端的所有应用程序中获取预设时间段内的日志文件；
根据第二预设规则从所述日志文件中提取具有提醒动作的特征日志记录作为第二训练数据。
4.根据权利要求1所述的提醒预测方法，其特征在于，所述将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量，包括：
对所述第一训练数据进行独热编码得到第一向量；
通过向量转换工具对所述第二训练数据进行转换得到第二向量；
将所述第一向量作为标签并将所述第一向量和所述第二向量进行特征交叉得到标签特征向量。
5.根据权利要求1所述的提醒预测方法，其特征在于，所述构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果，包括：
根据深度神经网络构建提醒预测模型；
将所述标签特征向量输入至所述提醒预测模型并采用前向传播和反向传播相结合的方式对所述提醒预测模型进行训练输出提醒预测结果。
6.一种提醒预测装置，其特征在于，包括：
收集单元，用于采用预设方式收集训练数据，其中，所述训练数据包括用于作为标签的第一训练数据以及具有提醒动作的第二训练数据；
预处理单元，用于将所述第一训练数据以及所述第二训练数据进行预处理以得到标签特征向量；
构建单元，用于构建提醒预测模型，将所述标签特征向量作为所述提醒预测模型的输入对所述提醒预测模型进行训练以输出提醒预测结果；
预测单元，用于根据训练后的所述提醒预测模型对历史数据进行预测以输出提醒预测结果。
7.根据权利要求6所述的提醒预测装置，其特征在于，所述预处理单元包括：
编码单元，用于对所述第一训练数据进行独热编码得到第一向量；
转换单元，用于通过向量转换工具对所述第二训练数据进行转换得到第二向量；
特征交叉单元，用于将所述第一向量作为标签并将所述第一向量和所述第二向量进行特征交叉得到标签特征向量。
8.根据权利要求6所述的提醒预测装置，其特征在于，所述构建单元包括：
构建子单元，用于根据深度神经网络构建提醒预测模型；
训练单元，用于将所述标签特征向量输入至所述提醒预测模型并采用前向传播和反向传播相结合的方式对所述提醒预测模型进行训练输出提醒预测结果。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910111418.2A CN109978491B (zh) | 2019-02-12 | 2019-02-12 | 提醒预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910111418.2A CN109978491B (zh) | 2019-02-12 | 2019-02-12 | 提醒预测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109978491A true CN109978491A (zh) | 2019-07-05 |
| CN109978491B CN109978491B (zh) | 2024-02-06 |
Family
ID=67076932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910111418.2A Active CN109978491B (zh) | 2019-02-12 | 2019-02-12 | 提醒预测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109978491B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110659883A (zh) * | 2019-09-26 | 2020-01-07 | 上海摩软通讯技术有限公司 | 一种日程提醒方法、装置及存储介质 |
| CN112651414A (zh) * | 2019-10-10 | 2021-04-13 | 马上消费金融股份有限公司 | 运动数据处理和模型训练方法、装置、设备及存储介质 |
| CN112686762A (zh) * | 2020-12-25 | 2021-04-20 | 中国平安人寿保险股份有限公司 | 保单数据违规检测方法、装置、计算机设备及存储介质 |
| CN112866478A (zh) * | 2019-11-27 | 2021-05-28 | 中兴通讯股份有限公司 | 操作提醒方法、系统、网络设备和可读存储介质 |
| WO2022199495A1 (zh) * | 2021-03-26 | 2022-09-29 | 展讯半导体(南京)有限公司 | 智能终端的时间提醒系统、方法、电子设备和介质 |
| WO2023005737A1 (zh) * | 2021-07-30 | 2023-02-02 | 花瓣云科技有限公司 | 一种日程管理方法及终端设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014071023A1 (en) * | 2012-10-31 | 2014-05-08 | Moses Christopher | Systems and methods for improving scheduling inefficiencies using predictive models |
| JP2016018308A (ja) * | 2014-07-07 | 2016-02-01 | 日本電信電話株式会社 | 移動手段推定装置、その動作方法およびプログラム |
| CN106941619A (zh) * | 2017-03-16 | 2017-07-11 | 百度在线网络技术（北京）有限公司 | 基于人工智能的节目提醒方法、装置以及系统 |
| CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN108234290A (zh) * | 2017-12-26 | 2018-06-29 | 珠海市魅族科技有限公司 | 消息推送方法及装置、计算机装置和计算机可读存储介质 |
| CN108320138A (zh) * | 2018-02-12 | 2018-07-24 | 平安科技（深圳）有限公司 | 待办事项提醒方法、装置、设备及计算机可读存储介质 |
| CN108876284A (zh) * | 2018-05-14 | 2018-11-23 | 平安科技（深圳）有限公司 | 一种用户行为提示生成方法及终端设备 |
| CN109167879A (zh) * | 2018-08-30 | 2019-01-08 | 努比亚技术有限公司 | 基于人工智能的提醒方法、移动终端及存储介质 |
-
2019
- 2019-02-12 CN CN201910111418.2A patent/CN109978491B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014071023A1 (en) * | 2012-10-31 | 2014-05-08 | Moses Christopher | Systems and methods for improving scheduling inefficiencies using predictive models |
