CN111797874B - 行为预测方法、装置、存储介质及电子设备 - Google Patents
行为预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111797874B CN111797874B CN201910282457.9A CN201910282457A CN111797874B CN 111797874 B CN111797874 B CN 111797874B CN 201910282457 A CN201910282457 A CN 201910282457A CN 111797874 B CN111797874 B CN 111797874B
- Authority
- CN
- China
- Prior art keywords
- data
- state data
- attribute
- user
- time sequence
- 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 59
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000006399 behavior Effects 0.000 claims description 111
- 230000015654 memory Effects 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000000605 extraction Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000005291 magnetic effect Effects 0.000 description 7
- 125000002015 acyclic group Chemical group 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种行为预测方法、装置、存储介质及电子设备，其中，电子设备可以首先获取对应电子设备的时序状态数据，并将其转换为对应的时序特征张量，以及获取对应电子设备的用户属性数据，并将其转换为对应的属性特征张量，然后，将转换得到的时序特征张量以及属性特征映射到同一有向无环图中，最后根据该有向无环图预测用户的行为，得到对应的预测结果。由此，实现了对用户行为的预测，能够更好的为用户提供智能化的服务。
Description
技术领域
本申请涉及数据处理技术领域，具体涉及一种行为预测方法、装置、存储介质及电子设备。
背景技术
目前，随着电子设备技术的快速发展，电子设备除了能够提供音视频播放、网页浏览等基本服务之外，还能够在用户回家时推荐路线、吃饭时推荐餐厅等，然而，电子设备所提供的这些智能化的服务，往往是根据大众的普遍作息习惯所假设的行为，这种假设的行为并不准确。比如，假设用户在12:00的行为为“吃饭”，假设用户在18:00的行为为“回家”等等。因此，若能够对用户行为进行准确的预测，则能够更好的向用户提供智能化的服务。
发明内容
本申请实施例提供了一种行为预测方法装置、存储介质及电子设备，能够对用户进行行为预测。
第一方面，本申请实施例提供了一种行为预测方法，应用于电子设备，该行为预测方法包括：
获取对应所述电子设备的时序状态数据，并获取对应所述时序状态数据的时序特征张量；
获取对应所述电子设备的用户属性数据，并获取对应所述用户属性数据的属性特征张量；
将所述时序特征张量和所述属性特征张量映射为有向无环图；
根据所述有向无环图预测所述用户的行为，得到预测结果。
第二方面，本申请实施例提供了一种行为预测装置，应用于电子设备，该行为预测装置包括：
第一获取模块，用于获取对应所述电子设备的时序状态数据，并获取对应所述时序状态数据的时序特征张量；
第二获取模块，用于获取对应所述电子设备的用户属性数据，并获取对应所述用户属性数据的属性特征张量；
图映射模块，用于将所述时序特征张量和所述属性特征张量映射为有向无环图；
行为预测模块，用于根据所述有向无环图预测所述用户的行为，得到预测结果。
第三方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如本申请实施例提供的行为预测方法中的步骤。
第四方面，本申请实施例提供了一种电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行如本申请实施例提供的行为预测方法中的步骤。
本申请实施例中，电子设备可以首先获取对应电子设备的时序状态数据，并将其转换为对应的时序特征张量，以及获取对应电子设备的用户属性数据，并将其转换为对应的属性特征张量，然后，将转换得到的时序特征张量以及属性特征映射到同一有向无环图中，最后根据该有向无环图预测用户的行为，得到对应的预测结果。由此，实现了对用户行为的预测，能够更好的为用户提供智能化的服务。
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是本申请实施例提供的全景感知架构的结构示意图。
图2是本申请实施例提供的行为预测方法的一流程示意图。
图3是本申请实施例中电子设备获取的时序状态数据的示意图。
图4是本申请实施例提供的行为预测方法的另一流程示意图。
图5是本申请实施例提供的行为预测方法的应用场景示意图。
图6是本申请实施例提供的行为预测装置的一结构示意图。
图7是本申请实施例提供的电子设备的一结构示意图。
图8是本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
