CN111797876B - 数据分类方法、装置、存储介质及电子设备 - Google Patents
数据分类方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111797876B CN111797876B CN201910282459.8A CN201910282459A CN111797876B CN 111797876 B CN111797876 B CN 111797876B CN 201910282459 A CN201910282459 A CN 201910282459A CN 111797876 B CN111797876 B CN 111797876B
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- information
- parameter
- classification
- 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 54
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 20
- 238000007499 fusion processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000001133 acceleration Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000638 solvent extraction 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
- G06F18/24—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
- G06F18/24155—Bayesian classification
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- User Interface Of Digital Computer (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种数据分类方法、装置、存储介质及电子设备。该方法包括：获取多个不同类型的参数的数值、预设第一标签信息及预设第二标签信息，该预设第一标签信息和预设第二标签信息包括样本数据及对应的类别信息；将该多个不同类型的参数划分为第一参数和第二参数；将该第一参数的数值以及该预设第一标签信息作为输入数据，输入至预设第一模型，得到该预设第一模型输出的第一分类信息；将该第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入至预设第二模型，得到该预设第二模型输出的第二分类信息；根据该第二分类信息，确定由该多个不同类型的参数的数值构成的异构数据的类别信息。本申请可以对异构数据进行有效分类。
Description
技术领域
本申请属于电子设备技术领域，尤其涉及一种数据分类方法、装置、存储介质及电子设备。
背景技术
随着技术的不断发展，电子设备的硬件和软件配置不断提升。比如，在硬件方面，电子设备上可以集成诸如陀螺仪传感器、环境光传感器、接近传感器等各种传感器。而在软件方面，电子设备上可以运行各种人工智能算法。相关技术中，电子设备可以通过硬件和软件来收集各种数据，如环境参数值以及用户的操作行为数据等。在收集到各种数据后，电子设备可以对这些数据进行分类。然而，相关技术中，电子设备只能对相同类型的数据进行分类，而无法对由不同类型的数据构成的异构数据进行分类。
发明内容
本申请实施例提供一种数据分类方法、装置、存储介质及电子设备，可以对异构数据进行有效分类。
第一方面，本实施例提供一种数据分类方法，包括：
获取多个不同类型的参数的数值、预设第一标签信息及预设第二标签信息，所述预设第一标签信息和预设第二标签信息包括样本数据及对应的类别信息；
将所述多个不同类型的参数划分为第一参数和第二参数；
将所述第一参数的数值以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息；
将所述第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入至预设第二模型，得到所述预设第二模型输出的第二分类信息；
根据所述第二分类信息，确定由所述多个不同类型的参数的数值构成的异构数据的类别信息。
第二方面，本实施例提供一种数据分类装置，其中，包括：
获取模块，用于获取多个不同类型的参数的数值、预设第一标签信息及预设第二标签信息，所述预设第一标签信息和预设第二标签信息包括样本数据及对应的类别信息；
划分模块，用于将所述多个不同类型的参数划分为第一参数和第二参数；
第一计算模块，用于将所述第一参数的数值以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息；
第二计算模块，用于将所述第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入至预设第二模型，得到所述预设第二模型输出的第二分类信息；
确定模块，用于根据所述第二分类信息，确定由所述多个不同类型的参数的数值构成的异构数据的类别信息。
第三方面，本实施例提供一种存储介质，其上存储有计算机程序，其中，当所述计算机程序在计算机上执行时，使得所述计算机执行本实施例提供的数据分类方法。
第四方面，本实施例提供一种电子设备，包括存储器，处理器，其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行本实施例提供的数据分类方法。
