CN109995799A - 信息推送方法、装置、终端及存储介质 - Google Patents
信息推送方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN109995799A CN109995799A CN201711470476.1A CN201711470476A CN109995799A CN 109995799 A CN109995799 A CN 109995799A CN 201711470476 A CN201711470476 A CN 201711470476A CN 109995799 A CN109995799 A CN 109995799A
- Authority
- CN
- China
- Prior art keywords
- scene
- target
- terminal
- recommendation information
- information
- 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 62
- 238000013145 classification model Methods 0.000 claims abstract description 68
- 230000007613 environmental effect Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 13
- 238000000605 extraction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种信息推送方法、装置、终端及存储介质,属于终端技术领域。所述方法包括:获取环境音频数据,环境音频数据用于指示终端所处场景的声音信号;获取场景分类模型,场景分类模型用于表示基于样本环境音频数据进行训练得到的场景分类规律;根据环境音频数据,采用场景分类模型计算得到目标场景标识,目标场景标识用于指示终端所处场景的场景类型;根据第一预设对应关系,推送与目标场景标识对应的目标推荐信息。本申请实施例通过根据目标场景标识确定目标推荐信息,即终端推送的目标推荐信息符合终端当前所处场景的场景类型,满足了用户的个性化需求,进而提高了推荐信息的投放效果。
Description
技术领域
本申请实施例涉及终端技术领域,特别涉及一种信息推送方法、装置、终端及存储介质。
背景技术
信息推送是指将推荐消息推送给目标用户群的过程。
目前,在向某个终端推送信息时,服务器会先获取该终端的用户数据,用户数据包括用户属性信息和用户行为数据,基于用户数据筛选出与该用户数据匹配的推荐消息,并将该推荐消息推送至终端;对应的,终端接收并展示该推荐消息。
发明内容
本申请实施例提供了一种信息推送方法、装置、终端及存储介质,可以用于解决推荐信息的投放效果较低的问题。所述技术方案如下:
根据本申请实施例的第一方面,提供了一种信息推送方法,所述方法包括:
获取环境音频数据,所述环境音频数据用于指示终端所处场景的声音信号;
获取场景分类模型,所述场景分类模型用于表示基于样本环境音频数据进行训练得到的场景分类规律;
根据所述环境音频数据,采用所述场景分类模型计算得到目标场景标识,所述目标场景标识用于指示所述终端所处场景的场景类型;
根据第一预设对应关系,推送与所述目标场景标识对应的目标推荐信息,所述第一预设对应关系包括场景标识与推荐信息之间的对应关系。
根据本申请实施例的第二方面,提供了一种信息推送装置,所述装置包括:
第一获取模块,用于获取环境音频数据,所述环境音频数据用于指示终端所处场景的声音信号;
第二获取模块,用于获取场景分类模型,所述场景分类模型用于表示基于样本环境音频数据进行训练得到的场景分类规律;
计算模块,用于根据所述环境音频数据,采用所述场景分类模型计算得到目标场景标识,所述目标场景标识用于指示所述终端所处场景的场景类型;
推送模块,用于根据第一预设对应关系,推送与所述目标场景标识对应的目标推荐信息,所述第一预设对应关系包括场景标识与推荐信息之间的对应关系。
根据本申请实施例的第三方面,提供了一种终端,所述终端包括处理器、与所述处理器相连的存储器,以及存储在所述存储器上的程序指令,所述处理器执行所述程序指令时实现如本申请第一方面及其可选实施例任一所述的信息推送方法。
根据本申请实施例的第四方面,提供了一种计算机可读存储介质,其上存储有程序指令,所述程序指令被处理器执行时实现如本申请第一方面及其可选实施例任一所述的信息推送方法。
本申请实施例提供的技术方案带来的有益效果是:
通过根据获取的环境音频数据,采用场景分类模型计算得到目标场景标识,目标场景标识用于指示终端所处场景的场景类型;根据第一预设对应关系,推送与目标场景标识对应的目标推荐信息;使得目标推荐信息是根据目标场景标识确定的,即终端推送的目标推荐信息符合终端当前所处场景的场景类型,满足了用户的个性化需求,进而提高了推荐信息的投放效果,节省了信息推荐平台上的计算资源和投放资源。
附图说明
图1是本申请一个实施例提供的信息推荐系统的结构示意图;
图2是本申请一个实施例提供的信息推送方法的流程图;
图3是本申请一个实施例提供的信息推送方法涉及的原理示意图;
图4是本申请另一个实施例提供的信息推送方法的流程图;
图5是本申请另一个实施例提供的信息推送方法涉及的原理示意图;
图6是本申请一个实施例提供的信息推送装置的结构示意图;
图7是本申请一个示例性实施例提供的终端的结构方框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先,对本申请涉及到的名词进行介绍。
场景分类模型:是一种用于根据输入的数据确定终端所处场景的场景标识的数学模型。
可选地,第一分数预测模型包括但不限于:深度神经网络(Deep Neural Network,DNN)模型、循环神经网络(Recurrent Neural Networks,RNN)模型、嵌入(embedding)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型、逻辑回归(LogisticRegression,LR)模型中的至少一种。
DNN模型是一种深度学习框架。DNN模型包括输入层、至少一层隐层(或称,中间层)和输出层。可选地,输入层、至少一层隐层(或称,中间层)和输出层均包括至少一个神经元,神经元用于对接收到的数据进行处理。可选地,不同层之间的神经元的数量可以相同;或者,也可以不同。
RNN模型是一种具有反馈结构的神经网络。在RNN模型中,神经元的输出可以在下一个时间戳直接作用到自身,即,第i层神经元在m时刻的输入,除了(i-1)层神经元在该时刻的输出外,还包括其自身在(m-1)时刻的输出。
embedding模型是基于实体和关系分布式向量表示,将每个三元组实例中的关系看作从实体头到实体尾的翻译。其中,三元组实例包括主体、关系、客体,三元组实例可以表示成(主体,关系,客体);主体为实体头,客体为实体尾。比如:小张的爸爸是大张,则通过三元组实例表示为(小张,爸爸,大张)。
GBDT模型是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结果累加起来作为最终结果。决策树的每个节点都会得到一个预测值,以年龄为例,预测值为属于年龄对应的节点的所有人年龄的平均值。
LR模型是指在线性回归的基础上,套用一个逻辑函数建立的模型。
在信息推送过程中,与推荐信息对应的终端所处的场景是会变化的。推送的推荐信息,并不一定适合终端当前所处场景的周围环境,使得推荐信息的投放效果较差,进而浪费了信息推荐平台上的计算资源和投放资源。为此,本申请实施例提供了一种基于环境音频数据确定终端所处场景的场景类型,从而推送符合该场景类型的推荐信息的方案。
请参考图1,其示出了本申请一个实施例提供的信息推荐系统的结构示意图。该信息推荐系统包括投放者终端120、服务器集群140和至少一个用户终端160。
投放者终端120中运行有投放者客户端。投放者终端120可以是手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