随着传感器的小型化、智能化，如手机、平板电脑等电子设备集成了越来越多的传感器，比如光线传感器、距离传感器、位置传感器、加速度传感器以及重力传感器，等等。电子设备能够通过其配置的传感器以更小的功耗采集到更多的数据。同时，电子设备在运行过程中还会采集到自身状态相关的数据以及用户状态相关的数据，等等。笼统的说，电子设备能够获取到外部环境相关的数据(比如温度、光照、地点、声音、天气等)、用户相关的数据(比如姿势、速度、手机使用习惯、个人基本信息等)以及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)。
本申请实施例中，为了能够对电子设备获取到的这些数据进行处理，向用户提供智能服务，提出了一种全景感知架构。请参照图1，图1为本申请实施例提供的全景感知架构的结构示意图，应用于电子设备，其包括由下至上的信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
作为全景感知架构的最底层，信息感知层用于获取能够描述用户的各类型情景的原始数据，包括动态的数据和静态的数据。其中，信息感知层由多个用于数据采集的传感器组成，包括但不限于图示的用于检测电子设备与外部物体之间的距离的距离传感器、用于检测电子设备所处环境的磁场信息的磁场传感器、用于检测电子设备所处环境的光线信息的光线传感器、用于检测电子设备的加速度数据的加速度传感器、用于采集用户的指纹信息的指纹传感器、用于感应磁场信息的霍尔传感器、用于检测电子设备当前所处的地理位置的位置传感器、用于检测电子设备在各个方向上的角速度的陀螺仪、用于检测电子设备的运动数据惯性传感器、用于感应电子设备的姿态信息的姿态感应器、用于检测电子设备所处环境的气压的气压计以及用于检测用户的心率信息的心率传感器等。
作为全景感知架构的次底层，数据处理层用于对信息感知层获取到的原始数据进行处理，消除原始数据存在的噪声、不一致等问题。其中，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。
作为全景感知架构的中间层，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。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。
作为全景感知架构的次高层，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。
作为全景感知架构的最高层，智能服务层用于根据情景建模层所构建的模型提供智能化服务。比如，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服务，还可以为用户提供个性化智能服务等。
此外，全景感知架构中还包括算法库，算法库中包括但不限于图示的马尔科夫算法、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、卷积神经网络以及循环神经网络等算法。
基于本申请实施例提供的全景感知架构，本申请实施例提供一种行为预测方法，该行为预测方法的执行主体可以是本申请实施例提供的行为预测装置，或者集成了该行为预测装置的电子设备，其中该行为预测装置可以采用硬件或者软件的方式实现。其中，电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等配置有处理器而具有处理能力的设备。
基于本申请实施例所提供的行为预测方法，可以在信息感知层获取到全景数据，提供给数据处理层；在数据处理层对来自信息感知层的全景数据进行处理，得到对应电子设备的时序状态数据和用户属性数据，提供给特征抽取层；在特征抽取层对前述时序状态数据和用户属性数据进行特征提取，得到对应用户属性数据的属性特征张量和对应时序状态数据的时序特征张量，将属性特征张量和时序特征张量提供给情景建模层；在情景建模层将时序特征张量和属性特征张量映射为有向无环图，并根据有向无环图预测用户的行为，实现对用户行为的建模，将预测结果提供给智能服务层；在智能服务层根据情景建模层的预测结果也即是预测的用户行为，向用户提供个性化服务，比如在用户回家时推荐路线，吃饭时推荐餐厅等。
请参照图2，图2为本申请实施例提供的行为预测方法的流程示意图。如图2所示，本申请实施例提供的行为预测方法的流程可以如下：
在101中，获取对应电子设备的时序状态数据，并获取对应时序状态数据的时序特征张量。
其中，电子设备可以周期性的自动触发对用户进行行为预测，也可以在接收到特定服务的预测需求时触发对用户进行行为预测。比如，系统更新服务被配置为在用户睡眠期间进行系统更新，相应的，系统更新服务就需要确定用户在何时睡眠，为此，系统更新服务生成对用户行为的预测需求，触发电子设备对用户行为进行预测。
电子设备在触发对用户行为进行预测时，以当前时间点为起点，往前(应当说明的是，往前是指向着已经经过的时间点的方向，而往后则是指向着尚未经过的时间点的方向)获取对应不同时间点的多个预设类型的状态数据，由获取到的这些对应不同时间点的多个预设类型的状态数据构成对应电子设备的时序状态数据，如图3所示。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的状态数据，其中，相邻两个时间点的间隔均为1秒。
电子设备在获取到其时序状态数据之后，对获取到的时序状态数据进行特征提取，将原始的时序状态数据特征化，得到对应的时序特征。对于从时序状态数据中提取出的时序特征，电子设备进一步将这些时序特征组合为张量，得到对应时序状态数据的时序特征张量。其中，张量是一个三维及以上的数据结构，数据的维度被称为张量的阶，可以将张量看做是向量和矩阵在多维空间中的推广，将向量看做为一阶张量，将矩阵看做是二阶张量。
