CN111651454A - 一种数据处理方法、装置及计算机设备 - Google Patents

一种数据处理方法、装置及计算机设备 Download PDF

Info

Publication number
CN111651454A
CN111651454A CN202010418061.5A CN202010418061A CN111651454A CN 111651454 A CN111651454 A CN 111651454A CN 202010418061 A CN202010418061 A CN 202010418061A CN 111651454 A CN111651454 A CN 111651454A
Authority
CN
China
Prior art keywords
data
user
intelligent household
categories
processing
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
Application number
CN202010418061.5A
Other languages
English (en)
Other versions
CN111651454B (zh
Inventor
王鹏飞
叶朝虹
邓家璧
陈翀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202010418061.5A priority Critical patent/CN111651454B/zh
Publication of CN111651454A publication Critical patent/CN111651454A/zh
Application granted granted Critical
Publication of CN111651454B publication Critical patent/CN111651454B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2219—Large Object storage; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2471—Distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种数据处理方法、装置及计算机设备，用于解决现有技术中非周期性的用户数据无法处理的技术问题。该方法应用于智能家居场景，包括：获取与N个用户相关的用户数据，其中，用户数据至少包括用户使用智能家居场景中的任一智能家居设备时产生的数据，N为正整数；对N个用户相关的用户数据进行整合分类处理，获得M个类别的数据，其中，整合分类处理为按照不同智能家居设备的类别进行分类，M个类别的数据中的每一类数据对应于一类智能家居设备，M为正整数；对M个类别的数据进行量化处理，获得量化处理结果；根据量化处理结果，确定N个用户的偏好信息，其中，偏好信息用于表征用户对智能家居设备的使用偏好。

Description

一种数据处理方法、装置及计算机设备
技术领域
本发明涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及计算机设备。
背景技术
随着科学技术的不断发展，智能家居设备逐渐成为人们新的使用选择，而随着用户持续的使用智能家居设备，也随之产生了海量的用户使用数据。
然而，由于不同用户产生的数据以及同一用户在不同时节产生的数据都是完全不相同的，且完全不具有周期性。因此，如何从海量数据中快速且准确的确定与用户使用习惯相关的数据，并确定用户对应的使用习惯，成为处理用户数据的一个亟待解决的问题。
发明内容
本发明实施例提供一种数据处理方法、装置及计算机设备，用于解决现有技术中对非周期性的用户数据无法处理的技术问题。
第一方面，本发明实施例提供一种数据处理方法，所述方法包括：
获取与N个用户相关的用户数据，其中，所述用户数据至少包括用户使用所述智能家居场景中的任一智能家居设备时产生的数据，N为正整数；
对所述N个用户相关的用户数据进行整合分类处理，获得M个类别的数据，其中，所述整合分类处理为按照不同智能家居设备的类别进行分类，所述M个类别的数据中的每一类数据对应于一类智能家居设备，M为正整数；
对所述M个类别的数据进行量化处理，获得量化处理结果；
根据所述量化处理结果，确定所述用户的偏好信息，其中，所述偏好信息用于表征用户对智能家居设备的使用偏好。
在一种可能的实施方式中，对所述M个类别的数据进行量化处理，获得量化处理结果，包括：
确定所述M个类别的数据中与第一用户对应的第一用户数据，其中，所述第一用户属于所述N个用户，所述第一用户数据包括所述第一用户对应的M个类别的子数据；
分别确定所述M个类别的子数据中每个类别的子数据在所述M个类别的子数据中所占的比例值；
从所述M个类别的子数据对应的M个比例值中确定出第一比例值，并根据所述第一比例值和量化公式，获得量化处理结果，其中，所述第一比例值为所述多个比例值中最大值。
在一种可能的实施方式中，所述量化公式为：
Figure BDA0002495778050000021
