CN111950574A - 一种基于可穿戴设备的礼仪培训信息推送方法及装置 - Google Patents
一种基于可穿戴设备的礼仪培训信息推送方法及装置 Download PDFInfo
- Publication number
- CN111950574A CN111950574A CN201910408207.5A CN201910408207A CN111950574A CN 111950574 A CN111950574 A CN 111950574A CN 201910408207 A CN201910408207 A CN 201910408207A CN 111950574 A CN111950574 A CN 111950574A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- training
- characteristic
- model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002452 interceptive effect Effects 0.000 claims abstract description 17
- 230000003068 static effect Effects 0.000 claims abstract description 17
- 230000009471 action Effects 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000003993 interaction Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于可穿戴设备的礼仪培训信息推送方法。该方法包括:获取用户的特征信息,所述特征信息包括静态特征、动态特征和交互特征;将所述用户的特征信息输入预先建立的个体画像特征模型;通过所述个体画像特征模型确定用户类别;在所述可穿戴设备展示与用户类别对应的礼仪培训信息。可见,本发明通过将获取到的用户的静态特征、动态特征和交互特征输入个体画像特征模型,充分考虑用户的多维度特征,确定用户类别,根据场景的不同准确向用户推荐其感兴趣的礼仪培训信息,提升了用户体验。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种基于可穿戴设备的礼仪培训信息推送方法及装置。
背景技术
网络技术的发展,多媒体内容不断丰富,视频数量不断膨胀。用户需要花费大量的精力和时间从庞大的内容中查找自己感兴趣的视频。
为了帮助用户快速从海量信息数据中,获取到其所需的信息,人们设计了数据推荐系统。推荐系统的出现,改变了用户与信息数据的互动方式:由用户主动获取信息转变为将信息主动推送给用户。而推荐系统的重点和难点在于如何给用户提供精确的推荐信息。
教育培训内容特别是传统礼仪文化培训内容晦涩,通常需要老师的讲解。对于儿童,讲解三字经等,即便学的时候理解了,到用的时候常常无法立即想起来。随着可穿戴技术的发展,由于不同用户的喜好不同,为因人施教获得更好的培训效果,如何根据不同的场景向用户准确推荐感兴趣的礼仪培训信息成为亟待解决的问题。
发明内容
为了解决如何根据不同的场景向用户准确推荐感兴趣的培训信息的问题,本发明提供了一种基于可穿戴设备的礼仪培训信息推送方法及装置。
本发明的一个实施例提供一种基于可穿戴设备的礼仪培训信息推送方法,包括:
获取用户的特征信息,所述特征信息包括静态特征、动态特征和交互特征;
将所述用户的特征信息输入预先建立的个体画像特征模型;
通过所述个体画像特征模型确定用户类别;
在所述可穿戴设备展示与用户类别对应的礼仪培训信息。
可选地,所述静态特征包括用户性别、用户年龄和用户学历;
所述动态特征包括用户动作、用户位置和当前时间;
所述交互特征包括与目标用户交互的频次和与目标用户交互的内容。
可选地,所述获取用户的动态特征包括以下的一种或多种:
通过所述可穿戴设备的传感器获取用户的动作;
通过所述可穿戴设备的电子标签RFID获取用户的位置。
可选地,所述方法还包括:建立个体画像特征模型;
所述建立个体画像特征模型具体包括:
获得用户的训练样本,所述训练样本包括用户的特征信息和对应的用户类别;
对所述训练样本进行预处理,将预处理后的训练样本输入所述通用画像特征模型进行训练,以建立个体画像特征模型。
