CN112734068B - 会议室的预定方法、装置、计算机设备和存储介质 - Google Patents

会议室的预定方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112734068B
CN112734068B CN202110041859.7A CN202110041859A CN112734068B CN 112734068 B CN112734068 B CN 112734068B CN 202110041859 A CN202110041859 A CN 202110041859A CN 112734068 B CN112734068 B CN 112734068B
Authority
CN
China
Prior art keywords
conference room
room
conference
meeting
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
Application number
CN202110041859.7A
Other languages
English (en)
Other versions
CN112734068A (zh
Inventor
钟子宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110041859.7A priority Critical patent/CN112734068B/zh
Publication of CN112734068A publication Critical patent/CN112734068A/zh
Application granted granted Critical
Publication of CN112734068B publication Critical patent/CN112734068B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及人工智能技术，特别涉及一种会议室的预定方法、装置、计算机设备和存储介质。所述方法包括：响应于在会议室预定系统的自动推荐标签上触发的自动推荐操作，显示与用户行为特征匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位；显示自动推荐的推荐预定信息；所述推荐预定信息包括所述候选会议室中目标会议室的建议会议室信息和建议预定时间信息；响应于对所述推荐预定信息的推荐确认操作，在与所述目标会议室的目标预定时段对应的预定标志位处，显示已预订标志；所述目标预定时段与所述建议预定时间信息相匹配。采用本方法能够提高会议室预定效率。

Description

会议室的预定方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种会议室的预定方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的不断发展，用户在预定会议室时，通常在会议室预定系统上申请预定某个会议室，而不再需要向相应部门的管理员提出预定某个会议室的申请。在传统预定会议室的方案中，通常是在会议室预定系统上选择会议室所在楼层以及预定日期等筛选条件，然后显示该楼层在该预定日期内的所有会议室，用户在显示的所有会议室中选择特定时段的会议室。然而，采用上述预定会议室的方案，用户需要在会议室预定系统进行多次的交互操作，以及在众多会议室和众多时段中查看才能得到最终预定的会议室，从而导致会议室的预定效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高会议室预定效率的会议室的预定方法、装置、计算机设备和存储介质。
一种会议室的预定方法，所述方法包括：
响应于在会议室预定系统的自动推荐标签上触发的自动推荐操作，显示与用户行为特征匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位；
显示自动推荐的推荐预定信息；所述推荐预定信息包括所述候选会议室中目标会议室的建议会议室信息和建议预定时间信息；
响应于对所述推荐预定信息的推荐确认操作，在与所述目标会议室的目标预定时段对应的预定标志位处，显示已预订标志；所述目标会议室与所述建议会议室信息相匹配，所述目标预定时段与所述建议预定时间信息相匹配。
在其中的一个实施例中，所述显示与用户行为特征匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位包括：
在会议室预定页面的筛选区，显示与用户行为特征匹配的会议室筛选信息；
在所述会议室预定页面的会议室显示区，显示与所述会议室筛选信息匹配的候选会议室的会议室标识；以及，在对应于所述会议室标识的显示位置，显示所述候选会议室在不同预定时段的预定标志位。
一种会议室的预定装置，所述装置包括：
第一显示模块，用于响应于在会议室预定系统的自动推荐标签上触发的自动推荐操作，显示与用户行为特征匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位；
第二显示模块，用于显示自动推荐的推荐预定信息；所述推荐预定信息包括所述候选会议室中目标会议室的建议会议室信息和建议预定时间信息；
第三显示模块，用于响应于对所述推荐预定信息的推荐确认操作，在与所述目标会议室的目标预定时段对应的预定标志位处，显示已预订标志；所述目标会议室与所述建议会议室信息相匹配，所述目标预定时段与所述建议预定时间信息相匹配。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
响应于在会议室预定系统的自动推荐标签上触发的自动推荐操作，显示与用户行为特征匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位；
显示自动推荐的推荐预定信息；所述推荐预定信息包括所述候选会议室中目标会议室的建议会议室信息和建议预定时间信息；
响应于对所述推荐预定信息的推荐确认操作，在与所述目标会议室的目标预定时段对应的预定标志位处，显示已预订标志；所述目标会议室与所述建议会议室信息相匹配，所述目标预定时段与所述建议预定时间信息相匹配。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
响应于在会议室预定系统的自动推荐标签上触发的自动推荐操作，显示与用户行为特征匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位；
显示自动推荐的推荐预定信息；所述推荐预定信息包括所述候选会议室中目标会议室的建议会议室信息和建议预定时间信息；
响应于对所述推荐预定信息的推荐确认操作，在与所述目标会议室的目标预定时段对应的预定标志位处，显示已预订标志；所述目标会议室与所述建议会议室信息相匹配，所述目标预定时段与所述建议预定时间信息相匹配。
上述会议室的预定方法、装置、计算机设备和存储介质，在进行会议室预定时，直接显示候选会议室的会议室标识，并在该会议室标识的位置附近显示对应不同预定时段的预定标志位，然后自动推荐关于目标会议室的推荐预定信息，用户无需进行手动设置各种会议室的筛选条件，直接对显示的推荐预定信息进行确认即可完成会议室的预定，可以避免用户需要在会议室预定系统进行多次的交互操作，以及在众多会议室和众多时段中查看才能得到最终预定的会议室，有效地提高了会议室的预定效率。此外，在对显示的推荐预定信息进行确认之后，在与目标会议室的目标预定时段对应的预定标志位处，显示已预订标志，一方面，本端用户可以确定该目标会议室被预定成功；另一方面，其它端用户在手动预定会议室时，可以直观确定该目标会议室在该目标预定时段已经被预定了，避免出现同一会议室在同一预定时段被不同用户预定的问题。
一种会议室的预定方法，所述方法包括：
获取用户行为特征和候选会议室的会议室特征；
通过表示会议室偏好程度的卷积核对所述用户行为特征和所述会议室特征进行特征处理，得到处理后特征；所述卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
根据所述处理后特征对所述候选会议室进行分类，得到目标会议室；
显示所述目标会议室的推荐预定信息；所述推荐预定信息包括建议会议室信息和建议预定时间信息；
响应于对所述推荐预定信息的推荐确认操作，对所述目标会议室进行预定。
在其中的一个实施例中，所述基于同时预定至少两个会议室的用户占比进行构建包括：
计算同时预定至少两个会议室的用户数与预定会议室的总用户数间的比值；
根据计算的比值构建对称矩阵；
将所述对称矩阵作为用于表示会议室偏好程度的卷积核。
在其中的一个实施例中，所述推荐预定信息通过弹窗进行显示；所述弹窗展示于会议室预定页面上；所述方法还包括：
响应于对所述推荐预定信息的信息修改操作，在所述会议室预定页面上取消展示所述弹窗；
响应于在所述会议室预定页面中会议室显示区触发的会议室选中操作，选中与所述会议室选中操作对应的指定会议室；
当完成对所述指定会议室的预定时，生成所述指定会议室的预定信息；
将所述预定信息存储于数据库，以根据存储的预定信息获取用户行为特征。
在其中的一个实施例中，所述推荐预定信息通过弹窗进行显示；所述方法还包括：
响应于在所述弹窗中修改按钮触发的退出操作，生成针对所述目标会议室的取消预定信息；
将所述取消预定信息存储于数据库，以根据存储的取消预定信息获取用户行为特征。
在其中的一个实施例中，所述通过表示会议室偏好程度的卷积核对所述用户行为特征和所述会议室特征进行特征处理，得到处理后特征包括：
将表示会议室偏好程度的卷积核、所述用户行为特征和所述会议室特征，输入特征处理网络；
通过所述特征处理网络中的至少两个卷积层对所述卷积核、所述用户行为特征和所述会议室特征进行卷积处理，得到嵌入特征；
通过所述特征处理网络中的全连接层对所述嵌入特征进行特征处理，得到处理后特征。
在其中的一个实施例中，所述根据所述处理后特征对所述候选会议室进行分类，得到目标会议室包括：
通过预测模型依据所述处理后特征计算各所述候选会议室的分类概率；
从所述候选会议室中选取所述分类概率达到推荐条件所对应的会议室；
将达到所述推荐条件所对应的会议室作为所述目标会议室。
在其中的一个实施例中，所述特征处理网络和所述预测模型是对初始特征处理网络和初始预测模型进行模型训练所得；所述对初始特征处理网络和初始预测模型进行模型训练包括：
获取用户行为训练样本和会议室训练集对应的特征训练样本；
将所述用户行为训练样本、所述特征训练样本以及表示会议室偏好程度的训练卷积核输入至所述初始特征处理网络进行训练，得到训练特征；所述训练卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
通过所述初始预测模型，依据所述训练特征计算所述会议室训练集中各会议室的预测分类概率；
当所述会议室训练集中样本会议室的预测分类概率达到所述推荐条件时，计算所述样本会议室对应的预定值与用户预定标签之间的损失值；
根据所述损失值依次对所述初始特征处理网络和所述初始预测模型中的参数进行调整，直至模型收敛时停止训练。
在其中的一个实施例中，所述根据所述损失值依次对所述初始特征处理网络和所述初始预测模型中的参数进行调整，直至模型收敛时停止训练之后，所述方法还包括：
获取用户行为测试样本和会议室训练集对应的特征测试样本；
将所述用户行为测试样本、所述特征测试样本以及表示会议室偏好程度的测试卷积核输入至训练所得的特征处理网络进行测试，得到测试特征；所述测试卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
通过训练所得的预测模型，依据所述测试特征计算所述会议室测试集中各会议室的预测分类概率；
当所述会议室测试集中目标测试会议室的预测分类概率达到所述推荐条件时，计算模型测评值；
当所述模型测评值达到测试条件时，得到最终的特征处理网络和预测模型。
一种会议室的预定装置，所述装置包括：
获取模块，用于获取用户行为特征和候选会议室的会议室特征；