在102中，获取对应电子设备的用户属性数据，并获取对应用户属性数据的属性特征张量。
本申请实施例中，电子设备还获取对应电子设备的用户属性数据，其中，获取的用户属性数据包括用户多个不同维度的属性数据，比如用户的社会属性、对电子设备上应用的分类属性以及常用的提醒标签属性等。同样的，电子设备对获取到的用户属性数据进行特征提取，将原始的用户属性数据特征化，得到对应的属性特征。对于从用户属性数据中提取出的属性特征，电子设备进一步将这些属性特征组合为张量，得到对应用户属性数据的属性特征张量。
应当说明的是，在本申请实施例中，执行101和102的先后顺序不受序号大小的影响，可以是先执行完成101后再执行102，可以是先执行完成102后再执行101，还可以是同时执行101和102，具体可由本领域普通技术人员根据实际需要预先在电子设备进行配置。
在103中，将时序特征张量和属性特征张量映射为有向无环图。
与数组、排列、区块链一样，有向无环图也是一种数据结构，其中，有向指的是有方向，准确的说是同一个方向，而无环则指的是构不成闭环，换言之，从有向无环图中的任一顶点出发，即使经过若干条边后也无法回到该顶点。本申请实施例中，电子设备在获取到与电子设备相关的时序特征张量，以及获取到与用户相关的属性特征张量之后，进一步将获取到的时序特征张量和属性特征张量映射到同一个有向无环图中，也即是采用有向无环图来描述属性特征张量和属性特征张量之间的关系。
在104中，根据有向无环图预测用户的行为，得到预测结果。
本申请实施例中，电子设备在将时序特征张量和属性特征张量映射为有向无环图之后，进一步获取该有向无环图输出的结果数据，将该结果数据作为对用户的行为进行预测所得到的预测结果，也即是预测的用户将要发生的行为。
由上可知，本申请实施例中，电子设备可以首先获取对应电子设备的时序状态数据，并将其转换为对应的时序特征张量，以及获取对应电子设备的用户属性数据，并将其转换为对应的属性特征张量，然后，将转换得到的时序特征张量以及属性特征映射到同一有向无环图中，最后根据该有向无环图预测用户的行为，得到对应的预测结果。由此，实现了对用户行为的预测，能够更好的为用户提供智能化的服务。
在一实施例中，“将时序特征张量和属性特征张量映射为有向无环图”包括：
将属性特征张量作为先验特征、将时序特征张量作为后验特征，进行贝叶斯网络学习，得到基于贝叶斯网络的有向无环图。
本申请实施例中，电子设备在将时序特征张量和属性特征张量映射为有向无环图时，将根据用户属性数据所转换得到的属性特征张量作为先验特征、以及将时序特征张量作为后验特征，进行贝叶斯网络学习，由此得到基于贝叶斯网络的有向无环图。
其中，贝叶斯网络学习包括结构学习和参数学习，其中，结构学习可以通过结构学习算法(比如k2算法、k3算法等)来实现，在于确定有向无环图的网络结构，而参数学习则是基于已经确定的有向无环图的网络结构，对有向无环图中每个节点的参数进行更新。
比如，时序特征张量由电子设备的时序状态数据转换得到，而时序状态数据取决于用户的具体行为，换言之，时序特征张量中的时序特征与用户行为存在对应关系。相应的，在进行结构学习时，电子设备可以采用设定的结构学习算法，根据时序特征张量进行结构学习，以确定有向无环图的结构。
属性特征张量由用户属性数据转换得到，而用户属性数据描述了用户在不同维度的属性，这些不同维度的属性与用户行为相关。相应的，在进行参数学习时，电子设备可以根据属性特征张量进行参数学习，以确定有向无环图中各节点的参数。
在一实施例中，时序状态数据包括对应不同时间点的设备状态数据和环境状态数据，“获取对应电子设备的时序状态数据”，包括：
(1)判断是否存在对应时间点的设备状态数据和环境状态数据；
(2)若是，则获取对应前述时间点的设备状态数据和环境状态数据；
(3)若否，则获取距离前述时间点最近的设备状态数据和环境状态数据，作为对应前述时间点的设备状态数据和环境状态数据。
本申请实施例中，电子设备所获取的时序状态数据包括对应不同时间点的与自身相关的设备状态数据以及与外部环境相关的环境状态数据。其中，设备状态数据比如耗电量、内存占用情况、处理器占用情况以及网络占用情况等，环境状态数据比如环境温度、环境亮度、外部天气以及外部声音等。
根据以上相关描述，本领域普通技术人员可以理解的是，时序状态数据由时序上多个时间点所对应的设备状态数据和环境状态数据组成。以下以获取一个时间点对应的设备状态数据和环境状态数据为例，对如何获取对应电子设备的时序状态数据进行说明。
应当说明的是，在实际应用中，对于设备状态数据和环境状态数据，其中不同数据的回传频率可能并不一致，比如，电子设备中用于采集外部环境温度的温度传感器和用于采集外部环境亮度的光线传感器的回传频率不一致，这样，在某时间点将获取到温度传感器采集的外部环境温度，而无法获取到光线传感器采集的外部环境亮度，或者在某时间点将获取到光线传感器采集的外部环境亮度，而无法获取到温度传感器采集的外部环境温度。为此，在本申请实施例中，电子设备在获取一时间点的预设类型数据时，首先判断是否存在对应该时间点的设备状态数据和环境状态数据，若存在对应该时间点的设备状态数据和环境状态数据，则获取到对应该时间点的设备状态数据和环境状态数据，若不存在对应该时间点的设备状态数据和/或环境状态数据，则获取到距离该时间点最近(可以是之前，也可以是之后)的设备状态数据和/或环境状态数据，作为对应该时间点的设备状态数据和/或环境状态数据。