可选地,所述用户的特征信息携带有对应的影响权重,所述对所述训练样本进行预处理,包括:
检测所述训练样本中多个用户特征的综合输出幅值是否处于预设范围内;
若未处于所述预设范围内,则分别计算各个用户特征相对于所述通用画像特征模型中的用户特征的综合输出幅值的方差值;
检测各所述用户特征的综合输出幅值的方差值是否大于预设阈值,若大于预设阈值,则从所述多个用户特征中随机抽取预设数量的用户特征,对抽取出的各用户特征进行归一化处理。
可选地,所述方法还包括:
接收目标用户对推送结果的评价信息;
根据所述评价信息优化所述个体画像特征模型。
可选地,所述方法还包括:
每隔预设时间段获取通用画像特征模型;
根据所述通用画像特征模型更新所述个体画像特征模型。
本发明的另一个实施例提供一种基于可穿戴设备的礼仪培训信息推送装置,包括:
用户特征信息获取单元,用于获取用户的特征信息,所述特征信息包括静态特征、动态特征和交互特征;
特征信息输入单元,用于将所述用户的特征信息输入预先建立的个体画像特征模型;
用户类别确定单元,用于通过所述个体画像特征模型确定用户类别;
培训信息展示单元,用于在所述可穿戴设备展示与用户类别对应的礼仪培训信息。
可选地,所述静态特征包括用户性别、用户年龄和用户学历;
所述动态特征包括用户动作、用户位置和当前时间;
所述交互特征包括与目标用户交互的频次和与目标用户交互的内容。
可选地,所述获取用户的动态特征包括以下的一种或多种:
通过所述可穿戴设备的传感器获取用户的动作;
通过所述可穿戴设备的电子标签RFID获取用户的位置。
可选地,所述装置还包括:
个体画像特征模型建立单元,用于建立个体画像特征模型;
所述个体画像特征模型建立单元进一步用于:
获得用户的训练样本,所述训练样本包括用户的特征信息和对应的用户类别;
对所述训练样本进行预处理,将预处理后的训练样本输入所述通用画像特征模型进行训练,以建立个体画像特征模型。
可选地,所述用户的特征信息携带有对应的影响权重,所述对所述训练样本进行预处理,包括:
检测所述训练样本中多个用户特征的综合输出幅值是否处于预设范围内;
若未处于所述预设范围内,则分别计算各个用户特征相对于所述通用画像特征模型中的用户特征的综合输出幅值的方差值;
检测各所述用户特征的综合输出幅值的方差值是否大于预设阈值,若大于预设阈值,则从所述多个用户特征中随机抽取预设数量的用户特征,对抽取出的各用户特征进行归一化处理。
可选地,所述装置还包括:
评价信息接收单元,用于接收目标用户对推送结果的评价信息;
个体画像特征模型优化单元,用于根据所述评价信息优化所述个体画像特征模型。
可选地,所述装置还包括:
通用画像特征模型获取单元,用于每隔预设时间段获取通用画像特征模型;
个体画像特征模型更新单元,用于根据所述通用画像特征模型更新所述个体画像特征模型。
本发明的另一个实施例提供一种电子设备,其中,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述的方法。
本发明的另一个实施例提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现上述的方法。
本发明的有益效果是,本发明通过将获取到的用户的静态特征、动态特征和交互特征输入个体画像特征模型,充分考虑用户的多维度特征,确定用户类别,根据场景的不同准确向用户推荐其感兴趣的礼仪培训信息,提升了用户体验。
并且,本发明的技术方案还可以根据目标用户的评价信息对个体画像特征模型进行优化,还可以根据不断更新的通用画像特征模型对个体画像特征模型进行更新。
附图说明
图1为本发明一个实施例的基于可穿戴设备的礼仪培训信息推送方法的流程示意图;
图2为本发明一个实施例的基于可穿戴设备的礼仪培训信息推送装置的结构示意图;
图3示出了根据本发明一个实施例的电子设备的结构示意图;
图4示出了根据本发明一个实施例的计算机可读存储介质的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
图1为本发明一个实施例的基于可穿戴设备的礼仪培训信息推送方法的流程示意图。如图1所示,本发明实施例的方法以可穿戴设备为执行主体,可穿戴设备包括但不限于智能手表。
该方法具体包括:
S11:获取用户的特征信息,所述特征信息包括静态特征、动态特征和交互特征;
具体地:所述静态特征包括用户性别、用户年龄和用户学历;
所述动态特征包括用户动作、用户位置和当前时间;
所述交互特征包括与目标用户交互的频次和与目标用户交互的内容。
