CN112913252A - 电子设备及控制电子设备的方法 - Google Patents

电子设备及控制电子设备的方法 Download PDF

Info

Publication number
CN112913252A
CN112913252A CN201980070852.9A CN201980070852A CN112913252A CN 112913252 A CN112913252 A CN 112913252A CN 201980070852 A CN201980070852 A CN 201980070852A CN 112913252 A CN112913252 A CN 112913252A
Authority
CN
China
Prior art keywords
control operation
electronic device
control
information
user
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
Application number
CN201980070852.9A
Other languages
English (en)
Inventor
李载勋
李仑修
黄泰虎
朴重镐
郑美来
康志宁
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics 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 Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN112913252A publication Critical patent/CN112913252A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/41—Structure of client; Structure of client peripherals
    • H04N21/4104—Peripherals receiving signals from specially adapted client devices
    • H04N21/4131—Peripherals receiving signals from specially adapted client devices home appliance, e.g. lighting, air conditioning system, metering devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/41—Structure of client; Structure of client peripherals
    • H04N21/422—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS]
    • H04N21/42202—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS] environmental sensors, e.g. for detecting temperature, luminosity, pressure, earthquakes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/431—Generation of visual interfaces for content selection or interaction; Content or additional data rendering
    • H04N21/4312—Generation of visual interfaces for content selection or interaction; Content or additional data rendering involving specific graphical features, e.g. screen layout, special fonts or colors, blinking icons, highlights or animations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Emergency Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Environmental Sciences (AREA)
  • Remote Sensing (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

提供了一种用于执行控制操作的电子设备及其方法。该电子设备包括通信接口、存储至少一个命令的存储器、以及连接到通信接口和存储器的至少一个处理器。该至少一个处理器被配置为，通过执行至少一个命令，基于使用电子设备的第一用户的使用信息，通过获得第一用户偏好的第一控制条件和第一控制操作来建立第一设备知识库；基于检测到与第一控制条件相对应的上下文，基于存储关于上下文的信息和关于电子设备的信息的基础知识库，识别是否执行存储在第一设备知识库中的第一控制操作；并且基于辨识的结果，控制电子设备。

Description

电子设备及控制电子设备的方法
技术领域
本公开涉及电子设备及其控制方法。更具体地，本公开涉及一种用于基于基础知识库(basic knowledge base)和设备知识库(device knowledge base)来执行与上下文相对应的最佳控制操作的电子设备及其控制方法。
背景技术
最近，实现人类级人工智能(AI)的人工智能系统已经被用于各个领域。人工智能系统是机器学习、判断并变得智能的系统，不同于传统的基于规则的智能系统。人工智能系统被使用地越多，辨识率越高，对用户偏好的理解也越好。因此，传统的基于规则的智能系统已经逐渐被基于深度学习的人工智能系统所取代。
人工智能技术由机器学习(如深度学习)和使用机器学习的元素技术(elementtechnology)组成。
机器学习是一种自行对输入数据的特性进行分类/训练的算法技术。元素技术是使用诸如深度学习的机器学习算法模拟人脑的诸如辨识、判断等功能的技术，并且包括语言理解、视觉理解、推理/预测、知识表示、运动控制等。
人工智能技术可以应用于各种领域，其示例如下所述。语言理解是用于辨识和应用/处理人类语言/字符的技术，包括自然语言处理、机器翻译、对话系统、查询响应、语音辨识/合成等。视觉理解是像被人感知到一样的、用于辨识和处理对象的技术，包括对象辨识、对象跟踪、图像搜索、人类辨识、场景理解、空间理解、图像增强等。推断预测是用于判断和逻辑推断以及预测信息的技术，包括基于知识/概率的推理、优化预测、基于偏好的规划、和推荐。知识表示是将人类经验信息自动化为知识数据的技术，包括知识构建(数据生成/分类)和知识管理(数据利用)。运动控制是用于控制设备或对象的自主移动(例如，车辆的行进和机器人的运动)的技术，包括运动控制(导航、碰撞和行进)、操作控制(行为控制)等。
同时，最近，在无需用户的控制命令的情况下，电子设备变得能够基于由用户预设的设置信息或用户偏好信息自动地执行其功能。
然而，在多个用户控制单个电子设备的物联网(IoT)环境中，基于预设的设置信息或用户偏好信息来控制电子设备是不合适的。此外，在传统电子设备的情况下，不考虑各种上下文，基于设置信息或偏好信息来控制电子设备的功能，导致可能出现可能对电子设备执行用户不期望的控制操作的问题。
因此，需要一种用于即使在获得了关于各种上下文的信息或者多个用户使用电子设备的情形下、也有效地控制电子设备的方法。
上述信息仅作为背景信息提供，以帮助理解本公开。对于上述中的任何一个是否可以作为关于本公开的现有技术来应用，既没有做出确定，也没有做出断言。
发明内容
技术问题
本公开的各方面是要解决至少上述问题和/或缺点，以及至少提供下述优点。因此，本公开的一个方面是提供一种电子设备及其控制方法，该电子设备能够基于基础知识库和设备知识库执行与上下文相对应的最佳控制操作。
额外的方面将部分地在下面的描述中被阐述，并且部分地将从描述中变得清楚，或者可以通过对所呈现的实施例的实践来获知。
问题解决方案
根据本公开的一个方面，提供了一种电子设备。该电子设备包括通信接口、被配置为存储至少一个命令的存储器、以及连接到通信接口和存储器的至少一个处理器。该至少一个处理器被配置为，通过执行至少一个命令，基于使用电子设备的第一用户的使用信息，通过获得第一用户偏好的第一控制条件和第一控制操作，建立第一设备知识库；基于检测到与第一控制条件相对应的上下文，基于存储关于上下文的信息和关于电子设备的信息的基础知识库，识别是否执行存储在第一设备知识库中的第一控制操作；以及基于识别的结果，控制电子设备。
根据本公开的另一个方面，提供了一种控制电子设备的方法。该方法包括：基于使用电子设备的第一用户的使用信息，通过获得第一用户偏好的第一控制条件和第一控制操作，建立第一设备知识库；基于检测到与第一控制条件相对应的上下文，基于存储关于上下文的信息和关于电子设备的信息的基础知识库，识别是否执行存储在第一设备知识库中的第一控制操作；以及基于识别的结果，控制电子设备。
发明的有益效果
根据上述各种实施例，电子设备执行与上下文相对应的控制操作，以提供最佳用户体验。
根据以下详细描述，本公开的其他方面、优点和显著特征对于本领域技术人员来说将变得清楚，以下详细描述结合附图公开了本公开的各种实施例。
附图说明
根据下面结合附图的描述，本公开的特定实施例的上述和其他方面、特征、和优点将变得更加清楚，其中：
图1是解释根据本公开的实施例的、能够根据上下文执行控制操作的电子设备的使用图的视图；
图2和图3是解释根据本公开的各种实施例的电子设备的配置的框图；
图4是解释根据本公开的实施例的、根据上下文执行控制操作的方法的流程图；
图5、图6和图7是解释根据本公开的各种实施例的、用于建立知识库的方法的视图；
图8、图9A和图9B是解释根据本公开的各种实施例的、用于根据上下文执行与多个用户中的至少一个相对应的控制操作的示例实施例的视图；
图10是解释根据本公开的实施例的、用于根据上下文执行与多个用户之一相对应的控制操作的方法的流程图；
图11、图12和图13是解释根据本公开的各种实施例的处理器的配置的框图；以及
图14是示出根据本公开的实施例的示例的视图，其中电子设备可与服务器相关联地操作以训练和辨识数据。
在所有附图中，应当注意，相同的附图标记用于描述相同或相似的元件、特征和结构。
具体实施方式
提供参考附图的以下描述是为了帮助全面理解由权利要求及其等同物所限定的本公开的各种实施例。以下描述包括有助于该理解的各种具体细节但是这些仅仅被认为是示例性的。因此，本领域普通技术人员将认识到，在不脱离本公开的范围和精神的情况下，可以对本文描述的各种示例实施例进行各种改变和修改。此外，为了清楚和简明起见，可以省略对公知的功能和结构的描述。
在以下描述和权利要求中使用的术语和词语不限于书目意义，而是仅由发明人用来使得能够清楚和一致地理解本公开。因此，对于本领域技术人员来说清楚的是，以下对本公开的各种实施例的描述仅仅是为了说明的目的而提供的，而不是为了限制由所附权利要求及其等同物所限定的本公开而提供的。
应当理解，单数形式“一”、“一个”和“该”包括复数参考，除非上下文另有明确规定。因此，例如，对"组件表面"的引用包括对一个或多个这样的表面的引用。
单数表达也包括复数含义，只要它在上下文中没有不同的含义。在本说明书中，诸如“包括”和“具有/有”的术语应被解释为表示说明书中存在这样的特征、数字、操作、元件、组件或其组合，不排除添加一个或多个其他特征、数字、操作、元件、组件或其组合的存在或可能性。
在本公开中，表述“A或B”、“A和/或B中的至少一个”或“A和/或B中的一个或多个”等包括所列项目的所有可能组合。例如，“A或B”、“A和B中的至少一个”或“A或B中的至少一个”是指(1)包括至少一个A，(2)包括至少一个B或(3)包括至少一个A和至少一个B。
诸如“第一”和“第二”的术语可以用于修饰各种元素，而不管顺序和/或重要性。这些术语仅用于区分组件和其他组件。
当一个元件(例如，第一组成元件)被称为“可操作地或可通信地耦合到”或“连接到”另一个元件(例如，第二组成元件)时，应当理解，每个组成元件直接连接或经由另一个组成元件(例如，第三组成元件)间接连接。然而，当一个元件(例如，第一组成元件)被称为“直接耦合到”或“直接连接到”另一个元件(例如，第二组成元件)时，应当理解，在它们之间没有插入其他组成元件(例如，第三组成元件)。
在本公开中使用的表述“被配置为”取决于情形可以指例如“适合于”、“具有能力”、“被设计为”、“适于”、“被制造为”或“能够”。术语“被配置为(或被设置为)”在硬件中不一定意味着“被专门设计为”。相反，在一些情况下，表述“被配置为…的设备”可能意味着该设备“能够”与其他设备或组件…。例如，“被配置为(或被设置为)执行A、B和C的子处理器”可以被实现为专用于执行操作的处理器(例如，嵌入式处理器)、或者可以执行相应操作的通用处理器(例如，中央处理器单元(CPU)或应用处理器)。
根据本公开的各种实施例的电子设备可以是智能电话、平板个人计算机(台式PC)、移动电话、视频电话、电子书阅读器、膝上型个人计算机(膝上型PC)、上网本计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、MP3播放器、移动医疗设备、相机或可穿戴设备、或者可以是它们的部分。可穿戴设备可以是配饰类型的设备，诸如手表、戒指、手环、项链、一副眼镜、隐形眼镜或头戴式设备(HMD)；织物或服装一体(garment-all-in-one)式(例如，电子套装)；身体附着类型(例如，皮肤垫或纹身)；或生物可植入电路。
在一些实施例中，电子设备的示例可以是家用电器。家用电器可以包括例如电视、数字视频盘(DVD)播放器、音频、冰箱、空调、真空吸尘器、烤箱、微波炉、洗衣机、机顶盒、家庭自动化控制面板、安全控制面板、TV盒(例如，三星
Figure BDA0003039638690000051
苹果
Figure BDA0003039638690000052
或谷歌
Figure BDA0003039638690000053
)、游戏控制台(例如，
Figure BDA0003039638690000054
和
Figure BDA0003039638690000055
)、电子词典、电子钥匙、摄像机或电子相框中的至少一个。
在另一个实施例中，电子设备可以是以下中的任何一种：各种医疗设备(例如，各种便携式医疗测量设备，诸如血糖仪、心率仪、血压计或体温仪)、磁共振血管造影(MRA)、磁共振成像(MRI)、计算机断层摄影(CT)、相机、超声波设备、导航设备、全球导航卫星系统(GNSS)、事件数据记录器(EDR)、飞行数据记录器(FDR)、汽车信息娱乐设备(例如，导航设备、陀螺罗盘等)、航空电子设备、安全设备、车辆的头部单元、工业或家庭机器人、金融机构的自动柜员机(ATM)、商店的销售点(POS)、或物联网，诸如灯泡、各种传感器、电表或气表、洒水设备、火警报警器、恒温器、路灯、烤面包机、锻炼设备、热水罐、加热器、锅炉等。
在本说明书中，用户可以指使用电子设备的人或者使用电子装置(例如，人工智能电子装置)的设备。
图1是解释根据本公开的实施例的、能够根据上下文执行控制操作的电子设备的使用图的视图。
电子设备100可以存储基础知识库。基础知识库可以存储与电子设备100相关的一般知识信息(例如，关于电子设备100的功能、设置和结构的信息)。可以从外部服务器接收基础知识库。然而，本公开不限于此，而是基础知识库可以在制造电子设备100时被预先生成和存储。基础知识库可以以知识图(knowledge graph)的形式存储知识信息、知识信息的属性、知识信息之间的关系等。例如，当电子设备100是洗衣机时，参考图1，电子设备100可以存储包括关于洗衣机的信息的基础知识库，诸如“雨天->高湿度”、“高湿度->衣物干得慢”。
电子设备100可以基于使用电子设备100的用户的用户信息来获得控制条件和控制操作，并且建立包括所获得的控制条件和控制操作的设备知识库。设备知识库可以是存储关于使用电子设备100的用户的信息的知识库，并且可以存储基于用户的使用信息所获得的各种知识信息。电子设备100可以以知识图的形式存储知识信息、知识信息的属性、知识信息之间的关系等。建立设备知识库不仅包括生成新的设备知识库，还包括将所获得的控制条件和控制操作添加到预先生成的设备知识库。设备知识库仅仅是示例性的，但是可以与个人知识库和用户知识库互换使用。
电子设备100可以辨识使用电子设备100的用户，但是也可以获得被辨识出的用户控制电子设备100的控制命令。电子设备100可以在获得控制命令时感测上下文，并且获得与控制命令相对应的控制条件。上下文信息可以包括电子设备100的周围环境信息、电子设备100的用户状态信息、电子设备100的用户历史信息和用户的用户日程信息中的至少一个。然而，本公开不限于此。
电子设备100的周围环境信息可以指距电子设备100预定半径内的环境信息，并且包括环境信息，诸如天气信息、温度信息、湿度信息、照度信息、噪声信息、声音信息等，但是本公开不限于此。电子设备100的状态信息可以包括电子设备100的模式信息(例如，声音模式、振动模式、静音模式、省电模式、断电模式、多窗口模式、自动旋转模式等)、电子设备100的位置信息、时间信息、通信模块的激活信息(例如，Wi-Fi开启/蓝牙关闭/GPS开启/NFC开启等)、电子设备100的网络连接状态信息、由电子设备执行的应用信息(例如，应用识别信息、应用类型、应用使用时间、应用使用周期等)等，但不限于此。用户的状态信息可以包括关于用户的移动、生活模式等的信息，并且可以包括关于用户的行走状态、跑步状态、锻炼状态、驾驶状态、睡眠状态、用户的情绪状态等的信息，但是不限于此。电子设备100的用户使用历史信息可以是关于用户使用电子设备100的历史的信息，包括应用的执行历史、应用中执行的功能的历史、用户的呼叫历史、用户的文本历史等，但不限于此。
电子设备100可以通过将控制条件与和控制命令相对应的控制操作相匹配来建立设备知识库。例如，参考图1，当使用电子设备100的用户输入用于每天上午7:00执行洗涤操作的控制命令时，电子设备100可以将控制条件“上午7点”与“洗涤操作”相匹配，以建立设备知识库。
电子设备100基于用户的使用信息获得控制条件和控制操作仅仅是示例性的，但是控制条件和控制操作可以由用户输入。例如，电子设备100可以显示用于输入用户偏好的控制条件和控制操作的用户界面(UI)。当通过UI设置控制条件和控制操作时，电子设备100可以基于关于第一控制条件和第一控制操作的信息建立设备知识库。
作为另一个示例，电子设备100可以通过将用户的使用信息(例如，上下文和控制命令)输入到经训练的人工智能模型中来获得包括关于用户偏好的控制条件和控制操作之间的关系的信息的知识图，来建立设备知识库。
在上述实施例中，通过将控制条件与控制操作相匹配来构建设备知识库。然而，这仅仅是示例，并且控制条件和控制操作可以被匹配并存储在预先建立的设备知识库中。
电子设备100可以向外部服务器发送设备知识库，并扩展(或更新)设备知识库。
电子设备100可以感测与存储在设备知识库中的控制条件相对应的上下文。电子设备100可以通过各种传感器感测关于上下文的信息，但是这仅仅是示例性的。可以通过各种方法检测上下文，诸如用户输入的日程信息、从外部设备接收到的信息等。例如，参考图1，电子设备100可以获得到达上午7点的信息，并通过传感器获得关于下雨预报的信息。
电子设备100可以基于关于上下文的信息和基础知识库来确定(识别)是否执行与控制条件相对应的控制操作。电子设备100可以通过基于与存储在基础知识库中的上下文相关的信息来推断对当前感测到的(检测到的)上下文执行第一控制操作的结果是否与由第一用户预测的执行第一控制操作的结果相同，来确定是否执行控制操作。
当对感测到的上下文执行控制操作的结果与由第一用户预测的执行第一控制操作的结果相同时，电子设备100可以执行控制操作。然而，当对感测到的上下文执行第一控制操作的结果不同于由第一用户预测的执行第一控制操作的结果时，电子设备100可以不执行控制操作。
例如，如果电子设备获得关于上下文“上午7点，下雨预报”的信息，则电子设备100可以基于与存储在基础知识库中的上下文相关联的信息(“雨天->高湿度->衣物干得慢)”，获得其中感测到的上下文“下雨预报”受到执行洗涤操作的控制操作的影响的结果“衣物干得慢”。因此，电子设备100可以不执行作为控制操作的“洗涤操作”，因为确定结果“衣物干得慢”和由用户预测的执行洗涤操作的结果彼此不同。
作为另一个示例，如果电子设备获得关于“上午7点，晴天”的上下文的信息，则电子设备100可以确定对检测到的上下文执行控制操作的结果和由用户预测的执行控制操作的结果相同，并且执行控制操作“洗涤操作”。
电子设备100可以基于确定结果来控制电子设备100。具体地，如果确定电子设备100执行控制操作，则电子设备100可以基于存储在设备知识库中的控制操作来控制电子设备100。如果确定电子设备100不执行控制操作，则电子设备100可以不执行存储在设备知识库中的控制操作。电子设备100可以推荐关于第二控制操作的信息，以获得与由用户预测的、对当前感测到的上下文执行控制操作的结果相同的结果。例如，电子设备100可以向用户提供推荐消息“在晴天运行洗衣机”或者“你想通过增加30分钟的烘干操作来运行洗衣机吗？"。
在上述实施例中，已经基于与一个用户相对应的设备知识库执行了根据上下文的最佳控制操作。然而，本公开不限于此。本公开的技术精神还可以被应用于基于多个设备知识库来执行根据上下文的最佳控制操作。这将在后面参考图8、图9A、图9B和图10详细描述。
同时，用于构建上述实施例中提到的设备知识库的第一人工智能模型可以是人工智能算法，其通过使用机器学习、神经网络、基因、深度学习和分类算法中的至少一个来训练。特别地，第一人工智能模型可以是基于人工智能算法训练的判断模型，例如，基于神经网络的模型。经训练的第一人工智能模型可以包括模拟人类神经网络的神经元的多个加权网络节点。多个网络节点可以各自建立连接关系，使得神经元模拟经由突触发送和接收信号的神经元的突触活动。经训练的第一人工智能模型可以包括例如神经网络模型或从神经网络模型发展而来的深度学习模型。在深度学习模型中，多个网络节点可以位于不同的深度(或层)，并且可以根据卷积连接关系交换数据。经训练的第一人工智能模型的示例包括深度神经网络(DNN)、循环神经网络(RNN)和双向循环深度神经网络(BRDNN)，但是本公开不限于此。
此外，电子设备100可以使用作为人工智能代理(人工智能代理)的个人助理程序来如上所述地执行与上下文相对应的控制操作。个人助理程序可以是用于提供基于人工智能(AI)的服务的专用程序，并且由传统的通用处理器(例如，CPU)或单独的AI专用处理器(例如，图形处理单元(GPU))执行。
具体地，当输入预定的用户输入(例如，包括预定词(触发词或唤醒词)等的用户语音)或者按下电子装置或电子设备100中提供的按钮(例如，用于执行人工智能代理的按钮)时，人工智能代理可以操作(或执行)。人工智能代理可以基于关于检测到的上下文的信息来执行与该上下文相对应的控制操作。
当输入预定的用户输入，以及按下电子设备100中提供的按钮时，人工智能代理可以操作。人工智能代理可以在输入预定的用户输入或者按下电子设备100中提供的按钮之前被预先执行。在这种情况下，在输入预定的用户输入或者按下电子设备100中提供的按钮之后，电子设备100的人工智能代理可以基于关于上下文的信息来执行与上下文相对应的控制操作。
当输入预定的用户输入或者按下电子设备100中提供的按钮时，人工智能代理可以处于待机状态。待机状态可以指接收到预定义的用户输入以控制人工智能代理的操作启动的状态。当人工智能代理处于待机状态时，当输入预定的用户输入或者按下电子设备100中提供的按钮时，电子设备100可以操作人工智能代理，并且基于关于上下文的信息执行与上下文相对应的控制操作。
此外，当输入预定的用户输入或者按下电子设备100中提供的按钮时，人工智能代理可以处于待机模式。待机模式可以是接收到预定义的用户输入以控制人工智能代理的启动的状态。当在人工智能代理处于待机模式时输入预定的用户输入或者按下电子设备100中提供的按钮时，电子设备100可以操作人工智能代理，并且基于关于上下文的信息执行与上下文相对应的控制操作。
人工智能代理可以控制将要描述的各种设备或模块。将描述其详细描述。
图2是解释根据本公开的实施例的电子设备的配置的框图。
参考图2，电子设备100可以包括通信器110、存储器120和处理器130。然而，本公开不限于上述配置。取决于各种类型的电子设备，一些配置可以被添加或省略。
通信接口110可以执行与外部电子设备的通信。通信接口110可以被配置为执行与外部设备的通信。通信接口110和外部设备之间的通信可以指经由第三设备(例如，中继设备、集线器、接入点、服务器或网关)执行通信。无线通信可以包括例如长期演进(LTE)、高级LTE(LTE-A)、码分多址(CDMA)、宽带CDMA(WCDMA)、通用移动电信系统(UMTS)、无线宽带(Wi-Bro)或全球移动通信系统(GSM)等。根据实施例，无线通信可以包括例如无线保真(Wi-Fi)、蓝牙、蓝牙低能量(BLE)、紫蜂、近场通信(NFC)、磁安全传输、射频(RF)或体域网(BAN)中的至少一种。有线通信可以包括例如通用串行总线(USB)、高清晰度多媒体接口(HDMI)、推荐标准232(RS-232)、电力线通信或普通老式电话服务中的至少一种。执行无线或有线通信的网络可以包括电信网络(例如，计算机网络(例如，局域网(LAN)或广域网(WAN))、互联网或电话网络中的至少一个。
通信接口110可以接收通过执行与外部服务器的通信而更新的设备知识库。
通信接口110可以接收各种信息(例如，感测信息、天气信息、时间信息、日程信息等)，以便从外部设备获得上下文。
存储器120可以存储电子设备100的操作所需的各种程序和数据。存储器120可以用非易失性存储器、易失性存储器、闪存、硬盘驱动器(HDD)或固态驱动器(SSD)来实现。处理器130可以访问存储器120，并且处理器130可以执行数据的读取/写入/修改/删除/更新操作。本公开中的术语“存储器”可以包括存储器120和安装在只读存储器(ROM)(未示出)、随机访问存储器(RAM)(未示出)或电子设备100中的存储卡(未示出)(例如，微安全数字(SD)卡、记忆棒等)。存储器120可以存储用于构建要在显示器的显示区域上显示的各种屏幕的程序和数据。
存储器120可以存储用于执行与上下文相对应的控制操作的人工智能代理。人工智能代理可以是用于提供基于人工智能(AI)的服务(例如，语音辨识服务、秘书服务、翻译服务、搜索服务等)的专用程序。特别地，人工智能代理可以由传统的通用处理器(例如，CPU)或附加的AI处理器(例如，GPU)来执行。
存储器120可以存储基础知识库和设备知识库。基础知识库可以是用于存储与电子设备相关的知识信息的知识库，并且以知识图的形式存储知识库之间的关系等。存储器120可以从外部服务器或外部设备接收基础知识库。然而，本公开不限于此，而是基础知识库可以在制造产品时被预先存储。基础知识库可以是用于存储与用户相关的信息的知识库，并且基于用户的用户信息和设置信息获得。设备知识库可以存储彼此匹配的控制条件和控制操作。设备知识库可以由用户的使用信息或设置信息生成或添加(更新)、或者从外部服务器扩展。
处理器130可以电连接到存储器120，以控制电子设备100的整体操作和功能。通过执行存储在存储器120中的至少一个命令，处理器130可以通过基于第一用户的使用信息获得第一用户偏好的第一控制条件和第一控制操作来建立第一设备知识库。当感测到与第一控制条件相对应的上下文时，处理器130可以基于存储关于上下文的信息和与电子设备相关的信息的基础知识库来确定是否执行存储在第一设备知识库中的第一控制操作。处理器130可以基于确定结果来控制电子设备。
处理器130可以建立与第一用户相对应的第一设备知识库。处理器130可以基于第一用户的使用信息获得第一用户偏好的第一控制条件和第一控制操作，并且通过将获得的第一控制条件与第一控制操作相匹配来建立第一设备知识库。处理器130可以控制显示器显示用于输入用户偏好的控制条件和控制操作的UI，并且当通过UI设置第一控制条件和第一控制操作时，处理器130可以通过将第一控制条件与第一控制操作相匹配来建立第一设备知识库。处理器130可以通过将第一用户的使用信息输入到经训练的第一人工智能模型，获得包括关于第一用户偏好的第一控制条件和第一控制操作之间的关系的信息的知识图，来建立设备知识库。
