CN111797879A - 模型训练方法、装置、存储介质及电子设备 - Google Patents
模型训练方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111797879A CN111797879A CN201910282470.4A CN201910282470A CN111797879A CN 111797879 A CN111797879 A CN 111797879A CN 201910282470 A CN201910282470 A CN 201910282470A CN 111797879 A CN111797879 A CN 111797879A
- Authority
- CN
- China
- Prior art keywords
- data
- perception
- perception data
- user
- sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- User Interface Of Digital Computer (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种模型训练方法、装置、存储介质及电子设备,所述模型训练方法包括:获取第一用户的第一感知数据以及第二用户的第二感知数据;获得所述第一感知数据与每一个所述第二感知数据之间的关联度;根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充;对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。所述模型训练方法中,由于从第二感知数据中确定出第三感知数据,并对第一感知数据和第三感知数据共同进行模型训练,得到第一用户的模型,从而对训练模型时的数据量进行了补充,使训练得到的模型与第一用户的匹配度更高。
Description
技术领域
本申请涉及电子技术领域,特别涉及一种模型训练方法、装置、存储介质及电子设备。
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数据模型来进行数据处理,从而为用户提供各种功能。例如,电子设备可以根据用户模型对用户的行为进行分析和判断,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训练方法、装置、存储介质及电子设备,可以提高模型与用户之间的匹配度。
本申请实施例提供一种模型训练方法,包括:
获取第一用户的第一感知数据以及第二用户的第二感知数据,其中所述第二感知数据为多个;
对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度;
根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充;
对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。
本申请实施例还提供一种模型训练装置,包括:
获取模块,用于获取第一用户的第一感知数据以及第二用户的第二感知数据,其中所述第二感知数据为多个;
学习模块,用于对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度;
确定模块,用于根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充;
训练模块,用于对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。
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,使得所述计算机执行上述模型训练方法。
本申请实施例还提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行上述模型训练方法。
本申请实施例提供的模型训练方法,包括:获取第一用户的第一感知数据以及第二用户的第二感知数据,其中所述第二感知数据为多个;对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度;根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充;对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。所述模型训练方法中,由于从第二感知数据中确定出第三感知数据,并对第一感知数据和第三感知数据共同进行模型训练,得到第一用户的模型,从而对训练模型时的数据量进行了补充,使训练得到的模型与第一用户的匹配度更高。
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模型训练方法的应用场景示意图。
图2为本申请实施例提供的模型训练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训练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训练方法的第三种流程示意图。
图5为本申请实施例提供的模型训练方法的第四种流程示意图。
图6为本申请实施例提供的模型训练方法的第五种流程示意图。
图7为本申请实施例提供的模型训练方法的第六种流程示意图。
图8为本申请实施例提供的模型训练方法的第七种流程示意图。
图9为本申请实施例提供的模型训练方法的第八种流程示意图。
图10为本申请实施例提供的模型训练方法的第九种流程示意图。
图11为本申请实施例提供的模型训练装置的结构示意图。
图12为本申请实施例提供的电子设备的第一种结构示意图。
图13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模型训练方法的应用场景示意图。所述模型训练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训练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。
本申请实施例提供一种模型训练方法,所述模型训练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,图2为本申请实施例提供的模型训练方法的第一种流程示意图。其中,所述模型训练方法包括以下步骤:
110,获取第一用户的第一感知数据以及第二用户的第二感知数据,其中所述第二感知数据为多个。
电子设备在训练用户的用户模型时,需要根据来自用户的数据进行模型训练。所述用户模型的类型不同时,也即所述用户模型的用途不同时,用于训练的数据也是不同的。
例如,当用户模型为用户所处环境的天气模型时,用于训练的数据可以包括一段时期内的天气数据。当用户模型为用户的行为特征模型时,用于训练的数据可以包括用户一段时期内的行为特征数据。
本申请实施例中,电子设备可以获取第一用户的第一感知数据。例如,电子设备可以通过所述全景感知架构中的信息感知层来采集所述第一感知数据。其中,所述第一用户即为所述电子设备的用户。所述第一感知数据可以为任意类型的数据。例如,所述第一感知数据可以为用户所处环境内一段时期内的天气数据,所述第一感知数据也可以为用户一段时期内的行为特征数据,等等。