本申请实施例中，电子设备可以将构成异构数据的多个不同类型的参数的划分为第一参数和第二参数，并将第一参数的数值和预设第一标签信息输入至预设第一模型，得到输出的第一分类信息，以及将第二参数的数值和预设第二标签信息、第一分类信息输入至预设第二模型，得到输出的第二分类信息。之后，电子设备可以根据该第二分类信息，确定异构数据的类别信息。即，本实施例可以有效地对异构数据进行分类。
附图说明
下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其有益效果显而易见。
图1是本申请实施例提供的电子设备的全景感知架构的示意图。
图2是本申请实施例提供的数据分类方法的第一种流程示意图。
图3是本申请实施例提供的数据分类方法的第二种流程示意图。
图4是本申请实施例提供的数据分类方法的第三种流程示意图。
图5至图7是本申请实施例提供的数据分类方法的场景示意图。
图8是本申请实施例提供的数据分类装置的结构示意图。
图9是本申请实施例提供的电子设备的结构示意图。
图10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
请参照图示，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。
请参考图1，图1为本申请实施例提供的数据分类方法的应用场景示意图。该数据分类方法可以应用于电子设备。该电子设备中设置有全景感知架构。该全景感知架构为电子设备中用于实现该数据分类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。该信息感知层可以包括多个传感器。例如，该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，以提取该数据中包括的特征。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，该多种算法可以构成算法库。例如，该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。
可以理解的是，本申请实施例的执行主体可以是诸如智能手机或平板电脑等的电子设备。
请参阅图2，图2是本申请实施例提供的数据分类方法的第一种流程示意图，流程可以包括：
在101中，获取多个不同类型的参数的数值、预设第一标签信息及预设第二标签信息，该预设第一标签信息和预设第二标签信息包括样本数据及对应的类别信息。
随着技术的不断发展，电子设备的硬件和软件配置不断提升。比如，在硬件方面，电子设备上可以集成诸如陀螺仪传感器、环境光传感器、接近传感器等各种传感器。而在软件方面，电子设备上可以运行各种人工智能算法。相关技术中，电子设备可以通过硬件和软件来收集各种数据，如环境参数值以及用户的操作行为数据等。在收集到各种数据后，电子设备可以对这些数据进行分类。然而，相关技术中，电子设备只能对相同类型的数据进行分类，而无法对由不同类型的数据构成的异构数据进行分类。例如，相关技术中，电子设备可以对图像中的像素进行分类，在分类时，电子设备可以将图像的像素值输入到分类模型中，输出结果即为该像素值的类别。但是，若电子设备从多个数据源收集到多种类型的数据，如收集到了环境光数据、噪声数据、用户行为习惯数据、电子设备运行数据等，并需要对由这些数据所构成的一个异构数据进行分类，则相关技术中电子设备无法对这样的异构数据进行有效分类。
在本申请实施例的101中，电子设备可以获取收集到的多个不同类型的参数的数值，以及预设第一标签信息和预设第二标签信息。其中，该预设第一标签信息和预设第二标签信息均包括样本数据及该样本数据对应的类别信息。
例如，电子设备收集了环境光传感器、温度传感器、气压传感器、位置传感器的数值，以及用户行为习惯的数据、电子设备的运行参数的数据等不同类型的数据。那么，电子设备可以获取上述这些不同类型的数据，以及预设第一标签信息和预设第二标签信息。
需要说明的是，预设第一标签信息和预设第二标签信息均包含样本数据及该样本数据对应的类别信息。例如，电子设备预先收集了一条样本数据A，该样本数据A由环境光数据d1、温度数据d2、气压数据d3、位置数据d4、用户行为习惯数据d5构成。在收集到这条样本数据A后，可以通过人为标定的方式来确定该样本数据A的类别信息，例如可以将该样本数据A的类别标定为属于雨天场景类别。在一种实施方式中，雨天场景类别可以用数字5来表示，那么样本数据A可以表示成<5，d1，d2，d3，d4，d5>。之后，电子设备可以将该样本数据A确定为一条预设的标签信息。
在102中，将多个不同类型的参数划分为第一参数和第二参数。
比如，在获取到多个不同类型的参数的数值后，电子设备可以将该多个不同类型的参数划分为第一参数和第二参数。
例如，电子设备将环境光传感器、温度传感器、气压传感器、位置传感器以及用户行为习惯这五种类型的参数确定为第一参数，将电子设备的运行参数确定为第二参数。
在103中，将第一参数的数值以及预设第一标签信息作为输入数据，输入至预设第一模型，得到该预设第一模型输出的第一分类信息。
比如，在确定出第一参数和第二参数后，电子设备可以将第一参数的数值以及预设第一标签信息作为输入数据，输入值预设第一模型中，从而得到该预设第一模型输出的第一分类信息。
例如，电子设备根据环境光传感器、温度传感器、气压传感器、位置传感器以及用户行为习惯这五种类型的参数的数值，以及预设第一标签信息，得到的第一分类信息为当前场景属于下雨天这一场景类别。
需要说明的是，本实施例中，预设第一标签信息是作为特征输入到预设第一模型中，从而通过预设第一标签信息对应的特征来对预设第一模型的输出结果进行影响。
在104中，将第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入至预设第二模型，得到该预设第二模型输出的第二分类信息。