比如，电子设备在获取一时间点的外部环境温度时，存在对应该时间点的外部环境温度，则电子设备直接获取到对应该时间点的外部环境温度，在获取该时间点的外部环境亮度时，不存在对应该时间点的外部环境亮度，则电子设备获取距离该时间点最近的外部环境亮度，作为该时间点的外部环境亮度。
又比如，电子设备在获取一时间点的外部环境温度和外部环境亮度时，不存在对应该时间点的外部环境温度和外部环境亮度，则电子设备获取距离该时间点最近的外部环境亮度和外部环境温度，作为该时间点的外部环境温度和外部环境亮度。
在一实施例中，“获取对应时序状态数据的时序特征张量”包括：
(1)根据预设的滑动时间窗口对时序状态数据进行数据提取，得到多个窗口数据；
(2)根据多个窗口数据进行建模，得到用户行为的概率分布，作为时序特征张量。
本申请实施例中，电子设备在获取对应时序状态数据的时序特征张量时，首先根据预先设置的滑动时间窗口对时序状态数据进行数据提取，由此得到多个窗口数据。应当说明的是，本申请实施例中对于预设的滑动时间窗口的长度不做具体限制，可由本领域普通技术人员根据实际需要预先配置。其中，电子设备利用预设的滑动时间窗口对时序状态数据进行数据提取所提取的每个窗口数据中均包括多个时间点的预设类型的状态数据(比如设备状态数据和环境状态数据)，其中，任一窗口数据即反映了用户在窗口数据所对应的时间区间内的行为，比如起床、上班、坐地铁、开车、坐公交等等。
电子设备在利用预设的滑动时间窗口提取得到多个窗口数据之后，进一步根据提取得到的多个窗口数据对用户行为进行建模，由此得到用户行为的概率分布，换言之，用户行为的概率分布即对前述时序状态数据进行特征提取所得到的时序特征。相应的，将用户行为的概率分布组合为张量，即得到对应时序状态数据的时序特征张量。
在一实施例中，用户属性数据包括多个不同维度的属性数据，“获取对应用户属性数据的属性特征张量”，包括：
(1)将各属性数据作为无向图的节点，将不同属性数据之间的关系作为无向图的边，建立对应用户属性数据的无向图；
(2)对无向图求解，得到属性特征张量。
与本申请以上实施例中所提及的有向无环图一样，无向图同样用于表示事物与事物之间的关系，其中，图中的节点代表事物，连接两个节点之间的边表示相应两个事物之间的关系，而与有向无环图不同的是，无向图中的边没有方向。
本申请实施例中，电子设备将获取到的用户属性数据中的各属性数据作为无向图的节点，将不同属性数据之间的关系作为无向图的边，由此建立对应用户属性数据的无向图，换言之，即将用户属性数据存储为无向图形式，通过无向图来表示用户的不同属性数据之间的关系(或者说，相互作用)。
进一步地，在建立对应用户属性数据的无向图之后，电子设备利用置信度传播算法对建立的无向图求解，确定无向图中的参数，然后提取无向图的数据组合为张量，即得到对应用户属性数据的无向图。
在一实施例中，“获取对应用户属性数据的属性特征张量”之前，还包括：
对各维度的属性数据进行归一化处理。
应当说明的是，由于用户的不同维度的属性数据的数值区间可能不一致，为了便于对其进行处理，本申请实施例中在获取对应用户属性数据的属性特征张量之前，对用户属性数据所包括的各维度的属性数据进行归一化处理，从而将各维度的属性数据归一化到同一数值区间内。应当说明的是，本申请实施例中对于采用何种归一化方式不做具体限定，可由本领域普通技术人员根据实际需要预先在电子设备配置，比如，可以配置电子设备采用线性函数归一化的方式将各维度的属性数据归一化到数值区间[0,1]之内，还可以配置电子设备采用0均值归一化的方式将各维度的属性数据归一化到数值区间[0,1]之内，等等。
在一实施例中，“将时序特征张量和属性特征张量映射为有向无环图”之前，还包括：
对属性特征张量进行零填充处理。
应当说明的是，由于用户属性数据被表示为无向图，但并不是无向图中的所有位置均有数据，这样，在将无向图表示为张量时，其中的数据可能无法对齐。因此，电子设备在将时序特征张量和属性特征张量映射为有向无环图之前，还对属性特征张量进行零填充处理，即在属性特征张量中没有数据的位置填充零，使得属性特征张量中的数据对齐。
请参照图4和图5，图4为本申请实施例提供的行为预测方法的另一种流程示意图，图5为该行为预测方法的应用场景示意图。该行为预测方法可以应用于电子设备，该行为预测方法的流程可以包括：
在201中，电子设备侦测目标服务的行为预测请求。
其中，目标服务并不用于特指某一服务，而是用于代指需要获取用户将要发生的行为的服务，包括但不限于与用户相关的智能服务类服务(比如，健康类服务、导航类服务、旅游类服务以及语音类服务等)，以及与电子设备本身相关的系统优化类服务(比如，资源优化调度、省电等)等。比如，系统更新服务被配置为在用户睡眠期间进行系统更新，相应的，系统更新服务就需要确定用户在何时睡眠，为此，系统更新服务产生行为预测请求，触发电子设备对用户行为进行预测，从而根据预测的用户行为来识别用户在何时睡眠。
在202中，电子设备获取对应电子设备的时序状态数据，并转换为对应的时序特征张量。
电子设备在侦测到目标服务的行为预测请求时，触发对用户行为的预测。首先，电子设备以当前时间点为起点，往前(应当说明的是，往前是指向着已经经过的时间点的方向，而往后则是指向着尚未经过的时间点的方向)获取对应不同时间点的多个预设类型的状态数据，由获取到的这些对应不同时间点的多个预设类型的状态数据构成对应电子设备的时序状态数据，如图3所示。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的状态数据，其中，相邻两个时间点的间隔均为1秒。
