CN111800538B - 信息处理方法、装置、存储介质及终端 - Google Patents
信息处理方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN111800538B CN111800538B CN201910282137.3A CN201910282137A CN111800538B CN 111800538 B CN111800538 B CN 111800538B CN 201910282137 A CN201910282137 A CN 201910282137A CN 111800538 B CN111800538 B CN 111800538B
- Authority
- CN
- China
- Prior art keywords
- parameters
- user behavior
- terminal
- behavior habit
- information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/214—Database migration support
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/563—Data redirection of data network streams
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Telephone Function (AREA)
Abstract
本申请实施例提供一种信息处理方法、装置、存储介质及终端。信息处理方法包括:与目标终端建立通信连接;获取所述目标终端的目标用户行为习惯参数的格式;对用户行为习惯信息进行训练得到用户行为习惯模型;根据所述用户行为习惯模型获取用户行为习惯参数,所述用户行为习惯参数的格式与所述目标用户行为习惯参数的格式相同;将所述用户行为习惯参数迁移至所述目标终端。本申请实施例可以将用户行为习惯参数迁移至目标终端,可以节省迁移信息的信息量。
Description
技术领域
本申请涉及电子技术领域,尤其涉及一种信息处理方法、装置、存储介质及终端。
背景技术
随着电子技术的发展,诸如智能手机等终端的智能化程度越来越高。终端和终端之间可以进行信息迁移,便于用户获取所需的信息。
发明内容
本申请实施例提供一种信息处理方法、装置、存储介质及终端,可以节省迁移信息的信息量。
第一方面,本申请实施例提供一种信息处理方法,其包括:
与目标终端建立通信连接;
获取所述目标终端的目标用户行为习惯参数的格式;
对用户行为习惯信息进行训练得到用户行为习惯模型;
根据所述用户行为习惯模型获取用户行为习惯参数,所述用户行为习惯参数的格式与所述目标用户行为习惯参数的格式相同;
将所述用户行为习惯参数迁移至所述目标终端。
第二方面,本申请实施例还提供一种信息处理方法,其包括:
原始终端和目标终端建立通信连接;
所述原始终端选择待迁移信息,所述待迁移信息包括用户行为习惯信息;
所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合,所述参数集合与所述第二终端的型号相匹配;
所述原始终端将所述参数集合迁移至所述目标终端。
第三方面,本申请实施例提供一种信息处理装置,其包括:
通信连接模块,用于与目标终端建立通信连接;
第一获取模块,用于获取所述目标终端的目标用户行为习惯参数的格式;
模型训练模块,用于对用户行为习惯信息进行训练得到用户行为习惯模型;
第二获取模块,用于根据所述用户行为习惯模型获取用户行为习惯参数,所述用户行为习惯参数的格式与所述目标用户行为习惯参数的格式相同;
信息迁移模块,用于将所述用户行为习惯参数迁移至所述目标终端。
第四方面,本申请实施例提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序由处理器加载时实现如上所述方法。
第五方面,本申请实施例提供一种终端,其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执行以实现如上所述方法。
第六方面,本申请实施例提供还一种终端,其包括:
通信连接单元,用于所述原始终端和目标终端建立通信连接;
信息选择单元,用于所述原始终端选择待迁移信息,所述待迁移信息包括用户行为习惯信息;
信息处理单元,用于所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合,所述参数集合与所述第二终端的型号相匹配;
信息迁移单元,用于所述原始终端将所述参数集合迁移至所述目标终端。
本申请实施例可以将用户行为习惯参数迁移至目标终端,可以节省迁移信息的信息量。
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。
为了更完整地理解本申请及其有益效果,下面将结合附图来进行以下说明,其中在下面的描述中相同的附图标号表示相同部分。
图1为本申请实施例提供的全景感知框架的示意图。
图2为本申请实施例提供的信息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信息处理方法的第二种流程示意图。
图4为本申请实施例信息处理方法的场景示意图。
图5为本申请实施例信息处理方法的另一场景示意图。
图6为本申请实施例提供的信息处理装置的结构示意图。
图7为本申请实施例提供的终端的第一种结构示意图。
图8为本申请实施例提供的终端的第二种结构示意图。
图9为本申请实施例提供的终端的第三种结构示意图。
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框架的示意图。该全景感知架构可设置于终端。终端可为计算设备诸如膝上型计算机、包含嵌入式计算机的计算机监视器、平板电脑、蜂窝电话、媒体播放器、或其他手持式或便携式设备、较小的设备(诸如腕表设备、挂式设备、耳机或听筒设备、被嵌入在眼镜中的设备或者佩戴在用户的头部上的其他设备,或其他可佩戴式或微型设备)、电视机、不包含嵌入式计算机的计算机显示器、游戏设备、导航设备、嵌入式系统(诸如其中具有显示器的设备被安装在信息亭或汽车中的系统)、实现这些设备中的两个或更多个设备的功能的设备、或其他终端设备。在一些配置中,终端可以是便携式设备,诸如蜂窝电话、媒体播放器、平板电脑、或者其他便携式计算设备。如果需要,其他配置可用于终端。
