CN111797289A - 模型处理方法、装置、存储介质和电子设备 - Google Patents
模型处理方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111797289A CN111797289A CN201910282212.6A CN201910282212A CN111797289A CN 111797289 A CN111797289 A CN 111797289A CN 201910282212 A CN201910282212 A CN 201910282212A CN 111797289 A CN111797289 A CN 111797289A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- preset
- migration
- updating
- 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.)
- Withdrawn
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000013508 migration Methods 0.000 claims abstract description 126
- 230000005012 migration Effects 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 abstract description 25
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008447 perception Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 101001064096 Homo sapiens Protein disulfide-thiol oxidoreductase Proteins 0.000 description 1
- 102100030728 Protein disulfide-thiol oxidoreductase Human genes 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例公开了一种模型处理方法、装置、存储介质和电子设备。所述方法包括：构建对电子设备的时间序列数据，所述时序数据序列包括对应不同时间点的多个预设类型数据；根据所述时间序列数据建立多个不同类型的迁移模型；对电子设备中所述多个预设类型数据进行实时监控；基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型。本方案能够有效覆盖用户不同时间点的用户行为，并可以随用户行为迁移而不断调整模型，当用户行为回到上一阶段行为的时候，可直接使用原模型而无需重新学习。
Description
技术领域
本申请涉及电子设备领域，具体涉及一种模型处理方法、装置、存储介质和电子设备。
背景技术
随着电子技术的发展，诸如智能手机等电子设备的智能化程度越来越高。电子设备可以通过各种各样的算法模型来进行数据处理，从而为用户提供各种功能。例如，电子设备可以根据算法模型对用户的行为特征进行学习，从而为用户提供个性化的服务。
发明内容
本申请实施例提供一种模型处理方法、装置、存储介质及电子设备，可以提升迁移模型的预测准确性。
第一方面，本申请实施例提供一种模型处理方法，应用于电子设备，包括：
构建对电子设备的时间序列数据，所述时序数据序列包括对应不同时间点的多个预设类型数据；
根据所述时间序列数据建立多个不同类型的迁移模型；
对电子设备中所述多个预设类型数据进行实时监控；
基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型。
第二方面，本申请实施例还提供了一种模型处理装置，应用于电子设备，包括：
构建模块，用于构建对电子设备的时间序列数据，所述时序数据序列包括对应不同时间点的多个预设类型数据；
建立模块，用于根据所述时间序列数据建立多个不同类型的迁移模型；
监控模块，用于对电子设备中所述多个预设类型数据进行实时监控；
更新模块，用于基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型。
第三方面，本申请实施例还提供一种存储介质，其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上述模型处理方法的步骤。
第四方面，本申请实施例还提供一种电子设备，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程序时实现上述模型处理方法的步骤。
本申请实施例提供的模型处理方法，通过构建对应电子设备的时间序列数据，所述时序数据序列包括对应不同时间点的多个预设类型数据；根据所述时间序列数据建立多个不同类型的迁移模型；对电子设备中所述多个预设类型数据进行实时监控；基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型。本方案能够有效覆盖用户不同时间点的用户行为，并可以随用户行为迁移而不断调整模型，当用户行为回到上一阶段行为的时候，可直接使用原模型而无需重新学习。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域技术人员来讲，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他的附图。
图1为本申请实施例提供的全景感知架构示意图。
图2为本申请实施例提供的模型处理方法的第一种流程示意图。
图3为本申请实施例提供的模型处理方法的第二种流程示意图。
图4为本申请实施例提供的模型处理方法的场景架构示意图。
图5为本申请实施例提供的模型处理装置的第一种结构示意图。
图6为本申请实施例提供的模型处理装置的第二种结构示意图。
图7为本申请实施例提供的电子设备的第一种结构示意图。
图8为本申请实施例提供的电子设备的第二种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。
参考图1，图1为本申请实施例提供的全景感知架构示意图。所述模型处理方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述模型处理方法的硬件和软件的集成。
其中，全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如，所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
其中，距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器，可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。
数据处理层用于对信息感知层获取到的数据进行处理。例如，数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
其中，数据清理是指对信息感知层获取到的大量数据进行清理，以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度，以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等，以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下，最大限度的精简数据量。
特征抽取层用于对数据处理层处理后的数据进行特征抽取，以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。
其中，特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤，以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起，以构建一种更加高效、更加准确的特征提取方法，用于提取特征。
情景建模层用于根据特征抽取层提取到的特征来构建模型，所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如，情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如，智能服务层可以为用户提供基础应用服务，可以为电子设备进行系统智能优化，还可以为用户提供个性化智能服务。
此外，全景感知架构中还可以包括多种算法，每一种算法都可以用于对数据进行分析处理，所述多种算法可以构成算法库。例如，所述算法库中可以包括马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。
相关技术中，智能终端等电子设备用户的活动具有一定的规律性，例如部分用户为双休工作日，部分用户为单休工作日，部分用户为一个月只休息末尾数天。上述不同的电子设备用户的活动性质和活动内容不一致性很大，使得加剧了对电子设备用户的行为性质进行描画的难度。
有基于此，本技术方案构建了一种模型处理方法，能够通过使用多智能体的强化学习方法，对用户的活动迁移进行学习，采用不同的智能体对该用户不同的时间片段的活动、不同区域的活动进行学习，从而获得多用户的全景模型。
本申请实施例提供的模型处理方法，可以应用于电子设备中。所述电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图2至图4。图2为本申请实施例提供的模型处理方法的第一种流程示意图；图3为本申请实施例提供的模型处理方法的第二种流程示意图；图4为本申请实施例提供的模型处理方法的场景架构示意图。
其中，所述模型处理方法包括以下步骤：
110，构建对电子设备的时间序列数据，时序数据序列包括对应不同时间点的多个预设类型数据。
本申请实施例中，电子设备可以当前时间点为起点，往前获取对应不同时间点的多个预设类型数据，由获取到的对应不同时间点的多个预设类型数据构成对应电子设备的时序数据序列。其中，相邻两个时间点的间隔可以相同，也可以不同，比如，电子设备可以当前时间点为起点，往前获取N个时间点的预设类型数据，其中，相邻两个时间点的间隔相同。