可理解的是,对于不同性别、不同年龄和不同学历的用户,其希望接受的礼仪培训内容是有差异的,所以在确定用户类别时考虑用户的上述静态特征是有必要的。举例来说,如果用户是一个年龄为8岁的男生,则其希望接受的礼仪培训内容可能是三字经;如果用户是一个年龄为28岁的女生,则其希望接受的礼仪培训内容可能是商务会谈礼仪。
另外,当用户做出不同动作、处于不同位置、不同时间段,都会影响其希望接受的礼仪培训内容。举例来说,当用户处于学校门口即将进入学校时,希望获得如何与同学友好相处的培训内容,当用户在家时,则希望获得如何与父母相处的培训内容。
此外,影响用户感兴趣内容的还包括其与目标用户(比如父母)交互的频次和交互的内容。举例来说,如果用户与父母交互的频次特别低,则可推定该用户可能不擅长与父母进行沟通,则向其推送与父母沟通的培训内容。
S12:将所述用户的特征信息输入预先建立的个体画像特征模型;
需要说明的是,当用户为初次使用该可穿戴设备时,由于缺少相应的训练样本数据,则从云端服务器获得通用画像特征模型获得推送的礼仪培训信息。
进一步地,当用户使用该可穿戴设备一定时间后,记录了一定数量的训练样本后,可基于训练样本和通用画像特征模型建立个体画像特征模型。
S13:通过所述个体画像特征模型确定用户类别;
可理解的是,个体画像特征模型是通过深度学习建立的神经网络模型,将用户的特征信息输入后可确定用户类别。
S14:在所述可穿戴设备展示与用户类别对应的礼仪培训信息。
可理解的是,不同的用户类别对应不同的礼仪培训信息。可穿戴设备展示的礼仪培训信息提前下载在本地直接进行展示,或者实现方式是可穿戴设备将用户类别信息发送至培训服务器,由培训服务器将与用户类别对应礼仪培训信息发送至可穿戴设备,可穿戴设备进行展示。
在实际应用中,礼仪培训信息可以为某个培训视频的链接,用户采用视频播放软件打开链接即可进行展示。
本发明实施例通过将获取到的用户的静态特征、动态特征和交互特征输入个体画像特征模型,充分考虑用户的多维度特征,确定用户类别,根据场景的不同准确向用户推荐其感兴趣的礼仪培训信息,提升了用户体验。
本发明实施例中,所述获取用户的动态特征包括以下的一种或多种:
通过所述可穿戴设备的传感器获取用户的动作;
通过所述可穿戴设备的电子标签RFID获取用户的位置。
以下具体说明本发明实施例获取用户动作的方法。
为了克服单传感器在识别过程中的弊端,有效的提高动作识别的准确度,本发明实施例利用分别固定于人体不同部位的N个惯性传感器节点,采集人体动作数据;利用滑动窗口分割技术对每个传感器节点所采集的人体动作数据进行窗口分割,得到每个传感器节点的多个动作数据片段;对每个传感器节点的动作数据片段进行特征提取,得到相应的特征向量;利用RLDA算法对获得的每个传感器节点的特征向量进行特征降维;将每个传感器节点降维后的特征向量作为训练数据进行参数训练以及建模,得到相应的分层融合模型;利用得到的分层融合模型,进行人体动作识别。
其中,将每个传感器节点降维后的特征向量作为训练数据进行参数训练以及建模,得到相应的分层融合模型,包括:
通过k折交叉验证方法,对于每个传感器节点的降维后的特征向量进行验证,得到每个动作对于每个分类器的贡献率;
根据贡献率建立如下分类器融合层的评价矩阵:
其中,Y表示评价矩阵,c表示动作类别,k表示分类器数量,i表示第i个惯性传感器节点,mij表示相对于第i个惯性传感器节点的第j个分类器,yqj表示为第q个动作在第j个分类器下的贡献率。
根据该评价矩阵,利用如下公式得到每一个分类器的香浓熵:
其中,ej表示香农熵,η是常数,且η=1/log2(c);
根据香农熵,并利用如下公式得到分类器的冗余量:
rj=1-ej
其中,rj表示冗余量;
通过如下公式得到第i个传感器节点、第j个分类器的权重值:
通过以下公式得到第i个传感器节点的输出结果:
其中,λi,q表示测试样本x被分到了q类;
对于第i个传感器节点中的降维后的特征向量,通过以下公式得到第q个动作类的识别率:
根据识别率建立如下传感器融合层的评价矩阵:
根据该评价矩阵,利用如下公式得到每一个传感器的香农熵:
根据香农熵,并利用如下公式得到此传感器的冗余量;
通过如下公式计算每个传感器节点的输出权重:
得到如下分层融合模型:
其中,λq表示测试样本被分到q类。
在实际应用中,可通过可穿戴设备的GPS模块获取用户的位置,还可以通过可穿戴设备的电子标签RFID获取用户的位置。
通过电子标签RFID获取用户的位置的具体过程是,在预设位置安装电子标签RFID读取器,当用户经过预设位置时,电子标签RFID读取器读取到可穿戴设备中电子标签RFID的信号,从而确定用户的位置。在实际应用中,电子标签RFID读取器可以安装在学校校门,也可以安装在其他位置,本发明对此不做限制。
进一步地,所述方法还包括:建立个体画像特征模型;
所述建立个体画像特征模型具体包括:
获得用户的训练样本,所述训练样本包括用户的特征信息和对应的用户类别;
对所述训练样本进行预处理,将预处理后的训练样本输入所述通用画像特征模型进行训练,以建立个体画像特征模型。
具体地,所述用户的特征信息携带有对应的影响权重,所述对所述训练样本进行预处理,包括:
检测所述训练样本中多个用户特征的综合输出幅值是否处于预设范围内;
若未处于所述预设范围内,则分别计算各个用户特征相对于所述通用画像特征模型中的用户特征的综合输出幅值的方差值;
检测各所述用户特征的综合输出幅值的方差值是否大于预设阈值,若大于预设阈值,则从所述多个用户特征中随机抽取预设数量的用户特征,对抽取出的各用户特征进行归一化处理。
可理解的是,不同的用户特征对应不同的影响权重,如果用户年龄对用户分类的影响比较大,则可将用户年龄的影响权重设置为较大值。各个用户特征的影响权重可以根据经验进行设置,后续可以通过训练对各个用户特征的影响权重进行调整。
由于有多个不同的用户特征,如果直接利用用户特征的原始数据进行建模,则会增加运算量,耗费计算资源。因此,本发明实施例对训练样本进行预处理,以达到分层降维的目的。
需要说明的是,若训练样本中多个用户特征的综合输出幅值未处于预设范围,则表明可能数据量较大,需要对训练样本进行简化。
本发明实施例还可以引入遗传算法的寻优策略以对训练样本进行寻优,以期达到更佳的训练效果。本发明实施例的方法还包括:
建立适应度函数以评估修改后的训练样本中各所述训练样本的适应度值,利用遗传算法的选择机制选择出适应度值最高的训练样本;
利用遗传算法的交叉机制从多个训练样本中随机选择任意两个训练样本进行交叉,以得到下一代的训练样本;
利用所述适应度函数计算出所述下一代的训练样本中适应度值最高的训练样本;
检测所述下一代的训练样本的适应度值是否低于上一代的训练样本的适应度值,若低于,则利用遗传算法的变异机制引入变异因子以对所述下一代的训练样本进行变异操作,再计算变异操作后的训练样本的适应度值;
根据训练样本的适应度值对训练样本进行修改。
可理解的是,遗传算法中,可建立适应度函数评价训练样本的优劣,其中,适应度值越高的训练样本,其适应度越好,被保留下来的可能性越高。而适应度值越小的训练样本,则适应度越差,可能需要淘汰。
本发明实施例中,遗传算法可通过多次迭代寻找出训练样本中适应度高的训练样本,并且,在此过程中,为了避免陷入局部最优值,并且为了增加训练样本的多样性,可采用交叉机制、变异机制等提高寻优精确度。
本发明实施例的一种可选的实施方式中,所述方法还包括:
接收目标用户对推送结果的评价信息;
根据所述评价信息优化所述个体画像特征模型。
可理解的是,目标用户(比如儿童用户的家长)可根据用户需求对推送结果进行评价,根据评价信息调整个体画像特征模型的用户特征的权重,以优化个体画像特征模型。
优选地,所述方法还包括:
每隔预设时间段获取通用画像特征模型;
根据所述通用画像特征模型更新所述个体画像特征模型。
需要说明的是,本发明实施例不同用户的可穿戴设备还将各自的个体画像特征模型发送至云端服务器,对云端服务器的通用画像特征模型进行不断更新。并且,用户的可穿戴设备还定期从云端服务器获得通用画像特征模型,根据通用画像特征模型调整个体画像特征模型的用户特征的权重,以更新个体画像特征模型。
图2为本发明一个实施例的基于可穿戴设备的礼仪培训信息推送装置的结构示意图。如图2所示,本发明实施例的装置包括用户特征信息获取单元21、特征信息输入单元22、用户类别确定单元23和培训信息展示单元24,具体地:
用户特征信息获取单元21,用于获取用户的特征信息,所述特征信息包括静态特征、动态特征和交互特征;
特征信息输入单元22,用于将所述用户的特征信息输入预先建立的个体画像特征模型;
用户类别确定单元23,用于通过所述个体画像特征模型确定用户类别;
培训信息展示单元24,用于在所述可穿戴设备展示与用户类别对应的礼仪培训信息。
可选地,所述静态特征包括用户性别、用户年龄和用户学历;
所述动态特征包括用户动作、用户位置和当前时间;
所述交互特征包括与目标用户交互的频次和与目标用户交互的内容。
可选地,所述获取用户的动态特征包括以下的一种或多种:
通过所述可穿戴设备的传感器获取用户的动作;
通过所述可穿戴设备的电子标签RFID获取用户的位置。
可选地,所述装置还包括:
个体画像特征模型建立单元,用于建立个体画像特征模型;
所述个体画像特征模型建立单元进一步用于:
获得用户的训练样本,所述训练样本包括用户的特征信息和对应的用户类别;
对所述训练样本进行预处理,将预处理后的训练样本输入所述通用画像特征模型进行训练,以建立个体画像特征模型。
可选地,所述用户的特征信息携带有对应的影响权重,所述对所述训练样本进行预处理,包括:
检测所述训练样本中多个用户特征的综合输出幅值是否处于预设范围内;
若未处于所述预设范围内,则分别计算各个用户特征相对于所述通用画像特征模型中的用户特征的综合输出幅值的方差值;
检测各所述用户特征的综合输出幅值的方差值是否大于预设阈值,若大于预设阈值,则从所述多个用户特征中随机抽取预设数量的用户特征,对抽取出的各用户特征进行归一化处理。
可选地,所述装置还包括:
评价信息接收单元,用于接收目标用户对推送结果的评价信息;
个体画像特征模型优化单元,用于根据所述评价信息优化所述个体画像特征模型。
可选地,所述装置还包括:
通用画像特征模型获取单元,用于每隔预设时间段获取通用画像特征模型;
个体画像特征模型更新单元,用于根据所述通用画像特征模型更新所述个体画像特征模型。
综上所述,根据本发明的技术方案,通过将获取到的用户的静态特征、动态特征和交互特征输入个体画像特征模型,充分考虑用户的多维度特征,确定用户类别,根据场景的不同准确向用户推荐其感兴趣的礼仪培训信息,提升了用户体验。
并且,本发明的技术方案还可以根据目标用户的评价信息对个体画像特征模型进行优化,还可以根据不断更新的通用画像特征模型对个体画像特征模型进行更新。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的检测电子设备的佩戴状态的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
例如,图3示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备传统上包括处理器31和被安排成存储计算机可执行指令(程序代码)的存储器32。存储器32可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器32具有存储用于执行图1所示的以及各实施例中的任何方法步骤的程序代码34的存储空间33。例如,用于程序代码的存储空间33可以包括分别用于实现上面的方法中的各种步骤的各个程序代码34。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图3所述的计算机可读存储介质。该计算机可读存储介质可以具有与图3的电子设备中的存储器32类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常,存储单元存储有用于执行根据本发明的方法步骤的程序代码41,即可以由诸如31之类的处理器读取的程序代码,当这些程序代码由电子设备运行时,导致该电子设备执行上面所描述的方法中的各个步骤。
以上所述,仅为本发明的具体实施方式,在本发明的上述教导下,本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白,上述的具体描述只是更好的解释本发明的目的,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于可穿戴设备的礼仪培训信息推送方法,其特征在于,包括:
获取用户的特征信息,所述特征信息包括静态特征、动态特征和交互特征;
将所述用户的特征信息输入预先建立的个体画像特征模型;
通过所述个体画像特征模型确定用户类别;
在所述可穿戴设备展示与用户类别对应的礼仪培训信息。
2.根据权利要求1所述的方法,其特征在于,
所述静态特征包括用户性别、用户年龄和用户学历;
所述动态特征包括用户动作、用户位置和当前时间;
所述交互特征包括与目标用户交互的频次和与目标用户交互的内容。
3.根据权利要求1所述的方法,其特征在于,所述获取用户的动态特征包括以下的一种或多种:
通过所述可穿戴设备的传感器获取用户的动作;
通过所述可穿戴设备的电子标签RFID获取用户的位置。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:建立个体画像特征模型;
所述建立个体画像特征模型具体包括:
获得用户的训练样本,所述训练样本包括用户的特征信息和对应的用户类别;
对所述训练样本进行预处理,将预处理后的训练样本输入所述通用画像特征模型进行训练,以建立个体画像特征模型。
5.根据权利要求4所述的方法,其特征在于,所述用户的特征信息携带有对应的影响权重,所述对所述训练样本进行预处理,包括:
检测所述训练样本中多个用户特征的综合输出幅值是否处于预设范围内;
若未处于所述预设范围内,则分别计算各个用户特征相对于所述通用画像特征模型中的用户特征的综合输出幅值的方差值;
检测各所述用户特征的综合输出幅值的方差值是否大于预设阈值,若大于预设阈值,则从所述多个用户特征中随机抽取预设数量的用户特征,对抽取出的各用户特征进行归一化处理。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收目标用户对推送结果的评价信息;
根据所述评价信息优化所述个体画像特征模型。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
每隔预设时间段获取通用画像特征模型;
根据所述通用画像特征模型更新所述个体画像特征模型。
8.一种基于可穿戴设备的礼仪培训信息推送装置,其特征在于,包括:
用户特征信息获取单元,用于获取用户的特征信息,所述特征信息包括静态特征、动态特征和交互特征;
特征信息输入单元,用于将所述用户的特征信息输入预先建立的个体画像特征模型;
用户类别确定单元,用于通过所述个体画像特征模型确定用户类别;
培训信息展示单元,用于在所述可穿戴设备展示与用户类别对应的礼仪培训信息。
9.一种电子设备,其中,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408207.5A CN111950574A (zh) | 2019-05-15 | 2019-05-15 | 一种基于可穿戴设备的礼仪培训信息推送方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408207.5A CN111950574A (zh) | 2019-05-15 | 2019-05-15 | 一种基于可穿戴设备的礼仪培训信息推送方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950574A true CN111950574A (zh) | 2020-11-17 |
Family
ID=73336008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910408207.5A Pending CN111950574A (zh) | 2019-05-15 | 2019-05-15 | 一种基于可穿戴设备的礼仪培训信息推送方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950574A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036002A (zh) * | 2014-06-16 | 2014-09-10 | 深圳市英威诺科技有限公司 | 一种智能推荐数据的技术方法 |
CN106528656A (zh) * | 2016-10-20 | 2017-03-22 | 杨瀛 | 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统 |
CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
US20170161387A1 (en) * | 2015-12-02 | 2017-06-08 | Sap Se | Content Provisioning System for Wearable Technology Devices |
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN108920682A (zh) * | 2018-07-11 | 2018-11-30 | 厦门盈趣科技股份有限公司 | 基于机器学习和用户画像技术的社交用户推荐方法及装置 |
-
2019
- 2019-05-15 CN CN201910408207.5A patent/CN111950574A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036002A (zh) * | 2014-06-16 | 2014-09-10 | 深圳市英威诺科技有限公司 | 一种智能推荐数据的技术方法 |
US20170161387A1 (en) * | 2015-12-02 | 2017-06-08 | Sap Se | Content Provisioning System for Wearable Technology Devices |
CN106528656A (zh) * | 2016-10-20 | 2017-03-22 | 杨瀛 | 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统 |
CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN108920682A (zh) * | 2018-07-11 | 2018-11-30 | 厦门盈趣科技股份有限公司 | 基于机器学习和用户画像技术的社交用户推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9582547B2 (en) | Generalized graph, rule, and spatial structure based recommendation engine | |
CN111444428A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN108804704A (zh) | 一种用户深度画像方法及装置 | |
CN111783712A (zh) | 一种视频处理方法、装置、设备及介质 | |
CN113569129A (zh) | 点击率预测模型处理方法、内容推荐方法、装置及设备 | |
CN106537387B (zh) | 检索/存储与事件相关联的图像 | |
US10043131B2 (en) | Systems and methods for rule-based content optimization | |
CN112232933A (zh) | 房源信息的推荐方法、装置、设备及可读存储介质 | |
CN114037545A (zh) | 客户推荐方法、装置、设备及存储介质 | |
CN111382605A (zh) | 视频内容审核方法、装置、存储介质和计算机设备 | |
CN115187772A (zh) | 目标检测网络的训练及目标检测方法、装置及设备 | |
US20180032637A1 (en) | Systems and methods for rule-based content generation | |
CN112819024A (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN114579858A (zh) | 内容推荐方法和装置、电子设备、存储介质 | |
CN111950574A (zh) | 一种基于可穿戴设备的礼仪培训信息推送方法及装置 | |
CN115878891A (zh) | 直播内容生成方法、装置、设备以及计算机存储介质 | |
CN112632275B (zh) | 基于个人文本信息的人群聚类数据处理方法、装置及设备 | |
US20170193620A1 (en) | Associate a learner and learning content | |
US11531722B2 (en) | Electronic device and control method therefor | |
CN113762324A (zh) | 虚拟对象检测方法、装置、设备及计算机可读存储介质 | |
CN113221951A (zh) | 一种基于时域注意力池化网络的动图分类方法及装置 | |
CN111291829A (zh) | 一种精选图片的自动确定方法和系统 | |
KR20200092630A (ko) | 체계화 및 정형화된 교육으로 인증된 청소 작업자를 배출하는 청소 교육 서비스 제공 방법 | |
CN114827654B (zh) | 一种视频搜索方法、装置、设备及存储介质 |
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 |