CN111414944B - 一种电子设备控制方法及电子设备 - Google Patents
一种电子设备控制方法及电子设备 Download PDFInfo
- Publication number
- CN111414944B CN111414944B CN202010165252.5A CN202010165252A CN111414944B CN 111414944 B CN111414944 B CN 111414944B CN 202010165252 A CN202010165252 A CN 202010165252A CN 111414944 B CN111414944 B CN 111414944B
- Authority
- CN
- China
- Prior art keywords
- behavior
- event
- behavior event
- input
- events
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006399 behavior Effects 0.000 claims description 380
- 238000013145 classification model Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims 1
- 230000003542 behavioural effect Effects 0.000 description 12
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000284 resting effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明提供一种电子设备控制方法及电子设备,所述方法包括:接收用户的第一输入;将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率;基于所述每个行为事件对应的概率确定目标行为事件,所述目标行为事件为所述多个行为事件中的行为事件;执行所述目标行为事件。本发明实施例可以提高电子设备的智能化程度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种电子设备控制方法及电子设备。
背景技术
随着电子设备的普及,电子设备的功能越来越完善。电子设备能够给用户提供各种各样的服务,以电子设备为音箱为例,音箱能够接收用户的语音指令播放音乐,或者,音箱还可以接收用户的语音指令控制智能灯开启,等等。
目前,电子设备只能在接收用户的控制指令后,执行所述控制指令中包含的动作,智能化程度较低。
发明内容
本发明实施例提供一种电子设备控制方法及电子设备,以解决现有技术中电子设备只能在接收用户的控制指令后,执行所述控制指令中包含的动作,智能化程度较低的问题。
为了解决上述技术问题,本发明是这样实现的:
第一方面,本发明实施例提供了一种电子设备控制方法,应用于电子设备,所述方法包括:
接收用户的第一输入;
将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率;
基于所述每个行为事件对应的概率确定目标行为事件,所述目标行为事件为所述多个行为事件中的行为事件;
执行所述目标行为事件。
第二方面,本发明实施例提供了一种电子设备,所述电子设备包括:
接收模块,用于接收用户的第一输入;
输入模块,用于将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率;
确定模块,用于基于所述每个行为事件对应的概率确定目标行为事件,所述目标行为事件为所述多个行为事件中的行为事件;
执行模块,用于执行所述目标行为事件。
第三方面,本发明实施例提供了一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如第一方面所述的电子设备控制方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的电子设备控制方法的步骤。
本发明实施例中,接收用户的第一输入;将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率;基于所述每个行为事件对应的概率确定目标行为事件,所述目标行为事件为所述多个行为事件中的行为事件;执行所述目标行为事件。这样,通过第一判别模型判别用户的输入所属的场景,自动执行场景中的目标行为事件,可以提高电子设备的智能化程度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种电子设备控制方法的流程图;
图2是本发明实施例提供的一种电子设备的结构示意图之一;
图3是本发明实施例提供的一种电子设备的结构示意图之二。
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作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。