电子设备在获取到其时序状态数据之后，对获取到的时序状态数据进行特征提取，将原始的时序状态数据特征化，得到对应的时序特征。对于从时序状态数据中提取出的时序特征，电子设备进一步将这些时序特征组合为张量，得到对应时序状态数据的时序特征张量。其中，张量是一个三维及以上的数据结构，数据的维度被称为张量的阶，可以将张量看做是向量和矩阵在多维空间中的推广，将向量看做为一阶张量，将矩阵看做是二阶张量。
在203中，电子设备获取对应电子设备的用户属性数据，并转换为对应的属性特征张量。
本申请实施例中，电子设备还获取对应电子设备的用户属性数据，其中，获取的用户属性数据包括用户多个不同维度的属性数据，比如用户的社会属性、对电子设备上应用的分类属性以及常用的提醒标签属性等。同样的，电子设备对获取到的用户属性数据进行特征提取，将原始的用户属性数据特征化，得到对应的属性特征。对于从用户属性数据中提取出的属性特征，电子设备进一步将这些属性特征组合为张量，得到对应用户属性数据的属性特征张量。
在204中，电子设备将属性特征张量作为先验特征、将时序特征张量作为后验特征，进行贝叶斯网络学习，得到基于贝叶斯网络的有向无环图。
与数组、排列、区块链一样，有向无环图也是一种数据结构，其中，有向指的是有方向，准确的说是同一个方向，而无环则指的是构不成闭环，换言之，从有向无环图中的任一顶点出发，即使经过若干条边后也无法回到该顶点。本申请实施例中，电子设备在获取到与电子设备相关的时序特征张量，以及获取到与用户相关的属性特征张量之后，进一步将获取到的时序特征张量和属性特征张量映射到同一个有向无环图中，也即是采用有向无环图来描述属性特征张量和属性特征张量之间的关系。
其中，电子设备在将时序特征张量和属性特征张量映射为有向无环图时，将根据用户属性数据所转换得到的属性特征张量作为先验特征、以及将时序特征张量作为后验特征，进行贝叶斯网络学习，由此得到基于贝叶斯网络的有向无环图。
其中，贝叶斯网络学习包括结构学习和参数学习，其中，结构学习可以通过结构学习算法(比如k2算法、k3算法等)来实现，在于确定有向无环图的网络结构，而参数学习则是基于已经确定的有向无环图的网络结构，对有向无环图中每个节点的参数进行更新。
比如，时序特征张量由电子设备的时序状态数据转换得到，而时序状态数据取决于用户的具体行为，换言之，时序特征张量中的时序特征与用户行为存在对应关系。相应的，在进行结构学习时，电子设备可以采用设定的结构学习算法，根据时序特征张量进行结构学习，以确定有向无环图的结构。
属性特征张量由用户属性数据转换得到，而用户属性数据描述了用户在不同维度的属性，这些不同维度的属性与用户行为相关。相应的，在进行参数学习时，电子设备可以根据属性特征张量进行参数学习，以确定有向无环图中各节点的参数。
在205中，电子设备根据有向无环图预测用户的行为，得到预测结果。
本申请实施例中，电子设备在将时序特征张量和属性特征张量映射为有向无环图之后，进一步获取该有向无环图输出的结果数据，将该结果数据作为对用户的行为进行预测所得到的预测结果，也即是预测的用户将要发生的行为。
在206中，电子设备将得到的预测结果提供给目标服务。
其中，电子设备在根据有向无环图预测用户的行为，并得到对应的预测结果之后，将得到的预测结果提供给目标服务，由目标服务根据该预测结果实现其功能。
本申请实施例还提供一种行为预测装置。请参照图6，图6为本申请实施例提供的行为预测装置的结构示意图。其中该行为预测装置应用于电子设备，该行为预测装置包括第一获取模块301、第二获取模块302、图映射模块303以及行为预测模块304，如下：
第一获取模块301，用于获取对应电子设备的时序状态数据，并获取对应时序状态数据的时序特征张量；
第二获取模块302，用于获取对应电子设备的用户属性数据，并获取对应用户属性数据的属性特征张量；
图映射模块303，用于将时序特征张量和属性特征张量映射为有向无环图；
行为预测模块304，用于根据有向无环图预测用户的行为，得到预测结果。
在一实施例中，在将时序特征张量和属性特征张量映射为有向无环图时，图映射模块303可以用于：
将属性特征张量作为先验特征、将时序特征张量作为后验特征，进行贝叶斯网络学习，得到基于贝叶斯网络的有向无环图。
在一实施例中，时序状态数据包括对应不同时间点的设备状态数据和环境状态数据，在获取对应电子设备的时序状态数据时，第一获取模块301可以用于：
判断是否存在对应时间点的设备状态数据和环境状态数据；
若是，则获取对应时间点的设备状态数据和环境状态数据；
若否，则获取距离时间点最近的设备状态数据和环境状态数据，作为对应时间点的设备状态数据和环境状态数据。
在一实施例中，在获取对应时序状态数据的时序特征张量时，第一获取模块301可以用于：
根据预设的滑动时间窗口对时序状态数据进行数据提取，得到多个窗口数据；
根据多个窗口数据进行建模，得到用户行为的概率分布，作为时序特征张量。
在一实施例中，用户属性数据包括多个不同维度的属性数据，在获取对应用户属性数据的属性特征张量时，第二获取模块302可以用于：
将各属性数据作为无向图的节点，将不同属性数据之间的关系作为无向图的边，建立对应用户属性数据的无向图；
对无向图求解，得到属性特征张量。
在一实施例中，在获取对应用户属性数据的属性特征张量之前，第二获取模块302还用于对各维度的属性数据进行归一化处理。
在一实施例中，在将时序特征张量和属性特征张量映射为有向无环图之前，图映射模块303还用于对属性特征张量进行零填充处理。
应当说明的是，本申请实施例提供的行为预测装置与上文实施例中的行为预测方法属于同一构思，在行为预测装置上可以运行行为预测方法实施例中提供的任一方法，其具体实现过程详见行为预测方法实施例，此处不再赘述。