投放者客户端是用于在信息推荐平台上投放推荐信息的软件客户端。信息推荐平台是用于将推荐信息定向投放到目标用户客户端上的平台。
可选的,推荐信息是广告信息、多媒体信息或咨询信息等具有推荐价值的信息。
投放者是在信息推荐平台上投放推荐信息的用户或组织。当推荐信息是广告信息时,投放者即为广告主。
投放者终端120与服务器集群140之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
服务器集群140是一台服务器,或者由若干台服务器,或者是一个虚拟化平台,或者是一个云计算服务中心。
可选的,服务器集群140包括用于实现信息推荐平台的服务器。其中,信息推荐平台包括:用于向用户终端160发送推荐信息的服务器。
服务器集群140与用户终端160之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
用户终端160中运行有用户客户端,用户客户端中登录有用户帐号。用户终端160也可以是手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts GroupAudio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture ExpertsGroup Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。用户客户端可以是社交网络客户端,还可以是其它兼有社交属性的客户端,比如购物客户端、游戏客户端、阅读客户端、专用于发送推荐信息的客户端等等。
通常,投放者终端120向服务器集群140投放推荐信息时,投放者终端120可以在服务器集群140上指定定向标签,由服务器集群140根据定向标签确定出目标用户客户端,然后由服务器集群140向目标用户客户端所在的用户终端160发送推荐信息。
请参考图2,其示出了本申请一个实施例提供的信息推送方法的流程图。本实施例以该信息推送方法应用于图1所示出的信息推荐系统中来举例说明,为了方便介绍,下面实施例中的终端均为信息推荐系统中的用户终端160。该信息推送方法包括:
步骤201,获取环境音频数据,环境音频数据用于指示终端所处场景的声音信号。
当终端检测到预设控件对应的预设触发操作时,开启场景检测功能,实时采集终端所处场景的m种声音信号,根据m种声音信号,生成环境音频数据。
其中,预设控件是终端中场景检测应用的主界面上提供的控件,或者,是场景检测应用对应的悬浮窗在展开后显示的控件。预设控件是用于开启场景检测功能的可操作控件。示意性的,预设控件的类型包括按钮、可操控的条目、滑块中的至少一种。本实施例对预设控件的位置和类型均不加以限定。
预设触发操作是用于触发开启预设控件对应的场景检测功能的用户操作。示意性的,预设触发操作包括点击操作、滑动操作、按压操作、长按操作中的任意一种或多种的组合。
可选的,预设触发操作还包括其它可能的实现方式。在一种可能的实现方式中,预设触发操作以语音形式实现。比如,用户在终端中以语音形式输入预设控件对应的语音信号,终端获取到语音信号之后,对该语音信号进行解析获取语音内容,当语音内容中存在与预设控件的预设信息相匹配的关键词时,即终端确定该预设控件被触发,开启场景检测功能。
可选的,在场景检测功能被开启时,终端通过采集组件实时采集终端所处场景的m种声音信号。比如,采集组件为声纹识别传感器。
终端通过采集组件实时采集终端所处场景的m种声音信号,将采集到的m种声音信号确定为环境音频数据。
步骤202,获取场景分类模型,场景分类模型用于表示基于样本环境音频数据进行训练得到的场景分类规律。
由于场景分类模型的训练过程可以由终端完成,也可以由服务器完成,因此终端获取场景分类模型,包括:终端获取自身存储的场景分类模型,或者,终端从服务器中获取场景分类模型。本实施例对此不加以限定。
需要说明的是,场景分类模型的训练过程可参考下面实施例中的相关描述,在此先不介绍。
步骤203,根据环境音频数据,采用场景分类模型计算得到目标场景标识,目标场景标识用于指示终端所处场景的场景类型。
目标场景标识用于指示终端在当前时刻所处场景的场景类型,当前时刻为获取到环境音频数据的时刻。
其中,场景标识与场景类型存在一一对应的关系,即场景标识用于在多个场景类型中唯一标识该场景类型。多个场景类型的划分方式包括但不限于以下几种可能的划分方式:
在一种可能的划分方式中,场景类型包括室内场景和室外场景这两种类型。
在另一种可能的划分方式中,场景类型包括工作区域、家庭区域和娱乐区域这三种类型。
在另一种可能的划分方式中,场景类型包括餐厅、交通枢纽、安静区域和旅游景区中的至少一种类型。其中,交通枢纽包括公交站、地铁站、火车站和飞机场中的至少一种。安静区域包括图书馆、博物馆、医院和法院中的至少一种。本实施例对场景类型的划分数量和种类不加以限定,为了方便描述,下面仅以场景类型包括餐厅、交通枢纽、安静区域和旅游景区中的至少一种类型为例进行说明。
步骤204,根据第一预设对应关系,推送与目标场景标识对应的目标推荐信息,第一预设对应关系包括场景标识与推荐信息之间的对应关系。
可选的,终端根据第一预设对应关系,推送与目标场景标识对应的目标推荐信息,包括但不限于以下几种可能的实现方式:
在一种可能的实现方式中,终端根据自身存储的第一预设对应关系,确定与目标场景标识对应的目标推荐信息,并推送该目标推荐信息。
可选的,终端中存储有n个推荐信息,以及推荐信息与场景标识之间的第一预设对应关系,n为正整数。
在另一种可能的实现方式中,终端在确定出目标场景标识后,向服务器发送该目标场景标识;对应的,服务器接收目标场景标识。服务器根据存储的第一预设对应关系,确定与该目标场景标识对应的目标推荐信息,向终端反馈该目标推荐信息。对应的,终端接收该目标推荐信息,并显示该目标推荐信息。
可选的,服务器中存储有n个推荐信息,以及场景标识与推荐信息之间的第一预设对应关系。
比如,当目标场景标识所指示的场景类型为餐厅时,确定目标推荐信息为美食信息;或,当目标场景标识所指示的场景类型为交通枢纽时,确定目标推荐信息为交通信息,交通枢纽包括公交站、地铁站、火车站和飞机场中的至少一种;或,当目标场景标识所指示的场景类型为安静区域时,确定目标推荐信息为轻音乐信息,安静区域包括图书馆、博物馆、医院和法院中的至少一种;或,当目标场景标识所指示的场景类型为旅游景区时,确定目标推荐信息为旅游攻略信息。
下面仅以终端推送目标推荐信息为第二种可能的实现方式为例进行说明。
可选的,服务器预先为每个推荐信息配置对应的场景标识,场景标识与推荐信息之间存在第一预设对应关系,包括以下三种可能的对应关系:
第一种可能的对应关系为:每个场景标识与推荐信息存在一一对应关系。示意性的,该对应关系如表一所示。场景标识为“场景标识1”,“场景标识1”用于指示场景类型为餐厅时,对应的推荐信息为“推荐信息S1”;场景标识为“场景标识2”,“场景标识2”用于指示场景类型为交通枢纽时,对应的推荐信息为“推荐信息S2”;场景标识为“场景标识3”,“场景标识3”用于指示场景类型为安静区域时,对应的推荐信息为“推荐信息S3”;场景标识为“场景标识4”,“场景标识4”用于指示场景类型为旅游景区时,对应的推荐信息为“推荐信息S4”。
表一
第二种可能的对应关系为:每个推荐信息与多个场景标识存在对应关系。示意性的,该对应关系如表二所示。推荐信息为“推荐信息S1”时,对应的场景标识包括“场景标识1”和“场景标识3”,“场景标识1”用于指示场景类型为餐厅,“场景标识3”用于指示场景类型为安静区域;推荐信息为“推荐信息S2”时,对应的场景标识包括“场景标识2”和“场景标识4”,“场景标识2”用于指示场景类型为交通枢纽,“场景标识4”用于指示场景类型为旅游景区。
表二
第三种可能的对应关系为:每个场景标识与多个推荐信息存在对应关系。示意性的,该对应关系如表三所示。场景标识为“场景标识1”时,对应的推荐信息包括“推荐信息S1”、“推荐信息S2”和“推荐信息S3”;场景标识为“场景标识2”时,对应的推荐信息包括“推荐信息S4”、“推荐信息S5”、“推荐信息S6”和“推荐信息S7”。
表三