处理模块，用于通过表示会议室偏好程度的卷积核对所述用户行为特征和所述会议室特征进行特征处理，得到处理后特征；所述卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
分类模块，用于根据所述处理后特征对所述候选会议室进行分类，得到目标会议室；
显示模块，用于显示所述目标会议室的推荐预定信息；所述推荐预定信息包括建议会议室信息和建议预定时间信息；
预定模块，用于响应于对所述推荐预定信息的推荐确认操作，对所述目标会议室进行预定。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取用户行为特征和候选会议室的会议室特征；
通过表示会议室偏好程度的卷积核对所述用户行为特征和所述会议室特征进行特征处理，得到处理后特征；所述卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
根据所述处理后特征对所述候选会议室进行分类，得到目标会议室；
显示所述目标会议室的推荐预定信息；所述推荐预定信息包括建议会议室信息和建议预定时间信息；
响应于对所述推荐预定信息的推荐确认操作，对所述目标会议室进行预定。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取用户行为特征和候选会议室的会议室特征；
通过表示会议室偏好程度的卷积核对所述用户行为特征和所述会议室特征进行特征处理，得到处理后特征；所述卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
根据所述处理后特征对所述候选会议室进行分类，得到目标会议室；
显示所述目标会议室的推荐预定信息；所述推荐预定信息包括建议会议室信息和建议预定时间信息；
响应于对所述推荐预定信息的推荐确认操作，对所述目标会议室进行预定。
上述会议室的预定方法、装置、计算机设备和存储介质，在获取到用户行为特征和候选会议室的会议室特征时，通过表示会议室偏好程度的卷积核对用户行为特征和会议室特征进行特征处理，得到处理后特征；根据处理后特征对候选会议室进行分类得到目标会议室，从而本端用户无需进行手动设置各种会议室的筛选条件，以得到满足筛选条件的、可在不同预定时段进行预约的多个会议室，直接对显示的推荐预定信息进行确认即可完成目标会议室的预定，可以避免用户需要在会议室预定系统进行多次的交互操作，以及在众多会议室和众多时段中查看才能得到最终预定的会议室，有效地提高了会议室的预定效率。
附图说明
图1为一个实施例中会议室的预定方法的应用环境图；
图2为一个实施例中会议室的预定方法的流程示意图；
图3为一个实施例中会议室预定系统的会议预定页面的界面示意图；
图4a为一个实施例中会议室预定系统的自动推荐子页面的界面示意图；
图4b为一个实施例中会议室预定系统配置了自动推荐按钮的会议室选择子页面的界面示意图；
图5为一个实施例中通过两个弹窗显示推荐预定信息的界面示意图；
图6a为一个实施例中通过一个弹窗显示推荐预定信息的界面示意图；
图6b为一个实施例中通过上拉框显示推荐预定信息的界面示意图；
图6c为一个实施例中通过分屏方式显示推荐预定信息的界面示意图；
图7a为一个实施例中在预定目标会议室之前自动推荐子页面的界面示意图；
图7b为一个实施例中在预定目标会议室之后自动推荐子页面的界面示意图；
图8为一个实施例中将目标会议室修改为指定会议室进行预定的步骤的流程示意图；
图9为另一个实施例中会议室的预定方法的流程示意图；
图10为一个实施例中模型训练步骤的流程示意图；
图11为一个实施例中模型测试步骤的流程示意图；
图12为一个实施例中多用户占用状态的卷积核的示意图；
图13为另一个实施例中会议室的预定方法的流程示意图；
图14为一个实施例中通过模型进行预测以及对模型进行训练和测试的流程示意图；
图15为一个实施例中特征处理网络和预测模型的结构示意图；
图16为一个实施例中会议室的预定装置的结构框图；
图17为另一个实施例中会议室的预定装置的结构框图；
图18为另一个实施例中会议室的预定装置的结构框图；
图19为另一个实施例中会议室的预定装置的结构框图；
图20为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习和度量学习等技术。
本申请实施例提供的方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明：
本申请提供的会议室的预定方法，可以应用于如图1所示的应用环境中。在该应用环境中，包括终端102、服务器104和数据库106。其中，该会议室的预定方法可以由终端102执行，也可以由终端102和服务器104协同执行。对于产品侧，该会议室的预定方法可以由终端102执行，终端102可以从数据库106获取关于候选会议室的信息，或者通过服务器104从数据库106获取关于候选会议室的信息，然后显示候选会议室的会议室标识、以及候选会议室在不同预定时段的预定标志位；显示自动推荐的推荐预定信息；该推荐预定信息包括建议会议室信息和建议预定时间信息；响应于对推荐预定信息的推荐确认操作，在与目标会议室的目标预定时段对应的预定标志位处，显示已预订标志；目标会议室与建议会议室信息相匹配，目标预定时段与建议预定时间信息相匹配。
对于技术实现侧，该会议室的预定方法可以由终端102执行，或执行终端102和服务器104协同执行，以由终端102执行为例，终端102获取用户行为特征和候选会议室的会议室特征；通过表示会议室偏好程度的卷积核对用户行为特征和会议室特征进行特征处理，得到处理后特征；卷积核是基于同时预定至少两个会议室的用户占比进行构建的；根据处理后特征对候选会议室进行分类，得到目标会议室；显示目标会议室的推荐预定信息；推荐预定信息包括建议会议室信息和建议预定时间信息；响应于对推荐预定信息的推荐确认操作，对目标会议室进行预定。
其中，终端102可以是智能手机、平板电脑、笔记本电脑、台式计算机以及其它安装了会议室预定系统的设备，或安装了可运行会议室预定系统的应用程序的设备，该会议室预定系统可以集成于用于预定会议室的小程序，也即子应用；上述的应用程序可以是能够为会议室预定系统提供运行环境的社交应用，即母应用。所谓的小程序(Mini Program)是一种不需要下载安装即可使用的应用程序，为向用户提供更多样化的业务服务，开发者可为终端的目应用(例如社交应用、购物应用以及其它应用等)开发相应的小程序，该小程序可作为子应用被嵌入至终端的母应用中，通过运行母应用内的子应用(即对应的小程序)能够为用户提供相应的业务服务。
服务器104可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群，可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
数据库106可以是用于存储所有会议室的信息以及用户预定信息的数据库，该数据库可以是关系型数据库或非关系型数据库。
终端102、服务器104和数据库106之间可以通过蓝牙、USB(Universal SerialBus，通用串行总线)或者网络等通讯连接方式进行连接，本申请在此不做限制。
在一个实施例中，如图2所示，提供了一种会议室的预定方法，该方法可以由图1中的终端102执行，或者由图1中的终端102和服务器104协同执行，以该方法由图1中的终端102执行为例进行说明，包括以下步骤：
S202，响应于在会议室预定系统的自动推荐标签上触发的自动推荐操作，显示与用户行为特征匹配的候选会议室的会议室标识、以及候选会议室在不同预定时段的预定标志位。
其中，会议室预定系统可以指用于预定会议室的软件系统，该可以集成于应用程序或子程序中，该子程序也可称为子应用，运行于母应用中，该母应用例如可以是社交应用。
会议室可以是线上的电子会议室，也可以是线下的实体会议室，在后续实施例中，以线下的实体会议室为例进行说明。候选会议室可以指所有可以预定的会议室，或者所有可预定的会议室中的一部分会议室。例如，某企业共有两栋办公楼，候选会议室可以是这两栋办公楼中的所有会议室，也可以是其中一栋办公室中的会议室，或者是其中一栋办公室某层楼的会议室。
会议室标识可以是用于唯一标识候选会议室的标识，例如，该会议室标识可以是候选会议室的名称，如TX大厦401。
用户行为特征可以指用户历史预定会议室的过程中所产生的行为数据，包括历史预定会议室的过程中的行为记录。例如，当会议室预定系统推荐目标会议室时，该用户行为特征可以是用户预定该目标会议室的行为记录，也可以是用户将推荐的目标会议室修改为其它会议室的行为记录，还可以是用户直接取消该推荐的目标会议室的行为记录。
预定时段可以是被划分出来的、用户用来预定会议室以进行会议的时段，包括用户可对候选会议室进行预定的时段，以及因被其他用户预定而无法再进行预定的时段。例如，如图3所示，yyyy年mm月dd日这一天，TX大厦中的401会议室，预定时段包括09:00～09:30、09:30～10:00、10:00～10:30、10:30～11:00、1100～11:30和11:30～12:00，其中，401会议室在10:00～10:30这个预定时段内的未被预定，在09:00～09:30、09:30～10:00、10:30～11:00、1100～11:30和11:30～12:00这几个预定时段均已被预定，因此，用户可以对10:00～10:30这个预定时段内的401会议室进行预定，而上述的其它预定时段不能进行预定。需要指出的是，上述的预定时段只是列出了dd日中的一部分，而非穷举。
在一个实施例中，终端可以在会议预定页面上显示与用户行为特征匹配的候选会议室的会议室标识，以及，在该会议室标识的附近显示候选会议室在不同预定时段的预定标志位，例如，会议室标识显示在会议预定页面的左侧，对应的预定标识位显示在会议室标识的左侧，也即会议预定页面的左侧，可参考图3。
具体地，终端当基于用户账号登录会议室预定系统时，终端进入会议预定页面，在会议室预定页面的筛选区，显示与用户行为特征匹配的会议室筛选信息；在会议室预定页面的会议室显示区，显示与会议室筛选信息匹配的候选会议室的会议室标识；以及，在对应于会议室标识的显示位置，显示候选会议室在不同预定时段的预定标志位。
其中，该会议预定页面可以包括自动推荐子页面，也可以包括配置了自动推荐按钮的会议室选择子页面，该自动推荐按钮可用于在被触发的情况下，推荐目标会议室；若自动推荐按钮未被触发时，需要用户手动选择感兴趣的目标会议室。会议室筛选信息可以包括会议室所在楼栋的名称以及会议室的预定日期。
在一个实施例中，当进入自动推荐子页面时，终端可以通过会议室预定系统推荐用户可能感兴趣的目标会议室；而当进入会议室选择子页面时，终端可以根据输入的会议室选中指令，选择用户感兴趣的目标会议室。其中，该自动推荐子页面中包括筛选区和会议室显示区。需要指出的时，当会议室预定系统的会议室选择子页面中配置了自动推荐按钮时，可以不再单独设置自动推荐子页面；同理，当会议室预定系统中配置了自动推荐子页面时，可以不在会议室选择子页面另外配置自动推荐按钮。
如图4a所示，图中“自动推荐”选项下的页面即为自动推荐子页面，在进入该自动推荐子页面时，会议室预定系统会推荐用户可能感兴趣的目标会议室。如图4b所示，图中“总览预定”选项下的页面即为会议室选择子页面，在该会议室选择子页面中配置了自动推荐按钮，当用户点击该自动推荐按钮时，会议室预定系统会推荐用户可能感兴趣的目标会议室。
因此，对于会议室标识和预定标志位的显示，具体可以分为以下两种场景：
场景1，在自动推荐子页面中显示会议室标识和预定标志位，如图4a所示。
当会议室预定系统中配置了自动推荐子页面时，可以将该自动推荐子页面设置为默认页面，当基于用户账号登录会议室预定系统时，直接进入自动推荐子页面。或者，当基于用户账号登录会议室预定系统后，触发该会议室预定系统中的自动推荐标签时，进入自动推荐子页面。因此，进入自动推荐子页面的方式包括以下两种：登录会议室预定系统时，直接进入自动推荐子页面；或者，登录会议室预定系统之后，通过点击或触摸会议室预定系统中的自动推荐标签进入自动推荐子页面。
此外，也可以将会议室选择子页面(未配置自动推荐按钮)设置为默认页面，终端在登录会议室预定系统时，终端可以直接进入会议室选择子页面。