应当说明的是，本申请实施例中获取的预设类型数据可以包括外部环境相关的数据、用户状态相关的数据、电子设备状态相关的数据等全景数据，其中，外部环境相关的数据比如温度、光照、地点、声音、天气等，用户状态相关的数据比如姿势、速度、手机使用习惯、个人基本信息等，电子设备状态相关的数据比如耗电量、资源使用状况、网络状况等。也即，在一些实施例中，步骤“构建对电子设备的时间序列数据”，可以包括以下流程：
(11)获取预设时间段内电子设备的全景数据；
(12)从全景数据中筛选出多个预设类型数据；
(13)基于多个预设类型数据、及各自对应的时间点构建对电子设备的时间序列数据。
具体实施时，可以采用“数据-时间点”的形式对该时间序列数据进行表示。
需要说明的是，对一些数据需要针对时间戳进行同步(即时钟同步)处理。例如，加速度传感器数据与陀螺仪传感器数据的回传时间是不一定一致的，因此需要选择距离当前时间节点最近的陀螺仪数据和距离当前时间节点最近的加速度数据，当做两者的相同时间内的数据。
120，根据时间序列数据建立多个不同类型的迁移模型。
具体的，由于用户的终端使用习惯等会随时间的变化而变化，因此，为了提升算法模型处理结果的准确性，可以根据不同的时间序列数据来确定不同的迁移模型，如兴趣迁移模型、姿态迁移模型、搜索内容模型、语音语义模型等。例如，终端姿态相关的模型，其需要使用到的是加速度传感器、陀螺仪、地磁传感器、气压计等传感器获取得到的时间序列数据；搜索内容模型，其需要使用到的是用户浏览器打开搜索记录的时序数据。针对不同的迁移模型，其使用到的基准数据是不一样的。
因此，在本申请实施例中，可以根据不同的数据反推来构建不同的迁移模型。或者，还可以预先设定需要的迁移模型，再从已有的时间序列数据中选取相应的数据来训练预先设定的迁移模型，从而得到需要的迁移模型。
在本申请实施例中，在构建迁移模型时，可以结合多个维度的数据对进行模型的构建。而对于某一功用的模型来说，其需要的数据都是具有一定相同特征数据。因此，可以对上述时间序列数据进行聚类处理，将迁移模型需要的数据筛选聚类到一起以供模型的构建。也即，步骤“根据时间序列数据建立多个不同类型的迁移模型”可以包括以下流程：
(21)对多个预设类型数据进行聚类处理，得到多个数据集合；
(22)为每一数据集合匹配对应的预设迁移模型；
(23)将数据集合中的数据、及相应的时间点，对相应的预设迁移模型进行训练，以建立多个不同类型的迁移模型。
具体的，可以通过分析每一预设类型数据的特点，然后通过相关聚类算法，从中筛选出具相同特征(如功能用途、数据来源等)数据作为同一模型需要使用的数据，并添加到同一集合中，从而得到多个分类集合。
在本申请实施例中，对上述数据进行聚类方法可以有多种，具体实施时，可采用支持向量机(Support Vector Machine，简称SVM))、支持向量回归(Support VectorRegression,简称SVR)等传统分类方法提取传统特征对上述各任务的数据进行距离度量和学习。
具体的，以兴趣度迁移模型为例，可以根据上述获得的全景数据，确定从时间T1到时间T2用户的兴趣度并进行建模得到用户的兴趣度模型。以此类推，可以对终端姿态信息进行建模得到终端姿态模型，对用户搜索内容进行建模得到搜索内容模型，对语音片段数据进行建模得到语音模型。上述模型可以称为全景模型，但是方案中涉及到的模型包括但是不限于上面列出来的模型。
需要注意的是，时间T1i到T2i之间的得的N个模型是不固定的。例如用户的搜索内容模型时间可能为[T1i，T2i]，语音语义模型的时间可能为[T1j，T2j]，采用不同的时间段的目的使得模型有其固定的情景，在固定(闭环)的情景下会使得算法更容易收敛和可控。
130，对电子设备中多个预设类型数据进行实时监控。
实际应用中，由于用户的兴趣会随着时间的变化而迁移，但是可能用户的兴趣点会回到原来的状态，例如用户当前的状态为喜欢看资讯内容，下一个月可能会喜欢看视频内容，再下一个月可能恢复到喜欢看资讯内容。因此，需要对用户在不同时间点下的情景进行检测监控。
在一些实施例中，可以在电子设备中设置已检测模块用于监控上述预设类型数据。例如，参考图4所示的情景变化模块，可将其以软件或硬件的形式集成在电子设备中，主要针对检测用户的情景变化。
140，基于数据变化对相应的目标迁移模型进行更新，并备份更新前的目标迁移模型。
由于全景数据会随时间变化而迁移，例如由于用户的兴趣会随着时间的变化而迁移，但是可能用户的兴趣点会回到原来的状态，因此，可以将之前学习得到的模型进行备份以供后续会带原来状态时候使用。在一些实施例中，可以采用如图4所示的情境变化模块对上面一层的模型进行当前时刻的备份，针对不同的情景情况进行备份，从而减少模型学习的计算成本和时间。
在一些实施例中，可以仅对发生变化的预设类型数据对应的迁移模型进行更新。也即，步骤“基于数据变化对相应的目标迁移模型进行更新”，可以包括以下流程：
(31)确定发生变化的预设类型数据；
(32)获取与发生变化的预设类型数据属于同一数据集合的其他预设类型数据；
(33)根据当前发生变化的预设类型数据、其他预设类型数据、及当前时间点，对相应的迁移模型进行更新。
需要说明的是，数据发生变化(即发生迁移)主要指的是数据的实质发生较大的变化。例如，用户当前的状态为喜欢看资讯内容，下一个月可能会喜欢看视频内容。
在一些实施例中，可以将变化大小量化，根据数据变化量的多少，设定不同的变化等级，并对不同等级的数据执行不同程度的模型参数调整。
以兴趣度迁移模型为例，在情景变化模块中，系统根据获取的全景数据，对用户安装、卸载、使用应用安装包(AndroidPackag，简称APK)的频率和使用APK的习惯迁移等信息进行跟踪，建立以时间t为周期的兴趣度经验轨迹。用户安装某APK则认为用户对该类型的APK兴趣度+R，用户卸载某APK则对该APK所属类别的兴趣度-R，用户某微时间变化内使用APK的频次兴趣度+1，否则使用时间衰减算法对兴趣度奖励进行衰减计算。
由于用户的兴趣度会随着时间变化而变化，例如一个用户开始使用移动终端会更偏向于使用拍照功能，等使用一定时间后，该用户比较倾向于使用各种各样的聊天工具，而且对于不同的聊天工具使用频率，会再次进行权值细分，例如使用最多的聊天APK1其权重最高，依次递减。
通过上述兴趣度经验轨迹信息、加权信息，确定情景变化模型的策略，以为该情景变化模型的策略为选择合适的兴趣度迁移模型。例如，情景变化模型的策略认为需要采用历史模型时，则重新采用备份的兴趣度迁移模型处理当前全景数据，如果情景变化模型策略认为需要进行新模型的学习，则对当前兴趣度迁移模型模型进行重新训练。具体而言：
A、以上述兴趣度+R或者-R作为奖励信号Ri，由上述聊天APK权重值作为奖励函数的信息熵，使用公式G(s，a)＝RilogAPK(s，a)作为奖励函数提供给强化学习模块使用；
B、在固定的时间段内(即T1到时间T2),使用蒙特卡洛起始点探索算法流程，设置待评估的策略为π，q(s,a)为任意价值，Returns(s,a)为空列表。
C、算法具体步骤重复：
C1、采样
C11、以大于0的概率选择＜状态-动作＞对，其中状态对应终端用户当前的APK安装状态，a表示动作，为对应用户安装APK的情况；
C12、基于给定的策略，从初始＜状态-动作＞对s0、a0开始，生成一条经验轨迹。
C2、重复经验轨迹中＜状态-动作＞对：
C21、G←(s，a)为返回奖励值(即使用奖励函数公式G(s，a)＝RilogAPK(s，a)；
C22、将G添加到Returns列表中；
C23、计算q(s，a)←average(Returns(s，a))；
C3、重复经验轨迹中的状态s：
计算最优策略π(s)←maxaq(s，a)。
D、经过上述步骤的计算，得到的最优策略为最优Q值，其对应的实际物理意义为采用迁移模型的置信度(是否采用迁移模型还是进行重新学习)。当置信度低于某个设定的阈值的时候，则进行重新学习，否则则利用Q值对应的索引模型。
具体的，对上述模型定期按进行上传服务器用于状态模型迁移，迁移条件根据模型的预测准确率设定阈值而确定。继续参考图4，当模型的预测准确率下降，则可以调用模型更新迭代模块，确定需要调用的迁移模型并执行模型参数的更新。
在一些实施例中，参考图3，在基于数据变化对相应的目标迁移模型进行更新，并备份更新前的目标迁移模型之后，还可以包括以下流程：
150、获取当前的全景数据、及当前时间点；
160、基于当前时间点从备份的迁移模型和更新后的迁移模型中，选取对应的迁移模型对当前的全景数据进行处理。
具体的，可以基于当前的时间点与之前的经验轨迹进行匹配，从而选取合适的迁移模型对数据进行处理。
另外，还可以提取当前全景数据中预设类型数据的特征信息，与之前历史全景数据的预设类型数据的特征信息进行比较，如果较为接近，则选取备份迁移模型对当前全景数据进行处理；否则，对当前迁移模型更新迭代。
应当理解，本申请实施例中，诸如术语“第一”、“第二”等仅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，这样描述的对象在适当情况下可以互换。
具体实施时，本申请不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。
由上可知，本申请实施例提供了的模型处理方法，对用户的活动迁移、用户不同的夸时间和夸区域建立多个强化学习智能体，从而获得多用户的全景模型，并对上述多智能体模型进行网络共享和抽取其数据特征。本发明能够有效覆盖用户的各种行为，包括其不同时间的兴趣爱好，并随着用户的行为迁移而不断调整模型，当用户行为回到上一阶段行为的时候，能够直接使用原模型而避免模型从新学习产生的过拟合或者学习不佳等情况。
在一些实施方式中，基于本申请实施例中的模型处理方法，首先通过信息感知层获取用户的电子设备的信息(具体包括电子设备的时间序列数据，该时序数据序列包括对应不同时间点的多个预设类型数据)，然后通过数据处理层对电子设备的信息进行处理(如无效数据删除等)。接着再通过特征抽取层从数据处理层处理后的信息中提取出信息特征，再然后将提取到的信息特征输入情景建模层，情景建模层包括一预先存储的预测模型，情景建模层的预测模型根据提取到的各个时间的信息特征进行训练，构建多个不同类型的迁移模型。然后，对电子设备中多个预设类型数据进行实时监控，基于数据变化对相应的目标迁移模型进行更新，并备份更新前的迁移模型。最后智能服务层可以利用用户行为的周期性，从不同阶段的迁移模型中选取合适的迁移模型尽心数据处理。例如，当用户行为回到上一阶段行为的时候，可直接使用原模型而无需重新学习，提升了智能服务的效率。
本申请实施例还提供一种模型处理装置。所述模型处理装置可以集成在电子设备中。所述电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图5，图5为本申请实施例提供的模型处理装置的结构示意图。模型处理装置200可以包括：构建模块201、建立模块202、监控模块203、更新模块204，其中：
构建模块201，用于构建对电子设备的时间序列数据，所述时序数据序列包括对应不同时间点的多个预设类型数据；
建立模块202，用于根据所述时间序列数据建立多个不同类型的迁移模型；
监控模块203，用于对电子设备中所述多个预设类型数据进行实时监控；
更新模块204，用于基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型。
在一些实施例中，所述建立模块202可以用于：
对多个预设类型数据进行聚类处理，得到多个数据集合；
为每一数据集合匹配对应的预设迁移模型；
将所述数据集合中的数据、及相应的时间点，对相应的预设迁移模型进行训练，以建立多个不同类型的迁移模型。
在一些实施例中，所述更新模块204可以用于：
确定发生变化的预设类型数据；
获取与所述发生变化的预设类型数据属于同一数据集合的其他预设类型数据；
根据当前所述发生变化的预设类型数据、所述其他预设类型数据、及当前时间点，对相应的迁移模型进行更新
在一些实施例中，构建模块201可以用于：
获取预设时间段内电子设备的全景数据；
从所述全景数据中筛选出多个预设类型数据；
基于所述多个预设类型数据、及各自对应的时间点构建对电子设备的时间序列数据。
参考图6，图6为本申请实施例提供的模型处理装置的第二种结构示意图。在一些实施例中，模型处理装置200，还可以包括：
获取模块205，用于在基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型之后，获取当前的全景数据、及当前时间点；
处理模块206，用于基于当前时间点从备份的迁移模型和更新后的迁移模型中，选取对应的迁移模型对当前的全景数据进行处理。
由上可知，本申请实施例提供的模型处理装置200，通过构建对电子设备的时间序列数据，所述时序数据序列包括对应不同时间点的多个预设类型数据；根据所述时间序列数据建立多个不同类型的迁移模型；对电子设备中所述多个预设类型数据进行实时监控；基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型。本方案能够有效覆盖用户不同时间点的用户行为，并可以随用户行为迁移而不断调整模型，当用户行为回到上一阶段行为的时候，可直接使用原模型而无需重新学习。
本申请实施例还提供一种电子设备。所述电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图7，图7为本申请实施例提供的电子设备300的第一种结构示意图。其中，电子设备300包括处理器301和存储器302。处理器301与存储器302电性连接。
处理器301是电子设备300的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器302内的计算机程序，以及调用存储在存储器302内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备300中的处理器301会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中，并由处理器301来运行存储在存储器302中的计算机程序，从而实现各种功能：
构建对电子设备的时间序列数据，所述时序数据序列包括对应不同时间点的多个预设类型数据；
根据所述时间序列数据建立多个不同类型的迁移模型；
对电子设备中所述多个预设类型数据进行实时监控；
基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型。
在一些实施例中，在根据所述时间序列数据建立多个不同类型的迁移模型时，所述处理器301用于执行以下步骤：
对多个预设类型数据进行聚类处理，得到多个数据集合；
为每一数据集合匹配对应的预设迁移模型；
将所述数据集合中的数据、及相应的时间点，对相应的预设迁移模型进行训练，以建立多个不同类型的迁移模型。
在一些实施例中，基于数据变化对相应的目标迁移模型进行更新时，所述处理器301用于执行以下步骤：
确定发生变化的预设类型数据；
获取与所述发生变化的预设类型数据属于同一数据集合的其他预设类型数据；
根据当前所述发生变化的预设类型数据、所述其他预设类型数据、及当前时间点，对相应的迁移模型进行更新。
在一些实施例中，构建对电子设备的时间序列数据时，所述处理器301用于执行以下步骤：
获取预设时间段内电子设备的全景数据；
从所述全景数据中筛选出多个预设类型数据；
基于所述多个预设类型数据、及各自对应的时间点构建对电子设备的时间序列数据。
在一些实施例中，在基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型之后，所述处理器301用于执行以下步骤：
获取当前的全景数据、及当前时间点；
基于当前时间点从备份的迁移模型和更新后的迁移模型中，选取对应的迁移模型对当前的全景数据进行处理。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序，从而执行各种功能应用以及数据处理。
在一些实施例中，参考图8，图8为本申请实施例提供的电子设备300的第二种结构示意图。
其中，电子设备300还包括：显示屏303、控制电路304、输入单元305、传感器306以及电源307。其中，处理器301分别与显示屏303、控制电路304、输入单元305、传感器306以及电源307电性连接。
显示屏303可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路304与显示屏303电性连接，用于控制显示屏303显示信息。
输入单元305可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元305可以包括指纹识别模组。
传感器306用于采集电子设备自身的信息或者用户的信息或者外部环境信息。例如，传感器306可以包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
电源307用于给电子设备300的各个部件供电。在一些实施例中，电源307可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图8中未示出，电子设备300还可以包括摄像头、蓝牙模块等，在此不再赘述。
由上可知，本申请实施例提供了一种电子设备，所述电子设备执行以下步骤：构建对电子设备的时间序列数据，所述时序数据序列包括对应不同时间点的多个预设类型数据；根据所述时间序列数据建立多个不同类型的迁移模型；对电子设备中所述多个预设类型数据进行实时监控；基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型。本方案能够有效覆盖用户不同时间点的用户行为，并可以随用户行为迁移而不断调整模型，当用户行为回到上一阶段行为的时候，可直接使用原模型而无需重新学习。
本申请实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，所述计算机执行上述任一实施例所述的模型处理方法。
例如，在一些实施例中，当所述计算机程序在计算机上运行时，所述计算机执行以下步骤：
构建对电子设备的时间序列数据，所述时序数据序列包括对应不同时间点的多个预设类型数据；
根据所述时间序列数据建立多个不同类型的迁移模型；
对电子设备中所述多个预设类型数据进行实时监控；
基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型。
需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成，所述计算机程序可以存储于计算机可读存储介质中，所述存储介质可以包括但不限于：只读存储器(ROM，Read OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的模型处理方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种模型处理方法，应用于电子设备，其特征在于，包括：
构建对电子设备的时间序列数据，所述时序数据序列包括对应不同时间点的多个预设类型数据；
根据所述时间序列数据建立多个不同类型的迁移模型；
对电子设备中所述多个预设类型数据进行实时监控；
基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型。
2.根据权利要求1所述的模型处理方法，其特征在于，所述根据所述时间序列数据建立多个不同类型的迁移模型，包括：
对多个预设类型数据进行聚类处理，得到多个数据集合；
为每一数据集合匹配对应的预设迁移模型；
将所述数据集合中的数据、及相应的时间点，对相应的预设迁移模型进行训练，以建立多个不同类型的迁移模型。
3.根据权利要求2所述的模型处理方法，其特征在于，所述基于数据变化对相应的目标迁移模型进行更新，包括：
确定发生变化的预设类型数据；
获取与所述发生变化的预设类型数据属于同一数据集合的其他预设类型数据；
根据当前所述发生变化的预设类型数据、所述其他预设类型数据、及当前时间点，对相应的迁移模型进行更新。
4.根据权利要求1所述的模型处理方法，其特征在于，所述构建对电子设备的时间序列数据，包括：
获取预设时间段内电子设备的全景数据；
从所述全景数据中筛选出多个预设类型数据；
基于所述多个预设类型数据、及各自对应的时间点构建对电子设备的时间序列数据。
5.根据权利要求4所述的模型处理方法，其特征在于，在基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型之后，还包括：
获取当前的全景数据、及当前时间点；
基于当前时间点从备份的迁移模型和更新后的迁移模型中，选取对应的迁移模型对当前的全景数据进行处理。
6.一种模型处理装置，应用于电子设备，其特征在于，包括：
构建模块，用于构建对电子设备的时间序列数据，所述时序数据序列包括对应不同时间点的多个预设类型数据；
建立模块，用于根据所述时间序列数据建立多个不同类型的迁移模型；
监控模块，用于对电子设备中所述多个预设类型数据进行实时监控；
更新模块，用于基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型。
7.根据权利要求6所述的模型处理装置，其特征在于，所述建立模块用于：
对多个预设类型数据进行聚类处理，得到多个数据集合；
为每一数据集合匹配对应的预设迁移模型；
将所述数据集合中的数据、及相应的时间点，对相应的预设迁移模型进行训练，以建立多个不同类型的迁移模型。
8.根据权利要求7所述的模型处理装置，其特征在于，所述更新模块用于：
确定发生变化的预设类型数据；
获取与所述发生变化的预设类型数据属于同一数据集合的其他预设类型数据；
根据当前所述发生变化的预设类型数据、所述其他预设类型数据、及当前时间点，对相应的迁移模型进行更新。
9.根据权利要求6所述的模型处理装置，其特征在于，所述构建模块用于：
获取预设时间段内电子设备的全景数据；
从所述全景数据中筛选出多个预设类型数据；
基于所述多个预设类型数据、及各自对应的时间点构建对电子设备的时间序列数据。
10.根据权利要求9所述的模型处理装置，其特征在于，还包括：
获取模块，用于在基于数据变化对相应的目标迁移模型进行更新，并备份更新前的所述目标迁移模型之后，获取当前的全景数据、及当前时间点；
处理模块，用于基于当前时间点从备份的迁移模型和更新后的迁移模型中，选取对应的迁移模型对当前的全景数据进行处理。
11.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。
12.一种电子设备，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程序时实现如权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282212.6A CN111797289A (zh) | 2019-04-09 | 2019-04-09 | 模型处理方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282212.6A CN111797289A (zh) | 2019-04-09 | 2019-04-09 | 模型处理方法、装置、存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797289A true CN111797289A (zh) | 2020-10-20 |
Family
ID=72805316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910282212.6A Withdrawn CN111797289A (zh) | 2019-04-09 | 2019-04-09 | 模型处理方法、装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797289A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114594202A (zh) * | 2020-12-07 | 2022-06-07 | 大金工业株式会社 | 室内空气质量的预测方法及室内空气质量检测系统 |
| WO2023138234A1 (zh) * | 2022-01-20 | 2023-07-27 | 北京邮电大学 | 模型管理方法、装置、组网架构、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011175504A (ja) * | 2010-02-25 | 2011-09-08 | Nec Corp | イベント予測システムおよびイベント予測方法、ならびにコンピュータ・プログラム |
| CN104731778A (zh) * | 2013-12-18 | 2015-06-24 | 中国电子信息产业集团有限公司第六研究所 | 一种基于在线时间序列的主动防危的方法 |
| US20160253597A1 (en) * | 2015-02-27 | 2016-09-01 | Xerox Corporation | Content-aware domain adaptation for cross-domain classification |
| CN106202205A (zh) * | 2016-06-28 | 2016-12-07 | 重庆大学 | 基于内存计算框架和长短周期兴趣迁移及融合模型的音乐推荐方法 |
| CN107239802A (zh) * | 2017-06-28 | 2017-10-10 | 广东工业大学 | 一种图像分类方法及装置 |
| CN108900358A (zh) * | 2018-08-01 | 2018-11-27 | 重庆邮电大学 | 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法 |
| CN109359793A (zh) * | 2018-08-03 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 一种针对新场景的预测模型训练方法及装置 |
-
2019
- 2019-04-09 CN CN201910282212.6A patent/CN111797289A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011175504A (ja) * | 2010-02-25 | 2011-09-08 | Nec Corp | イベント予測システムおよびイベント予測方法、ならびにコンピュータ・プログラム |
| CN104731778A (zh) * | 2013-12-18 | 2015-06-24 | 中国电子信息产业集团有限公司第六研究所 | 一种基于在线时间序列的主动防危的方法 |
| US20160253597A1 (en) * | 2015-02-27 | 2016-09-01 | Xerox Corporation | Content-aware domain adaptation for cross-domain classification |
| CN106202205A (zh) * | 2016-06-28 | 2016-12-07 | 重庆大学 | 基于内存计算框架和长短周期兴趣迁移及融合模型的音乐推荐方法 |
| CN107239802A (zh) * | 2017-06-28 | 2017-10-10 | 广东工业大学 | 一种图像分类方法及装置 |
| CN108900358A (zh) * | 2018-08-01 | 2018-11-27 | 重庆邮电大学 | 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法 |
| CN109359793A (zh) * | 2018-08-03 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 一种针对新场景的预测模型训练方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114594202A (zh) * | 2020-12-07 | 2022-06-07 | 大金工业株式会社 | 室内空气质量的预测方法及室内空气质量检测系统 |
| WO2023138234A1 (zh) * | 2022-01-20 | 2023-07-27 | 北京邮电大学 | 模型管理方法、装置、组网架构、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022016556A1 (zh) | 一种神经网络蒸馏方法以及装置 | |
| CN111797858A (zh) | 模型训练方法、行为预测方法、装置、存储介质及设备 | |
| CN111798018A (zh) | 行为预测方法、装置、存储介质及电子设备 | |
| CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
| CN111797288B (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
| CN111813532A (zh) | 一种基于多任务机器学习模型的图像管理方法及装置 | |
| CN111798259A (zh) | 应用推荐方法、装置、存储介质及电子设备 | |
| CN111797854A (zh) | 场景模型建立方法、装置、存储介质及电子设备 | |
| CN111797870A (zh) | 算法模型的优化方法、装置、存储介质及电子设备 | |
| CN111797302A (zh) | 模型处理方法、装置、存储介质及电子设备 | |
| KR20220113242A (ko) | 온-디바이스 활동 인식 | |
| CN111797289A (zh) | 模型处理方法、装置、存储介质和电子设备 | |
| CN111797867A (zh) | 系统资源优化方法、装置、存储介质及电子设备 | |
| CN111798367A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN111797856B (zh) | 建模方法、装置、存储介质及电子设备 | |
| CN111797303A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
| CN111814812A (zh) | 建模方法、装置、存储介质、电子设备及场景识别方法 | |
| CN111797986A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
| CN111797878B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN115482019A (zh) | 一种活动关注度预测方法、装置、电子设备和存储介质 | |
| CN111797880A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111797866A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN111796916A (zh) | 数据分发方法、装置、存储介质及服务器 | |
| Manolova et al. | Human activity recognition with semantically guided graph-convolutional network |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201020 |
|
| WW01 | Invention patent application withdrawn after publication |