可选的,当第一预设对应关系为第三种可能的对应关系时,服务器根据第一预设对应关系,确定与目标场景标识对应的目标推荐信息,包括:根据第一预设对应关系,确定与目标场景标识对应的多个推荐信息,在多个推荐信息中随机将至少一个推荐信息确定为目标推荐信息。目标推荐信息的数量可以是一个或者是至少两个,本实施例对此不加以限定。
终端在接收到服务器反馈的与目标场景标识对应的目标推荐信息之后,按照预设显示策略显示该目标推荐信息。预设显示策略可参考下面实施例中的相关描述,在此先不介绍。
综上所述,本申请实施例通过根据获取的环境音频数据,采用场景分类模型计算得到目标场景标识,目标场景标识用于指示终端所处场景的场景类型;根据第一预设对应关系,推送与目标场景标识对应的目标推荐信息;使得目标推荐信息是根据目标场景标识确定的,即终端推送的目标推荐信息符合终端当前所处场景的场景类型,满足了用户的个性化需求,进而提高了推荐信息的投放效果,节省了信息推荐平台上的计算资源和投放资源。
需要说明的是,在终端获取场景分类模型之前,终端需要对场景分类模型进行训练。可选的,场景分类模型的训练过程包括:获取训练样本集,训练样本集包括至少一组样本数据组;根据至少一组样本数据组,采用误差反向传播算法对原始参数模型进行训练,得到场景分类模型。
每组样本数据组包括:样本环境音频数据和预先标注的正确场景标识。
终端根据至少一组样本数据组,采用误差反向传播算法对原始参数模型进行训练,得到场景分类模型,包括但不限于以下几个步骤:
1、对于至少一组样本数据组中的每组样本数据组,从样本环境音频数据中提取样本音频特征。
终端根据样本环境音频数据,采用特征提取算法计算得到特征向量,将计算得到的特征向量确定为样本音频特征。
可选的,终端根据样本环境音频数据,采用特征提取算法计算得到特征向量,包括:对采集到的样本环境音频数据进行预处理和特征提取,再将经过特征提取后的数据确定为特征向量。
预处理是将采集组件采集到的样本环境音频数据进行处理,得到半结构化数据形式的样本音频特征的过程。其中,预处理包括信息压缩、降噪和数据归一化等步骤。
特征提取是从预处理后的样本音频特征中提取部分特征,并将部分特征转换为结构化数据的过程。
2、将样本音频特征输入原始参数模型,得到训练结果。
可选的,原始参数模型是根据神经网络模型建立的,比如:原始参数模型是根据DNN模型或者RNN模型建立的。
示意性的,对于每组样本数据组,终端创建该组样本数据组对应的输入输出对,输入输出对的输入参数为该组样本数据组中的样本音频特征,输出参数为该组样本数据组中的正确场景标识;终端将输入参数输入预测模型,得到训练结果。
比如,样本数据组包括样本音频特征A和正确场景标识“场景标识1”,终端创建的输入输出对为:(样本音频特征A)->(场景标识1);其中,(样本音频特征A)为输入参数,(场景标识1)为输出参数。
可选的,输入输出对通过特征向量表示。
3、将训练结果与正确场景标识进行比较,得到计算损失,计算损失用于指示训练结果与正确场景标识之间的误差。
可选地,计算损失通过交叉熵(cross-entropy)来表示,
可选地,终端通过下述公式计算得到计算损失H(p,q):
其中,p(x)和q(x)是长度相等的离散分布向量,p(x)表示表示训练结果;q(x)表示输出参数;x为训练结果或输出参数中的一个向量。
3、根据至少一组样本数据组各自对应的计算损失,采用误差反向传播算法训练得到场景分类模型。
可选地,终端通过反向传播算法根据计算损失确定场景分类模型的梯度方向,从场景分类模型的输出层逐层向前更新场景分类模型中的模型参数。
示意性的,如图3所示,终端训练得到场景分类模型的过程包括:终端获取训练样本集,该训练样本集包括至少一组样本数据组,每组样本数据组包括:样本环境音频数据和正确场景标识。对于每组样本数据组,终端将样本环境音频数据输入至原始参数模型,输出得到训练结果,将训练结果与正确场景标识进行比较,得到计算损失,根据至少一组样本数据组各自对应的计算损失,采用误差反向传播算法训练得到场景分类模型。在训练得到的场景分类模型之后,终端将训练得到的场景分类模型进行存储。当终端开启场景检测功能时,终端获取环境音频数据,并获取训练得到的场景分类模型,将环境音频数据输入至场景分类模型,输出得到目标场景标识,根据第一预设对应关系推送与目标场景标识对应的目标推荐信息。
基于上述训练得到场景分类模型,请参考图4,其示出了本申请一个实施例提供的信息推送方法的流程图。本实施例以该信息推送方法应用于图1所示出的信息推荐系统中来举例说明。该信息推送方法包括:
步骤401,获取待推送的原始推荐信息,原始推荐信息携带有原始场景标识。
服务器向终端发送携带有原始场景标识的原始推荐信息,对应的,终端接收服务器发送的原始推荐信息,从原始推荐信息中提取原始场景标识。
步骤402,获取环境音频数据,环境音频数据用于指示终端所处场景的声音信号。
当终端接收到服务器发送的原始推荐信息时,开启场景检测功能,通过采集组件采集终端所处场景的m种声音信号,根据m种声音信号生成环境音频数据。
步骤403,从环境音频数据中提取音频特征。
终端根据采集到的环境音频数据,采用特征提取算法计算得到特征向量,将计算得到的特征向量确定为音频特征。终端从环境音频数据中提取音频特征的过程可参考上述实施例中从样本环境音频数据中提取样本音频特征的过程,在此不再赘述。
步骤404,获取场景分类模型。
终端中存储有上述训练得到的场景分类模型,终端获取存储的场景分类模型。
其中,场景分类模型是根据至少一组样本数据组训练得到的,每组样本生物特征数据组包括:样本环境音频数据和预先标注的正确场景标识。
步骤405,将音频特征输入至场景分类模型中,计算得到目标场景标识。
终端将音频特征输入至场景分类模型中,得到目标场景标识。
可选的,终端将环境音频数据和目标场景标识添加至训练样本集,得到更新后的训练样本集,根据更新后的训练样本集对场景分类模型进行训练,得到更新后的场景分类模型。
其中,根据更新后的训练样本集对场景分类模型进行训练,得到更新后的场景分类模型的过程可类比参考上述实施例中场景分类模型的训练过程,在此不再赘述。
步骤406,当原始场景标识与目标场景标识不匹配时,根据第一预设对应关系,获取与目标场景标识对应的目标推荐信息。
终端判断原始场景标识与目标场景标识是否匹配,若原始场景标识与目标场景标识匹配,则将接收到的原始推荐信息确定为目标推荐信息;若原始场景标识与目标场景标识不匹配,则根据第一预设对应关系,获取与目标场景标识对应的目标推荐信息。
由于根据粗粒度划分,场景类型通常包括室内场景和室外场景,当目标场景标识所指示的场景类型为室外场景时,即表示在当前时刻使用该终端的用户处于室外,对推荐信息的兴趣倾向普遍较高。因此,在一种可能的实现方式中,终端确定目标场景标识所指示的场景类型,当场景类型为室外场景时根据第一预设对应关系,获取与目标场景标识对应的目标推荐信息。
目前的定位技术通常是基于终端的实施地理位置信息进行定位的,但是,目前的定位技术仅能够定位到该终端当前所处的一个较大范围的区域,无法确定终端在该区域中具体的场所;比如,目前的定位技术仅能够定位到终端在某个商场,无法确定终端在该商场的哪个场所;又比如,目前的定位技术仅能够定位到终端在某个办公楼,若需要确定终端在该办公楼的具体楼层或者具体楼层的具体场所,则还需要结合高度数据或者室内定位技术进一步进行定位,计算十分复杂。
为此,本申请实施例提供如下方法解决上述问题。在一种可能的实现方式中,终端根据第一预设对应关系,推送与目标场景标识对应的目标推荐信息,包括:获取终端的实时地理位置信息,实时地理位置信息用于指示终端当前所处的目标区域,目标区域包括k个候选场所;确定目标场景标识所指示的场景类型;确定目标区域中与场景类型匹配的候选场所为指定场所;根据第二预设对应关系,推送与指定场所对应的目标推荐信息,第二预设对应关系包括候选场所与推荐信息之间的对应关系。
可选的,终端通过基于位置的服务(Location Based Service,LBS)技术获取终端的实时地理位置信息。比如,终端通过全球卫星定位系统(Global Positioning System,GPS)、基于无线局域网或者移动通信网的定位技术获取用户的实时地理位置信息。
