CN114021579A - 对象预测方法、装置、电子设备及计算机可读存储介质 - Google Patents

对象预测方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114021579A
CN114021579A CN202210005212.3A CN202210005212A CN114021579A CN 114021579 A CN114021579 A CN 114021579A CN 202210005212 A CN202210005212 A CN 202210005212A CN 114021579 A CN114021579 A CN 114021579A
Authority
CN
China
Prior art keywords
data
prediction model
historical
user
voice
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.)
Granted
Application number
CN202210005212.3A
Other languages
English (en)
Other versions
CN114021579B (zh
Inventor
杨骑滔
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.)
Lazas Network Technology Shanghai Co Ltd
Zhejiang Koubei Network Technology Co Ltd
Original Assignee
Zhejiang Koubei Network Technology 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 Zhejiang Koubei Network Technology Co Ltd filed Critical Zhejiang Koubei Network Technology Co Ltd
Priority to CN202210005212.3A priority Critical patent/CN114021579B/zh
Publication of CN114021579A publication Critical patent/CN114021579A/zh
Application granted granted Critical
Publication of CN114021579B publication Critical patent/CN114021579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/04817—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance using icons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/04842—Selection of displayed objects or displayed text elements
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Human Computer Interaction (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Acoustics & Sound (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

本公开实施例公开了一种对象预测方法、装置、电子设备及计算机可读存储介质，所述方法包括：响应于检测到用户客户端长辈模式已开启，开启语音采集组件，并获取用户输入的对于对象的需求语音；解析所述对象的需求语音，得到对象需求特征数据；将所述对象需求特征数据输入预训练过的对象预测模型，预测得到用户想要的目标对象，所述解析所述对象的需求语音，得到对象需求特征数据，包括：结合长辈常用语音指令，对于所述对象的需求语音进行语义分析，得到所述对象需求特征数据。该技术方案无论对于新点餐品还是历史餐品重复点餐，操作均较为简单方便快捷，因此有效提高了用户的操作效率，提升了用户的使用体验。