比如，在得到第一分类信息后，电子设备可以将第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入值预设第二模型中，从而得到该预设第二模型输出的第二分类信息。
例如，下雨天这一场景类别又细分为小雨、大雨、暴雨这三个场景类别。电子设备根据本设备的运行参数、第一分类信息以及预设第二标签信息得到的第二分类信息为当前场景属于暴雨这一细分的场景类别。
需要说明的是，本实施例中，预设第二标签信息以及第一分类信息均作为特征输入到预设第二模型中，从而通过预设第二标签信息对应的特征以及第一分类信息对应的特征来对预设第二模型的输出结果进行影响。
在105中，根据第二分类信息，确定由多个不同类型的参数的数值构成的异构数据的类别信息。
比如，在得到第二分类信息后，电子设备可以根据该第二分类信息确定出由上述多个不同类型的参数的数值构成的异构数据的类别信息。
需要说明的是，本实施例中的异构数据是指由不同类型的数据所构成的数据。例如，电子设备收集了环境光数据d6、温度数据d7、陀螺仪数据d8、用户行为数据d9、设备剩余电量数据d10等五种类型的数据，那么这5种数据构成的数据即为异构数据，例如该异构数据可以表示成<d6，d7，d8，d9，d10>。
例如，电子设备可以直接将第二分类信息确定为由上述多个不同类型的参数的数值构成的异构数据的类别信息。即，电子设备可以直接将第二分类信息确定为由上述多个不同类型的参数的数值构成的整体的类别信息。
例如，电子设备可以将暴雨的场景类别信息确定为由环境光传感器、温度传感器、气压传感器、位置传感器的数值，以及用户行为习惯的数据、电子设备的运行参数的数据所构成的异构数据的场景类别信息。
需要说明的是，本实施例提供的数据分类方法可以应用于图1所示的全景感知架构中的情景建模层。电子设备可以通过信息感知层收集数据，收集到的数据可以被输入到数据处理层中进行处理，经数据处理层处理的数据可以被输入到特征提取层进行特征提取，得到特征数据。该特征数据可以是多种类型的数据。本实施例提供的数据分类方法则可以在情景建模层对由多种类型的数据构成的异构数据进行分类，并根据分类后的数据进行建模。经建模得到的数据可以被输入到智能服务层，智能服务层可以根据该数据为电子设备的用户提供智能服务，例如为用户推送适于当前情景的信息等。
请同时参阅图3，图3是本实施例提供的数据分类的第二种流程示意图。
可以理解的是，本申请实施例中，电子设备可以将构成异构数据的多个不同类型的参数的划分为第一参数和第二参数，并将第一参数的数值和预设第一标签信息输入至预设第一模型，得到输出的第一分类信息，以及将第二参数的数值和预设第二标签信息、第一分类信息输入至预设第二模型，得到输出的第二分类信息。之后，电子设备可以根据该第二分类信息，确定异构数据的类别信息。即，本实施例可以有效地对异构数据进行分类。
请参阅图4，图4为本申请实施例提供的数据分类方法的第三种流程示意图，流程可以包括：
在201中，电子设备获取多个不同类型的参数的数值、预设第一标签信息及预设第二标签信息，该预设第一标签信息和预设第二标签信息包括样本数据及对应的类别信息。
比如，电子设备可以获取当前收集到的多个不同类型的参数的数值，以及预设第一标签信息和预设第二标签信息。其中，该预设第一标签信息和预设第二标签信息均包括样本数据及该样本数据对应的类别信息。
例如，电子设备收集了环境光传感器、温度传感器、气压传感器、位置传感器的数值，以及用户行为习惯的数据、电子设备的运行参数的数据等不同类型的数据。那么，电子设备可以获取上述这些不同类型的数据，以及预设第一标签信息和预设第二标签信息。
需要说明的是，预设第一标签信息和预设第二标签信息均包含样本数据及该样本数据对应的类别信息。例如，电子设备预先收集了一条样本数据A，该样本数据A由环境光数据d1、温度数据d2、气压数据d3、位置数据d4、用户行为习惯数据d5构成。在收集到这条样本数据A后，可以通过人为标定的方式来确定该样本数据A的类别信息，例如可以将该样本数据A的类别标定为属于雨天场景类别。在一种实施方式中，雨天场景类别可以用数字5来表示，那么样本数据A可以表示成<5，d1，d2，d3，d4，d5>。之后，电子设备可以将该样本数据A确定为一条预设的标签信息。
在202中，按照预设第二策略，电子设备将多个不同类型的参数划分为第一参数和第二参数，该第一参数包括多个参数。
比如，在获取到环境光传感器、温度传感器、气压传感器、位置传感器的数值，以及用户行为习惯的数据、电子设备的运行参数的数据这6种类型的参数数据后，电子设备可以按照预设第二策略来将这些参数划分为第一参数和第二参数。
在一种实施方式中，电子设备中可以预先定义何种类型的参数属于第一参数，以及何种类型的参数属于第二参数，从而形成预设第二策略，并生成一张对应关系表。例如，电子设备中存储的对应关系表中记载了环境光传感器、温度传感器、气压传感器、位置传感器和用户行为习惯参数等参数属于第一参数，电子设备的运行参数属于第二参数。那么，电子设备可以根据该对应关系表，将201中获取到的环境光传感器、温度传感器、气压传感器、位置传感器、用户行为习惯这五种类型的参数划分为第一参数，将电子设备的运行参数划分为第二参数。
在一种实施方式中，第一参数和第二参数所包含的参数数量均可以为多个。
在203中，按照预设第一策略，电子设备构建参数集合，其中，每一参数集合中的元素均属于第一参数，每一参数集合中的参数彼此之间存在预设关联。
比如，在将201中获取的多个参数划分为第一参数和第二参数之后，电子设备可以按照预设第一策略构建参数集合，其中，每一参数集合中的元素均属于第一参数，每一参数集合中的参数彼此之间存在预设关联。也即，在确定出第一参数后，电子设备可以将第一参数中划分为至少一个参数集合，其中每一参数集合中的参数彼此之间存在预设关联。
比如，电子设备可以预先设定不同类型的参数之间具有关联，从而形成预设第一策略。例如，电子设备可以预先设定加速度传感器、陀螺仪传感器、磁力计这3种传感器具有关联。又如，电子设备可以预先设定GPS数据、WiFi数据、通信基站信息等数据具有关联。这样的话，在确定出第一参数后，电子设备可以根据预先设定的具有关联的参数来构建参数集合。例如，第一参数包含加速度传感器、陀螺仪传感器、GPS数据、WiFi数据、通信基站信息等参数。那么，终端可以将加速度传感器、陀螺仪传感器这2种参数的数值构成一个参数集合，将GPS数据、WiFi数据、通信基站信息这3种参数的数值构成另一个参数集合。
在204中，对于每一参数集合，电子设备对参数集合内的参数的数值进行数据融合处理，得到与每一参数集合对应的融合数据。
在205中，电子设备对每一融合数据进行特征提取，得到对应的特征数据。
在206中，电子设备将特征数据以及预设第一标签信息作为输入数据，输入至预设第一模型，得到该预设第一模型输出的第一分类信息。
比如，204、205和206可以包括：
在根据第一参数构建得到参数集合后，对于每一参数集合，电子设备可以对本参数集合内的参数的数值进行数据融合处理，从而得到本参数集合对一个的融合数据。
之后，电子设备可以对每一融合数据进行特征提取，从而得到对应的特征数据。之后，电子设备可以将所有的特征数据以及预设第一标签信息作为输入数据，输入到预设第一模型中，并得到该预设第一模型输出的第一分类信息。
例如，202中确定的第一参数包括环境光传感器、温度传感器、气压传感器、位置传感器、用户行为习惯这五种类型的参数。在203中，电子设备构建了两个参数集合，分别为第一集合以及第二集合，其中，第一集合的元素包括环境光传感器、温度传感器、气压传感器、位置传感器的数据，第二集合的元素包括用户行为习惯的数据。
那么，在204中，对于第一集合，电子设备可以对环境光传感器、温度传感器、气压传感器、位置传感器的数据进行数据融合处理，得到第一融合数据。另外，由于第二集合中只包含一个元素，因此第二集合的元素用户行为习惯的数据不需要进行数据融合处理。
需要说明的是，由于不同类型的数据是非相同维度的，因此需要对数据进行融合处理，例如采用data formating的方式。例如对于加速度传感器、陀螺仪传感器、磁力计的融合算法，可以使用传统的互补滤波、卡尔曼滤波、Mahony滤波算法对数据进行融合，从而得到经过融合的数据。例如，电子设备可以对加速度传感器数据、陀螺仪传感器数据、磁力计数据进行融合，经融合的数据可以用于检测电子设备的姿态。又如，电子设备可以对GPS数据、WIFI数据、蓝牙数据、气压计数据进行融合，经过融合的数据可以用于确定电子设备当前的高精度位置。
例如，以多传感器数据融合为例进行说明，多传感器数据融合技术的基本原理就像人脑综合处理信息一样，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描述。
比如，在得到第一集合对应的第一融合数据，以及第二集合对应的第二融合数据后，电子设备可以对第一融合数据进行特征提取，得到对应的特征数据(如第一特征数据)，并对第二融合数据进行特征提取，得到对应的特征数据(如第二特征数据)。
之后，电子设备可以将第一特征数据和第二特征数据以及预设第一标签信息作为输入数据，输入值预设第一模型，从而得到预设第一模型输出的第一分类信息。
例如，对于环境光传感器数据、温度传感器数据、气压传感器数据、位置传感器数据进行数据融合处理后得到的第一融合数据，其经过特征提取后得到第一特征数据。对于用户行为习惯的数据，其经过特征提取后得到第二特征数据。那么，电子设备可以将第一特征数据、第二特征数据和预设第一标签信息作为输入数据，输入值预设第一模型，从而得到预设第一模型输出的第一分类信息，例如输出的第一分类信息表示当前场景属于下雨天的场景类别。
在207中，电子设备将第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入至预设第二模型，得到该预设第二模型输出的第二分类信息。
比如，在得到第一分类信息后，电子设备可以将第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入值预设第二模型中，从而得到该预设第二模型输出的第二分类信息。
例如，下雨天这一场景类别又细分为小雨、大雨、暴雨这三个场景类别。电子设备根据本设备的运行参数、第一分类信息以及预设第二标签信息得到的第二分类信息为当前场景属于暴雨这一细分的场景类别。
在208中，根据第二分类信息，电子设备确定由多个不同类型的参数的数值构成的异构数据的类别信息。
比如，在得到第二分类信息后，电子设备可以根据该第二分类信息确定出由上述多个不同类型的参数的数值构成的异构数据的类别信息。
例如，电子设备可以将暴雨的场景类别信息确定为由环境光传感器、温度传感器、气压传感器、位置传感器的数值，以及用户行为习惯的数据、电子设备的运行参数的数据所构成的异构数据的场景类别信息。
在209中，电子设备根据确定出的类别信息进行信息推送。
比如，在得到暴雨这一场景类别信息后，电子设备可以该暴雨场景类别信息对用户进行信息推送。例如，当电子设备检测到用户准备外出时，可以提醒用户备好雨具。或者，电子设备可以将暴雨停止的天气预报信息推送给用户。又或者，电子设备可以向用户推送一些适合在下雨天气收听的歌曲，等等。
在一种实施方式中，预设第一模型和预设第二模型可以采用多分类算法模型，如循环神经网络、卷积神经网络、深度神经网络等模型。或者，预设第一模型和预设第二模型可以采用多个支持向量机(Support Vector Machine，SVM)模型。
在一种实施方式中，在208确定由多个不同类型的参数的数值构成的异构数据的类别信息之后，还包括通过如下流程来进行信息推送：
电子设备根据第一分类信息和第二分类信息进行信息推送。
比如，电子设备可以同时获取第一分类信息和第二分类信息，然后根据这两种信息进行信息推送。例如，电子设备可以同时根据下雨天场景类别和暴雨场景类别来进行信息推送。例如，电子设备可以通过网络获取暴雨结束时间点以及下雨天持续的时长，并提醒用户在暴雨结束前不适宜外出，以及可以外出的时间点。
请参阅图5至图7，图5至图7为本申请实施例提供的数据分类方法的场景示意图。
比如，如图5所示，电子设备收集了环境光传感器、温度传感器、气压传感器、位置传感器的数值，以及用户行为习惯的数据、电子设备的运行参数的数据。
之后，电子设备可以获取上述数据，并按照预设第二策略将上述6种类型的参数划分为第一参数和第二参数。例如，根据预先设置的对应关系表，电子设备将环境光传感器、温度传感器、气压传感器、位置传感器以及用户行为习惯这5种参数确定为第一参数，将电子设备的运行参数确定为第二参数。其中，该对应关系表中具体记载了何种数据为第一参数，何种数据为第二参数。
接着，电子设备可以按照预设第一策略构建参数集合，其中，每一参数集合中的元素均属于第一参数，每一参数集合中的参数彼此之间存在预设关联。例如，电子设备构建了两个参数集合，分别为第一集合以及第二集合，其中，第一集合的元素包括环境光传感器、温度传感器、气压传感器、位置传感器的数据，第二集合的元素包括用户行为习惯的数据。
之后，电子设备可以对环境光传感器、温度传感器、气压传感器、位置传感器的数据进行数据融合处理，得到第一融合数据。另外，由于第二集合中只包含一个元素，因此第二集合的元素用户行为习惯的数据不需要进行数据融合处理。
例如，对于环境光传感器数据、温度传感器数据、气压传感器数据、位置传感器数据进行数据融合处理后得到的第一融合数据，其经过特征提取后得到第一特征数据。对于用户行为习惯的数据，其经过特征提取后得到第二特征数据。那么，电子设备可以将第一特征数据、第二特征数据和预设第一标签信息作为输入数据，输入值预设第一模型，从而得到预设第一模型输出的第一分类信息，例如输出的第一分类信息表示当前场景属于下雨天的场景类别。
比如，在得到第一分类信息后，电子设备可以将第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入值预设第二模型中，从而得到该预设第二模型输出的第二分类信息。
例如，下雨天这一场景类别又细分为小雨、大雨、暴雨这三个场景类别。电子设备根据本设备的运行参数、第一分类信息以及预设第二标签信息得到的第二分类信息为当前场景属于暴雨这一细分的场景类别。
在得到当前场景属于暴雨场景类别的信息后，电子设备可以据此进行信息推送。例如，电子设备从网络获取到暴雨可能导致电力出现中断(例如停电或限电)，那么电子设备可以获取其剩余电量，并检测该剩余电量是否低于预设电量阈值。例如，电子设备检测到其剩余电量低于预设电量阈值，那么电子设备可以提醒用户及时对电子设备进行充电，如图6所示。
在接收到这一提醒信息后，用户可以对电子设备进行充电，如图7所示。
本实施例中，电子设备可以通过预设第一模型来对收集到的数据进行第一次分类，该第一次分类可以是粗分类，再通过预设第二模型来对数据进行第二次分类，该第二次分类可以是细分类，从而实现对异构数据的精准分类。例如，电子设备通过预设第一模型先确定出当前场景属于下雨天的场景类别，再通过预设第二模型进一步确定当前场景属于暴雨的场景类别。
请参阅图8，图8为本申请实施例提供的数据分类装置的结构示意图。数据分类装置300可以包括：获取模块301，划分模块302，第一计算模块303，第二计算模块304，确定模块305。
获取模块301，用于获取多个不同类型的参数的数值、预设第一标签信息及预设第二标签信息，所述预设第一标签信息和预设第二标签信息包括样本数据及对应的类别信息；
划分模块302，用于将所述多个不同类型的参数划分为第一参数和第二参数；
第一计算模块303，用于将所述第一参数的数值以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息；
第二计算模块304，用于将所述第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入至预设第二模型，得到所述预设第二模型输出的第二分类信息；
确定模块305，用于根据所述第二分类信息，确定由所述多个不同类型的参数的数值构成的异构数据的类别信息。
在一种实施方式中，所述第一计算模块303可以用于：
对所述第一参数的数值进行特征提取，得到对应的特征数据；
将所述特征数据以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息。
在一种实施方式中，所述第一参数包括多个参数，所述第一计算模块303可以用于：
按照预设第一策略，构建参数集合，其中，每一所述参数集合中的元素均属于第一参数，每一所述参数集合中的参数彼此之间存在预设关联；
对于每一所述参数集合，对参数集合内的参数的数值进行数据融合处理，得到与每一参数集合对应的融合数据；
对每一所述融合数据进行特征提取，得到对应的特征数据。
在一种实施方式中，所述划分模块302可以用于：
按照预设第二策略，将所述多个不同类型的参数划分为第一参数和第二参数。
在一种实施方式中，所述确定模块305还可以用于：
根据确定出的所述类别信息进行信息推送。
在一种实施方式中，所述确定模块305还可以用于：
根据所述第一分类信息和所述第二分类信息进行信息推送。
在一种实施方式中，所述预设第一模型和所述预设第二模型均为多分类算法模型。
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，当所述计算机程序在计算机上执行时，使得所述计算机执行如本实施例提供的数据分类方法中的流程。
本申请实施例还提供一种电子设备，包括存储器，处理器，所述处理器通过调用所述存储器中存储的计算机程序，用于执行本实施例提供的数据分类方法中的流程。
例如，上述电子设备可以是诸如平板电脑或者智能手机等移动终端。请参阅图9，图9为本申请实施例提供的电子设备的结构示意图。
该电子设备400可以包括传感器401、存储器402、处理器403等部件。本领域技术人员可以理解，图9中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
