CN111552549A - 一种智能设备的多任务请求动态配置方法及系统 - Google Patents
一种智能设备的多任务请求动态配置方法及系统 Download PDFInfo
- Publication number
- CN111552549A CN111552549A CN202010338348.7A CN202010338348A CN111552549A CN 111552549 A CN111552549 A CN 111552549A CN 202010338348 A CN202010338348 A CN 202010338348A CN 111552549 A CN111552549 A CN 111552549A
- Authority
- CN
- China
- Prior art keywords
- user
- request
- task request
- intelligent
- data
- 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 60
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000012163 sequencing technique Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 7
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/48—Indexing scheme relating to G06F9/48
- G06F2209/484—Precedence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5021—Priority
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种智能设备的多任务请求动态配置方法及系统,该方法包括:获取用户信息;根据用户信息,采集用户对智能设备的任务请求历史数据及智能设备的属性数据;组成训练数据集,利用训练数据集对任务请求预测模型进行训练,根据训练后的任务请求预测模型得到任务请求预测参数;根据任务请求预测参数,生成配置文件;当接收到第一用户发起的请求时,根据第一用户对应的配置文件将智能设备的任务请求进行排序展示。该方法及系统能够根据用户的操作习惯、喜好、设备优先级等信息动态的请求任务,将用户经常操作、优先级高的项目优先展示给用户,基于多任务请求动态可配置文件的方法可以在不需要用户手动操作的情况下给与用户最优的操作体验。
Description
技术领域
本发明涉及智能设备技术领域,尤指一种智能设备的多任务请求动态配置方法及系统。
背景技术
目前,智能家居领域通常包含多种智能设备,比如门磁、智能门锁、水浸、烟雾传感器、摄像头等。一般情况下,这些智能设备是以固定列表的形式顺序展示给用户,展示的流程示意图如图1所示。
在实际应用中,由于设备的展示位置比较固定,会导致无法进行个性化的展示,不能满足对于智能设备有不同偏好的用户,从而影响用户的使用体验。
因此,亟需一种可以对智能设备的多任务请求动态配置的技术方案。
发明内容
为解决上述问题,改善用户使用体验,本发明提出了一种智能设备的多任务请求动态配置方法及系统,该方法及系统可以进行个性化的展示,在智能家居的多任务请求中根据用户的使用习惯、用户喜好、设备类型、设备优先级等信息综合考虑智能设备任务请求的先后顺序,来实现给不同用户展示不同的请求顺序结果,从而给用户良好的使用体验。
在本发明一实施例中,提出了一种智能设备的多任务请求动态配置方法,该方法包括:
获取用户信息;
根据所述用户信息,采集用户对智能设备的任务请求历史数据及所述智能设备的属性数据;
根据所述用户信息、所述任务请求历史数据及智能设备的属性组成训练数据集,利用所述训练数据集对任务请求预测模型进行训练,得到训练后的任务请求预测参数;
根据所述训练后的任务请求预测参数,生成配置文件;
当接收到第一用户发起的请求时,查询所述第一用户对应的配置文件,根据所述第一用户对应的配置文件将智能设备的任务请求进行排序展示。
在本发明另一实施例中,还提出了一种智能设备的多任务请求动态配置系统,该系统包括:
用户信息获取模块,用于获取用户信息;
历史数据获取模块,用于根据所述用户信息,采集用户对智能设备的任务请求历史数据;
设备属性获取模块,用于获取所述智能设备的属性数据;
模型训练模块,用于根据所述用户信息、所述任务请求历史数据及智能设备的属性组成训练数据集,利用所述训练数据集对任务请求预测模型进行训练,得到训练后的任务请求预测参数;
配置文件生成模块,用于根据所述训练后的任务请求预测参数,生成配置文件;
列表展示模块,用于在接收到第一用户发起的请求时,查询所述第一用户对应的配置文件,根据所述第一用户对应的配置文件将智能设备的任务请求进行排序展示。