在一个实施例中，当基于用户账号登录会议室预定系统时，终端可以直接进入自动推荐子页面；获取与用户行为特征匹配的会议室筛选信息；在自动推荐子页面的筛选区显示会议室筛选信息。对应地，终端还会获取与该会议室筛选信息对应的候选会议室的会议室标识和该候选会议室在不同预定时段的预定标志位，然后将该会议室标识和预定标志位显示于自动推荐子页面中的会议室显示区，然后执行S204。其中，显示位置和显示方式可参考图4a。
在另一个实施例中，当基于用户账号登录会议室预定系统时，终端可以直接进入会议室选择子页面，其中，在该会议室选择子页面中，需要用户手动输入的会议室筛选信息。当触发了自动推荐子页面的触发按钮时，如点击了图4a中的“自动推荐”选项，则进入自动推荐子页面，然后获取与用户行为特征匹配的会议室筛选信息；在自动推荐子页面的筛选区显示会议室筛选信息。此外，终端还会将与该会议室筛选信息对应的候选会议室显示于自动推荐子页面中的会议室显示区，然后执行S204。
场景2，在配置了自动推荐按钮的会议室选择子页面中显示会议室标识和预定标志位。
在一个实施例中，终端进入会议室预定页面，该会议室预定页面为会议室选择子页面；响应于在会议室预定页面中自动推荐按钮触发的会议室推荐操作，获取与用户行为特征匹配的会议室筛选信息；在会议室预定页面的筛选区显示会议室筛选信息。对应地，终端还会获取与该会议室筛选信息对应的候选会议室的会议室标识和该候选会议室在不同预定时段的预定标志位，然后将该会议室标识和预定标志位显示于会议室预定页面中的会议室显示区，然后执行S204。其中，显示位置和显示方式可参考图4b。
其中，配置了自动推荐按钮的会议室预定页面即为会议室选择子页面，用户在该会议室选择子页面中，若未触发自动推荐按钮，会议室预定系统将不会自动向用户推荐目标会议室，即不显示目标会议室的推荐预定信息。
例如，如图4b所示，当自动推荐按钮被点击后，终端则会获取用户行为特征，根据该用户行为特征来分析用户的习惯，如用户经常预定TX大厦的会议室，以及经常提前一天预定会议室，那么，终端则可以获得与用户行为特征匹配的会议室筛选信息，该会议室筛选信息包括TX大厦和会议日期，若当前日期为12.30，则会议日期即为12.31。
S204，显示自动推荐的推荐预定信息；推荐预定信息包括候选会议室中目标会议室的建议会议室信息和建议预定时间信息。
其中，推荐预定信息可以是向用户推荐的目标会议室的请求预定信息，以便用户可以根据请求预定信息中的建议会议室信息和建议预定时间信息来确定是否预定该目标会议室。
在一个实施例中，该目标会议室，是根据候选会议室对应的会议室特征、用户行为特征以及表示会议室偏好程度的卷积核，对候选会议室进行分类所得；卷积核是基于同时预定至少两个会议室的用户占比进行构建的。其中，目标会议室是候选会议室中的至少一个用户感兴趣的会议室，也即用户可能会预定的会议室。根据处理后特征对候选会议室进行分类得到目标会议室，从而本端用户无需进行手动设置各种会议室的筛选条件，以得到满足筛选条件的、可在不同预定时段进行预约的多个会议室，通过直接对显示的推荐预定信息进行确认即可完成目标会议室的预定，有利于提高会议室的预定效率。
对于目标会议室的确定，其具体步骤包括：终端获取用户行为特征和候选会议室的会议室特征；通过表示会议室偏好程度的卷积核对用户行为特征和会议室特征进行特征处理，得到处理后特征；卷积核是基于同时预定至少两个会议室的用户占比进行构建的；根据处理后特征对候选会议室进行分类，得到目标会议室。在确定出目标会议室时，显示关于显示目标会议室的推荐预定信息。其中，该目标会议室可以是一个，也可以是多于一个。如图5所示，图中示例了两个目标会议室的推荐预定信息，即TX大厦410的会议室，以及TX大厦413的会议室，建议预定时间信息均为yyyy年mm月dd日(星期一)x时段。
在确定目标会议室之前，可以先构建用于表示会议室偏好程度的卷积核，具体的构建步骤如下：终端可以先获取同时预定至少两个会议室的用户数，然后计算同时预定至少两个会议室的用户数与预定会议室的总用户数间的比值；根据计算的比值构建对称矩阵；将所述对称矩阵作为用于表示会议室偏好程度的卷积核。
其中，预定相同会议室的用户数可以指不同用户在不同预定时段预定至少两个相同会议室的用户数；或者，不同用户在不同日期预定至少两个相同会议室的用户数，不同日期预定至少两个相同会议室的预定时段可以相同，也可以不同。例如，在同一个日期，用户a在预定时段1预定了第i会议室和第j会议室，用户b在预定时段2也预定了第i会议室和第j会议室，则均预定第i会议室和第j会议室的用户数为2。又例如，在某个日期，用户a在预定时段1预定了第i会议室和第j会议室，用户b在不同日期的预定时段1也预定了第i会议室和第j会议室，则均预定第i会议室和第j会议室的用户数也为2。
因此，该卷积核为
Figure GDA0003538590290000151
该卷积核中的
Figure GDA0003538590290000152
Figure GDA0003538590290000153
表示同时预定第i个和第j个会议室的用户占比(m表示会议室数量，n表示预定会议室的用户总数)，nij表示同时预定第i个和第j个会议室的用户数，
Figure GDA0003538590290000154
在一个实施例中，上述通过表示会议室偏好程度的卷积核对用户行为特征和会议室特征进行特征处理，得到处理后特征的步骤，具体可以包括：终端将表示会议室偏好程度的卷积核、用户行为特征和会议室特征，输入特征处理网络；通过特征处理网络中的至少两个卷积层对卷积核、用户行为特征和会议室特征进行卷积处理，得到嵌入特征；通过特征处理网络中的全连接层对嵌入特征进行特征处理，得到处理后特征。
其中，特征处理网络可以是卷积神经网络、循环神经网络或其它可用于进行特征处理的神经网络。在该特征处理网络中，至少包括两个卷积层和一个全连接层，此外还可以包括关联权重和池化层(pooling layer)。
在一个实施例中，上述根据处理后特征对候选会议室进行分类，得到目标会议室的步骤，具体可以包括：终端通过预测模型依据处理后特征计算各候选会议室的分类概率；从候选会议室中选取分类概率达到推荐条件所对应的会议室；将达到推荐条件所对应的会议室作为目标会议室。其中，预测模型可以是基于决策树构建的分类器(决策树分类器)，或者是LR(Logistic Regression，逻辑回归)预测模型。
对于推荐预定信息的显示，可以采用以下方式进行显示：
方式1，通过弹窗方式显示推荐预定信息。
在一个实施例中，终端在会议室预定页面上通过弹窗显示自动推荐的推荐预定信息。其中，该弹窗上可以配置确定按钮、修改按钮和退出按钮，确定按钮用于确认预定与该推荐预定信息对应的目标会议室。例如，推荐预定信息是向用户推荐的关于目标会议室a的请求预定信息，若用户点击了确定按钮，则表示用户预定目标会议室a，终端则通过会议室预定系统预定该目标会议室a。
此外，修改按钮用于对该推荐预定信息对应的目标会议室进行修改，即将推荐的目标会议室修改为其它会议室。退出按钮用于退出该自动推荐的流程，进入手动选择感兴趣的目标会议室进行预定的流程。
以会议室预定页面为自动推荐子页面为例，如图6a所示，图中示例了一个目标会议室的推荐预定信息；在自动推荐子页面上弹出一个弹窗，在该弹窗上显示建议会议室信息和建议预定时间信息，该建议会议室信息为会议地址，如图中的TX大厦413；该建议预定时间信息为会议时间，如图中的yyyy年mm月dd日(星期一)x时段。此外，该推荐预定信息还可以包括参会人员，如图中的Sanzhang(张三)。
方式2，通过上拉框或下拉框显示推荐预定信息。
在一个实施例中，终端在会议室预定页面中通过上拉框或下拉框显示推荐预定信息。其中，该上拉框或下拉框中也可以配置确定按钮、修改按钮和退出按钮，这些按钮的功能与方式1中的按钮一致，具体功能的描述可参考方式1。
例如，如图6b所示，在获得自动推荐的推荐预定信息时，终端可以弹出一个上拉框，即从页面底部弹出一个上拉框，然后在该上拉框中显示建议会议室信息和建议预定时间信息，此外还可以显示参会人员，具体可参考方式1。
方式3，通过分屏的方式显示推荐预定信息。
在一个实施例中，终端对显示会议室预定页面的显示屏进行分屏，并在显示屏的第一分屏中显示推荐预定信息；其中，在进行分屏后，会议室预定页面显示在显示屏的第二分屏中。其中，显示屏分屏可以是左右分屏，也可以是上下分屏。
如图6c所示，图中的分屏方式为上下分屏，上半部分为第二分屏，用于显示会议室预定页面；下半部分为第一分屏，用于显示推荐预定信息。其中，该推荐预定信息可以通过浮层或弹窗来承载以进行显示，而作为信息承载的浮层或弹窗中，配置确定按钮、修改按钮和退出按钮，这些按钮的功能与方式1中的按钮一致，具体功能的描述以及具体内容的显示可参考方式1。
S206，响应于对推荐预定信息的推荐确认操作，在与目标会议室的目标预定时段对应的预定标志位处，显示已预订标志。
其中，上述的目标会议室与建议会议室信息相匹配，即自动推荐的推荐预定信息是向用户推荐的目标会议室的请求预定信息，而推荐预定信息中的建议会议室信息是目标会议室的地址信息。目标预定时段与建议预定时间信息相匹配，即建议预定时间信息是建议预定目标会议室的会议时间。
在一个实施例中，响应于对推荐预定信息的推荐确认操作，终端对目标会议室进行预定，并在预定成功后，在与目标会议室的目标预定时段对应的预定标志位处，显示已预订标志。具体地，在预定成功后，终端在与目标会议室的目标预定时段对应的预定标志位处，将未预定标志切换为已预订标志，如图7a和7b所示，其中，图7a为目标会议室(即TX大厦403会议室)在预定之前的会议室预定页面，图7b为目标会议室在预定之后的会议室预定页面。
在一个实施例中，当完成对目标会议室的预定时，终端生成目标会议室的预定信息；将预定信息存储于数据库，以根据存储的预定信息获取用户行为特征。
会议室预定系统在推荐目标会议室之后，用户可以预定该目标会议室，若用户对推荐的目标会议室不满意，也可以修改该目标会议室，还可以退出自动推荐的流程。
接下来阐述将目标会议室修改为其它会议室进行预定的方案，具体如下所述：推荐预定信息通过弹窗进行显示，弹窗展示于会议室预定页面上。具体地，终端响应于对推荐预定信息的信息修改操作，在会议室预定页面上取消展示弹窗；响应于在会议室预定页面中会议室显示区触发的会议室选中操作，选中与会议室选中操作对应的指定会议室；当完成对指定会议室的预定时，生成指定会议室的预定信息；将预定信息存储于数据库，以根据存储的预定信息获取用户行为特征。通过该实施例的方案，当用户不想预定系统所推荐的目标会议室时，可以通过弹窗上的修改按钮进行修改。
在一个实施例中，当推荐预定信息通过弹窗进行显示时，终端响应于在弹窗中修改按钮触发的退出操作，生成针对目标会议室的取消预定信息；将取消预定信息存储于数据库，以根据存储的取消预定信息获取用户行为特征。通过该实施例的方案，当用户不想预定系统所推荐的目标会议室时，还可以通过弹窗上的退出按钮，以退出自动推荐的流程。
在一个实施例中，上述的特征处理网络和预测模型是对初始特征处理网络和初始预测模型进行模型训练所得；对初始特征处理网络和初始预测模型进行模型训练的步骤，具体可以包括：终端获取用户行为训练样本和会议室训练集对应的特征训练样本；将用户行为训练样本、特征训练样本以及表示会议室偏好程度的训练卷积核输入至初始特征处理网络进行训练，得到训练特征；训练卷积核是基于同时预定至少两个会议室的用户占比进行构建的；通过初始预测模型，依据训练特征计算会议室训练集中各会议室的预测分类概率；当会议室训练集中样本会议室的预测分类概率达到推荐条件时，计算样本会议室对应的预定值与用户预定标签之间的损失值；根据损失值依次对初始特征处理网络和初始预测模型中的参数进行调整，直至模型收敛时停止训练。
在一个实施例中，上述根据损失值依次对初始特征处理网络和初始预测模型中的参数进行调整，直至模型收敛时停止训练的步骤之后，该方法还包括：终端获取用户行为测试样本和会议室训练集对应的特征测试样本；将用户行为测试样本、特征测试样本以及表示会议室偏好程度的测试卷积核输入至训练所得的特征处理网络进行测试，得到测试特征；测试卷积核是基于同时预定至少两个会议室的用户占比进行构建的；通过训练所得的预测模型，依据测试特征计算会议室测试集中各会议室的预测分类概率；当会议室测试集中目标测试会议室的预测分类概率达到推荐条件时，计算模型测评值；当模型测评值达到测试条件时，得到最终的特征处理网络和预测模型。
上述实施例中，在进行会议室预定时，直接显示候选会议室的会议室标识，并在该会议室标识的位置附近显示对应不同预定时段的预定标志位，然后自动推荐关于目标会议室的推荐预定信息，用户无需进行手动设置各种会议室的筛选条件，直接对显示的推荐预定信息进行确认即可完成会议室的预定，可以避免用户需要在会议室预定系统进行多次的交互操作，以及在众多会议室和众多时段中查看才能得到最终预定的会议室，有效地提高了会议室的预定效率。此外，在对显示的推荐预定信息进行确认之后，在与目标会议室的目标预定时段对应的预定标志位处，显示已预订标志，一方面，本端用户可以确定该目标会议室被预定成功；另一方面，其它端用户在手动预定会议室时，可以直观确定该目标会议室在该目标预定时段已经被预定了，避免出现同一会议室在同一预定时段被不同用户预定的问题。
在一个实施例中，会议室预定页面还包括会议室选择子页面，如图8所示，该方法还可以包括：
S802，当通过弹窗显示推荐预定信息时，响应于在弹窗中修改按钮触发的信息修改操作，从自动推荐子页面切换至会议室选择子页面。
其中，修改按钮用于对该推荐预定信息对应的目标会议室进行修改，即将推荐的目标会议室修改为其它会议室。
自动推荐子页面是用于向用户自动推荐用户感兴趣的目标会议室的页面，当进入该自动推荐子页面时，会议室推荐系统将会根据用户的行为习惯以及会议室被占用的情况进行推荐。
当用户在弹窗中点击或触摸修改按钮时，终端将会把页面从自动推荐子页面切换至会议室选择子页面，从而用户可以在会议室选择子页面选择相应的会议室。
S804，响应于在会议室选择子页面中会议室显示区触发的会议室选中操作，完成对会议室选中操作所指定会议室的预定。
其中，在该会议室选择子页面中，筛选区所显示的会议室筛选信息与在自动推荐子页面的筛选区所显示的会议室筛选信息一致；此外，会议室显示区所显示的会议室标识和预定标志位与在自动推荐子页面的会议室显示区显示的会议室标识和预定标志位一致。
会议室选中操作可以是对指定会议室的会议室标识进行点击或触摸的操作，或者，对指定会议室对应的预定标志位进行点击或触摸的操作。在会议室显示区中显示的会议室标识和预定标志位，均可以响应触发事件，即当点击或触摸会议室显示区的会议室标识和预定标志位时，可以确定用户所要预定的会议室，然后预定该指定会议室。或者，在确定用户所要预定的会议室之后，还可以弹出一个确认框，该确认框中包含确定按钮和取消按钮，当确定按钮被触发时，预定该指定会议室。
在一个实施例中，当对会议室选择子页面中显示的会议室标识所对应的候选会议室不符合预定条件时，则根据输入的新会议室筛选信息确定新候选会议室，将新候选会议室的会议室标识和该新候选会议室在不同预定时段的预定标志位。
S806，在与指定会议室的目标预定时段对应的预定标志位处，显示所述已预订标志。
在一个实施例中，终端对指定会议室进行预定后，在与指定会议室的目标预定时段对应的预定标志位处，将未预定标志切换为已预订标志，可参考图7a和7b。
在一个实施例中，当完成对指定会议室的预定时，终端生成指定会议室的预定信息；将预定信息存储于数据库，以根据存储的预定信息获取用户行为特征。
上述实施例中，当自动推荐的目标会议室不符合预定条件时，可以通过弹窗中的修改按钮进行修改，即修改为满足用户的预定条件的指定会议室，从而有利于提高预定会议室的准确性。此外，在预定指定会议室之后，在与指定会议室的目标预定时段对应的预定标志位处，显示已预订标志，一方面，本端用户可以确定该指定会议室被预定成功；另一方面，其它端用户在手动预定会议室时，可以直观确定该指定会议室在该目标预定时段已经被预定了，避免出现同一会议室在同一预定时段被不同用户预定的问题。
在一个实施例中，如图9所示，提供了一种会议室的预定方法，该方法可以由图1中的终端102执行，或者由图1中的终端102和服务器104协同执行，以该方法由图1中的终端102执行为例进行说明，包括以下步骤：
S902，获取用户行为特征和候选会议室的会议室特征。
其中，用户行为特征可以指用户历史预定会议室的过程中所产生的行为数据，包括历史预定会议室的过程中的行为记录。例如，当会议室预定系统推荐目标会议室时，该用户行为特征可以是用户预定该目标会议室的行为记录，也可以是用户将推荐的目标会议室修改为其它会议室的行为记录，还可以是用户直接取消该推荐的目标会议室的行为记录。该会议室预定系统可以是集成在小程序(即子应用)上的用于预定会议室的系统，该小程序可以在母应用上运行，如在社交应用提供的运行环境上运行。
会议室特征可以指用于描述会议室的预定、使用和固有属性的信息，包括会议室预定系统子特征和会议室子特征。其中，会议室预定系统子特征是在会议室预订系统中，将用户特征进行抽象提炼统计后得到的特征信息，包括：会议室预定时长、会议室使用时长、预定时间、高峰时段、低谷时段、会议室点击率、会议室取消率、会议室使用超时率、会议室空置楼层、会议室空置率、会议室人数、是否带视频设备等；而会议室子特征是通过摄像头检测到的会议室的使用情况，包括：使用人数、到访人数、是否使用视频设备、使用时长、起始时间和空置时长等。
对于用户行为特征的获取，具体步骤可以包括：终端从数据库中获取用户预定会议室的预定信息、取消预定会议室的取消预定信息以及会议室预定系统推荐会议室时退出推荐预定信息的行为信息等，然后从获取的这些信息中提取用户行为特征。对于会议室特征的获取，具体步骤可以包括：终端可以直接从数据库中获取候选会议室的会议室特征。
在一个实施例中，终端在获取到用户行为特征时，根据该用户行为特征获取匹配的会议室筛选信息，在会议室预定页面的筛选区显示该会议室筛选信息。其中，该会议室预定页面可以是自动推荐子页面，如图4a所示，“自动推荐”的子页面即为自动推荐子页面；或者，该会议室预定页面也可以是配置了自动推荐按钮的会议室选择子页面，如图4b所示，“总览预定”的子页面即为会议室选择子页面。
当显示会议室筛选信息时，终端根据该会议室筛选信息确定匹配的候选会议室，然后从数据库中获取关于候选会议室的会议室特征。此外，终端还会再会议室预定页面的会议室显示区显示候选会议室的会议室标识，以及显示该候选会议室在不同预定时段的预定标志位，如图3所示，具体地显示方式及过程可参考图2实施例的场景1和场景2。其中，候选会议室的预定状态不同，对应的预定标志位的显示方式不同，例如，若候选会议室1在09:00-10:00这个预定时段处于已预定状态，则对应的预定标志位显示灰色；若候选会议室1在10:00-10:30这个预定时段处于未预定状态，则对应的预定标志位显示白色或无色，可参考图3。
S904，通过表示会议室偏好程度的卷积核对用户行为特征和会议室特征进行特征处理，得到处理后特征。
其中，卷积核是基于同时预定至少两个会议室的用户占比进行构建的。
在一个实施例中，S904具体可以包括：终端将表示会议室偏好程度的卷积核、用户行为特征和会议室特征，输入特征处理网络；通过特征处理网络中的至少两个卷积层对卷积核、用户行为特征和会议室特征进行卷积处理，得到嵌入特征；通过特征处理网络中的全连接层对嵌入特征进行特征处理，得到处理后特征。
其中，特征处理网络可以是卷积神经网络、循环神经网络或其它可用于进行特征处理的神经网络。
在该特征处理网络中，至少包括两个卷积层和一个全连接层，此外还可以包括关联权重和池化层(pooling layer)。终端将表示会议室偏好程度的卷积核、用户行为特征和会议室特征，输入特征处理网络；该特征处理网络中的卷积层利用输入的卷积核对用户行为特征和会议室特征分别进行卷积处理，然后分别将卷积处理所得的结果进行特征融合，得到嵌入特征。特征处理网络中的全连接层对该嵌入特征进行卷积处理，然后进行拼接，得到处理后特征。
在一个实施例中，基于同时预定至少两个会议室的用户占比进行构建的步骤，具体可以包括：终端先获取同时预定至少两个会议室的用户数，然后计算同时预定至少两个会议室的用户数与预定会议室的总用户数间的比值；根据计算的比值构建对称矩阵；将对称矩阵作为用于表示会议室偏好程度的卷积核。
其中，预定相同会议室的用户数可以指不同用户在不同预定时段预定至少两个相同会议室的用户数；或者，不同用户在不同日期预定至少两个相同会议室的用户数，不同日期预定至少两个相同会议室的预定时段可以相同，也可以不同。例如，在同一个日期，用户a在预定时段1预定了第i会议室和第j会议室，用户b在预定时段2也预定了第i会议室和第j会议室，则均预定第i会议室和第j会议室的用户数为2。又例如，在某个日期，用户a在预定时段1预定了第i会议室和第j会议室，用户b在不同日期的预定时段1也预定了第i会议室和第j会议室，则均预定第i会议室和第j会议室的用户数也为2。
因此，该卷积核为
Figure GDA0003538590290000231
该卷积核中的
Figure GDA0003538590290000232
Figure GDA0003538590290000233
表示同时预定第i个和第j个会议室的用户占比(m表示会议室数量，n表示预定会议室的用户总数)，nij表示同时预定第i个和第j个会议室的用户数，
Figure GDA0003538590290000234
S906，根据处理后特征对候选会议室进行分类，得到目标会议室。
具体地，终端可以通过预测模型依据处理后特征来对候选会议室进行分类，从而得到目标会议室。其中，预测模型可以是基于决策树构建的分类器(决策树分类器)，或者是LR(Logistic Regression，逻辑回归)预测模型。
在一个实施例中，终端通过预测模型依据处理后特征计算各候选会议室的分类概率；当候选会议室中目标会议室的分类概率达到推荐条件时，则将目标会议室作为推荐的会议室。
其中，推荐条件可以是推荐阈值，分类概率达到推荐阈值时，则将目标会议室作为推荐的会议室。
S908，显示目标会议室的推荐预定信息；推荐预定信息包括建议会议室信息和建议预定时间信息。
其中，推荐预定信息可以是向用户推荐的目标会议室的请求预定信息，以便用户可以根据请求预定信息中的建议会议室信息和建议预定时间信息来确定是否预定该目标会议室。
对于推荐预定信息的显示，可以参考图2实施例中的方式1、方式2和方式3，这里不再进行详细描述。
S910，响应于对推荐预定信息的推荐确认操作，对目标会议室进行预定。
在一个实施例中，响应于对推荐预定信息的推荐确认操作，终端对目标会议室进行预定，并在预定成功后，在与目标会议室的目标预定时段对应的预定标志位处，显示已预订标志。具体地，在预定成功后，终端在与目标会议室的目标预定时段对应的预定标志位处，将未预定标志切换为已预订标志，如图7a和7b所示，其中，图7a为目标会议室(即TX大厦403会议室)在预定之前的会议室预定页面，图7b为目标会议室在预定之后的会议室预定页面。
在一个实施例中，当完成对目标会议室的预定时，终端生成目标会议室的预定信息；将预定信息存储于数据库，以根据存储的预定信息获取用户行为特征。
会议室预定系统在推荐目标会议室之后，用户可以预定该目标会议室，若用户对推荐的目标会议室不满意，也可以修改该目标会议室，还可以退出自动推荐的流程。
接下来阐述将目标会议室修改为其它会议室进行预定的方案，具体如下所述：推荐预定信息通过弹窗进行显示；弹窗展示于会议室预定页面上。该方法还包括：终端响应于对推荐预定信息的信息修改操作，在会议室预定页面上取消展示弹窗；响应于在会议室预定页面中会议室显示区触发的会议室选中操作，选中与会议室选中操作对应的指定会议室；当完成对指定会议室的预定时，生成指定会议室的预定信息；将预定信息存储于数据库，以根据存储的预定信息获取用户行为特征。通过上述的方案，当自动推荐的目标会议室不符合预定条件时，可以通过弹窗中的修改按钮进行修改，即修改为满足用户的预定条件的指定会议室，从而有利于提高预定会议室的准确性。此外，在预定指定会议室之后，在与指定会议室的目标预定时段对应的预定标志位处，显示已预订标志，一方面，本端用户可以确定该指定会议室被预定成功；另一方面，其它端用户在手动预定会议室时，可以直观确定该指定会议室在该目标预定时段已经被预定了，避免出现同一会议室在同一预定时段被不同用户预定的问题。
在一个实施例中，推荐预定信息通过弹窗进行显示。该方法还包括：终端响应于在弹窗中修改按钮触发的退出操作，生成针对目标会议室的取消预定信息；将取消预定信息存储于数据库，以根据存储的取消预定信息获取用户行为特征。通过该实施例的方案，当自动推荐的目标会议室不符合预定条件时，可以通过弹窗中的取消按钮进行取消。