可选的,目标区域包括k个候选场所;示意性的,当目标区域为办公楼时,k个候选场所包括该办公楼中每层的办公室、会议室、休息室和卫生间中的至少一种。
当终端获取到目标场景标识所指示的场景类型时,在k个候选场所中确定与该场景类型对应的候选场所作为指定场所,根据第二预设对应关系,推送与指定场所对应的目标推荐信息。
可选的,终端中存储有候选场所与推荐信息之间的对应关系。候选场所与推荐信息之间的对应关系可类比参考第一预设对应关系,在此不再赘述。
步骤407,显示目标推荐信息。
终端在获取到与目标场景标识对应的目标推荐信息时,显示该目标推荐信息。
由于用户对推荐信息的显示频率的接纳程度也与终端所处场景的场景类型有关,因此,在一种可能的实现方式中,在终端显示目标推荐信息之前,还包括:终端根据第三预设对应关系,确定与目标场景标识对应的显示频率阈值,第三预设对应关系包括场景标识与显示频率阈值之间的对应关系;当显示频率小于或等于显示频率阈值时,执行显示目标推荐信息的步骤。
其中,显示频率为在第一预定时间段内显示推荐信息的次数,显示频率阈值为在第一预定时间段内显示推荐信息的最大次数。
可选的,显示频率阈值是终端默认设置的或者是用户自定义设置的;比如,第一预定时间段为1小时,显示频率阈值为5次/小时。本实施例对此不加以限定。
示意性的,场景标识与显示频率阈值之间的第三预设对应关系如表四所示。场景标识为“场景标识1”时,对应的显示频率阈值为“3次/小时”;场景标识为“场景标识2”时,对应的显示频率阈值为“1次/小时”;场景标识为“场景标识3”时,对应的显示频率阈值为“2次/小时”;场景标识为“场景标识4”时,对应的显示频率阈值为“5次/小时”。
表四
场景标识 | 显示频率阈值 |
场景标识1 | 3次/小时 |
场景标识2 | 1次/小时 |
场景标识3 | 2次/小时 |
场景标识4 | 5次/小时 |
基于上述表四提供的第三预设对应关系,在一个示意性的例子中,终端获取与目标场景标识“场景标识1”对应的目标推荐信息“推荐信息S1”,终端确定与目标场景标识“场景标识1”对应的显示频率阈值为“3次/小时”,当显示频率为“2次/小时”时,即该显示频率“2次/小时”小于或等于该显示频率阈值时,显示目标推荐信息“推荐信息S1”。
可选的,当原始场景标识与目标场景标识不匹配时,可以按照上述方法将原始推荐信息更换为目标推荐信息,并显示目标推荐信息,也可以不显示原始推荐信息,还可以延迟预定时间段后显示原始推荐信息。其中,预定时间段是终端默认设置的或者是用户自定义设置的;比如,预定时间段为60分钟。本实施例对此不加以限定。
在一个示意性的例子中,如图5所示,推荐信息为广告信息,终端接收服务器发送的待推送的广告信息50,并从该广告信息50中提取场景标识51。终端在接收到广告信息50时,通过内置的声纹识别传感器采集终端所处场所的各种声音信号52,将各种声音信号52确定为环境音频数据1,从环境音频数据1中提取音频特征1,将音频特征1输入至场景分类模型中,得到目标场景标识53,判断场景标识51与目标场景标识53是否匹配,若场景标识51与目标场景标识53匹配,则显示待推送的广告信息50;若场景标识51与目标场景标识53不匹配,则根据第一预设对应关系,显示与目标场景标识53对应的广告信息54。
在本申请实施例中,还通过将环境音频数据和目标场景标识添加至训练样本集,得到更新后的训练样本集,根据更新后的训练样本集对场景分类模型进行训练,得到更新后的场景分类模型,使得终端可以根据新的训练样本不断提高场景分类模型的精度,提高了终端确定目标场景标识的准确性。
在本申请实施例中,还通过获取终端的实时地理位置信息,实时地理位置信息用于指示终端当前所处的目标区域,目标区域包括k个候选场所;确定目标场景标识所指示的场景类型;确定目标区域中与场景类型匹配的候选场所为指定场所;根据第二预设对应关系,推送与指定场所对应的目标推荐信息;避免了相关技术中在场景识别时需要LBS技术结合高度数据或室内定位技术才能进行精确定位的情况,使得终端根据目标场景标识所指示的场景类型,就够将目标区域中与场景类型匹配的候选场所确定为指定场所,提高了定位的准确性和定位效率。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图6,其示出了本申请一个实施例提供的信息推送装置的结构示意图。该信息推送装置可以通过专用硬件电路,或者,软硬件的结合实现成为图1中的终端的全部或一部分,该信息推送装置包括:第一获取模块610、第二获取模块620、计算模块620和推送模块640。
第一获取模块610,用于获取环境音频数据,所述环境音频数据用于指示终端所处场景的声音信号;
第二获取模块620,用于获取场景分类模型,所述场景分类模型用于表示基于样本环境音频数据进行训练得到的场景分类规律;
计算模块630,用于根据所述环境音频数据,采用所述场景分类模型计算得到目标场景标识,所述目标场景标识用于指示所述终端所处场景的场景类型;
推送模块640,用于根据第一预设对应关系,推送与所述目标场景标识对应的目标推荐信息,所述第一预设对应关系包括场景标识与推荐信息之间的对应关系。
可选的,计算模块630,包括:提取单元和计算单元。
提取单元,用于从环境音频数据中提取音频特征;
计算单元,用于将音频特征输入至场景分类模型中,计算得到目标场景标识;
其中,场景分类模型是根据至少一组样本数据组训练得到的,每组样本数据组包括:样本环境音频数据和预先标注的正确场景标识。
可选的,第二获取模块620,包括:第一获取单元和训练单元。
第一获取单元,用于获取训练样本集,训练样本集包括至少一组样本数据组,每组样本数据组包括:样本环境音频数据和预先标注的正确场景标识;
训练单元,用于根据至少一组样本数据组,采用误差反向传播算法对原始参数模型进行训练,得到场景分类模型。
可选的,训练单元,还用于对于至少一组样本数据组中的每组样本数据组,从样本环境音频数据中提取样本音频特征;将样本音频特征输入原始参数模型,得到训练结果;将训练结果与正确场景标识进行比较,得到计算损失,计算损失用于指示训练结果与正确场景标识之间的误差;根据至少一组样本数据组各自对应的计算损失,采用误差反向传播算法训练得到场景分类模型。
可选的,该装置,还包括:更新模块。
更新模块,用于将环境音频数据和目标场景标识添加至训练样本集,得到更新后的训练样本集;根据更新后的训练样本集对场景分类模型进行训练,得到更新后的场景分类模型。
可选的,第一获取模块610,包括:开启单元、采集单元和生成单元。
开启单元,用于当检测到预设控件对应的预设触发操作时,开启场景检测功能;
采集单元,用于实时采集终端所处场景的m种声音信号;
生成单元,用于根据m种声音信号,生成环境音频数据。
可选的,推送模块640,包括:第二获取单元、第三获取单元和显示单元。
第二获取单元,用于获取待推送的原始推荐信息,原始推荐信息携带有原始场景标识;
第三获取单元,用于当原始场景标识与目标场景标识不匹配时,根据第一预设对应关系,获取与目标场景标识对应的目标推荐信息;
显示单元,用于显示目标推荐信息。
可选的,第三获取单元,还用于当目标场景标识所指示的场景类型为餐厅时,确定目标推荐信息为美食信息;或,
当目标场景标识所指示的场景类型为交通枢纽时,确定目标推荐信息为交通信息,交通枢纽包括公交站、地铁站、火车站和飞机场中的至少一种;或,
当目标场景标识所指示的场景类型为安静区域时,确定目标推荐信息为轻音乐信息,安静区域包括图书馆、博物馆、医院和法院中的至少一种;或,
当目标场景标识所指示的场景类型为旅游景区时,确定目标推荐信息为旅游攻略信息。
可选的,推送模块640,包括:第四获取单元、第一确定单元、第二确定单元和推送单元。
第四获取单元,用于获取终端的实时地理位置信息,实时地理位置信息用于指示终端当前所处的目标区域,目标区域包括k个候选场所;
第一确定单元,用于确定目标场景标识所指示的场景类型;
第二确定单元,用于确定目标区域中与场景类型匹配的候选场所为指定场所;
推送单元,用于根据第二预设对应关系,推送与指定场所对应的目标推荐信息,第二预设对应关系包括候选场所与推荐信息之间的对应关系。