其中，G用于表征量化结果，T用于表征所述第一用户数据的总获取时长，Pmax用于表征第一比例值，Δt用于表征所述M个类别的子数据的获取时间间隔，PM用于表征所述M个类别的子数据中每个类别的子数据在所述M个类别的子数据中所占的比例值。
在一种可能的实施方式中，根据所述量化处理结果，确定所述用户的偏好信息，包括：
将所述量化处理结果与预定处理规则进行匹配，其中，所述预定处理规则包括与多个量化处理结果一一对应的偏好信息；
若匹配成功，则根据匹配结果对应确定所述用户的偏好信息。
在一种可能的实施方式中，所述方法还包括：
基于所述用户的偏好信息，确定至少一个启动智能家居设备的方式；
其中，所述启动智能家居设备的方式至少包括启动智能家居设备的初始时间，智能家居设备的运行时长以及智能家居设备的预定功能。
第二方面，本发明实施例提供一种数据处理装置，所述装置包括：
获取模块，用于获取与N个用户相关的用户数据，其中，所述用户数据至少包括用户使用所述智能家居场景中的任一智能家居设备时产生的数据，N为正整数；
第一处理模块，用于对所述N个用户相关的用户数据进行整合分类处理，获得M个类别的数据，其中，所述整合分类处理为按照不同智能家居设备的类别进行分类，所述M个类别的数据中的每一类数据对应于一类智能家居设备，M为正整数；
第二处理模块，用于对所述M个类别的数据进行量化处理，获得量化处理结果；
确定模块，用于根据所述量化处理结果，确定所述N个用户的偏好信息，其中，所述偏好信息用于表征用户对智能家居设备的使用偏好。
在一种可能的实施方式中，所述第二处理模块，用于：
确定所述M个类别的数据中与第一用户对应的第一用户数据，其中，所述第一用户属于所述N个用户，所述第一用户数据包括所述第一用户对应的M个类别的子数据；
分别确定所述M个类别的子数据中每个类别的子数据在所述M个类别的子数据中所占的比例值；
从所述M个类别的子数据对应的M个比例值中确定出第一比例值，并根据所述第一比例值和量化公式，获得量化处理结果，其中，所述第一比例值为所述多个比例值中最大值。
在一种可能的实施方式中，所述第二处理模块，用于：
Figure BDA0002495778050000031
其中，G用于表征量化结果，T用于表征所述第一用户数据的总获取时长，Pmax用于表征第一比例值，Δt用于表征所述M个类别的子数据的获取时间间隔，PM用于表征所述M个类别的子数据中每个类别的子数据在所述M个类别的子数据中所占的比例值。
在一种可能的实施方式中，所述确定模块，用于：
将所述量化处理结果与预定处理规则进行匹配，其中，所述预定处理规则包括与多个量化处理结果一一对应的偏好信息；
若匹配成功，则根据匹配结果对应确定所述用户的偏好信息。
在一种可能的实施方式中，所述装置还包括第三处理模块，用于：
基于所述用户的偏好信息，确定至少一个启动智能家居设备的方式；
其中，所述启动智能家居设备的方式至少包括启动智能家居设备的初始时间，智能家居设备的运行时长以及智能家居设备的预定功能。
第三方面，提供一种计算机设备，所述计算机设备包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行第一方面中的任一方法包括的步骤。
第四方面，提供一种存储介质，该存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行第一方面中的任一方法包括的步骤。
第五方面，提供一种计算机程序产品，当所述计算机程序产品在计算机设备上运行时，使得计算机设备能够执行第一方面中任一方法包括的步骤。
本发明的实施例提供的技术方案至少带来以下有益效果：
在本发明实施例中，可以获取与N个用户相关的用户数据，其中，用户数据至少包括用户使用智能家居场景中的任一智能家居设备时产生的数据，然后可以对N个用户相关的用户数据进行整合分类处理，获得M个类别的数据。也就是说，在本发明实施例中，可以先对获取到的用户数据进行整合分类处理，从而可以获得与M个类别的数据中的每一类数据对应于一类智能家居设备的分类结果。
进一步地，可以对M个类别的数据进行量化处理，获得量化处理结果；然后根据量化处理结果，确定N个用户的偏好信息，其中，偏好信息用于表征用户对智能家居设备的使用偏好。即通过本发明实施例中的方法，可以对海量的用户数据先进行整合分类处理，然后再进行量化处理，从而可以获得用户的偏好信息，即对没有周期性的用户数据，实现了简单且高效的处理。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或通过实施本而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例。
图1为本发明实施例中应用场景示意图；
图2为本发明实施例中的数据处理方法的流程图；
图3为本发明实施例中的数据处理装置的结构框图；
图4为本发明实施例中的计算机设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例中，“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本发明实施例不做限制。
目前，现有技术用户在使用智能家居设备时，由于不同的用户的使用习惯不同或者是同一用户在不同时间使用的方式也不同，从而导致产生的用户数据不具有周期性，进而导致对用户数据处理时，无法进行准确高效的处理，自然也就无法根据用户数据确定用户使用习惯，从而对用户对智能家居设备的使用提供智能使用方案等。