| JP2016018308A (ja) * | 2014-07-07 | 2016-02-01 | 日本電信電話株式会社 | 移動手段推定装置、その動作方法およびプログラム |
| CN106941619A (zh) * | 2017-03-16 | 2017-07-11 | 百度在线网络技术（北京）有限公司 | 基于人工智能的节目提醒方法、装置以及系统 |
| CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN108234290A (zh) * | 2017-12-26 | 2018-06-29 | 珠海市魅族科技有限公司 | 消息推送方法及装置、计算机装置和计算机可读存储介质 |
| CN108320138A (zh) * | 2018-02-12 | 2018-07-24 | 平安科技（深圳）有限公司 | 待办事项提醒方法、装置、设备及计算机可读存储介质 |
| CN108876284A (zh) * | 2018-05-14 | 2018-11-23 | 平安科技（深圳）有限公司 | 一种用户行为提示生成方法及终端设备 |
| CN109167879A (zh) * | 2018-08-30 | 2019-01-08 | 努比亚技术有限公司 | 基于人工智能的提醒方法、移动终端及存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110659883A (zh) * | 2019-09-26 | 2020-01-07 | 上海摩软通讯技术有限公司 | 一种日程提醒方法、装置及存储介质 |
| CN112651414A (zh) * | 2019-10-10 | 2021-04-13 | 马上消费金融股份有限公司 | 运动数据处理和模型训练方法、装置、设备及存储介质 |
| CN112651414B (zh) * | 2019-10-10 | 2023-06-27 | 马上消费金融股份有限公司 | 运动数据处理和模型训练方法、装置、设备及存储介质 |
| CN112866478A (zh) * | 2019-11-27 | 2021-05-28 | 中兴通讯股份有限公司 | 操作提醒方法、系统、网络设备和可读存储介质 |
| CN112686762A (zh) * | 2020-12-25 | 2021-04-20 | 中国平安人寿保险股份有限公司 | 保单数据违规检测方法、装置、计算机设备及存储介质 |
| CN112686762B (zh) * | 2020-12-25 | 2024-05-28 | 中国平安人寿保险股份有限公司 | 保单数据违规检测方法、装置、计算机设备及存储介质 |
| WO2022199495A1 (zh) * | 2021-03-26 | 2022-09-29 | 展讯半导体(南京)有限公司 | 智能终端的时间提醒系统、方法、电子设备和介质 |
| WO2023005737A1 (zh) * | 2021-07-30 | 2023-02-02 | 花瓣云科技有限公司 | 一种日程管理方法及终端设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109978491B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978491A (zh) | 提醒预测方法、装置、计算机设备及存储介质 | |
| US10515104B2 (en) | Updating natural language interfaces by processing usage data | |
| CN103455545B (zh) | 社交网络用户的位置估计的方法和系统 | |
| CN109992710A (zh) | 点击率预估方法、系统、介质和计算设备 | |
| CN104572734A (zh) | 问题推荐方法、装置及系统 | |
| CN111143178B (zh) | 用户行为分析方法、装置及设备 | |
| CN108510280A (zh) | 一种基于移动设备行为数据的金融欺诈行为预测方法 | |
| CN109690529A (zh) | 按事件将文档编译到时间线中 | |
| CN112148881B (zh) | 用于输出信息的方法和装置 | |
| CN103534697B (zh) | 用于提供统计对话管理器训练的方法和系统 | |
| WO2015189768A1 (en) | Method and system for forecasting activities of passengers in an airline loyalty program | |
| CN106326371A (zh) | 服务推送方法及装置 | |
| CN109325182A (zh) | 基于会话的信息推送方法、装置、计算机设备及存储介质 | |
| KR101267561B1 (ko) | 모바일 단말을 이용한 상황 인식 서비스 제공 방법 및 그 시스템 | |
| CN107181776A (zh) | 一种数据处理方法及相关设备、系统 | |
| CN107679135A (zh) | 面向网络文本大数据的话题检测与跟踪方法、装置 | |
| CN109918574A (zh) | 项目推荐方法、装置、设备及存储介质 | |
| CN105631052A (zh) | 基于人工智能的检索方法和装置 | |
| CN106919997A (zh) | 一种基于lda的电子商务的用户消费预测方法 | |
| Purwandari et al. | Twitter-based text classification using svm for weather information system | |
| Nishino et al. | A location predictor based on dependencies between multiple lifelog data | |
| CN116956994A (zh) | 业务平台扩容预测方法及装置 | |
| CN112734142B (zh) | 基于深度学习的资源学习路径规划方法及装置 | |
| US20170330055A1 (en) | Sequential data analysis apparatus and program | |
| KR102328234B1 (ko) | 소셜 네트워크에서 연관 문서 분석을 통한 지역 이벤트 검출 시스템 및 방법 |
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 |