该显示模块,用于当原始场景标识与目标场景标识不匹配时,不显示原始推荐信息;或者,延迟预定时间段后显示原始推荐信息。
相关细节可结合参考图2至图5所示的方法实施例。其中,第一获取模块610和第二获取模块620还用于实现上述方法实施例中其他任意隐含或公开的与获取步骤相关的功能;计算模块630还用于实现上述方法实施例中其他任意隐含或公开的与计算步骤相关的功能;推送模块640还用于实现上述方法实施例中其他任意隐含或公开的与推送步骤相关的功能。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请还提供一种计算机可读介质,其上存储有程序指令,程序指令被处理器执行时实现上述各个方法实施例提供的信息推送方法。
本申请还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个实施例所述的信息推送方法。
请参考图7,其示出了本申请一个示例性实施例提供的终端的结构方框图。该终端为图1中的用户终端160。该终端可以包括一个或多个如下部件:处理器710和存储器720。
处理器710可以包括一个或者多个处理核心。处理器710利用各种接口和线路连接整个电梯调度设备内的各个部分,通过运行或执行存储在存储器720内的指令、程序、代码集或指令集,以及调用存储在存储器720内的数据,执行电梯调度设备的各种功能和处理数据。可选地,处理器710可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogic Array,PLA)中的至少一种硬件形式来实现。处理器710可集成中央处理器(CentralProcessing Unit,CPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统和应用程序等;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器710中,单独通过一块芯片进行实现。
可选地,处理器710执行存储器720中的程序指令时实现下上述各个方法实施例提供的信息推送方法。
存储器720可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选地,该存储器720包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器720可用于存储指令、程序、代码、代码集或指令集。存储器720可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种信息推送方法,其特征在于,所述方法包括:
获取环境音频数据,所述环境音频数据用于指示终端所处场景的声音信号;
获取场景分类模型,所述场景分类模型用于表示基于样本环境音频数据进行训练得到的场景分类规律;
根据所述环境音频数据,采用所述场景分类模型计算得到目标场景标识,所述目标场景标识用于指示所述终端所处场景的场景类型;
根据第一预设对应关系,推送与所述目标场景标识对应的目标推荐信息,所述第一预设对应关系包括场景标识与推荐信息之间的对应关系。
2.根据权利要求1的方法,其特征在于,所述根据所述环境音频数据,采用场景分类模型计算得到目标场景标识,包括:
从所述环境音频数据中提取音频特征;
将所述音频特征输入至所述场景分类模型中,计算得到所述目标场景标识;
其中,所述场景分类模型是根据至少一组样本数据组训练得到的,每组所述样本数据组包括:样本环境音频数据和预先标注的正确场景标识。
3.根据权利要求1的方法,其特征在于,所述获取所述场景分类模型,包括:
获取训练样本集,训练样本集包括所述至少一组样本数据组,每组所述样本数据组包括:样本环境音频数据和预先标注的正确场景标识;
根据所述至少一组样本数据组,采用误差反向传播算法对原始参数模型进行训练,得到所述场景分类模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述至少一组样本数据组,采用误差反向传播算法对原始参数模型进行训练,得到所述场景分类模型,包括:
对于所述至少一组样本数据组中的每组样本数据组,从所述样本环境音频数据中提取样本音频特征;
将所述样本音频特征输入所述原始参数模型,得到训练结果;
将所述训练结果与所述正确场景标识进行比较,得到计算损失,所述计算损失用于指示所述训练结果与所述正确场景标识之间的误差;
根据所述至少一组样本数据组各自对应的计算损失,采用所述误差反向传播算法训练得到所述场景分类模型。
5.根据权利要求1至4任一所述的方法,其特征在于,所述根据所述环境音频数据,采用所述场景分类模型计算得到目标场景标识之后,还包括:
将所述环境音频数据和所述目标场景标识添加至所述训练样本集,得到更新后的训练样本集;
根据所述更新后的训练样本集对所述场景分类模型进行训练,得到更新后的场景分类模型。
6.根据权利要求1至4任一所述的方法,其特征在于,所述获取环境音频数据,包括:
当检测到预设控件对应的预设触发操作时,开启场景检测功能;
实时采集所述终端所处场景的m种声音信号;
根据所述m种声音信号,生成所述环境音频数据。
7.根据权利要求1至4任一所述的方法,其特征在于,所述根据第一预设对应关系,推送与所述目标场景标识对应的目标推荐信息,包括:
获取待推送的原始推荐信息,所述原始推荐信息携带有原始场景标识;
当所述原始场景标识与所述目标场景标识不匹配时,根据所述第一预设对应关系,获取与所述目标场景标识对应的目标推荐信息;
显示所述目标推荐信息。
8.根据权利要求7所述的方法,其特征在于,所述根据所述第一预设对应关系,获取与所述目标场景标识对应的目标推荐信息,包括:
当所述目标场景标识所指示的场景类型为餐厅时,确定所述目标推荐信息为美食信息;或,
当所述目标场景标识所指示的场景类型为交通枢纽时,确定所述目标推荐信息为交通信息,所述交通枢纽包括公交站、地铁站、火车站和飞机场中的至少一种;或,
当所述目标场景标识所指示的场景类型为安静区域时,确定所述目标推荐信息为轻音乐信息,所述安静区域包括图书馆、博物馆、医院和法院中的至少一种;或,
当所述目标场景标识所指示的场景类型为旅游景区时,确定所述目标推荐信息为旅游攻略信息。
9.根据权利要求7所述的方法,其特征在于,所述根据第一预设对应关系,推送与所述目标场景标识对应的目标推荐信息,包括:
获取所述终端的实时地理位置信息,所述实时地理位置信息用于指示所述终端当前所处的目标区域,所述目标区域包括k个候选场所;
确定所述目标场景标识所指示的场景类型;
确定所述目标区域中与所述场景类型匹配的候选场所为指定场所;
根据第二预设对应关系,推送与所述指定场所对应的所述目标推荐信息,所述第二预设对应关系包括候选场所与推荐信息之间的对应关系。
10.一种信息推送装置,其特征在于,所述装置包括:
第一获取模块,用于获取环境音频数据,所述环境音频数据用于指示终端所处场景的声音信号;
第二获取模块,用于获取场景分类模型,所述场景分类模型用于表示基于样本环境音频数据进行训练得到的场景分类规律;
计算模块,用于根据所述环境音频数据,采用所述场景分类模型计算得到目标场景标识,所述目标场景标识用于指示所述终端所处场景的场景类型;
推送模块,用于根据第一预设对应关系,推送与所述目标场景标识对应的目标推荐信息,所述第一预设对应关系包括场景标识与推荐信息之间的对应关系。
11.一种终端,其特征在于,所述终端包括处理器、与所述处理器相连的存储器,以及存储在所述存储器上的程序指令,所述处理器执行所述程序指令时实现如权利要求1至9任一所述的信息推送方法。
12.一种计算机可读存储介质,其特征在于,其上存储有程序指令,所述程序指令被处理器执行时实现如权利要求1至9任一所述的信息推送方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711470476.1A CN109995799B (zh) | 2017-12-29 | 2017-12-29 | 信息推送方法、装置、终端及存储介质 |
PCT/CN2018/116602 WO2019128552A1 (zh) | 2017-12-29 | 2018-11-21 | 信息推送方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711470476.1A CN109995799B (zh) | 2017-12-29 | 2017-12-29 | 信息推送方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109995799A true CN109995799A (zh) | 2019-07-09 |
CN109995799B CN109995799B (zh) | 2020-12-29 |
Family
ID=67066487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711470476.1A Expired - Fee Related CN109995799B (zh) | 2017-12-29 | 2017-12-29 | 信息推送方法、装置、终端及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109995799B (zh) |
WO (1) | WO2019128552A1 (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516760A (zh) * | 2019-09-02 | 2019-11-29 | Oppo(重庆)智能科技有限公司 | 情境识别方法、装置、终端及计算机可读存储介质 |
CN110533634A (zh) * | 2019-07-26 | 2019-12-03 | 深圳壹账通智能科技有限公司 | 基于人工智能的方案推荐方法、装置、计算机设备及存储介质 |
CN110598762A (zh) * | 2019-08-26 | 2019-12-20 | Oppo广东移动通信有限公司 | 基于音频的出行方式检测方法、装置以及移动终端 |
CN111026371A (zh) * | 2019-12-11 | 2020-04-17 | 上海米哈游网络科技股份有限公司 | 一种游戏开发方法、装置、电子设备及存储介质 |
CN111026979A (zh) * | 2019-11-12 | 2020-04-17 | 恒大智慧科技有限公司 | 一种目标推荐方法及系统、计算机可读存储介质 |
CN111081275A (zh) * | 2019-12-20 | 2020-04-28 | 惠州Tcl移动通信有限公司 | 基于声音分析的终端处理方法、装置、存储介质及终端 |
CN111177062A (zh) * | 2019-12-02 | 2020-05-19 | 上海连尚网络科技有限公司 | 一种用于提供阅读呈现信息的方法与设备 |
CN111259241A (zh) * | 2020-01-14 | 2020-06-09 | 浙江每日互动网络科技股份有限公司 | 一种信息处理方法及装置、存储介质 |
CN111259245A (zh) * | 2020-01-16 | 2020-06-09 | 腾讯音乐娱乐科技(深圳)有限公司 | 作品推送方法、装置及存储介质 |
CN111724231A (zh) * | 2020-05-19 | 2020-09-29 | 五八有限公司 | 一种商品信息的展示方法和装置 |
CN111831853A (zh) * | 2020-07-16 | 2020-10-27 | 深圳市商汤科技有限公司 | 信息处理方法、装置、设备及系统 |
CN111949821A (zh) * | 2020-06-24 | 2020-11-17 | 百度在线网络技术(北京)有限公司 | 视频推荐方法、装置、电子设备和存储介质 |
CN112000900A (zh) * | 2020-08-14 | 2020-11-27 | 北京三快在线科技有限公司 | 推荐景点信息的方法、装置、电子设备及存储介质 |
CN112422653A (zh) * | 2020-11-06 | 2021-02-26 | 山东产研信息与人工智能融合研究院有限公司 | 基于位置服务的场景信息推送方法、系统、存储介质及设备 |
CN112435069A (zh) * | 2020-12-02 | 2021-03-02 | 北京五八信息技术有限公司 | 一种广告投放方法、装置、电子设备及存储介质 |
CN112884423A (zh) * | 2019-11-29 | 2021-06-01 | 北京国双科技有限公司 | 一种信息处理方法、装置、电子设备及存储介质 |
CN113286742A (zh) * | 2020-09-22 | 2021-08-20 | 深圳市大疆创新科技有限公司 | 可移动平台的数据管理方法、装置、可移动平台及介质 |
CN114177621A (zh) * | 2021-12-15 | 2022-03-15 | 乐元素科技(北京)股份有限公司 | 数据处理方法及装置 |
CN115766934A (zh) * | 2021-09-02 | 2023-03-07 | 北京小米移动软件有限公司 | 终端控制方法、装置、电子设备及存储介质 |
WO2024045576A1 (zh) * | 2022-08-30 | 2024-03-07 | 中兴通讯股份有限公司 | 网络链路生成方法、服务器及存储介质 |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442712B (zh) * | 2019-07-05 | 2023-08-22 | 创新先进技术有限公司 | 风险的确定方法、装置、服务器和文本审理系统 |
CN110514199B (zh) * | 2019-08-28 | 2021-10-22 | 爱笔(北京)智能科技有限公司 | 一种slam系统的回环检测方法及装置 |
CN111832769A (zh) * | 2019-09-24 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 上车点排序、信息排序方法及装置 |
CN111831931B (zh) * | 2019-09-24 | 2023-11-17 | 北京嘀嘀无限科技发展有限公司 | 一种上车点排序、信息排序的方法及装置 |
CN110991260B (zh) * | 2019-11-12 | 2024-01-19 | 苏州智加科技有限公司 | 场景标注方法、装置、设备及存储介质 |
CN110929799B (zh) * | 2019-11-29 | 2023-05-12 | 上海盛付通电子支付服务有限公司 | 用于检测异常用户的方法、电子设备和计算机可读介质 |
CN112992127B (zh) * | 2019-12-12 | 2024-05-07 | 杭州海康威视数字技术股份有限公司 | 一种语音识别的方法和装置 |
CN113050961A (zh) * | 2019-12-27 | 2021-06-29 | Oppo广东移动通信有限公司 | 优化策略的推送方法、装置、服务器及存储介质 |
CN111079705B (zh) * | 2019-12-31 | 2023-07-25 | 北京理工大学 | 一种振动信号分类方法 |
CN113312542B (zh) * | 2020-02-26 | 2023-12-22 | 阿里巴巴集团控股有限公司 | 一种对象推荐模型的处理方法、装置以及电子设备 |
CN111460294B (zh) * | 2020-03-31 | 2023-09-15 | 汉海信息技术(上海)有限公司 | 消息推送方法、装置、计算机设备及存储介质 |
CN111428158B (zh) * | 2020-04-09 | 2023-04-18 | 汉海信息技术(上海)有限公司 | 推荐位置的方法、装置、电子设备及可读存储介质 |
CN111695622B (zh) * | 2020-06-09 | 2023-08-11 | 全球能源互联网研究院有限公司 | 变电作业场景的标识模型训练方法、标识方法及装置 |
CN111935231A (zh) * | 2020-07-13 | 2020-11-13 | 支付宝(杭州)信息技术有限公司 | 信息处理方法和装置 |
CN111859133B (zh) * | 2020-07-21 | 2023-11-14 | 有半岛(北京)信息科技有限公司 | 一种推荐方法及在线预测模型的发布方法和装置 |
CN111949886B (zh) * | 2020-08-28 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 一种用于信息推荐的样本数据生成方法和相关装置 |
CN112182282A (zh) * | 2020-09-01 | 2021-01-05 | 浙江大华技术股份有限公司 | 音乐推荐方法、装置、计算机设备和可读存储介质 |
CN114140140B (zh) * | 2020-09-03 | 2023-03-21 | 中国移动通信集团浙江有限公司 | 一种场景筛选方法、装置及设备 |
CN112200602B (zh) * | 2020-09-21 | 2024-06-07 | 北京达佳互联信息技术有限公司 | 用于广告推荐的神经网络模型训练方法及装置 |
CN112533137B (zh) * | 2020-11-26 | 2023-10-17 | 北京爱笔科技有限公司 | 设备的定位方法、装置、电子设备及计算机存储介质 |
CN112751939B (zh) * | 2020-12-31 | 2024-04-12 | 东风汽车有限公司 | 一种信息推送方法、信息推送装置和存储介质 |
CN112698848A (zh) * | 2020-12-31 | 2021-04-23 | Oppo广东移动通信有限公司 | 机器学习模型的下载方法、装置、终端及存储介质 |
CN112820273B (zh) * | 2020-12-31 | 2022-12-02 | 青岛海尔科技有限公司 | 唤醒判别方法和装置、存储介质及电子设备 |
CN113763111A (zh) * | 2021-02-10 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 物品搭配方法、装置及存储介质 |
CN113204654B (zh) * | 2021-04-21 | 2024-03-29 | 北京达佳互联信息技术有限公司 | 数据推荐方法、装置、服务器及存储介质 |
CN113946222A (zh) * | 2021-11-17 | 2022-01-18 | 杭州逗酷软件科技有限公司 | 一种控制方法、电子设备及计算机存储介质 |
CN114329051B (zh) * | 2021-12-31 | 2024-03-05 | 腾讯科技(深圳)有限公司 | 数据信息识别方法、装置、设备、存储介质及程序产品 |
CN116761114B (zh) * | 2023-07-14 | 2024-01-26 | 润芯微科技(江苏)有限公司 | 一种车载音响播放声音调节方法及其系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102957742A (zh) * | 2012-10-18 | 2013-03-06 | 北京天宇朗通通信设备股份有限公司 | 数据推送方法及装置 |
CN104268154A (zh) * | 2014-09-02 | 2015-01-07 | 百度在线网络技术(北京)有限公司 | 一种用于提供推荐信息的方法和装置 |
US20150120462A1 (en) * | 2013-10-29 | 2015-04-30 | Tencent Technology (Shenzhen) Company Limited | Method And System For Pushing Merchandise Information |
CN106657300A (zh) * | 2016-12-09 | 2017-05-10 | 捷开通讯(深圳)有限公司 | 一种应用程序的推送方法以及推送应用程序的移动终端 |
CN106682035A (zh) * | 2015-11-11 | 2017-05-17 | 中国移动通信集团公司 | 一种个性化学习推荐方法及装置 |
CN106777016A (zh) * | 2016-12-08 | 2017-05-31 | 北京小米移动软件有限公司 | 基于即时通信进行信息推荐的方法及装置 |
CN106878359A (zh) * | 2015-12-14 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN107391605A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 基于地理位置的信息推送方法、装置及移动终端 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745384B (zh) * | 2013-12-31 | 2017-06-06 | 北京百度网讯科技有限公司 | 一种用于向用户设备提供信息的方法及装置 |
CN105302904A (zh) * | 2015-10-29 | 2016-02-03 | 努比亚技术有限公司 | 信息推送方法和装置 |
-
2017
- 2017-12-29 CN CN201711470476.1A patent/CN109995799B/zh not_active Expired - Fee Related
-
2018
- 2018-11-21 WO PCT/CN2018/116602 patent/WO2019128552A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102957742A (zh) * | 2012-10-18 | 2013-03-06 | 北京天宇朗通通信设备股份有限公司 | 数据推送方法及装置 |
US20150120462A1 (en) * | 2013-10-29 | 2015-04-30 | Tencent Technology (Shenzhen) Company Limited | Method And System For Pushing Merchandise Information |
CN104268154A (zh) * | 2014-09-02 | 2015-01-07 | 百度在线网络技术(北京)有限公司 | 一种用于提供推荐信息的方法和装置 |
CN106682035A (zh) * | 2015-11-11 | 2017-05-17 | 中国移动通信集团公司 | 一种个性化学习推荐方法及装置 |
CN106878359A (zh) * | 2015-12-14 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN106777016A (zh) * | 2016-12-08 | 2017-05-31 | 北京小米移动软件有限公司 | 基于即时通信进行信息推荐的方法及装置 |
CN106657300A (zh) * | 2016-12-09 | 2017-05-10 | 捷开通讯(深圳)有限公司 | 一种应用程序的推送方法以及推送应用程序的移动终端 |
CN107391605A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 基于地理位置的信息推送方法、装置及移动终端 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533634A (zh) * | 2019-07-26 | 2019-12-03 | 深圳壹账通智能科技有限公司 | 基于人工智能的方案推荐方法、装置、计算机设备及存储介质 |
CN110598762A (zh) * | 2019-08-26 | 2019-12-20 | Oppo广东移动通信有限公司 | 基于音频的出行方式检测方法、装置以及移动终端 |