鉴于此，本发明实施例中提供一种数据处理方法，通过该方法可以对用户数据进行处理，并根据处理结果确定用户对应智能家居设备的使用习惯信息，从而可以对用户对智能家居设备的使用提供智能使用方案。
在介绍完本发明实施例的设计思想之后，下面对本发明实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本发明实施例而非限定。在具体实施过程中，可以根据实际需要灵活地应用本发明实施例提供的技术方案。
请参见图1，图1为本发明实施例中的应用场景示意图。图1包括智能家居设备和计算机设备两部分，需要说明的是，图1中仅以两个智能家居设备(例如智能空调和智能音响)和一个计算机设备进行交互为例进行示出，在具体实施过程中，可以是多个智能家居设备与一个计算机设备之间进行交互，也可以是多个智能家居设备和多个计算机设备之间进行交互。需要注意的是，前述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限定。相反，本发明的实施方式可以应用于适用的任何场景。
在本发明实施例中，用户在使用智能家居设备时，智能家居设备可以自动记录用户使用其的相关数据，然后可以将该数据保存到数据库中，也可以实时的将记录的数据通过网络发送给计算机设备，本发明实施例中不做限制。
在具体的实施过程中，若智能家居设备记录的用户使用其的相关数据保存在数据库中，则计算机设备可以向智能家居设备发送获取数据库中用户使用智能家居设备的相关数据的请求，然后智能家居设备对该请求进行响应并将用户使用智能家居设备的相关数据发送给计算机设备。
在本发明实施例中，智能家居设备与计算机设备之间可以通过一个或者多个网络进行通信连接。该网络可以是有线网络，也可以是无线网络，例如无线网络可以是移动蜂窝网络，或者可以是无线保真(WIreless-Fidelity，WIFI)网络，当然还可以是其他可能的网络，本发明实施例对此不做限定。
当计算机设备获取到用户使用智能家居设备的相关数据后，可以对用户使用智能家居设备的相关数据进行相应处理，从而可以根据处理结果确定用户对应智能家居设备的使用习惯信息，进而可以对用户对智能家居设备的使用提供智能使用方案。
以下结合图2所示的方法流程图对本发明实施例中数据处理方法进行说明，图2所示的各步骤可以由如图1所示的计算机设备执行。在具体实施过程中，该计算机设备可以是服务器，例如是个人计算机、大中型计算机、计算机集群，等等。
下面结合说明书附图介绍本发明实施例提供的技术方案。
步骤201：获取与N个用户相关的用户数据，其中，用户数据至少用户使用智能家居场景中的任一智能家居设备时产生的数据，N为正整数。
在本发明实施例中，计算机设备可以获取与N个用户相关的用户数据，具体的，可以是多个智能家居设备发送的多个用户数据，从而计算机可以接收并获得多个用户相关的用户数据；还可以是计算机设备向N个用户对应的智能家居设备发送获取用户数据的请求，从而根据智能家居设备反馈的信息获得与N个用户相关的用户数据。
在本发明实施例中，用户数据中至少包括用户使用智能家居场景中的任一智能家居设备时产生的数据，该数据包括使用智能家居设备的起始时间、结束时间、使用时长、使用地点、使用的功能以及使用功能对应的参数。例如智能家居设备为智能空调，起始时间为2019年7月15日15点00分00秒，结束时间为2019年7月15日19点00分00秒，使用时长为4个小时，功能为制冷，制冷匹数为大1匹，压缩机功率为850W左右，整机功率为1000W。
在具体的实施过程中，用户数据中还可以包括用户的基本属性信息，具体的，用户的基本属性信息包括用户身份信息、用户性别信息以及用户的身体健康状态等信息。例如，用户的基本属性信息为小一，女，风湿病。以及，用户数据还包括智能家居设备的基本属性数据，具体的，智能家居设备的基本属性数据包括智能家居设备的生产日期、使用年限以及型号参数等数据。当然，用户数据中还可以包括获取用户使用智能家居设备的数据的获取时间间隔信息以及获取某一个用户的所有用户数据的获取时长，还可以包含其它和用户相关的任何用户数据，本发明实施例中不做限制。
在本发明实施例中，当计算机设备获得N个用户相关的用户数据之后，可以对用户数据进行处理，具体的处理过程请参见以下步骤202的描述。
步骤202：对N个用户相关的用户数据进行整合分类处理，获得M个类别的数据，其中，整合分类处理为按照不同智能家居设备的类别进行分类，M个类别的数据中的每一类数据对应于一类智能家居设备，M为正整数。
在本发明实施例中，计算机设备可以对N个用户相关的用户数据进行整合分类处理，从而可以获得M个类别的数据。
在具体的实施过程中，计算机设备可以对N个用户相关的用户数据按照不同智能家居设备的类别进行分类，从而可以获得包含M个类别的数据，且M个类别的数据中的每一类数据对应于一类智能家居设备。
例如，3个用户相关的用户数据包括A智能家居设备对应的1用户数据、B智能家居设备对应的1用户数据和2用户数据、C智能家居设备对应的1用户数据、2用户数据以及3用户数据以及D智能家居设备对应的2用户数据和及3用户数据，计算机设备对该3个用户相关的用户数据进行整合分类处理，获得4个类别的数据，分别为A智能家居对应的类别的数据、B智能家居设备对应的类别的数据、C智能家居设备对应的类别的数据以及D智能家居设备对应的类别的数据。
步骤203：对M个类别的数据进行量化处理，获得量化处理结果。
在本发明实施例中，可以确定前述M个类别的数据中与第一用户对应的第一用户数据，其中，第一用户属于N个用户，第一用户数据包括第一用户对应的M个类别的子数据。然后可以分别确定M个类别的子数据中每个类别的子数据在M个类别的子数据中所占的比例值，并从M个类别的子数据中对应的M个比例值中确定出第一比例值，从而可以根据第一比例值和量化公式，获得量化处理结果，其中，第一比例值为多个比例值中最大值。
在本发明实施例中，可以先从M个类别的数据中确定第一用户对应的M个类别的子数据即前述的第一用户数据，第一用户数据可以对应理解为对应分类后的数据，且该数据的实质为第一用户使用智能场景中任一智能家居设备产生的数据，然后从M个类别的子数据中划分出第一类别子数据、第二类别子数据、第三类别子数据、……、第M类别子数据，再确定出第一类别子数据的数据量占M个类别的子数据的数据量的比例值1、第二类别子数据的数据量占M个类别的子数据的数据量的比例值2、第三类别子数据的数据量占M个类别的子数据的数据量的比例值3、……、第M类别子数据的数据量占M个类别的子数据的数据量的比例值m。
也就是说，确定出各个类别子数据占总子数据的百分比，具体的，当某一类数据占据的百分比即比例值越高，则可以确定该比例值对应的数据的类别的智能家居设备，并将该智能家居设备确定为用户在获取用户数据的总时长内偏好使用的智能家居设备。
在本发明实施例中，可以基于第一比例值和下述的量化公式确定量化处理结果，其中量化公式可以表示为：
Figure BDA0002495778050000101
其中，G用于表征量化结果，T用于表征第一用户数据的总获取时长，Pmax用于表征第一比例值，Δt用于表征M个类别的子数据的获取时间间隔，PM用于表征M个类别的子数据中每个类别的子数据在M个类别的子数据中所占的比例值。
在本发明实施例中，通过计算M个类别的子数据中每个类别的子数据在M个类别的子数据中所占的比例值，可以对应确定出相应的量化结果，这样的方式，可以更加精准的实现对用户数据的处理。
例如，若确定出用户Q的用户数据包括智能家居设备F对应的第一类数据、智能家居设备M对应的第二类数据以及智能家居设备N对应的第三类数据，确定第一类数据、第二类数据以及第三类数据在M个类别的子数据中所占的比例值，分别为比例值1、比例值2、比例值3，且比例值3大于比例值1和比例值2，则可以确定第一比例值为比例值3，然后可以将比例值1、比例值2、比例值3、第一用户数据的总获取时长以及第一类数据、第二类数据和第三类数据的获取时间间隔代入量化公式，从而可以获得用户Q的用户数据对应的量化处理结果。
步骤204：根据量化处理结果，确定用户的偏好信息，其中，所述偏好信息用于表征用户对智能家居设备的使用偏好。
在本发明实施例中，将量化处理结果与预定处理规则进行匹配，其中，预定处理规则包括与多个量化处理结果一一对应的偏好信息；若匹配成功，则根据匹配结果对应确定用户的偏好信息。
在具体的实施过程中，预设处理规则可以理解为包含量化处理结果和与之一一对应偏好信息的表格，具体的，预设处理规则可以是根据预先测试确定的量化处理结果和偏好信息对应表，即可以根据量化处理结果直接确定对应的偏好信息。
例如，当确定第一用户的第一比例值量化处理结果为0.9，则对应为一级偏好，则可以理解为用户超级偏好第一类智能家居设备，第一类家居设备为第一比例值对应的类别；若确定第一用户的第一比例值量化处理结果为0.5，则可以对应为零级偏好，则可以理解为用户一般偏好第二类智能家居设备，第二类家居设备为第一比例值对应的类别。
具体的，在本发明实施例中，当量化处理结果对应的值越靠近1时，则可以理解为第一比例值对应的类别的用户数据越聚集，则用户对应使用该智能家居设备的频率越高，则对应理解为用户越偏好使用该智能家居设备。这样的方式，可以较为准确的确定出用户对智能家居设备的使用偏好，从而可以为用户提供更为精准的智能服务，提升用户的使用体验。
在本发明实施例中，在确定用户的偏好信息后，还提供了启动智能家居设备的多种方式，满足用户的使用需求，提升用户的使用体验。
可选的，当确定用户的偏好信息之后，还可以根据用户的偏好信息，确定至少一个启动智能家居设备的方式；其中，启动智能家居设备的方式至少包括启动智能家居设备的初始时间和智能家居设备的预定功能。
在本发明实施例中，当确定用户的偏好信息，例如用户超级偏好类别为A智能家居设备的智能家居设备1时，则可以对应获取用户数据，然后根据用户数据中对智能家居设备的使用时长，使用起始时间、使用功能等信息，确定至少一个启动智能家居设备的方式。
在具体的实施过程中，启动智能家居设备的方式可以是对用户数据中对智能家居设备的使用时长求平均值，然后根据确定的平均使用时长智能启动智能家居设备。还可以是将用户数据中出现概率最大的各值确定为启动智能家居设备的启动参数，当然也可以是其它方式，本发明实施例中不做限制。
基于同一发明构思，本发明实施例提供了一种用于数据处理装置，该数据处理装置能够实现前述的数据处理方法对应的功能。该数据处理装置可以是硬件结构、软件模块、或硬件结构加软件模块。该数据处理装置可以由芯片系统实现，芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。请参见图3所示，该数据处理装置包括获取模块301、第一处理模块302、第二处理模块303以及确定模块304，其中。
获取模块301，用于获取与N个用户相关的用户数据，其中，所述用户数据至少包括用户使用所述智能家居场景中的任一智能家居设备时产生的数据，N为正整数；
第一处理模块302，用于对所述N个用户相关的用户数据进行整合分类处理，获得M个类别的数据，其中，所述整合分类处理为按照不同智能家居设备的类别进行分类，所述M个类别的数据中的每一类数据对应于一类智能家居设备，M为正整数；
第二处理模块303，用于对所述M个类别的数据进行量化处理，获得量化处理结果；
确定模块304，用于根据所述量化处理结果，确定所述N个用户的偏好信息，其中，所述偏好信息用于表征用户对智能家居设备的使用偏好。
在一种可能的实施方式中，所述第二处理模块303，用于：
确定所述M个类别的数据中与第一用户对应的第一用户数据，其中，所述第一用户属于所述N个用户，所述第一用户数据包括所述第一用户对应的M个类别的子数据；
分别确定所述M个类别的子数据中每个类别的子数据在所述M个类别的子数据中所占的比例值；
从所述M个类别的子数据对应的M个比例值中确定出第一比例值，并根据所述第一比例值和量化公式，获得量化处理结果，其中，所述第一比例值为所述多个比例值中最大值。
在一种可能的实施方式中，所述第二处理模块303，用于：
Figure BDA0002495778050000131
其中，G用于表征量化结果，T用于表征所述第一用户数据的总获取时长，Pmax用于表征第一比例值，Δt用于表征所述M个类别的子数据的获取时间间隔，PM用于表征所述M个类别的子数据中每个类别的子数据在所述M个类别的子数据中所占的比例值。
在一种可能的实施方式中，所述确定模块304，用于：
将所述量化处理结果与预定处理规则进行匹配，其中，所述预定处理规则包括与多个量化处理结果一一对应的偏好信息；
若匹配成功，则根据匹配结果对应确定所述用户的偏好信息。
在一种可能的实施方式中，所述装置还包括第三处理模块，用于：
基于所述用户的偏好信息，确定至少一个启动智能家居设备的方式；
其中，所述启动智能家居设备的方式至少包括启动智能家居设备的初始时间，智能家居设备的运行时长以及智能家居设备的预定功能。
前述的数据处理方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明实施例中的数据处理装置所对应的功能模块的功能描述，在此不再赘述。
本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
基于同一发明构思，本发明实施例提供一种计算机设备，请参见图4所示，如图4所示的是计算机设备的结构示意图，当然，该计算机设备还包括其他结构，此处不再具体赘述。该计算机设备包括至少一个处理器401，以及与至少一个处理器连接的存储器402和通信接口403，本发明实施例中不限定处理器401与存储器402之间的具体连接介质，图4中是以处理器401和存储器402之间通过总线400连接为例，总线400在图4中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线400可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
在本发明实施例中，存储器402存储有可被至少一个处理器401执行的指令，至少一个处理器401通过执行存储器402存储的指令，可以执行前述的数据处理方法中所包括的步骤。
其中，处理器401是计算机设备的控制中心，可以利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的指令以及调用存储在存储器402内的数据，计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。
可选的，处理器401可包括一个或多个处理单元，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。在一些实施例中，处理器401和存储器402可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器401可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器402作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器402可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器402是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本发明实施例中的存储器402还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。通信接口403是能够用于进行通信的传输接口，可以通过通信接口403接收数据或者发送数据。
通过对处理器401进行设计编程，可以将前述实施例中介绍的数据处理方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述的数据处理方法的步骤，如何对处理器401进行设计编程为本领域技术人员所公知的技术，这里不再赘述。
基于同一发明构思，本发明实施例还提供一种存储介质，该存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行如前述的数据处理方法的步骤。
在一些可能的实施方式中，本发明提供的数据处理方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在解锁设备上运行时，所述程序代码用于使该解锁设备执行本说明书上述描述的根据本发明各种示例性实施方式的数据处理方法中的步骤。
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和光学存储器等)上实施的计算机程序产品的形式。
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和光学存储器等)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、设备(系统)、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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种数据处理方法，其特征在于，应用于智能家居场景，所述方法包括：
获取与N个用户相关的用户数据，其中，所述用户数据至少包括用户使用所述智能家居场景中的任一智能家居设备时产生的数据，N为正整数；
对所述N个用户相关的用户数据进行整合分类处理，获得M个类别的数据，其中，所述整合分类处理为按照不同智能家居设备的类别进行分类，所述M个类别的数据中的每一类数据对应于一类智能家居设备，M为正整数；
对所述M个类别的数据进行量化处理，获得量化处理结果；
根据所述量化处理结果，确定所述N个用户的偏好信息，其中，所述偏好信息用于表征用户对智能家居设备的使用偏好。
2.如权利要求1所述的方法，其特征在于，对所述M个类别的数据进行量化处理，获得量化处理结果，包括：
确定所述M个类别的数据中与第一用户对应的第一用户数据，其中，所述第一用户属于所述N个用户，所述第一用户数据包括所述第一用户对应的M个类别的子数据；
分别确定所述M个类别的子数据中每个类别的子数据在所述M个类别的子数据中所占的比例值；
从所述M个类别的子数据对应的M个比例值中确定出第一比例值，并根据所述第一比例值和量化公式，获得量化处理结果，其中，所述第一比例值为所述多个比例值中最大值。
3.如权利要求2所述的方法，其特征在于，所述量化公式为：
Figure FDA0002495778040000011
其中，G用于表征量化结果，T用于表征所述第一用户数据的总获取时长，Pmax用于表征第一比例值，Δt用于表征所述M个类别的子数据的获取时间间隔，PM用于表征所述M个类别的子数据中每个类别的子数据在所述M个类别的子数据中所占的比例值。
4.如权利要求1所述的方法，其特征在于，根据所述量化处理结果，确定所述用户的偏好信息，包括：
将所述量化处理结果与预定处理规则进行匹配，其中，所述预定处理规则包括与多个量化处理结果一一对应的偏好信息；
若匹配成功，则根据匹配结果对应确定所述用户的偏好信息。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述用户的偏好信息，确定至少一个启动智能家居设备的方式；
其中，所述启动智能家居设备的方式至少包括启动智能家居设备的初始时间，智能家居设备的运行时长以及智能家居设备的预定功能。
6.一种数据处理装置，其特征在于，应用于智能家居场景，所述装置包括：
获取模块，用于获取与N个用户相关的用户数据，其中，所述用户数据至少包括用户使用所述智能家居场景中的任一智能家居设备时产生的数据，N为正整数；
第一处理模块，用于对所述N个用户相关的用户数据进行整合分类处理，获得M个类别的数据，其中，所述整合分类处理为按照不同智能家居设备的类别进行分类，所述M个类别的数据中的每一类数据对应于一类智能家居设备，M为正整数；
第二处理模块，用于对所述M个类别的数据进行量化处理，获得量化处理结果；
确定模块，用于根据所述量化处理结果，确定所述N个用户的偏好信息，其中，所述偏好信息用于表征用户对智能家居设备的使用偏好。
7.如权利要求6所述的装置，其特征在于，所述第二处理模块，用于：
确定所述M个类别的数据中与第一用户对应的第一用户数据，其中，所述第一用户属于所述N个用户，所述第一用户数据包括所述第一用户对应的M个类别的子数据；
分别确定所述M个类别的子数据中每个类别的子数据在所述M个类别的子数据中所占的比例值；
从所述M个类别的子数据对应的M个比例值中确定出第一比例值，并根据所述第一比例值和量化公式，获得第一量化处理结果，其中，所述第一比例值为所述多个比例值中最大值。
8.如权利要求6所述的装置，其特征在于，所述第二处理模块，用于：
Figure FDA0002495778040000031
其中，G用于表征量化结果，T用于表征所述第一用户数据的总获取时长，Pmax用于表征第一比例值，Δt用于表征所述M个类别的子数据的获取时间间隔，PM用于表征所述M个类别的子数据中每个类别的子数据在所述M个类别的子数据中所占的比例值。
9.一种计算机设备，其特征在于，所述计算机设备包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行权利要求1-5一所述的方法包括的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行权利要求1-5一所述的方法包括的步骤。
CN202010418061.5A 2020-05-18 2020-05-18 一种数据处理方法、装置及计算机设备 Active CN111651454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010418061.5A CN111651454B (zh) 2020-05-18 2020-05-18 一种数据处理方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010418061.5A CN111651454B (zh) 2020-05-18 2020-05-18 一种数据处理方法、装置及计算机设备

Publications (2)

Publication Number Publication Date
CN111651454A true CN111651454A (zh) 2020-09-11
CN111651454B CN111651454B (zh) 2023-08-08

Family

ID=72343888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010418061.5A Active CN111651454B (zh) 2020-05-18 2020-05-18 一种数据处理方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN111651454B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488590A (zh) * 2020-12-21 2021-03-12 青岛海尔科技有限公司 目标对象的分类方法及装置、存储介质、电子装置
CN113625579A (zh) * 2021-08-06 2021-11-09 江苏兰馨园林有限公司 一种智能家具控制方法及系统
CN114661947A (zh) * 2022-03-15 2022-06-24 北京达佳互联信息技术有限公司 偏好差异检测方法、装置、电子设备及计算机存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104902026A (zh) * 2015-05-29 2015-09-09 四川长虹电器股份有限公司 一种信息处理方法及云服务平台
US20150312348A1 (en) * 2014-04-24 2015-10-29 David Lustgarten Methods, apparatus, and systems for home information management
US20160246887A1 (en) * 2015-02-24 2016-08-25 Samsung Electronics Co., Ltd. Apparatus and method of operating customized proposal service
CN105930540A (zh) * 2016-03-23 2016-09-07 四川长虹电器股份有限公司 一种数据处理系统
CN106127521A (zh) * 2016-03-23 2016-11-16 四川长虹电器股份有限公司 一种信息处理方法及数据处理系统
CN106202218A (zh) * 2016-03-23 2016-12-07 四川长虹电器股份有限公司 一种数据处理方法及数据处理系统
WO2017008321A1 (zh) * 2015-07-10 2017-01-19 西安交通大学 基于智能可穿戴设备行为感知的智能家庭能源管理方法
CN106383450A (zh) * 2016-11-10 2017-02-08 北京工商大学 一种基于大数据的智能家居用户行为分析系统及方法
CN107291877A (zh) * 2017-06-19 2017-10-24 西安电子科技大学 一种基于Apriori算法的频繁项集挖掘方法
CN108287481A (zh) * 2018-02-12 2018-07-17 宁夏灵智科技有限公司 一种数据处理方法、装置、电子设备及存储介质
WO2019144926A1 (zh) * 2018-01-26 2019-08-01 上海智臻智能网络科技股份有限公司 智能交互方法、装置、计算机设备和计算机可读存储介质
CN111158699A (zh) * 2019-12-31 2020-05-15 青岛海尔科技有限公司 基于Apriori算法的应用优化方法、装置和智能设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150312348A1 (en) * 2014-04-24 2015-10-29 David Lustgarten Methods, apparatus, and systems for home information management
US20160246887A1 (en) * 2015-02-24 2016-08-25 Samsung Electronics Co., Ltd. Apparatus and method of operating customized proposal service
CN104902026A (zh) * 2015-05-29 2015-09-09 四川长虹电器股份有限公司 一种信息处理方法及云服务平台
WO2017008321A1 (zh) * 2015-07-10 2017-01-19 西安交通大学 基于智能可穿戴设备行为感知的智能家庭能源管理方法
CN105930540A (zh) * 2016-03-23 2016-09-07 四川长虹电器股份有限公司 一种数据处理系统
CN106127521A (zh) * 2016-03-23 2016-11-16 四川长虹电器股份有限公司 一种信息处理方法及数据处理系统
CN106202218A (zh) * 2016-03-23 2016-12-07 四川长虹电器股份有限公司 一种数据处理方法及数据处理系统
CN106383450A (zh) * 2016-11-10 2017-02-08 北京工商大学 一种基于大数据的智能家居用户行为分析系统及方法
CN107291877A (zh) * 2017-06-19 2017-10-24 西安电子科技大学 一种基于Apriori算法的频繁项集挖掘方法
WO2019144926A1 (zh) * 2018-01-26 2019-08-01 上海智臻智能网络科技股份有限公司 智能交互方法、装置、计算机设备和计算机可读存储介质
CN108287481A (zh) * 2018-02-12 2018-07-17 宁夏灵智科技有限公司 一种数据处理方法、装置、电子设备及存储介质
CN111158699A (zh) * 2019-12-31 2020-05-15 青岛海尔科技有限公司 基于Apriori算法的应用优化方法、装置和智能设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488590A (zh) * 2020-12-21 2021-03-12 青岛海尔科技有限公司 目标对象的分类方法及装置、存储介质、电子装置
CN113625579A (zh) * 2021-08-06 2021-11-09 江苏兰馨园林有限公司 一种智能家具控制方法及系统
CN114661947A (zh) * 2022-03-15 2022-06-24 北京达佳互联信息技术有限公司 偏好差异检测方法、装置、电子设备及计算机存储介质

Also Published As

Publication number Publication date
CN111651454B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN111651454B (zh) 一种数据处理方法、装置及计算机设备
CN110109899B (zh) 物联网数据填补方法、装置及系统
CN110472154B (zh) 一种资源推送方法、装置、电子设备及可读存储介质
CN105281925B (zh) 网络业务用户群组划分的方法和装置
CN110674144A (zh) 用户画像生成方法、装置、计算机设备和存储介质
CN112288464A (zh) 商品推荐方法、装置、计算机设备和存储介质
CN109511015A (zh) 多媒体资源推荐方法、装置、存储介质及设备
CN111277274A (zh) 数据压缩方法、装置、设备及存储介质
CN110727857A (zh) 针对业务对象识别潜在用户的关键特征的方法及装置
WO2020253369A1 (zh) 生成兴趣标签的方法、装置、计算机设备和存储介质
CN109407914A (zh) 用户特征识别方法、装置、设备、介质和操作系统
CN111738404A (zh) 模型训练任务处理方法、装置、电子设备和存储介质
CN109559218A (zh) 一种异常交易的确定方法、装置及存储介质
CN114119055A (zh) 一种测评实现方法、装置和存储介质
CN110531951A (zh) 画面输出模式调整方法、装置、设备、系统及存储介质
CN112560939B (zh) 模型验证方法、装置及计算机设备
CN114493028A (zh) 预测模型的建立方法和装置、存储介质及电子装置
CN111756589A (zh) 云资源管理方法、装置、云服务器及存储介质
CN109388552B (zh) 启动应用程序的时长的确定方法、装置及存储介质
CN114595372A (zh) 场景推荐方法、装置、计算机设备和存储介质
CN111177562A (zh) 一种目标对象的推荐排序处理方法、装置及服务器
CN115576973B (zh) 一种业务部署方法、装置、计算机设备和可读存储介质
CN111414395A (zh) 数据处理方法、系统和计算机设备
CN115729687A (zh) 任务调度方法、装置、计算机设备、存储介质
CN113448747B (zh) 数据传输方法、装置、计算机设备和存储介质

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