CN110874639A - 操作信息的获取方法及装置 - Google Patents
操作信息的获取方法及装置 Download PDFInfo
- Publication number
- CN110874639A CN110874639A CN201811012473.8A CN201811012473A CN110874639A CN 110874639 A CN110874639 A CN 110874639A CN 201811012473 A CN201811012473 A CN 201811012473A CN 110874639 A CN110874639 A CN 110874639A
- Authority
- CN
- China
- Prior art keywords
- operation information
- machine learning
- information
- learning model
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000001914 filtration Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种操作信息的获取方法及装置，其中，该方法包括：获取对第一家电设备的第一操作信息，其中，所述操作信息包括所述家电设备的工作参数和/或家电设备展示的媒体资源；通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息，将该目标操作信息推送给上述家电设备。采用上述方案，充分利用大数据和机器学习，使用训练好的机器学习模型依据家电设备的第一操作信息，迅速精确地为家电设备推送目标操作信息，例如推送家电设备工作的工作参数，家电设备显示的媒体资源，解决了相关技术中向家电设备推荐的内容用户兴趣度低的问题。
Description
技术领域
本申请涉及但不限于电器领域，具体而言，涉及一种操作信息的获取方法及装置。
背景技术
在相关技术中，用户行为分析方法最早来源于管理学领域，通过分析客户的行为来指导企业运营管理。目前该方法被广泛应用于互联网数据分析，特别是针对用户推广方面，以满足企业精细化地应对用户需求。利用用户行为数据分析的算法也称为协同过滤算法。用户行为分为显性反馈行为和隐形反馈行为。针对协同过滤算法提出了很多方法，有基于邻域的方法、隐语义模型、基于图的随机游走算法等。这些方法中基于邻域的方法最常用。
针对相关技术中向家电设备推荐的内容用户兴趣度低的问题，目前还没有有效的解决方案。
发明内容
本申请实施例提供了一种操作信息的获取方法及装置，以至少解决相关技术中向家电设备推荐的内容用户兴趣度低的问题。
根据本申请的一个实施例，提供了一种操作信息的获取方法，包括：获取对第一家电设备的第一操作信息，其中，所述操作信息包括所述家电设备的工作参数和/或家电设备展示的媒体资源；通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息，其中，所述机器学习模型是使用第一样本操作信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本操作信息包括多组具有关联关系的样本家电设备的操作信息。
根据本申请文件的另一个实施例，还提供了一种操作信息的获取装置，包括：第一获取模块，用于获取对第一家电设备的第一操作信息，其中，所述操作信息包括所述家电设备的工作参数和/或家电设备展示的媒体资源；第二获取模块，用于通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息，其中，所述机器学习模型是使用第一样本操作信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本操作信息包括多组具有关联关系的样本家电设备的操作信息。
根据本申请的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本申请的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本申请，获取对第一家电设备的第一操作信息，其中，所述操作信息包括所述家电设备的工作参数和/或家电设备展示的媒体资源；通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息，将该目标操作信息推送给上述家电设备。采用上述方案，充分利用大数据和机器学习，使用训练好的机器学习模型依据家电设备的第一操作信息，迅速精确地为家电设备推送目标操作信息，例如推送家电设备工作的工作参数，家电设备显示的媒体资源，解决了相关技术中向家电设备推荐的内容用户兴趣度低的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请实施例的一种操作信息的获取方法的服务器的硬件结构框图；
图2是根据本申请实施例的操作信息的获取方法的流程图；
图3是是根据本申请实施例的内容推荐的方法流程示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例一