本申请实施例提供一种计算机可读的存储介质，其上存储有计算机程序，当其存储的计算机程序在计算机上执行时，使得计算机执行如本实施例提供的行为预测方法中的步骤。其中，存储介质可以是磁碟、光盘、只读存储器(Read Only Memory，ROM，)或者随机存取器(Random Access Memory，RAM)等。
本申请实施例还提供一种电子设备，包括存储器，处理器，处理器通过调用存储器中存储的计算机程序，执行本实施例提供的行为预测方法中的步骤。
在一实施例中，还提供一种电子设备。请参照图7，电子设备包括处理器401以及存储器402。其中，处理器401与存储器402电性连接。
处理器401是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器402内的计算机程序，以及调用存储在存储器402内的数据，执行电子设备的各种功能并处理数据。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
在本申请实施例中，电子设备中的处理器401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402中，并由处理器401运行存储在存储器402中的计算机程序，从而实现各种功能，如下：
获取对应电子设备的时序状态数据，并获取对应时序状态数据的时序特征张量；
获取对应电子设备的用户属性数据，并获取对应用户属性数据的属性特征张量；
将时序特征张量和属性特征张量映射为有向无环图；
根据有向无环图预测用户的行为，得到预测结果。
请参照图8，图8为本申请实施例提供的电子设备的另一结构示意图，与图7所示电子设备的区别在于，电子设备还包括输入单元403和输出单元404等组件。
其中，输入单元403可用于接收输入的数字、字符信息或用户特征信息(比如指纹)，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等。
输出单元404可用于显示由用户输入的信息或提供给用户的信息，如屏幕。
在本申请实施例中，电子设备中的处理器401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402中，并由处理器401运行存储在存储器402中的计算机程序，从而实现各种功能，如下：
获取对应电子设备的时序状态数据，并获取对应时序状态数据的时序特征张量；
获取对应电子设备的用户属性数据，并获取对应用户属性数据的属性特征张量；
将时序特征张量和属性特征张量映射为有向无环图；
根据有向无环图预测用户的行为，得到预测结果。
在一实施例中，在将时序特征张量和属性特征张量映射为有向无环图时，处理器401可以执行：
将属性特征张量作为先验特征、将时序特征张量作为后验特征，进行贝叶斯网络学习，得到基于贝叶斯网络的有向无环图。
在一实施例中，时序状态数据包括对应不同时间点的设备状态数据和环境状态数据，在获取对应电子设备的时序状态数据时，处理器401可以执行：
判断是否存在对应时间点的设备状态数据和环境状态数据；
若是，则获取对应时间点的设备状态数据和环境状态数据；
若否，则获取距离时间点最近的设备状态数据和环境状态数据，作为对应时间点的设备状态数据和环境状态数据。
在一实施例中，在获取对应时序状态数据的时序特征张量时，处理器401可以执行：
根据预设的滑动时间窗口对时序状态数据进行数据提取，得到多个窗口数据；
根据多个窗口数据进行建模，得到用户行为的概率分布，作为时序特征张量。
在一实施例中，用户属性数据包括多个不同维度的属性数据，在获取对应用户属性数据的属性特征张量时，处理器401可以执行：
将各属性数据作为无向图的节点，将不同属性数据之间的关系作为无向图的边，建立对应用户属性数据的无向图；
对无向图求解，得到属性特征张量。
在一实施例中，在获取对应用户属性数据的属性特征张量之前，处理器401可以执行：
对各维度的属性数据进行归一化处理。
在一实施例中，在将时序特征张量和属性特征张量映射为有向无环图之前，处理器401可以执行：
对属性特征张量进行零填充处理。
应当说明的是，本申请实施例提供的电子设备与上文实施例中的行为预测方法属于同一构思，在电子设备上可以运行行为预测方法实施例中提供的任一方法，其具体实现过程详见行为预测方法实施例，此处不再赘述。
应当说明的是，对本申请实施例的行为预测方法而言，本领域普通技术人员可以理解实现本申请实施例的行为预测方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的至少一个处理器执行，在执行过程中可包括如行为预测方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
对本申请实施例的行为预测装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，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。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，所述存储介质譬如为只读存储器，磁盘或光盘等。
以上对本申请实施例所提供的一种行为预测方法、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 (9)
1.一种行为预测方法，应用于电子设备，其特征在于，包括：
获取对应所述电子设备的时序状态数据，并获取对应所述时序状态数据的时序特征张量；
获取对应所述电子设备的用户属性数据，并获取对应所述用户属性数据的属性特征张量；