CN110516760A (zh) * | 2019-09-02 | 2019-11-29 | Oppo(重庆)智能科技有限公司 | 情境识别方法、装置、终端及计算机可读存储介质 |
CN111026979A (zh) * | 2019-11-12 | 2020-04-17 | 恒大智慧科技有限公司 | 一种目标推荐方法及系统、计算机可读存储介质 |
CN112884423A (zh) * | 2019-11-29 | 2021-06-01 | 北京国双科技有限公司 | 一种信息处理方法、装置、电子设备及存储介质 |
CN111177062A (zh) * | 2019-12-02 | 2020-05-19 | 上海连尚网络科技有限公司 | 一种用于提供阅读呈现信息的方法与设备 |
CN111177062B (zh) * | 2019-12-02 | 2024-04-05 | 上海连尚网络科技有限公司 | 一种用于提供阅读呈现信息的方法与设备 |
CN111026371A (zh) * | 2019-12-11 | 2020-04-17 | 上海米哈游网络科技股份有限公司 | 一种游戏开发方法、装置、电子设备及存储介质 |
CN111026371B (zh) * | 2019-12-11 | 2023-09-29 | 上海米哈游网络科技股份有限公司 | 一种游戏开发方法、装置、电子设备及存储介质 |
CN111081275A (zh) * | 2019-12-20 | 2020-04-28 | 惠州Tcl移动通信有限公司 | 基于声音分析的终端处理方法、装置、存储介质及终端 |
CN111259241A (zh) * | 2020-01-14 | 2020-06-09 | 浙江每日互动网络科技股份有限公司 | 一种信息处理方法及装置、存储介质 |
CN111259245B (zh) * | 2020-01-16 | 2023-05-02 | 腾讯音乐娱乐科技(深圳)有限公司 | 作品推送方法、装置及存储介质 |
CN111259245A (zh) * | 2020-01-16 | 2020-06-09 | 腾讯音乐娱乐科技(深圳)有限公司 | 作品推送方法、装置及存储介质 |
CN111724231A (zh) * | 2020-05-19 | 2020-09-29 | 五八有限公司 | 一种商品信息的展示方法和装置 |
CN111949821A (zh) * | 2020-06-24 | 2020-11-17 | 百度在线网络技术(北京)有限公司 | 视频推荐方法、装置、电子设备和存储介质 |
CN111831853A (zh) * | 2020-07-16 | 2020-10-27 | 深圳市商汤科技有限公司 | 信息处理方法、装置、设备及系统 |
CN112000900A (zh) * | 2020-08-14 | 2020-11-27 | 北京三快在线科技有限公司 | 推荐景点信息的方法、装置、电子设备及存储介质 |
CN113286742A (zh) * | 2020-09-22 | 2021-08-20 | 深圳市大疆创新科技有限公司 | 可移动平台的数据管理方法、装置、可移动平台及介质 |
CN112422653A (zh) * | 2020-11-06 | 2021-02-26 | 山东产研信息与人工智能融合研究院有限公司 | 基于位置服务的场景信息推送方法、系统、存储介质及设备 |
CN112435069A (zh) * | 2020-12-02 | 2021-03-02 | 北京五八信息技术有限公司 | 一种广告投放方法、装置、电子设备及存储介质 |
CN115766934A (zh) * | 2021-09-02 | 2023-03-07 | 北京小米移动软件有限公司 | 终端控制方法、装置、电子设备及存储介质 |
CN114177621A (zh) * | 2021-12-15 | 2022-03-15 | 乐元素科技(北京)股份有限公司 | 数据处理方法及装置 |
CN114177621B (zh) * | 2021-12-15 | 2024-03-22 | 乐元素科技(北京)股份有限公司 | 数据处理方法及装置 |
WO2024045576A1 (zh) * | 2022-08-30 | 2024-03-07 | 中兴通讯股份有限公司 | 网络链路生成方法、服务器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109995799B (zh) | 2020-12-29 |
WO2019128552A1 (zh) | 2019-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109995799A (zh) | 信息推送方法、装置、终端及存储介质 | |
CN103038765B (zh) | 用于适配情境模型的方法和装置 | |
US11631236B2 (en) | System and method for deep labeling | |
US10803859B1 (en) | Speech processing for public devices | |
CN105960672B (zh) | 用于稳健语音识别的变量组件深度神经网络 | |
US20190279618A1 (en) | System and method for language model personalization | |
CN110276075A (zh) | 模型训练方法、命名实体识别方法、装置、设备及介质 | |
CN108154398A (zh) | 信息显示方法、装置、终端及存储介质 | |
CN106792003B (zh) | 一种智能广告插播方法、装置及服务器 | |
CN110838286A (zh) | 一种模型训练的方法、语种识别的方法、装置及设备 | |
CN108701453A (zh) | 模块化深度学习模型 | |
CN110189754A (zh) | 语音交互方法、装置、电子设备及存储介质 | |
CN109256147B (zh) | 音频节拍检测方法、装置及存储介质 | |
CN110519636A (zh) | 语音信息播放方法、装置、计算机设备及存储介质 | |
CN103650035A (zh) | 经由社交图谱、语音模型和用户情境识别接近移动装置用户的人 | |
CN105074697A (zh) | 用于推断关于实体的元数据的实时众包数据的累积 | |
CN109241336A (zh) | 音乐推荐方法和装置 | |
CN112771544A (zh) | 重构人工智能模型的电子装置及其控制方法 | |
CN111309940A (zh) | 一种信息展示方法、系统、装置、电子设备及存储介质 | |
CN110210194A (zh) | 电子合同显示方法、装置、电子设备及存储介质 | |
CN110019777A (zh) | 一种信息分类的方法及设备 | |
US11544339B2 (en) | Automated sentiment analysis and/or geotagging of social network posts | |
CN110209778A (zh) | 一种对话生成的方法以及相关装置 | |
CN111259257A (zh) | 一种信息展示方法、系统、装置、电子设备及存储介质 | |
US20120185417A1 (en) | Apparatus and method for generating activity history |
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 | ||
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: 20201229 |
|
CF01 | Termination of patent right due to non-payment of annual fee |