传感器401可以用于采集各种环境参数，如环境光亮度值、环境噪声值等。传感器401可以包括诸如环境光传感器、距离传感器、陀螺仪传感器、指纹传感器、温度传感器、气压传感器等。
存储器402可用于存储应用程序和数据。存储器402存储的应用程序中包含有可执行代码。应用程序可以组成各种功能模块。处理器403通过运行存储在存储器402的应用程序，从而执行各种功能应用以及数据处理。
处理器403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，通过运行或执行存储在存储器402内的应用程序，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，电子设备中的处理器403会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行代码加载到存储器402中，并由处理器403来运行存储在存储器402中的应用程序，从而执行：
获取多个不同类型的参数的数值、预设第一标签信息及预设第二标签信息，所述预设第一标签信息和预设第二标签信息包括样本数据及对应的类别信息；
将所述多个不同类型的参数划分为第一参数和第二参数；
将所述第一参数的数值以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息；
将所述第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入至预设第二模型，得到所述预设第二模型输出的第二分类信息；
根据所述第二分类信息，确定由所述多个不同类型的参数的数值构成的异构数据的类别信息。
请参阅图10，电子设备500可以包括传感器501、存储器502、处理器503、扬声器504、显示屏505、电池506等部件。
传感器501可以用于采集各种环境参数，如环境光亮度值、环境噪声值等。传感器501可以包括诸如环境光传感器、距离传感器、陀螺仪传感器、指纹传感器、温度传感器、气压传感器等。
存储器502可用于存储应用程序和数据。存储器502存储的应用程序中包含有可执行代码。应用程序可以组成各种功能模块。处理器503通过运行存储在存储器502的应用程序，从而执行各种功能应用以及数据处理。
处理器503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，通过运行或执行存储在存储器502内的应用程序，以及调用存储在存储器502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。
扬声器504可以用于播放声音等。
显示屏505可用于显示诸如图像、文字等信息。
电池506可用于为电子设备提供所需的电量。
在本实施例中，电子设备中的处理器503会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行代码加载到存储器502中，并由处理器503来运行存储在存储器502中的应用程序，从而执行：
获取多个不同类型的参数的数值、预设第一标签信息及预设第二标签信息，所述预设第一标签信息和预设第二标签信息包括样本数据及对应的类别信息；
将所述多个不同类型的参数划分为第一参数和第二参数；
将所述第一参数的数值以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息；
将所述第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入至预设第二模型，得到所述预设第二模型输出的第二分类信息；
根据所述第二分类信息，确定由所述多个不同类型的参数的数值构成的异构数据的类别信息。
在一种实施方式中，处理器503执行将所述第一参数的数值以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息时，可以执行：对所述第一参数的数值进行特征提取，得到对应的特征数据；将所述特征数据以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息。
在一种实施方式中，所述第一参数包括多个参数；处理器503执行对所述第一参数的数值进行特征提取，得到对应的特征数据时，可以执行：按照预设第一策略，构建参数集合，其中，每一所述参数集合中的元素均属于第一参数，每一所述参数集合中的参数彼此之间存在预设关联；对于每一所述参数集合，对参数集合内的参数的数值进行数据融合处理，得到与每一参数集合对应的融合数据；对每一所述融合数据进行特征提取，得到对应的特征数据。
在一种实施方式中，处理器503执行将所述多个不同类型的参数划分为第一参数和第二参数时，可以执行：按照预设第二策略，将所述多个不同类型的参数划分为第一参数和第二参数。
在一种实施方式中，在确定由所述多个不同类型的参数的数值构成的异构数据的类别信息之后，处理器503还可以执行：根据确定出的所述类别信息进行信息推送。
在一种实施方式中，在确定由所述多个不同类型的参数的数值构成的异构数据的类别信息之后，处理器503还可以执行：根据所述第一分类信息和所述第二分类信息进行信息推送。
在一种实施方式中，所述预设第一模型和所述预设第二模型均为多分类算法模型。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对数据分类方法的详细描述，此处不再赘述。
本申请实施例提供的所述数据分类装置与上文实施例中的数据分类方法属于同一构思，在所述数据分类装置上可以运行所述数据分类方法实施例中提供的任一方法，其具体实现过程详见所述数据分类方法实施例，此处不再赘述。