Description

对象预测方法、装置、电子设备及计算机可读存储介质
技术领域
本公开实施例涉及数据处理技术领域，具体涉及一种对象预测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网技术的发展，越来越多的用户通过互联网平台购买商品，比如，外卖。目前，用户点外卖的常规操作是点击搜索栏，输入想吃的外卖类型，然后逐家对比，综合评分、口味、价格等因素挑选出自己想吃的餐品下单，该下单方式操作复杂，由于可选种类繁多，因此较为耗时， 用户体验较差。当然用户也可以打开历史订单页面，选择之前购买过的记录，选择再来一单，该下单方式虽然操作相对简单快捷，但也都是重复操作。因此，亟需一种能够满足用户多种需求的方便快捷的外卖点餐方案。
发明内容
本公开实施例提供一种对象预测方法、装置、电子设备及计算机可读存储介质。
第一方面，本公开实施例中提供了一种对象预测方法。
具体的，所述对象预测方法，包括：
响应于检测到用户客户端长辈模式已开启，开启语音采集组件，并获取用户输入的对于对象的需求语音；
解析所述对象的需求语音，得到对象需求特征数据；
将所述对象需求特征数据输入预训练过的对象预测模型，预测得到用户想要的目标对象，其中，所述对象预测模型是基于历史对象相关数据预训练得到的；
其中，所述解析所述对象的需求语音，得到对象需求特征数据，包括：
结合长辈常用语音指令，对于所述对象的需求语音进行语义分析，得到所述对象需求特征数据。
结合第一方面，本公开实施例在第一方面的第一种实现方式中，所述将所述对象需求特征数据输入预训练过的对象预测模型，预测得到用户想要的目标对象，包括：
将所述对象需求特征数据输入至预先训练好的对象预测模型中，得到多个对象预测结果及其对应的概率；
将概率最高的一个或多个对象预测结果作为用户想要的目标对象。
结合第一方面和第一方面的第一种实现方式，本公开实施例在第一方面的第二种实现方式中，还包括：
训练所述对象预测模型。
结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式，本公开在第一方面的第三种实现方式中，所述训练所述对象预测模型，包括：
确定初始对象预测模型；
获取历史对象相关数据集合，其中，所述历史对象相关数据集合包括历史对象需求数据和与所述历史对象需求数据对应的历史选择对象数据，所述历史选择对象数据包括以下数据中的一种或多种：历史选择对象口味数据、历史选择对象评价数据、历史选择对象价格数据、历史选择对象配送时间；
以所述历史对象需求数据作为输入，以与其对应的历史选择对象数据作为输出训练所述初始对象预测模型，得到对象预测模型。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式，本公开在第一方面的第四种实现方式中，其中，所述对象预测模型数据存储在本地磁盘中，所述历史对象相关数据存储在本地内存中，所述对象预测模型实时调用所述历史对象相关数据在本地进行训练。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式和第一方面的第四种实现方式，本公开在第一方面的第五种实现方式中，还包括：
将所述对象需求特征数据，及其对应的目标对象预测结果数据作为新的训练数据加入所述对象预测模型的历史对象相关数据集合中，对于所述对象预测模型进行训练。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式和第一方面的第五种实现方式，本公开在第一方面的第六种实现方式中，还包括：
获取所述目标对象的购买信息，并显示。
第二方面，本公开实施例中提供了一种对象预测装置。
具体的，所述对象预测装置，包括：
获取模块，被配置为响应于检测到用户客户端长辈模式已开启，开启语音采集组件，并获取用户输入的对于对象的需求语音；
解析模块，被配置为解析所述对象的需求语音，得到对象需求特征数据；
预测模块，被配置为将所述对象需求特征数据输入预训练过的对象预测模型，预测得到用户想要的目标对象，其中，所述对象预测模型是基于历史对象相关数据预训练得到的；
其中，所述解析模块被配置为：
结合长辈常用语音指令，对于所述对象的需求语音进行语义分析，得到所述对象需求特征数据。
结合第二方面，本公开实施例在第二方面的第一种实现方式中，所述预测模块被配置为：
将所述对象需求特征数据输入至预先训练好的对象预测模型中，得到多个对象预测结果及其对应的概率；
将概率最高的一个或多个对象预测结果作为用户想要的目标对象。
结合第二方面和第二方面的第一种实现方式，本公开实施例在第二方面的第二种实现方式中，还包括：
训练模块，被配置为训练所述对象预测模型。
结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式，本公开在第二方面的第三种实现方式中，所述训练模块被配置为：
确定初始对象预测模型；
获取历史对象相关数据集合，其中，所述历史对象相关数据集合包括历史对象需求数据和与所述历史对象需求数据对应的历史选择对象数据，所述历史选择对象数据包括以下数据中的一种或多种：历史选择对象口味数据、历史选择对象评价数据、历史选择对象价格数据、历史选择对象配送时间；
以所述历史对象需求数据作为输入，以与其对应的历史选择对象数据作为输出训练所述初始对象预测模型，得到对象预测模型。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式和第二方面的第三种实现方式，本公开在第二方面的第四种实现方式中，其中，所述对象预测模型数据存储在本地磁盘中，所述历史对象相关数据存储在本地内存中，所述对象预测模型实时调用所述历史对象相关数据在本地进行训练。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式和第二方面的第四种实现方式，本公开在第二方面的第五种实现方式中，所述训练模块还被配置为：
将所述对象需求特征数据，及其对应的目标对象预测结果数据作为新的训练数据加入所述对象预测模型的历史对象相关数据集合中，对于所述对象预测模型进行训练。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式和第二方面的第五种实现方式，本公开在第二方面的第六种实现方式中，还包括：
显示模块，被配置为获取所述目标对象的购买信息，并显示。
第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条支持对象预测装置执行上述对象预测方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述对象预测装置还可以包括通信接口，用于对象预测装置与其他设备或通信网络通信。
第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储对象预测装置所用的计算机指令，其包含用于执行上述对象预测方法为对象预测装置所涉及的计算机指令。
第五方面，本公开实施例提供了一种计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现上述对象预测方法。
本公开实施例提供的技术方案可包括以下有益效果：
上述技术方案离线训练对象预测模型，并使用所述对象预测模型对于用户输入的对象需求语音解析得到的对象需求特征数据进行实时自动对象预测。该技术方案无论对于新点餐品还是历史餐品重复点餐，操作均较为简单方便快捷，因此有效提高了用户的操作效率，提升了用户的使用体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开实施例。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开实施例的其它特征、目的和优点将变得更加明显。以下是对附图的说明。
图1示出根据本公开一实施方式的对象预测方法的流程图。
图2示出根据本公开一实施方式的对象预测装置的结构框图。
图3示出根据本公开一实施方式的电子设备的结构框图。
图4是适于用来实现根据本公开一实施方式的对象预测方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开实施例的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本公开实施例中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开实施例。
本公开实施例提供的技术方案离线训练对象预测模型，并使用所述对象预测模型对于用户输入的对象需求语音解析得到的对象需求特征数据进行实时自动对象预测。该技术方案无论对于新点餐品还是历史餐品重复点餐，操作均较为简单方便快捷，因此有效提高了用户的操作效率，提升了用户的使用体验。
图1示出根据本公开一实施方式的对象预测方法的流程图，如图1所示，所述对象预测方法包括以下步骤S101-S103：
在步骤S101中，响应于检测到用户客户端长辈模式已开启，开启语音采集组件，并获取用户输入的对于对象的需求语音；
在步骤S102中，解析所述对象的需求语音，得到对象需求特征数据；
在步骤S103中，将所述对象需求特征数据输入预训练过的对象预测模型，预测得到用户想要的目标对象，其中，所述对象预测模型是基于历史对象相关数据预训练得到的；
其中，所述步骤S102，即解析所述对象的需求语音，得到对象需求特征数据的步骤，可包括以下步骤：
结合长辈常用语音指令，对于所述对象的需求语音进行语义分析，得到所述对象需求特征数据。
上文提及，随着互联网技术的发展，越来越多的用户通过互联网平台购买商品，比如，外卖。目前，用户点外卖的常规操作是点击搜索栏，输入想吃的外卖类型，然后逐家对比，综合评分、口味、价格等因素挑选出自己想吃的餐品下单，该下单方式操作复杂，由于可选种类繁多，因此较为耗时，用户体验较差。当然用户也可以打开历史订单页面，选择之前购买过的记录，选择再来一单，该下单方式虽然操作相对简单快捷，但也都是重复操作。因此，亟需一种能够满足用户多种需求的方便快捷的外卖点餐方案。
考虑到上述问题，在该实施方式中，提出一种对象预测方法，该方法离线训练对象预测模型，并使用所述对象预测模型对于用户输入的对象需求语音解析得到的对象需求特征数据进行实时自动对象预测。该技术方案无论对于新点餐品还是历史餐品重复点餐，操作均较为简单方便快捷，因此有效提高了用户的操作效率，提升了用户的使用体验。
在本公开一实施方式中，所述对象预测方法可适用于可执行对象预测处理的计算机、计算设备、电子设备、服务器、服务集群等，比如用户客户端，尤其是老年用户的客户端。
在本公开一实施方式中，所述长辈模式指的是方便老年人进行信息查看、使用、操作的显示模式和操作模式。具体地，在所述长辈模式中，考虑到老年人大多存在远视的情况，因此，显示字体会稍大一些，比如显示字体的大小大于等于预设字体大小，其中，所述预设字体大小可根据实际应用的需要进行设置；考虑到老年人通常不太喜欢太多鲜艳、太过杂乱的配色，因此，显示内容所使用的颜色为预设数量以下的适于长辈观看的预设颜色，比如，使用红绿蓝三种基础颜色；考虑到老年人通常不太关注广告内容、不太愿意尝试新的或者价格较高的事物、更喜欢贴近日常生活的事物，因此，显示内容去除广告内容、浮窗显示内容，而调整为老年人感兴趣的、经常查看的内容，比如，鸡蛋买一送一，新鲜白菜5折送上门，常用药8折优惠等等超市优惠信息、蔬菜水果肉类等日常食材购买信息、药品优惠信息、老年餐厅就餐信息等等；考虑到老年人通常只关注买菜、超市、药店、老年餐厅信息，偶尔会点个外卖，并不太关注饭店尤其是高档饭店的就餐信息，因此，显示组件可仅包括老年餐、逛超市、去买菜、去买药、点外卖、查天气等组件，这样就可以根据所述长辈模式显示的内容以及嵌入的组件对于老年人用户进行引导，当然，最终的搜索和推荐结果也是在所述长辈模式显示的内容以及嵌入的组件范围内生成；考虑到老年人的理解能力和理解速度均在不同程度上受限，因此显示图标尽量简洁易懂，使用功能动词+名词的表述形式，设置为预设的适于长辈查看图标，比如，超市图标设置为“逛超市”而不是“超市便利”或“超市/便利店”，买菜图标设置为“去买菜”而不是“生鲜/菜市场”，买药图标设置为“去买药”而不是“药品超市”，外卖图标设置为“点外卖”而不是“美食外卖”；考虑到老年人对于页面上各组件的内容理解和操作经常遇到困难，因此，设置有一键帮助功能按钮，当老年人用户点击了该一键帮助功能按钮，即可显示拨打服务电话页面，以便老年人就遇到的困难进行电话咨询；考虑到老年人对于在线支付的操作通常不太熟练，因此，还设置有亲情代付功能按钮，老年人用户点击了该亲情代付功能按钮后，可将支付链接推送至绑定的亲人支付账号中或者推送至老年人用户选择的亲人通信账号。即，在所述长辈模式中，显示字体大小大于等于预设字体大小，显示内容为预设的长辈感兴趣内容，显示组件为预设的长辈感兴趣组件，显示颜色为预设的适于长辈观看颜色，显示图标为预设的适于长辈查看图标，并且设置有一键帮助功能按钮和亲情代付功能按钮。
在本公开一实施方式中，所述语音采集组件指的是能够采集语音输入数据的组件，比如麦克风等等。
在本公开一实施方式中，所述对象指的是用户最终想要选择的目标，比如商品、餐品、外卖等等。
在本公开一实施方式中，所述对于对象的需求语音指的是用户借助用户客户端语音采集组件输入的、对于最终想要选择的对象进行描述的语音，比如，“帮我点一份炸鸡”、“帮我点一份最近吃过的麻辣烫”等等，通过用户输入的对于对象的需求语音可明确用户对于所述对象的需求。
在本公开一实施方式中，所述对象需求特征数据指的是基于对于所述对象的需求语音的解析得到的、能够体现用户对于所述对象的需求的特征的数据，后续可借助所述对象需求特征数据即可实现对于用户最终需要的目标对象的预测。
在本公开一实施方式中，所述对象预测模型指的是预先离线训练得到的、能够对于用户想要的对象进行预测的模型，其中，所述对象预测模型是基于历史对象相关数据预训练得到的。另外，所述历史对象相关数据可在本地收集得到，并在本地训练生成所述对象预测模型，即，所述对象预测模型实时调用所述历史对象相关数据在本地进行训练，上述在本地训练所述对象预测模型的处理方式可实时在本地收集所述历史对象相关数据进行所述对象预测模型的训练和学习，对于所述用户来说更具有数据的针对性，由于上述在本地训练所述对象预测模型的处理方式无需后端服务器的参与，因此能够有效节省服务端的算力、资源和计算成本，也无需通过数据连接媒介向服务器请求数据，从而能够节省数据收集以及数据传输需要的时间，节约数据处理流程，避免数据传输延迟以及数据传输延迟带来的其他问题，同时，由于所述历史对象相关数据保存在本地，无需进行数据传输，进而可以保障数据的安全性，避免出现在数据传输过程中由于数据泄露而导致的用户隐私风险。
其中，所述对象预测模型可使用常见的目标预测模型，比如TensorFlow、PyTorch等开源模型，本公开对于所述对象预测模型的具体表现形式不作特别限定。
在本公开一实施方式中，所述对象预测模型数据可存储在本地磁盘中，所述历史对象相关数据等训练模型所需要的数据由于是实时获取实时使用，因此可存储在本地内存中即算即用，而无需存储至缓存中。
在本公开一实施方式中，所述对象预测模型的训练可在应用程序在前台运行时就被触发，实时获取所述历史对象相关数据进行训练。当所述对象预测模型的训练耗时较长时，也可被用户切换至其他应用的动作触发以将所述对象预测模型的训练移至后台进行。
在本公开一实施方式中，所述长辈常用语音指令指的是服务器基于用户历史语音指令分析得到的对于长辈用户来说出现频率较高的语音指令。
在结合长辈常用语音指令，对于所述对象的需求语音进行语义分析的时候，可根据语义分析得到的特征数据的概率值来确定最终的对象需求特征数据，具体地，首先对于所述对象的需求语音进行语音文字转换，以将所述对象的需求语音转换为相应的文字，然后对于转换得到的文字进行词语分割，可得到离散的一个或多个词语，然后通过对于词语语义的分析，得到对于对象需求来说所述词语为有效词语的概率值，然后结合所述长辈常用语音指令，对于所述概率值进行调整，最终根据所述概率值的大小确定所述对象需求特征数据。比如，若所述对于对象的需求语音为“帮我点一份炸鸡”，则经语义分析后得到的对象需求特征数据可以为“一份”、“炸鸡”等等；比如，若所述对于对象的需求语音为“帮我点一份最近吃过的麻辣烫”，如果仅对其进行常见的语义分析，得到的对象需求特征数据可能仅包括“一份”、“麻辣烫”，但考虑到“最近吃过的”属于长辈常用语音指令，则结合长辈常用语音指令后得到的对象需求特征数据可包括“一份”、“最近吃过的”、“麻辣烫”等等。
在上述实施方式中，在检测到用户客户端长辈模式已开启之后，考虑到长辈用户可能对于操作界面不太熟悉，更希望用语音来进行操作，因此可开启语音采集组件，并获取用户通过所述语音采集组件输入的对于对象的需求语音，然后对于所述对象的需求语音进行解析，得到对象需求特征数据，将所述对象需求特征数据输入至预先训练得到的对象预测模型，即可得到预测的用户想要的目标对象。
在本公开一实施方式中，所述步骤S103，即将所述对象需求特征数据输入预训练过的对象预测模型，预测得到用户想要的目标对象的步骤，可包括以下步骤：
将所述对象需求特征数据输入至预先训练好的对象预测模型中，得到多个对象预测结果及其对应的概率；
将概率最高的一个或多个对象预测结果作为用户想要的目标对象。
在该实施方式中，在获取预先训练好的对象预测模型后，可直接利用所述对象预测模型来预测用户想要的目标对象。具体地，可将所述对象需求特征数据输入至预先训练好的对象预测模型中，可得到多个对象预测结果及其对应的概率；然后将最高概率值对应的一个或多个对象预测结果作为用户想要的目标对象。
在本公开一实施方式中，所述方法还可包括以下步骤：
训练所述对象预测模型。
在本公开一实施方式中，所述训练所述对象预测模型的步骤，可包括以下步骤：
确定初始对象预测模型；
获取历史对象相关数据集合，其中，所述历史对象相关数据集合包括历史对象需求数据和与所述历史对象需求数据对应的历史选择对象数据，所述历史选择对象数据包括以下数据中的一种或多种：历史选择对象口味数据、历史选择对象评价数据、历史选择对象价格数据、历史选择对象配送时间；
以所述历史对象需求数据作为输入，以与其对应的历史选择对象数据作为输出训练所述初始对象预测模型，得到对象预测模型。
其中，所述历史对象相关数据集合包括的历史对象需求数据和与所述历史对象需求数据对应的历史选择对象数据指的是长辈用户的历史对象需求数据，和与所述历史对象需求数据对应的长辈用户的历史选择对象数据。
在该实施方式中，在训练所述对象预测模型时，首先确定一个初始对象预测模型，其中，所述初始对象预测模型可根据实际应用的需要进行选择；然后获取长辈用户的历史对象需求数据和与所述历史对象需求数据对应的长辈用户的历史选择对象数据，其中，所述历史对象需求数据指的是长辈用户在历史搜索对象时输入的需求数据，比如对象的名称、对象的规格、对象的数量等等，所述历史选择对象数据指的是在根据历史对象需求数据对于对象进行搜索后展示给长辈用户，长辈用户最终选择的与对象相关的数据，比如，长辈用户选择的对象的口味数据、长辈用户选择的对象的评价数据、长辈用户选择的对象的价格数据、长辈用户选择的对象的配送时间等等；然后将所述历史对象需求数据作为输入，将与所述历史对象需求数据对应的历史选择对象数据作为输出对于初始对象预测模型进行训练，待到训练结果收敛时，即可得到所述对象预测模型。上述对于所述对象预测模型的学习和训练可采用现有技术中的学习训练方法来实现，本公开对于所述对象预测模型的具体学习训练实现方法不作特别限定。
在本公开一实施方式中，所述方法还可包括以下步骤：
将所述对象需求特征数据，及其对应的目标对象预测结果数据作为新的训练数据加入所述对象预测模型的历史对象相关数据集合中，对于所述对象预测模型进行训练。
为了提高作为所述对象预测模型的训练数据的历史对象相关数据集合的完备性，保障对象预测模型学习训练结果的全面性，在该实施方式中，采用反馈机制来进行对象预测，即，在基于当前得到的对象需求特征数据，利用所述对象预测模型得到对象预测结果后，还将所述对象需求特征数据及得到的对应的对象预测结果数据作为新的训练数据加入至所述对象预测模型的训练数据集合中，即所述历史对象相关数据集合中，然后对于所述对象预测模型进行再训练，以丰富训练数据，提高对象预测模型的准确性，得到更具完备性的对象预测模型，参与下次对象预测结果的输出。
在本公开一实施方式中，所述方法还可包括以下步骤：
获取所述目标对象的购买信息，并显示。
在预测得到用户想要的一个或多个目标对象后，为了方便用户的购买，还可获取所述一个或多个目标对象的购买信息，并显示，以供用户查看、选择和购买，其中，所述一个或多个目标对象的购买信息可包括以下信息中的一种或多种：目标对象名称、目标对象口味信息、目标对象评价信息、目标对象价格信息、目标对象配送时间、目标对象店铺信息等等。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
图2示出根据本公开一实施方式的对象预测装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图2所示，所述对象预测装置包括：
获取模块201，被配置为响应于检测到用户客户端长辈模式已开启，开启语音采集组件，并获取用户输入的对于对象的需求语音；
解析模块202，被配置为解析所述对象的需求语音，得到对象需求特征数据；
预测模块203，被配置为将所述对象需求特征数据输入预训练过的对象预测模型，预测得到用户想要的目标对象，其中，所述对象预测模型是基于历史对象相关数据预训练得到的；
其中，所述解析模块202可被配置为：
结合长辈常用语音指令，对于所述对象的需求语音进行语义分析，得到所述对象需求特征数据。
上文提及，随着互联网技术的发展，越来越多的用户通过互联网平台购买商品，比如，外卖。目前，用户点外卖的常规操作是点击搜索栏，输入想吃的外卖类型，然后逐家对比，综合评分、口味、价格等因素挑选出自己想吃的餐品下单，该下单方式操作复杂，由于可选种类繁多，因此较为耗时， 用户体验较差。当然用户也可以打开历史订单页面，选择之前购买过的记录，选择再来一单，该下单方式虽然操作相对简单快捷，但也都是重复操作。因此，亟需一种能够满足用户多种需求的方便快捷的外卖点餐方案。
考虑到上述问题，在该实施方式中，提出一种对象预测装置，该装置离线训练对象预测模型，并使用所述对象预测模型对于用户输入的对象需求语音解析得到的对象需求特征数据进行实时自动对象预测。该技术方案无论对于新点餐品还是历史餐品重复点餐，操作均较为简单方便快捷，因此有效提高了用户的操作效率，提升了用户的使用体验。
在本公开一实施方式中，所述对象预测装置可实现为可执行对象预测处理的计算机、计算设备、电子设备、服务器、服务集群等，比如用户客户端，尤其是老年用户的客户端。
在本公开一实施方式中，所述长辈模式指的是方便老年人进行信息查看、使用、操作的显示模式和操作模式。具体地，在所述长辈模式中，考虑到老年人大多存在远视的情况，因此，显示字体会稍大一些，比如显示字体的大小大于等于预设字体大小，其中，所述预设字体大小可根据实际应用的需要进行设置；考虑到老年人通常不太喜欢太多鲜艳、太过杂乱的配色，因此，显示内容所使用的颜色为预设数量以下的适于长辈观看的预设颜色，比如，使用红绿蓝三种基础颜色；考虑到老年人通常不太关注广告内容、不太愿意尝试新的或者价格较高的事物、更喜欢贴近日常生活的事物，因此，显示内容去除广告内容、浮窗显示内容，而调整为老年人感兴趣的、经常查看的内容，比如，鸡蛋买一送一，新鲜白菜5折送上门，常用药8折优惠等等超市优惠信息、蔬菜水果肉类等日常食材购买信息、药品优惠信息、老年餐厅就餐信息等等；考虑到老年人通常只关注买菜、超市、药店、老年餐厅信息，偶尔会点个外卖，并不太关注饭店尤其是高档饭店的就餐信息，因此，显示组件可仅包括老年餐、逛超市、去买菜、去买药、点外卖、查天气等组件，这样就可以根据所述长辈模式显示的内容以及嵌入的组件对于老年人用户进行引导，当然，最终的搜索和推荐结果也是在所述长辈模式显示的内容以及嵌入的组件范围内生成；考虑到老年人的理解能力和理解速度均在不同程度上受限，因此显示图标尽量简洁易懂，使用功能动词+名词的表述形式，设置为预设的适于长辈查看图标，比如，超市图标设置为“逛超市”而不是“超市便利”或“超市/便利店”，买菜图标设置为“去买菜”而不是“生鲜/菜市场”，买药图标设置为“去买药”而不是“药品超市”，外卖图标设置为“点外卖”而不是“美食外卖”；考虑到老年人对于页面上各组件的内容理解和操作经常遇到困难，因此，设置有一键帮助功能按钮，当老年人用户点击了该一键帮助功能按钮，即可显示拨打服务电话页面，以便老年人就遇到的困难进行电话咨询；考虑到老年人对于在线支付的操作通常不太熟练，因此，还设置有亲情代付功能按钮，老年人用户点击了该亲情代付功能按钮后，可将支付链接推送至绑定的亲人支付账号中或者推送至老年人用户选择的亲人通信账号。即，在所述长辈模式中，显示字体大小大于等于预设字体大小，显示内容为预设的长辈感兴趣内容，显示组件为预设的长辈感兴趣组件，显示颜色为预设的适于长辈观看颜色，显示图标为预设的适于长辈查看图标，并且设置有一键帮助功能按钮和亲情代付功能按钮。
在本公开一实施方式中，所述语音采集组件指的是能够采集语音输入数据的组件，比如麦克风等等。
在本公开一实施方式中，所述对象指的是用户最终想要选择的目标，比如商品、餐品、外卖等等。
在本公开一实施方式中，所述对于对象的需求语音指的是用户借助用户客户端语音采集组件输入的、对于最终想要选择的对象进行描述的语音，比如，“帮我点一份炸鸡”、“帮我点一份最近吃过的麻辣烫”等等，通过用户输入的对于对象的需求语音可明确用户对于所述对象的需求。
在本公开一实施方式中，所述对象需求特征数据指的是基于对于所述对象的需求语音的解析得到的、能够体现用户对于所述对象的需求的特征的数据，后续可借助所述对象需求特征数据即可实现对于用户最终需要的目标对象的预测。
在本公开一实施方式中，所述对象预测模型指的是预先离线训练得到的、能够对于用户想要的对象进行预测的模型，其中，所述对象预测模型是基于历史对象相关数据预训练得到的。另外，所述历史对象相关数据可在本地收集得到，并在本地训练生成所述对象预测模型，即，所述对象预测模型实时调用所述历史对象相关数据在本地进行训练，上述在本地训练所述对象预测模型的处理方式可实时在本地收集所述历史对象相关数据进行所述对象预测模型的训练和学习，对于所述用户来说更具有数据的针对性，由于上述在本地训练所述对象预测模型的处理方式无需后端服务器的参与，因此能够有效节省服务端的算力、资源和计算成本，也无需通过数据连接媒介向服务器请求数据，从而能够节省数据收集以及数据传输需要的时间，节约数据处理流程，避免数据传输延迟以及数据传输延迟带来的其他问题，同时，由于所述历史对象相关数据保存在本地，无需进行数据传输，进而可以保障数据的安全性，避免出现在数据传输过程中由于数据泄露而导致的用户隐私风险。
其中，所述对象预测模型可使用常见的目标预测模型，比如TensorFlow、PyTorch等开源模型，本公开对于所述对象预测模型的具体表现形式不作特别限定。
在本公开一实施方式中，所述对象预测模型数据可存储在本地磁盘中，所述历史对象相关数据等训练模型所需要的数据由于是实时获取实时使用，因此可存储在本地内存中即算即用，而无需存储至缓存中。
在本公开一实施方式中，所述对象预测模型的训练可在应用程序在前台运行时就被触发，实时获取所述历史对象相关数据进行训练。当所述对象预测模型的训练耗时较长时，也可被用户切换至其他应用的动作触发以将所述对象预测模型的训练移至后台进行。
在本公开一实施方式中，所述长辈常用语音指令指的是服务器基于用户历史语音指令分析得到的对于长辈用户来说出现频率较高的语音指令。
在结合长辈常用语音指令，对于所述对象的需求语音进行语义分析的时候，可根据语义分析得到的特征数据的概率值来确定最终的对象需求特征数据，具体地，首先对于所述对象的需求语音进行语音文字转换，以将所述对象的需求语音转换为相应的文字，然后对于转换得到的文字进行词语分割，可得到离散的一个或多个词语，然后通过对于词语语义的分析，得到对于对象需求来说所述词语为有效词语的概率值，然后结合所述长辈常用语音指令，对于所述概率值进行调整，最终根据所述概率值的大小确定所述对象需求特征数据。比如，若所述对于对象的需求语音为“帮我点一份炸鸡”，则经语义分析后得到的对象需求特征数据可以为“一份”、“炸鸡”等等；比如，若所述对于对象的需求语音为“帮我点一份最近吃过的麻辣烫”，如果仅对其进行常见的语义分析，得到的对象需求特征数据可能仅包括“一份”、“麻辣烫”，但考虑到“最近吃过的”属于长辈常用语音指令，则结合长辈常用语音指令后得到的对象需求特征数据可包括“一份”、“最近吃过的”、“麻辣烫”等等。
在上述实施方式中，在检测到用户客户端长辈模式已开启之后，考虑到长辈用户可能对于操作界面不太熟悉，更希望用语音来进行操作，因此可开启语音采集组件，并获取用户通过所述语音采集组件输入的对于对象的需求语音，然后对于所述对象的需求语音进行解析，得到对象需求特征数据，将所述对象需求特征数据输入至预先训练得到的对象预测模型，即可得到预测的用户想要的目标对象。
在本公开一实施方式中，所述预测模块203可被配置为：
将所述对象需求特征数据输入至预先训练好的对象预测模型中，得到多个对象预测结果及其对应的概率；
将概率最高的一个或多个对象预测结果作为用户想要的目标对象。
在该实施方式中，在获取预先训练好的对象预测模型后，可直接利用所述对象预测模型来预测用户想要的目标对象。具体地，可将所述对象需求特征数据输入至预先训练好的对象预测模型中，可得到多个对象预测结果及其对应的概率；然后将最高概率值对应的一个或多个对象预测结果作为用户想要的目标对象。
在本公开一实施方式中，所述装置还可包括：
训练模块，被配置为训练所述对象预测模型。
在本公开一实施方式中，所述训练模块可被配置为：
确定初始对象预测模型；
获取历史对象相关数据集合，其中，所述历史对象相关数据集合包括历史对象需求数据和与所述历史对象需求数据对应的历史选择对象数据，所述历史选择对象数据包括以下数据中的一种或多种：历史选择对象口味数据、历史选择对象评价数据、历史选择对象价格数据、历史选择对象配送时间；
以所述历史对象需求数据作为输入，以与其对应的历史选择对象数据作为输出训练所述初始对象预测模型，得到对象预测模型。
其中，所述历史对象相关数据集合包括的历史对象需求数据和与所述历史对象需求数据对应的历史选择对象数据指的是长辈用户的历史对象需求数据，和与所述历史对象需求数据对应的长辈用户的历史选择对象数据。
在该实施方式中，在训练所述对象预测模型时，首先确定一个初始对象预测模型，其中，所述初始对象预测模型可根据实际应用的需要进行选择；然后获取长辈用户的历史对象需求数据和与所述历史对象需求数据对应的长辈用户的历史选择对象数据，其中，所述历史对象需求数据指的是长辈用户在历史搜索对象时输入的需求数据，比如对象的名称、对象的规格、对象的数量等等，所述历史选择对象数据指的是在根据历史对象需求数据对于对象进行搜索后展示给长辈用户，长辈用户最终选择的与对象相关的数据，比如，长辈用户选择的对象的口味数据、长辈用户选择的对象的评价数据、长辈用户选择的对象的价格数据、长辈用户选择的对象的配送时间等等；然后将所述历史对象需求数据作为输入，将与所述历史对象需求数据对应的历史选择对象数据作为输出对于初始对象预测模型进行训练，待到训练结果收敛时，即可得到所述对象预测模型。上述对于所述对象预测模型的学习和训练可采用现有技术中的学习训练方法来实现，本公开对于所述对象预测模型的具体学习训练实现方法不作特别限定。
在本公开一实施方式中，所述训练模块还可被配置为：
将所述对象需求特征数据，及其对应的目标对象预测结果数据作为新的训练数据加入所述对象预测模型的历史对象相关数据集合中，对于所述对象预测模型进行训练。
为了提高作为所述对象预测模型的训练数据的历史对象相关数据集合的完备性，保障对象预测模型学习训练结果的全面性，在该实施方式中，采用反馈机制来进行对象预测，即，在基于当前得到的对象需求特征数据，利用所述对象预测模型得到对象预测结果后，还将所述对象需求特征数据及得到的对应的对象预测结果数据作为新的训练数据加入至所述对象预测模型的训练数据集合中，即所述历史对象相关数据集合中，然后对于所述对象预测模型进行再训练，以丰富训练数据，提高对象预测模型的准确性，得到更具完备性的对象预测模型，参与下次对象预测结果的输出。
在本公开一实施方式中，所述装置还可包括：
显示模块，被配置为获取所述目标对象的购买信息，并显示。
在预测得到用户想要的一个或多个目标对象后，为了方便用户的购买，还可获取所述一个或多个目标对象的购买信息，并显示，以供用户查看、选择和购买，其中，所述一个或多个目标对象的购买信息可包括以下信息中的一种或多种：目标对象名称、目标对象口味信息、目标对象评价信息、目标对象价格信息、目标对象配送时间、目标对象店铺信息等等。
本公开还公开了一种电子设备，图3示出根据本公开一实施方式的电子设备的结构框图，如图3所示，所述电子设备300包括存储器301和处理器302；其中，
所述存储器301用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器302执行以实现上述方法步骤。
图4是适于用来实现根据本公开一实施方式的对象预测方法的计算机系统的结构示意图。
如图4所示，计算机系统400包括处理单元401，其可以根据存储在只读存储器（ROM）402中的程序或者从存储部分408加载到随机访问存储器（RAM）403中的程序而执行上述实施方式中的各种处理。在RAM403中，还存储有计算机系统400操作所需的各种程序和数据。处理单元401、ROM402以及RAM403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。其中，所述处理单元401可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地，根据本公开的实施方式，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行所述数据检查方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。
附图中的流程图和框图，图示了按照本公开各种实施方式的系统、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，路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，两个接连地表示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操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。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开实施例的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种对象预测方法，包括：
响应于检测到用户客户端长辈模式已开启，开启语音采集组件，并获取用户输入的对于对象的需求语音；
解析所述对象的需求语音，得到对象需求特征数据；
将所述对象需求特征数据输入预训练过的对象预测模型，预测得到用户想要的目标对象，其中，所述对象预测模型是基于历史对象相关数据预训练得到的；
其中，所述解析所述对象的需求语音，得到对象需求特征数据，包括：
结合长辈常用语音指令，对于所述对象的需求语音进行语义分析，得到所述对象需求特征数据。
2.根据权利要求1所述的方法，所述将所述对象需求特征数据输入预训练过的对象预测模型，预测得到用户想要的目标对象，包括：
将所述对象需求特征数据输入至预先训练好的对象预测模型中，得到多个对象预测结果及其对应的概率；
将概率最高的一个或多个对象预测结果作为用户想要的目标对象。
3.根据权利要求2所述的方法，还包括：
训练所述对象预测模型。
4.根据权利要求3所述的方法，所述训练所述对象预测模型，包括：
确定初始对象预测模型；
获取历史对象相关数据集合，其中，所述历史对象相关数据集合包括历史对象需求数据和与所述历史对象需求数据对应的历史选择对象数据，所述历史选择对象数据包括以下数据中的一种或多种：历史选择对象口味数据、历史选择对象评价数据、历史选择对象价格数据、历史选择对象配送时间；
以所述历史对象需求数据作为输入，以与其对应的历史选择对象数据作为输出训练所述初始对象预测模型，得到对象预测模型。
5.根据权利要求4所述的方法，其中，所述对象预测模型数据存储在本地磁盘中，所述历史对象相关数据存储在本地内存中，所述对象预测模型实时调用所述历史对象相关数据在本地进行训练。
6.根据权利要求5所述的方法，还包括：
将所述对象需求特征数据，及其对应的目标对象预测结果数据作为新的训练数据加入所述对象预测模型的历史对象相关数据集合中，对于所述对象预测模型进行训练。
7.根据权利要求1-6任一所述的方法，还包括：
获取所述目标对象的购买信息，并显示。
8.一种对象预测装置，包括：
获取模块，被配置为响应于检测到用户客户端长辈模式已开启，开启语音采集组件，并获取用户输入的对于对象的需求语音；
解析模块，被配置为解析所述对象的需求语音，得到对象需求特征数据；
预测模块，被配置为将所述对象需求特征数据输入预训练过的对象预测模型，预测得到用户想要的目标对象，其中，所述对象预测模型是基于历史对象相关数据预训练得到的；
其中，所述解析模块被配置为：
结合长辈常用语音指令，对于所述对象的需求语音进行语义分析，得到所述对象需求特征数据。
9.一种电子设备，包括存储器和处理器；其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-7任一项所述的方法步骤。
10.一种计算机可读存储介质，其上存储有计算机指令，其中，该计算机指令被处理器执行时实现权利要求1-7任一项所述的方法步骤。
CN202210005212.3A 2022-01-05 2022-01-05 对象预测方法、装置、电子设备及计算机可读存储介质 Active CN114021579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210005212.3A CN114021579B (zh) 2022-01-05 2022-01-05 对象预测方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210005212.3A CN114021579B (zh) 2022-01-05 2022-01-05 对象预测方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN114021579A true CN114021579A (zh) 2022-02-08
CN114021579B CN114021579B (zh) 2022-04-19

Family

ID=80069514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210005212.3A Active CN114021579B (zh) 2022-01-05 2022-01-05 对象预测方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114021579B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103024152A (zh) * 2012-11-28 2013-04-03 深圳市中兴移动通信有限公司 一种多用途模式的切换方法、装置和智能终端
CN106328143A (zh) * 2015-06-23 2017-01-11 中兴通讯股份有限公司 语音控制方法、装置和移动终端
CN108009303A (zh) * 2017-12-30 2018-05-08 北京百度网讯科技有限公司 基于语音识别的搜索方法、装置、电子设备和存储介质
CN108428446A (zh) * 2018-03-06 2018-08-21 北京百度网讯科技有限公司 语音识别方法和装置
CN108810295A (zh) * 2018-03-28 2018-11-13 平安科技（深圳）有限公司 服务提供方法、电子设备及存储介质
CN111128148A (zh) * 2019-11-18 2020-05-08 北京小米移动软件有限公司 语音点餐的方法、装置、系统、计算机可读存储介质
CN111933291A (zh) * 2020-09-03 2020-11-13 平安国际智慧城市科技股份有限公司 医疗信息推荐装置、方法、系统、设备及可读存储介质
US20210157860A1 (en) * 2019-04-30 2021-05-27 Beijing Bytedance Network Technology Co., Ltd. Object recommendation method and apparatus, storage medium and terminal device
US20210201146A1 (en) * 2019-12-26 2021-07-01 Samsung Electronics Co., Ltd. Computing device and operation method thereof
CN113330475A (zh) * 2019-05-20 2021-08-31 深圳市欢太科技有限公司 信息推荐方法、装置、电子设备以及存储介质
CN113658597A (zh) * 2021-08-01 2021-11-16 杭州拼便宜网络科技有限公司 语音下单方法、装置、电子设备和计算机可读介质
CN113806672A (zh) * 2021-11-17 2021-12-17 浙江口碑网络技术有限公司 长辈模式选择方法、装置、设备、存储介质及程序产品
CN113821141A (zh) * 2021-11-17 2021-12-21 浙江口碑网络技术有限公司 长辈模式分享方法、装置及电子设备

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103024152A (zh) * 2012-11-28 2013-04-03 深圳市中兴移动通信有限公司 一种多用途模式的切换方法、装置和智能终端
CN106328143A (zh) * 2015-06-23 2017-01-11 中兴通讯股份有限公司 语音控制方法、装置和移动终端
CN108009303A (zh) * 2017-12-30 2018-05-08 北京百度网讯科技有限公司 基于语音识别的搜索方法、装置、电子设备和存储介质
CN108428446A (zh) * 2018-03-06 2018-08-21 北京百度网讯科技有限公司 语音识别方法和装置
CN108810295A (zh) * 2018-03-28 2018-11-13 平安科技（深圳）有限公司 服务提供方法、电子设备及存储介质
US20210157860A1 (en) * 2019-04-30 2021-05-27 Beijing Bytedance Network Technology Co., Ltd. Object recommendation method and apparatus, storage medium and terminal device
CN113330475A (zh) * 2019-05-20 2021-08-31 深圳市欢太科技有限公司 信息推荐方法、装置、电子设备以及存储介质
CN111128148A (zh) * 2019-11-18 2020-05-08 北京小米移动软件有限公司 语音点餐的方法、装置、系统、计算机可读存储介质
US20210201146A1 (en) * 2019-12-26 2021-07-01 Samsung Electronics Co., Ltd. Computing device and operation method thereof
CN111933291A (zh) * 2020-09-03 2020-11-13 平安国际智慧城市科技股份有限公司 医疗信息推荐装置、方法、系统、设备及可读存储介质
CN113658597A (zh) * 2021-08-01 2021-11-16 杭州拼便宜网络科技有限公司 语音下单方法、装置、电子设备和计算机可读介质
CN113806672A (zh) * 2021-11-17 2021-12-17 浙江口碑网络技术有限公司 长辈模式选择方法、装置、设备、存储介质及程序产品
CN113821141A (zh) * 2021-11-17 2021-12-21 浙江口碑网络技术有限公司 长辈模式分享方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
庄毅萌: "基于深度学习的语音关键词检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN114021579B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
Zhang et al. Booking now or later: do online peer reviews matter?
Jia Behind the ratings: Text mining of restaurant customers’ online reviews
CN112104899B (zh) 直播中的信息推荐方法、装置、电子设备及存储介质
US8306977B1 (en) Method and system for tagging of content
CN111523923B (zh) 商家评论管理系统、方法、服务器及存储介质
CN111125574B (zh) 用于生成信息的方法和装置
CN113420247A (zh) 页面展示方法、装置、电子设备、存储介质及程序产品
CN112733042B (zh) 推荐信息的生成方法、相关装置及计算机程序产品
US20140114847A1 (en) Information processing apparatus, information processing method, information processing program, recording medium having stored therein information processing program
CN109635198B (zh) 在商品展示平台上呈现用户搜索结果的方法、装置、介质及电子设备
WO2018126740A1 (zh) 用于推送信息的方法和装置
CN110827119A (zh) 基于微信小程序的信息交互系统
US20220164835A1 (en) System for managing display location and inventory of product by using clustered related search words
CN117350825B (zh) 基于大语言模型的导购方法和系统
CN110019699A (zh) 域间通过语法槽的分类
CN110750697B (zh) 商户分类方法、装置、设备及存储介质
CN113301360A (zh) 一种信息的提示方法、计算设备及存储介质
KR102322668B1 (ko) 콘텐츠 크리에이터의 창작활동 활성화를 위한 다중 플랫폼 서비스 제공 시스템
CN114580405A (zh) 商品评论文本的分析方法、装置、电子设备及存储介质
CN111861405A (zh) 用于生成互动做菜教程的方法和设备
CN110992103A (zh) 一种基于人脸交互的智能货柜商品促销方法
CN114021579B (zh) 对象预测方法、装置、电子设备及计算机可读存储介质
CN113886744B (zh) 内容渲染方法、装置、电子设备及存储介质
CN112541145A (zh) 一种页面展现方法、装置、设备及存储介质
CN111026956B (zh) 数据列表处理方法、装置、电子设备及计算机存储介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220712

Address after: Room 507, 788 Zhenbei Road, Putuo District, Shanghai, 200333

Patentee after: Lazas Network Technology (Shanghai) Co., Ltd.

Patentee after: ZHEJIANG KOUBEI NETWORK TECHNOLOGY Co.,Ltd.

Address before: 310012 block g, 11 / F, building a, Paradise Software Park, No.3 xidoumen Road, Xihu District, Hangzhou City, Zhejiang Province

Patentee before: ZHEJIANG KOUBEI NETWORK TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220208

Assignee: Mysee Technology (Dalian) Co.,Ltd.

Assignor: Lazas Network Technology (Shanghai) Co., Ltd.|ZHEJIANG KOUBEI NETWORK TECHNOLOGY Co.,Ltd.

Contract record no.: X2023980033079

Denomination of invention: Object prediction method, device, electronic device and computer-readable storage medium

Granted publication date: 20220419

License type: Common License

Record date: 20230228

Application publication date: 20220208

Assignee: SHENZHEN LIANDI INFORMATION ACCESSIBILITY Co.,Ltd.

Assignor: Lazas Network Technology (Shanghai) Co., Ltd.|ZHEJIANG KOUBEI NETWORK TECHNOLOGY Co.,Ltd.

Contract record no.: X2023980033057

Denomination of invention: Object prediction method, device, electronic device and computer-readable storage medium

Granted publication date: 20220419

License type: Common License

Record date: 20230228

Application publication date: 20220208

Assignee: CHEZHUBANG (BEIJING) TECHNOLOGY Co.,Ltd.

Assignor: Lazas Network Technology (Shanghai) Co., Ltd.|ZHEJIANG KOUBEI NETWORK TECHNOLOGY Co.,Ltd.

Contract record no.: X2023980032937

Denomination of invention: Object prediction method, device, electronic device and computer-readable storage medium

Granted publication date: 20220419

License type: Common License

Record date: 20230227

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220208

Assignee: May 8 home Co.,Ltd.

Assignor: Lazas Network Technology (Shanghai) Co., Ltd.|ZHEJIANG KOUBEI NETWORK TECHNOLOGY Co.,Ltd.

Contract record no.: X2023980033563

Denomination of invention: Object prediction method, device, electronic device, and computer-readable storage medium

Granted publication date: 20220419

License type: Common License

Record date: 20230315

EE01 Entry into force of recordation of patent licensing contract