在本发明实施例中,电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载移动终端、可穿戴设备、以及计步器等。
参见图1,图1是本发明实施例提供的一种电子设备控制方法的流程图,所述方法应用于电子设备,如图1所示,包括以下步骤:
步骤101、接收用户的第一输入。
其中,所述第一输入可以是语音输入,或者,可以是操作输入。所述第一输入可以作为场景中的一个行为事件,或者,所述第一输入可以包括场景中的多个行为事件。所述场景可以由一定时间范围内具有高度相关性的多个行为事件构成。例如,在用户在家休息的场景中,所述第一输入可以是用户输入的语音指令“我要睡觉”;在用户旅游的场景中,所述第一输入可以是用户输入的预定机票的操作;在用户购物的场景中,所述第一输入可以是用户输入的选择商品的操作。本发明实施例对所述第一输入不进行具体限定。
步骤102、将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率。
其中,可以将所述第一输入进行向量化,所述向量化可以是进行embedding向量化,具体的,可以获取第一输入对应的操作日志,将第一输入对应的操作日志进行embedding向量化,并将所述第一输入对应的多个行为事件中每个行为事件进行embedding向量化。可以将向量化后的第一输入及行为事件输入第一判别模型。例如,在计算每个行为事件对应的概率时,可以将第一输入对应的向量与每个行为事件对应的向量相加后作为第一判别模型的输入。
另外,所述第一输入可以属于多个场景中的行为事件,在每个场景中,第一输入均可以对应一个行为事件。在所述电子设备可以存储有与所述第一输入对应的多个行为事件,具体的,可以存储第一输入的标识与行为事件的标识。所述多个行为事件中每个行为事件均可以与所述第一输入属于一个场景。可以依次将所述第一输入及所述每个行为事件输入预先训练的第一判别模型,得到所述每个行为事件对应的概率。
在不同的场景下,同样的第一输入可以对应不同的行为事件,例如,以电子设备为手机为例,所述第一输入可以是用户输入的语音指令“我要睡觉”,在用户在家休息的场景中,与第一输入对应的行为事件可以为:控制灯光调暗;在用户在车上休息的场景中,与第一输入对应的行为事件可以为:播放助眠音乐。以电子设备为电脑为例,所述第一输入可以是用户输入的选择商品的操作,在用户的购物场景中,与第一输入对应的行为事件可以为:打开付款界面;在用户的比价场景中,与第一输入对应的行为事件可以为:打开其他应用进行比价。
在实际应用中,可以将第一输入对应的事件特征信息也作为所述第一判别模型的输入,所述事件特征信息可以用于表征如下至少一项:执行事件的用户、执行事件的时间及执行事件时所述电子设备的使用状态。例如,在计算行为事件Y对应的概率时,可以将执行第一输入的用户向量化为a1,将执行第一输入的时间向量化为a2,将执行第一输入时电子设备的使用状态向量化为a3,所述第一输入对应的事件特征信息可以向量化为(a1,a2,a3)。可以将所述第一输入向量化为a4,将行为事件Y向量化为a5,所述第一判别模型的输入可以为:((a4+a5),a1,a2,a3),或者,还可以为:(a4,a5,a1,a2,a3)等等。
步骤103、基于所述每个行为事件对应的概率确定目标行为事件,所述目标行为事件为所述多个行为事件中的行为事件。
其中,可以将所述每个行为事件对应的概率中概率最高的行为事件确定为目标行为事件。
步骤104、执行所述目标行为事件。
其中,可以直接执行所述目标行为事件,或者,可以提示用户是否执行所述目标行为事件,在接收到用户的确认指示后,执行所述目标行为事件。
本发明实施例中,接收用户的第一输入;将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率;基于所述每个行为事件对应的概率确定目标行为事件,所述目标行为事件为所述多个行为事件中的行为事件;执行所述目标行为事件。这样,通过第一判别模型判别用户的输入所属的场景,自动执行场景中的目标行为事件,可以提高电子设备的智能化程度。
可选的,所述将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,包括:
将所述第一输入输入预先训练的第二判别模型,以判别所述第一输入是否属于场景中的连续行为事件,所述连续行为事件为相邻的两个行为事件发生的时间间隔低于预设阈值的多个行为事件;
在判别所述第一输入属于场景中的连续行为事件的情况下,将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型。
其中,所述预设阈值可以为3s,5s或10s等等。以用户与电子设备交互为例,通过预先训练的第二判别模型可以判别用户的输入是否属于场景中的连续行为事件,进一步可以通过第一判别模型预测用户的下一指令。例如,在用户在家休息的场景中,用户输入语音指令“我要睡觉”,可以预测后续的行为事件为:把灯光调暗或者把窗帘拉上等等。
在实际应用中,可以将第一输入对应的事件特征信息也作为所述第二判别模型的输入,例如,所述第一输入对应的事件特征信息可以向量化为(a1,a2,a3),可以将所述第一输入向量化为a4,所述第二判别模型的输入可以为:(a4,a1,a2,a3)。所述第二判别模型的输出可以为0或1,当第二判别模型的输出为0时,可以判别所述第一输入不属于场景中的连续行为事件;当第二判别模型的输出为1时,可以判别所述第一输入属于场景中的连续行为事件。
该实施方式中,将所述第一输入输入预先训练的第二判别模型,判别所述第一输入是否属于场景中的连续行为事件,所述连续行为事件为相邻的两个行为事件发生的时间间隔低于预设阈值的多个行为事件;在判别所述第一输入属于场景中的连续行为事件的情况下,将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型。这样,通过第二判别模型判别所述第一输入是否为场景中的行为事件,再由第一判别模型判别具体的场景,可以提高减少电子设备的工作量,提高电子设备的工作效率。
可选的,所述第二判别模型为二分类模型,所述第二判别模型的训练样本包括第一正样本和第一负样本;
所述第一正样本基于第一行为事件确定,或者,所述第一正样本基于所述第一行为事件和事件特征信息确定,所述第一行为事件为用户的行为事件中的连续行为事件;
所述第一负样本基于第二行为事件确定,或者,所述第一负样本基于所述第二行为事件和事件特征信息确定,所述第二行为事件为用户的行为事件中的独立行为事件,所述独立行为事件为与相邻的行为事件发生的时间间隔高于所述预设阈值的行为事件。
其中,所述第二判别模型的训练样本可以基于用户在电子设备上的操作日志获得。例如,用户在电子设备上的操作日志中可以包括如下行为事件:(A,B,C,AB,ABCD,D,E,AE,BC),AB、ABCD、AE及BC均为连续行为事件。以第一行为事件中包括n个行为事件为例,从第一个至第i个行为事件可以作为第一正样本,i大于1,且i小于n。第一正样本的期望输出可以为1。例如,第一行为事件ABCD中,第一正样本可以包括:(A,1),(AB,1),(ABC,1)。若事件B未完成执行,则可以表示为:A^BCD,第一正样本可以包括:(A,1),(AC,1)。第一负样本的期望输出可以为0,以第二行为事件包括A,B,E为例,第一负样本可以包括:(A,0),(B,0),(E,0)。第一负样本还可以包括第一行为事件中的全部行为事件,例如,第一行为事件ABCD中,第一负样本还可以包括:(ABCD,0)。
在实际应用中,行为事件可以在向量化后输入第二判别模型,以第一正样本(ABC,1)为例,可以将行为事件A向量化为b1,行为事件B向量化为b2,行为事件C向量化为b3,则ABC可以向量化为(b1+b2+b3)或者(b1,b2,b3)等。所述第一正样本可以基于所述第一行为事件和所述第一行为事件对应的事件特征信息确定,所述第一负样本可以基于所述第二行为事件和所述第二行为事件对应的事件特征信息确定。以第一正样本(ABC,1)为例,所述事件特征信息可以向量化为(b4,b5,b6),在模型训练的过程中,所述第二判别模型的输入可以为:((b1+b2+b3),b4,b5,b6)。
该实施方式中,所述第二判别模型为二分类模型,所述第二判别模型的训练样本包括第一正样本和第一负样本,基于第一正样本和第一负样本对第二判别模型进行训练,使得第二判别模型可以有效判别行为事件是否属于场景中的连续行为事件,从而可以通过学习用户行为的方式定位场景,便于提供多样化的场景服务。
可选的,所述第一判别模型为二分类模型,所述第一判别模型的训练样本包括第二正样本和第二负样本;
所述第二正样本基于第三行为事件和第四行为事件确定,或者,所述第二正样本基于所述第三行为事件、第四行为事件及事件特征信息确定,所述第三行为事件为第一连续行为事件中已完成的一个行为事件,所述第四行为事件为所述第一连续行为事件中所述第三行为事件之前的至少一个行为事件;
所述第二负样本基于第五行为事件和第六行为事件确定,或者,所述第二负样本基于所述第五行为事件、第六行为事件及事件特征信息确定,所述第五行为事件为第二连续行为事件中未完成的一个行为事件,所述第六行为事件为所述第二连续行为事件中第二行为事件之前的至少一个行为事件。
其中,所述第一判别模型的训练样本可以基于用户在电子设备上的操作日志获得。以第一连续行为事件中包括n个行为事件为例,从第一个至第i个行为事件可以作为第四行为事件,第三行为事件可以为第四行为事件之后的第一个行为事件,i大于1,且i小于n。第二正样本的期望输出可以为1,第二正样本可以表示为:(第四行为事件/第三行为事件,1)。例如,连续行为事件ABCD中,第二正样本可以包括:(A/B,1),(AB/C,1),(ABC/D,1)。在连续行为事件A^BCD中,事件B未完成执行,第二正样本可以包括:(A/C,1),(AC/D,1)。
以第二连续行为事件中包括n个行为事件为例,第五行为事件可以为第i个行为事件,第六行为事件可以为第1至第i-1个行为事件,i大于1,且i小于或等于n。第二负样本的期望输出可以为0,第二负样本可以表示为:(第六行为事件/第五行为事件,0)。例如,连续行为事件A^BCD中,第二负样本可以包括:(A/B,0)。
在实际应用中,行为事件可以在向量化后输入第一判别模型,以第二正样本(A/B,1)为例,可以将行为事件A向量化为b1,行为事件B向量化为b2,则A/B可以向量化为(b1+b2)或者(b1,b2)等。所述第二正样本可以基于所述第三行为事件、第四行为事件及事件特征信息确定,所述第二负样本可以基于所述第五行为事件、第六行为事件及对应的事件特征信息确定。以第二正样本(A/B,1)为例,所述事件特征信息可以向量化为(b4,b5,b6),在模型训练的过程中,所述第一判别模型的输入可以为:((b1+b2),b4,b5,b6)。可以使用LR模型训练二分类模型,当二分类模型计算得到的概率值大于0.5时,可以判断输出为1,否则,判断输出为0。
该实施方式中,所述第一判别模型为二分类模型,所述第一判别模型的训练样本包括第二正样本和第二负样本,基于第二正样本和第二负样本对第一判别模型进行训练,使得第一判别模型可以有效判别行为事件所属的场景,并预测到下一行为事件,从而可以通过学习用户行为的方式定位场景,便于提供多样化的场景服务。
可选的,所述事件特征信息用于表征如下至少一项:执行事件的用户、执行事件的时间及执行事件时所述电子设备的使用状态。
其中,所述事件特征信息可以包括用户静态画像,所述用户静态画像用于表征执行事件的用户;所述事件特征信息还可以包括状态信息,所述状态信息用于表征执行事件时所述电子设备的使用状态,例如,播放音乐状态或休眠状态等等;所述事件特征信息还可以包括时间信息,所述时间信息用于表征执行事件的时间。
该实施方式中,所述事件特征信息用于表征如下至少一项:执行事件的用户、执行事件的时间及执行事件时所述电子设备的使用状态,这样,通过事件特征信息可以更加准确地描述行为事件,从而提高电子设备控制的准确性;并且,在所述事件特征信息用于表征执行事件的用户时,可以为不同的用户定义不同的场景,提供个性化的场景服务。
参见图2,图2是本发明实施例提供的一种电子设备的结构示意图,如图2所示,所述电子设备200包括:
接收模块201,用于接收用户的第一输入;
输入模块202,用于将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率;
确定模块203,用于基于所述每个行为事件对应的概率确定目标行为事件,所述目标行为事件为所述多个行为事件中的行为事件;
执行模块204,用于执行所述目标行为事件。
可选的,所述输入模块202具体用于:
将所述第一输入输入预先训练的第二判别模型,以判别所述第一输入是否属于场景中的连续行为事件,所述连续行为事件为相邻的两个行为事件发生的时间间隔低于预设阈值的多个行为事件;
在判别所述第一输入属于场景中的连续行为事件的情况下,将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率。
可选的,所述第二判别模型为二分类模型,所述第二判别模型的训练样本包括第一正样本和第一负样本;
所述第一正样本基于第一行为事件确定,或者,所述第一正样本基于所述第一行为事件和事件特征信息确定,所述第一行为事件为用户的行为事件中的连续行为事件;
所述第一负样本基于第二行为事件确定,或者,所述第一负样本基于所述第二行为事件和事件特征信息确定,所述第二行为事件为用户的行为事件中的独立行为事件,所述独立行为事件为与相邻的行为事件发生的时间间隔高于所述预设阈值的行为事件。
可选的,所述第一判别模型为二分类模型,所述第一判别模型的训练样本包括第二正样本和第二负样本;
所述第二正样本基于第三行为事件和第四行为事件确定,或者,所述第二正样本基于所述第三行为事件、第四行为事件及事件特征信息确定,所述第三行为事件为第一连续行为事件中已完成的一个行为事件,所述第四行为事件为所述第一连续行为事件中所述第三行为事件之前的至少一个行为事件;
所述第二负样本基于第五行为事件和第六行为事件确定,或者,所述第二负样本基于所述第五行为事件、第六行为事件及事件特征信息确定,所述第五行为事件为第二连续行为事件中未完成的一个行为事件,所述第六行为事件为所述第二连续行为事件中第二行为事件之前的至少一个行为事件。
可选的,所述事件特征信息用于表征如下至少一项:执行事件的用户、执行事件的时间及执行事件时所述电子设备的使用状态。
电子设备能够实现图1的方法实施例中实现的各个过程,为避免重复,这里不再赘述。
请参见图3,图3是本发明实施例提供的另一种电子设备的结构示意图,如图3所示,电子设备300包括:存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的程序,其中:
所述处理器301读取存储器302中的程序,用于执行:
接收用户的第一输入;
将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率;
基于所述每个行为事件对应的概率确定目标行为事件,所述目标行为事件为所述多个行为事件中的行为事件;
执行所述目标行为事件。
可选的,所述处理器301执行的所述将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,包括:
将所述第一输入输入预先训练的第二判别模型,以判别所述第一输入是否属于场景中的连续行为事件,所述连续行为事件为相邻的两个行为事件发生的时间间隔低于预设阈值的多个行为事件;
在判别所述第一输入属于场景中的连续行为事件的情况下,将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型。
可选的,所述第二判别模型为二分类模型,所述第二判别模型的训练样本包括第一正样本和第一负样本;
所述第一正样本基于第一行为事件确定,或者,所述第一正样本基于所述第一行为事件和事件特征信息确定,所述第一行为事件为用户的行为事件中的连续行为事件;
所述第一负样本基于第二行为事件确定,或者,所述第一负样本基于所述第二行为事件和事件特征信息确定,所述第二行为事件为用户的行为事件中的独立行为事件,所述独立行为事件为与相邻的行为事件发生的时间间隔高于所述预设阈值的行为事件。
可选的,所述第一判别模型为二分类模型,所述第一判别模型的训练样本包括第二正样本和第二负样本;
所述第二正样本基于第三行为事件和第四行为事件确定,或者,所述第二正样本基于所述第三行为事件、第四行为事件及事件特征信息确定,所述第三行为事件为第一连续行为事件中已完成的一个行为事件,所述第四行为事件为所述第一连续行为事件中所述第三行为事件之前的至少一个行为事件;
所述第二负样本基于第五行为事件和第六行为事件确定,或者,所述第二负样本基于所述第五行为事件、第六行为事件及事件特征信息确定,所述第五行为事件为第二连续行为事件中未完成的一个行为事件,所述第六行为事件为所述第二连续行为事件中第二行为事件之前的至少一个行为事件。
可选的,所述事件特征信息用于表征如下至少一项:执行事件的用户、执行事件的时间及执行事件时所述电子设备的使用状态。
在图3中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器301代表的一个或多个处理器和存储器302代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。
处理器301负责管理总线架构和通常的处理,存储器302可以存储处理器301在执行操作时所使用的数据。
需要说明的是,本发明实施例中图1所示的方法实施例中的任意实施方式都可以被本实施例中的上述电子设备所实现,以及达到相同的有益效果,此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述电子设备控制方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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上述实施例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,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (5)
1.一种电子设备控制方法,应用于电子设备,其特征在于,所述方法包括:
接收用户的第一输入;
将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率;
基于所述每个行为事件对应的概率确定目标行为事件,所述目标行为事件为所述多个行为事件中的行为事件;
执行所述目标行为事件;
所述将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,包括:
将所述第一输入输入预先训练的第二判别模型,以判别所述第一输入是否属于场景中的连续行为事件,所述连续行为事件为相邻的两个行为事件发生的时间间隔低于预设阈值的多个行为事件;
在判别所述第一输入属于场景中的连续行为事件的情况下,将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型;
所述第二判别模型为二分类模型,所述第二判别模型的训练样本包括第一正样本和第一负样本;
所述第一正样本基于第一行为事件确定,或者,所述第一正样本基于所述第一行为事件和事件特征信息确定,所述第一行为事件为用户的行为事件中的连续行为事件;
所述第一负样本基于第二行为事件确定,或者,所述第一负样本基于所述第二行为事件和事件特征信息确定,所述第二行为事件为用户的行为事件中的独立行为事件,所述独立行为事件为与相邻的行为事件发生的时间间隔高于所述预设阈值的行为事件;
所述第一判别模型为二分类模型,所述第一判别模型的训练样本包括第二正样本和第二负样本;
所述第二正样本基于第三行为事件和第四行为事件确定,或者,所述第二正样本基于所述第三行为事件、第四行为事件及事件特征信息确定,所述第三行为事件为第一连续行为事件中已完成的一个行为事件,所述第四行为事件为所述第一连续行为事件中所述第三行为事件之前的至少一个行为事件;
所述第二负样本基于第五行为事件和第六行为事件确定,或者,所述第二负样本基于所述第五行为事件、第六行为事件及事件特征信息确定,所述第五行为事件为第二连续行为事件中未完成的一个行为事件,所述第六行为事件为所述第二连续行为事件中第二行为事件之前的至少一个行为事件。
2.根据权利要求1所述的方法,其特征在于,所述事件特征信息用于表征如下至少一项:执行事件的用户、执行事件的时间及执行事件时所述电子设备的使用状态。
3.一种电子设备,其特征在于,所述电子设备包括:
接收模块,用于接收用户的第一输入;
输入模块,用于将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率;
确定模块,用于基于所述每个行为事件对应的概率确定目标行为事件,所述目标行为事件为所述多个行为事件中的行为事件;
执行模块,用于执行所述目标行为事件;
所述输入模块具体用于:
将所述第一输入输入预先训练的第二判别模型,以判别所述第一输入是否属于场景中的连续行为事件,所述连续行为事件为相邻的两个行为事件发生的时间间隔低于预设阈值的多个行为事件;
在判别所述第一输入属于场景中的连续行为事件的情况下,将所述第一输入及与所述第一输入对应的多个行为事件输入预先训练的第一判别模型,得到所述多个行为事件中每个行为事件对应的概率;
所述第二判别模型为二分类模型,所述第二判别模型的训练样本包括第一正样本和第一负样本;
所述第一正样本基于第一行为事件确定,或者,所述第一正样本基于所述第一行为事件和事件特征信息确定,所述第一行为事件为用户的行为事件中的连续行为事件;
所述第一负样本基于第二行为事件确定,或者,所述第一负样本基于所述第二行为事件和事件特征信息确定,所述第二行为事件为用户的行为事件中的独立行为事件,所述独立行为事件为与相邻的行为事件发生的时间间隔高于所述预设阈值的行为事件;
所述第一判别模型为二分类模型,所述第一判别模型的训练样本包括第二正样本和第二负样本;
所述第二正样本基于第三行为事件和第四行为事件确定,或者,所述第二正样本基于所述第三行为事件、第四行为事件及事件特征信息确定,所述第三行为事件为第一连续行为事件中已完成的一个行为事件,所述第四行为事件为所述第一连续行为事件中所述第三行为事件之前的至少一个行为事件;
所述第二负样本基于第五行为事件和第六行为事件确定,或者,所述第二负样本基于所述第五行为事件、第六行为事件及事件特征信息确定,所述第五行为事件为第二连续行为事件中未完成的一个行为事件,所述第六行为事件为所述第二连续行为事件中第二行为事件之前的至少一个行为事件。
4.根据权利要求3所述的电子设备,其特征在于,所述事件特征信息用于表征如下至少一项:执行事件的用户、执行事件的时间及执行事件时所述电子设备的使用状态。
5.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1或2所述的电子设备控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010165252.5A CN111414944B (zh) | 2020-03-11 | 2020-03-11 | 一种电子设备控制方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010165252.5A CN111414944B (zh) | 2020-03-11 | 2020-03-11 | 一种电子设备控制方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414944A CN111414944A (zh) | 2020-07-14 |
CN111414944B true CN111414944B (zh) | 2023-09-15 |
Family
ID=71492868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010165252.5A Active CN111414944B (zh) | 2020-03-11 | 2020-03-11 | 一种电子设备控制方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414944B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105182777A (zh) * | 2015-09-18 | 2015-12-23 | 小米科技有限责任公司 | 设备控制方法及装置 |
CN105468161A (zh) * | 2016-01-21 | 2016-04-06 | 北京百度网讯科技有限公司 | 指令执行方法和装置 |
CN105988583A (zh) * | 2015-11-18 | 2016-10-05 | 乐视致新电子科技(天津)有限公司 | 手势控制方法及虚拟现实显示输出设备 |
CN107402921A (zh) * | 2016-05-18 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 识别用户行为的事件时序数据处理方法、装置及系统 |
CN107908740A (zh) * | 2017-11-15 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 信息输出方法和装置 |
CN108831505A (zh) * | 2018-05-30 | 2018-11-16 | 百度在线网络技术(北京)有限公司 | 用于识别应用的使用场景的方法和装置 |
JP2019096280A (ja) * | 2017-11-24 | 2019-06-20 | 株式会社東芝 | 情報提供システム、方法及びプログラム |
-
2020
- 2020-03-11 CN CN202010165252.5A patent/CN111414944B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105182777A (zh) * | 2015-09-18 | 2015-12-23 | 小米科技有限责任公司 | 设备控制方法及装置 |
CN105988583A (zh) * | 2015-11-18 | 2016-10-05 | 乐视致新电子科技(天津)有限公司 | 手势控制方法及虚拟现实显示输出设备 |
CN105468161A (zh) * | 2016-01-21 | 2016-04-06 | 北京百度网讯科技有限公司 | 指令执行方法和装置 |
CN107402921A (zh) * | 2016-05-18 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 识别用户行为的事件时序数据处理方法、装置及系统 |
CN107908740A (zh) * | 2017-11-15 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 信息输出方法和装置 |
JP2019096280A (ja) * | 2017-11-24 | 2019-06-20 | 株式会社東芝 | 情報提供システム、方法及びプログラム |
CN108831505A (zh) * | 2018-05-30 | 2018-11-16 | 百度在线网络技术(北京)有限公司 | 用于识别应用的使用场景的方法和装置 |
Non-Patent Citations (2)
Title |
---|
Statistic learning of higher-order temporal structure from visual shape sequences;Fiser Jozsef等;《Journal of experimental psychology》;全文 * |
曹海 ; .基于时间Petri网的事件关联检测机制研究.《计算机应用》.2008,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111414944A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112328909B (zh) | 信息推荐方法、装置、计算机设备及介质 | |
CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
CN112395390B (zh) | 意图识别模型的训练语料生成方法及其相关设备 | |
CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN110573837A (zh) | 导航方法、装置、存储介质以及服务器 | |
CN112669876A (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
CN112801145A (zh) | 安全监测方法、装置、计算机设备及存储介质 | |
CN112887371A (zh) | 边缘计算方法、装置、计算机设备及存储介质 | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN110532448B (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 | |
CN117395253A (zh) | 一种负载均衡方法、装置、设备及其存储介质 | |
CN114817478A (zh) | 基于文本的问答方法、装置、计算机设备及存储介质 | |
CN113220828B (zh) | 意图识别模型处理方法、装置、计算机设备及存储介质 | |
CN113221216B (zh) | Bim的数据校验方法、装置、电子设备及存储介质 | |
WO2021174814A1 (zh) | 众包任务的答案验证方法、装置、计算机设备及存储介质 | |
CN113791909A (zh) | 服务器容量调整方法、装置、计算机设备及存储介质 | |
CN111414944B (zh) | 一种电子设备控制方法及电子设备 | |
CN113806501A (zh) | 意图识别模型的训练方法、意图识别方法和设备 | |
CN110392115B (zh) | 区块链节点管理方法、装置和可读存储介质 | |
CN116860953A (zh) | 一种基于问答系统的问答匹配方法及系统 | |
CN111291868A (zh) | 网络模型训练方法、装置、设备及计算机可读存储介质 | |
CN113240323B (zh) | 基于机器学习的水平评测方法、装置及相关设备 | |
CN115700845A (zh) | 人脸识别模型训练方法、人脸识别方法、装置及相关设备 | |
CN115185625A (zh) | 基于可配置卡片的自推荐式界面更新方法及其相关设备 | |
CN114513578A (zh) | 外呼方法、装置、计算机设备及存储介质 |
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 |