本申请实施例一所提供的方法实施例可以在服务器类似的运算装置中执行。以运行在服务器上为例，图1是本申请实施例的一种操作信息的获取方法的服务器的硬件结构框图，如图1所示，服务器10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述服务器还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述服务器的结构造成限定。例如，服务器10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的操作信息的获取方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至服务器10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述服务器的操作信息的获取方法，
图2是根据本申请实施例的操作信息的获取方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取对第一家电设备的第一操作信息，其中，所述操作信息包括所述家电设备的工作参数和/或家电设备展示的媒体资源；
展示的媒体资源可以是播放音频，或者播放视频，展示文字，或者购物商品等。家电设备的工作参数可以是空调的温度设置，风速设置。
步骤S204，通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息，其中，所述机器学习模型是使用第一样本操作信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本操作信息包括多组具有关联关系的样本家电设备的操作信息。
通过上述步骤，获取对第一家电设备的第一操作信息，其中，所述操作信息包括所述家电设备的工作参数和/或家电设备展示的媒体资源；通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息，将该目标操作信息推送给上述家电设备。采用上述方案，充分利用大数据和机器学习，使用训练好的机器学习模型依据家电设备的第一操作信息，迅速精确地为家电设备推送目标操作信息，例如推送家电设备工作的工作参数，家电设备显示的媒体资源，解决了相关技术中向家电设备推荐的内容用户兴趣度低的问题。
可选地，上述步骤的执行主体可以为服务器，也可以为家电设备等，但不限于此。
可选地，通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息之前，通过以下方式获取所述机器学习模型：使用第一样本操作信息作为原始模型的输入信息对所述原始模型进行训练，其中，所述第一样本操作信息包括多组具有关联关系的样本家电设备的操作信息，其中，每组具有关联关系的样本家电设备的操作信息均包括：样本家电设备的真实操作信息和期待操作信息，其中，所述真实操作信息是所述样本家电设备的实际操作信息；所述期待操作信息是所述样本家电设备所属用户感兴趣的操作信息；在训练结果中的机器学习模型的推荐精度满足条件后，允许通过所述机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息。
上述的真实操作信息和期待操作信息可以是，用户实际操作家电设备的信息称为真实操作信息，用户反馈的用户想要查看的信息或者用户感兴趣的信息为期待操作信息。
上述的期待操作信息是用户感兴趣的操作信息，具体例子如下，对于100种信息类型，用户进行手动选择感兴趣的，排名前五十的可以称为用户感兴趣的操作信息。当然上述仅是可选实施例，用于举例说明用户的兴趣所在。在具体实施时，可以获取用户的多个特征，与该多个特征匹配的即为用户感兴趣的信息。
可选地，通过以下方式确定训练结果中的机器学习模型的推荐精度，包括：获取第二样本操作信息，其中，所述第二样本操作信息包括所述第二真实操作信息，和第二期待操作信息；通过所述机器学习模型获取与所述第二真实操作信息关联的第二目标操作信息；依据所述第二目标操作信息与所述第二期待操作信息的匹配度，获取所述机器学习模型的推荐精度。
可选地，依据所述第二目标操作信息与所述第二期待操作信息的匹配度，获取所述机器学习模型的推荐精度，包括：将所述第二目标操作信息中与所述第二期待操作信息匹配度高于阈值的部分作为第一信息；将所述第二目标操作信息中与所述第二期待操作信息匹配度低于阈值的部分作为第二信息；将所述第二期待操作信息中，未在所述第二目标操作信息中包括的部分作为第三信息；依据所述第一信息数量、所述第二信息数量和/或所述第三信息数量确定所述机器学习模型的推荐精度。
可选地，依据所述第一信息数量、所述第二信息数量和/或所述第三信息数量确定所述机器学习模型的推荐精度，包括：将所述第一信息数量与所述第二目标操作信息数量的比值作为准确率；将所述第一信息数量，与所述第二期待操作信息数量的比值，作为召回率；依据所述准确率和/或召回率确定所述机器学习模型的推荐精度。
可选地，依据所述准确率和/或召回率确定所述机器学习模型的推荐精度，包括：计算所述准确率和所述召回率的和值，所述准确率和所述召回率的乘积；依据所述乘积与所述和值的比值确定所述机器学习模型的推荐精度。
上述的准确率，召回率的技术方式可以参见后续的实施例。
可选地，依据所述乘积与所述和值的比值确定所述机器学习模型的推荐精度之后，在所述推荐精度高于阈值的情况下，确定所述机器学习模型的推荐精度满足条件；在所述推荐精度低于阈值的情况下，继续对所述机器学习模型进行训练。
可选地，通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息之后，在所述第一家电设备上显示提示信息，其中，所述提示信息用于提示所述目标操作信息。在提示上述目标操作信息之后，如果接收到用户打开上述信息的信号，则进一步打开上述目标操作信息。
相关技术中的内容推荐方法包括基于邻域方法，基于邻域方法有基于用户的协同过滤算法和基于物品的协同过滤算法。