可以理解的是,由于训练用户模型时,用于训练的数据量越大,得到的用户模型越能够真实的反映出用户所处的环境或者用户自身的特征。因此,在训练用户模型时,通常需要大量的数据进行模型训练。而电子设备获取到的第一感知数据的数据量可能不足以用于训练用户的用户模型,因此需要对所述第一感知数据的数据量进行补充。
本申请实施例中,电子设备还可以获取第二用户的第二感知数据。其中,所述第二用户为不同于所述第一用户的其他用户。例如,所述第二用户可以为与所述第一用户持有相同品牌电子设备的用户。所述第二用户可以为多个用户。每一个所述第二用户均对应着一个所述第二感知数据。因此,所述第二感知数据也为多个。也即,所述第二感知数据包括大量的数据。
所述第二感知数据可以包括与所述第一感知数据的数据类型相同的数据,也可以包括与所述第一感知数据的数据类型不同的数据。
其中,所述第二感知数据用于对所述第一感知数据的数据量进行补充。需要说明的是,由于第二感知数据包括大量不同的数据,因此所述第二感知数据中有的可以用于对所述第一感知数据进行补充,而有的无法用于对所述第一感知数据进行补充。从而,需要对所述第二感知数据进行筛选。
120,对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度。
电子设备获取到第一感知数据和第二感知数据后,对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度。所述关联度表示所述第二感知数据与所述第一感知数据之间的相似程度,也即第二感知数据对应的特征与所述第一感知数据对应的特征之间的相似程度。
例如,当第一感知数据包括天气数据时,所述关联度表示所述第二感知数据对应的第二用户所处环境的天气与所述第一用户所处环境的天气之间的相似程度。当第一感知数据包括用户的行为特征时,所述关联度表示所述第二感知数据对应的第二用户的行为特征与所述第一用户的行为特征之间的相似程度。
其中,关联度越大,表示第二感知数据与第一感知数据之间的相似程度越高,也即第二感知数据对应的特征与所述第一感知数据对应的特征之间的相似程度越高。关联度越小,表示第二感知数据与第一感知数据之间的相似程度越低,也即第二感知数据对应的特征与所述第一感知数据对应的特征之间的相似程度越低。
130,根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充。
电子设备得到第一感知数据与每一个第二感知数据之间的关联度后,可以根据所述关联度从所述第二感知数据中确定出第三感知数据。其中,所述第三感知数据为所述第二感知数据中与所述第一感知数据之间的关联度较大的数据。所述第三感知数据可以为多个。
其中,所述第三感知数据用于对所述第一感知数据的数据量进行补充,使得所述第一感知数据的数据量与所述第三感知数据的数据量之和能够满足训练用户模型的需求。
140,对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。
电子设备确定出第三感知数据后,即可对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。例如,电子设备可以基于神经网络的训练方法对所述第一感知数据和所述第三感知数据进行模型训练。再例如,电子设备还可以基于分类模型的训练方法对所述第一感知数据和所述第三感知数据进行模型训练。
其中,所述模型可以用于反映所述第一用户所处环境的环境特征,或者所述第一用户自身的特征,或者所述第一用户使用所述电子设备的特征,等等。
例如,所述模型可以用于反映所述第一用户所处环境的天气特征,可以用于反映所述第一用户的行为特征,还可以用于反映所述第一用户使用电子设备时的使用习惯特征,等等。
随后,电子设备即可根据所述第一用户的模型为所述第一用户提供个性化的服务。例如,电子设备可以根据所述模型为所述第一用户提供出行建议、提供健身建议、提供拍照服务等。
例如,在一些实施例中,电子设备可以通过信息感知层来获取第一用户的第一感知数据。并且,第二用户的电子设备通过所述第二用户的电子设备的信息感知层来获取所述第二用户的第二感知数据。随后,所述第一用户的电子设备可以通过网络获取所述第二用户的第二感知数据。例如,所述第二用户的电子设备可以将获取到的第二感知数据上传到服务器,所述第一用户的电子设备从所述服务器处获取所述第二感知数据。
电子设备获取到第一感知数据和第二感知数据后,可以通过数据处理层对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度,并根据所述关联度从所述第二感知数据中确定出第三感知数据。
随后,电子设备可以通过情景建模层对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。
得到所述第一用户的模型后,电子设备即可通过智能服务层为所述第一用户提供服务,例如为所述第一用户提供出行建议、提供健身建议、提供拍照服务等。
本申请实施例中,由于从第二感知数据中确定出第三感知数据,并对第一感知数据和第三感知数据共同进行模型训练,得到第一用户的模型,从而对训练模型时的数据量进行了补充,使训练得到的模型与第一用户的匹配度更高。
在一些实施例中,参考图3,图3为本申请实施例提供的模型训练方法的第二种流程示意图。
其中,步骤120、对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度,包括以下步骤:
121,利用协同学习方法对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度。
电子设备获取到第一感知数据和第二感知数据后,可以利用协同学习方法对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度。
其中,协同学习方法可以计算第一感知数据与每一个第二感知数据之间的关联度。例如,可以通过欧几里得距离计算方法来获得第一感知数据与每一个第二感知数据之间的关联度。
在一些实施例中,参考图4,图4为本申请实施例提供的模型训练方法的第三种流程示意图。
其中,步骤120、对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度,包括以下步骤:
122,对所述第一感知数据以及所述第二感知数据进行聚类分析,得到聚类结果;
123,将所述聚类结果中与所述第一感知数据处于同一聚类的每一个第二感知数据的关联度设置为第一数值;
124,将所述聚类结果中与所述第一感知数据处于不同聚类的每一个第二感知数据的关联度设置为第二数值,所述第二数值小于所述第一数值。
电子设备获取到第一感知数据和第二感知数据后,可以对所述第一感知数据以及所述第二感知数据进行聚类分析,得到聚类结果。从而,可以将所述第一感知数据和所述第二感知数据分类成多个聚类,每个聚类由相似或类似的感知数据组成。所述聚类结果可以包括多个聚类,每个聚类中包括相似度高的多个感知数据。
随后,电子设备可以根据所述聚类结果为每个第二感知数据设置关联度。例如,将所述聚类结果中与所述第一感知数据处于同一聚类的每一个第二感知数据的关联度设置为第一数值,将所述聚类结果中与所述第一感知数据处于不同聚类的每一个第二感知数据的关联度设置为第二数值。
其中,当第二感知数据与所述第一感知数据处于同一聚类时,说明所述第二感知数据与所述第一感知数据的关联度高。而当第二感知数据与所述第一感知数据处于不同聚类时,说明所述第二感知数据与所述第一感知数据的关联度低。因此,所述第二数值小于所述第一数值。例如,所述第一数值可以为1,所述第二数值可以为0。
在一些实施例中,参考图5,图5为本申请实施例提供的模型训练方法的第四种流程示意图。
其中,步骤130、根据所述关联度从所述第二感知数据中确定出第三感知数据,包括以下步骤:
131,依次判断每一个所述关联度是否大于预设关联度阈值;
132,若所述关联度大于所述预设关联度阈值,则将所述关联度对应的第二感知数据添加至第三感知数据中;
133,若所述关联度不大于所述预设关联度阈值,则丢弃所述关联度对应的第二感知数据。
其中,电子设备获得第一感知数据与每一个第二感知数据之间的关联度后,可以依次判断每一个所述关联度是否大于预设关联度阈值。所述预设关联度阈值可以为预先设置在电子设备中的一个数值。例如,所述预设关联度阈值可以为0.8。
若所述关联度大于所述预设关联度阈值,说明所述关联度对应的第二感知数据与第一感知数据之间的关联度较大,也即所述第二感知数据与所述第一感知数据之间的相似度较高。此时,电子设备将所述关联度对应的第二感知数据添加至第三感知数据中。
可以理解的是,初始的第三感知数据可以为空,也即不包括任何数据。电子设备依次对每一个第二感知数据的关联度进行判断后,即可将关联度大于所述预设关联度阈值的第二感知数据添加至所述第三感知数据中。
若所述关联度不大于所述预设关联度阈值,说明所述关联度对应的第二感知数据与第一感知数据之间的关联度较小,也即所述第二感知数据与所述第一感知数据之间的相似度较低。此时,电子设备可以丢弃所述关联度对应的第二感知数据。其中,丢弃第二感知数据时,可以是将所述第二感知数据移动到其它的存储位置,而不必将所述第二感知数据添加至第三感知数据中。
在一些实施例中,参考图6,图6为本申请实施例提供的模型训练方法的第五种流程示意图。
其中,步骤132、将所述关联度对应的第二感知数据添加至第三感知数据中之后,还包括以下步骤:
134,判断所述第一感知数据的数据量与所述第三感知数据的数据量之和是否大于第一预设数据量;
140,若所述第一感知数据的数据量与所述第三感知数据的数据量之和大于所述第一预设数据量,则对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型;
135,若所述第一感知数据的数据量与所述第三感知数据的数据量之和不大于所述第一预设数据量,则根据预设调整幅度减小所述预设关联度阈值,并根据减小后的预设关联度阈值重新从所述第二感知数据中确定出第三感知数据。
电子设备判断完所有的第二感知数据的关联度,并将关联度大于预设关联度阈值的第二感知数据添加至第三感知数据之后,进一步判断所述第一感知数据的数据量与所述第三感知数据的数据量之和是否大于第一预设数据量。
其中,第一预设数据量可以为预先设置在电子设备上的一个数据量数值。例如,所述第一预设数据量可以为1000条。所述第一预设数据量表示电子设备训练第一用户的模型时需要使用到的感知数据的数据量。
若所述第一感知数据的数据量与所述第三感知数据的数据量之和大于所述第一预设数据量,说明所述第一感知数据的数据量与所述第三感知数据的数据量之和可以满足电子设备训练模型的需求。此时,电子设备可以对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。
若所述第一感知数据的数据量与所述第三感知数据的数据量之和不大于所述第一预设数据量,说明所述第一感知数据的数据量与所述第三感知数据的数据量之和不满足电子设备训练模型的需求。此时,电子设备根据预设调整幅度减小所述预设关联度阈值,并根据减小后的预设关联度阈值重新从所述第二感知数据中确定出第三感知数据。
其中,所述预设调整幅度可以为预先设置在电子设备中的一个数值。例如,所述预设调整幅度可以为5%,则电子设备将所述预设关联度阈值减小5%。随后,电子设备根据减小后的预设关联度阈值重新确定出第三感知数据。
在一些实施例中,电子设备重新确定第三感知数据时,可以根据减小后的预设关联度阈值重新执行步骤131至步骤133,以从所述第二感知数据中重新确定出第三感知数据。
在一些实施例中,参考图7,图7为本申请实施例提供的模型训练方法的第六种流程示意图。
其中,步骤110、获取第一用户的第一感知数据以及第二用户的第二感知数据,包括以下步骤:
111,通过电子设备获取第一用户的第一感知数据;
112,通过网络服务器获取第二用户的第二感知数据。
其中,电子设备可以通过自身获取第一用户的第一感知数据。例如,电子设备可以通过全景感知架构中的信息感知层来采集第一用户的第一感知数据。此外,电子设备获取到第一用户的第一感知数据后,还可以将所述第一感知数据上传到网络服务器,以与其他用户共享数据。
第二用户可以通过所述第二用户的电子设备来采集所述第二用户的第二感知数据。随后,所述第二用户的电子设备可以将采集到的第二感知数据上传到网络服务器,以实现对所述第二感知数据的共享。此时,所述第一用户的电子设备即可通过网络服务器获取所述第二用户的第二感知数据。
可以理解的,由于存在大量的第二用户,因此电子设备可以通过网络服务器获取到大量的第二感知数据。从而,可以有效地实现对所述第一感知数据的补充。
在一些实施例中,参考图8,图8为本申请实施例提供的模型训练方法的第七种流程示意图。
其中,步骤112、通过网络服务器获取第二用户的第二感知数据之前,还包括以下步骤:
113,判断所述第一感知数据的数据量是否大于第二预设数据量;
112,若所述第一感知数据的数据量不大于所述第二预设数据量,则通过网络服务器获取第二用户的第二感知数据。
其中,电子设备中可以预先设置第二预设数据量。所述第二预设数据量可以为一个数据量数值。例如,所述第二预设数据量可以为800条。所述第二预设数据量表示电子设备训练第一用户的模型时需要使用到的感知数据的数据量。
需要说明的是,本实施例中的第二预设数据量与上述实施例中的第一预设数据量之间可以不限定大小关系。也即,所述第二预设数据量可以大于所述第一预设数据量,也可以等于所述第一预设数据量,也可以小于所述第一预设数据。
电子设备获取到第一用户的第一感知数据后,可以将所述第一感知数据的数据量与所述第二预设数据量进行比较,以判断所述第一感知数据的数据量是否大于所述第二预设数据量。
若所述第一感知数据的数据量大于所述第二预设数据量,说明所述第一感知数据的数据量可以满足电子设备训练模型的需求。此时,电子设备可以直接对所述第一感知数据进行模型训练,以得到第一用户的模型。
若所述第一感知数据的数据量不大于所述第二预设数据量,说明所述第一感知数据的数据量不满足电子设备训练模型的需求。从而,电子设备需要对所述第一感知数据的数据量进行补充。此时,电子设备通过网络服务器获取第二用户的第二感知数据,并继续进行后续处理。
在一些实施例中,参考图9,图9为本申请实施例提供的模型训练方法的第八种流程示意图。
其中,步骤140、对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型,包括以下步骤:
141,根据所述第三感知数据对所述第一感知数据进行更新,以得到更新后的第一感知数据;
142,对所述更新后的第一感知数据进行模型训练,以得到所述第一用户的模型。
电子设备确定出第三感知数据后,根据所述第三感知数据对所述第一感知数据进行更新,以得到更新后的第一感知数据。
例如,电子设备可以将所述第三感知数据添加至所述第一感知数据中,以对所述第一感知数据进行更新。第三感知数据添加至第一感知数据中得到的数据即为更新后的第一感知数据。
随后,电子设备对更新后的第一感知数据进行模型训练,以得到所述第一用户的模型。例如,电子设备可以基于神经网络的训练方法对更新后的第一感知数据进行模型训练,得到第一用户的模型。
在一些实施例中,参考图10,图10为本申请实施例提供的模型训练方法的第九种流程示意图。
其中,步骤141、根据所述第三感知数据对所述第一感知数据进行更新,以得到更新后的第一感知数据,包括以下步骤:
1411,获取所述第三感知数据对应的预设权重值;
1412,根据所述第三感知数据、所述预设权重值对所述第一感知数据进行更新,以得到更新后的第一感知数据。
电子设备中可以预先针对第三感知数据设置预设权重值。其中,所述预设权重值为所述第三感知数据相对于第一感知数据的比例。所述预设权重值可以为一个数值。例如,所述预设权重值可以为0.8。
电子设备确定出第三感知数据后,可以获取所述第三感知数据对应的预设权重值。随后,电子设备根据所述第三感知数据、所述预设权重值对所述第一感知数据进行更新,以得到更新后的第一感知数据。
例如,电子设备可以将所述第三感知数据乘以所述预设权重值,并将乘以权重值后的第三感知数据添加至第一感知数据中,得到更新后的第一感知数据。
由于电子设备根据预设权重值对第三感知数据进行了调整,因此得到的更新后的第一感知数据中,可以体现出第三感知数据与原始的第一感知数据之间的重要程度,使训练得到的模型与第一用户的匹配度更高。
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,本申请实施例提供的模型训练方法,包括:获取第一用户的第一感知数据以及第二用户的第二感知数据,其中所述第二感知数据为多个;对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度;根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充;对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。所述模型训练方法中,由于从第二感知数据中确定出第三感知数据,并对第一感知数据和第三感知数据共同进行模型训练,得到第一用户的模型,从而对训练模型时的数据量进行了补充,使训练得到的模型与第一用户的匹配度更高。
本申请实施例还提供一种模型训练装置,所述模型训练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11,图11为本申请实施例提供的模型训练装置的结构示意图。
其中,所述模型训练装置200包括:获取模块201、学习模块202、确定模块203、训练模块204。
获取模块201,用于获取第一用户的第一感知数据以及第二用户的第二感知数据,其中所述第二感知数据为多个。
电子设备在训练用户的用户模型时,需要根据来自用户的数据进行模型训练。所述用户模型的类型不同时,也即所述用户模型的用途不同时,用于训练的数据也是不同的。
例如,当用户模型为用户所处环境的天气模型时,用于训练的数据可以包括一段时期内的天气数据。当用户模型为用户的行为特征模型时,用于训练的数据可以包括用户一段时期内的行为特征数据。
本申请实施例中,获取模块201可以获取第一用户的第一感知数据。例如,获取模块201可以通过电子设备中的全景感知架构的信息感知层来采集所述第一感知数据。其中,所述第一用户即为所述电子设备的用户。所述第一感知数据可以为任意类型的数据。例如,所述第一感知数据可以为用户所处环境内一段时期内的天气数据,所述第一感知数据也可以为用户一段时期内的行为特征数据,等等。
可以理解的是,由于训练用户模型时,用于训练的数据量越大,得到的用户模型越能够真实的反映出用户所处的环境或者用户自身的特征。因此,在训练用户模型时,通常需要大量的数据进行模型训练。而获取模块201获取到的第一感知数据的数据量可能不足以用于训练用户的用户模型,因此需要对所述第一感知数据的数据量进行补充。
本申请实施例中,获取模块201还可以获取第二用户的第二感知数据。其中,所述第二用户为不同于所述第一用户的其他用户。例如,所述第二用户可以为与所述第一用户持有相同品牌电子设备的用户。所述第二用户可以为多个用户。每一个所述第二用户均对应着一个所述第二感知数据。因此,所述第二感知数据也为多个。也即,所述第二感知数据包括大量的数据。
所述第二感知数据可以包括与所述第一感知数据的数据类型相同的数据,也可以包括与所述第一感知数据的数据类型不同的数据。
其中,所述第二感知数据用于对所述第一感知数据的数据量进行补充。需要说明的是,由于第二感知数据包括大量不同的数据,因此所述第二感知数据中有的可以用于对所述第一感知数据进行补充,而有的无法用于对所述第一感知数据进行补充。从而,需要对所述第二感知数据进行筛选。
学习模块202,用于对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度。
获取模块201获取到第一感知数据和第二感知数据后,学习模块202对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度。所述关联度表示所述第二感知数据与所述第一感知数据之间的相似程度,也即第二感知数据对应的特征与所述第一感知数据对应的特征之间的相似程度。
例如,当第一感知数据包括天气数据时,所述关联度表示所述第二感知数据对应的第二用户所处环境的天气与所述第一用户所处环境的天气之间的相似程度。当第一感知数据包括用户的行为特征时,所述关联度表示所述第二感知数据对应的第二用户的行为特征与所述第一用户的行为特征之间的相似程度。
其中,关联度越大,表示第二感知数据与第一感知数据之间的相似程度越高,也即第二感知数据对应的特征与所述第一感知数据对应的特征之间的相似程度越高。关联度越小,表示第二感知数据与第一感知数据之间的相似程度越低,也即第二感知数据对应的特征与所述第一感知数据对应的特征之间的相似程度越低。
确定模块203,用于根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充。
学习模块202得到第一感知数据与每一个第二感知数据之间的关联度后,确定模块203可以根据所述关联度从所述第二感知数据中确定出第三感知数据。其中,所述第三感知数据为所述第二感知数据中与所述第一感知数据之间的关联度较大的数据。所述第三感知数据可以为多个。
其中,所述第三感知数据用于对所述第一感知数据的数据量进行补充,使得所述第一感知数据的数据量与所述第三感知数据的数据量之和能够满足训练用户模型的需求。
训练模块204,用于对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。
确定模块203确定出第三感知数据后,训练模块204即可对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。例如,训练模块204可以基于神经网络的训练方法对所述第一感知数据和所述第三感知数据进行模型训练。再例如,训练模块204还可以基于分类模型的训练方法对所述第一感知数据和所述第三感知数据进行模型训练。
其中,所述模型可以用于反映所述第一用户所处环境的环境特征,或者所述第一用户自身的特征,或者所述第一用户使用所述电子设备的特征,等等。
例如,所述模型可以用于反映所述第一用户所处环境的天气特征,可以用于反映所述第一用户的行为特征,还可以用于反映所述第一用户使用电子设备时的使用习惯特征,等等。
随后,电子设备即可根据所述第一用户的模型为所述第一用户提供个性化的服务。例如,电子设备可以根据所述模型为所述第一用户提供出行建议、提供健身建议、提供拍照服务等。
本申请实施例中,由于从第二感知数据中确定出第三感知数据,并对第一感知数据和第三感知数据共同进行模型训练,得到第一用户的模型,从而对训练模型时的数据量进行了补充,使训练得到的模型与第一用户的匹配度更高。
在一些实施例中,学习模块202用于执行以下步骤:
利用协同学习方法对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度。
获取模块201获取到第一感知数据和第二感知数据后,学习模块202可以利用协同学习方法对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度。
其中,协同学习方法可以计算第一感知数据与每一个第二感知数据之间的关联度。例如,学习模块202可以通过欧几里得距离计算方法来获得第一感知数据与每一个第二感知数据之间的关联度。
在一些实施例中,学习模块202用于执行以下步骤:
对所述第一感知数据以及所述第二感知数据进行聚类分析,得到聚类结果;
将所述聚类结果中与所述第一感知数据处于同一聚类的每一个第二感知数据的关联度设置为第一数值;
将所述聚类结果中与所述第一感知数据处于不同聚类的每一个第二感知数据的关联度设置为第二数值,所述第二数值小于所述第一数值。
获取模块201获取到第一感知数据和第二感知数据后,学习模块202可以对所述第一感知数据以及所述第二感知数据进行聚类分析,得到聚类结果。从而,可以将所述第一感知数据和所述第二感知数据分类成多个聚类,每个聚类由相似或类似的感知数据组成。所述聚类结果可以包括多个聚类,每个聚类中包括相似度高的多个感知数据。
随后,学习模块202可以根据所述聚类结果为每个第二感知数据设置关联度。例如,将所述聚类结果中与所述第一感知数据处于同一聚类的每一个第二感知数据的关联度设置为第一数值,将所述聚类结果中与所述第一感知数据处于不同聚类的每一个第二感知数据的关联度设置为第二数值。
其中,当第二感知数据与所述第一感知数据处于同一聚类时,说明所述第二感知数据与所述第一感知数据的关联度高。而当第二感知数据与所述第一感知数据处于不同聚类时,说明所述第二感知数据与所述第一感知数据的关联度低。因此,所述第二数值小于所述第一数值。例如,所述第一数值可以为1,所述第二数值可以为0。
在一些实施例中,确定模块203用于执行以下步骤:
依次判断每一个所述关联度是否大于预设关联度阈值;
若所述关联度大于所述预设关联度阈值,则将所述关联度对应的第二感知数据添加至第三感知数据中;
若所述关联度不大于所述预设关联度阈值,则丢弃所述关联度对应的第二感知数据。
其中,学习模块202获得第一感知数据与每一个第二感知数据之间的关联度后,确定模块203可以依次判断每一个所述关联度是否大于预设关联度阈值。所述预设关联度阈值可以为预先设置在电子设备中的一个数值。例如,所述预设关联度阈值可以为0.8。
若所述关联度大于所述预设关联度阈值,说明所述关联度对应的第二感知数据与第一感知数据之间的关联度较大,也即所述第二感知数据与所述第一感知数据之间的相似度较高。此时,确定模块203将所述关联度对应的第二感知数据添加至第三感知数据中。
可以理解的是,初始的第三感知数据可以为空,也即不包括任何数据。确定模块203依次对每一个第二感知数据的关联度进行判断后,即可将关联度大于所述预设关联度阈值的第二感知数据添加至所述第三感知数据中。
若所述关联度不大于所述预设关联度阈值,说明所述关联度对应的第二感知数据与第一感知数据之间的关联度较小,也即所述第二感知数据与所述第一感知数据之间的相似度较低。此时,确定模块203可以丢弃所述关联度对应的第二感知数据。其中,丢弃第二感知数据时,可以是将所述第二感知数据移动到其它的存储位置,而不必将所述第二感知数据添加至第三感知数据中。
在一些实施例中,将所述关联度对应的第二感知数据添加至第三感知数据中之后,确定模块203还用于执行以下步骤:
判断所述第一感知数据的数据量与所述第三感知数据的数据量之和是否大于第一预设数据量;
若所述第一感知数据的数据量与所述第三感知数据的数据量之和大于所述第一预设数据量,则训练模块204对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型;
若所述第一感知数据的数据量与所述第三感知数据的数据量之和不大于所述第一预设数据量,则根据预设调整幅度减小所述预设关联度阈值,并根据减小后的预设关联度阈值重新从所述第二感知数据中确定出第三感知数据。
确定模块203判断完所有的第二感知数据的关联度,并将关联度大于预设关联度阈值的第二感知数据添加至第三感知数据之后,进一步判断所述第一感知数据的数据量与所述第三感知数据的数据量之和是否大于第一预设数据量。
其中,第一预设数据量可以为预先设置在电子设备上的一个数据量数值。例如,所述第一预设数据量可以为1000条。所述第一预设数据量表示电子设备训练第一用户的模型时需要使用到的感知数据的数据量。
若所述第一感知数据的数据量与所述第三感知数据的数据量之和大于所述第一预设数据量,说明所述第一感知数据的数据量与所述第三感知数据的数据量之和可以满足电子设备训练模型的需求。此时,训练模块204可以对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。
若所述第一感知数据的数据量与所述第三感知数据的数据量之和不大于所述第一预设数据量,说明所述第一感知数据的数据量与所述第三感知数据的数据量之和不满足电子设备训练模型的需求。此时,确定模块203根据预设调整幅度减小所述预设关联度阈值,并根据减小后的预设关联度阈值重新从所述第二感知数据中确定出第三感知数据。
其中,所述预设调整幅度可以为预先设置在电子设备中的一个数值。例如,所述预设调整幅度可以为5%,则确定模块203将所述预设关联度阈值减小5%。随后,确定模块203根据减小后的预设关联度阈值重新确定出第三感知数据。
在一些实施例中,获取模块201用于执行以下步骤:
通过电子设备获取第一用户的第一感知数据;
通过网络服务器获取第二用户的第二感知数据。
其中,获取模块201可以通过电子设备获取第一用户的第一感知数据。例如,获取模块201可以通过电子设备的全景感知架构中的信息感知层来采集第一用户的第一感知数据。此外,获取模块201获取到第一用户的第一感知数据后,还可以将所述第一感知数据上传到网络服务器,以与其他用户共享数据。
第二用户可以通过所述第二用户的电子设备来采集所述第二用户的第二感知数据。随后,所述第二用户的电子设备可以将采集到的第二感知数据上传到网络服务器,以实现对所述第二感知数据的共享。此时,所述获取模块201即可通过网络服务器获取所述第二用户的第二感知数据。
可以理解的,由于存在大量的第二用户,因此获取模块201可以通过网络服务器获取到大量的第二感知数据。从而,可以有效地实现对所述第一感知数据的补充。
在一些实施例中,通过网络服务器获取第二用户的第二感知数据之前,获取模块201还用于执行以下步骤:
判断所述第一感知数据的数据量是否大于第二预设数据量;
若所述第一感知数据的数据量不大于所述第二预设数据量,则通过网络服务器获取第二用户的第二感知数据。
其中,电子设备中可以预先设置第二预设数据量。所述第二预设数据量可以为一个数据量数值。例如,所述第二预设数据量可以为800条。所述第二预设数据量表示电子设备训练第一用户的模型时需要使用到的感知数据的数据量。
需要说明的是,本实施例中的第二预设数据量与上述实施例中的第一预设数据量之间可以不限定大小关系。也即,所述第二预设数据量可以大于所述第一预设数据量,也可以等于所述第一预设数据量,也可以小于所述第一预设数据。
获取模块201获取到第一用户的第一感知数据后,可以将所述第一感知数据的数据量与所述第二预设数据量进行比较,以判断所述第一感知数据的数据量是否大于所述第二预设数据量。
若所述第一感知数据的数据量大于所述第二预设数据量,说明所述第一感知数据的数据量可以满足电子设备训练模型的需求。此时,训练模块204可以直接对所述第一感知数据进行模型训练,以得到第一用户的模型。
若所述第一感知数据的数据量不大于所述第二预设数据量,说明所述第一感知数据的数据量不满足电子设备训练模型的需求。从而,需要对所述第一感知数据的数据量进行补充。此时,获取模块201通过网络服务器获取第二用户的第二感知数据,并继续进行后续处理。
在一些实施例中,训练模块204用于执行以下步骤:
根据所述第三感知数据对所述第一感知数据进行更新,以得到更新后的第一感知数据;
对所述更新后的第一感知数据进行模型训练,以得到所述第一用户的模型。
确定模块203确定出第三感知数据后,训练模块204根据所述第三感知数据对所述第一感知数据进行更新,以得到更新后的第一感知数据。
例如,训练模块204可以将所述第三感知数据添加至所述第一感知数据中,以对所述第一感知数据进行更新。第三感知数据添加至第一感知数据中得到的数据即为更新后的第一感知数据。
随后,训练模块204对更新后的第一感知数据进行模型训练,以得到所述第一用户的模型。例如,训练模块204可以基于神经网络的训练方法对更新后的第一感知数据进行模型训练,得到第一用户的模型。
在一些实施例中,根据所述第三感知数据对所述第一感知数据进行更新,以得到更新后的第一感知数据时,训练模块204用于执行以下步骤:
获取所述第三感知数据对应的预设权重值;
根据所述第三感知数据、所述预设权重值对所述第一感知数据进行更新,以得到更新后的第一感知数据。
电子设备中可以预先针对第三感知数据设置预设权重值。其中,所述预设权重值为所述第三感知数据相对于第一感知数据的比例。所述预设权重值可以为一个数值。例如,所述预设权重值可以为0.8。
确定模块203确定出第三感知数据后,训练模块204可以获取所述第三感知数据对应的预设权重值。随后,训练模块204根据所述第三感知数据、所述预设权重值对所述第一感知数据进行更新,以得到更新后的第一感知数据。
例如,训练模块204可以将所述第三感知数据乘以所述预设权重值,并将乘以权重值后的第三感知数据添加至第一感知数据中,得到更新后的第一感知数据。
由于训练模块204根据预设权重值对第三感知数据进行了调整,因此得到的更新后的第一感知数据中,可以体现出第三感知数据与原始的第一感知数据之间的重要程度,使训练得到的模型与第一用户的匹配度更高。
具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现。
由上可知,本申请实施例提供的模型训练装置200,包括:获取模块201,用于获取第一用户的第一感知数据以及第二用户的第二感知数据,其中所述第二感知数据为多个;学习模块202,用于对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度;确定模块203,用于根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充;训练模块204,用于对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。所述模型训练装置中,由于从第二感知数据中确定出第三感知数据,并对第一感知数据和第三感知数据共同进行模型训练,得到第一用户的模型,从而对训练模型时的数据量进行了补充,使训练得到的模型与第一用户的匹配度更高。
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12,图12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。所述处理器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:
获取第一用户的第一感知数据以及第二用户的第二感知数据,其中所述第二感知数据为多个;
对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度;
根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充;
对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。
在一些实施例中,对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度时,处理器301执行以下步骤:
利用协同学习方法对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度。
在一些实施例中,对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度时,处理器301执行以下步骤:
对所述第一感知数据以及所述第二感知数据进行聚类分析,得到聚类结果;
将所述聚类结果中与所述第一感知数据处于同一聚类的每一个第二感知数据的关联度设置为第一数值;
将所述聚类结果中与所述第一感知数据处于不同聚类的每一个第二感知数据的关联度设置为第二数值,所述第二数值小于所述第一数值。
在一些实施例中,根据所述关联度从所述第二感知数据中确定出第三感知数据时,处理器301执行以下步骤:
依次判断每一个所述关联度是否大于预设关联度阈值;
若所述关联度大于所述预设关联度阈值,则将所述关联度对应的第二感知数据添加至第三感知数据中;
若所述关联度不大于所述预设关联度阈值,则丢弃所述关联度对应的第二感知数据。
在一些实施例中,将所述关联度对应的第二感知数据添加至第三感知数据中之后,处理器301还执行以下步骤:
判断所述第一感知数据的数据量与所述第三感知数据的数据量之和是否大于第一预设数据量;
若所述第一感知数据的数据量与所述第三感知数据的数据量之和大于所述第一预设数据量,则对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型;
若所述第一感知数据的数据量与所述第三感知数据的数据量之和不大于所述第一预设数据量,则根据预设调整幅度减小所述预设关联度阈值,并根据减小后的预设关联度阈值重新从所述第二感知数据中确定出第三感知数据。
在一些实施例中,获取第一用户的第一感知数据以及第二用户的第二感知数据时,处理器301执行以下步骤:
通过电子设备获取第一用户的第一感知数据;
通过网络服务器获取第二用户的第二感知数据。
在一些实施例中,通过网络服务器获取第二用户的第二感知数据之前,处理器301还执行以下步骤:
判断所述第一感知数据的数据量是否大于第二预设数据量;
若所述第一感知数据的数据量不大于所述第二预设数据量,则通过网络服务器获取第二用户的第二感知数据。
在一些实施例中,对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型时,处理器301执行以下步骤:
根据所述第三感知数据对所述第一感知数据进行更新,以得到更新后的第一感知数据;
对所述更新后的第一感知数据进行模型训练,以得到所述第一用户的模型。
在一些实施例中,根据所述第三感知数据对所述第一感知数据进行更新,以得到更新后的第一感知数据时,处理器301执行以下步骤:
获取所述第三感知数据对应的预设权重值;
根据所述第三感知数据、所述预设权重值对所述第一感知数据进行更新,以得到更新后的第一感知数据。
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13,图13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13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:获取第一用户的第一感知数据以及第二用户的第二感知数据,其中所述第二感知数据为多个;对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度;根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充;对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。所述电子设备中,由于从第二感知数据中确定出第三感知数据,并对第一感知数据和第三感知数据共同进行模型训练,得到第一用户的模型,从而对训练模型时的数据量进行了补充,使训练得到的模型与第一用户的匹配度更高。
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训练方法。
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训练方法、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)
1.一种模型训练方法,其特征在于,包括:
获取第一用户的第一感知数据以及第二用户的第二感知数据,其中所述第二感知数据为多个;
对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度;
根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充;
对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。
2.根据权利要求1所述的模型训练方法,其特征在于,所述对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度,包括:
利用协同学习方法对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度。
3.根据权利要求1所述的模型训练方法,其特征在于,所述对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度,包括:
对所述第一感知数据以及所述第二感知数据进行聚类分析,得到聚类结果;
将所述聚类结果中与所述第一感知数据处于同一聚类的每一个第二感知数据的关联度设置为第一数值;
将所述聚类结果中与所述第一感知数据处于不同聚类的每一个第二感知数据的关联度设置为第二数值,所述第二数值小于所述第一数值。
4.根据权利要求1所述的模型训练方法,其特征在于,所述根据所述关联度从所述第二感知数据中确定出第三感知数据的步骤包括:
依次判断每一个所述关联度是否大于预设关联度阈值;
若所述关联度大于所述预设关联度阈值,则将所述关联度对应的第二感知数据添加至第三感知数据中;
若所述关联度不大于所述预设关联度阈值,则丢弃所述关联度对应的第二感知数据。
5.根据权利要求4所述的模型训练方法,其特征在于,所述将所述关联度对应的第二感知数据添加至第三感知数据中的步骤后,还包括:
判断所述第一感知数据的数据量与所述第三感知数据的数据量之和是否大于第一预设数据量;
若所述第一感知数据的数据量与所述第三感知数据的数据量之和大于所述第一预设数据量,则对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型;
若所述第一感知数据的数据量与所述第三感知数据的数据量之和不大于所述第一预设数据量,则根据预设调整幅度减小所述预设关联度阈值,并根据减小后的预设关联度阈值重新从所述第二感知数据中确定出第三感知数据。
6.根据权利要求1所述的模型训练方法,其特征在于,所述获取第一用户的第一感知数据以及第二用户的第二感知数据的步骤包括:
通过电子设备获取第一用户的第一感知数据;
通过网络服务器获取第二用户的第二感知数据。
7.根据权利要求6所述的模型训练方法,其特征在于,所述通过网络服务器获取第二用户的第二感知数据的步骤前,还包括:
判断所述第一感知数据的数据量是否大于第二预设数据量;
若所述第一感知数据的数据量不大于所述第二预设数据量,则通过网络服务器获取第二用户的第二感知数据。
8.根据权利要求1所述的模型训练方法,其特征在于,所述对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型,包括:
根据所述第三感知数据对所述第一感知数据进行更新,以得到更新后的第一感知数据;
对所述更新后的第一感知数据进行模型训练,以得到所述第一用户的模型。
9.根据权利要求8所述的模型训练方法,其特征在于,所述根据所述第三感知数据对所述第一感知数据进行更新,以得到更新后的第一感知数据,包括:
获取所述第三感知数据对应的预设权重值;
根据所述第三感知数据、所述预设权重值对所述第一感知数据进行更新,以得到更新后的第一感知数据。
10.一种模型训练装置,其特征在于,包括:
获取模块,用于获取第一用户的第一感知数据以及第二用户的第二感知数据,其中所述第二感知数据为多个;
学习模块,用于对所述第一感知数据以及所述第二感知数据进行学习,以获得所述第一感知数据与每一个所述第二感知数据之间的关联度;
确定模块,用于根据所述关联度从所述第二感知数据中确定出第三感知数据,其中所述第三感知数据用于对所述第一感知数据的数据量进行补充;
训练模块,用于对所述第一感知数据以及所述第三感知数据进行模型训练,以得到所述第一用户的模型。
11.一种存储介质,其特征在于,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,使得所述计算机执行权利要求1至9任一项所述的模型训练方法。
12.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行权利要求1至9任一项所述的模型训练方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282470.4A CN111797879A (zh) | 2019-04-09 | 2019-04-09 | 模型训练方法、装置、存储介质及电子设备 |
PCT/CN2020/082292 WO2020207290A1 (zh) | 2019-04-09 | 2020-03-31 | 模型训练方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282470.4A CN111797879A (zh) | 2019-04-09 | 2019-04-09 | 模型训练方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797879A true CN111797879A (zh) | 2020-10-20 |
Family
ID=72750981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282470.4A Pending CN111797879A (zh) | 2019-04-09 | 2019-04-09 | 模型训练方法、装置、存储介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111797879A (zh) |
WO (1) | WO2020207290A1 (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103877A (zh) * | 2009-12-22 | 2011-06-22 | 索尼公司 | 用于编辑图像/视频数据的图像/视频数据编辑设备和方法 |
CN103890812A (zh) * | 2011-08-30 | 2014-06-25 | 诺基亚公司 | 基于情景感知组建模提供推荐的方法和装置 |
CN105095219A (zh) * | 2014-04-23 | 2015-11-25 | 华为技术有限公司 | 微博推荐方法和终端 |
US20170091320A1 (en) * | 2015-09-01 | 2017-03-30 | Panjiva, Inc. | Natural language processing for entity resolution |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462308A (zh) * | 2014-11-27 | 2015-03-25 | 广东小天才科技有限公司 | 社交网络好友推荐的方法及系统 |
US9619753B2 (en) * | 2014-12-30 | 2017-04-11 | Winbond Electronics Corp. | Data analysis system and method |
CN109408708A (zh) * | 2018-09-25 | 2019-03-01 | 平安科技(深圳)有限公司 | 用户推荐的方法、装置、计算机设备和存储介质 |
-
2019
- 2019-04-09 CN CN201910282470.4A patent/CN111797879A/zh active Pending
-
2020
- 2020-03-31 WO PCT/CN2020/082292 patent/WO2020207290A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103877A (zh) * | 2009-12-22 | 2011-06-22 | 索尼公司 | 用于编辑图像/视频数据的图像/视频数据编辑设备和方法 |
CN103890812A (zh) * | 2011-08-30 | 2014-06-25 | 诺基亚公司 | 基于情景感知组建模提供推荐的方法和装置 |
CN105095219A (zh) * | 2014-04-23 | 2015-11-25 | 华为技术有限公司 | 微博推荐方法和终端 |
US20170091320A1 (en) * | 2015-09-01 | 2017-03-30 | Panjiva, Inc. | Natural language processing for entity resolution |
Also Published As
Publication number | Publication date |
---|---|
WO2020207290A1 (zh) | 2020-10-15 |
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 | |
CN111798259A (zh) | 应用推荐方法、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 | |
CN111796925A (zh) | 算法模型的筛选方法、装置、存储介质和电子设备 | |
CN111797851A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
CN111797873A (zh) | 场景识别方法、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 | |
CN111798019B (zh) | 意图预测方法、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 | |
CN111797867A (zh) | 系统资源优化方法、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 | |
CN111797289A (zh) | 模型处理方法、装置、存储介质和电子设备 | |
CN111797849A (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
CN111797986A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111797869A (zh) | 模型训练方法、装置、存储介质及电子设备 | |
WO2020207294A1 (zh) | 服务处理方法、装置、存储介质及电子设备 | |
CN111797656B (zh) | 人脸关键点检测方法、装置、存储介质及电子设备 | |
WO2020207297A1 (zh) | 信息处理方法、存储介质及电子设备 | |
CN111797879A (zh) | 模型训练方法、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 | |
CN111796871A (zh) | 服务唤醒方法、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 | |
CN111797290A (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 |