在本发明另一实施例中,还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现智能设备的多任务请求动态配置方法。
在本发明另一实施例中,还提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现智能设备的多任务请求动态配置方法。
本发明提出的智能设备的多任务请求动态配置方法及系统能够根据用户的操作习惯、喜好、设备优先级等信息动态的请求任务,将用户经常操作、优先级高的项目优先展示给用户,该方法及系统基于多任务请求动态可配置文件的方法可以在不需要用户手动操作的情况下给与用户最优的操作体验。
附图说明
为了更清楚地说明本申请实施例技术方案,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申请的一些实施例,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它的附图。
图1是现有技术中智能设备的固定列表展示的流程示意图。
图2是本发明的实施方式可以在其中实施的应用场景示意图。
图3是本发明一实施例的智能设备的多任务请求动态配置流程关系示意图。
图4是本发明一实施例的智能设备的多任务请求动态配置方法的流程示意图。
图5是本发明另一实施例的智能设备的多任务请求动态配置方法的流程示意图。
图6是本发明一具体实施例的模型训练的详细流程示意图。
图7是本发明一具体实施例的配置文件的生成过程示意图。
图8是本发明一具体实施例的任务请求的排序展示的详细流程示意图。
图9是本发明一具体实施例的多任务请求动态配置方法流程示意图。
图10是本发明一实施例的智能设备的多任务请求动态配置系统的架构示意图。
图11是本发明另一实施例的智能设备的多任务请求动态配置系统的架构示意图。
图12是本发明一具体实施例的模型训练模块的详细架构示意图。
图13是本发明一具体实施例的列表展示模块的详细架构示意图。
图14是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
根据本发明的实施方式,提出了一种智能设备的多任务请求动态配置方法及系统。该方法及系统可以给用户个性化的展示,在智能家居的多任务请求中,根据用户的使用习惯、用户喜好、设备类型、设备优先级等信息综合考虑任务请求的先后顺序,来实现给不同用户展示不同的请求顺序结果。
首先参考图2,其示出了本发明的实施方式可以在其中实施的应用场景。图2中所示的场景包括终端100和服务器200。终端100可以是能够登录智能设备控制APP的用户终端,例如手机、平板电脑、笔记本电脑、个人数字助理、安装在墙面或设备上的操控面板等,还可以是能够登录智能设备控制平台的台式电脑,服务器200可以是智能设备控制服务器。终端100与服务器200之间例如可以通过移动互联网等进行通信连接。
结合图3,为智能设备的多任务请求动态配置流程关系示意图,对于APP需要请求的多任务,本发明根据用户的历史性行为,生成一个动态的配置文件,这个配置文件中决定了用户下次请求时智能设备多任务的执行顺序,无论用户在多少台设备上执行,都会根据用户的ID获取此用户的配置文件,做到了千人千面,给用户良好的用户体验。
下面参考本发明的若干代表性实施方式,详细阐释本发明的原理和精神。
图4是本发明一实施例的智能设备的多任务请求动态配置方法的流程示意图。如图4所示,该方法包括:
步骤S1,获取用户信息;
步骤S2,根据所述用户信息,采集用户对智能设备的任务请求历史数据及所述智能设备的属性数据;
步骤S3,根据所述用户信息、所述任务请求历史数据及智能设备的属性组成训练数据集,利用所述训练数据集对任务请求预测模型进行训练,得到训练后的任务请求预测参数;
步骤S4,根据所述训练后的任务请求预测参数,生成配置文件;
步骤S5,当接收到第一用户发起的请求时,查询所述第一用户对应的配置文件,根据所述第一用户对应的配置文件将智能设备的任务请求进行排序展示。
进一步的,结合图5,是本发明另一实施例的智能设备的多任务请求动态配置方法的流程示意图。如图5所示,该方法还包括:
步骤S6,获取所述第一用户在本次请求中选择的对智能设备的任务请求数据,将所述任务请求数据加入至所述任务请求历史数据,更新所述训练数据集。
为了显示设备列表是动态的,本方法根据用户信息、用户兴趣及预设的设备权重对任务请求预测模型进行训练,该模型中综合考虑了多种因素,从而得到训练后的设备列表的任务请求预测参数,利用该参数计算得到智能设备的任务请求的预测值,从而对任务请求进行排序,最后展示给用户;随着采集到的用户数据越来越多,则模型训练所得到的预测参数及计算的预测值越符合用户兴趣,从而将智能设备的任务请求动态的展示给用户,改善用户使用体验。
为了对上述智能设备的多任务请求动态配置方法进行更为清楚的解释,下面结合具体的实施例来进行说明。