其中，基于用户的协同过滤算法(UserCF)主要分为两步：(1)找到和目标用户兴趣相似的用户集合；(2)找到这个集合中的用户喜欢的，且目标用户没听说过的物品推荐给目标用户。基于物品协同过滤算法(ItemCF)主要是通过分析用户的行为记录计算物品之间的相似度。该算法认为物品A和物品B有很大相似度，主要是因为喜欢物品A的用户大部分也喜欢物品B。
基于物品协同过滤方法主要分为两步：(1)计算物品间的相似度；(2)根据物品相似度和用户的历史行为给用户生成推荐列表。这两种方法给出的用户推荐很大程度依赖与相似度的计算，对于不同相似度的计算方式，得到的结果也有一定的差别。
因此利用海量数据结合深度学习进行研究，一方面对用户喜好、可能的浏览点击、行为轨迹进行尽可能精确地预测；另一方面，通过预测用户未来的行为从而给出相应的推荐。
根据用户的行为习惯给用户推荐适合的空调和APP应用软件等。如果不能有效地利用用户数据，对用户的行为习惯进行分析，就无法准确捕捉用户的真实需求和喜好，会导致用户流失。
图3是是根据本申请实施例的内容推荐的方法流程示意图，如图3所示，包括以下步骤：
步骤一，提取部分用户数据；
步骤二，依据规则提取和专家经验对数据进行初步处理；
步骤三，对处理后的数据结合用户和物品两个方面构造权值，并进行融合；
步骤四，运行深度学习算法构建模型。
可选地，在构建上述模型成功后，运用十折交叉验证来对模型的精确度进行计算，从而模型进行评估。
本申请实施例中的评测指标：
下面给出三个评判准则，分别为准确率(P)，召回率(R)和度量值(F)来评测推荐算法的精度。其中推荐用户并且用户喜欢TY,推荐用户但是用户不喜欢TN；不推荐用户但是用户喜欢FY,不推荐用户且用户不喜欢FN。计算公式分别如下：
采用上述方案，首先给出部分用户行为数据作为的训练数据集，和“专家经验”进行规则提取构建模型，实际应用的时候给出新的测试数据集进行试验，通过深度学习算法能够给出一个良好的用户行为推荐方案。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
实施例二
在本实施例中还提供了一种操作信息的获取装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
根据本申请文件的另一个实施例，还提供了一种操作信息的获取装置，包括：
第一获取模块，用于获取对第一家电设备的第一操作信息，其中，所述操作信息包括所述家电设备的工作参数和/或家电设备展示的媒体资源；
第二获取模块，用于通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息，其中，所述机器学习模型是使用第一样本操作信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本操作信息包括多组具有关联关系的样本家电设备的操作信息。
采用上述方案，充分利用大数据和机器学习，使用训练好的机器学习模型依据家电设备的第一操作信息，迅速精确地为家电设备推送目标操作信息，例如推送家电设备工作的工作参数，家电设备显示的媒体资源，解决了相关技术中向家电设备推荐的内容用户兴趣度低的问题。
可选地，通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息之前，通过以下方式获取所述机器学习模型：使用第一样本操作信息作为原始模型的输入信息对所述原始模型进行训练，其中，所述第一样本操作信息包括多组具有关联关系的样本家电设备的操作信息，其中，每组具有关联关系的样本家电设备的操作信息均包括：样本家电设备的真实操作信息和期待操作信息，其中，所述真实操作信息是所述样本家电设备的实际操作信息；所述期待操作信息是所述样本家电设备所属用户感兴趣的操作信息；在训练结果中的机器学习模型的推荐精度满足条件后，允许通过所述机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息。
上述的真实操作信息和期待操作信息可以是，用户实际操作家电设备的信息称为真实操作信息，用户反馈的用户想要查看的信息或者用户感兴趣的信息为期待操作信息。
上述的期待操作信息是用户感兴趣的操作信息，具体例子如下，对于100种信息类型，用户进行手动选择感兴趣的，排名前五十的可以称为用户感兴趣的操作信息。当然上述仅是可选实施例，用于举例说明用户的兴趣所在。在具体实施时，可以获取用户的多个特征，与该多个特征匹配的即为用户感兴趣的信息。
可选地，通过以下方式确定训练结果中的机器学习模型的推荐精度，包括：获取第二样本操作信息，其中，所述第二样本操作信息包括所述第二真实操作信息，和第二期待操作信息；通过所述机器学习模型获取与所述第二真实操作信息关联的第二目标操作信息；依据所述第二目标操作信息与所述第二期待操作信息的匹配度，获取所述机器学习模型的推荐精度。
可选地，依据所述第二目标操作信息与所述第二期待操作信息的匹配度，获取所述机器学习模型的推荐精度，包括：将所述第二目标操作信息中与所述第二期待操作信息匹配度高于阈值的部分作为第一信息；将所述第二目标操作信息中与所述第二期待操作信息匹配度低于阈值的部分作为第二信息；将所述第二期待操作信息中，未在所述第二目标操作信息中包括的部分作为第三信息；依据所述第一信息数量、所述第二信息数量和/或所述第三信息数量确定所述机器学习模型的推荐精度。
可选地，依据所述第一信息数量、所述第二信息数量和/或所述第三信息数量确定所述机器学习模型的推荐精度，包括：将所述第一信息数量与所述第二目标操作信息数量的比值作为准确率；将所述第一信息数量，与所述第二期待操作信息数量的比值，作为召回率；依据所述准确率和/或召回率确定所述机器学习模型的推荐精度。