将所述属性特征张量作为先验特征、将所述时序特征张量作为后验特征，进行贝叶斯网络学习，得到基于贝叶斯网络的有向无环图；
根据所述有向无环图预测所述用户的行为，得到预测结果。
2.根据权利要求1所述的行为预测方法，其特征在于，所述时序状态数据包括对应不同时间点的设备状态数据和环境状态数据，所述获取对应所述电子设备的时序状态数据，包括：
判断是否存在对应所述时间点的设备状态数据和环境状态数据；
若是，则获取对应所述时间点的设备状态数据和环境状态数据；
若否，则获取距离所述时间，点最近的设备状态数据和环境状态数据，作为对应所述时间，点的设备状态数据和环境状态数据。
3.根据权利要求1所述的行为预测方法，其特征在于，所述获取对应所述时序状态数据的时序特征张量，包括：
根据预设的滑动时间窗口对所述时序状态数据进行数据提取，得到多个窗口数据；
根据所述多个窗口数据进行建模，得到用户行为的概率分布，作为所述时序特征张量。
4.根据权利要求1所述的行为预测方法，其特征在于，所述用户属性数据包括多个不同维度的属性数据，所述获取对应所述用户属性数据的属性特征张量，包括：
将各属性数据作为无向图的节点，将不同属性数据之间的关系作为无向图的边，建立对应所述用户属性数据的无向图；对所述无向图求解，得到所述属性特征张量。
5.根据权利要求4所述的行为预测方法，其特征在于，所述获取对应所述用户属性数据的属性特征张量之前，还包括：
对各维度的属性数据进行归一化处理。
6.根据权利要求1所述的行为预测方法，其特征在于，所述将所述时序特征张量和所述属性特征张量映射为有向无环图之前，还包括：
对所述属性特征张量进行零填充处理。
7.一种行为预测装置，应用于电子设备，其特征在于，包括：
第一获取模块，用于获取对应所述电子设备的时序状态数据，并获取对应所述时序状态数据的时序特征张量；
第二获取模块，用于获取对应所述电子设备的用户属性数据，并获取对应所述用户属性数据的属性特征张量；
图映射模块，用于将所述属性特征张量作为先验特征、将所述时序特征张量作为后验特征，进行贝叶斯网络学习，得到基于贝叶斯网络的有向无环图；
行为预测模块，用于根据所述有向无环图预测所述用户的行为，得到预测结果。
8.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至6任一项所述的行为预测方法。
9.一种电子设备，包括处理器和存储器，所述存储器储存有计算机程序，其特征在于，所述处理器通过调用所述计算机程序，用于执行如权利要求1至6任一项所述的行为预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282457.9A CN111797874B (zh) | 2019-04-09 | 2019-04-09 | 行为预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282457.9A CN111797874B (zh) | 2019-04-09 | 2019-04-09 | 行为预测方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111797874A CN111797874A (zh) | 2020-10-20 |
| CN111797874B true CN111797874B (zh) | 2024-04-09 |
Family
ID=72805759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910282457.9A Active CN111797874B (zh) | 2019-04-09 | 2019-04-09 | 行为预测方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797874B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114285930B (zh) * | 2021-12-10 | 2024-02-23 | 杭州逗酷软件科技有限公司 | 交互方法、装置、电子设备以及存储介质 |
| WO2024000585A1 (zh) * | 2022-07-01 | 2024-01-04 | 西门子股份公司 | 用于数据跟踪的数据处理方法、装置、系统以及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110027908A (ko) * | 2009-09-11 | 2011-03-17 | 성균관대학교산학협력단 | 사용자 목표 예측 장치 및 방법 |
| CN102254087A (zh) * | 2010-05-20 | 2011-11-23 | 索尼公司 | 数据处理设备、数据处理方法和程序 |
| CN106126597A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股（北京）有限公司 | 用户属性预测方法及装置 |
| CN107783801A (zh) * | 2017-11-06 | 2018-03-09 | 广东欧珀移动通信有限公司 | 应用程序预测模型建立、预加载方法、装置、介质及终端 |
| CN107798341A (zh) * | 2017-09-30 | 2018-03-13 | 平安科技（深圳）有限公司 | 用户意图预测方法、电子设备及计算机可读存储介质 |