其中,该全景感知架构可为终端中用于实现各种功能的硬件和软件的集成。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终端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终端与外部物体之间的距离。磁场传感器可以用于检测终端所处环境的磁场信息。光线传感器可以用于检测终端所处环境的光线信息。加速度传感器可以用于检测终端的加速度数据。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,可以用于实现终端的自动控制。位置传感器可以用于检测终端当前所处的地理位置。陀螺仪可以用于检测终端在各个方向上的角速度。惯性传感器可以用于检测终端的运动数据。姿态感应器可以用于感应终端的姿态信息。气压计可以用于检测终端所处环境的气压。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终端自身的状态或者用户的状态或者终端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终端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,可以为终端进行系统智能优化,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信息处理方法,其包括:与目标终端建立通信连接;获取所述目标终端的目标用户行为习惯参数的格式;对用户行为习惯信息进行训练得到用户行为习惯模型;根据所述用户行为习惯模型获取用户行为习惯参数,所述用户行为习惯参数的格式与所述目标用户行为习惯参数的格式相同;将所述用户行为习惯参数迁移至所述目标终端。
参考图2,图2为本申请实施例提供的信息处理方法的第一种流程示意图。所述信息处理方法包括以下步骤:
101,与目标终端建立通信连接。
其中,目标终端可以为一个,比如目标终端为一智能手机,下面以目标终端为一智能手机为例进行说明。需要说明的是,目标终端也可以为多个,比如目标终端为两个智能手机。该目标终端可以与其他终端设备建立通信连接和数据存储。
在一些实施例中,可以将一原始终端与目标终端建立通信连接。该原始终端可以为一智能手机。可以是原始终端与目标终端建立通信连接,也可以是目标终端与原始终端建立通信连接。需要说明的是,本申请实施例以原始终端为旧智能手机,目标终端为新智能手机为例进行说明,旧智能手机与新智能手机进行换机为实际应用场景。
在一些实施例中,原始终端和目标终端的厂商可以相同。需要说明的是,当原始终端和目标终端的厂商相同时,其内部机制、各种算法模型等大致相同。当然,原始终端和目标终端的厂商不同也是可以的。
在一些实施例中,原始终端和目标终端的型号可以相同,也可以不同。
可选的,原始终端和目标终端的通信连接可以是无线连接,诸如通过WiFi热点连接。需要说明的是,原始终端和目标终端的通信连接方式并不限于此,诸如原始终端和目标终端的通信连接可以是蓝牙、蜂窝移动数据以及其他无线连接方式。用户可以根据实际情况选择更优的通信连接方式。
其中,原始终端中可存储有多种信息。诸如原始终端存储有系统信息、文本信息、图片信息、应用程序信息、用户行为习惯信息等。其中,用户行为习惯信息诸如用户使用该原始终端的兴趣偏好、使用习惯、出行习惯、应用程序偏好等。举例来说,用户行为习惯信息包括用户对图片分类的信息、用户对文件夹命名和分类的信息、用户对应用程序设置的信息、用户作息时间信息等。
可以理解的是,通常将旧智能手机的信息迁移到新智能手机是文本类信息或图片类信息。其对旧智能手机中信息的迁移有限,并不能够满足用户需求。
102,获取所述目标终端的目标用户行为习惯参数的格式。
在一些实施例中,原始终端与目标终端建立通信连接后,原始终端可以从目标终端获取到目标终端的目标用户行为习惯参数的格式。需要说明的是,原始终端也可以将目标终端的目标用户行为习惯参数的格式预先存储在原始终端中。
其中,目标终端具有各种算法模型。诸如目标终端具有深度神经网络模型。该深度神经网络模型的网络结构可包括一输入层、至少一个隐层和一输出层。输入层中的参数与隐层的参数相互映射,隐层中的参数与输出层中的参数相互映射。即输入层中的神经元与隐层中的神经元相互映射,隐层中的神经元与所述输出层中的神经元相互映射。
需要说明的是,输入层的参数与隐层的参数相互映射具有第一映射关系。隐层的参数与输出层的参数相互映射具有第二映射关系。还需要说明的是,输入层的参数可以具有第一权重,隐层的参数可以具有第二权重,输出层的参数可以具有第三权重。
该目标用户行为习惯参数可以包括输入层的参数、隐层的参数及输出层的参数。可以理解的是,该目标用户行为习惯参数可以包括第一映射关系和第二映射关系。还可以理解的是,该目标用户行为习惯参数还可以包括第一权重、第二权重和第三权重。
其中,该用户行为习惯参数的格式可以为该用户行为习惯参数所对应的算法模型,诸如该用户行为习惯参数的格式可以为深度神经网络模型。该深度神经网络模型的的网络结构可包括一输入层、至少一个隐层和一输出层。
103,对用户行为习惯信息进行训练得到用户行为习惯模型。
其中,用户行为习惯信息可以为原始终端所存储的信息。可以理解的是,原始终端经过用户长期使用,其会存储大量信息,诸如该原始终端存储有大量的用户行为习惯信息。如果直接将大量的用户行为习惯信息直接迁移到目标终端中则会占用较多的资源。
为此,本申请实施例可以将用户行为习惯信息通过训练得到用户行为习惯模型。诸如对用户行为习惯信息进行特征提取,以得到特征向量。可以理解的是,不同类型的用户行为习惯信息在进行特征提取后可以得到不同维度的特征向量。其不仅可以简化信息量,而且得到不同维度的特征向量能够更好地体现用户的行为习惯。此外,对大量的用户行为习惯信息进行特征提取以得到特征向量更加便于模型的训练与学习。
其中,特征向量可通过深层次信息学习模型提取。诸如应用程序的使用数据可以采用统计的方式进行特征提取。其中应用程序的使用数据诸如使用的频率、常用的时间段等。诸如文本类信息可采用词向量模型对文本类信息进行特征提取。诸如图像类数据可以采用深度学习模型进行特征提取。从而可以实现对用户行为习惯信息的抽象和提取。
其中,原始终端中可具有各种算法模型,诸如用户行为习惯模型。该用户行为习惯模型可以为深度神经网络模型。可以通过训练得到该深度神经网络模型。在一些实施例中,可以将提取到的特征向量输入到深度神经网络模型,以得到输出结果。其中,深度神经网络模型中间存在若干个层。具体请参阅以上网络结构内容,即该原始终端中神经网络模型的网络结构包括一输入层、至少一个隐层和一输出层。输入层中的参数与隐层的参数相互映射,隐层中的参数与输出层中的参数相互映射。即输入层中的神经元与隐层中的神经元相互映射,隐层中的神经元与所述输出层中的神经元相互映射。
需要说明的是,输入层的参数与隐层的参数相互映射具有第一映射关系。隐层的参数与输出层的参数相互映射具有第二映射关系。
可以理解的是,该原始终端中深度神经网络模型的隐层可以为一层也可以为多层。在此以隐层为一层进行举例说明。
104,根据所述用户行为习惯模型获取用户行为习惯参数,所述用户行为习惯参数的格式与所述目标用户行为习惯参数的格式相同。
原始终端可以根据其用户行为习惯模型获取用户行为习惯参数。举例来说,原始终端可根据深度神经网络模型获取输入层的参数、隐层的参数及输出层的参数中一层或多层的参数。可以理解的是,多层包括两层以及更多层。
原始终端可根据深度神经网络模型获取输入层的参数、隐层的参数及输出层的参数中其中一层的参数。原始终端可将其获取到的参数进行保存,原始终端可直接将其获取到的参数保存的本地文件中,原始终端也可以将其获取到的参数发送至对应的服务器进行保存。
原始终端还可根据深度神经网络模型获取输入层的参数、隐层的参数及输出层的参数中其中两层的参数。比如原始终端根据深度神经网络模型获取输入层的参数和隐层的参数。可以理解的是,输入层的参数和隐层的参数相互映射具有第一映射关系,则原始终端还获取输入层的参数和隐层的参数映射的第一映射关系。再比如:比如原始终端根据深度神经网络模型获取隐层的参数及输出层的参数。可以理解的是,隐层的参数及输出层的参数相互映射具有第二映射关系,则原始终端还获取隐层的参数及输出层的参数映射的第二映射关系。
原始终端也可根据深度神经网络模型获取输入层的参数、隐层的参数及输出层的参数。可以理解的是,输入层的参数和隐藏的参数相互映射具有第一映射关系,隐藏的参数及输出层的参数相互映射具有第二映射关系,则原始终端还获取输入层的参数和隐藏的参数映射的第一映射关系以及隐藏的参数及输出层的参数映射的第二映射关系。
原始终端还可以根据深度神经网络模型获取各层对应的权重,诸如第一权重、第二权重及第三权重。
其中,用户行为习惯参数的格式与目标用户行为习惯参数的格式相同。诸如用户行为习惯参数可以为深度神经网络模型的网络结构各层的参数。可以理解的是,原始终端中具有深度神经网络模型,目标终端中也具备深度神经网络模型,则原始终端中深度神经网络模型的网络结构与目标终端中深度神经网络模型的网络结构相同或相类似。或者说原始终端根据深度神经网络模型获取到的参数可以应用到目标终端的深度神经网络模型中。即用户行为习惯参数的格式与目标用户行为习惯参数的格式相同。
105,将所述用户行为习惯参数迁移至所述目标终端。
原始终端可将其获取到的用户行为习惯参数发送给目标终端。诸如原始终端将其获取到的输入层的参数、隐层的参数及输出层的参数中一层或多层的参数发送给目标终端。
可以理解的是,当原始终端获取到的参数为输入层的参数、隐层的参数及输出层的参数中其中两层或三层时,则原始终端获取相应层之间参数相互映射的映射关系。此时,原始终端可将获取的参数及相应的映射关系一起发送给目标终端。从而,本申请实施例可以实现原始终端中的用户行为习惯信息进行简化以迁移至目标终端。
需要说明的是,目标终端接收到原始终端所迁移的深度神经网络模型中网络结构各层的参数及映射关系后,目标终端可选择其中一层或多层数据。诸如目标终端选择原始终端中的隐层的参数和输出层的参数及其映射关系。即该目标终端去除原始终端中的输入层的参数。该目标终端可添加新的输入层,其可为目标终端的原始数据。需要说明的是,目标终端还可添加其他隐层,以形成多层隐层。
本申请实施例可通过原始终端直接将目标终端所需的参数迁移至目标终端。而本申请实施例也可以将多个参数一起迁移至目标终端,目标终端可将该多个参数进行筛选,以确定其所需的参数。
本申请实施例信息迁移的方式并不限于此。
请参阅图3,图3为本申请实施例提供的信息处理方法的第二种流程示意图。该信息处理方法包括以下步骤:
201,原始终端和目标终端建立通信连接。
其中,原始终端及目标终端可参阅以上内容,在此不再赘述。需要说明的是,本申请实施例以原始终端和目标终端为同一厂商为例进行说明。
202,所述原始终端选择待迁移信息,所述待迁移信息包括用户行为习惯信息。
可以理解的是,原始终端具有各种信息,诸如系统信息、文本类信息、图片信息、用户行为习惯信息等。原始终端可以从其各种信息中选择其中一部分作为迁移信息。诸如原始终端可旋转文本类信息和用户行为习惯信息作为迁移信息。
203,所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合,所述参数集合与所述第二终端的型号相匹配。
需要说明的是,203可包括如下步骤:
2031,所述原始终端获取所述目标终端的型号。
可以理解的是,终端的型号为终端的身份标识。原始终端可从目标终端获取目标终端的型号,原始终端也可以将目标终端的型号进行存储,以便获取。
同时,原始终端也可以获取其自身的型号。
2032,所述原始终端判断所述原始终端的型号与所述目标终端的型号是否相同。
原始终端可将其自身的型号与目标终端的型号比对,以判断原始终端的型号与目标终端的信号是否相同。若原始终端可将其自身的型号与目标终端的型号相同则可执行2033,若原始终端可将其自身的型号与目标终端的型号不相同则可执行2034。
2033,若所述原始终端的型号与所述目标终端的型号相同,所述原始终端将所述待迁移信息迁移至所述目标终端。
请参阅图4,图4为本申请实施例信息处理方法的场景示意图。如果原始终端10的型号与目标终端30的型号相同,则原始终端10的系统以及其内部配置与目标终端30相同。诸如原始终端10的算法模型与目标终端30的算法模型相同则无需对迁移信息处理,即原始终端10无需对用户行为习惯信息进行处理。原始终端10可直接将其迁移信息迁移至目标终端30,诸如原始终端10可将用户行为习惯信息发送至目标终端30。该用户行为习惯信息可直接适配到目标终端30中,以供目标终端30使用。
2034,若所述原始终端的型号与所述目标终端的型号不同,所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合。
请参阅图5,图5为本申请实施例信息处理方法的另一场景示意图。如果原始终端10的型号与目标终端30的型号不相同,则原始终端10的系统以及其内部配置与目标终端30可能不相同。从而需要基于目标终端30的型号将用户行为习惯信息进行调整以适配目标终端30。即所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合。
在一些实施例中,原始终端10可对所述用户行为习惯信息进行特征提取,以得到特征向量,并对所述特征向量进行训练以得到用户行为习惯模型,进而根据所述用户行为习惯模型获取与所述用户行为习惯信息相关联的参数集合。
可以理解的是,原始终端中可具有各种算法模型,诸如用户行为习惯模型。该用户行为习惯模型可以为深度神经网络模型。可以通过训练得到该深度神经网络模型。其中,原始终端10的深度神经网络模型及其网络结构可参阅以上内容,在此不再赘述。
示例性的,原始终端10可获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中一层、两层或三层的参数。
当原始终端10获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层时,则原始终端10还获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层参数映射的权重。
而当原始终端10获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数时,则原始终端10还获取所述输入层中的参数与所述隐层的参数映射的权重以及所述隐层的参数与所述输出层的参数相互映射的映射关系。
204,所述原始终端将所述参数集合迁移至所述目标终端。
原始终端可将其获取到的用户行为习惯参数发送给目标终端。诸如原始终端将其获取到的输入层的参数、隐层的参数及输出层的参数中一层或多层的参数发送给目标终端。
可以理解的是,当原始终端获取到的参数为输入层的参数、隐层的参数及输出层的参数中其中两层或三层时,则原始终端获取相应层之间参数相互映射的映射关系。此时,原始终端可将获取的参数及相应的映射关系一起发送给目标终端。从而,本申请实施例可以实现原始终端中的用户行为习惯信息进行简化以迁移至目标终端。
需要说明的是,目标终端接收到原始终端所迁移的深度神经网络模型中网络结构各层的参数及映射关系后,目标终端可选择其中一层或多层数据。诸如目标终端选择原始终端中的隐层的参数和输出层的参数及其映射关系。即该目标终端去除原始终端中的输入层的参数。该目标终端可添加新的输入层,其可为目标终端的原始数据。需要说明的是,目标终端还可添加其他隐层,以形成多层隐层。
本申请实施例可通过原始终端直接将目标终端所需的参数迁移至目标终端。而本申请实施例也可以将多个参数一起迁移至目标终端,目标终端可将该多个参数进行筛选,以确定其所需的参数。
随着智能终端诸如手机智能化程度的提高,每个用户的手机所拥有的不仅仅是图像等显式的数据,更多的是拥有用户的偏好和深层次语义知识。相关技术中,用户在进行换手机时,只能对图像、文件等数据进行直接迁移,如应用市场众多的换机助手,还没有针对手机深层次信息进行转移的克隆方案。如果能够将手机用户的深层次语义知识克隆到新手机,将显著提升手机用户的使用体验。因为此时新手机所拥有的不仅仅是用户的图像、文件等信息,更多的拥有的是用户的偏好和习惯信息,如用户出行习惯、应用程序使用习惯等,将能够快速地启动终端的智能服务,如信息推荐、出行助理等。而之前的迁移方案难以迁移这块的信息,导致新手机完全不了解用户,无法在一开始就为用户提供极具针对性的智能化服务。
本申请实施例基于原始终端的用户行为习惯信息进行训练和学习,构建了一种终端的深层次信息克隆方案,能够持续地收集和学习用户的使用偏好和行为习惯,保证了学习出的知识具有很好的时效性和针对性,并且有效地降低了存储空间,提升了算法模型的运算效率。
本申请实施例基于原始终端的用户行为习惯信息进行训练和学习,通过构建终端用户深层次信息学习模型,能够持续地收集和学习用户的使用偏好和行为习惯,保证了学习出的知识具有很好的时效性和针对性。并通过对深层次学习信息进行特征抽取,有效地降低了存储空间,提升了算法模型的运算效率。
本申请实施例可在用户的文本类、图片类等显式数据中任一选择进行迁移,同时还可以对用户行为习惯等隐式数据进行选择迁移。使得新手机不仅满足了用户常规意义上的数据迁移需求,同时将用户的隐式偏好和行为习惯克隆到新手机,极大地降低了新手机智能服务的学习时间,因为在之前新手机需要用户使用一段时间之后才能为用户提供个性化的智能服务,而通过隐式数据克隆方案,新手机可以在一开始就为用户提供个性化的智能服务,因为可以直接基于隐式数据进行算法的运算和学习。本申请实施例将旧有手机上的隐式数据直接适配成新终端可使用的隐式数据,保证了智能服务的数据适配性。
在本申请实施例中,可以通过信息感知层获取各种信息,诸如获取目标终端的目标用户行为习惯参数的格式。可以通过数据处理层对获取到的信息进行处理。可以通过特征提取层对处理后的信息进行特征提取,以得到特征向量。可以通过情景建模层构建用户行为习惯模型,以通过用户行为习惯模型对特征向量进行训练。可以通过训练后的用户行为习惯模型得到用户行为习惯参数。可以通过智能服务层将用户行为习惯传输迁移至目标终端,以实现个性化智能服务。
请参阅图6,图6为本申请实施例提供的信息处理装置的结构示意图。信息处理装置100包括:通信连接模块110、第一获取模块120、模型训练模块130、第二获取模块140和信息迁移模块150。
通信连接模块110,用于与目标终端建立通信连接。通信连接模块110,具体用于原始终端与目标终端建立通信连接。原始终端与目标终端建立通信连接的具体方式可参阅以上内容,在此不再赘述。
第一获取模块120,用于获取所述目标终端的目标用户行为习惯参数的格式。需要说明的是,获取目标终端的目标用户行为习惯参数的格式的方式请参阅以上内容,在此不再赘述。
模型训练模块130,用于对用户行为习惯信息进行训练得到用户行为习惯模型。需要说明的是,对用户行为习惯信息进行训练得到用户行为习惯模型具体可参阅以上内容,在此不再赘述。
第二获取模块140,用于根据所述用户行为习惯模型获取用户行为习惯参数,所述用户行为习惯参数的格式与所述目标用户行为习惯参数的格式相同。需要说明的是,根据所述用户行为习惯模型获取用户行为习惯参数的方式可参阅以上内容,在此不再赘述。
信息迁移模块150,用于将所述用户行为习惯参数迁移至所述目标终端。需要说明的是,将所述用户行为习惯参数迁移至所述目标终端的方式可参阅以上内容,在此不再赘述。
请参阅图7,图7为本申请实施例提供的终端的第一种结构示意图。其中,终端10包括处理器11和存储器12。所述处理器11与存储器12电性连接。
处理器11是终端10的控制中心,利用各种接口和线路连接整个终端的各个部分,通过运行或调用存储在存储器12内的计算机程序,以及调用存储在存储器12内的数据,执行终端的各种功能和处理数据,从而对终端进行整体监控。
在本实施例中,终端10中的处理器11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12中,并由处理器11来运行存储在存储器12中的计算机程序,从而实现各种功能:
与目标终端建立通信连接;
获取所述目标终端的目标用户行为习惯参数的格式;
对用户行为习惯信息进行训练得到用户行为习惯模型;
根据所述用户行为习惯模型获取用户行为习惯参数,所述用户行为习惯参数的格式与所述目标用户行为习惯参数的格式相同;
将所述用户行为习惯参数迁移至所述目标终端。
在一些实施例中,所述处理器11还用于执行以下步骤:
对所述用户行为习惯信息进行特征提取,以得到特征向量;
对所述特征向量进行训练以得到用户行为习惯模型。
在一些实施例中,所述处理器11还用于执行以下步骤:
所述根据所述用户行为习惯模型获取用户行为习惯参数的步骤包括:
获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中一层或多层的参数。
在一些实施例中,所述处理器11还用于执行以下步骤:
当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层时,则获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层参数相互映射的映射关系。
所述将所述用户行为习惯参数迁移至所述目标终端的步骤包括:
将所述用户行为习惯参数及所述映射关系迁移至所述目标终端。
在一些实施例中,所述处理器11还用于执行以下步骤:
当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数时,则获取所述输入层中的参数与所述隐层的参数相互映射的第一映射关系以及所述隐层的参数与所述输出层的参数相互映射的第二映射关系;
所述将所述用户行为习惯参数迁移至所述目标终端的步骤包括:
将所述用户行为习惯参数、所述第一映射关系及所述第二映射迁移至所述目标终端。
在另一实施例中,处理器11还可以执行以下步骤:
原始终端和目标终端建立通信连接;
所述原始终端选择待迁移信息,所述待迁移信息包括用户行为习惯信息;
所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合,所述参数集合与所述第二终端的型号相匹配;
所述原始终端将所述参数集合迁移至所述目标终端。
在一些实施例中,处理器11还可以执行以下步骤:
所述原始终端获取所述目标终端的型号;
所述原始终端判断所述原始终端的型号与所述目标终端的型号是否相同;
若所述原始终端的型号与所述目标终端的型号相同,所述原始终端将所述待迁移信息迁移至所述目标终端;
若所述原始终端的型号与所述目标终端的型号不同,所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合。
在一些实施例中,处理器11还可以执行以下步骤:
对所述用户行为习惯信息进行特征提取,以得到特征向量;
对所述特征向量进行训练以得到用户行为习惯模型;
根据所述用户行为习惯模型获取与所述用户行为习惯信息相关联的参数集合。
在一些实施例中,处理器11还可以执行以下步骤:
获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中一层、两层或三层的参数;
当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层时,则获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层参数相互映射的映射关系;
当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数时,则获取所述输入层中的参数与所述隐层的参数相互映射的映射关系以及所述隐层的参数与所述输出层的参数相互映射的映射关系。
存储器12可用于存储计算机程序和数据。存储器12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11通过调用存储在存储器12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,请参阅图8,图8为本申请实施例提供的终端的第二种结构示意图。
其中,终端10还包括:显示屏13、控制电路14、输入单元15、传感器16以及电源17。其中,处理器11分别与显示屏13、控制电路14、输入单元15、传感器16以及电源17电性连接。
显示屏13可用于显示由用户输入的信息或提供给用户的信息以及终端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14与显示屏13电性连接,用于控制显示屏13显示信息。
输入单元15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15可以包括指纹识别模组。
传感器16用于采集终端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16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17用于给终端10的各个部件供电。在一些实施例中,电源17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,终端10还可以包括摄像头、蓝牙模块等,在此不再赘述。
在一些实施例中,请参阅图9,图9为本申请实施例提供的终端的第三种结构示意图。终端10可包括:通信建立单元21、信息选择单元22、信息处理单元23及信息迁移单元24。需要说明的是,该终端10可被定位为原始终端10。
通信连接单元21,用于所述原始终端10和目标终端建立通信连接。原始终端10通过通信连接单元22和目标终端建立通信连接的具体方式可以参阅以上内容,在此不再赘述。
信息选择单元22,用于所述原始终端选择待迁移信息,所述待迁移信息包括用户行为习惯信息。原始终端10通过信息选择单元22选择待迁移信息的方式可以参阅以上内容,在此不再赘述。
信息处理单元23,用于所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合,所述参数集合与所述第二终端的型号相匹配。原始终端10通过信息处理器单元23对用户行为习惯信息进行处理的方式可以参阅以上内容,在此不再赘述。
信息迁移单元24,用于所述原始终端将所述参数集合迁移至所述目标终端。原始终端10通过信息迁移单元24将参数集合迁移到目标终端的方式可以参阅以上内容,在此不再赘述。
原始终端10还可包括第一获取单元和第二获取单元。
所述第一获取单元,用于所述原始终端获取所述目标终端的型号。具体可以参阅以上内容,在此不再赘述。
所述第一判断单元,用于所述原始终端判断所述原始终端的型号与所述目标终端的型号是否相同。具体可以参阅以上内容,在此不再赘述。
所述信息迁移单元,还用于若所述原始终端的型号与所述目标终端的型号相同,所述原始终端将所述待迁移信息迁移至所述目标终端。具体可以参阅以上内容,在此不再赘述。
所述信息处理单元,还用于若所述原始终端的型号与所述目标终端的型号不同,所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合。具体可以参阅以上内容,在此不再赘述。
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信息处理方法。
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信息处理方法、装置、存储介质及终端进行了详细介绍,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 (8)
1.一种信息处理方法,其特征在于,所述方法包括:
与目标终端建立通信连接;
获取所述目标终端的目标用户行为习惯参数的格式;
对用户行为习惯信息进行特征提取,以得到特征向量,对所述特征向量进行训练以得到用户行为习惯模型,所述用户行为习惯模型的网络结构包括输入层、隐层和输出层,获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中一层或多层的参数;
当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层时,获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层参数相互映射的映射关系,所述用户行为习惯参数的格式与所述目标用户行为习惯参数的格式相同,将所述用户行为习惯参数及所述映射关系迁移至所述目标终端,以使所述目标终端根据所述习惯参数进行算法的运算和学习;或当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数时,获取所述输入层中的参数与所述隐层的参数相互映射的第一映射关系以及所述隐层的参数与所述输出层的参数相互映射的第二映射关系,将所述用户行为习惯参数、所述第一映射关系及所述第二映射关系迁移至所述目标终端,以使所述目标终端根据所述习惯参数进行算法的运算和学习。
2.一种信息处理方法,其特征在于,所述方法包括:
原始终端和目标终端建立通信连接;
所述原始终端选择待迁移信息,所述待迁移信息包括用户行为习惯信息;
对所述用户行为习惯信息进行特征提取,以得到特征向量;
对所述特征向量进行训练以得到用户行为习惯模型,所述用户行为习惯模型的网络结构包括输入层、隐层和输出层;
获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中一层或多层的参数;
当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层时,获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层参数相互映射的映射关系,或当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数时,获取所述输入层中的参数与所述隐层的参数相互映射的第一映射关系以及所述隐层的参数与所述输出层的参数相互映射的第二映射关系,以得到与所述用户行为习惯信息相关联的参数集合,所述参数集合与第二终端的型号相匹配;所述原始终端将所述参数集合迁移至所述目标终端,以使所述目标终端根据所述参数集合进行算法的运算和学习。
3.根据权利要求2所述的信息处理方法,其特征在于,所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合的步骤包括:
所述原始终端获取所述目标终端的型号;
所述原始终端判断所述原始终端的型号与所述目标终端的型号是否相同;
若所述原始终端的型号与所述目标终端的型号相同,则所述原始终端将所述待迁移信息迁移至所述目标终端;
若所述原始终端的型号与所述目标终端的型号不同,则所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合。
4.一种信息处理装置,其特征在于,所述装置包括:
通信连接模块,用于与目标终端建立通信连接;
第一获取模块,用于获取所述目标终端的目标用户行为习惯参数的格式;
模型训练模块,用于对用户行为习惯信息进行特征提取,以得到特征向量,对所述特征向量进行训练以得到用户行为习惯模型对用户行为习惯信息进行训练得到用户行为习惯模型,所述用户行为习惯模型的网络结构包括输入层、隐层和输出层;
第二获取模块,用于获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中一层或多层的参数;当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层时,获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层参数相互映射的映射关系,所述用户行为习惯参数的格式与所述目标用户行为习惯参数的格式相同;或用于当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数时,获取所述输入层中的参数与所述隐层的参数相互映射的第一映射关系以及所述隐层的参数与所述输出层的参数相互映射的第二映射关系;
信息迁移模块,用于将所述用户行为习惯参数及所述映射关系迁移至所述目标终端,以使所述目标终端根据所述习惯参数进行算法的运算和学习;或用于将所述用户行为习惯参数、所述第一映射关系及所述第二映射关系迁移至所述目标终端,以使所述目标终端根据所述习惯参数进行算法的运算和学习。
5.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序由处理器加载时实现权利要求1至2任一项所述的方法。
6.一种终端,其特征在于,其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执行以实现如权利要求1至2任一项所述的方法。
7.一种终端,其特征在于,包括:
通信连接单元,用于原始终端和目标终端建立通信连接;
信息选择单元,用于所述原始终端选择待迁移信息,所述待迁移信息包括用户行为习惯信息;
信息处理单元,用于对所述用户行为习惯信息进行特征提取,以得到特征向量;对所述特征向量进行训练以得到用户行为习惯模型,所述用户行为习惯模型的网络结构包括输入层、隐层和输出层;获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中一层或多层的参数;当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层时,获取所述输入层中的参数、所述隐层的参数以及所述输出层的参数中两层参数相互映射的映射关系,以得到与所述用户行为习惯信息相关联的参数集合,所述参数集合与第二终端的型号相匹配;或当获取用户行为习惯参数为所述输入层中的参数、所述隐层的参数以及所述输出层的参数时,获取所述输入层中的参数与所述隐层的参数相互映射的第一映射关系以及所述隐层的参数与所述输出层的参数相互映射的第二映射关系,以得到与所述用户行为习惯信息相关联的参数集合,所述参数集合与所述第二终端的型号相匹配;
信息迁移单元,用于所述原始终端将所述参数集合迁移至所述目标终端,以使所述目标终端根据所述参数集合进行算法的运算和学习。
8.根据权利要求7所述的终端,其特征在于,所述终端还包括第一获取单元和第一判断单元;
所述第一获取单元,用于所述原始终端获取所述目标终端的型号;
所述第一判断单元,用于所述原始终端判断所述原始终端的型号与所述目标终端的型号是否相同;
所述信息迁移单元,还用于若所述原始终端的型号与所述目标终端的型号相同,所述原始终端将所述待迁移信息迁移至所述目标终端;
所述信息处理单元,还用于若所述原始终端的型号与所述目标终端的型号不同,所述原始终端根据所述目标终端的型号对所述用户行为习惯信息进行处理,以得到与所述用户行为习惯信息相关联的参数集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282137.3A CN111800538B (zh) | 2019-04-09 | 2019-04-09 | 信息处理方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282137.3A CN111800538B (zh) | 2019-04-09 | 2019-04-09 | 信息处理方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111800538A CN111800538A (zh) | 2020-10-20 |
CN111800538B true CN111800538B (zh) | 2022-01-25 |
Family
ID=72805372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282137.3A Active CN111800538B (zh) | 2019-04-09 | 2019-04-09 | 信息处理方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111800538B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580713A (zh) * | 2020-12-15 | 2021-03-30 | 广州芯德通信科技股份有限公司 | 一种基于模式识别的路由设备控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101119387A (zh) * | 2007-09-10 | 2008-02-06 | 北京网秦天下科技有限公司 | 一种便利于定制、配置与迁移手机软件业务的方法和系统 |
CN102289509A (zh) * | 2011-08-31 | 2011-12-21 | 南京大学 | 一种网站数据的获取及迁移使用方法 |
CN106202427A (zh) * | 2016-07-12 | 2016-12-07 | 腾讯科技(深圳)有限公司 | 应用处理方法及装置 |
CN107065881A (zh) * | 2017-05-17 | 2017-08-18 | 清华大学 | 一种基于深度强化学习的机器人全局路径规划方法 |
CN109165725A (zh) * | 2018-08-10 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于迁移学习的神经网络联邦建模方法、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9875736B2 (en) * | 2015-02-19 | 2018-01-23 | Microsoft Technology Licensing, Llc | Pre-training and/or transfer learning for sequence taggers |
-
2019
- 2019-04-09 CN CN201910282137.3A patent/CN111800538B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101119387A (zh) * | 2007-09-10 | 2008-02-06 | 北京网秦天下科技有限公司 | 一种便利于定制、配置与迁移手机软件业务的方法和系统 |
CN102289509A (zh) * | 2011-08-31 | 2011-12-21 | 南京大学 | 一种网站数据的获取及迁移使用方法 |
CN106202427A (zh) * | 2016-07-12 | 2016-12-07 | 腾讯科技(深圳)有限公司 | 应用处理方法及装置 |
CN107065881A (zh) * | 2017-05-17 | 2017-08-18 | 清华大学 | 一种基于深度强化学习的机器人全局路径规划方法 |
CN109165725A (zh) * | 2018-08-10 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于迁移学习的神经网络联邦建模方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111800538A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10970605B2 (en) | Electronic apparatus and method of operating the same | |
CN111552888A (zh) | 内容推荐方法、装置、设备及存储介质 | |
KR20180055708A (ko) | 이미지를 처리하는 전자 장치 및 방법 | |
CN111797288B (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
CN111737573A (zh) | 资源推荐方法、装置、设备及存储介质 | |
CN108764051B (zh) | 图像处理方法、装置及移动终端 | |
CN111897996A (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
CN111796979B (zh) | 数据采集策略的确定方法、装置、存储介质及电子设备 | |
CN113190757A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
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 | |
CN108595573B (zh) | 页面显示方法、装置、存储介质及电子设备 | |
CN111930964B (zh) | 内容处理方法、装置、设备及存储介质 | |
CN111800569B (zh) | 拍照处理方法、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 | |
CN111797851A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
CN111800445A (zh) | 消息推送方法、装置、存储介质及电子设备 | |
CN111797148A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112287234A (zh) | 信息检索方法、装置及存储介质 | |
CN111797854A (zh) | 场景模型建立方法、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 | |
CN114722937A (zh) | 一种异常数据检测方法、装置、电子设备和存储介质 | |
CN111800538B (zh) | 信息处理方法、装置、存储介质及终端 | |
CN111797867A (zh) | 系统资源优化方法、装置、存储介质及电子设备 | |
CN111796926A (zh) | 指令执行方法、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 |
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 |