可选地，依据所述准确率和/或召回率确定所述机器学习模型的推荐精度，包括：计算所述准确率和所述召回率的和值，所述准确率和所述召回率的乘积；依据所述乘积与所述和值的比值确定所述机器学习模型的推荐精度。
可选地，依据所述乘积与所述和值的比值确定所述机器学习模型的推荐精度之后，在所述推荐精度高于阈值的情况下，确定所述机器学习模型的推荐精度满足条件；在所述推荐精度低于阈值的情况下，继续对所述机器学习模型进行训练。
可选地，通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息之后，在所述第一家电设备上显示提示信息，其中，所述提示信息用于提示所述目标操作信息。在提示上述目标操作信息之后，如果接收到用户打开上述信息的信号，则进一步打开上述目标操作信息。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例三
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
S1，获取对第一家电设备的第一操作信息，其中，所述操作信息包括所述家电设备的工作参数和/或家电设备展示的媒体资源；
S2，通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息，其中，所述机器学习模型是使用第一样本操作信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本操作信息包括多组具有关联关系的样本家电设备的操作信息。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输装置以及输入输出设备，其中，该传输装置和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取对第一家电设备的第一操作信息，其中，所述操作信息包括所述家电设备的工作参数和/或家电设备展示的媒体资源；
S2，通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息，其中，所述机器学习模型是使用第一样本操作信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本操作信息包括多组具有关联关系的样本家电设备的操作信息。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。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 (11)
1.一种操作信息的获取方法，其特征在于，包括：
获取对第一家电设备的第一操作信息，其中，所述操作信息包括所述家电设备的工作参数和/或家电设备展示的媒体资源；
通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息，其中，所述机器学习模型是使用第一样本操作信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本操作信息包括多组具有关联关系的样本家电设备的操作信息。
2.根据权利要求1所述的方法，其特征在于，通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息之前，通过以下方式获取所述机器学习模型：
使用第一样本操作信息作为原始模型的输入信息对所述原始模型进行训练，其中，所述第一样本操作信息包括多组具有关联关系的样本家电设备的操作信息，其中，每组具有关联关系的样本家电设备的操作信息均包括：样本家电设备的真实操作信息和期待操作信息，其中，所述真实操作信息是所述样本家电设备的实际操作信息；所述期待操作信息是所述样本家电设备所属用户感兴趣的操作信息；
在训练结果中的机器学习模型的推荐精度满足条件后，允许通过所述机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息。
3.根据权利要求2所述的方法，其特征在于，通过以下方式确定训练结果中的机器学习模型的推荐精度，包括：
获取第二样本操作信息，其中，所述第二样本操作信息包括第二真实操作信息，和第二期待操作信息；
通过所述机器学习模型获取与所述第二真实操作信息关联的第二目标操作信息；
依据所述第二目标操作信息与所述第二期待操作信息的匹配度，获取所述机器学习模型的推荐精度。
4.根据权利要求3所述的方法，其特征在于，依据所述第二目标操作信息与所述第二期待操作信息的匹配度，获取所述机器学习模型的推荐精度，包括：
将所述第二目标操作信息中与所述第二期待操作信息匹配度高于阈值的部分作为第一信息；
将所述第二目标操作信息中与所述第二期待操作信息匹配度低于阈值的部分作为第二信息；
将所述第二期待操作信息中，未在所述第二目标操作信息中包括的部分作为第三信息；
依据所述第一信息数量、所述第二信息数量和/或所述第三信息数量确定所述机器学习模型的推荐精度。
5.根据权利要求4所述的方法，其特征在于，依据所述第一信息数量、所述第二信息数量和/或所述第三信息数量确定所述机器学习模型的推荐精度，包括：
将所述第一信息数量与所述第二目标操作信息数量的比值作为准确率；
将所述第一信息数量，与所述第二期待操作信息数量的比值，作为召回率；
依据所述准确率和/或召回率确定所述机器学习模型的推荐精度。
6.根据权利要求5所述的方法，其特征在于，依据所述准确率和/或召回率确定所述机器学习模型的推荐精度，包括：
计算所述准确率和所述召回率的和值，所述准确率和所述召回率的乘积；
依据所述乘积与所述和值的比值确定所述机器学习模型的推荐精度。
7.根据权利要求6所述的方法，其特征在于，依据所述乘积与所述和值的比值确定所述机器学习模型的推荐精度之后，所述方法还包括：
在所述推荐精度高于阈值的情况下，确定所述机器学习模型的推荐精度满足条件；
在所述推荐精度低于阈值的情况下，继续对所述机器学习模型进行训练。
8.根据权利要求1所述的方法，其特征在于，通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息之后，所述方法还包括：
在所述第一家电设备上显示提示信息，其中，所述提示信息用于提示所述目标操作信息。
9.一种操作信息的获取装置，其特征在于，包括：
第一获取模块，用于获取对第一家电设备的第一操作信息，其中，所述操作信息包括所述家电设备的工作参数和/或家电设备展示的媒体资源；
第二获取模块，用于通过机器学习模型获取与所述第一操作信息具有关联关系的目标操作信息，其中，所述机器学习模型是使用第一样本操作信息作为原始模型的输入信息对所述原始模型进行训练得到的模型，所述第一样本操作信息包括多组具有关联关系的样本家电设备的操作信息。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811012473.8A CN110874639A (zh) | 2018-08-31 | 2018-08-31 | 操作信息的获取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811012473.8A CN110874639A (zh) | 2018-08-31 | 2018-08-31 | 操作信息的获取方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110874639A true CN110874639A (zh) | 2020-03-10 |
Family
ID=69715873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811012473.8A Pending CN110874639A (zh) | 2018-08-31 | 2018-08-31 | 操作信息的获取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110874639A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112635025A (zh) * | 2020-12-31 | 2021-04-09 | 青岛海尔科技有限公司 | 食谱的预测方法及装置、存储介质、电子装置 |
| CN113487038A (zh) * | 2021-06-25 | 2021-10-08 | 青岛海尔科技有限公司 | 场景的确定方法和装置、存储介质及电子装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103731738A (zh) * | 2014-01-23 | 2014-04-16 | 哈尔滨理工大学 | 基于用户群组行为分析的视频推荐方法及装置 |
| CN105549407A (zh) * | 2015-12-30 | 2016-05-04 | 芜湖美智空调设备有限公司 | 家电控制方法及装置 |
| CN106686086A (zh) * | 2016-12-29 | 2017-05-17 | 努比亚技术有限公司 | 消息推送装置及方法 |
| CN107766573A (zh) * | 2017-11-13 | 2018-03-06 | 深圳乐信软件技术有限公司 | 基于数据处理的商品推荐方法、装置、设备和存储介质 |
| CN108095716A (zh) * | 2017-11-21 | 2018-06-01 | 郑州鼎创智能科技有限公司 | 一种基于置信规则库和深度神经网络的心电信号检测方法 |
| CN108131791A (zh) * | 2017-12-04 | 2018-06-08 | 广东美的制冷设备有限公司 | 家电设备的控制方法、装置及服务器 |
| CN108158687A (zh) * | 2017-11-14 | 2018-06-15 | 珠海格力电器股份有限公司 | 电动牙刷控制方法及装置 |
| CN108260008A (zh) * | 2018-02-11 | 2018-07-06 | 北京未来媒体科技股份有限公司 | 一种视频推荐方法、装置及电子设备 |
| CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
| CN108334536A (zh) * | 2017-11-30 | 2018-07-27 | 中国电子科技集团公司电子科学研究院 | 一种信息推荐方法、设备和存储介质 |
-
2018
- 2018-08-31 CN CN201811012473.8A patent/CN110874639A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103731738A (zh) * | 2014-01-23 | 2014-04-16 | 哈尔滨理工大学 | 基于用户群组行为分析的视频推荐方法及装置 |
| CN105549407A (zh) * | 2015-12-30 | 2016-05-04 | 芜湖美智空调设备有限公司 | 家电控制方法及装置 |
| CN106686086A (zh) * | 2016-12-29 | 2017-05-17 | 努比亚技术有限公司 | 消息推送装置及方法 |
| CN107766573A (zh) * | 2017-11-13 | 2018-03-06 | 深圳乐信软件技术有限公司 | 基于数据处理的商品推荐方法、装置、设备和存储介质 |
| CN108158687A (zh) * | 2017-11-14 | 2018-06-15 | 珠海格力电器股份有限公司 | 电动牙刷控制方法及装置 |
| CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
| CN108095716A (zh) * | 2017-11-21 | 2018-06-01 | 郑州鼎创智能科技有限公司 | 一种基于置信规则库和深度神经网络的心电信号检测方法 |
| CN108334536A (zh) * | 2017-11-30 | 2018-07-27 | 中国电子科技集团公司电子科学研究院 | 一种信息推荐方法、设备和存储介质 |
| CN108131791A (zh) * | 2017-12-04 | 2018-06-08 | 广东美的制冷设备有限公司 | 家电设备的控制方法、装置及服务器 |
| CN108260008A (zh) * | 2018-02-11 | 2018-07-06 | 北京未来媒体科技股份有限公司 | 一种视频推荐方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 丁明跃等: "《物联网识别技术》", 31 July 2012 * |
| 宋小杉等: "《基于支持向量机的地面目标自动识别技术》", 31 July 2018 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112635025A (zh) * | 2020-12-31 | 2021-04-09 | 青岛海尔科技有限公司 | 食谱的预测方法及装置、存储介质、电子装置 |
| CN112635025B (zh) * | 2020-12-31 | 2023-02-03 | 青岛海尔科技有限公司 | 食谱的预测方法及装置、存储介质、电子装置 |
| CN113487038A (zh) * | 2021-06-25 | 2021-10-08 | 青岛海尔科技有限公司 | 场景的确定方法和装置、存储介质及电子装置 |
| CN113487038B (zh) * | 2021-06-25 | 2024-03-22 | 青岛海尔科技有限公司 | 场景的确定方法和装置、存储介质及电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10162891B2 (en) | Determining demographics based on user interaction | |
| CN108875022B (zh) | 一种视频推荐方法及装置 | |
| US9978093B2 (en) | Method and system for pushing mobile application | |
| CN103649981B (zh) | 用于输送目标内容的方法和装置 | |
| CN107818166A (zh) | 一种资讯推荐方法、装置、服务器及系统 | |
| CN107426328B (zh) | 信息推送方法和装置 | |
| CN104254852A (zh) | 用于混合信息查询的方法和系统 | |
| CN110413867B (zh) | 用于内容推荐的方法及系统 | |
| CN103455522A (zh) | 应用程序扩展工具推荐方法及系统 | |
| CN107808346B (zh) | 一种潜在目标对象的评估方法及评估装置 | |
| CN105159910A (zh) | 信息推荐方法和装置 | |
| CN103118111A (zh) | 一种基于多个数据交互中心的数据进行信息推送的方法 | |
| US10909571B2 (en) | Visitor identification based on feature selection | |
| CN114448921A (zh) | 基于社交关系链的信息展示方法、装置及服务器 | |
| CN106021455A (zh) | 图像特征关系的匹配方法、装置和系统 | |
| CN105302880A (zh) | 内容关联推荐方法及装置 | |
| CN113869931A (zh) | 广告投放策略确定方法、装置、计算机设备和存储介质 | |
| JP2011227721A (ja) | 関心抽出装置、関心抽出方法、及び関心抽出プログラム | |
| CN114245185B (zh) | 视频推荐方法、模型训练方法、装置、电子设备及介质 | |
| CN116127184A (zh) | 产品的推荐方法及装置、非易失性存储介质、电子设备 | |
| CN110874639A (zh) | 操作信息的获取方法及装置 | |
| CN112565902B (zh) | 一种视频推荐方法、装置及电子设备 | |
| CN109597941B (zh) | 排序方法及装置、电子设备和存储介质 | |
| CN112182460A (zh) | 资源的推送方法和装置、存储介质及电子装置 | |
| CN105141664A (zh) | 一种为网络阅读用户推荐朋友的方法及设备 |
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: 20200310 |