| CN108460489A (zh) * | 2018-03-15 | 2018-08-28 | 重庆邮电大学 | 一种基于大数据技术的用户行为分析与服务推荐框架 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0013010D0 (en) * | 2000-05-26 | 2000-07-19 | Ncr Int Inc | Method and apparatus for predicting whether a specified event will occur after a specified trigger event has occurred |
-
2019
- 2019-04-09 CN CN201910282457.9A patent/CN111797874B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110027908A (ko) * | 2009-09-11 | 2011-03-17 | 성균관대학교산학협력단 | 사용자 목표 예측 장치 및 방법 |
| CN102254087A (zh) * | 2010-05-20 | 2011-11-23 | 索尼公司 | 数据处理设备、数据处理方法和程序 |
| CN106126597A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股（北京）有限公司 | 用户属性预测方法及装置 |
| CN107798341A (zh) * | 2017-09-30 | 2018-03-13 | 平安科技（深圳）有限公司 | 用户意图预测方法、电子设备及计算机可读存储介质 |
| CN107783801A (zh) * | 2017-11-06 | 2018-03-09 | 广东欧珀移动通信有限公司 | 应用程序预测模型建立、预加载方法、装置、介质及终端 |
| CN108460489A (zh) * | 2018-03-15 | 2018-08-28 | 重庆邮电大学 | 一种基于大数据技术的用户行为分析与服务推荐框架 |
Non-Patent Citations (1)
| Title |
|---|
| 基于时序模型和矩阵分解的推荐算法;蔡海尼;牛冰慧;文俊浩;王喜宾;;计算机应用研究(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111797874A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111798018B (zh) | 行为预测方法、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 | |
| CN111800331A (zh) | 通知消息的推送方法、装置、存储介质及电子设备 | |
| CN111800445B (zh) | 消息推送方法、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 | |
| CN111797874B (zh) | 行为预测方法、装置、存储介质及电子设备 | |
| CN111796925A (zh) | 算法模型的筛选方法、装置、存储介质和电子设备 | |
| CN111797079A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111797849A (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
| CN111798019B (zh) | 意图预测方法、装置、存储介质及电子设备 | |
| CN111797867A (zh) | 系统资源优化方法、装置、存储介质及电子设备 | |
| CN111797860B (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN111797075B (zh) | 数据回收方法、装置、存储介质及电子设备 | |
| CN111800535B (zh) | 终端运行状态的评估方法、装置、存储介质及电子设备 | |
| CN111797299A (zh) | 模型训练方法、网页分类方法、装置、存储介质及设备 | |
| CN111797866A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN111797876B (zh) | 数据分类方法、装置、存储介质及电子设备 | |
| CN111797298B (zh) | 数据收集方法、装置、存储介质及电子设备 | |
| CN111797880A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111796992B (zh) | 行为偏好确定方法、装置、存储介质及电子设备 | |
| CN111796927B (zh) | 设备资源配置方法、装置、存储介质及电子设备 | |
| CN111797875B (zh) | 场景建模方法、装置、存储介质及电子设备 | |
| CN111797877B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111800537B (zh) | 终端使用状态的评估方法、装置、存储介质及电子设备 | |
| CN111797301A (zh) | 活动预测方法、装置、存储介质及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |