CN113286008B - 一种边缘计算智能网关业务处理方法及智能网关系统 - Google Patents

Abstract

本申请涉及智能网关技术领域，涉及一种边缘计算智能网关业务处理方法及智能网关系统。本申请包括：模型管理服务器根据确定的设备关系图谱预测第一智能网关设备需要控制的被控智能设备的类型；模型管理服务器向第一智能网关设备推送相应的控制指令识别模型；第一智能网关设备根据获取的控制指令识别模型，在第一智能网关设备本地对接收到的用户控制指令进行边缘计算识别处理，并根据识别结果进行相应的业务处理。本申请可以准确方便地为第一智能网关设备确定出具有针对性的控制指令识别模型来进行边缘计算业务处理，使得第一智能网关设备不用配置复杂的普适性的控制指令识别模型。

Description

一种边缘计算智能网关业务处理方法及智能网关系统

技术领域

本申请涉及智能网关技术领域，具体而言，涉及一种边缘计算智能网关业务处理方法及智能网关系统。

背景技术

智能网关设备是一些物联网（Internet of Things，IoT）技术实现的核心设备，智能网关设备可以对一定信号覆盖区域内的被控智能设备执行控制指令识别、数据采集、指令发送、协议转换等动作。现有的一些智能网关设备通常在采集到用户的控制指令（如，语音控制指令或手势控制执行）后，将这些控制指令发送到云端服务器进行识别，然后根据获得的识别结果再执行相应的动作。但是，这种方式需要将采集的用户语音信息或者用户图像信息上传服务器，传输过程或者服务器本身都有可能暴露用户的隐私。因此，在一些方案中采用了具有边缘计算功能的智能网关设备，此类具有边缘计算功能的智能网关设备具有相对强大的处理能力，能在本地完成对用户指令的识别并执行相应的控制动作。但是，智能网关设备的计算能力或设备性能通常远不及云端服务器，难以配置非常强大的普适性的控制指令识别模型。如何准确方便地为具有边缘计算功能的智能网关设备确定合适的控制指令识别模型称为亟待解决的问题。

发明内容

为了克服现有技术中的上述不足，本申请的目的在于提供一种边缘计算智能网关业务处理方法，应用于智能网关系统，所述智能网关系统包括智能网关设备及模型管理服务器，所述智能网关设备包括第一智能网关设备及第二智能网关设备，所述方法包括：

所述模型管理服务器根据各所述智能网关设备之间的关联关系、以及已知的各所述第二智能网关设备控制的被控智能设备的类型，确定设备关系图谱；

所述模型管理服务器根据所述设备关系图谱，预测所述第一智能网关设备需要控制的被控智能设备的类型；

所述模型管理服务器根据所述第一智能网关设备需要控制的被控智能设备的类型，向所述第一智能网关设备推送相应的控制指令识别模型；

所述第一智能网关设备根据获取的控制指令识别模型，在所述第一智能网关设备本地对接收到的用户控制指令进行边缘计算识别处理，并根据识别结果进行相应的业务处理。

在一种可能的实现方式中，所述设备关系图谱包括与各所述智能网关设备对应的节点以及与各种类被控智能设备对应的节点，具有关联关系的各所述智能网关设备之间具有第一设备关系联系，所述第二智能网关设备与该第二智能网关设备控制的被控智能设备之间具有第二设备关系联系；

所述模型管理服务器根据所述设备关系图谱，预测所述第一智能网关设备需要控制的被控智能设备的类型的步骤，包括：

通过第一特征提取网络将第一智能网关设备表征为第一表征学习向量；

通过第一特征提取网络将每种被控智能设备表征为第二表征学习向量；

根据所述第一智能网关设备的第一表征学习向量和每种所述被控智能设备的第二表征学习向量，获取所述第一智能网关设备与每种所述被控智能设备之间的第一设备关联信息；

获取所述第二智能网关设备的历史操作记录，并通过第二特征提取网络将所述历史操作记录表征为第三表征学习向量；

根据所述历史操作记录的第三表征学习向量和每种所述被控智能设备的第二表征学习向量，确定所述第一智能网关设备与每种被控智能设备之间的第二设备关联信息；

根据所述第一设备关联信息和所述第二设备关联信息，预测所述第一智能网关设备需要控制的被控智能设备。

在一种可能的实现方式中，所述第一特征提取网络为表示学习网络；所述通过第一特征提取网络将第一智能网关设备表征为第一表征学习向量的步骤之前，所述方法还包括：

获取预设的提取规则集合，所述提取规则集合包括多个不同的节点提取规则；

根据所述提取规则集合中的各节点提取规则，在所述设备关系图谱中提取与所述第一智能网关设备相关的设备，获得的多条设备节点序列，每条所述设备节点序列包括所述第一智能网关设备；

根据所述提取规则集合中的各节点提取规则，在所述设备关系图谱中提取与各所述被控智能设备相关的设备，获得的多条设备节点序列，每条所述设备节点序列包括所述被控智能设备；

所述通过第一特征提取网络将第一智能网关设备表征为第一表征学习向量的步骤，包括：

针对所述第一智能网关设备的每个设备节点序列，提取其中每个设备的特征向量，并通过所述第一特征提取网络将提取的特征向量映射到同一特征空间得到映射向量，将所述第一智能网关设备的每个设备节点序列中所有所述映射向量拼接形成所述第一智能网关设备的第一序列特征向量；

根据各所述智能网关设备之间的关联关系，确定对应的第一设备关系联系的第一设备关系权重；

根据各所述第二智能网关设备对被控智能设备的历史操作记录，确定对应的第二设备关系联系的第二设备关系权重；

针对对应同一节点提取规则的所述第一智能网关设备的每个设备节点序列，根据所述第一设备关系权重和所述第二设备关系权重，利用注意力机制生成对应的第三设备关系权重；

根据所述第一智能网关设备的对应同一节点提取规则的每个设备节点序列的第三设备关系权重，通过所述第一特征提取网络将对应同一节点提取规则的多条设备节点序列的第一序列特征向量融合为所述第一智能网关设备的第一特征融合向量；

通过所述第一特征提取网络将多条不同节点提取规则对应的多个第一特征融合向量融合为第二特征融合向量；

通过所述第一特征提取网络对所述第二特征融合向量进行线性转换获得所述第一表征学习向量；

所述通过第一特征提取网络将每种被控智能设备表征为第二表征学习向量的步骤，包括：

针对每种所述被控智能设备的每个设备节点序列，提取其中每个设备的特征向量，并通过所述第一特征提取网络将提取的特征向量映射到同一特征空间得到映射向量，将所述被控智能设备的每个设备节点序列中所有所述映射向量拼接形成所述被控智能设备的第二序列特征向量；

根据所述被控智能设备的对应同一节点提取规则的每个设备节点序列的第三设备关系权重，通过所述第一特征提取网络将对应同一节点提取规则的多条设备节点序列的第一序列特征向量融合为第三特征融合向量；

通过所述第一特征提取网络将多条不同节点提取规则对应的多个第三特征融合向量融合为第四特征融合向量；

通过所述第一特征提取网络对所述第四特征融合向量进行线性转换获得所述第二表征学习向量。

在一种可能的实现方式中，所述第二特征提取网络包括双向长短期记忆网络；所述通过第二特征提取网络将所述历史操作记录表征为第三表征学习向量的步骤，包括：

获取所述历史操作记录中每个历史操作对应的被控智能设备的第二表征学习向量；

通过所述第二特征提取网络将每种被控智能设备的第二表征学习向量表征为中间特征向量；

获取每种被控智能设备的操作频次，并根据所述操作频次利用注意力机制生成对应的第四设备关系权重；

根据每种被控智能设备所对应的第四设备关系权重，将所述历史操作记录对应的多个被控智能设备的中间特征向量融合为所述第三表征学习向量。

在一种可能的实现方式中，所述根据所述第一智能网关设备的第一表征学习向量和每种所述被控智能设备的第二表征学习向量，获取所述第一智能网关设备与每种所述被控智能设备之间的第一设备关联信息的步骤，包括：

计算所述第一智能网关设备的第一表征学习向量和每种被控智能设备的第二表征学习向量的相似程度值，并将所述相似程度值作为所述第一智能网关设备与每种所述被控智能设备之间的第一设备关联信息；

所述根据所述历史操作记录的第三表征学习向量和每种所述被控智能设备的第二表征学习向量，确定所述第一智能网关设备与每种被控智能设备之间的第二设备关联信息的步骤，包括：

计算所述历史操作记录的第三表征学习向量和每种所述被控智能设备的第二表征学习向量的匹配程度值，并将所述匹配程度值作为所述第一智能网关设备与每种被控智能设备之间的第二设备关联信息；

所述根据所述第一设备关联信息和所述第二设备关联信息，预测所述第一智能网关设备需要控制的被控智能设备的步骤，包括：

将所述第一设备关联信息和所述第二设备关联信息进行融合，得到所述第一智能网关设备对每种被控智能设备的预测置信度值；

根据所述第一智能网关设备对每种被控智能设备的预测置信度值进行排序，根据排序结果确定所述第一智能网关设备需要控制的被控智能设备。

在一种可能的实现方式中，所述通过第一特征提取网络将第一智能网关设备表征为第一表征学习向量的步骤之前，还包括：

获取所述设备关系图谱中智能网关设备和被控智能设备的总数；

根据所述总数确定所述第三表征学习向量、所述第一表征学习向量以及所述第二表征学习向量的数据维度，所述数据维度小于所述总数；

通过第一特征提取网络将第一智能网关设备表征为所述数据维度的第一表征学习向量。

在一种可能的实现方式中，所述方法还包括：

获取训练样本关系图谱，所述训练样本关系图谱包括样本智能网关设备、样本被控智能设备；至少两个所述样本智能网关设备之间具有第三连线，至少一组所述样本智能网关设备与所述样本被控智能设备之间具有的第四连线，所述第三连线表征样本网关节点之间具有关联关系，所述第四连线表征样本智能网关设备对样本被控智能设备具有控制关系；

获取每个样本智能网关设备的历史操作记录；

通过所述第一特征提取网络将每个样本智能网关设备表征为样本第一表征学习向量，以及将每种被控智能设备表征为样本第二表征学习向量；

通过所述第二特征提取网络将每个样本智能网关设备的样本历史操作记录表征为样本第三表征学习向量；

根据每个样本智能网关设备的样本第一表征学习向量以及每个样本被控智能设备的样本第二表征学习向量，获取所述第一特征提取网络的第一损失值；

根据每个样本历史操作记录的样本第三表征学习向量和每个样本被控智能设备的样本第二表征学习向量，获取所述第二特征提取网络的第二损失值；

将所述第一损失值以及所述第二损失值进行融合得到融合损失值，并以最小化所述融合损失值为约束对所述第一特征提取网络和所述第二特征提取网络进行训练。

在一种可能的实现方式中，所述方法还包括：

根据各所述智能网关设备的用户关系或设置位置，确定各所述智能网关设备的关联关系；所述用户关系包括购买所述智能网关设备的用户的关系、所述智能网关设备上登录的用户的关系、所述智能网关设备关联的用户的关系中的至少一种；

根据各第二智能网关设备的历史操作记录，确定各所述第二智能网关设备的所控制的被控智能设备的类型。

在一种可能的实现方式中，所述模型管理服务器根据所述第一智能网关设备需要控制的被控智能设备的类型，向所述第一智能网关设备推送相应的控制指令识别模型的步骤，包括：

根据所述第一智能网关设备需要控制的被控智能设备的类型，检查与所述第一智能网关设备存在关联关系的第二智能网关设备中，是否存在与所述第一智能网关设备需要控制的被控智能设备的类型相同的目标第二智能网关设备；

若存在，则获取所述目标第二智能网关设备的识别偏好信息，所述识别偏好信息用于表征在进行控制指令识别动作时对语音或手势的识别偏向；

根据所述第一智能网关设备需要控制的被控智能设备的类型及所述识别偏好信息，确定相应的控制指令识别模型，并将所述控制指令识别模型推送给所述第一智能网关设备。

本申请的另一目的在于提供一种智能网关系统，包括智能网关设备及模型管理服务器，所述智能网关设备包括第一智能网关设备及第二智能网关设备；

所述模型管理服务器用于根据各所述智能网关设备之间的关联关系、以及已知的各所述第二智能网关设备控制的被控智能设备的类型，确定设备关系图谱；所述模型管理服务器根据所述设备关系图谱，预测所述第一智能网关设备需要控制的被控智能设备的类型；所述模型管理服务器根据所述第一智能网关设备需要控制的被控智能设备的类型，向所述第一智能网关设备推送相应的控制指令识别模型；

所述第一智能网关设备用于根据获取的控制指令识别模型，在所述第一智能网关设备本地对接收到的用户控制指令进行边缘计算识别处理，并根据识别结果进行相应的业务处理。

相对于现有技术而言，本申请具有以下有益效果：

本实施例提供的边缘计算智能网关业务处理方法及智能网关系统，通过根据智能网关设备和被控智能设备的设备关系图谱中，与第一智能网关设备相关的第二智能网关设备所控制的被控智能设备的类型，预测所述第一智能网关设备可能需要控制的被控智能设备的类型，如此，可以准确方便地为第一智能网关设备确定出具有针对性的控制指令识别模型来进行边缘计算业务处理，使得第一智能网关设备不用配置复杂的普适性的控制指令识别模型。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的智能网关系统的示意图；

图2为本申请实施例提供的边缘计算智能网关业务处理方法的步骤流程示意图；

图3为图2所示步骤S120的子步骤流程示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

请参照图1，图1为本实施例提供的一种智能网关系统的示意图，所述智能网管系统可以包括智能网关设备100及模型管理服务器200，所述智能网关设备100包括第一智能网关设备101及第二智能网关设备102，其中，所述第二智能网关设备102可以为非隐私的智能网关设备，所述模型管理服务器200可以获取到该第二智能网关设备102所控制被控智能设备的类型、以及所述第二智能网关设备102针对被控智能设备进行控制时的历史操作记录。所述第一智能网关设备101可以为隐私的智能网关设备，该第一智能网关设备101可以具有边缘计算功能，能够在配置了相应的控制指令识别模型后，在不依赖于云端服务器的情况下在本地完成对接收到的用户控制指令进行边缘计算识别处理，并根据识别结果进行相应的业务处理。

为了为所述第一智能网关设备101确定出合适的控制指令识别模型，请参照图2，在本实施例提供了一种边缘计算智能网关业务处理方法，下面结合图2对该方法的各个步骤进行详细解释。

步骤S110，所述模型管理服务器根据各所述智能网关设备之间的关联关系、以及已知的各所述第二智能网关设备控制的被控智能设备的类型，确定设备关系图谱。

可选地，在本实施例中，可以根据各所述智能网关设备的用户关系或设置位置，确定各所述智能网关设备的关联关系。其中，所述用户关系包括购买所述智能网关设备的用户的关系、所述智能网关设备上登录的用户的关系、所述智能网关设备关联的用户的关系中的至少一种。例如，当购买两个智能网关设备的用户是同一个用户，或者两个智能网关设备都安装于同一园区，则可以认为这两个智能网关设备所控制的被控智能设备的类型可能是极为相似的，因此可以判定两个智能网关设备具有关联关系。

在本实施例中， 由于第二智能网关设备可以为非隐私的智能网关设备，所述模型管理服务器可以获取到所述第二智能网关设备对被控智能设备的历史操作记录，因此可以根据各第二智能网关设备的历史操作记录，确定各所述第二智能网关设备的所控制的被控智能设备的类型。

在确定的设备关系图谱中，可以包括与各所述智能网关设备对应的节点以及与各种类被控智能设备对应的节点，具有关联关系的智能网关设备之间具有第一设备关系联系，所述第二智能网关设备与该第二智能网关设备控制的被控智能设备之间具有第二设备关系联系。例如，具有关联关系的所述智能网关设备对应的节点之间可以具有第一连线，所述第二智能网关设备与该第二智能网关设备控制的被控智能设备之间具有第二连线。所述第一连线可以用于表征所述第一设备关联关系，所述第二连线可以与表征所述第二设备关联关系。在本实施例中，所述设备关系图谱可以为异构网络图谱。

在本实施例中，一个智能网关设备可以对应所述设备关系图谱中的一个节点。一个智能网关设备可以控制多种类型的被控智能设备，例如，开关类型、照明类型、温度控制类型、湿度控制类型、空气质量控制类型等等，每种类型的被控智能设备可以对应所述设备关系图谱中的一个节点。

步骤S120，所述模型管理服务器根据所述设备关系图谱，预测所述第一智能网关设备需要控制的被控智能设备的类型。

在本实施例中，模型管理服务器可以基于所述设备关系图谱，根据与所述第一智能网关设备具有关联关系的第二智能网关设备所管理的被控设备的类型，预测所述第一智能网关设备需要控制的被控智能设备的类型。

步骤S130，所述模型管理服务器根据所述第一智能网关设备需要控制的被控智能设备的类型，向所述第一智能网关设备推送相应的控制指令识别模型。

在本实施例中，在预测获得所述第一智能网关设备需要控制的被控智能设备的类型后，所述模型管理服务器可以确定出相应的控制指令识别模型，所述控制指令识别模型的功能可以包括语音或手势指令识别、针对特定被控智能设备的控制逻辑处理等。由于该控制指令识别模型是专门针对通过步骤S120预测出的第一智能网关设备需要控制的被控智能设备的类型的，因此该控制指令识别模型相较于复杂的普适性的控制指令识别模型对计算量或者设备性能的要求可以较小，因此更适合于运行与具有边缘计算功能的智能网关设备。

步骤S140，所述第一智能网关设备根据获取的控制指令识别模型，在所述第一智能网关设备本地对接收到的用户控制指令进行边缘计算识别处理，并根据识别结果进行相应的业务处理。

在本实施例中，所述第一智能网关设备可以基于获取到的控制指令识别模型，对该第一智能网关设备接收到的控制指令进行本地识别处理，由于这种处理方式是不依赖于服务器的边缘计算处理，从而可以避免将用户的隐私信息发送云端服务器时可能造成的隐私泄露。

在一些可能的实现方式中，步骤S120可以包括以下子步骤。

步骤S210，通过第一特征提取网络将第一智能网关设备表征为第一表征学习向量。

步骤S220，通过第一特征提取网络将每种被控智能设备表征为第二表征学习向量。

在本实施例中，所述模型管理服务器可以配置有训练完成的第一特征提取网络，所述第一特征提取网络用于对所述设备关系图谱进行表征学习，根据设备之间的关系将智能网关设备和被控智能设备映射为长度固定的特征向量。类似于同构网络的表征学习，学习目标是使得学习出来的向量能尽可能保留设备关系图谱中的结构信息，使得在设备关系图谱中连接更紧密的节点的学习向量在映射空间里距离更近，此外，还需要考虑节点类型和连线类型的步态，在优化目标中区别对待。

通过所述第一特征提取网络对所述第一智能网关设备进行设备关系图谱表征学习，可以将其表征为一个表征向量，在本实施例中记为第一表征学习向量。通过所述第一特征提取网络对每种类型的被控智能设备在设备关系图谱中的被控智能设备进行设备关系图谱表征学习，将其也表征为一个表征向量，在本实施例中记为第二表征学习向量。

步骤S230，根据所述第一智能网关设备的第一表征学习向量和每种所述被控智能设备的第二表征学习向量，获取所述第一智能网关设备与每种所述被控智能设备之间的第一设备关联信息。

步骤S240，获取所述第二智能网关设备的历史操作记录，并通过第二特征提取网络将所述历史操作记录表征为第三表征学习向量。

步骤S250，根据所述历史操作记录的第三表征学习向量和每种所述被控智能设备的第二表征学习向量，确定所述第一智能网关设备与每种被控智能设备之间的第二设备关联信息。

步骤S260，根据所述第一设备关联信息和所述第二设备关联信息，预测所述第一智能网关设备需要控制的被控智能设备。

可选地，在一种可能的实现方式中，所述第一特征提取网络为表示学习（Representation Learning）网络，在步骤S210之前，还可以包括以下步骤。

步骤S310，获取预设的提取规则集合，所述提取规则集合包括多个不同的节点提取规则。

步骤S320，根据所述提取规则集合中的各节点提取规则，在所述设备关系图谱中提取与所述第一智能网关设备相关的设备，获得的多条设备节点序列，每条所述设备节点序列包括所述第一智能网关设备。

在本实施例中，可以通过随机游走的方式在所述设备关系图谱中提取与所述第一智能网关设备相关的设备，在随机游走时需要按照所述节点提取规则，所述节点提取规则包括了每次提取设备时需要提取的设备类型。例如，一条节点提取规则可以为智能网关设备-被控智能设备-智能网关设备。不同节点提取规则可以具有不同的抽象含义，比如“智能网关设备-智能网关设备”表示存在设备关联关系的智能网关设备，“智能网关设备-被控智能设备-智能网关设备”表示操作过同一类型被控智能设备的第二智能网关设备。

在本实施例中，可以预先配置多条不同的节点提取规则，这些节点提取规则构成了所述提取规则集合。不同的节点提取规则可以从所述设备关系图谱中提取不同抽象含义的节点特征信息。例如，节点提取规则 “智能网关设备-智能网关设备”可以用于提取存在设备关联关系的智能网关设备；节点提取规则“智能网关设备-被控智能设备-智能网关设备”可以用于提取操作过同一被控智能设备的智能网关设备。节点提取规则“被控智能设备-智能网关设备-被控智能设备”可以用于提取被同一第二智能网关设备操作过的被控智能设备；节点提取规则“被控智能设备-智能网关设备-智能网关设备-被控智能设备”可以用于提取存在关联关系的第二智能网关设备操作过的被控智能设备。根据实际需要，可以配置更多节点提取规则，以更准确地表示第一智能网关设备的特征。

根据所述提取规则集合中的多条节点提取规则可以针对第一智能网关设备进行节点提取，获得得到多条设备节点序列。每个设备节点序列可以为有多个设备组成的序列，例如，可以包括第一智能网关设备和其它第二智能网关设备，可以包括第一智能网关设备和其它第二智能网关设备以及被控智能设备，其中每个设备节点序列均包括了该第一智能网关设备。

后续可以将所述第一智能网关设备对应多条设备节点序列输入到第一特征提取网络进行表征学习，获得所述第一表征学习向量。具体地，步骤S210可以包括以下子步骤。

步骤S211，针对所述第一智能网关设备的每个设备节点序列，提取其中每个设备的特征向量，并通过所述第一特征提取网络将提取的特征向量映射到同一特征空间得到映射向量，将所述第一智能网关设备的每个设备节点序列中所有所述映射向量拼接形成所述第一智能网关设备的第一序列特征向量。

步骤S212，根据各所述智能网关设备之间的关联关系，确定对应的第一设备关系联系的第一设备关系权重。

步骤S213，根据各所述第二智能网关设备对被控智能设备的历史操作记录，确定对应的第二设备关系联系的第二设备关系权重。

步骤S214，针对对应同一节点提取规则的所述第一智能网关设备的每个设备节点序列，根据所述第一设备关系权重和所述第二设备关系权重，利用注意力机制生成对应的第三设备关系权重。

步骤S215，根据所述第一智能网关设备的对应同一节点提取规则的每个设备节点序列的第三设备关系权重，通过所述第一特征提取网络将对应同一节点提取规则的多条设备节点序列的第一序列特征向量融合为所述第一智能网关设备的第一特征融合向量。

步骤S216，通过所述第一特征提取网络将多条不同节点提取规则对应的多个第一特征融合向量融合为第二特征融合向量。

步骤S217，通过所述第一特征提取网络对所述第二特征融合向量进行线性转换获得所述第一表征学习向量。

在本实施例中，所述第一特征提取网络可以包括变化层、融合层、激活层以及输出层，获得第一智能网关设备的第一表征学习向量时，可以先针对每个设备节点序列，提取其中每个智能网关设备及被控智能设备的特征向量，并经由变化层将不同类型的设备的特征向量映射到相同的特征空间，例如，可以采用一层线性变换进行映射。然后可以将每个设备节点序列中所有设备映射后的特征向量通过线性编码器拼接为序列特征向量。再经由融合层将对应同一节点提取规则的多条设备节点序列的序列特征向量融合为第一特征融合向量。

针对第一设备关系权重，每一根据智能网关设备智能网关设备之间的关联关系，为对应的智能网关设备分配所述第一设备关系权重。例如，当两个智能网关设备为同一用户购买的智能网关设备时，该两个智能网关设备之间的第一设备关系权重可以相对较大，当两个智能网关设备为不同的两个用户购买，且这两个用户之间存在联系时，该两个智能网关设备之间的第一设备关系权重可以相对较小。需要说明的是，第一设备关系权重的具体设定方式可以根据实际需要调整，在本实施例中不做限定。针对第二设备关系权重，可以根据所述第二智能网关设备对被控智能设备的操作频次确定，操作频次越多，则权重越大。

为了约束多条设备节点序列的序列特征向量的融合，可以采用注意力机制为每个设备节点序列分配注意力权重。针对对应同一节点提取规则的每个设备节点序列，根据所述第一设备关系权重和所述第二设备关系权重，利用注意力机制生成对应的第三设备关系权重。

在生成每个设备节点序列的第三设备关系权重之后，即根据每个设备节点序列的第三设备关系权重，对多条设备节点序列的序列特征向量进行加权求和，将其融合为一个向量，也即第一特征融合向量。接着，可以通过融合层利用节点提取规则的注意力机制将多条不同节点提取规则对应的多个第一特征融合向量融合为第二特征融合向量。最后，通过输出层将第二特征融合向量线性转换为第一表征学习向量。

相应地，步骤S220可以包括以下子步骤。

步骤S221，针对每种所述被控智能设备的每个设备节点序列，提取其中每个设备的特征向量，并通过所述第一特征提取网络将提取的特征向量映射到同一特征空间得到映射向量，将所述被控智能设备的每个设备节点序列中所有所述映射向量拼接形成所述被控智能设备的第二序列特征向量；

步骤S222，根据所述被控智能设备的对应同一节点提取规则的每个设备节点序列的第三设备关系权重，通过所述第一特征提取网络将对应同一节点提取规则的多条设备节点序列的第一序列特征向量融合为第三特征融合向量；

步骤S223，通过所述第一特征提取网络将多条不同节点提取规则对应的多个第三特征融合向量融合为第四特征融合向量；

步骤S224，通过所述第一特征提取网络对所述第四特征融合向量进行线性转换获得所述第二表征学习向量。

针对所述被控智能设备的第二表征学习向量的获得过程，可以参照针对所述第一智能网关设备的第一表征学习向量的获得过程，再次不再赘述。

在一些可能的实现方式中，所述第二特征提取网络包括双向长短期记忆网络。步骤S240可以包括以下子步骤。

步骤S241，获取所述历史操作记录中每个历史操作对应的被控智能设备的第二表征学习向量。

步骤S242，通过所述第二特征提取网络将每种被控智能设备的第二表征学习向量表征为中间特征向量。

步骤S243，获取每种被控智能设备的操作频次，并根据所述操作频次利用注意力机制生成对应的第四设备关系权重。

步骤S244，根据每种被控智能设备所对应的第四设备关系权重，将所述历史操作记录对应的多个被控智能设备的中间特征向量融合为所述第三表征学习向量。

在本实施例中，可以获取所述历史操作记录中每个历史操作对应的被控智能设备的第二表征学习向量，这些第二表征学习向量具有不同的操作时间，将这些第二表征学习向量按照时序作为双向长短期记忆网络的输入。然后，通过双向长短期记忆网络将每种被控智能设备的第二表征学习向量分别表征为正向的时序向量和反向的时序向量，然后将正向的时序向量和反向的时序向量拼接得到中间特征向量。然后，获取每种被控智能设备的操作频次，并根据所述操作频次利用注意力机制生成对应的第四设备关系权重。在生成每种被控智能设备的第四设备关系权重之后，即可根据每种被控智能设备所对应的第四设备关系权重，对历史操作记录对应的多个被控智能设备的中间特征向量进行加权求和，将其融合为一个向量，获得所述第三表征学习向量。

在一些可能的实现方式中，在步骤S230中可以，计算所述第一智能网关设备的第一表征学习向量和每种被控智能设备的第二表征学习向量的相似程度值，并将所述相似程度值作为所述第一智能网关设备与每种所述被控智能设备之间的第一设备关联信息。

在本实施例中，通过所述第一表征学习向量携带了第一智能网关设备在设备关系图谱中的结构信息，所述第二表征学习向量则携带了被控智能设备在设备关系图谱中的结构信息。通过所述第一表征学习向量以及每种所述被控智能设备的第二表征学习向量，可以获取到所述第一智能网关设备对每种所述被控智能设备在结构维度的偏好信息，作为第一设备关联信息。

在步骤S250中可以，计算所述历史操作记录的第三表征学习向量和每种所述被控智能设备的第二表征学习向量的匹配程度值，并将所述匹配程度值作为所述第一智能网关设备与每种被控智能设备之间的第二设备关联信息。

在本实施例中，所述第三表征学习向量携带了第一智能网关设备在时序上的操作信息，通过所述第三表征学习向量和所述第二表征学习向量，可以获取到各第一智能网关设备对每种被控智能设备和时序相关的偏好信息。可以采用多层感知器计算历史操作记录的第三表征学习向量和每种被控智能设备的第二表征学习向量的匹配程度值，并将匹配程度值作为第一智能网关设备对每种被控智能设备的第二设备关联信息。

在步骤S260中可以，将所述第一设备关联信息和所述第二设备关联信息进行融合，得到所述第一智能网关设备对每种被控智能设备的预测置信度值；根据所述第一智能网关设备对每种被控智能设备的预测置信度值进行排序，根据排序结果确定所述第一智能网关设备需要控制的被控智能设备。

所述第一设备关联信息反映了第一智能网关设备在结构维度上的偏好，所述第二设备关联信息反映了第一智能网关设备在时序维度上的偏好，可以综合所述第一设备关联信息和所述第二设备关联信息预测所述第一智能网关设备需要控制的被控智能设备的类型。在本实施例中，可以取所述第一设备关联信息和第二设备关联信息二者的平均值，也可以对所述第一设备关联信息和第二设备关联信息二者进行加权求和等方式对所述第一设备关联信息和所述第二设备关联信息进行融得到所述预测置信度值

然后根据预测置信度值进行排序，得到排序结果，并根据排序结果确定待推荐的目标被控智能设备，根据排序结果确定所述第一智能网关设备需要控制的被控智能设备。例如，将排名前10的被控智能设备确定为所述第一智能网关设备需要控制的被控智能设备。

在一些可能的实现方式中，在步骤S210之前可以包括步骤S410和步骤S420。

步骤S410，获取所述设备关系图谱中智能网关设备和被控智能设备的总数。

步骤S420，根据所述总数确定所述第三表征学习向量、所述第一表征学习向量以及所述第二表征学习向量的数据维度，所述数据维度小于所述总数。

在步骤S210中可以，通过第一特征提取网络将第一智能网关设备表征为所述数据维度的第一表征学习向量。

在一些可能的实现方式中，本实施例提供的方法还包括以下训练过程。

步骤S510，获取训练样本关系图谱，所述训练样本关系图谱包括样本智能网关设备、样本被控智能设备。至少两个所述样本智能网关设备之间具有第三连线，至少一组所述样本智能网关设备与所述样本被控智能设备之间具有的第四连线，所述第三连线表征样本网关节点之间具有关联关系，所述第四连线表征样本智能网关设备对样本被控智能设备具有控制关系。

步骤S520，获取每个样本智能网关设备的历史操作记录。

步骤S530，通过所述第一特征提取网络将每个样本智能网关设备表征为样本第一表征学习向量，以及将每种被控智能设备表征为样本第二表征学习向量。

步骤S540，通过所述第二特征提取网络将每个样本智能网关设备的样本历史操作记录表征为样本第三表征学习向量。

步骤S550，根据每个样本智能网关设备的样本第一表征学习向量以及每个样本被控智能设备的样本第二表征学习向量，获取所述第一特征提取网络的第一损失值。

步骤S560，根据每个样本历史操作记录的样本第三表征学习向量和每个样本被控智能设备的样本第二表征学习向量，获取所述第二特征提取网络的第二损失值。

步骤S570，将所述第一损失值以及所述第二损失值进行融合得到融合损失值，并以最小化所述融合损失值为约束对所述第一特征提取网络和所述第二特征提取网络进行训练。

本实施方式中，可以计算第一损失值以及第二损失值之和作为融合损失值。在融合得到融合损失值之后，即可以最小化融合损失值为约束对第一特征提取网络和第二特征提取网络进行联合训练。比如，可以使用Adam算法来最小化融合损失值，从而完成第一特征提取网络和第二特征提取网络进行联合训练。

在一种可能的实现方式中，步骤S140可以包括以下子步骤。

步骤S141，根据所述第一智能网关设备需要控制的被控智能设备的类型，检查与所述第一智能网关设备存在关联关系的第二智能网关设备中，是否存在与所述第一智能网关设备需要控制的被控智能设备的类型相同的目标第二智能网关设备。

步骤S142，若存在，则获取所述目标第二智能网关设备的识别偏好信息，所述识别偏好信息用于表征在进行控制指令识别动作时对语音或手势的识别偏向。

步骤S143，根据所述第一智能网关设备需要控制的被控智能设备的类型及所述识别偏好信息，确定相应的控制指令识别模型，并将所述控制指令识别模型推送给所述第一智能网关设备。

在本实施例中，除了被控智能设备的类型会影响所述控制指令识别模型的选择，识别偏好信息也可能影响控制指令识别模型的选择，例如，针对对特定语言习惯（如，方言、行业或地方习惯用词等）可以训练具有差异的控制指令识别模型。而发明人发现，通常具有关联关系的智能网关设备的用户通常对应有相似的识别偏好信息。因此在本实施例中，可以在确定了所述第一智能网关设备需要控制的被控智能设备的类型的基础上，结合和所述第一智能网关设备具有关联关系的第二智能网关设备的识别偏好信息，一起确定需要推送给所述第一智能网关设备的控制指令识别模型。

在一种可能的实现方式中，若存在与所述第一智能网关设备需要控制的被控智能设备的类型相同的目标第二智能网关设备，所述模型管理服务器可以先通知所述第一智能网关设备尝试从所述目标第二智能网关设备处获取所述控制指令识别模型。所述第一智能网关设备若可以从所述目标第二智能网关设备处获取所述控制指令识别模型，则直接配置使用所述控制指令识别模型。所述第一智能网关设备若无法从所述目标第二智能网关设备处获取所述控制指令识别模型，则在告知所述模型管理服务器，所述模型管理服务器直接将相应的所述控制指令识别模型发送给所述第一智能网关设备。

本申请还提供一种智能网关系统，包括智能网关设备及模型管理服务器，所述智能网关设备包括第一智能网关设备及第二智能网关设备。

所述模型管理服务器用于根据各所述智能网关设备之间的关联关系、以及已知的各所述第二智能网关设备控制的被控智能设备的类型，确定设备关系图谱；所述模型管理服务器根据所述设备关系图谱，预测所述第一智能网关设备需要控制的被控智能设备的类型；所述模型管理服务器根据所述第一智能网关设备需要控制的被控智能设备的类型，向所述第一智能网关设备推送相应的控制指令识别模型。

所述第一智能网关设备用于根据获取的控制指令识别模型，在所述第一智能网关设备本地对接收到的用户控制指令进行边缘计算识别处理，并根据识别结果进行相应的业务处理。

综上所述，本实施例提供的边缘计算智能网关业务处理方法及智能网关系统，通过根据智能网关设备和被控智能设备的设备关系图谱中，与第一智能网关设备相关的第二智能网关设备所控制的被控智能设备的类型，预测所述第一智能网关设备可能需要控制的被控智能设备的类型，如此，可以准确方便地为第一智能网关设备确定出具有针对性的控制指令识别模型来进行边缘计算业务处理，使得第一智能网关设备不用配置复杂的普适性的控制指令识别模型。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种边缘计算智能网关业务处理方法，其特征在于，应用于智能网关系统，所述智能网关系统包括智能网关设备及模型管理服务器，所述智能网关设备包括第一智能网关设备及第二智能网关设备，所述方法包括：

所述模型管理服务器根据各所述智能网关设备之间的关联关系、以及已知的各所述第二智能网关设备控制的被控智能设备的类型，确定设备关系图谱；

所述模型管理服务器根据所述设备关系图谱，预测所述第一智能网关设备需要控制的被控智能设备的类型；

所述模型管理服务器根据所述第一智能网关设备需要控制的被控智能设备的类型，向所述第一智能网关设备推送相应的控制指令识别模型；

所述第一智能网关设备根据获取的控制指令识别模型，在所述第一智能网关设备本地对接收到的用户控制指令进行边缘计算识别处理，并根据识别结果进行相应的业务处理。

2.根据权利要求1所述的方法，其特征在于，所述设备关系图谱包括与各所述智能网关设备对应的节点以及与各种类被控智能设备对应的节点，具有关联关系的各所述智能网关设备之间具有第一设备关系联系，所述第二智能网关设备与该第二智能网关设备控制的被控智能设备之间具有第二设备关系联系；

所述模型管理服务器根据所述设备关系图谱，预测所述第一智能网关设备需要控制的被控智能设备的类型的步骤，包括：

通过第一特征提取网络将第一智能网关设备表征为第一表征学习向量；

通过第一特征提取网络将每种被控智能设备表征为第二表征学习向量；

根据所述第一智能网关设备的第一表征学习向量和每种所述被控智能设备的第二表征学习向量，获取所述第一智能网关设备与每种所述被控智能设备之间的第一设备关联信息；

获取所述第二智能网关设备的历史操作记录，并通过第二特征提取网络将所述历史操作记录表征为第三表征学习向量；

根据所述历史操作记录的第三表征学习向量和每种所述被控智能设备的第二表征学习向量，确定所述第一智能网关设备与每种被控智能设备之间的第二设备关联信息；

根据所述第一设备关联信息和所述第二设备关联信息，预测所述第一智能网关设备需要控制的被控智能设备。

3.根据权利要求2所述的方法，其特征在于，所述第一特征提取网络为表示学习网络；所述通过第一特征提取网络将第一智能网关设备表征为第一表征学习向量的步骤之前，所述方法还包括：

获取预设的提取规则集合，所述提取规则集合包括多个不同的节点提取规则；

根据所述提取规则集合中的各节点提取规则，在所述设备关系图谱中提取与所述第一智能网关设备相关的设备，获得的多条设备节点序列，每条所述设备节点序列包括所述第一智能网关设备；

根据所述提取规则集合中的各节点提取规则，在所述设备关系图谱中提取与各所述被控智能设备相关的设备，获得的多条设备节点序列，每条所述设备节点序列包括所述被控智能设备；

所述通过第一特征提取网络将第一智能网关设备表征为第一表征学习向量的步骤，包括：

针对所述第一智能网关设备的每个设备节点序列，提取其中每个设备的特征向量，并通过所述第一特征提取网络将提取的特征向量映射到同一特征空间得到映射向量，将所述第一智能网关设备的每个设备节点序列中所有所述映射向量拼接形成所述第一智能网关设备的第一序列特征向量；

根据各所述智能网关设备之间的关联关系，确定对应的第一设备关系联系的第一设备关系权重；

根据各所述第二智能网关设备对被控智能设备的历史操作记录，确定对应的第二设备关系联系的第二设备关系权重；

针对对应同一节点提取规则的所述第一智能网关设备的每个设备节点序列，根据所述第一设备关系权重和所述第二设备关系权重，利用注意力机制生成对应的第三设备关系权重；

根据所述第一智能网关设备的对应同一节点提取规则的每个设备节点序列的第三设备关系权重，通过所述第一特征提取网络将对应同一节点提取规则的多条设备节点序列的第一序列特征向量融合为所述第一智能网关设备的第一特征融合向量；

通过所述第一特征提取网络将多条不同节点提取规则对应的多个第一特征融合向量融合为第二特征融合向量；

通过所述第一特征提取网络对所述第二特征融合向量进行线性转换获得所述第一表征学习向量；

所述通过第一特征提取网络将每种被控智能设备表征为第二表征学习向量的步骤，包括：

针对每种所述被控智能设备的每个设备节点序列，提取其中每个设备的特征向量，并通过所述第一特征提取网络将提取的特征向量映射到同一特征空间得到映射向量，将所述被控智能设备的每个设备节点序列中所有所述映射向量拼接形成所述被控智能设备的第二序列特征向量；

根据所述被控智能设备的对应同一节点提取规则的每个设备节点序列的第三设备关系权重，通过所述第一特征提取网络将对应同一节点提取规则的多条设备节点序列的第一序列特征向量融合为第三特征融合向量；

通过所述第一特征提取网络将多条不同节点提取规则对应的多个第三特征融合向量融合为第四特征融合向量；

通过所述第一特征提取网络对所述第四特征融合向量进行线性转换获得所述第二表征学习向量。

4.根据权利要求2所述的方法，其特征在于，所述第二特征提取网络包括双向长短期记忆网络；所述通过第二特征提取网络将所述历史操作记录表征为第三表征学习向量的步骤，包括：

获取所述历史操作记录中每个历史操作对应的被控智能设备的第二表征学习向量；

通过所述第二特征提取网络将每种被控智能设备的第二表征学习向量表征为中间特征向量；

获取每种被控智能设备的操作频次，并根据所述操作频次利用注意力机制生成对应的第四设备关系权重；

根据每种被控智能设备所对应的第四设备关系权重，将所述历史操作记录对应的多个被控智能设备的中间特征向量融合为所述第三表征学习向量。

5.根据权利要求2所述的方法，其特征在于，所述根据所述第一智能网关设备的第一表征学习向量和每种所述被控智能设备的第二表征学习向量，获取所述第一智能网关设备与每种所述被控智能设备之间的第一设备关联信息的步骤，包括：

计算所述第一智能网关设备的第一表征学习向量和每种被控智能设备的第二表征学习向量的相似程度值，并将所述相似程度值作为所述第一智能网关设备与每种所述被控智能设备之间的第一设备关联信息；

所述根据所述历史操作记录的第三表征学习向量和每种所述被控智能设备的第二表征学习向量，确定所述第一智能网关设备与每种被控智能设备之间的第二设备关联信息的步骤，包括：

计算所述历史操作记录的第三表征学习向量和每种所述被控智能设备的第二表征学习向量的匹配程度值，并将所述匹配程度值作为所述第一智能网关设备与每种被控智能设备之间的第二设备关联信息；

所述根据所述第一设备关联信息和所述第二设备关联信息，预测所述第一智能网关设备需要控制的被控智能设备的步骤，包括：

将所述第一设备关联信息和所述第二设备关联信息进行融合，得到所述第一智能网关设备对每种被控智能设备的预测置信度值；

根据所述第一智能网关设备对每种被控智能设备的预测置信度值进行排序，根据排序结果确定所述第一智能网关设备需要控制的被控智能设备。

6.根据权利要求2-5任一项所述的方法，其特征在于，所述通过第一特征提取网络将第一智能网关设备表征为第一表征学习向量的步骤之前，还包括：

获取所述设备关系图谱中智能网关设备和被控智能设备的总数；

根据所述总数确定所述第三表征学习向量、所述第一表征学习向量以及所述第二表征学习向量的数据维度，所述数据维度小于所述总数；

通过第一特征提取网络将第一智能网关设备表征为所述数据维度的第一表征学习向量。

7.根据权利要求2-5任一项所述的方法，其特征在于，所述方法还包括：

获取训练样本关系图谱，所述训练样本关系图谱包括样本智能网关设备、样本被控智能设备；至少两个所述样本智能网关设备之间具有第三连线，至少一组所述样本智能网关设备与所述样本被控智能设备之间具有的第四连线，所述第三连线表征样本网关节点之间具有关联关系，所述第四连线表征样本智能网关设备对样本被控智能设备具有控制关系；

获取每个样本智能网关设备的历史操作记录；

通过所述第一特征提取网络将每个样本智能网关设备表征为样本第一表征学习向量，以及将每种被控智能设备表征为样本第二表征学习向量；

通过所述第二特征提取网络将每个样本智能网关设备的样本历史操作记录表征为样本第三表征学习向量；

根据每个样本智能网关设备的样本第一表征学习向量以及每个样本被控智能设备的样本第二表征学习向量，获取所述第一特征提取网络的第一损失值；

根据每个样本历史操作记录的样本第三表征学习向量和每个样本被控智能设备的样本第二表征学习向量，获取所述第二特征提取网络的第二损失值；

将所述第一损失值以及所述第二损失值进行融合得到融合损失值，并以最小化所述融合损失值为约束对所述第一特征提取网络和所述第二特征提取网络进行训练。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据各所述智能网关设备的用户关系或设置位置，确定各所述智能网关设备的关联关系；所述用户关系包括购买所述智能网关设备的用户的关系、所述智能网关设备上登录的用户的关系、所述智能网关设备关联的用户的关系中的至少一种；

根据各第二智能网关设备的历史操作记录，确定各所述第二智能网关设备的所控制的被控智能设备的类型。

9.根据权利要求1所述的方法，其特征在于，所述模型管理服务器根据所述第一智能网关设备需要控制的被控智能设备的类型，向所述第一智能网关设备推送相应的控制指令识别模型的步骤，包括：

根据所述第一智能网关设备需要控制的被控智能设备的类型，检查与所述第一智能网关设备存在关联关系的第二智能网关设备中，是否存在与所述第一智能网关设备需要控制的被控智能设备的类型相同的目标第二智能网关设备；

若存在，则获取所述目标第二智能网关设备的识别偏好信息，所述识别偏好信息用于表征在进行控制指令识别动作时对语音或手势的识别偏向；

根据所述第一智能网关设备需要控制的被控智能设备的类型及所述识别偏好信息，确定相应的控制指令识别模型，并将所述控制指令识别模型推送给所述第一智能网关设备。

10.一种智能网关系统，其特征在于，包括智能网关设备及模型管理服务器，所述智能网关设备包括第一智能网关设备及第二智能网关设备；

所述模型管理服务器用于根据各所述智能网关设备之间的关联关系、以及已知的各所述第二智能网关设备控制的被控智能设备的类型，确定设备关系图谱；所述模型管理服务器根据所述设备关系图谱，预测所述第一智能网关设备需要控制的被控智能设备的类型；所述模型管理服务器根据所述第一智能网关设备需要控制的被控智能设备的类型，向所述第一智能网关设备推送相应的控制指令识别模型；

所述第一智能网关设备用于根据获取的控制指令识别模型，在所述第一智能网关设备本地对接收到的用户控制指令进行边缘计算识别处理，并根据识别结果进行相应的业务处理。

Images