在一个实施例中，当推荐预定信息通过弹窗进行显示时，终端响应于在弹窗中修改按钮触发的退出操作，生成针对目标会议室的取消预定信息；将取消预定信息存储于数据库，以根据存储的取消预定信息获取用户行为特征。通过该实施例的方案，当用户不想预定系统所推荐的目标会议室时，还可以通过弹窗上的退出按钮，以退出自动推荐的流程。
上述实施例中，在获取到用户行为特征和候选会议室的会议室特征时，通过表示会议室偏好程度的卷积核对用户行为特征和会议室特征进行特征处理，得到处理后特征；根据处理后特征对候选会议室进行分类得到目标会议室，从而本端用户无需进行手动设置各种会议室的筛选条件，以得到满足筛选条件的、可在不同预定时段进行预约的多个会议室，直接对显示的推荐预定信息进行确认即可完成目标会议室的预定，可以避免用户需要在会议室预定系统进行多次的交互操作，以及在众多会议室和众多时段中查看才能得到最终预定的会议室，有效地提高了会议室的预定效率。
在一个实施例中，特征处理网络和预测模型是对初始特征处理网络和初始预测模型进行模型训练所得；如图10所示，该模型训练的步骤具体可以包括：
S1002，获取用户行为训练样本和会议室训练集对应的特征训练样本。
S1004，将用户行为训练样本、特征训练样本以及表示会议室偏好程度的训练卷积核输入至初始特征处理网络进行训练，得到训练特征。
其中，训练卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
S1006，通过初始预测模型，依据训练特征计算会议室训练集中各会议室的预测分类概率。
其中，上述S1002～S1006的步骤具体可以参考上述实施例的S902～S906。
S1008，当会议室训练集中样本会议室的预测分类概率达到推荐条件时，计算样本会议室对应的预定值与用户预定标签之间的损失值。
其中，该预定值可以表示预测用户是否对该样本会议室进行预定的值，可以用1表示用户预定该样本会议室，0表示用户不预定该样本会议室的值。用户预定标签可以指用户对样本会议室进行预定与否的真实值。
在一个实施例中，终端可以通过目标损失函数计算样本会议室对应的预定值与用户预定标签之间的损失值，该目标损失函数可以是L2损失函数、均方误差(Mean SquaredError)函数和交叉熵损失函数中的任一种。
S1010，根据损失值依次对初始特征处理网络和初始预测模型中的参数进行调整，直至模型收敛时停止训练。
在一个实施例中，终端可以将该损失值反向传播到初始特征处理网络和初始预测模型中的各网络层，获得对于各网络层参数的梯度；根据梯度调整各网络层的参数，直至初始特征处理网络和初始预测模型收敛。
上述实施例中，利用用户行为训练样本、特征训练样本以及表示会议室偏好程度的训练卷积核对初始特征处理网络和初始预测模型进行训练，不断调整模型中的参数，从而使训练后所得的特征处理网络能提取出用于预测的处理后特征，然后通过预测模型预测出向用户推荐的目标会议室，从而本端用户无需进行手动设置各种会议室的筛选条件，以得到满足筛选条件的、可在不同预定时段进行预约的多个会议室，直接对显示的推荐预定信息进行确认即可完成目标会议室的预定，可以避免用户需要在会议室预定系统进行多次的交互操作，以及在众多会议室和众多时段中查看才能得到最终预定的会议室，有效地提高了会议室的预定效率。
在一个实施例中，在训练初始特征处理网络和初始预测模型之后，对训练所得的对特征处理网络和预测模型进行模型测试，如图10所示，该模型测试的具体步骤包括：
S1102，获取用户行为测试样本和会议室训练集对应的特征测试样本。
S1104，将用户行为测试样本、特征测试样本以及表示会议室偏好程度的测试卷积核输入至训练所得的特征处理网络进行测试，得到测试特征。
其中，测试卷积核是基于同时预定至少两个会议室的用户占比进行构建的。
S1106，通过训练所得的预测模型，依据测试特征计算会议室测试集中各会议室的预测分类概率。
其中，上述S1102～S1106的步骤具体可以参考上述实施例的S902～S906。
S1108，当会议室测试集中目标测试会议室的预测分类概率达到推荐条件时，计算模型测评值。
其中，模型测评值可以指：根据目标测试会议室预测是否被预定以及实际是否被预定的对比结果，计算查全率或查准率。查全率为“预测为真，实际为真”的样本数量占“实际为真”的样本数量的比例；查准率为“预测为真，实际为真”的样本数量占“预测为真”的样本数量的比例。
S1110，当模型测评值达到测试条件时，得到最终的特征处理网络和预测模型。
其中，测试条件可以是测试阈值，如模型测评值达到测试条件即为模型测评值大于或等于测试阈值。
例如，若模型测评值达到测试条件，表示训练所得的特征处理网络和预测模型达到测试要求，无需继续训练，可以利用该特征处理网络和预测模型构建会议室推荐系统。若模型测评值未达到测试条件，表示训练所得的特征处理网络和预测模型未达到测试要求，需继续训练。
其中，该会议室推荐系统集成于会议室预定系统，从而会议室预定系统通过会议室推荐系统来预测用户可能感兴趣的目标会议室。
上述实施例中，利用用户行为测试样本、特征测试样本以及表示会议室偏好程度的测试卷积核对初始特征处理网络和初始预测模型进行测试，以得到满足条件的处理后特征以及预测模型预测，通过该处理后特征以及预测模型预测进行目标会议室的推荐，从而本端用户无需进行手动设置各种会议室的筛选条件，以得到满足筛选条件的、可在不同预定时段进行预约的多个会议室，直接对显示的推荐预定信息进行确认即可完成目标会议室的预定，可以避免用户需要在会议室预定系统进行多次的交互操作，以及在众多会议室和众多时段中查看才能得到最终预定的会议室，有效地提高了会议室的预定效率。
作为一个示例，通过构建多人预定状态下的、用于表示用户对会议室偏好的卷积核，该卷积核为对称矩阵C，其中，称矩阵C中的元素wij＝wji，如图12所示。然后，将该卷积核与用户行为特征(user特征)和会议室特征(item特征)一并输入卷积神经网络，该卷积神经网络包含两层卷积层。通过该卷积层，可以对该卷积核与用户行为特征、会议室特征进行卷积运算，得到嵌入特征；接着，卷积层将该嵌入特征输入至全连接层，通过全连接层的处理得到全连接层特征(对应上述的处理后特征)。最后，将全连接层特征输入LR二分类模型进行预测，最终得到用户对各候选会议室的偏好得分，或得到各候选会议室的分类概率，根据偏好得分或分类概率的大小确定需要推荐的目标会议室，然后生成关于该目标会议室的推荐预定信息，从而向用户展示该推荐预定信息。
其中，卷积核中的
Figure GDA0003538590290000281
表示同时预定第i个和第j个会议室的用户占比(m表示会议室数量，n表示预定会议室的用户总数)，nij表示同时预定第i个和第j个会议室的用户数，
Figure GDA0003538590290000282
接下来，从产品侧和技术实现侧对会议室的预定方法进行阐述，其中：
(一)产品侧
上述会议室的预定方法应用于会议室预定系统，如图3所示，会议室预定系统中包含“自动推荐”、“总览预定”、“摇摇预定”和“我的预定”共四个子页面。在“总览预定”的子页面(也即会议室预定子页面)中，用户可以搜索或选择相应大楼、楼层、会议室、预定日期、时间，并填入相应的会议主题、参会人员等信息后，即可完成会议室预定。当用户进入“自动推荐”的子页面(也即自动推荐子页面)时，会议室预定系统会根据用户过往预定习惯主动生成目标会议室的推荐预定信息，并在“自动推荐”的子页面上以弹窗的形式呈现给用户，用户可以根据实际情况触发弹窗上的确定按钮、修改按钮或退出按钮。其中，上述的自动推荐也即智能推荐。
1)当触发确定按钮时，则会议室预定系统会根据推荐预定信息确定预定的目标会议室，然后进行预定，并在“我的预定”的子页面查看对目标会议室的预定信息。
2)当触发修改按钮时，则会议室预定系统退出当前“自动推荐”的子页面，返回“总览预定”的子页面，用户根据实际需求预定相应的会议室。
3)当触发退出按钮时，则会议室预定系统退出当前“自动推荐”的子页面，并取消会议室预定系统生成的推荐预定信息。
需要指出的是，会议室预定系统在向用户推荐目标会议室时，是通过调用推荐系统来预测用户感兴趣的目标会议室，然后生成该目标会议室的推荐预定信息，并展示该推荐预定信息给用户观看，以便用户做出是否预定的决策。
此外，当触发弹窗中的确定按钮、修改按钮以及退出按钮，会议室预定系统均会记录响应的行为，得到用户行为特征、预定目标会议室时的预定信息以及会议室使用信息，然后将所得的用户行为特征、预定信息以及会议室使用信息存储于数据库中。
(二)技术实现侧
(1)基于多用户占用状态的会议室预定系统实现会议室预定。
如图13所示，用户登录会议室预定系统后，选择“自动推荐”的功能，即点击或触摸“自动推荐”的选项，此时会议室预定系统向自动推荐关于目标会议室的推荐预定信息，用户可以选择触发弹窗中的确定按钮、修改按钮或退出按钮。当触发弹窗中的确定按钮、修改按钮以及退出按钮，会议室预定系统均会记录响应的行为，得到用户行为特征、预定目标会议室时的预定信息以及会议室使用信息，然后将所得的用户行为特征、预定信息以及会议室使用信息存储于数据库中。其中，用户在选择触发修改按钮时，将会切换到“总览预定”的子页面。
在对数据库中存储的各数据进行加工，形成用户行为特征和会议室特征，然后构建用于向用户推荐感兴趣的目标会议室的推荐系统，该推荐系统采用了卷积神经网络(即上述的特征处理网络)和LR预测模型。推荐系统在预测到了向用户推荐预定的目标会议室时，形成针对该目标会议室的推荐预定信息，然后向推荐该目标会议室的推荐预定信息给用户。
(2)基于多用户占用状态的会议室预定系统的算法流程。
该算法流程包括以下六个阶段：数据收集阶段、样本预处理阶段、多用户占用的卷积核构建阶段、卷积神经网络的学习阶段、LR预测模型的训练和测试阶段、模型预测阶段，可参考图14。
Step1，数据收集阶段。
通过终端的小程序或会议室预定系统收集用户预定和使用会议室的行为特征。会议室预定系统上关于会议室的固有功能信息等信息数据至后台的数据库中，根据收集到的信息加工成用户行为特征和会议室特征。
Step2，样本预处理阶段。
将T-1时期的用户行为特征、会议室特征和用户预定标签组成样本数据，并按一定比例随机切分为训练样本(比例为а)和测试样本(比例为1-а)，例如，将样本随机切分为训练样本：测试样本＝8:2(即，按8:2的比例随机切分训练样本和测试样本)。在样本预处理阶段，输入step1中加工的用户行为特征、会议室特征，输出训练样本和测试样本。
其中，T-1期的样本数据主要包括T-1期的用户行为特征和T-1期的会议室特征。用户行为特征是用户在会议室预定过程当中的行为记录及其数据提炼，包括：用户点击、预定和取消会议室的数据。
会议室特征包括会议室预定系统子特征和会议室子特征，其中，会议室预定系统子特征是在会议室预订系统中，将用户特征进行抽象提炼统计后得到的特征信息，包括：会议室预定时长、会议室使用时长、预定时间、高峰时段、低谷时段、会议室点击率、会议室取消率、会议室使用超时率、会议室空置楼层、会议室空置率、会议室人数、是否带视频设备等；而会议室子特征是通过摄像头检测到的会议室的使用情况，包括：使用人数、到访人数、是否使用视频设备、使用时长、起始时间和空置时长等。
T期用户预定标签(label)：用户点击会议室预定系统且确定预定所推荐的目标会议室时，该用户预定标签记为1；用户点击会议室预定系统但不确定或者取消预定所推荐的目标会议室时，记为0。
Step3，多用户占用状态的卷积核构建阶段。
根据图12的构造方式构建多用户占用状态的卷积核，其中，卷积核中的
Figure GDA0003538590290000311
表示同时预定第i个和第j个会议室的用户占比(m表示会议室数量，n表示预定会议室的用户总数)，nij表示同时预定第i个和第j个会议室的用户数，
Figure GDA0003538590290000312
C为对称矩阵，即wij＝wji。
其中，该卷积核用于表示用户对每个会议室的偏好程度，作用于用户行为特征和会议室特征。
Step4，卷积神经网络学习阶段。
在卷积神经网络中，输入构建的卷积核、用户行为特征和会议室特征，通过卷积神经网络中的两层卷积层进行卷积，得到嵌入特征，并将该嵌入特征输入到全连接层，得到全连接层特征。
Step5，LR预测模型的训练和测试阶段。
在训练过程中，将step4得到的全连接层特征输入LR预测模型进行训练，得到预测结果，将该预测结果与用户预定标签进行对比，得到损失值，通过梯度下降法得到模型权重W。
在测试过程中，通过step4得到的全连接层特征和用户预定标签，对训练阶段得到的LR预测模型进行测试，如果测评指标达到测评效果，则保存LR预测模型。否则，重复进行模型训练，直至LR预测模型的测评指标达到测评效果为止。
其中，测评指标包括查全率、查准率和AUC等。查全率指的是“预测为真，实际为真”的样本数量占“实际为真”的样本数量的比例；查准率指的是“预测为真，实际为真”的样本数量占“预测为真”的样本数量的比例。
Step6，模型预测阶段。
将T期采集并经过Step2加工得到的用户行为特征、会议室特征以及多用户占用状态的卷积核输入卷积神经网络，通过卷积神经网络中的两层卷积层进行卷积运算，得到嵌入特征；将该嵌入特征输入全连接层，通过全连接层的处理得到全连接层特征。将全连接层特征输入LR预测模型进行预测，输出用户预定会议室的分类概率或用户对各会议室的偏好得分，如图15所示，根据该分类概率或偏好得分确定用户感兴趣的目标会议室。
通过实施上述实施例的方案，可以具有以下有益效果：
(1)通过在会议室预定系统中集成深度学习推荐系统，使得现有通过人工搜索的会议室预定系统变得更加智能，能够根据用户预定和使用会议室的行为特征对用户形成主动推荐。其中，该深度学习推荐系统由卷积神经网络和LR预测模型所组成。
(2)能够根据会议室的预定和使用状况，及时推送会议室的占用信息，让用户及时了解到会议室的预定和使用情况，使得会议室的使用效率达到最大化。
(3)根据用户预定和使用会议室的信息(包括预定会议室的预定信息)构建多用户占用状态的卷积核，并将该卷积核与用户行为特征和会议室特征进行卷积得到嵌入特征，能够有效处理模型中出现的过拟合问题，增强模型的泛化能力。
(4)上述实施例的方案可以应用于各种预定系统中，具有很好的扩展性。
应该理解的是，虽然图2、8-11的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、8-11中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图16所示，提供了一种会议室的预定装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：第一显示模块1602、第二显示模块1604和第三显示模块1606，其中：
第一显示模块1602，用于响应于在会议室预定系统的自动推荐标签上触发的自动推荐操作，显示与用户行为特征匹配的候选会议室的会议室标识、以及候选会议室在不同预定时段的预定标志位；
第二显示模块1604，用于显示自动推荐的推荐预定信息；推荐预定信息包括候选会议室中目标会议室的建议会议室信息和建议预定时间信息；
第三显示模块1606，用于响应于对推荐预定信息的推荐确认操作，在与目标会议室的目标预定时段对应的预定标志位处，显示已预订标志；目标预定时段与建议预定时间信息相匹配。
在其中的一个实施例中，第二显示模块1604，还用于：
在会议室预定页面上通过弹窗显示自动推荐的推荐预定信息；或，
在会议室预定页面中通过上拉框或下拉框显示推荐预定信息；或，
对显示会议室预定页面的显示屏进行分屏，并在显示屏的第一分屏中显示推荐预定信息；其中，在进行分屏后，会议室预定页面显示在显示屏的第二分屏中。
在其中的一个实施例中，第一显示模块1602，还用于：
在会议室预定页面的筛选区，显示与用户行为特征匹配的会议室筛选信息；
在会议室预定页面的会议室显示区，显示与会议室筛选信息匹配的候选会议室的会议室标识；以及，在对应于会议室标识的显示位置，显示候选会议室在不同时段的预定标志位。
在其中的一个实施例中，会议室预定页面包括自动推荐子页面；第一显示模块1602，还用于：当基于用户账号登录会议室预定系统时，进入自动推荐子页面；获取与用户行为特征匹配的会议室筛选信息；在自动推荐子页面的筛选区显示会议室筛选信息；在自动推荐子页面的会议室显示区，显示与会议室筛选信息匹配的候选会议室的会议室标识、以及候选会议室在不同预定时段的预定标志位；
第二显示模块，还用于显示自动推荐的推荐预定信息。
在其中的一个实施例中，会议室预定页面中配置了自动推荐按钮；述第一显示模块1602，还用于：进入会议室预定页面；响应于在会议室预定页面中自动推荐按钮触发的会议室推荐操作，获取与用户行为特征匹配的会议室筛选信息；在会议室预定页面的筛选区显示会议室筛选信息；在会议室预定页面的会议室显示区，显示与会议室筛选信息匹配的候选会议室的会议室标识、以及候选会议室在不同预定时段的预定标志位；
第二显示模块，还用于显示自动推荐的推荐预定信息。
在其中的一个实施例中，目标会议室，是根据候选会议室对应的会议室特征、用户行为特征以及表示会议室偏好程度的卷积核，对候选会议室进行分类所得；卷积核是基于同时预定至少两个会议室的用户占比进行构建的。
在其中的一个实施例中，该装置还包括：
获取模块，用于获取用户行为特征和候选会议室的会议室特征；
处理模块，用于通过表示会议室偏好程度的卷积核对用户行为特征和会议室特征进行特征处理，得到处理后特征；卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
分类模块，用于根据处理后特征对候选会议室进行分类，得到目标会议室。
在其中的一个实施例中，该装置还包括：
构建模块，用于计算同时预定至少两个会议室的用户数与预定会议室的总用户数间的比值；根据计算的比值构建对称矩阵；将对称矩阵作为用于表示会议室偏好程度的卷积核。
在其中的一个实施例中，处理模块，还用于：
将表示会议室偏好程度的卷积核、用户行为特征和会议室特征，输入特征处理网络；
通过特征处理网络中的至少两个卷积层对卷积核、用户行为特征和会议室特征进行卷积处理，得到嵌入特征；
通过特征处理网络中的全连接层对嵌入特征进行特征处理，得到处理后特征。
在其中的一个实施例中，分类模块，还用于：
通过预测模型依据处理后特征计算各候选会议室的分类概率；
从候选会议室中选取分类概率达到推荐条件所对应的会议室；
将达到推荐条件所对应的会议室作为目标会议室。
在其中的一个实施例中，特征处理网络和预测模型是对初始特征处理网络和初始预测模型进行模型训练所得；装置还包括：
训练模块，用于获取用户行为训练样本和会议室训练集对应的特征训练样本；将用户行为训练样本、特征训练样本以及表示会议室偏好程度的训练卷积核输入至初始特征处理网络进行训练，得到训练特征；训练卷积核是基于同时预定至少两个会议室的用户占比进行构建的；通过初始预测模型，依据训练特征计算会议室训练集中各会议室的预测分类概率；当会议室训练集中样本会议室的预测分类概率达到推荐条件时，计算样本会议室对应的预定值与用户预定标签之间的损失值；根据损失值依次对初始特征处理网络和初始预测模型中的参数进行调整，直至模型收敛时停止训练。
在其中的一个实施例中，装置还包括：
测试模块，用于获取用户行为测试样本和会议室训练集对应的特征测试样本；将用户行为测试样本、特征测试样本以及表示会议室偏好程度的测试卷积核输入至训练所得的特征处理网络进行测试，得到测试特征；测试卷积核是基于同时预定至少两个会议室的用户占比进行构建的；通过训练所得的预测模型，依据测试特征计算会议室测试集中各会议室的预测分类概率；当会议室测试集中目标测试会议室的预测分类概率达到推荐条件时，计算模型测评值；当模型测评值达到测试条件时，得到最终的特征处理网络和预测模型。
上述实施例中，在进行会议室预定时，直接显示候选会议室的会议室标识，并在该会议室标识的位置附近显示对应不同预定时段的预定标志位，然后自动推荐关于目标会议室的推荐预定信息，用户无需进行手动设置各种会议室的筛选条件，直接对显示的推荐预定信息进行确认即可完成会议室的预定，可以避免用户需要在会议室预定系统进行多次的交互操作，以及在众多会议室和众多时段中查看才能得到最终预定的会议室，有效地提高了会议室的预定效率。此外，在对显示的推荐预定信息进行确认之后，在与目标会议室的目标预定时段对应的预定标志位处，显示已预订标志，一方面，本端用户可以确定该目标会议室被预定成功；另一方面，其它端用户在手动预定会议室时，可以直观确定该目标会议室在该目标预定时段已经被预定了，避免出现同一会议室在同一预定时段被不同用户预定的问题。
在其中的一个实施例中，会议室预定页面还包括会议室选择子页面；如图17所示，该装置包括：
切换模块1608，用于当通过弹窗显示推荐预定信息时，响应于在弹窗中修改按钮触发的信息修改操作，从自动推荐子页面切换至会议室选择子页面；
预定模块1610，用于响应于在会议室选择子页面中会议室显示区触发的会议室选中操作，完成对会议室选中操作所指定会议室的预定；以及，
第三显示模块1606，还用于在与指定会议室的目标预定时段对应的预定标志位处，显示已预订标志。
上述实施例中，当自动推荐的目标会议室不符合预定条件时，可以通过弹窗中的修改按钮进行修改，即修改为满足用户的预定条件的指定会议室，从而有利于提高预定会议室的准确性。此外，在预定指定会议室之后，在与指定会议室的目标预定时段对应的预定标志位处，显示已预订标志，一方面，本端用户可以确定该指定会议室被预定成功；另一方面，其它端用户在手动预定会议室时，可以直观确定该指定会议室在该目标预定时段已经被预定了，避免出现同一会议室在同一预定时段被不同用户预定的问题。
关于会议室的预定装置的具体限定可以参见上文中对于会议室的预定方法的限定，在此不再赘述。上述会议室的预定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，如图18所示，提供了一种会议室的预定装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：获取模块1802、处理模块1804、分类模块1806、显示模块1808和预定模块1810，其中：
获取模块1802，用于获取用户行为特征和候选会议室的会议室特征；
处理模块1804，用于通过表示会议室偏好程度的卷积核对用户行为特征和会议室特征进行特征处理，得到处理后特征；卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
分类模块1806，用于根据处理后特征对候选会议室进行分类，得到目标会议室；
显示模块1808，用于显示目标会议室的推荐预定信息；推荐预定信息包括建议会议室信息和建议预定时间信息；
预定模块1810，用于响应于对推荐预定信息的推荐确认操作，对目标会议室进行预定。
上述实施例中，在获取到用户行为特征和候选会议室的会议室特征时，通过表示会议室偏好程度的卷积核对用户行为特征和会议室特征进行特征处理，得到处理后特征；根据处理后特征对候选会议室进行分类得到目标会议室，从而本端用户无需进行手动设置各种会议室的筛选条件，以得到满足筛选条件的、可在不同预定时段进行预约的多个会议室，直接对显示的推荐预定信息进行确认即可完成目标会议室的预定，可以避免用户需要在会议室预定系统进行多次的交互操作，以及在众多会议室和众多时段中查看才能得到最终预定的会议室，有效地提高了会议室的预定效率。
在其中的一个实施例中，如图19所示，该装置还包括：
构建模块1812，用于计算同时预定至少两个会议室的用户数与预定会议室的总用户数间的比值；根据计算的比值构建对称矩阵；将对称矩阵作为用于表示会议室偏好程度的卷积核。
在其中的一个实施例中，推荐预定信息通过弹窗进行显示；弹窗展示于会议室预定页面上；如图19所示，该装置还包括：
取消模块1814，用于响应于对推荐预定信息的信息修改操作，在会议室预定页面上取消展示弹窗；
选中模块1816，用于响应于在会议室预定页面中会议室显示区触发的会议室选中操作，选中与会议室选中操作对应的指定会议室；
第一生成模块1818，用于当完成对指定会议室的预定时，生成指定会议室的预定信息；
第一存储模块1820，用于将预定信息存储于数据库，以根据存储的预定信息获取用户行为特征。
在其中的一个实施例中，推荐预定信息通过弹窗进行显示；如图19所示，该装置还包括：
第二生成模块1822，用于响应于在弹窗中修改按钮触发的退出操作，生成针对目标会议室的取消预定信息；
第二存储模块1824，用于将取消预定信息存储于数据库，以根据存储的取消预定信息获取用户行为特征。
在其中的一个实施例中，处理模块1804，还用于：
将表示会议室偏好程度的卷积核、用户行为特征和会议室特征，输入特征处理网络；
通过特征处理网络中的至少两个卷积层对卷积核、用户行为特征和会议室特征进行卷积处理，得到嵌入特征；
通过特征处理网络中的全连接层对嵌入特征进行特征处理，得到处理后特征。
在其中的一个实施例中，分类模块1806，还用于：
通过预测模型依据处理后特征计算各候选会议室的分类概率；
从候选会议室中选取分类概率达到推荐条件所对应的会议室；
将达到推荐条件所对应的会议室作为目标会议室。
在其中的一个实施例中，特征处理网络和预测模型是对初始特征处理网络和初始预测模型进行模型训练所得；如图19所示，该装置还包括：
训练模块1826，用于获取用户行为训练样本和会议室训练集对应的特征训练样本；将用户行为训练样本、特征训练样本以及表示会议室偏好程度的训练卷积核输入至初始特征处理网络进行训练，得到训练特征；训练卷积核是基于同时预定至少两个会议室的用户占比进行构建的；通过初始预测模型，依据训练特征计算会议室训练集中各会议室的预测分类概率；当会议室训练集中样本会议室的预测分类概率达到推荐条件时，计算样本会议室对应的预定值与用户预定标签之间的损失值；根据损失值依次对初始特征处理网络和初始预测模型中的参数进行调整，直至模型收敛时停止训练。
上述实施例中，利用用户行为训练样本、特征训练样本以及表示会议室偏好程度的训练卷积核对初始特征处理网络和初始预测模型进行训练，不断调整模型中的参数，从而使训练后所得的特征处理网络能提取出用于预测的处理后特征，然后通过预测模型预测出向用户推荐的目标会议室，从而本端用户无需进行手动设置各种会议室的筛选条件，以得到满足筛选条件的、可在不同预定时段进行预约的多个会议室，直接对显示的推荐预定信息进行确认即可完成目标会议室的预定，可以避免用户需要在会议室预定系统进行多次的交互操作，以及在众多会议室和众多时段中查看才能得到最终预定的会议室，有效地提高了会议室的预定效率。
在其中的一个实施例中，如图19所示，该装置还包括：
测试模块1828，用于获取用户行为测试样本和会议室训练集对应的特征测试样本；将用户行为测试样本、特征测试样本以及表示会议室偏好程度的测试卷积核输入至训练所得的特征处理网络进行测试，得到测试特征；测试卷积核是基于同时预定至少两个会议室的用户占比进行构建的；通过训练所得的预测模型，依据测试特征计算会议室测试集中各会议室的预测分类概率；当会议室测试集中目标测试会议室的预测分类概率达到推荐条件时，计算模型测评值；当模型测评值达到测试条件时，得到最终的特征处理网络和预测模型。
上述实施例中，利用用户行为测试样本、特征测试样本以及表示会议室偏好程度的测试卷积核对初始特征处理网络和初始预测模型进行测试，以得到满足条件的处理后特征以及预测模型预测，通过该处理后特征以及预测模型预测进行目标会议室的推荐，从而本端用户无需进行手动设置各种会议室的筛选条件，以得到满足筛选条件的、可在不同预定时段进行预约的多个会议室，直接对显示的推荐预定信息进行确认即可完成目标会议室的预定，可以避免用户需要在会议室预定系统进行多次的交互操作，以及在众多会议室和众多时段中查看才能得到最终预定的会议室，有效地提高了会议室的预定效率。
关于会议室的预定装置的具体限定可以参见上文中对于会议室的预定方法的限定，在此不再赘述。上述会议室的预定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图20所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种会议室的预定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图20中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (26)

1.一种会议室的预定方法，其特征在于，所述方法包括：
响应于在会议室预定系统的自动推荐标签上触发的自动推荐操作，显示与用户行为特征匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位；
显示自动推荐的推荐预定信息；所述推荐预定信息包括所述候选会议室中目标会议室的建议会议室信息和建议预定时间信息；所述目标会议室，是根据所述候选会议室对应的会议室特征、用户行为特征以及表示会议室偏好程度的卷积核，对所述候选会议室进行分类所得；所述卷积核是基于同时预定至少两个相同会议室的用户占比构建的对称矩阵所得的；
响应于对所述推荐预定信息的推荐确认操作，在与所述目标会议室的目标预定时段对应的预定标志位处，显示已预订标志；所述目标预定时段与所述建议预定时间信息相匹配。
2.根据权利要求1所述的方法，其特征在于，所述显示自动推荐的推荐预定信息包括：
在会议室预定页面上通过弹窗显示自动推荐的推荐预定信息；或，
在所述会议室预定页面中通过上拉框或下拉框显示所述推荐预定信息；或，
对显示所述会议室预定页面的显示屏进行分屏，并在所述显示屏的第一分屏中显示所述推荐预定信息；其中，在进行分屏后，所述会议室预定页面显示在所述显示屏的第二分屏中。
3.根据权利要求1所述的方法，其特征在于，所述会议室预定页面包括自动推荐子页面；所述方法还包括：
当基于用户账号登录会议室预定系统时，进入所述自动推荐子页面；
获取与用户行为特征匹配的会议室筛选信息；
在所述自动推荐子页面的筛选区显示所述会议室筛选信息；
在所述自动推荐子页面的会议室显示区，显示与所述会议室筛选信息匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位，执行所述显示自动推荐的推荐预定信息的步骤。
4.根据权利要求3所述的方法，其特征在于，所述会议室预定页面还包括会议室选择子页面；所述方法还包括：
当通过弹窗显示所述推荐预定信息时，响应于在所述弹窗中修改按钮触发的信息修改操作，从所述自动推荐子页面切换至所述会议室选择子页面；
响应于在所述会议室选择子页面中会议室显示区触发的会议室选中操作，完成对所述会议室选中操作所指定会议室的预定；以及，
在与所述指定会议室的目标预定时段对应的预定标志位处，显示所述已预订标志。
5.根据权利要求1所述的方法，其特征在于，所述会议室预定页面中配置了自动推荐按钮；所述方法还包括：
进入所述会议室预定页面；
响应于在所述会议室预定页面中自动推荐按钮触发的会议室推荐操作，获取与用户行为特征匹配的会议室筛选信息；
在所述会议室预定页面的筛选区显示所述会议室筛选信息；
在所述会议室预定页面的会议室显示区，显示与所述会议室筛选信息匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位，执行所述显示自动推荐的推荐预定信息的步骤。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述预定时段是被划分出来的、用来预定会议室以进行会议的时段，包括：可对所述候选会议室进行预定的时段，以及因被其他用户预定而无法再进行预定的时段。
7.根据权利要求1所述的方法，其特征在于，所述根据所述候选会议室对应的会议室特征、用户行为特征以及表示会议室偏好程度的卷积核，对所述候选会议室进行分类包括：
获取用户行为特征和所述候选会议室的会议室特征；
通过表示会议室偏好程度的卷积核对所述用户行为特征和所述会议室特征进行特征处理，得到处理后特征；所述卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
根据所述处理后特征对所述候选会议室进行分类，得到目标会议室。
8.根据权利要求1所述的方法，其特征在于，所述基于同时预定至少两个相同会议室的用户占比构建的对称矩阵所得包括：
计算同时预定至少两个相同会议室的用户数与预定会议室的总用户数间的比值；
根据计算的比值构建对称矩阵；
将所述对称矩阵作为用于表示会议室偏好程度的卷积核。
9.根据权利要求7所述的方法，其特征在于，所述通过表示会议室偏好程度的卷积核对所述用户行为特征和所述会议室特征进行特征处理，得到处理后特征包括：
将表示会议室偏好程度的卷积核、所述用户行为特征和所述会议室特征，输入特征处理网络；
通过所述特征处理网络中的至少两个卷积层对所述卷积核、所述用户行为特征和所述会议室特征进行卷积处理，得到嵌入特征；
通过所述特征处理网络中的全连接层对所述嵌入特征进行特征处理，得到处理后特征。
10.根据权利要求9所述的方法，其特征在于，所述根据所述处理后特征对所述候选会议室进行分类，得到目标会议室包括：
通过预测模型依据所述处理后特征计算各所述候选会议室的分类概率；
从所述候选会议室中选取所述分类概率达到推荐条件所对应的会议室；
将达到所述推荐条件所对应的会议室作为所述目标会议室。
11.根据权利要求10所述的方法，其特征在于，所述特征处理网络和所述预测模型是对初始特征处理网络和初始预测模型进行模型训练所得；所述对初始特征处理网络和初始预测模型进行模型训练包括：
获取用户行为训练样本和会议室训练集对应的特征训练样本；
将所述用户行为训练样本、所述特征训练样本以及表示会议室偏好程度的训练卷积核输入至所述初始特征处理网络进行训练，得到训练特征；所述训练卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
通过所述初始预测模型，依据所述训练特征计算所述会议室训练集中各会议室的预测分类概率；
当所述会议室训练集中样本会议室的预测分类概率达到所述推荐条件时，计算所述样本会议室对应的预定值与用户预定标签之间的损失值；
根据所述损失值依次对所述初始特征处理网络和所述初始预测模型中的参数进行调整，直至模型收敛时停止训练。
12.根据权利要求11所述的方法，其特征在于，所述根据所述损失值依次对所述初始特征处理网络和所述初始预测模型中的参数进行调整，直至模型收敛时停止训练之后，所述方法还包括：
获取用户行为测试样本和会议室训练集对应的特征测试样本；
将所述用户行为测试样本、所述特征测试样本以及表示会议室偏好程度的测试卷积核输入至训练所得的特征处理网络进行测试，得到测试特征；所述测试卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
通过训练所得的预测模型，依据所述测试特征计算所述会议室测试集中各会议室的预测分类概率；
当所述会议室测试集中目标测试会议室的预测分类概率达到所述推荐条件时，计算模型测评值；
当所述模型测评值达到测试条件时，得到最终的特征处理网络和预测模型。
13.一种会议室的预定装置，其特征在于，所述装置包括：
第一显示模块，用于响应于在会议室预定系统的自动推荐标签上触发的自动推荐操作，显示与用户行为特征匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位；
第二显示模块，用于显示自动推荐的推荐预定信息；所述推荐预定信息包括所述候选会议室中目标会议室的建议会议室信息和建议预定时间信息；所述目标会议室，是根据所述候选会议室对应的会议室特征、用户行为特征以及表示会议室偏好程度的卷积核，对所述候选会议室进行分类所得；所述卷积核是基于同时预定至少两个相同会议室的用户占比构建的对称矩阵所得的；
第三显示模块，用于响应于对所述推荐预定信息的推荐确认操作，在与所述目标会议室的目标预定时段对应的预定标志位处，显示已预订标志；所述目标会议室与所述建议会议室信息相匹配，所述目标预定时段与所述建议预定时间信息相匹配。
14.根据权利要求13所述的装置，其特征在于，所述显示自动推荐的推荐预定信息包括：
所述第二显示模块，还用于在会议室预定页面上通过弹窗显示自动推荐的推荐预定信息；或，在所述会议室预定页面中通过上拉框或下拉框显示所述推荐预定信息；或，对显示所述会议室预定页面的显示屏进行分屏，并在所述显示屏的第一分屏中显示所述推荐预定信息；其中，在进行分屏后，所述会议室预定页面显示在所述显示屏的第二分屏中。
15.根据权利要求13所述的装置，其特征在于，所述会议室预定页面包括自动推荐子页面；
所述第一显示模块，还用于当基于用户账号登录会议室预定系统时，进入所述自动推荐子页面；获取与用户行为特征匹配的会议室筛选信息；在所述自动推荐子页面的筛选区显示所述会议室筛选信息；在所述自动推荐子页面的会议室显示区，显示与所述会议室筛选信息匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位；
所述第二显示模块，还用于显示自动推荐的推荐预定信息。
16.根据权利要求15所述的装置，其特征在于，所述会议室预定页面还包括会议室选择子页面；所述装置还包括：
切换模块，用于当通过弹窗显示所述推荐预定信息时，响应于在所述弹窗中修改按钮触发的信息修改操作，从所述自动推荐子页面切换至所述会议室选择子页面；
预定模块，用于响应于在所述会议室选择子页面中会议室显示区触发的会议室选中操作，完成对所述会议室选中操作所指定会议室的预定；以及，
所述第三显示模块，还用于在与所述指定会议室的目标预定时段对应的预定标志位处，显示所述已预订标志。
17.根据权利要求13所述的装置，其特征在于，所述会议室预定页面中配置了自动推荐按钮；
所述第一显示模块，还用于进入所述会议室预定页面；响应于在所述会议室预定页面中自动推荐按钮触发的会议室推荐操作，获取与用户行为特征匹配的会议室筛选信息；在所述会议室预定页面的筛选区显示所述会议室筛选信息；在所述会议室预定页面的会议室显示区，显示与所述会议室筛选信息匹配的候选会议室的会议室标识、以及所述候选会议室在不同预定时段的预定标志位；
所述第二显示模块，还用于显示自动推荐的推荐预定信息。
18.根据权利要求13至17任一项所述的装置，其特征在于，所述预定时段是被划分出来的、用来预定会议室以进行会议的时段，包括：可对所述候选会议室进行预定的时段，以及因被其他用户预定而无法再进行预定的时段。
19.根据权利要求13所述的装置，其特征在于，所述装置还包括：
获取模块，用于获取用户行为特征和所述候选会议室的会议室特征；
处理模块，用于通过表示会议室偏好程度的卷积核对所述用户行为特征和所述会议室特征进行特征处理，得到处理后特征；所述卷积核是基于同时预定至少两个会议室的用户占比进行构建的；
分类模块，用于根据所述处理后特征对所述候选会议室进行分类，得到目标会议室。
20.根据权利要求13所述的装置，其特征在于，所述装置还包括：
构建模块，用于计算同时预定至少两个相同会议室的用户数与预定会议室的总用户数间的比值；根据计算的比值构建对称矩阵；将所述对称矩阵作为用于表示会议室偏好程度的卷积核。
21.根据权利要求19所述的装置，其特征在于，所述处理模块，还用于将表示会议室偏好程度的卷积核、所述用户行为特征和所述会议室特征，输入特征处理网络；通过所述特征处理网络中的至少两个卷积层对所述卷积核、所述用户行为特征和所述会议室特征进行卷积处理，得到嵌入特征；通过所述特征处理网络中的全连接层对所述嵌入特征进行特征处理，得到处理后特征。
22.根据权利要求21所述的装置，其特征在于，所述分类模块，还用于通过预测模型依据所述处理后特征计算各所述候选会议室的分类概率；从所述候选会议室中选取所述分类概率达到推荐条件所对应的会议室；将达到所述推荐条件所对应的会议室作为所述目标会议室。
23.根据权利要求22所述的装置，其特征在于，所述特征处理网络和所述预测模型是对初始特征处理网络和初始预测模型进行模型训练所得；所述装置还包括：
训练模块，用于获取用户行为训练样本和会议室训练集对应的特征训练样本；将所述用户行为训练样本、所述特征训练样本以及表示会议室偏好程度的训练卷积核输入至所述初始特征处理网络进行训练，得到训练特征；所述训练卷积核是基于同时预定至少两个会议室的用户占比进行构建的；通过所述初始预测模型，依据所述训练特征计算所述会议室训练集中各会议室的预测分类概率；当所述会议室训练集中样本会议室的预测分类概率达到所述推荐条件时，计算所述样本会议室对应的预定值与用户预定标签之间的损失值；根据所述损失值依次对所述初始特征处理网络和所述初始预测模型中的参数进行调整，直至模型收敛时停止训练。
24.根据权利要求23所述的装置，其特征在于，所述装置还包括：
测试模块，用于获取用户行为测试样本和会议室训练集对应的特征测试样本；将所述用户行为测试样本、所述特征测试样本以及表示会议室偏好程度的测试卷积核输入至训练所得的特征处理网络进行测试，得到测试特征；所述测试卷积核是基于同时预定至少两个会议室的用户占比进行构建的；通过训练所得的预测模型，依据所述测试特征计算所述会议室测试集中各会议室的预测分类概率；当所述会议室测试集中目标测试会议室的预测分类概率达到所述推荐条件时，计算模型测评值；当所述模型测评值达到测试条件时，得到最终的特征处理网络和预测模型。
25.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述的方法的步骤。
26.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
CN202110041859.7A 2021-01-13 2021-01-13 会议室的预定方法、装置、计算机设备和存储介质 Active CN112734068B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110041859.7A CN112734068B (zh) 2021-01-13 2021-01-13 会议室的预定方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110041859.7A CN112734068B (zh) 2021-01-13 2021-01-13 会议室的预定方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112734068A CN112734068A (zh) 2021-04-30
CN112734068B true CN112734068B (zh) 2022-05-06

Family

ID=75592992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110041859.7A Active CN112734068B (zh) 2021-01-13 2021-01-13 会议室的预定方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112734068B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240319A (zh) * 2021-05-31 2021-08-10 深圳市商汤科技有限公司 信息处理方法及装置、电子设备和存储介质
CN113434744A (zh) * 2021-06-03 2021-09-24 北京致远互联软件股份有限公司 一种会议室预定及占用情况的图形化展现系统和方法
CN113127633B (zh) * 2021-06-17 2021-09-21 平安科技（深圳）有限公司 智能会议管理方法、装置、计算机设备及存储介质
CN113988343A (zh) * 2021-11-02 2022-01-28 中国银行股份有限公司 会议室预订方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10218588B1 (en) * 2015-10-05 2019-02-26 Quest Software Inc. Systems and methods for multi-stream performance patternization and optimization of virtual meetings
CN109885756B (zh) * 2018-12-18 2021-09-28 湖南大学 基于cnn和rnn的序列化推荐方法
CN111178566A (zh) * 2019-12-24 2020-05-19 苏宁云计算有限公司 一种预定会议室的方法和系统
CN111798013B (zh) * 2020-08-07 2023-01-24 中国工商银行股份有限公司 会议预约的处理方法和装置

Also Published As

Publication number Publication date
CN112734068A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112734068B (zh) 会议室的预定方法、装置、计算机设备和存储介质
US11295221B2 (en) Learning user preferences in a conversational system
EP3706053A1 (en) Cognitive system
CN110781321B (zh) 一种多媒体内容推荐方法及装置
US8639650B1 (en) Profile-responsive system for information exchange in human- and device-adaptive query-response networks for task and crowd management, distributed collaboration and data integration
CN112085205A (zh) 用于自动训练机器学习模型的方法和系统
CN109978812A (zh) 摄像系统、学习装置、摄像装置和学习方法
CN107562875A (zh) 一种模型的更新方法、装置及系统
CN109816483B (zh) 信息推荐方法及装置、可读存储介质
CN110447232A (zh) 用于确定用户情绪的电子设备及其控制方法
Duval Explainable artificial intelligence (XAI)
CN113688326B (zh) 推荐方法、装置、设备及计算机可读存储介质
CN112883257B (zh) 行为序列数据处理方法、装置、电子设备及存储介质
US10445386B2 (en) Search result refinement
Crespo et al. Predicting teamwork results from social network analysis
US20200302400A1 (en) Job-post budget recommendation based on performance
CN112269918A (zh) 信息推荐方法、装置、设备及存储介质
US11501059B2 (en) Methods and systems for auto-filling fields of electronic documents
CN114417174A (zh) 内容推荐方法、装置、设备及计算机存储介质
Mishra et al. Dynamic identification of learning styles in MOOC environment using ontology based browser extension
CN110069991A (zh) 反馈信息确定方法、装置、电子设备及存储介质
Eldib et al. Discovering activity patterns in office environment using a network of low-resolution visual sensors
CN114817692A (zh) 确定推荐对象的方法、装置和设备及计算机存储介质
CN116501979A (zh) 信息推荐方法、装置、计算机设备及计算机可读存储介质
CN113935788B (zh) 模型评估方法、装置、设备及计算机可读存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40041560

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant