CN112667909A - 一种智能家居中推荐场景的方法和装置 - Google Patents

Abstract

本申请公开了一种智能家居中的场景推荐方法，包括：按照设定的数据类型采集所述智能家居中的用户数据，并将采集的用户数据转换成文本形式进行保存；对文本形式保存的用户数据进行语义分析，根据分析结果与系统保存的用户事件类型进行匹配，生成当前用户事件；将所述用户事件与系统保存的各个智能家居场景进行匹配分析，并将匹配成功的场景推荐给用户。应用本申请，能够方便地实现场景自动推荐。

Description

一种智能家居中推荐场景的方法和装置

技术领域

本申请涉及智能家居技术，特别涉及一种智能家居中推荐场景的方法和装置。

背景技术

现有智能家居的场景推荐方法和系统有如下三种类型：

一、提供默认的智能场景列表：系统会推荐各种预设的智能场景列表，如一键离家，一键回家、自动关灯等，用户需手动选择想要的场景，然后根据场景的需求购买相应的设备，并对设备进行设置；

二、基于用户已有设备进行的场景推荐：根据用户已有的智能家居设备，推荐相关的场景；

三、基于用户行为习惯进行的场景推荐：通过设备对用户使用习惯的记录和分析，为用户推荐相关的场景，目前存在多种技术方案的设计，但是产品中还没有类似的方案。

上述三种类型的场景推荐方法都存在一些问题。

1、提供默认智能场景列表供用户自行下载和设定的方法，是一种预设式的智能场景设定方法，很难覆盖到所有的突发事件或者临时变动。它要求用户先设想需要的场景，然后再在列表中挑选适合的场景，并进行一一设置。这样导致用户因为无法设想到所有可能需要的场景，而即时设定切合当下事件的实时场景，不能实时反馈个性化的用户需求，而且操作繁琐。用户要么需要重新根据计划去制定新的场景，或对原有场景进行变动。

2、基于用户已有设备的场景推荐方法，是从设备的功能点或历史使用数据出发，而不是从用户的需求出发，也无法即时推荐用户基于个人需求的场景使用要求，与用户的真实需求之间存在着一条鸿沟。

3、基于用户行为习惯的推荐，是从用户的以往使用数据出发，不能反馈用户当下临时变动的场景需求，以及预测当下和未来事件而主动给出场景推荐。

由上述可见，目前的智能家居场景推荐方法操作繁琐，无法满足用户的即时需求，灵活性不强。

发明内容

本申请提供一种智能家居中的场景推荐方法和装置，能够方便地实现场景推荐，操作简单。

为实现上述目的，本申请采用如下技术方案：

一种智能家居中的场景推荐方法，包括：

按照设定的数据类型采集所述智能家居中的用户数据，并将采集的用户数据转换成文本形式进行保存；

对文本形式保存的用户数据进行语义分析，根据分析结果与系统保存的用户事件进行匹配，生成当前用户事件；

将所述用户事件与系统保存的各个智能家居场景进行匹配分析，并将匹配成功的场景推荐给用户。

较佳地，当所述用户事件与智能家居场景匹配不成功时，该方法进一步包括：

如果存在符合所述用户事件的场景，则推荐用户修改相应的场景；和/或，

如果不存在符合所述用户事件的场景，则根据所述用户事件所需要的功能和设备，重新组合所述用户所存储场景中的设备和功能，创建新场景推荐给用户。

较佳地，如果创建的所述新场景中包括所述用户的已有设备，则将相应设备设置为符合所述新场景的参数；如果创建的所述新场景包括所述用户没有的设备，则推荐所述用户购买相应设备。

较佳地，当用户对推荐的新场景满意时，将所述新场景保存在场景库，并对应于所述用户事件；和/或，

当用户对推荐的新场景不满意时，接收并记录用户修改的场景内容，用于作为后续创建新场景的参考。

较佳地，所述对文本形式保存的用户数据进行语义分析包括：

根据训练生成的word2vec网络模型将文本形式保存的用户数据中的语句划分成词语，并将词语转化为词向量，将语句中各个词语的词向量构成句向量；

将所述句向量输入LSTM网络，利用所述LSTM网络找到与所述句向量匹配的事件词向量；

所述根据分析结果与系统保存的用户事件进行匹配，生成当前用户事件包括：

将LSTM网络找到的事件词向量与系统保存的用户事件的事件词向量进行相似分析，将分析得到的最相似事件作为所述当前用户事件。

较佳地，训练生成word2vec网络模型的方式包括：预先建立专用词库，所述词库包括智能家居设备的种类、品牌、名称和/或自动化场景名称；将所述专用词库加入分词工具的自定义词典，利用所述分词工具对智能家居情景下的语句进行分词训练和词向量转化训练，得到所述word2vec网络模型。