首先,根据步骤S1及步骤S2获取用户的数据、用户对智能设备的任务请求历史数据及智能设备的属性数据。
步骤S1:
获取用户信息,包括:用户ID(useID)、用户年龄(age)、用户性别(sex)、用户区域(area);该些数据可以在用户注册阶段获取。
对于用户年龄(age),可以按照年龄进行分桶,分桶为:
10以下,10-20,20-30,30-40,40-50,50-60,60-70,70以上(单位,岁)。
如,20-30岁表示为age3=[0,0,1,0,0,0,0,0],1的位置为年龄段所在的分桶位置。
对于用户性别(sex),性别男为1,女为0。
根据用户区域(area),可以进一步得到该区域所处的季节,每个季节可以设置有不同的权重,因此,可以得到用户区域的权重(areaWeight)。
步骤S2:
采集用户对智能设备的任务请求历史数据,包括:用户对智能设备的点击事件(ctr)、用户对智能设备的历史操作时间(time)及用户对智能设备的历史操作时长(od)。
其中,点击事件以ctr为标签,ctr点击为1,否则为-1,即,y={1,-1}是ctr的类别标签。
对于用户对智能设备的历史操作时间(time),可以按照时间段进行分桶,分桶为:
0-6,6-8,8-10,10-12,12-14,14-16,16-18,18-20,20-22,22-24(单位,时)。
如,10~12时表示为time4=[0,0,0,1,0,0,0,0,0,0],1的位置为时间段所在的分桶位置。
所述智能设备的属性数据,包括:智能设备的权重值(weight)及智能设备的类型数据(type)。
智能设备的权重值(weight)可以是设备公司的推广权重,例如着重推广的设备可以设置较高的权重值,冷门产品或者不考虑推广的可以适当设置较低的权重值。
步骤S3:
根据所述用户信息、所述任务请求历史数据及智能设备的属性组成训练数据集,利用所述训练数据集对任务请求预测模型进行训练,得到训练后的任务请求预测参数。
具体过程可参考图6所示,步骤S3的详细过程为:
步骤S310,根据所述用户信息、所述任务请求历史数据及智能设备的属性组成训练数据集(xi,yi),i=1,2,…,N,N为任务请求历史数据的个数;其中,
xi=[useID,age,sex,time,weight,type,od,areaWeight],yi=[ctr];
useID为用户ID;age为用户年龄;sex为性别;time为用户对智能设备的历史操作时间;weight为智能设备的权重值;type为智能设备的类型数据;od为用户对智能设备的历史操作时长;areaWeight为用户区域的权重;ctr为用户对智能设备的点击事件,点击为1,否则为-1;需要说明的是,点击事件(ctr)对应的1是对于某设备被点击而言,而-1的意思是对其它设备而言的,比如有A、B两个设备,时间2020年1月1号13:25用户点击了A,对A设备的数据ctr为1,对B来说ctr就是-1,这样可以确定正负样本,否则只有正样本没有负样本,样本就不均衡了。
步骤S320,利用所述训练数据集(xi,yi)对任务请求预测模型进行训练,得到训练后的任务请求预测参数。
进一步的,对步骤S320的过程进行详细说明如下:
本发明通过训练一个模型来预测用户的使用习惯,通过获得多个设备的使用概率值来对设备进行排序,以达到优化设备排序的效果。
根据获得的数据集(xi,yi),i=1,2,…,N,对样本进行正确的预测既是要求:
yi(w·xi+b)≥1-ξi,ξi≥0(i=1,2,...,N); (1)
其中,w为权值向量,b为阈值向量,ξi为松弛变量,xi为输入向量,yi是ctr的类别标签(为1或-1),w和b的初始化值选为(0,1]之间的随机值,ξi的值可以设置为0.5。
式(1)是一个样本和权值若要正确分类预测需要满足的条件。根据式(1)在满足正确分类预测条件的情况下,设置式(2)的优化目标函数。具体的,根据函数间隔最大化可知,求解优化的目标函数为:
其中,c为惩罚参数(c>0),c值越大对误预测的惩罚越大,这里可以取0.6。
根据式(2),求最优解w和b的问题就是式(3)所示的约束问题:
约束条件为:
yi(w·xi+b)≥1-ξi,i=1,2,...,N; (4)
ξi≥0,i=1,2,...,N; (5)
由于有约束问题求解比较复杂,对此,将有约束问题的求解过程转化为没有约束问题来进行求解,即将式(3)、式(4)及式(5)的约束问题求解转化为式(6)的无约束问题方程:
其中,ai为过度参数,ui为(0,1]之间的随机值。
根据式(6),将L(w,b,ξ,a,u)对w、b、ξi进行极小值求解,如下式(7)、式(8)、式(9):
由式(7)、式(8)、式(9)可得:
c-ai-ui=0; (12)
将式(10)、式(11)、式(12)代入式(6)中得:
根据式(13),对minL(w,b,ξ,a,u)求a的极大值,即:
根据式(14)可以求得最优的解如下:a*=(a1 *,a2 *,a3 *,...,aN *)T;
进一步的,可以根据a*确定最优的w*和b*:
根据最优的w*和b*,可以得到预测函数为:
h(x)=σ(w*·x+b*); (17)
其中,w*、b*分别是最优解,σ为sigmoid激活函数,x为用户发起新的请求时的用户数据,将预测值转换到(0,1)之间的值,这样就可以得到多任务的优先顺序。
模型训练结束的时机为均方损失误差小于0.3,如果无法达到0小于0.3,则训练一定的次数后再结束,例如10000次。
步骤S4:
根据所述训练后的任务请求预测参数,生成配置文件。
在一实施例中,结合上述步骤S310、步骤S320、步骤S330及步骤S4,配置文件的生成过程如图7所示。其中,式(15)、式(16)得到的最优参数w*、b*即为配置文件的模型参数,用户下次在使用设备的时候,终端会根据配置文件的模型参数对多任务请求动态执行,最终对设备进行优化排序。
生成的配置文件会存储在服务器端,用户在不同的终端上请求设备列表的时候会先从服务器上获取此用户id对应的配置文件,然后在配置文件的指导下优化请求的顺序,获得根据用户使用习惯、兴趣偏好而重新排序的设备列表,做到列表展示的个性化。
步骤S5:
当接收到第一用户发起的请求时,查询所述第一用户对应的配置文件,根据所述第一用户对应的配置文件将智能设备的任务请求进行排序展示。
具体过程可参考图8所示,步骤S5的详细过程为:
步骤S510,当下次用户点开APP时候,获取用户的数据:
x=[useID',age',sex',time',weight',type',od',areaWeight'];即,该用户的用户ID、用户年龄、性别、用户对智能设备的历史操作时间、智能设备的权重值、智能设备的类型数据、用户对智能设备的历史操作时长及用户区域的权重。
步骤S520,根据所述第一用户的用户数据查询所述第一用户对应的配置文件;如式(17)所述,由于训练最后得出模型h(x),模型此时的参数w*、b*已经训练得出。
步骤S530,将所述第一用户的用户数据代入至所述第一用户对应的配置文件的模型中,得到所述第一用户对每个智能设备发起任务请求的预测值,并根据所述预测值对智能设备的任务请求进行排序,将排序后的智能设备的任务请求通过智能设备列表展示给所述第一用户。
将x代入模型h(x)=σ(w*·x+b*),每个设备会得到一个取值范围为(0,1)的值,根据每个设备对应的预测值进行排序,并通过智能设备列表进行展示。
步骤S6:
获取所述第一用户在本次请求中选择的对智能设备的任务请求数据,将所述任务请求数据加入至所述任务请求历史数据,更新所述训练数据集。
具体的,每次用户的请求数据都会作为训练数据调整模型的参数,使模型根据不同的情景动态的进行请求任务,实现多任务请求动态可配置文件的方法。
需要说明的是,尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
下面结合一个具体的实施例来进行说明,然而值得注意的是该实施例仅是为了更好地说明本发明,并不构成对本发明不当的限定。
图9是本发明一具体实施例的多任务请求动态配置方法流程示意图。如图9所示,用户进行多任务动态请求流程如下:
步骤S901,用户向服务器发起请求,请求参数为用户的ID。
步骤S902,服务器接到请求后根据ID返回与此用户ID对应的配置文件。
步骤S903,根据从配置文件中获取模型的参数等信息来对请求任务进行排序。
步骤S904,通过排序后的任务请求得到优化后的设备排序列表。
步骤S905,把优化后的设备列表展现给用户。
由于现有的设备操作的展示位置比较固定,无法满足用户个性化的操作要求,本发明提出了一种智能设备的多任务请求动态配置方法,能够根据用户的操作习惯、喜好、设备优先级等信息动态的请求任务,将用户经常操作、优先级高的项目优先展示给用户,该方法基于多任务请求动态可配置文件的方法可以在不需要用户手动操作的情况下给与用户最优的操作体验。
在介绍了本发明示例性实施方式的方法之后,接下来,参考图10至图13对本发明示例性实施方式的智能设备的多任务请求动态配置系统进行介绍。
智能设备的多任务请求动态配置系统的实施可以参见上述方法的实施,重复之处不再赘述。以下所使用的术语“模块”或者“单元”,可以是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。
基于同一发明构思,本发明还提出了一种智能设备的多任务请求动态配置系统,如图10所示,该系统包括:
用户信息获取模块1010,用于获取用户信息;
历史数据获取模块1020,用于根据所述用户信息,采集用户对智能设备的任务请求历史数据;
设备属性获取模块1030,用于获取所述智能设备的属性数据;
模型训练模块1040,用于根据所述用户信息、所述任务请求历史数据及智能设备的属性组成训练数据集,利用所述训练数据集对任务请求预测模型进行训练,得到训练后的任务请求预测参数;
配置文件生成模块1050,用于根据所述训练后的任务请求预测参数,生成配置文件;
列表展示模块1060,用于在接收到第一用户发起的请求时,查询所述第一用户对应的配置文件,根据所述第一用户对应的配置文件将智能设备的任务请求进行排序展示。
进一步的,参考图11,该系统还包括:
训练数据集更新模块1070,用于获取所述第一用户在本次请求中选择的对智能设备的任务请求数据,将所述任务请求数据加入至所述任务请求历史数据,更新所述训练数据集。
在一实施例中,结合图12所示,模型训练模块1040包括:
训练数据集创建单元1041,用于根据所述用户信息、所述任务请求历史数据及智能设备的属性组成训练数据集(xi,yi),i=1,2,…,N,N为任务请求历史数据的个数;其中,
xi=[useID,age,sex,time,weight,type,od,areaWeight],yi=[ctr];
useID为用户ID;age为用户年龄;sex为性别;time为用户对智能设备的历史操作时间;weight为智能设备的权重值;type为智能设备的类型数据;od为用户对智能设备的历史操作时长;areaWeight为用户区域的权重;ctr为用户对智能设备的点击事件,点击为1,否则为-1;
模型训练单元1042,用于利用所述训练数据集(xi,yi)对任务请求预测模型进行训练,得到训练后的任务请求预测参数。
在一实施例中,结合图13所示,列表展示模块1060包括:
用户数据获取单元1061,用于在接收到第一用户发起的请求时,获取所述第一用户的用户数据;
配置文件查询单元1062,用于根据所述第一用户的用户数据查询所述第一用户对应的配置文件;
任务请求排序单元1063,用于将所述第一用户的用户数据代入至所述第一用户对应的配置文件的模型中,得到所述第一用户对每个智能设备发起任务请求的预测值,并根据所述预测值对智能设备的任务请求进行排序,将排序后的智能设备的任务请求通过智能设备列表展示给所述第一用户。
应当注意,尽管在上文详细描述中提及了智能设备的多任务请求动态配置系统的若干模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思,如图14所示,本发明还提出了一种计算机设备1400,包括存储器1410、处理器1420及存储在存储器1410上并可在处理器1420上运行的计算机程序1430,所述处理器1420执行所述计算机程序1430时实现前述智能设备的多任务请求动态配置方法。
基于前述发明构思,本发明还提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现前述智能设备的多任务请求动态配置方法。
本发明提出的智能设备的多任务请求动态配置方法及系统能够根据用户的操作习惯、喜好、设备优先级等信息动态的请求任务,将用户经常操作、优先级高的项目优先展示给用户,该方法及系统基于多任务请求动态可配置文件的方法可以在不需要用户手动操作的情况下给与用户最优的操作体验。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,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所述以权利要求的保护范围为准。
Claims (10)
1.一种智能设备的多任务请求动态配置方法,其特征在于,该方法包括:
获取用户信息;
根据所述用户信息,采集用户对智能设备的任务请求历史数据及所述智能设备的属性数据;
根据所述用户信息、所述任务请求历史数据及智能设备的属性组成训练数据集,利用所述训练数据集对任务请求预测模型进行训练,得到训练后的任务请求预测参数;
根据所述训练后的任务请求预测参数,生成配置文件;
当接收到第一用户发起的请求时,查询所述第一用户对应的配置文件,根据所述第一用户对应的配置文件将智能设备的任务请求进行排序展示。
2.根据权利要求1所述的智能设备的多任务请求动态配置方法,其特征在于,该方法还包括:
获取所述第一用户在本次请求中选择的对智能设备的任务请求数据,将所述任务请求数据加入至所述任务请求历史数据,更新所述训练数据集。
3.根据权利要求1所述的智能设备的多任务请求动态配置方法,其特征在于,获取用户信息,包括:用户ID、用户年龄、用户性别、用户区域。
4.根据权利要求3所述的智能设备的多任务请求动态配置方法,其特征在于,采集用户对智能设备的任务请求历史数据,包括:用户对智能设备的点击事件、用户对智能设备的历史操作时间及用户对智能设备的历史操作时长;
所述智能设备的属性数据,包括:智能设备的权重值及智能设备的类型数据。
5.根据权利要求4所述的智能设备的多任务请求动态配置方法,其特征在于,根据所述用户信息、所述任务请求历史数据及智能设备的属性组成训练数据集,利用所述训练数据集对任务请求预测模型进行训练,得到训练后的任务请求预测参数,包括:
根据所述用户信息、所述任务请求历史数据及智能设备的属性组成训练数据集(xi,yi),i=1,2,…,N,N为任务请求历史数据的个数;其中,
xi=[useID,age,sex,time,weight,type,od,areaWeight],yi=[ctr];
useID为用户ID;age为用户年龄;sex为性别;time为用户对智能设备的历史操作时间;weight为智能设备的权重值;type为智能设备的类型数据;od为用户对智能设备的历史操作时长;areaWeight为用户区域的权重;ctr为用户对智能设备的点击事件,点击为1,否则为-1;
利用所述训练数据集(xi,yi)对任务请求预测模型进行训练,得到训练后的任务请求预测参数。
6.根据权利要求5所述的智能设备的多任务请求动态配置方法,其特征在于,当接收到第一用户发起的请求时,查询所述第一用户对应的配置文件,根据所述第一用户对应的配置文件将智能设备的任务请求进行排序展示,还包括:
当接收到第一用户发起的请求时,获取所述第一用户的用户数据;
根据所述第一用户的用户数据查询所述第一用户对应的配置文件;
将所述第一用户的用户数据代入至所述第一用户对应的配置文件的模型中,得到所述第一用户对每个智能设备发起任务请求的预测值,并根据所述预测值对智能设备的任务请求进行排序,将排序后的智能设备的任务请求通过智能设备列表展示给所述第一用户。
7.根据权利要求6所述的智能设备的多任务请求动态配置方法,其特征在于,当接收到第一用户发起的请求时,获取的所述第一用户的用户数据包括:用户ID、用户年龄、性别、用户对智能设备的历史操作时间、智能设备的权重值、智能设备的类型数据、用户对智能设备的历史操作时长及用户区域的权重。
8.一种智能设备的多任务请求动态配置系统,其特征在于,该系统包括:
用户信息获取模块,用于获取用户信息;
历史数据获取模块,用于根据所述用户信息,采集用户对智能设备的任务请求历史数据;
设备属性获取模块,用于获取所述智能设备的属性数据;
模型训练模块,用于根据所述用户信息、所述任务请求历史数据及智能设备的属性组成训练数据集,利用所述训练数据集对任务请求预测模型进行训练,得到训练后的任务请求预测参数;
配置文件生成模块,用于根据所述训练后的任务请求预测参数,生成配置文件;
列表展示模块,用于在接收到第一用户发起的请求时,查询所述第一用户对应的配置文件,根据所述第一用户对应的配置文件将智能设备的任务请求进行排序展示。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010338348.7A CN111552549A (zh) | 2020-04-26 | 2020-04-26 | 一种智能设备的多任务请求动态配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010338348.7A CN111552549A (zh) | 2020-04-26 | 2020-04-26 | 一种智能设备的多任务请求动态配置方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111552549A true CN111552549A (zh) | 2020-08-18 |
Family
ID=72003166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010338348.7A Pending CN111552549A (zh) | 2020-04-26 | 2020-04-26 | 一种智能设备的多任务请求动态配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111552549A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360232A (zh) * | 2021-06-04 | 2021-09-07 | 中国工商银行股份有限公司 | 任务处理方法、装置、电子设备及存储介质 |
CN117216505A (zh) * | 2023-11-09 | 2023-12-12 | 广州视声智能股份有限公司 | 基于智慧家居使用记录的用户习惯预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733825A (zh) * | 2018-05-23 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 一种对象触发事件预测方法及装置 |
CN109067990A (zh) * | 2018-08-20 | 2018-12-21 | 麒麟合盛网络技术股份有限公司 | 一种应用服务执行方法及装置 |
CN110263244A (zh) * | 2019-02-14 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、存储介质和计算机设备 |
CN110781391A (zh) * | 2019-10-22 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
-
2020
- 2020-04-26 CN CN202010338348.7A patent/CN111552549A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733825A (zh) * | 2018-05-23 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 一种对象触发事件预测方法及装置 |
CN109067990A (zh) * | 2018-08-20 | 2018-12-21 | 麒麟合盛网络技术股份有限公司 | 一种应用服务执行方法及装置 |
CN110263244A (zh) * | 2019-02-14 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、存储介质和计算机设备 |
CN110781391A (zh) * | 2019-10-22 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360232A (zh) * | 2021-06-04 | 2021-09-07 | 中国工商银行股份有限公司 | 任务处理方法、装置、电子设备及存储介质 |
CN117216505A (zh) * | 2023-11-09 | 2023-12-12 | 广州视声智能股份有限公司 | 基于智慧家居使用记录的用户习惯预测方法及系统 |
CN117216505B (zh) * | 2023-11-09 | 2024-03-19 | 广州视声智能股份有限公司 | 基于智慧家居使用记录的用户习惯预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107515909B (zh) | 一种视频推荐方法及系统 | |
JP7052037B2 (ja) | 融合データ処理方法及び情報推薦システム | |
CN105959374B (zh) | 一种数据推荐方法及其设备 | |
CN109062919B (zh) | 一种基于深度强化学习的内容推荐方法及装置 | |
CN109190049B (zh) | 关键词推荐方法、系统、电子设备和计算机可读介质 | |
CN110520871A (zh) | 训练机器学习模型 | |
JP2018036621A (ja) | 情報入力方法および装置 | |
CN112231584B (zh) | 基于小样本迁移学习的数据推送方法、装置及计算机设备 | |
TW201923675A (zh) | 資訊推薦方法及裝置、設備 | |
JP5533880B2 (ja) | コンテンツ推薦システム、推薦方法及び推薦プログラム | |
CN108460082A (zh) | 一种推荐方法及装置,电子设备 | |
CN105988870A (zh) | 低触摸操作次数移动设备 | |
CN110020877A (zh) | 点击率的预测方法、点击率的确定方法及服务器 | |
CN111552549A (zh) | 一种智能设备的多任务请求动态配置方法及系统 | |
JPWO2018079225A1 (ja) | 自動予測システム、自動予測方法および自動予測プログラム | |
GB2583718A (en) | Method, apparatus and computer program for updating a cluster probability model | |
CN109918574A (zh) | 项目推荐方法、装置、设备及存储介质 | |
CN109829117A (zh) | 用于推送信息的方法和装置 | |
JP5588938B2 (ja) | アイテム推薦装置及び方法及びプログラム | |
JP5528388B2 (ja) | 情報推薦装置及び方法及びプログラム | |
JP5451644B2 (ja) | 推薦システム、推薦方法、推薦プログラム及び情報記憶媒体 | |
CN114564644A (zh) | 模型训练、资源推荐方法、装置、电子设备及存储介质 | |
CN111274480B (zh) | 用于内容推荐的特征组合方法及装置 | |
Daniati | Decision support system to deciding thesis topic | |
CN110059248B (zh) | 一种推荐方法、装置及服务器 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200818 |