处理器130可以感测与存储在设备知识库中的第一控制条件相对应的上下文。处理器130可以基于从电子设备100中提供的传感器获得的感测信息和从外部感测设备接收到的感测信息来感测上下文，并且从存储在存储器120中的各种信息(例如，日程信息)或从外部设备接收到的信息(例如，天气信息)来感测上下文。
当感测到与第一控制条件相对应的上下文时，处理器130可以通过基于与存储在基础知识库中的上下文相关的信息确定对感测到的上下文执行第一控制操作的结果是否与由第一用户预测的执行第一控制操作的结果相同，来确定是否执行存储在第一设备知识库中的第一控制操作。当对感测到的上下文执行第一控制操作的结果与由第一用户预测的执行第一控制操作的结果相同时，处理器130可以确定执行与第一控制条件相对应的第一控制操作。然而，当对感测到的上下文执行第一控制操作的结果不同于由用户预测的执行第一控制操作的结果时，处理器130可以确定不执行第一控制操作。当确定不执行第一控制操作时，处理器130可以基于感测到的上下文推荐关于第二控制操作的信息，以获得与由第一用户预测的执行第一控制操作的结果相同的结果。
处理器130可以基于与多个用户相对应的多个设备知识库执行与上下文的相对应控制操作。具体地，电子设备100可以通过基于使用电子设备100的第二用户而不是第一用户的使用信息获得第二用户偏好的第二控制条件和第二控制操作来建立第二设备知识库。
处理器130可以感测与第一控制条件和第二条件两者相对应的上下文。当感测到与第一控制条件和第二控制条件相对应的上下文时，处理器130可以基于存储关于上下文的信息和与电子设备相关的信息的设备知识库来确定第一控制操作或第二控制操作中的至少一个，并且执行第一控制操作和第二控制操作中的一个。处理器130可以基于存储在设备知识库中的关于上下文的信息来确定对感测到的上下文执行第一控制操作的结果和执行第二控制操作的结果。处理器130可以将执行第一控制操作的结果和执行第二控制操作的结果之间的、具有由用户预测的执行结果的控制操作确定为将由电子设备执行的控制操作。处理器130可以确定多个控制操作当中的、具有由用户预测的执行结果的控制操作，并执行所确定的控制操作。
图3是解释根据本公开的实施例的电子设备的配置的框图。
参考图3，电子设备100可以包括通信接口110、存储器120、显示器140、扬声器150、传感器160、输入接口170、功能单元180和处理器130。图2中已经描述了通信接口110、存储器120和处理器130。因此，将省略重复描述。
显示器140可以在处理器130的控制下显示各种信息。当确定由处理器130执行控制操作时，显示器140可以显示用于引导与上下文相对应的控制操作的引导消息，并且当确定不由处理器130执行控制操作时，显示器140可以显示包括关于用于获得与第一用户预测的、对感测到的上下文执行第一控制操作的结果相同的结果的第二控制操作的信息的推荐消息。
显示器140可以显示用于设置用户偏好的控制条件和控制操作的UI。
扬声器150可以被配置为输出各种报警声音或语音消息以及各种音频数据，其中由音频处理器处理各种处理，诸如解码、放大和噪声滤波。扬声器150可以以音频的形式提供由显示器提供的引导消息和推荐消息。引导消息和推荐消息可以是以自然语言形式处理的语音消息。用于输出音频的配置可以体现为扬声器，但是其仅仅是示例性的。用于输出音频的配置可以被实现为用于输出音频数据的输出端子。
传感器160可以被配置为感测电子设备100的各种状态信息。例如，传感器160可以包括用于感测移动信息的移动传感器(例如，陀螺仪传感器、加速度传感器等)、用于感测位置信息的传感器(例如，全球定位系统(GPS)传感器)、用于感测电子设备100附近的环境信息的传感器(例如，温度传感器、湿度传感器、气压传感器等)、用于感测电子设备100的用户信息的传感器(例如，血压传感器、血糖传感器、脉搏率传感器等)等等。此外，传感器160可以还包括用于拍摄电子设备100的外部的图像传感器等。
输入接口170可以接收用于控制电子设备100的用户输入。特别地，输入接口170可以接收用于设置用户偏好的控制条件和控制操作的用户输入。输入接口170可以包括用于接收用户声音的麦克风、用于接收使用用户的手或手写笔的用户触摸的触摸面板、以及用于接收用户操作的按钮。然而，本公开不限于此，而是输入接口170可以体现为其他输入设备(例如，键盘、鼠标、运动输入等)。
功能单元180可以被配置为执行电子设备100的自身功能。例如，当电子设备100是洗衣机时，功能单元180可以被配置为执行洗涤操作，当电子设备100是空调时，功能单元180可以被配置为执行冷却操作，并且当电子设备100是空气净化器时，功能单元180可以被配置为执行空气净化功能。然而，这仅仅是示例性的，但是功能单元180可以根据电子设备的类型来执行电子设备的功能。
图4是解释根据本公开的实施例的、根据上下文执行控制操作的方法的流程图。
在操作S410，电子设备100可以存储基础知识库。基础知识库可以是存储与电子设备100相关的信息(例如，电子设备100的功能、控制、设置和结构)的知识库，并且可以从外部服务器被接收。然而，这仅仅是示例性的，但是基础知识库可以在制造产品时被存储。
在操作S420，电子设备100可以基于使用电子设备100的用户的使用信息来建立基础知识库。使用信息可以是关于被输入到电子设备100的控制命令的信息或者当控制命令被输入时的上下文。电子设备100可以通过将使用信息输入到经训练的第一人工智能模型中获得包括用户偏好的控制条件和控制操作之间的关系的知识图来建立基础知识库，并且通过将用户通过UI设置的控制条件与控制操作相匹配来建立设备知识库。
在操作S430，电子设备100可以确定是否已经检测到与存储在设备知识库中的控制条件相对应的上下文。
当在操作S430-是处感测到与存储在设备知识库中的控制条件相对应的上下文时，在操作S440，电子设备100可以基于关于上下文的信息和基础知识库来确定是否执行与控制条件相对应的控制操作。具体地，电子设备100可以通过基于存储在基础知识库中的关于上下文的信息、确定对感测到的上下文执行控制操作的结果是否不同于由用户预测的执行控制操作的结果，来确定是否执行与控制条件相对应的控制操作。
在操作S450，电子设备100可以基于确定结果来控制电子设备100。当基于感测到的上下文执行控制操作的结果与由用户预测的执行控制操作的结果相同时，电子设备100可以执行控制操作，并且当基于感测到的上下文执行控制操作的结果不同于由用户预测的执行控制操作的结果时，电子设备100可以不执行控制操作，但是可以针对由用户预测的执行控制操作的结果提供推荐信息。
图5、图6和图7是解释根据本公开的各种实施例的、用于建立知识库的方法的视图。
参考图5，用于获得用户的设备知识库的系统可以包括电子设备100和服务器500。
电子设备100可以收集电子设备上的控制命令和上下文信息，将收集到的控制命令和上下文信息输入到至少一个人工智能训练模型中，以建立存储与用户相关的信息的设备知识库。存储在设备知识库中的关于用户的信息可以以知识图的形式存储。电子设备100可以从服务器500接收由服务器500生成的知识图，并且通过使用从服务器接收到的知识图和至少一个人工智能训练模型来扩展存储在设备知识库中的知识图。由电子设备100生成和扩展的知识图可以包括与用户隐私相关的信息，并且可以在电子设备100中使用和管理包括隐私信息的知识图。
参考图6，电子设备100可以收集并预处理用户的控制命令和上下文信息，以生成结构化数据并使用结构化数据生成第一知识图。例如，结构化数据可以是指示时间序列操作的上下文、或者可以是指示控制命令和与电子设备100和/或用户相关的上下文的句子。
电子设备100可以将结构化数据输入到第一人工智能模型，并且第一人工智能模型可以通过使用结构化数据作为输入值，借助实体提取、实体解析和歧义消除、以及关系提取来生成第一知识图。
第一图可以是基于与用户和/或电子设备100相关的上下文生成的知识图，并且可以通过反映关于用户隐私的信息来生成。第一人工智能模型可以是用于基于用户和/或电子设备100的上下文生成和更新知识图的训练模型。
人工智能模型可以是可以使用机器学习、神经网络、基因、深度学习和分类算法中的至少一种来训练的人工智能算法。第一人工智能模型可以提供提取关于控制命令和上下文的信息中的实体以及推断所提取的实体之间的关系的功能。
电子设备100可以为每个预定类别生成第一知识图。电子设备100可以根据用于保护用户的个人信息的隐私级别生成第一知识图。隐私级别可以指示保护用户的个人信息的程度，并且根据隐私级别，可以确定在第一知识图中的数据中抽象与用户隐私相关的数据的程度。
电子设备100可以基于第一知识图生成设备知识库，并将第一知识图存储在常规生成的设备知识库中。
电子设备100可以向服务器500请求第二知识图。电子设备100可以向服务器500发送关于用户的信息和关于电子设备的信息，并且向服务器500请求第二知识图。
第二知识图可以是由服务器500生成的知识图，并且其可以实基于从各种用户和设备接收到的大数据的。用于生成第二知识图的大数据可以包括与各种情形相关的上下文信息，除了关于隐私的信息。第二知识图可以通过使用大数据作为输入值、由预定人工智能训练模型来生成，例如，其可以针对每个用户特性并且按类别来生成。
电子设备100可以从服务器500接收第二知识图。电子设备100可以接收与用户相关的第二知识图。电子设备100可以接收与用户选择的类别(或电子设备)相关的第二知识图。
电子设备100可以通过将第一知识图和第二知识图输入到第二训练模型中来获得要存储在设备知识库中的第三知识图。第三知识图可以是从第一知识图扩展的知识图。第二训练模型可以是能够扩展和更新第一设备知识图的训练模型。
可以使用机器学习、神经网络、基因、深度学习和分类算法中的至少一种作为人工智能算法来训练第二学习模型。第二学习模型可以提供通过分析和整合第一知识图和第二知识图来扩展第一知识图的功能。
电子设备100可以与外部服务器500相关联地扩展存储在设备知识图中的知识图，并且基于关于控制命令和上下文的信息来生成或添加(更新)设备知识库。
参考图7，第一知识图710的实体可以包括“我”、“冲绳”、“相机”和“旅行应用”。此外，例如，实体“我”和实体“冲绳”之间的关系可以是“搜索”，并且实体“我”和实体“相机”之间的关系可以是“购买”。实体“我”和实体“旅行应用”之间的关系可以是“下载”。
电子设备100可以通过将第一知识图710和从服务器500接收到的第二知识图输入到第一人工智能模型来生成第三知识图720。第三知识图720可以是从第一知识图710扩展的知识图。第一知识图710中的实体和服务器知识图中的实体可以根据预定参考被映射，并且第二知识图的实体可以根据预定参考被合并到第一知识图710中的实体中。因此，例如，第三知识图720可以包括从实体“冲绳”扩展的实体“餐馆”和“水族馆”。此外，例如，实体“冲绳”和实体“餐馆”之间的关系可以被确定为“食物”，并且实体“冲绳”和实体“水族馆”之间的关系可以被确定为“旅游”。
换句话说，以上述方式，电子设备100可以建立(生成或扩展)设备知识库。
图8、图9A和图9B是解释根据本公开的各种实施例的、用于根据上下文执行与多个用户中的至少一个相对应的控制操作的示例实施例的视图。
当使用电子设备100的用户包括多个用户时，电子设备100可以建立与多个用户中的每一个相对应的设备知识库。具体地，当输入用户的控制命令时，电子设备100可以辨识输入控制命令的用户。电子设备100可以分析用户语音，辨识用户的面部、虹膜或指纹，或者识别ID或密码以辨识输入控制命令的用户。电子设备100可以基于关于控制命令和上下文的信息来建立与用户相对应的设备知识库。可以基于辨识出的用户信息将设备知识库与另一个用户区分开。
例如，如果电子设备是空调(或控制家用设备的设备)，则电子设备100可以包括基础知识库810、第一设备知识库820和第二设备知识库830，如图8所示。参考图8，基础知识库810可以存储与空调相关的知识信息“当窗户打开时，室温和室外温度变得相等”、“当空调运行时，室温和空调的设定温度相等”、“合适的温度是25度”。此外，在第一设备知识库820中，可以匹配和存储诸如“如果温度为28度或更高，则打开(连接到电子装置的)窗口”的控制条件和控制操作。此外，第二设备知识库830可以存储彼此匹配的控制条件和控制操作“如果温度为28度或更高，则运行空调”。
当感测到与第一控制条件和第二控制条件相对应的上下文时，电子设备100可以基于存储关于上下文的信息和与电子设备相关的信息的基础知识库来确定第一控制操作和第二控制操作之一，并且在第一控制操作和第二控制操作之间执行所确定的一个。电子设备100可以基于与存储在基础知识库中的上下文相关的信息来确定执行第一控制操作的结果和执行第二控制操作的结果，并且将在执行第一控制操作的结果和执行第二控制操作的结果之间的、具有由用户预测的执行结果的控制操作确定为要由电子设备执行的控制操作。
参考图9A，当感测到满足第一控制条件和第二控制条件两者“室温为30度，并且室外温度为33度”的上下文时，电子设备100可以基于关于上下文的信息和基础知识库810来确定第一控制操作和第二控制操作之一。电子设备100可以基于基础知识库810和第一设备知识库820来确定在当前检测到的上下文情形下执行第一控制操作的结果。例如，当执行作为打开窗户的操作的控制操作时，基于第一设备知识库820，电子设备100可以确定室温达到33度，因为当窗户打开时室温变得等于室外温度。电子设备100可以基于基础知识库810和第二设备知识库830来确定在当前感测到的上下文中执行第二控制操作的结果。例如，当执行作为操作空调的操作的第二控制操作时，基于第二设备知识库830，电子设备100可以确定室温为25度，因为基于基础知识库810，室温与空调设定温度25相同。
电子设备100可以确定执行第一控制操作的结果和执行第二控制操作的结果彼此冲突。因此，电子设备100可以基于执行第一控制操作的结果和执行第二控制操作的结果来确定执行具有由用户预测的结果的控制操作。例如，当确定作为执行第一控制操作的结果室温升高，并且作为执行第二控制操作的结果室温降低时，电子设备100可以将与用户预测的结果“室温降低”相对应的第二控制操作确定为将由电子设备100执行的控制操作。
电子设备100可以控制电子设备100在不打开窗户的情况下操作空调的冷却操作。
参考图9B，当感测到满足第一控制条件和第二控制条件两者“室温为30度，室外温度为24度”的上下文时，电子设备100可以基于关于上下文的信息和基础知识库810来确定第一控制操作和第二控制操作之一。电子设备100可以基于基础知识库810和第一设备知识库820来确定在当前感测到的上下文情形下执行第一控制操作的结果。当执行作为打开窗户的操作的第一控制操作时，基于第一设备知识库820，电子设备100可以确定室温为24度，因为基于基础知识库810，当打开窗户时，室温与室外温度相同。电子设备100可以基于基础知识库810和第二设备知识库830来确定在当前感测到的上下文中执行第二控制操作的结果。例如，当执行作为操作空调的操作的第二控制操作时，基于第二设备知识库830，电子设备100可以确定室温为25度，因为基于基础知识库810，当打开空调时，室温与空调设定温度25相同。
电子设备100可以确定执行第一控制操作的结果和执行第二控制操作的结果彼此冲突。因此，电子设备100可以基于执行第一控制操作的结果和执行第二控制操作的结果来确定执行具有由用户预测的结果的控制操作。特别地，第一控制操作和第二控制操作两者都可以降低室温，但是确定执行第一控制操作的结果花费更少的电费，则电子设备100可以将第一控制操作确定为要由电子设备100执行的控制操作。
因此，电子设备100可以不操作空调，并且可以向连接到电子设备100的窗户发送命令“打开”。
如上所述，电子设备100可以基于多个设备知识库820和830中与当前感测到的上下文相对应的设备知识库来执行最佳控制操作。
图10是解释根据本公开的实施例的、用于根据上下文执行与多个用户之一相对应的控制操作的方法的流程图。
在操作S1010，电子设备100可以存储基础知识库。基础知识库可以是存储与电子设备100相关的信息(例如，电子设备100的功能、控制、设置和结构)的知识库，但是可以从外部服务器被接收。然而，这仅仅是示例性的，并且基础知识库可以在制造产品时被存储。
在操作S1020，电子设备100可以基于与使用电子设备100的多个用户中的每一个相对应的使用信息，建立与多个用户中的每一个相对应的设备知识库。使用信息可以是关于被输入到电子设备100的控制命令的信息和关于控制命令被输入时的上下文的信息。电子设备100可以通过将第一用户的使用信息输入到经训练的第一人工智能模型来获得包括第一用户偏好的第一控制条件和第一控制操作之间的关系的知识图，从而建立第一设备知识库，并且通过将第二用户的使用信息输入到经训练的第一人工智能模型来获得包括第二用户偏好的第二控制条件和第二控制操作之间的关系的知识图，从而建立第二设备知识库。电子设备100可以通过将控制条件与由多个用户中的每一个通过UI预先确定的控制操作相匹配来建立多个设备知识库。
在操作S1030，电子设备100可以确定是否感测到与存储在多个设备知识库中的控制条件相对应的上下文。
当在操作S430-是感测到与存储在多个设备知识库中的控制条件相对应的上下文时，在操作S1040，电子设备100可以基于关于上下文的信息和基础知识库来确定与多个控制条件之一相对应的控制操作。具体地，电子设备100可以基于与存储在基础知识库中的上下文相关的信息来确定对感测到的上下文执行第一控制操作的结果和执行第二控制操作的结果，并且将在执行第一控制操作的结果和执行第二控制操作的结果之间的、具有由用户预测的执行结果的控制操作确定为要由电子设备执行的控制操作。
在操作S1050，电子设备100可以根据所确定的控制操作来控制电子设备100。
如上所述，即使存储在多个设备知识库中的控制条件和控制操作彼此冲突，电子设备100也可以根据上下文执行最佳控制操作。
图11、图12和图13是解释根据本公开的各种实施例的处理器的配置的框图。
参考图11，根据实施例的处理器1100可以包括数据训练单元1110和数据辨识单元1120。
数据训练单元1110可以训练用于生成第一知识图的参考。数据训练单元1110可以训练关于哪些数据将被用于生成第一知识图以及如何使用数据生成第一知识图的参考。数据训练单元1110可以获得用于训练的数据，并将获得的数据应用于第一人工智能模型，以训练用于生成第一知识图的参考。
数据训练单元1110可以训练用于生成第三知识图的参考。数据训练单元1110可以训练关于哪些数据将被用于生成第三知识图以及如何使用数据生成第三知识图的参考。数据训练单元1110可以训练用于训练的数据，并将获得的数据应用于第二人工智能模型，以训练用于生成第三图的参考。
数据辨识单元1120可以输出第一知识图。数据辨识单元1120可以使用经训练的第一人工智能模型从预定数据输出第一知识图。数据辨识单元1120可以通过训练、根据预定参考获得预定数据，并且将获得的数据用作输入值来使用第一人工智能模型输出第一知识图。此外，由数据辨识模型使用获得的数据作为输入值而输出的结果值可以用于更新第一人工智能模型。
数据辨识单元1120可以输出第三知识图。数据辨识单元1120可以使用经训练的第二人工智能模型从预定数据输出第三知识图。数据辨识单元1120可以通过训练、根据预定参考获得预定数据，并且通过将获得的数据用作输入值以使用第二人工智能模型来输出第三知识图。由数据辨识模型使用获得的数据作为输入值所输出的结果值可以用于更新第二人工智能模型。
数据训练单元1110和数据辨识单元1120中的至少一个可以以至少一个硬件芯片的形式被制造并安装在电子设备上。例如，数据训练单元1110和数据辨识单元1120中的至少一个可以以用于人工智能(AI)的专用硬件芯片的形式被制造、或者可以被制造为要被安装在如上所述的各种电子设备上的传统通用处理器(CPU或应用处理器)或仅图形处理器(例如GPU)的部分。
在这种情况下，数据训练单元1110和数据辨识单元1120可以被安装在单个电子设备100上、或者被分开安装在每个电子设备上。例如，数据训练单元1110和数据辨识单元1120中的一个可以包括在电子设备100中，而另一个可以包括在服务器中。数据训练单元1110和数据辨识单元1120可以以有线或无线方式通信，由数据训练单元1110建立的模型信息可以被提供给数据辨识单元1120，并且被输入到数据辨识单元1120的数据可以作为附加训练数据被提供给数据训练单元1110。
数据训练单元1110和数据辨识单元1120中的至少一个可以被实现为软件模块。当数据训练单元1110和数据辨识单元1120中的至少一个被实现为软件模块(或包括指令的程序模块)时，软件模块可以被存储在非暂时性计算机可读介质中。此外，在这种情况下，至少一个软件模块可以由操作系统(OS)或预定的应用提供。可替代地，至少一个软件模块中的一些可以由操作系统(OS)提供，并且软件模块中的一些可以由预定的应用提供。
图12是解释根据一些实施例的数据训练单元的框图。
参考图12，数据训练单元1110可以包括数据获取单元1110-1、预处理器1110-2、训练数据选择单元1110-3、模型训练单元1110-4和模型评估单元1110-5。
数据获取单元1110-1可以获得用于生成第一知识图和第三知识图的数据。数据获取单元1110-1可以获得用于训练以生成第一知识图和第三知识图所需的数据。
预处理器1110-2可以预处理获得的数据，使得获得的数据可以用于训练以生成第一知识图和第三知识图。预处理器1110-2可以以预定格式制造所获得的数据，使得模型训练单元1110-4可以使用所获得的数据进行训练，以生成第一知识数据和第三知识数据。例如，预处理器1110-2可以在指示预定时间序列操作的上下文中制造上下文信息。
训练数据选择单元1110-3可以在经预处理的数据中选择训练所需的数据。所选数据可以被提供给模型训练单元1110-4。训练数据选择单元1110-3可以根据用于生成第一知识图和第三知识图的预定参考，在经预处理的数据中选择训练所需的数据。训练数据选择单元1110-3可以通过模块训练单元1110-4的训练、根据预定参考选择数据。
模型训练单元1110-4可以基于训练数据训练关于如何执行第一知识图和第三知识图的生成的参考。模型训练单元1110-4可以训练关于哪些训练数据将被用于第一知识图和第三知识图的生成的参考。
模型训练单元1110-4可以通过使用训练数据来训练用于生成第一知识图和第三知识图的第一人工智能模型和第二人工智能模型。在这种情况下，第一人工智能模型和第二人工智能模型可以是预先建立的模型。例如，第一人工智能模型和第二人工智能模型可以是通过接收基础训练数据预先建立的模型。
可以考虑到辨识模型的应用领域、训练目的或设备的计算机性能，来建立第一人工智能模型和第二人工智能模型。例如，第一人工智能模型和第二人工智能模型可以是基于神经网络的模型。例如，深度神经网络(DNN)、循环神经网络(RNN)或双向循环深度神经网络(BRDNN)可以用作训练模型，但是本公开不限于此。
根据各种实施例，当预先建立的第一训练模型、第二训练模型和第三训练模型为复数时，模型训练单元1110-4可以选择输入训练数据和基础训练数据彼此高度相关的训练模型。在这种情况下，可以通过数据类型对基础训练数据进行预分类，并且可以通过数据类型预先建立训练模型。例如，可以通过各种标准，诸如生成训练数据的区域、生成训练数据的时间、训练数据的大小、训练数据的类型、学习数据的创建者、训练数据中对象的类型等，来对基础训练数据进行预分类。
模型训练单元1110-4还可以使用包括例如误差反向传播方法或梯度下降方法的训练算法来训练数据辨识模型。然而，本公开不限于此。
例如，模型训练单元1110-4可以使用训练数据作为输入值、通过监督学习来训练第一人工智能模型和第二人工智能模型。模型训练单元1110-4可以通过无监督学习来训练第一人工智能模型和第二人工智能模型，该无监督学习在不需要额外的有监督学习的情况下，自己训练必要数据的类型。模型训练单元1110-4可以使用根据训练的输出结果是否合适的反馈，通过强化学习来训练第一人工智能模型和第二人工智能模型。
当训练第一人工智能模型和第二人工智能模型时，模型训练单元1110-4可以存储经训练的第一人工智能模型和第二人工智能模型。在这种情况下，模型训练单元1110-4可以将经训练的第一人工智能模型和第二人工智能模型存储在包括数据辨识单元1120的电子设备100的存储器中。模型训练单元1110-4可以将经训练的第一人工智能模型和第二人工智能模型存储在包括数据辨识单元1120的电子设备100的存储器中。模型训练单元1110-4可以将经训练的第一人工智能模型和第二人工智能模型存储在通过有线或无线网络连接到电子设备的服务器的存储器中。
在这种情况下，存储经训练的第一人工智能模型和第二人工智能模型的存储器还可以存储例如与电子设备的至少一个其他组件相关联的指令或数据。存储器还可以存储软件和/或程序。程序可以包括例如内核、中间件、应用编程接口(API)和/或应用程序(或“应用”)。
当评估数据被输入到第一人工智能模型和第二人工智能模型并且从评估数据输出的结果不满足预定参考时，模型评估单元1110-5可以允许模型训练单元1110-4再次训练。在这种情况下，评估数据可以是用于评估第一人工智能模型和第二人工智能模型的预定数据。
数据训练单元1110中的数据获取单元1110-1、预处理器1110-2、训练数据选择单元1110-3、模型训练单元1110-4和模型评估单元1110-5中的至少一个可以以至少一个硬件芯片的形式被制造并安装在电子设备上。
例如，数据获取单元1110-1、预处理器1110-2、训练数据选择单元1110-3、模型训练单元1110-4和模型评估单元1110-5中的至少一个可以以仅用于人工智能(AI)的硬件芯片的形式被制造、或者可以被制造为要被安装在各种电子设备上的传统通用处理器(例如，CPU或应用处理器)或仅图形处理器(例如，GPU)的部分。
此外，数据获取单元1110-1、预处理器1110-2、训练数据选择单元1110-3、模型训练单元1110-4和模型评估单元1110-5可以被安装在单个电子设备上或者被分开安装在每个电子设备上。例如，数据获取单元1110-1、预处理器1110-2、训练数据选择单元1110-3、模型训练单元1110-4和模型评估单元1110-5的部分可以包括在电子设备中，并且其余部分可以包括在服务器中。
数据获取单元1110-1、预处理器1110-2、训练数据选择单元1110-3、模型训练单元1110-4和模型评估单元1110-5中的至少一个可以被实现为软件模块。当数据获取单元1110-1、预处理器1110-2、训练数据选择单元1110-3、模型训练单元1110-4和模型评估单元1110-5中的至少一个被实现为软件模块(或包括指令的程序模块)时，软件模块可以存储在计算机可读的非暂时性计算机可读介质中。至少一个软件模块可以由操作系统(OS)提供或者由预定的应用提供。可替代地，至少一个软件模块中的一些可以由操作系统(OS)提供，并且软件模块中的一些可以由预定的应用提供。
图13是解释根据一些实施例的数据辨识单元的框图。
参考图13，数据辨识单元1120可以包括数据获取单元1120-1、预处理器1120-2、辨识数据选择单元1120-3、辨识结果提供器1120-4和模型更新单元1120-5。
数据获取单元1120-1可以获得用于生成第一知识图和第三设备知识图的数据，预处理器1120-2可以预处理获得的数据，使得获得的数据可以用于生成第一知识图和第三设备知识图。预处理器1120-2可以以预定格式制造获得的数据，使得辨识结果提供器1120-4可以使用获得的数据来生成第一知识图和第三设备知识图。例如，预处理器1120-2可以在指示预定时间序列操作的上下文中制造上下文信息。
辨识数据选择单元1120-3可以在预处理数据中选择生成第一知识图和第三设备知识图所需的数据。所选数据可以被提供给辨识结果提供器1120-4。辨识数据选择单元1120-3可以根据用于生成第一知识图和第三设备知识图的预定参考来选择预处理数据中的部分或全部。辨识数据选择单元1120-3可以通过模型训练单元1110-4的训练、根据预定参考来选择数据。
辨识结果提供器1120-4可以通过将所选数据应用于数据辨识模型来执行第一知识图的生成和第三设备知识图的生成。辨识结果提供器1120-4可以使用由辨识数据选择单元1120-3选择的数据作为输入值，并将所选数据应用于第一人工智能模型和第二人工智能模型。第一知识图的生成和第三设备知识图的生成可以由第一人工智能模型和第二人工智能模型来执行。
模型更新单元1120-5可以基于对由辨识结果提供器1120-4提供的输出值的评估来更新数据辨识模型。例如，模型更新单元1120-5可以将辨识结果提供器1120-4提供的输出结果提供给模型训练单元1110-4，使得模型训练单元1110-4可以更新数据辨识模型。
数据辨识单元1120中的数据获取单元1120-1、预处理器1120-2、辨识数据选择单元1120-3、辨识结果提供器1120-4和模型更新单元1120-5中的至少一个可以以至少一个硬件芯片的形式被制造并安装在电子设备上。例如，数据获取单元1120-1、预处理器1120-2、辨识数据选择单元1120-3、辨识结果提供器1120-4和模型更新单元1120-5中的至少一个可以以要被安装在如上所述的各种电子设备上的仅用于人工智能(AI)的硬件芯片、传统通用处理器(例如，CPU或应用处理器)或仅图形的处理器(例如，GPU)的形式被制造。
此外，数据获取单元1120-1、预处理器1120-2、辨识数据选择单元1120-3、辨识结果提供器1120-4和模型更新单元1120-5可以被安装在单个电子设备上、或者被分开安装在每个电子设备上。例如，数据获取单元1120-1、预处理器1120-2、辨识数据选择单元1120-3、辨识结果提供器1120-4和模型更新单元1120-5的部分可以包括在电子设备中、或者剩余部分可以包括在服务器中。
数据获取单元1120-1、预处理器1120-2、辨识数据选择单元1120-3、辨识结果提供器1120-4和模型更新单元1120-5中的至少一个可以被实现为软件模块。当数据获取单元1120-1、预处理器1120-2、辨识数据选择单元1120-3、辨识结果提供器1120-4和模型更新单元1120-5中的至少一个被实现为软件模块时，软件模块可以被存储在计算机可读的非暂时性计算机可读介质中。此外，在这种情况下，至少一个软件模块可以由操作系统(OS)或预定的应用提供。可替代地，至少一个软件模块中的一些可以由操作系统(OS)提供，并且软件模块中的一些可以由预定的应用提供。
图14是示出根据本公开的实施例的示例的视图，其中电子设备可与服务器相关联地操作以训练和辨识数据。
参考图14，服务器1400可以训练用于生成第一知识图和第三知识图的参考，并且电子设备100可以基于服务器1400的训练结果来执行第一知识图的生成和第三知识图的生成。
服务器1400的模型训练单元1410可以执行图12所示的数据训练单元1110的功能。服务器1400包括数据获取单元1411、预处理器1412、训练数据选择单元1413、模型训练单元1414和模型评估单元1415。
服务器1400的模型训练单元1410可以训练关于哪些数据将被用于生成第一知识图和第三知识图以及如何使用数据执行第一知识图的生成和第三知识图的生成的参考。模型训练单元1410可以获得用于训练的数据，并将获得的数据应用于人工智能模型，以训练用于第一知识图的生成和第三知识图的生成的参考。模型训练单元1410使用的数据中与电子设备100的用户隐私相关的数据可以是由电子设备100根据预定参考抽象的数据。
辨识结果提供器1120-4可以通过将由辨识数据选择单元1120-3选择的数据应用于由服务器1400生成的第一人工智能模型和第二人工智能模型来执行第一知识图的生成和第三知识图的生成。例如，辨识结果提供器1120-4可以将由辨识数据选择单元1120-3选择的数据发送到服务器1400，并且请求服务器1400通过将由辨识数据选择单元1120-3选择的数据应用于第一人工智能模型和第二人工智能模型，来执行第一知识图的生成和第二设备知识图的生成。在由辨识结果提供器1120-4和辨识数据选择单元1120-3使用的数据中的与电子设备100的用户隐私相关的数据可以是由电子设备100根据预定参考抽象的数据。此外，辨识结果提供器1120-4可以从服务器1400接收由服务器1400执行的结果值。
电子设备100的辨识结果提供器1120-4可以从服务器1400接收由服务器1400生成的第一人工智能模型和第二人工智能模型，并且通过使用接收到的第一人工智能模型和第二人工智能模型来执行第一知识图的生成和第三知识图的生成。在这种情况下，电子设备100的辨识结果提供器1120-4可以通过将辨识数据选择单元1120-3选择的数据应用于从服务器1400接收到的第一人工智能模型和第二人工智能模型来执行第一知识图的生成和第二知识的生成。
本公开中使用的术语“部分”或“模块”包括由硬件、软件或固件组成的单元，并且可以与诸如逻辑、逻辑块、组件、电路等术语互换使用。术语“部分”或“模块”可以是整体构造的组件或执行一个或多个功能的最小单元或其部分。例如，模块可以被配置为专用集成电路(ASIC)。
本公开的各种实施例可以被实现为包括存储在机器可读存储介质中的、可以由机器(例如，计算机)读取的命令的软件。机器可以是调用存储在存储介质中的命令并可根据所调用的命令进行操作的装置，包括根据所公开的示例实施例的电子设备(例如，电子设备(A))。当命令由处理器执行时，处理器可以直接地或在处理器的控制下，使用其他组件来执行与命令相对应的功能。命令可以包括由编译器或解释器生成或执行的代码。可以以非暂时性存储介质的形式提供机器可读的存储介质。“非暂时”是指存储介质不包括信号，而是有形的，但不区分数据是半永久存储还是暂时存储在存储介质上。
根据实施例，可以在计算机程序产品中提供根据本文所公开的各种实施例的方法。计算机程序产品可以作为商品在卖方和买方之间进行交易。计算机程序产品可以以机器可读存储介质(例如，光盘只读存储器(CD-ROM))的形式分发、或者通过应用商店(例如，
Figure BDA0003039638690000271
)在线分发。在在线分发的情况下，计算机程序产品的至少部分可以被暂时存储或被暂时创建在存储介质上，诸如制造商的服务器、应用商店的服务器或中继服务器的存储器。
根据各种实施例的组件(例如，模块或程序)中的每一个可以由单个实体或多个实体组成，并且可以省略上述子组件种的一些子组件，或者其他组件可以进一步包括在各种实施例中。可替代地或附加地，一些组件(例如，模块或程序)可以被集成到一个实体中，以执行由集成之前的每个组件执行的相同或相似的功能。根据各种实施例的由模块、程序或其他组件执行的操作可以顺序地、并行地、重复地或启发式地被执行，或者至少一些操作可以以不同的顺序被执行，或者被省略，或者另一个功能可以进一步被添加。
尽管已经参考本公开的各种实施例示出和描述了本公开，但是本领域技术人员将理解，在不脱离由所附权利要求及其等同物所限定的本公开的精神和范围的情况下，可以在形式和细节上进行各种改变。

Claims (15)

1.一种电子设备，包括：
通信接口；
存储器，用于存储至少一个命令；以及
至少一个处理器，连接到所述通信接口和所述存储器，
其中，所述至少一个处理器通过执行所述至少一个命令而被配置为：
基于使用所述电子设备的第一用户的使用信息，通过获得第一用户偏好的第一控制条件和第一控制操作，建立第一设备知识库，
基于检测到与所述第一控制条件相对应的上下文，基于存储关于所述上下文的信息和关于所述电子设备的信息的基础知识库，识别是否执行存储在所述第一设备知识库中的所述第一控制操作，以及
基于识别的结果，控制所述电子设备。
2.根据权利要求1所述的电子设备，其中，所述至少一个处理器还被配置为，基于根据存储在所述基础知识库中的关于所述上下文的信息、对检测到的上下文执行所述第一控制操作的结果不同于由所述第一用户预测的执行所述第一控制操作的结果，识别不执行所述第一控制操作。
3.根据权利要求2所述的电子设备，其中，所述至少一个处理器还被配置为，基于对不执行所述第一控制操作的识别，推荐关于第二控制操作的信息，所述第二控制操作用于获得与所述第一用户预测的、对所述上下文执行所述第一控制操作的结果相同的结果。
4.根据权利要求1所述的电子设备，其中，所述至少一个处理器还被配置为：
通过基于使用所述电子设备的第二用户的使用信息获得所述第二用户偏好的第二控制条件和第二控制操作，建立第二设备知识库；
基于检测到与所述第一控制条件和所述第二控制条件相对应的上下文，基于存储关于所述上下文的信息和关于所述电子设备的信息的基础知识库，识别所述第一控制操作或所述第二控制操作之一；以及
执行所述第一控制操作或所述第二控制操作中所识别的一个。
5.根据权利要求4所述的电子设备，其中，所述至少一个处理器还被配置为：
基于存储在所述基础知识库中的关于感测到的上下文的信息，识别对所述上下文执行所述第一控制操作的结果和执行所述第二控制操作的结果；以及
将在执行所述第一控制操作的结果和执行所述第二控制操作的结果之间的、具有由用户预测的执行结果的控制操作识别为将由所述电子设备执行的控制操作。
6.根据权利要求1所述的电子设备，还包括：
显示器，
其中，所述至少一个处理器还被配置为：
控制所述显示器显示用于输入用户偏好的控制条件和控制操作的用户界面(UI)，以及
基于通过所述UI设置了所述第一控制条件和所述第一控制操作，基于关于所设置的第一控制条件和第一控制操作的信息，建立所述第一设备知识库。
7.根据权利要求1所述的电子设备，其中，所述至少一个处理器还被配置为，通过将所述第一用户的使用信息输入到经训练的第一人工智能模型、获得包括所述第一用户偏好的第一控制条件和第一控制操作之间的关系的信息的知识图，建立所述设备知识库。
8.根据权利要求7所述的电子设备，其中，所述第一人工智能模型包括通过使用机器训练、神经网络、基因、深度学习或分类算法中的至少一种作为人工智能算法来训练的人工智能模型。
9.如权利要求1所述的电子设备，
其中，所述基础知识库是从外部服务器接收的、或者是在制造所述电子设备时存储的，并且
其中，所述基础知识库以至少一个知识图的形式存储关于所述电子设备的信息。
10.一种控制电子设备的方法，所述方法包括：
基于使用所述电子设备的第一用户的使用信息，通过获得第一用户偏好的第一控制条件和第一控制操作，建立第一设备知识库；
基于检测到与所述第一控制条件相对应的上下文，基于存储关于所述上下文的信息和关于所述电子设备的信息的基础知识库，识别是否执行存储在所述第一设备知识库中的所述第一控制操作；以及
基于识别的结果，控制所述电子设备。
11.如权利要求10所述的方法，其中，识别是否执行所述第一控制操作包括：基于根据存储在所述基础知识库中的关于所述上下文的信息、对检测到的上下文执行所述第一控制操作的结果不同于由所述第一用户预测的执行所述第一控制操作的结果，识别不执行所述第一控制操作。
12.根据权利要求11所述的方法，其中，控制所述电子设备包括：基于对不执行所述第一控制操作的识别，推荐关于第二控制操作的信息，所述第二控制操作用于获得与所述第一用户预测的、对所述上下文执行所述第一控制操作的结果相同的结果。
13.如权利要求10所述的方法，还包括：
通过基于使用所述电子设备的第二用户的使用信息获得所述第二用户偏好的第二控制条件和第二控制操作，建立第二设备知识库；
基于检测到与所述第一控制条件和所述第二控制条件相对应的上下文，基于存储关于所述上下文的信息和关于所述电子设备的信息的基础知识库，识别所述第一控制操作或所述第二控制操作之一；以及
执行所述第一控制操作或所述第二控制操作之一。
14.如权利要求13所述的方法，其中，确定所述第一控制操作或所述第二控制操作中的至少一个包括：
基于存储在所述基础知识库中的关于所述上下文的信息，识别对感测到的上下文执行所述第一控制操作的结果和执行所述第二控制操作的结果；以及
将在执行所述第一控制操作的结果和执行所述第二控制操作的结果之间的、具有由用户预测的执行结果的控制操作识别为将由所述电子设备执行的控制操作。
15.如权利要求10所述的方法，还包括：
显示用于输入用户偏好的控制条件和控制操作的用户界面(UI)，以及
基于通过所述UI设置了第一控制条件和第一控制操作，基于所设置的第一控制条件和第一控制操作，建立所述第一设备知识库。
CN201980070852.9A 2018-10-26 2019-10-23 电子设备及控制电子设备的方法 Pending CN112913252A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2018-0129351 2018-10-26
KR1020180129351A KR20200047205A (ko) 2018-10-26 2018-10-26 전자 장치 및 이의 제어 방법
PCT/KR2019/013988 WO2020085796A1 (en) 2018-10-26 2019-10-23 Electronic device and method for controlling electronic device thereof

Publications (1)

Publication Number Publication Date
CN112913252A true CN112913252A (zh) 2021-06-04

Family

ID=70326600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980070852.9A Pending CN112913252A (zh) 2018-10-26 2019-10-23 电子设备及控制电子设备的方法

Country Status (5)

Country Link
US (1) US20200133211A1 (zh)
EP (1) EP3831085A4 (zh)
KR (1) KR20200047205A (zh)
CN (1) CN112913252A (zh)
WO (1) WO2020085796A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3537345A1 (en) * 2018-03-06 2019-09-11 Hybris AG Computer-implemented method, system and computer program product for providing a conversational application interface
KR20200052448A (ko) * 2018-10-30 2020-05-15 삼성전자주식회사 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템 및 방법
US20200184329A1 (en) * 2018-12-11 2020-06-11 Distech Controls Inc. Environment controller and method for improving predictive models used for controlling a temperature in an area
KR20190106944A (ko) * 2019-08-30 2019-09-18 엘지전자 주식회사 지능형 냉장고 및 그 제어 방법
US11782397B2 (en) * 2019-11-27 2023-10-10 Johnson Controls Tyco IP Holdings LLP Operator automation system
CN111552333A (zh) * 2020-06-16 2020-08-18 Oppo广东移动通信有限公司 温度控制系统、温度控制方法、电子设备、存储介质
CN112769875B (zh) * 2021-04-08 2022-08-12 中国测绘科学研究院 Gnss基准站数据的传输及形变监测预警的方法、系统
CN113111543B (zh) * 2021-05-14 2022-08-16 杭州贺鲁科技有限公司 物联网服务系统
WO2023170075A1 (en) * 2022-03-09 2023-09-14 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Contextual control

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105571058A (zh) * 2015-12-25 2016-05-11 无锡信大气象传感网科技有限公司 一种温度控制方法
CN106030571A (zh) * 2014-02-13 2016-10-12 三星电子株式会社 基于知识图动态地修改用户界面的元素
CN108369808A (zh) * 2015-11-10 2018-08-03 三星电子株式会社 电子设备和用于控制该电子设备的方法
WO2018144186A1 (en) * 2017-02-01 2018-08-09 BrainofT Inc. Interactive environmental controller

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100868331B1 (ko) * 2007-02-23 2008-11-11 성균관대학교산학협력단 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법및 이를 기록한 기록매체
KR20090024423A (ko) * 2007-09-04 2009-03-09 한국전자통신연구원 지능형 시스템의 학습 장치 및 방법
US10496050B2 (en) * 2013-11-15 2019-12-03 Apple Inc. Modification of automated environment behavior based on user routine
US9535960B2 (en) * 2014-04-14 2017-01-03 Microsoft Corporation Context-sensitive search using a deep learning model
CN105094305B (zh) * 2014-05-22 2018-05-18 华为技术有限公司 识别用户行为的方法、用户设备及行为识别服务器
WO2016012737A1 (en) * 2014-07-21 2016-01-28 Kabushiki Kaisha Toshiba Adaptable energy management system and method
US10101716B2 (en) * 2014-12-04 2018-10-16 Belkin International, Inc. Autonomous, distributed, rule-based intelligence
TW201636784A (zh) 2015-04-01 2016-10-16 全智慧科技股份有限公司 環境導向的智慧控制裝置、智慧控制系統及智慧控制方法
EP3314541A1 (en) * 2015-06-26 2018-05-02 Sentiance NV Deriving movement behaviour from sensor data
US20170076195A1 (en) * 2015-09-10 2017-03-16 Intel Corporation Distributed neural networks for scalable real-time analytics
JP6650786B2 (ja) * 2016-03-03 2020-02-19 三菱日立パワーシステムズ株式会社 制御パラメータ自動調整装置、制御パラメータ自動調整方法、及び制御パラメータ自動調整装置ネットワーク
US20180052885A1 (en) 2016-08-16 2018-02-22 Ebay Inc. Generating next user prompts in an intelligent online personal assistant multi-turn dialog
CN108665933B (zh) * 2016-11-02 2020-10-16 旺宏电子股份有限公司 非易失性存储器元件的操作方法及其应用
US10948887B2 (en) * 2016-11-10 2021-03-16 Precisionlife Ltd Control apparatus and method for processing data inputs in computing devices therefore
US20180137424A1 (en) * 2016-11-17 2018-05-17 General Electric Company Methods and systems for identifying gaps in predictive model ontology
KR20180102870A (ko) 2017-03-08 2018-09-18 엘지전자 주식회사 전자 장치 및 그 전자 장치의 제어 방법
US11137161B2 (en) * 2017-03-30 2021-10-05 Samsung Electronics Co., Ltd. Data learning server and method for generating and using learning model thereof
US20190079467A1 (en) * 2017-09-13 2019-03-14 Diveplane Corporation Evolving computer-based reasoning systems
KR102511522B1 (ko) * 2017-10-18 2023-03-17 삼성전자주식회사 데이터 학습 서버, 이의 학습 모델 생성 및 이용 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106030571A (zh) * 2014-02-13 2016-10-12 三星电子株式会社 基于知识图动态地修改用户界面的元素
CN108369808A (zh) * 2015-11-10 2018-08-03 三星电子株式会社 电子设备和用于控制该电子设备的方法
CN105571058A (zh) * 2015-12-25 2016-05-11 无锡信大气象传感网科技有限公司 一种温度控制方法
WO2018144186A1 (en) * 2017-02-01 2018-08-09 BrainofT Inc. Interactive environmental controller

Also Published As

Publication number Publication date
EP3831085A1 (en) 2021-06-09
WO2020085796A1 (en) 2020-04-30
EP3831085A4 (en) 2021-09-29
US20200133211A1 (en) 2020-04-30
KR20200047205A (ko) 2020-05-07

Similar Documents

Publication Publication Date Title
CN112913252A (zh) 电子设备及控制电子设备的方法
US11671386B2 (en) Electronic device and method for changing chatbot
CN108369808B (zh) 电子设备和用于控制该电子设备的方法
KR102643027B1 (ko) 전자 장치, 그의 제어 방법
US11954150B2 (en) Electronic device and method for controlling the electronic device thereof
US11270565B2 (en) Electronic device and control method therefor
CN110121696B (zh) 电子设备及其控制方法
US11966317B2 (en) Electronic device and method for controlling same
KR102455056B1 (ko) 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법
KR20200046188A (ko) 인공 지능 모델을 재구성하기 위한 전자 장치 및 그의 제어 방법
US11481811B2 (en) Electronic device and method for controlling same
US20230290343A1 (en) Electronic device and control method therefor
KR20210067605A (ko) 인공 지능을 이용한 상업용 세탁기의 제어 방법 및 그 시스템
KR20200085143A (ko) 외부 장치를 등록하는 대화형 제어 시스템 및 방법
KR20200044173A (ko) 전자 장치 및 그의 제어 방법
US11468270B2 (en) Electronic device and feedback information acquisition method therefor
KR20180102987A (ko) 전자 장치, 이의 제어 방법 및 비일시적인 컴퓨터 판독가능 기록매체
CN114615319B (zh) 电子设备及控制该电子设备的方法

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