较佳地，所述LSTM网络的生成方式包括：预先建立智能家居情景下的专用语句库，其中标记语句和事件的对应关系；根据所述word2vec网络模型输出的句向量，训练相对应的事件词向量。

较佳地，该方法进一步包括：预先设置需要用户授权使用的数据类型。

一种智能家居中的场景推荐装置，该装置包括：数据采集和转换单元、用户事件生成单元和场景推荐单元；

所述数据采集和转换单元，用于按照设定的数据类型采集所述智能家居中的用户数据，并将采集的用户数据转换成文本形式进行保存，作为用于生成用户事件的元数据；

所述用户事件生成单元，用于对文本形式保存的用户数据进行语义分析，根据分析结果与系统保存的用户事件类型进行匹配，生成当前用户事件；

所述场景推荐单元，用于将所述用户事件与系统保存的各个智能家居场景进行匹配分析，并将匹配成功的场景推荐给用户。

由上述技术方案可见，本申请中，按照设定的数据类型采集所述智能家居中的用户数据，并将采集的用户数据转换成文本形式进行保存，作为用于生成用户事件的元数据；对文本形式保存的用户数据进行语义分析，根据分析结果与系统保存的用户事件类型进行匹配，生成当前用户事件；将用户事件与系统保存的各个智能家居场景进行匹配分析，并将匹配成功的场景推荐给用户。通过上述处理，无需用户选择，可以自适应地选择与事件匹配的场景推荐给用户。

附图说明

图1为本申请中智能家居的场景推荐方法基本流程示意图；

图2为本申请中智能家居的场景推荐装置的基本结构示意图；

图3为数据采集和转换单元的结构示意图；

图4为用户事件生成单元的结构示意图；

图5为场景推荐单元的结构示意图；

图6为结合图2所示装置的具体组成给出的本申请场景推荐方法的具体流程；

图7a和图7b分别为生病事件和修改场景的示意图；

图8a和图8b分别为生日事件和推荐预设场景的示意图；

图9a和图9b分别为旅游事件和推荐预设场景的示意图。

具体实施方式

为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申请做进一步详细说明。

图1为本申请中智能家居的场景推荐方法基本流程示意图，该方法可以在图2所示的装置中完成，具体地，图2所示的装置包括数据采集和转换单元、用户事件生成单元和场景推荐单元。如图1和图2所示，本申请的场景推荐方法包括：

步骤101，按照设定的数据类型采集所述智能家居中的用户数据，并将采集的用户数据转换成文本形式进行保存。

本步骤的处理可以在图2所示的数据采集和转换单元中实现，主要用于收集用户的生活数据信息，并将其转换为可用于生成用户事件的元数据。其中，数据可来自于用户的各个IoT设备，包括家电、数码设备、电子设备、可穿戴设备。

具体地，数据采集和转换单元可以包括如图3所示的各个模块：

最基本的，数据采集和转换单元包括数据收集模块和数据转换模块。其中，数据收集模块根据数据类型来收集数据，数据来自用户各个IoT设备，包括数据使用log、文本数据、语音数据、数据标签、位置数据等。数据转换模块将收集来的数据转换成文本形式，存储成可以用来生成用户事件的元数据。

另外，数据收集模块中的数据类型通常是预先设置好的，为保护用户数据，有些数据类型需要用户授权才可以收集。具体可以通过预设数据类型模块来实现，设置收集的数据类型，其中可以包括需要用户授权使用的数据类型，例如日历、地图、短信、照片、语音等。

步骤102，对文本形式保存的用户数据进行语义分析，根据分析结果与系统保存的用户事件类型进行匹配，生成用户事件。

本步骤的处理可以在图2所示的用户事件生成单元实现，该单元主要用于分析所有文本形式保存的数据，以判断和生成当前正在发生的用户事件，包括事件性质，发生时间、内容、期限、参与人等。

具体地，用户事件生成单元可以包括如图4所示的几个模块：

1)预设用户事件模块：用于存储系统预设的用户事件类型和生成策略。事件类型包括生日、生病、度假访客、过节等各类常见家居生活事件；每个事件类型还会预设对应的设备、设备功能及相关场景信息。

2)用户事件分析模块：通过对步骤101采集的用户数据进行语义分析，得出用户事件类型。优选地，用户事件分析模块主要有以下几个步骤：

i.先建立一个IoT情景下的一个专用词库，该词库主要包含IoT设备的种类、品牌、名称、自动化场景名称等，将该专用词库加入分词工具的自定义词典中，这样就可以利用加入专用词库后的分词工具对IoT情景下的语句进行分词处理，提高分词准确率，同时训练word2vec网络络模型，用于将词语转化为词向量。训练得到这个word2vec模型之后，将领域相关文本数据输入该模型，该网络模型会对输入的文本进行分词和词向量转换，得到每个分词的词向量，再利用每个语句中各个词的词向量构造出相应语句的句向量；

ii.建立一个IoT情景下的专用语句库，用来标注语句和事件之间的关系，利用该专用语句库训练LSTM神经网络，用于得到事件的词向量；更详细地，将通过i中训练所得的网络模型将语句进行分词和词向量转换，得出的每个语句的句向量输入LSTM神经网络进行训练，输出结果为事件词向量，用于分析语句与事件之间的关联；

iii.将步骤101采集的用户数据(用户数据可以表示为语句列表)输入i中训练所得的word2vec网络模型，利用该模型将语句进行分词和词向量转换，得到每个语句的句向量，将word2vec网络模型的输出结果输入ii中训练所得的LSTM网络，得出一个事件的词向量，将该词向量与预设用户事件模块所保存的事件库中的事件词向量进行相似分析，将分析得出的事件库中最相似事件作为用户数据对应的当前用户事件；

3)预设用户事件更新模块：当根据收集到的信息分析出的用户事件不在预设事件中，则通过语义分析和/或用户输入，推断出该新事件可能对应的功能、设备及相应场景信息，并将推断结果作为新的用户预设事件加入事件库，从而实现用户事件的更新。

步骤103，将用户事件与系统保存的各个智能家居场景进行匹配分析，并将匹配成功的场景推荐给用户。

本申请中，每个场景包含对应的设备、设备功能及事件信息，用于描述该场景下使用的设备、设备具体参数以及该场景对应的事件。

本步骤的处理可以在图2所示的场景推荐单元实现，该单元主要用于将用户事件和智能家居场景进行匹配，并为用户推荐场景。其中，最简单地，如果用户事件与系统保存的已有场景匹配成功，则不进行场景更新推荐。进一步优选的，如果用户已有场景和步骤102确定出的用户事件略有冲突(例如场景中指示的设备及设备功能与步骤102确定出的当前用户事件对应的设备及其功能相冲突)，则还可以通过本步骤中的场景推荐单元推荐用户修改已有场景，并可以在确认后修改已有场景，自动设置符合该场景的设备及功能的参数值；或者，如果用户已有场景不能满足步骤102确定出的当前用户事件，则可以通过本步骤中的场景推荐单元推荐用户制定新场景，将与当前用户事件关联度高的系统推荐场景(通常可以为系统预先定义好的推荐场景，例如各个APP可能会给出一些已经定义好的智能推荐场景)推荐给用户；如果用户的已有场景和系统推荐场景都不能满足步骤102确定出的当前用户事件，则系统可以通知用户该事件发生，并根据该用户事件所需要的功能、设备，重新组合已有设备和功能，从而创建新的场景，然后推荐给用户。如果创建的新场景里有已有设备，则可以自动设置该设备符合该场景的默认值；如果创建的新场景需要新的设备，而用户缺失该设备，则推荐用户购买相应设备。当用户使用了创建的新场景后，此新场景会被反馈给系统作为新的预设场景策略。

具体地，场景推荐单元可以包括如图5所示的几个模块：

1)场景存储模块：储存用户已有场景，以及系统预设的推荐场景。每个场景会包含对应的设备、设备功能及事件信息。

2)用户事件-场景匹配模块：用来分析当前用户事件和储存场景的关联度。基于语义分析，在保存的已有场景中先将场景的属性信息中带有相应“用户事件”信息(即步骤102确定出的用户事件)的场景调出，然后将该用户事件属性信息中的设备、功能和被调出的场景的属性信息中的设备、功能进行匹配，来获得事件-场景匹配关联度得分。

3)场景推荐模块：将场景按照关联度得分高低排序，将得分最高的场景推荐给用户。

4)场景学习模块：本模块具有AI学习能力，用以学习用户反馈行为，从而扩充更多场景。优选地，该场景推荐装置中还可以进一步包括场景设置单元，用来设置推荐场景。具体地，当场景存储模块中没有场景可满足用户事件时，将与当前用户事件关联度高的系统推荐场景推荐给用户，或者，根据用户事件所需要的功能、设备，重新组合场景储存模块中存储的已有场景中的设备和功能，从而创建新的场景；如果推荐给用户的系统推荐场景中，用户缺失某些设备，则推荐用户购买；如果用户对推荐结果或创建的新场景不满意，用户可以通过向场景设置单元输入数据修改场景内容，被修改数据会被场景学习模块存储和学习，用来扩充场景存储模块中的场景库，并提高场景与用户事件的匹配度，修改后的场景与事件的关系可以被发送到用户事件-场景匹配模块中去更新该模块中的场景匹配关系。更详细地，场景设置单元可以将需要修改的已有场景或推荐创建的新场景具体需要的设备及针对事件的有效值默认列出，这样方便用户操作，避免二次更改的繁琐。

至此，本申请中的场景推荐方法流程结束。图6为结合图2所示装置的具体组成给出的推荐方法具体流程。下面给出几个具体的例子说明本申请中的场景推荐方法。

例一:根据“生病”事件，修改已有场景(如图7a和7b所示)

步骤1：系统收集用户数据，判断用户生病。收集的数据包括用户买药记录，用户语音互动时的咳嗽声，用户的可穿戴设备里的生理数据等；

步骤2：系统基于生病事件，对已有场景进行分析，发现用户已有场景中的“早晨模式”设定的起床时间为7点，相对于“生病事件”属性中的起床时间太早了，并不合适用户休息(如图7a)；

步骤3：系统推荐用户修改已有场景“早晨模式”，询问用户是否要设定新的起床时间；

步骤4：当用户确认修改后，系统将早晨模式的起床时间设定为新的时间，场景下的所有设备将根据新的起床时间进行相应的启动和关闭(如图7b)。

例二:根据用户“生日”事件，推荐预设场景(如图8a和8b所示)

步骤1：系统收集用户数据，判断用户的宝宝后天过生日。收集的数据包括用户日历上登记的生日信息，别人发来的祝福短信，用户搜索的蛋糕食谱等；

步骤2：系统基于生日事件，对已有场景进行分析。系统发现已有场景没有满足该事件的场景(如图8a)；

步骤3：系统将和生日事件关联度高的预设场景“生日场景”推荐给用户，场景里包括灯光控制，音乐设备播放等功能，来创造过生日的氛围；

步骤4：当用户确认后，系统将创建生日场景，并预设该场景下与生日主角相关的设备和默认值。在用户设定的时间到来时，自动启动该场景模式(如图8b)。

例三:根据用户“旅游”事件，推荐预设场景(如图9a和9b所示)

步骤1：系统收集用户数据，判断用户后天要去旅游了。收集的数据包括用户日历上登记的旅游日期，购买的机票，酒店预定信息等；

步骤2：系统基于旅游事件，对已有场景进行分析。系统发现已有场景没有满足该事件的场景(如图9a)；

步骤3：系统将和旅游事件关联度高的预设场景“旅游场景”推荐给用户，场景里包括家电控制，安保监测等功能，来保证用户旅游时的家庭安全；

步骤4：当用户确认后，系统将创建“旅游场景”，并预设该场景下的设备和默认值，包括要启动的设备、启动的时间和周期、启动的设备功能等。在用户设定的时间到来时，自动启动该场景模式(如图9b)。

通过上述本申请中场景推荐方法的具体实现和给出的几个例子可见，本申请中的智能家居场景推荐方法和系统，通过分析用户的生活事件，实现智能家居场景的个性化推荐和设置，从而让用户可以更方便地获得与生活紧密相关的智能家居场景。

具体地，本申请通过分析用户的生活事件来进行的智能场景推荐，更能及时满足用户当下的生活场景对智能家居的功能需求，与用户的生活和真实需求更紧密相连；同时，本申请还可以通过收集用户的各种设备上的用户数据来分析出用户事件，判断更加精准，灵活性更强；另外，本申请中的智能场景推荐是一种主动推荐，并基于用户已有设备进行预设置，操作更加简单，减少用户设置的复杂度；最后，本申请的场景推荐还可以基于大数据的学习，包括用户事件和场景设定之间的使用数据等，来增强场景推荐和用户事件之间的关联，提高场景推荐的精准度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (9)

1.一种智能家居中的场景推荐方法，其特征在于，包括：

按照设定的数据类型采集所述智能家居中的用户数据，并将采集的用户数据转换成文本形式进行保存；

对文本形式保存的用户数据进行语义分析，根据分析结果与系统保存的用户事件进行匹配，生成当前用户事件；

将所述用户事件与系统保存的各个智能家居场景进行匹配分析，并将匹配成功的场景推荐给用户。

2.根据权利要求1所述的方法，其特征在于，当所述用户事件与智能家居场景匹配不成功时，该方法进一步包括：

如果存在符合所述用户事件的场景，则推荐用户修改相应的场景；和/或，

如果不存在符合所述用户事件的场景，则根据所述用户事件所需要的功能和设备，重新组合所述用户所存储场景中的设备和功能，创建新场景推荐给用户。

3.根据权利要求2所述的方法，其特征在于，如果创建的所述新场景中包括所述用户的已有设备，则将相应设备设置为符合所述新场景的参数；如果创建的所述新场景包括所述用户没有的设备，则推荐所述用户购买相应设备。

4.根据权利要求2所述的方法，其特征在于，当用户对推荐的新场景满意时，将所述新场景保存在场景库，并对应于所述用户事件；和/或，

当用户对推荐的新场景不满意时，接收并记录用户修改的场景内容，用于作为后续创建新场景的参考。

5.根据权利要求1所述的方法，其特征在于，所述对文本形式保存的用户数据进行语义分析包括：

根据训练生成的word2vec网络模型将文本形式保存的用户数据中的语句划分成词语，并将词语转化为词向量，将语句中各个词语的词向量构成句向量；

将所述句向量输入LSTM网络，利用所述LSTM网络找到与所述句向量匹配的事件词向量；

所述根据分析结果与系统保存的用户事件进行匹配，生成当前用户事件包括：

将LSTM网络找到的事件词向量与系统保存的用户事件的事件词向量进行相似分析，将分析得到的最相似事件作为所述当前用户事件。

6.根据权利要求5所述的方法，其特征在于，训练生成word2vec网络模型的方式包括：预先建立专用词库，所述词库包括智能家居设备的种类、品牌、名称和/或自动化场景名称；将所述专用词库加入分词工具的自定义词典，利用所述分词工具对智能家居情景下的语句进行分词训练和词向量转化训练，得到所述word2vec网络模型。

7.根据权利要求5所述的方法，其特征在于，所述LSTM网络的生成方式包括：预先建立智能家居情景下的专用语句库，其中标记语句和事件的对应关系；根据所述word2vec网络模型输出的句向量，训练相对应的事件词向量。

8.根据权利要求1所述的方法，其特征在于，该方法进一步包括：预先设置需要用户授权使用的数据类型。

9.一种智能家居中的场景推荐装置，其特征在于，该装置包括：数据采集和转换单元、用户事件生成单元和场景推荐单元；

所述数据采集和转换单元，用于按照设定的数据类型采集所述智能家居中的用户数据，并将采集的用户数据转换成文本形式进行保存，作为用于生成用户事件的元数据；

所述用户事件生成单元，用于对文本形式保存的用户数据进行语义分析，根据分析结果与系统保存的用户事件类型进行匹配，生成当前用户事件；

所述场景推荐单元，用于将所述用户事件与系统保存的各个智能家居场景进行匹配分析，并将匹配成功的场景推荐给用户。

Images