需要说明的是，对本申请实施例所述数据分类方法而言，本领域普通技术人员可以理解实现本申请实施例所述数据分类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，如存储在存储器中，并被至少一个处理器执行，在执行过程中可包括如所述数据分类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(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)等。
对本申请实施例的所述数据分类装置而言，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数据分类方法、装置、存储介质以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 (10)
1.一种数据分类方法，应用于电子设备，其特征在于，所述方法是对所述电子设备中的运行数据及传感器收集到的数据进行场景分类，包括：
获取多个不同类型的参数的数值、预设第一标签信息及预设第二标签信息，所述预设第一标签信息和预设第二标签信息包括样本数据及对应的类别信息；
将所述多个不同类型的参数划分为第一参数和第二参数；
将所述第一参数的数值以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息；
将所述第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入至预设第二模型，得到所述预设第二模型输出的第二分类信息；
根据所述第二分类信息，确定由所述多个不同类型的参数的数值构成的异构数据的类别信息。
2.根据权利要求1所述的数据分类方法，其特征在于，将所述第一参数的数值以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息，包括：
对所述第一参数的数值进行特征提取，得到对应的特征数据；
将所述特征数据以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息。
3.根据权利要求2所述的数据分类方法，其特征在于，所述第一参数包括多个参数；
对所述第一参数的数值进行特征提取，得到对应的特征数据，包括：
按照预设第一策略，构建参数集合，其中，每一所述参数集合中的元素均属于第一参数，每一所述参数集合中的参数彼此之间存在预设关联；
对于每一所述参数集合，对参数集合内的参数的数值进行数据融合处理，得到与每一参数集合对应的融合数据；
对每一所述融合数据进行特征提取，得到对应的特征数据。
4.根据权利要求1所述的数据分类方法，其特征在于，将所述多个不同类型的参数划分为第一参数和第二参数，包括：
按照预设第二策略，将所述多个不同类型的参数划分为第一参数和第二参数。
5.根据权利要求1所述的数据分类方法，其特征在于，在确定由所述多个不同类型的参数的数值构成的异构数据的类别信息之后，还包括：
根据确定出的所述类别信息进行信息推送。
6.根据权利要求1所述的数据分类方法，其特征在于，在确定由所述多个不同类型的参数的数值构成的异构数据的类别信息之后，还包括：
根据所述第一分类信息和所述第二分类信息进行信息推送。
7.一种数据分类装置，应用于电子设备，其特征在于，所述装置是对所述电子设备中的运行数据及传感器收集到的数据进行场景分类，包括：
获取模块，用于获取多个不同类型的参数的数值、预设第一标签信息及预设第二标签信息，所述预设第一标签信息和预设第二标签信息包括样本数据及对应的类别信息；
划分模块，用于将所述多个不同类型的参数划分为第一参数和第二参数；
第一计算模块，用于将所述第一参数的数值以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息；
第二计算模块，用于将所述第二参数的数值、第一分类信息以及预设第二标签信息作为输入数据，输入至预设第二模型，得到所述预设第二模型输出的第二分类信息；
确定模块，用于根据所述第二分类信息，确定由所述多个不同类型的参数的数值构成的异构数据的类别信息。
8.根据权利要求7所述的数据分类装置，其特征在于，所述第一计算模块，用于：
对所述第一参数的数值进行特征提取，得到对应的特征数据；
将所述特征数据以及所述预设第一标签信息作为输入数据，输入至预设第一模型，得到所述预设第一模型输出的第一分类信息。
9.一种存储介质，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执行时，使得所述计算机执行如权利要求1至6中任一项所述的方法。
10.一种电子设备，包括存储器，处理器，其特征在于，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282459.8A CN111797876B (zh) | 2019-04-09 | 2019-04-09 | 数据分类方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282459.8A CN111797876B (zh) | 2019-04-09 | 2019-04-09 | 数据分类方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111797876A CN111797876A (zh) | 2020-10-20 |
| CN111797876B true CN111797876B (zh) | 2024-06-04 |
Family
ID=72805317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910282459.8A Active CN111797876B (zh) | 2019-04-09 | 2019-04-09 | 数据分类方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797876B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6235082B1 (ja) * | 2016-07-13 | 2017-11-22 | ヤフー株式会社 | データ分類装置、データ分類方法、およびプログラム |
| CN107832305A (zh) * | 2017-11-28 | 2018-03-23 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN108875781A (zh) * | 2018-05-07 | 2018-11-23 | 腾讯科技（深圳）有限公司 | 一种标签分类方法、装置、电子设备及存储介质 |
| CN109145937A (zh) * | 2018-06-25 | 2019-01-04 | 北京达佳互联信息技术有限公司 | 一种模型训练的方法及装置 |
| CN109165666A (zh) * | 2018-07-05 | 2019-01-08 | 南京旷云科技有限公司 | 多标签图像分类方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10769191B2 (en) * | 2013-12-20 | 2020-09-08 | Google Llc | Classifying data objects |
-
2019
- 2019-04-09 CN CN201910282459.8A patent/CN111797876B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6235082B1 (ja) * | 2016-07-13 | 2017-11-22 | ヤフー株式会社 | データ分類装置、データ分類方法、およびプログラム |
| CN107832305A (zh) * | 2017-11-28 | 2018-03-23 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN108875781A (zh) * | 2018-05-07 | 2018-11-23 | 腾讯科技（深圳）有限公司 | 一种标签分类方法、装置、电子设备及存储介质 |
| CN109145937A (zh) * | 2018-06-25 | 2019-01-04 | 北京达佳互联信息技术有限公司 | 一种模型训练的方法及装置 |
| CN109165666A (zh) * | 2018-07-05 | 2019-01-08 | 南京旷云科技有限公司 | 多标签图像分类方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 一种融合全局及显著性区域特征的室内场景识别方法;牛杰 等，;机器人(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111797876A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797854B (zh) | 场景模型建立方法、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 | |
| CN111797302A (zh) | 模型处理方法、装置、存储介质及电子设备 | |
| CN111796979B (zh) | 数据采集策略的确定方法、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 | |
| CN111798019B (zh) | 意图预测方法、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 | |
| CN111797986A (zh) | 数据处理方法、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 | |
| CN111797860B (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN111797261A (zh) | 特征提取方法、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 | |
| CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
| CN111797290A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111797346B (zh) | 数据处理方法、装置、存储介质、电子设备及服务器 | |
| CN111797849B (zh) | 用户活动识别方法、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 | |
| CN111797075A (zh) | 数据回收方法、装置、存储介质及电子设备 | |
| CN111797863A (zh) | 模型训练方法、数据处理方法、装置、存储介质及设备 | |
| CN111797391A (zh) | 高风险进程的处理方法、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 | |
| CN111797875B (zh) | 场景建模方法、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 | |
| CN111796883B (zh) | 设备控制方法、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 |
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 |