CN114021694A - 内容请求方法及装置、电子设备和存储介质 - Google Patents

内容请求方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114021694A
CN114021694A CN202111106649.8A CN202111106649A CN114021694A CN 114021694 A CN114021694 A CN 114021694A CN 202111106649 A CN202111106649 A CN 202111106649A CN 114021694 A CN114021694 A CN 114021694A
Authority
CN
China
Prior art keywords
terminal equipment
parameters
terminal device
content
state information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111106649.8A
Other languages
English (en)
Inventor
池源
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.)
Beijing Shareit Information Technology Co Ltd
Original Assignee
Beijing Shareit Information 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 Beijing Shareit Information Technology Co Ltd filed Critical Beijing Shareit Information Technology Co Ltd
Priority to CN202111106649.8A priority Critical patent/CN114021694A/zh
Publication of CN114021694A publication Critical patent/CN114021694A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/219—Managing data history or versioning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本公开实施例是关于一种内容请求方法及装置、电子设备和存储介质。所述内容请求方法，其特征在于，包括：确定终端设备的当前状态信息；将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，得到向内容服务器请求目标内用的建议参数；向所述内容服务器发送携带有所述建议参数的内容请求。

Description

内容请求方法及装置、电子设备和存储介质
技术领域
本公开涉及信息技术领域，尤其涉及一种内容请求方法及装置、电子设备和存储介质。
背景技术
手机、手环或者智能手表或者车载设备等作为用户使用频次很高的日常终端设备，常常会被用户工作、学习或娱乐。
而这种终端设备在用于用户工作、学习或娱乐时，会与网络侧发生信息交互。通常情况下，终端设备会向网络侧发送请求，网络侧基于该请求返回终端设备所请求的内容。但是一般情况下，终端设备发送的请求携带的参数可为默认参数或者随机参数。或者，网络侧的服务器根据自身确定的参数，向终端设备返回其请求的内容。
发明内容
本公开实施例提供一种内容请求方法及装置、电子设备和存储介质。
本公开实施例第一方面提供一种内容请求方法，包括：
确定终端设备的当前状态信息；
将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，得到向内容服务器请求目标内用的建议参数；
向所述内容服务器发送携带有所述建议参数的内容请求。
基于上述方案，所述将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，包括：
将所述当前状态信息及第n套备选参数输入到所述神经网络模型，得到预测状态信息；其中，所述预测状态信息指示：以所述第n备选参数请求目标内容时所述终端设备预备进入的状态；所述n为小于N的正整数；所述N为备选参数的总套数；一套所述备选参数包括至少一个请求参数；
当所述终端设备预备进入的状态满足预设条件时，将所述第n套备选参数作为所述建议参数。
基于上述方案，所述方法还包括：
基于所述终端设备预备进入的状态及所述第n套备选参数，计算质量评分值；
将质量评分值最大的所述终端预备进入的状态，确定为满足所述预设条件的终端预备进入的状态。
基于上述方案，所述当前状态信息包括以下至少之一：
所述终端设备的网络状态信息；
所述终端设备的剩余电量信息；
所述终端设备的位置信息；
所述终端设备请求所述目标内容时的时间信息；
所述终端设备当前输出所述目标内容的内容参数。
基于上述方案，所述网络状态信息指示以下至少之一：
所述终端设备当前连接网络的供应商；
所述终端设备当前连接的网络类型；
所述终端设备当前的网络信号强度；
所述终端设备当前的网络带宽。
基于上述方案，所述方法还包括：
确定所述终端设备是否存储有已完成至少一轮本地训练的所述神经网络模型的模型信息；
所述将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，得到向内容服务器请求目标内用的建议参数，包括：
当所述终端设备存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据所述模型信息运行所述神经网络模型；
将所述当前状态信息输入到所述终端设备本地运行的所述神经网络模型内，得到所述建议参数。
基于上述方案，所述方法还包括：
当所述终端设备未存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据默认策略及所述当前状态信息确定所述建议参数。
基于上述方案，所述根据默认策略及所述当前状态信息确定所述建议参数，包括：
当所述终端设备连接的网络类型为非流量敏感网络、所述终端设备的剩余电量大于电量阈值和/或所述终端设备连接的网络信号强度大于强度阈值时，确定第m套备选参数为所述建议参数，否则，确定第m+1套备选参数为所述建议参数；
其中，所述终端设备以所述第m套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
基于上述方案，所述备选参数还包括：第m+2套备选参数，其中，所述终端设备以所述第m+2套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
基于上述方案，所述方法还包括：
将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息，对应存储到历史数据库；
当所述历史数据库内的信息条数到预设条数时，以所述历史数据库内记录的历史数据为样本数据，对所述神经网络模型进行一轮本地训练。
基于上述方案，所述历史数据库包括：先进先出队列，其中，所述将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息，对应存储到历史数据库，包括：
当所述历史数据库的信息条数达到预设条数时，将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息存储到先进先出队列的队尾。
本公开实施例第二方面提供一种内容请求装置，包括：
第一确定模块，用于确定终端设备的当前状态信息；
参数模块，用于将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，得到向内容服务器请求目标内用的建议参数；
请求模块，用于向所述内容服务器发送携带有所述建议参数的内容请求。
基于上述方案，所述参数模块，具体用于将所述当前状态信息及第n套备选参数输入到所述神经网络模型，得到预测状态信息；其中，所述预测状态信息指示：以所述第n 备选参数请求目标内容时所述终端设备预备进入的状态；所述n为小于N的正整数；所述N 为备选参数的总套数；一套所述备选参数包括至少一个请求参数；当所述终端设备预备进入的状态满足预设条件时，将所述第n套备选参数作为所述建议参数。
基于上述方案，所述装置还包括：
计算模块，用于基于所述终端设备预备进入的状态及所述第n套备选参数，计算质量评分值；
确定模块，用于将质量评分值最大的所述终端预备进入的状态，确定为满足所述预设条件的终端预备进入的状态。
基于上述方案，所述当前状态信息包括以下至少之一：
所述终端设备的网络状态信息；
所述终端设备的剩余电量信息；
所述终端设备的位置信息；
所述终端设备请求所述目标内容时的时间信息；
所述终端设备当前输出所述目标内容的内容参数。
基于上述方案，所述网络状态信息指示以下至少之一：
所述终端设备当前连接网络的供应商；
所述终端设备当前连接的网络类型；
所述终端设备当前的网络信号强度；
所述终端设备当前的网络带宽。
基于上述方案，所述装置还包括：
第二确定模块，用于确定所述终端设备是否存储有已完成至少一轮本地训练的所述神经网络模型的模型信息；
所述参数模块，具体用于当所述终端设备存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据所述模型信息运行所述神经网络模型；将所述当前状态信息输入到所述终端设备本地运行的所述神经网络模型内，得到所述建议参数。
基于上述方案，所述参数模块，还具体用于当所述终端设备未存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据默认策略及所述当前状态信息确定所述建议参数。
基于上述方案，所述参数模块，具体用于当所述终端设备连接的网络类型为非流量敏感网络、所述终端设备的剩余电量大于电量阈值和/或所述终端设备连接的网络信号强度大于强度阈值时，确定第m套备选参数为所述建议参数，否则，确定第m+1套备选参数为所述建议参数；
其中，所述终端设备以所述第m套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
基于上述方案，所述备选参数还包括：第m+2套备选参数，其中，所述终端设备以所述第m+2套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
基于上述方案，所述装置还包括：
存储模块，用于将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息，对应存储到历史数据库；
训练模块，用于当所述历史数据库内的信息条数到预设条数时，以所述历史数据库内记录的历史数据为样本数据，对所述神经网络模型进行一轮本地训练。
基于上述方案，所述历史数据库包括：先进先出队列，其中，所述存储模块，具体用于当所述历史数据库的信息条数达到预设条数时，将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息存储到先进先出队列的队尾。
本公开实施例第三方面提供一种电子设备，包括：
用于存储处理器可执行指令的存储器；
处理器，与所述存储器连接；
其中，所述处理器被配置为执行第一方面任意技术方案提供的内容请求方法。
本公开实施例第四方面提供一种非临时性计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，该计算机可执行指令被处理器执行时前述第一方面任意技术方案提供的内容请求方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
终端设备本地会运行神经网络模型，如此，在终端设备需要发送内容请求之前，会根据终端设备的当前状态信息，基于神经网络模型的计算得到建议参数，将建议参数携带在内容请求中发送给服务器，进行目标内容的请求，从而得到适合终端设备当前状态的目标内容，以很好的平衡目标内容的输出质量和终端设备的整体使用感受。且该神经网络模型是运行在终端设备本地的，是终端设备本地的个性模型，而非运行在网络侧的通用模型，从而可以更好的根据不同终端设备的特点和特定时间的状态信息，给出适合当前状态的建议参数，具有精确性高及个性化程度高的特点。
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。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本公开实施例示出的一种内容请求方法的流程示意图。
图2是本公开实施例示出的一种内容请求方法的流程示意图。
图3是本公开实施例示出的一种内容请求方法的流程示意图。
图4是本公开实施例示出的一种内容请求方法的流程示意图。
图5是本公开实施例示出的一种内容请求方法的流程示意图。
图6是本公开实施例示出的一种内容请求方法的流程示意图。
图7是本公开实施例示出的一种神经网络模型的训练流程示意图。
图8是本公开实施例示出的一种内容请求方法的流程示意图。
图9是本公开实施例示出的一种内容请求装置的结构示意图。
图10是本公开实施例示出的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
如图1所示，本公开实施例提供一种内容请求方法，包括：
S110：确定终端设备的当前状态信息；
S120：将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，得到向内容服务器请求目标内用的建议参数；
S130：向所述内容服务器发送携带有所述建议参数的内容请求。
本公开实施例提供一种的内容请求方法，可应用于终端设备中，该终端设备包括但不限于运行有各种客户端的电子设备。
该电子设备包括但不限于：手机、平板电脑、可穿戴式设备或者车载设备等。
此处的当前状态信息可包括以下至少之一：
所述终端设备的当前网络状态信息；
所述终端设备的当前运行状态信息。
所述当前网络状态信息，指示所述终端设备所连接网络的当前状态；
所述当前运行状态信息，指示所述终端设备的当前运行状态。
所述终端设备所连接网络的当前状态，包括但不限于以下至少之一：
所述终端设备所连接网络的网络类型，例如，是连接蜂窝移动通信网络，还是WiFi网络还是连接有线网络。若是连接了蜂窝移动通信网络是5G网络还是4G网络；
所述终端设备所连接网络的网络信号强度；
所述终端设备所连接网络的个数。有时候，一个终端设备连接到蜂窝移动通信和/或 WiFi网络。
所述当前运行状态包括但不限于以下至少之一：
终端设备的当前负载率；
终端设备当前的剩余可用缓冲容量；
终端设备当前的空闲线程数。
在本公开实施例中，所述终端设备本地运行神经网络模块，这种神经网络模型是通过样本数据训练的深度学习模型。
终端设备本地运行的神经网络模型，以终端设备的当前状态信息为输入，经过神经网络模型的隐藏层中一系列的运算将在输出层有一个输出结果，该输出结果可以直接是建议参数或者确定建议参数的依据。
该建议参数可为终端设备向服务器请求目标内容的各种参数。
在一些实施例中，该建议参数包括但不限于各种可以确定目标内容的数据量的参数。
示例性地，所述建议参数包括但不限于以下至少之一：
若所述目标内容为视频，所述建议参数可包括：视频清晰度或者视频的图像分辨率；
若所述目标内容为图像，所述建议参数可为：图像的分辨率；若所述目标内容还可以为任意多媒体信息，所述建议参数还可为版本；不同版本的内容相同，但是数据量不同，示例性，目标内容为音频，不同音质的音频可能音频内容相同但是音质不同。
通过终端设备的本地运行的神经网络模型给出建议参数，不用服务器来给出建议参数，分担了服务器的负载率；与此同时，终端设备运行的神经网络模型可为是基于终端设备自身的历史状态信息和/或内容的历史请求状况训练的，从而可以与终端设备的自身相适配。
不同的终端设备具有不同的软硬件状况和/或网络状况等，若终端设备内本地运行神经网络模型，如此预测出的建议参数会是与终端设备相适配的个性化参数，从而可以提升目标内容的服务质量的同时，提升终端设备的服务质量，提升用户使用满意度。
在一些实施例中，所述将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，包括：
将所述当前状态信息及第n套备选参数输入到所述神经网络模型，得到预测状态信息；其中，所述预测状态信息指示：以所述第n备选参数请求目标内容时所述终端设备预备进入的状态；所述n为小于N的正整数；所述N为备选参数的总套数；一套所述备选参数包括至少一个请求参数；
当所述终端设备预备进入的状态满足预设条件时，将所述第n套备选参数作为所述建议参数。
以目标内容为视频为了进行举例说明；视频的备选参数可包括两套或三套。
例如，以视频的备选参数包括三套为例，则视频的视频清晰度包括：高清、标清和低清。针对同一个视频而言，低清视频的数据量小于标清视频的数据量；标清视频的数据量小于高清视频的数据量。
再例如，以视频的备选参数为四套为例，则视频的视频清晰度可包括：4K、高清、标清和低清。针对同一个视频而言，4K视频的数据量比高清视频的数据量。
若终端设备的当前网络状态不好，还依然请求高清或者4K视频，可能会导致终端设备的拥堵状况更加加剧，且视频的单帧数据也会很大，从而终端设备的视频播放也会出现卡顿等情况。
有鉴于此，终端设备本地运行的神经网络模型将预测出不会是的终端设备出现卡顿或者拥堵更加拥挤现象的建议参数。
将该建议参数携带在内容请求，发送给服务器，如此服务器将根据内容请求携带的建议参数，给终端设备返回目标内容，以提升终端的服务质量。
在本公开实施例中，神经网络模型会根据当前状态信息和各套备选参数为输入，分别预测出在当前状态信息指示的终端设备的状态下，以各套备选参数分别请求目标内容，终端设备的状态变化，从而预测出终端设备将要进入的状态。并进一步地，确定在各套备选参数下终端设备简要进入的状态，是否满足预设条件，如果满足预设条件，则可以将对应套备选参数作为建议参数，携带在内容请求中发送给服务器。
示例性地，所述终端设备预备进入的状态满足预设条件，包括：
若终端设备当前运行状态的一个或多衡量指标为在预设范围内，则神经网络模型预测的设备预备进入的状态的一个或多个衡量指标不恶化，则认为该设备预备进入的状态满足预设条件；
若终端设备当前运行状态的一个或多个衡量指标低于预设范围内，则圣经网络模型预测的设备预备进入的状态的一个或多个指标会进入到预设范围内，则可认为该设备进入的状态满足预设条件；
若终端设备当前运行状态的一个或多个衡量指标低于预设范围内，则圣经网络模型预测的设备预备进入的状态的一个或多个指标会优化比预设状态对应的指标更优越时，则可认为该设备进入的状态满足预设条件。
当然以上仅是对设备预备进入的状态的满足预设条件进行举例，具体实现时不局限于此处的举例。例如，所述设备将要进入的状态满足预设条件可包括：设备将要的状态的一个或多个指标达到预设条件限定的指标值。具体地，终端设备将要进入的状态，视频接收到的帧率达到播出所需的帧率，可认为达到所述预设条件。
在一些实施例中，所述方法还包括：
基于所述终端设备预备进入的状态及所述第n套备选参数，计算质量评分值；
将质量评分值最大的所述终端预备进入的状态，确定为满足所述预设条件的终端预备进入的状态。
在本公开实施例中，引入了质量评分值对终端设备以第n套备选参数请求目标内容后设备预备将要状态进行量化评估。
例如，该质量评分值与目标内容在终端设备的本地的服务质量正相关，该质量评分值与终端设备的当前运行状态的恶化负相关。如此，根据质量评分值，选择使得目标内容的输出质量和终端设备将要进入的状态之间的平衡，如此，既一定程度上保证目标内容的服务质量，也确保终端设备的使用感受。
在一些实施例中，所述当前状态信息包括以下至少之一：
所述终端设备的网络状态信息；
所述终端设备的剩余电量信息；
所述终端设备的位置信息；
所述终端设备请求所述目标内容时的时间信息；
所述终端设备当前输出所述目标内容的内容参数。
终端设备所连接网络的网络状态信息，会影响终端设备所连接网络的带宽、带宽的资费等问题。
终端设备的待机时长也是很重要的，以视频为例，若清晰度过高会导致视频刷新的耗电量过高，从而使得终端设备的待机时长缩短，若此时终端设备的剩余电量原本就不多了，则这种高清视频是不适用的，此时，可以根据终端设备的剩余电量信息确定出合适的建议参数。
所述剩余电量信息可包括：
若检测到所述终端设备未处于充电状态，所述剩余电量信息指示所述终端设备的实际剩余电量；
或者，
若检测到所述终端设备处于充电状态，所述剩余电量信息指示预设电量值。
所述预设值可为100％、95％、或者90％。
进一步地，若检测到所述终端设备处于有线充电状态，所述剩余电量信息指示第一电量值；若检测到所述终端设备处于无线充电状态，所述剩余电量信息指示第二电量值；所述第二电量值小于所述第一电量值。
不同位置的终端设备所连接的网络类型不同，例如，蜂窝移动通信是一种流量敏感网络，通常通过蜂窝移动通信产生的流量都是收费的，且收费的单价比收费WiFi的单价都高，则在这种情况下，即便蜂窝移动通信的信号强度很大，也可以优先考虑是否存在免费的WiFi网络或者低单价的WiFi网络。
根据终端设备的位置信息，可以确定终端设备是否位于公司或者家里等可以使用免费网络的为位置。
不同时间段，网络所需要传输的流量大小不同等。
且不同时间段，用户想要目标内容的输出质量也不同。
故在本公开实施例中还将考虑时间信息，作为终端设备的当前状态信息，以用于确定建议参数。
在一些情况下，终端设备在连续请求目标内容，示例性地，若终端设备正在播出高清视频，若视频突然之间变化为低清视频，用户在视觉上是会有很明显的感受的。即便视频从高清切换到低清之后，终端设备的视频播出不卡顿且终端设备的数据包收发不拥堵，但是这会使得用户视频观看感受差。故此时，还需要考虑到终端设备当前输出端额目标内容的内容参数，以综合确定出更好的建议参数。
终端设备当前的网络带宽，可为当前一段时间内统计出的平均带宽，也可以是根据网络侧分配的网络资源预测出的当前时刻及当前时刻以后的一段时间内的平均带宽或者最小带宽等。
不同的带宽在单位时间内传输的数据量是不同的。带宽越大，在单位时间内可传输的数据量越大。
在一些实施例中，如图2所示，所述方法还包括：
S100：确定所述终端设备是否存储有已完成至少一轮本地训练的所述神经网络模型的模型信息；
所述S120可包括：
当所述终端设备存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据所述模型信息运行所述神经网络模型；
将所述当前状态信息输入到所述终端设备本地运行的所述神经网络模型内，得到所述建议参数。
若终端设备刚刚投入使用或者新下载一个应用程序(客户端)，则终端设备内还没有收集足够的用于训练所述神经网络模型的样本数据。
所述神经网络模型的初始模型参数可以是由网络侧下发的。
在一个实施例中，该初始模型参数可为：基于大量用户设备提供的大量数据训练的，如此，网络侧下发的初始模型参数可为该神经网络初始的通用模型参数。此时，仅具有初始模型参数的神经网络模型，可以直接用于建议参数的提供。
在另一个实施例中，该初始模型参数可为：随机确定的参数值，此时该神经网络模型不可以直接用于建议参数的模型，至少需要完成一轮训练之后才可以。
若终端设备已经收集了对神经网络模型进行一轮训练的数据量，则开始对仅具有初始模型参数的神经网络模型进行模型训练。示例性地，在神经网络模型在完成至少一轮训练之后，神经网络模型的模型参数(例如，权重或者偏置值)会发生变化，且这种变化使得神经网络基于输入的当前状态信息给出合适的建议参数或者给出合适建议参数的依据参数。
在本公开实施例中，考虑到收集到的终端设备的隐私性，和在网络侧训练的网络侧负荷重的现象，该神经网络模型可以终端设备本地训练的模型。
神经网络模型的训练可以是在预设时间段进行的。该预设时间段包括但不限于以下至少之一：
所述终端设备不请求目标内容的任意时间段；
所述终端设备所在时区的午夜时段等；
所述终端设备的负载率低于预设值的时段内。
总之，所述神经网络模型的本地训练的时间段，为不干扰终端设备执行其他任务的时间段内。
所述神经网络模型的训练是在终端设备的后台执行的，对用户不可见。
在另一些实施例中，所述神经网络模型的训练可为网络侧执行的，例如，终端设备将神经网络模型当前的模型参数和训练数据提交到网络侧，网络侧完成训练之后，将更新后的模型参数下发到终端设备。如此，终端设备可以根据网络提供的更新后的模型参数，在本地运行神经网络模型。
即神经网络模型的模型参数更新后，终端设备会本地存储该模型参数，终端设备再次运行神经网络时会按照该模型参数进行。
在一些实施例中，如图3所示，所述方法还包括：
S121：当所述终端设备未存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据默认策略及所述当前状态信息确定所述建议参数。
所述默认策略可为：客户端安装或者更新升级时自动配置的，也可以是基于用户的输入操作配置的，也可以是根据终端设备请求目标内容的历史操作确定的。
总之，在本公开实施例中，若终端设备存储的神经网络模型还未经过一轮本地训练，则根据默认策略确定建议参数。
通过默认策略给出的建议参数，相对随机给出的建议参数也可以确保目标内容的输出质量和终端设备的使用感受的。
具体地，所述根据默认策略及所述当前状态信息确定所述建议参数，包括：
当所述终端设备连接的网络类型为非流量敏感网络、所述终端设备的剩余电量大于电量阈值和/或所述终端设备连接的网络信号强度大于强度阈值时，确定第m套备选参数为所述建议参数，否则，确定第m+1套备选参数为所述建议参数；
其中，所述终端设备以所述第m套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
在根据默认策略确定建议参数时，也会同时兼顾网络类型、剩余电量以及网络信号轻度等，确定出适合当前的建议参数。
例如，以视频和图像下载举例说明，第m套网络参数可为高清视频或高清图像下载，第m+1套网络参数可为标清或者低清视频或图像下载。
在一些实施例中，所述备选参数还包括：第m+2套备选参数，其中，所述终端设备以所述第m+2套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
所述内容质量可包括：清晰度或者图像分辨率等。
在还有一些实施例中，所述终端设备的工作模式可为多种，例如，所述终端设备的工作模式包括：第一模式和第二模式。
在所述第一模式，终端设备本地运行所述神经网络模型，依据神经网络模型给出建议参数。在第二模式下，终端设备本地不运行神经网络模型。例如，在第二模式下，终端设备可以依据默认策略给建议参数或者根据历史参数确定建议参数。
在一些实施例中，所述方法可包括：
确定所述终端设备是否位于预设区域内，若所述终端设备位于预设区域内，确定所述终端设备工作在第一模式下，所述预设区域可为网络状态不太稳定的区域。示例性地，该预设区域可为：东南亚得区域；
获取所述终端设备的配置信息，根据所述配置信息确定所述终端设备的工作模式，例如，在终端设备的设置页面可以接收用户输入，根据所述用户输入生成所述配置信息；
弹出工作模式选择提示，检测作用于所述选择提示的用户输入，并根据作用于选择提示的用户输入确定所述终端设备的工作模式。
在一些实施例中，所述历史数据库可为存储预设条数历史记录的数据库，在历史数据库的历史记录达到预设条数之后，终端设备对神经网络进行一次训练，在完成一轮训练之后，可以清空一次历史数据库。
在另一些实施例了中，所述历史数据库中存储的历史记录可以为采用先进先出的方式，在后形成的历史记录覆盖在前产生的历史记录。终端设备可以每个预设时长对所述神经网络进行一轮训练。
在还有一些实施例中，所述方法还包括：
统计神经网络预测的设备将要进入的状态的准确度，当所述准确度低于准确度阈值或者准确度下降幅度达到幅度阈值，则确定满足训练触发条件；
在满足训练触发条件时，根据历史数据库中存储的历史记录对所述神经网络进行一轮本地训练。
所述准确度可为作为是否满足训练触发条件的一种判断依据，但是具体实现时不局限于准确度。
例如，所述方法还包括：监控针对基于建议参数返回的目标内容的用户操作；若连续检测到N次用户操作指示改变建议参数对应的参数值，则可认为满足训练触发条件。
基于训练触发条件的满足来确定训练神经网络模型的时机，一方面可以确保神经网络模型可以给出精确度较高的输出结果，另一方面尽可能的减少不必要的训练，减少因为训练所产生的电量消耗。
在一些实施例中，所述历史数据库包括：先进先出队列，其中，所述将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息，对应存储到历史数据库，包括：
当所述历史数据库的信息条数达到预设条数时，将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息存储到先进先出队列的队尾。
对应的所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息，存储为一个历史记录。
若采用先进先出(First In First Out，FIFO)存储历史记录，不会发生历史数据库的溢出的问题。
所述预设条数可为任意条数，示例性地，所述预设条数可以为128条或者256条或者 512条。
在一些实施例中，所述满足预设训练触发条件还可包括：历史数据库中的历史记录的更新条数达到预设比例。该预设比例可为1/3、1/2、2/3或者1/4等取值。
针对网络条件复杂，网络连接情况不稳定，移动端设备性能不高的导致的移动端获取目标内容(图片或视频等)不及时的问题。该目标内容可为：限定了内容类型但是未限定具体内容的推荐内容或推送内容。
本公开实施例提供提出了一种使用DQN(Deep Q-Network)能耗优化模型，该模型考虑不同的移动端设备，不同的网络状态，当前设备的剩余电量以及用户的主动刷新频率，将这些探索得到的数据存储起来，然后利用经验回放技术随机采样样本更新模型参数，在移动端计算完成数据处理，从中计算得到最优策略，动态选择最佳的内容刷新方式，下载的图片格式，以及预览的视频格式。
方案的流程如下：
S11：服务端同一资源同时提供三种不同大小的资源。例如，图片同时有高清，标准，低清三种分辨率；视频同时有320p、480p以及720p三种码率。服务端可包括一个或多个服务器。服务端可以是由多个服务器组成的服务集群。
S12：移动端基于用户行动时采集环境值并训练DQN模型。
S13：每次用户采取行动时，基于训练的DQN模型，获得最佳的请求参数，获取指定分辨率的图片和指定码率的视频。此处最佳的请求参数即为前述建议参数。
本公开实施例提供的技术方案具有如下特点：
灵活性好，提出了自适应的内容刷新方案，考虑了网络状态，设备状态，设备电量，用户刷新频率。
用户体验性好。在当前网络状态和设备状态条件下，选择最优的网络，图片格式和视频格式，从而保证用户能获得当前最优观看视频和图片体验。
能耗低。在保证用户体验的情况下，降低设备的耗电和耗时问题。
占用内存低。使用DQN模型计算，可以降低内存需求。
服务端同一资源同时提供三种不同大小的资源。例如，图片同时有大，中，小三种分辨率；视频有三种码率，示例性地，视频同时有320p，480p，720p三种码率。
移动端当用户请求内容时采集环境值并训练自己的DQN模型。其中，
用户行动A分别可包括以下至少之一：
高清a1(High)，标清a2(Middle)，低清a3(Low)；
环境值S分别可包括以下至少之一：
s1：网络供应商(Network Service)，按供应商名字区分，其中WiFi单独按热点名称；
s2：网络类型(Network Type)，分为WIFI，5G，4G，3G或E；
s3：网络信号强度，分为1-5个强度；
s4：手机GPS信息，包含经纬度；
s5：手机剩余电量信息，按百分比记录；
s6：用户操作时间点，当前的绝对时间。
该环境信息为前述终端设备的状态信息的一种，但是具体实现时终端设备的状态信息不局限于环境信息。例如，终端设备自身的负载率等可能不包含在所述环境值S中。
本算法的奖励值R定义：
当用户设备在本次网络请求中耗时不超过300ms时，奖励值为1；否则，奖励值为0.
算法整体流程可如下：
首先初始化Memory D，它的容量为N；
初始化Q网络(此处的Q网络即为前述的神经网络模型)，随机生成权重w；
初始化target Q网络，权重为w-＝w；
初始化状态(initial state)S1；
训练每一个步骤step＝1,2,…,I：
用∈-greedy策略生成执行动作(action)ai：以∈概率选择一个随机的执行动作，或选择ai＝maxaQ(Si,a；w)；ai可为终端设备待执行的动作，对应了内容请求的请求参数。
执行动作ai，接奖励reward ri及新的状态(state)Si+1；。
此处的执行动作包括：点播或观看高清视频、点播或观看标清视频、点播或者观看低清视频。这个新的状态是指终端设备执行动作ai后的状态。
将转换(transition)样本(Si,ai,ri,Si+1)存入D中；D为历史数据库。
从D中随机抽取一个transitions(Sj,aj,rj,Sj+1)；
对于取出的样本数据计算目标(target)值，：r+γmaxa′Q(s′,a′,w)
使用随机梯度下降来更新网络权重w：
Figure RE-GDA0003458636490000161
每隔C步steps更新target Q网络w-＝w。
如此循环下去，直到训练出了一个好的DQN模型。
参考图5所示，观测值(State，S)即为前述终端设备的当前状态信息的一种，输入到神经网络模型，该神经网络模型如图5所示包括多个连接的网络层组成。网络岑高输出一个预测值，该预测值为Q(s，ai，w)，表明若执行动作后终端设备预备将要进入的状态的质量评分值。基于贪心算法等，可以确定出质量评分值最大的执行动作所对应参数为建议参数。每次用户列表更新，内容加载，列表加载更多时，利用采集的环境值S，基于训练的DQN模型，获取指定分辨率的图片和指定码率的视频。该列表可为数据库中存储历史记录的表。
此处的DQN模型为前述神经网络模型的一个具体举例。
图6所示为本公开实施例提供的一种内容请求方法，可包括：
请求内容；
DQN模型选择合适的码率或分辨率，请求视频或图片；
展示请求的图片或视频。
采集环境值，更新DQN模型。
在东南亚等海外国家地区中，中高端智能手机普及率最高的某些国家为49.2％，而有的国家收手机的普及率仅有40％，不仅如此，存在多运营商和基站制式不同的情况，移动端获取网络数据时经常会遇到网络状态不稳定，网速慢的情况，导致在移动端设备上展示的内容(文字、图片、视频等等)不能及时，完整，流畅的展示给用户，严重影响了用户的上网体验。与此同时，移动端上的内容推荐平台提供的内容质量越来越高，对网络的稳定性和设备性能提出了更高的要求，而在在有的地区基于4G、5G网络和高端移动设备研发的技术，并不能直接复用。
当前通用的适应多运营商复杂网络情况的解决方案，一种是在运营商基站中支持媒体带宽资源分配；一种是应用内主动调整网络接入或图像格式。这些方法有如下缺点：
难以要求不同的海外等某些地运营商实施在基站内置适配相应的媒体带宽资源分配。
只考虑了当前网络状态或者当前设备状态，没有考虑过历史情况下的最优选择。
考虑的网络和设备状态太多，实际在低端设备中很难达到处理性能要求。
本公开实施例提供一种使用DQL(Deep Q-Network)能耗优化模型，该模型考虑不同的移动端设备，不同的网络状态，当前设备的剩余电量以及用户的主动刷新频率，将这些探索得到的数据存储起来，然后利用经验回放技术随机采样样本更新模型参数，在移动端计算完成数据处理，从中计算得到最优策略，动态选择最佳的内容刷新方式，下载的图片格式，以及预览的视频格式。使用本地模型计算不仅能保证一人一种策略，还能在保证用户最优体验的前提下，减少网络请求时间，并且能降低移动端设备的能耗。
针对网络条件复杂，网络连接情况不稳定，移动端设备性能不高的导致的移动端获取推荐的内容(图片，视频等)不及时的问题。提出了一种使用DQN(Deep Q-Network) 能耗优化模型，该模型考虑不同的移动端设备，不同的网络状态，当前设备的剩余电量以及用户的主动刷新频率，将这些探索得到的数据存储起来，然后利用经验回放技术随机采样样本更新模型参数，在移动端计算完成数据处理，从中计算得到最优策略，动态选择最佳的内容刷新方式，下载的图片格式，以及预览的视频格式。
方案的流程包括如下至少之一：
服务端同一资源同时提供三种不同大小的资源。例如，图片同时有高清，标准，低清三种分辨率；视频同时有320p、480p以及720p三种码率。
移动端用户当请求内容(即浏览图片，播放视频)时，会采集设备端的环境值S，当用户操作次数未达到N(128次)之前，使用默认策略，并记录下此次操作是的环境，动作，以及下一次状态。数据会用来训练DQN神经网络模型。
当用户操作次数已满足时，移动端(即终端设备)会在后台训练模型。此处的用户操作即为前述的用户行动，一个从用户操作可对应于一次内容请求(或称网络请求)。
之后，每次用户采取行动时，会基于训练的DQN模型，获得最佳网络请求参数，获取指定分辨率的图片和指定码率的视频。
本公开实施例提供的方案，具有灵活性好，提出了自适应的内容刷新方案，考虑了网络状态、设备电量，以及用户刷新频率等状态信息。用户刷新频率也是前述设备状态信息的一种。
用户体验性好。在当前网络状态和设备状态条件下，选择最优的网络，图片格式和视频格式，从而保证用户能获得当前最优观看视频和图片体验。
能耗低。在保证用户体验的情况下，降低设备的耗电和耗时问题。
占用内存低，使用DQN模型计算，可以降低内存需求。
本公开实施例提供的内容请求方法可包括：
服务端同一资源同时提供三种不同大小的资源。例如，图片同时有大，中，小三种分辨率；视频同时有320p，480p，720p三种码率。
移动端用户当请求内容(即浏览图片，播放视频)时，会采集设备端的环境值S。
当用户操作次数未达到N(128次)之前，使用默认策略，并记录下此次操作是的环境，动作，以及下一次状态。会用来训练DQN神经网络模型。
默认策略是：当获取的环境信息是，WiFi网络，剩余电量>80％,网络信号强度>＝4时，默认选择A2图片标清和480p码率视频。其他情况，默认选择A3图片低清和320p码率视频。
下一状态的逻辑是，当图片加载时长<300ms或者300ms内视频缓存进度>6s时，提升状态升一级(例如：A3->A2)；
当图片加载时长>1000s或者1000s内视频未起播时，降低状态一级(例如：A2->A3)；其他情况时，保持不变。
当用户操作次数已满足时，移动端会在后台训练模型，其中，
用户行动A分别为包括以下之一：
高清a1(High)，标清a2(Middle)，低清a3(Low)；
3.2环境值S分别为以下至少之一：
s1：网络供应商(Network Service)：按供应商名字区分，其中WiFi单独按热点名称；
s2：网络类型(Network Type)：分为WIFI，5G，4G，3G，E；
s3：网络信号强度：分为1-5个强度；
s4：手机GPS信息：包含经纬度；
s5：手机剩余电量信息：按百分比记录；
s6：用户操作时间点：当前的绝对时间值(从0点到24点)；
确定奖励值R。R值用目标(Traget)Q网络是用神经网络模拟的矩阵，由于属性过多无法在移动端内存中维护，所以选择用神经网络来模拟，如下表示例：
Q表 低清A1 标清A2 高清A3
S1(s1，s2,…,s6) Q(1，1) Q(1，2) Q(1，3)
S2(s1，s2,…,s6) Q(2，1) Q(2，2) Q(2，3)
……
初始化矩阵W(所有都为0)，第一次随机并采用贪婪策略选择action，假如选择a2后选择到了状态S2，此时得到奖励1，则Q(1，2)＝1
参考图7所示，可包括：
首先初始化数据库D，它的容量为N(128)；
初始化Q网络，随机生成权重w；
初始化target Q网络，权重为w-＝w；
初始化(initial state)S1；
训练每一个步骤step＝1,2,…,I:
用奖励贪心(∈-greedy)∈-greedy策略生成action ai：以∈概率选择一个随机的action，或选择ai＝maxaQ(Si,a；w)；
执行action ai，接奖励(reward)ri及新的状态(state)Si+1；
将transition样本(Si,ai,ri,Si+1)存入D中；
从D中随机抽取一个transitions(Sj,aj,rj,Sj+1)；
对于取出的样本数据计算目标(target)值，：r+γmaxa′Q(s′,a′,w)
使用随机梯度下降来更新网络权重w：
Figure RE-GDA0003458636490000191
每隔C步steps更新target Q网络w-＝w。
如此循环下去，直到训练出了一个好的DQN模型。
从历史数据库(D)中取得历史记录供DQN模型学习，学习之后给出预测值和实际的Q值，计算损失值，基于损失值的方向传播的方式更新DQN模型的网络参数(例如，权重和/或偏置)等，从而实现DQN模型的本地训练。在这之后，每次终端设备采取行动时(加载图片或加载视频)，根据3.2中需要的环境值S，基于训练的DQN模型，展示指定分辨率的图片和播放指定码率的视频。
参考图8所示，本公开实施例提供的内容请求方法可包括：
展示图片或者播放视频；
采集环境值S；
确定是否存在DQN模型；
如果存在，基于DQN模型生成Q(S，ai，W)；
基于DQN模型生成的Q(S，ai，W)选择码率和分辨率；
如果不存在DQN模型，确定数据库D是否有N次值，N次值即为前述预定条数的历史记录；
若否，则基于默认策略生成Q(S，ai，,W)；
若是，训练DQN模型；
存Q(S，ai，W)到数据库D；
展示指定码率或者指定分辨率的视频。
如图9所示，本公开实施例提一种内容请求装置，包括：
第一确定模块110，用于确定终端设备的当前状态信息；
参数模块120，用于将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，得到向内容服务器请求目标内用的建议参数；
请求模块130，用于向所述内容服务器发送携带有所述建议参数的内容请求。
在一些实施例中，所述第一确定模块110、参数模块120及所述请求模块130均可为程序模块；所述程序模块被处理器执行之后，能够实现上述各个模块的功能。
在一些实施例中，第一确定模块110、参数模块120及请求模块130可为软硬结合模块；所述软硬结合模块包括但不限于：各种可编程阵列。所述可编程阵列包括但不限于现场可编程阵列和/或复杂可编程阵列。
在还有一些实施例中，第一确定模块110、参数模块120及请求模块130可为纯硬件模块；所述纯硬件模块包括但不限于：专用集成电路。
在一些实施例中，所述参数模块120，具体用于将所述当前状态信息及第n套备选参数输入到所述神经网络模型，得到预测状态信息；其中，所述预测状态信息指示：以所述第n备选参数请求目标内容时所述终端设备预备进入的状态；所述n为小于N的正整数；所述N为备选参数的总套数；一套所述备选参数包括至少一个请求参数；当所述终端设备预备进入的状态满足预设条件时，将所述第n套备选参数作为所述建议参数。
在一些实施例中，所述装置还包括：
计算模块，用于基于所述终端设备预备进入的状态及所述第n套备选参数，计算质量评分值；
确定模块，用于将质量评分值最大的所述终端预备进入的状态，确定为满足所述预设条件的终端预备进入的状态。
在一些实施例中，所述当前状态信息包括以下至少之一：
所述终端设备的网络状态信息；
所述终端设备的剩余电量信息；
所述终端设备的位置信息；
所述终端设备请求所述目标内容时的时间信息；
所述终端设备当前输出所述目标内容的内容参数。
在一些实施例中，所述网络状态信息指示以下至少之一：
所述终端设备当前连接网络的供应商；
所述终端设备当前连接的网络类型；
所述终端设备当前的网络信号强度；
所述终端设备当前的网络带宽。
在一些实施例中，所述装置还包括：
第二确定模块，用于确定所述终端设备是否存储有已完成至少一轮本地训练的所述神经网络模型的模型信息；
所述参数模块120，具体用于当所述终端设备存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据所述模型信息运行所述神经网络模型；将所述当前状态信息输入到所述终端设备本地运行的所述神经网络模型内，得到所述建议参数。
在一些实施例中，所述参数模块120，还具体用于当所述终端设备未存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据默认策略及所述当前状态信息确定所述建议参数。
在一些实施例中，所述参数模块120，具体用于当所述终端设备连接的网络类型为非流量敏感网络、所述终端设备的剩余电量大于电量阈值和/或所述终端设备连接的网络信号强度大于强度阈值时，确定第m套备选参数为所述建议参数，否则，确定第m+1套备选参数为所述建议参数；
其中，所述终端设备以所述第m套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
在一些实施例中，所述备选参数还包括：第m+2套备选参数，其中，所述终端设备以所述第m+2套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
在一些实施例中，所述装置还包括：
存储模块，用于将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息，对应存储到历史数据库；
训练模块，用于当所述历史数据库内的信息条数到预设条数时，以所述历史数据库内记录的历史数据为样本数据，对所述神经网络模型进行一轮本地训练。
在一些实施例中，所述历史数据库包括：先进先出队列，其中，所述存储模块，具体用于当所述历史数据库的信息条数达到预设条数时，将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息存储到先进先出队列的队尾。
本公开实施例提供一种电子设备，包括：
用于存储处理器可执行指令的存储器；
处理器，分别存储器连接；
其中，处理器被配置为通过执行存储在所述存储器上的计算机可执行指令，能够执行前述任意技术方案提供的内容请求方法。
该电子设备可为前述任意一种终端设备。
处理器可包括各种类型的存储介质，该存储介质为非临时性计算机存储介质，在移动终端掉电之后能够继续记忆存储其上的信息。
所述处理器可以通过总线等与存储器连接，用于读取存储器上存储的可执行程序，例如，如图1至图8任一所示的方法的至少其中之一。
图10是根据一示例性实施例示出的一种端子设备800的框图。例如，端子设备800可以是移动电话，移动电脑等。
参照图10，端子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制端子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在端子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为端子设备800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为端子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在端子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作状态，如拍摄状态或视频状态时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当端子设备800处于操作状态，如呼叫状态、记录状态和语音识别状态时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804 或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为端子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如组件为端子设备800的显示器和小键盘，传感器组件814还可以检测端子设备800或端子设备800一个组件的位置改变，用户与端子设备800接触的存在或不存在，端子设备 800方位或加速/减速和端子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于端子设备800和其他设备之间有线或无线方式的通信。端子设备800可以接入基于通信标准的无线网络，如Wi-Fi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA) 技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，端子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由端子设备800的处理器820执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本公开实施例提供一种非临时性计算机可读存储介质，当存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行前述任意实施例提供的内容请求方法，能够执行如如图1至图3任一所示方法的至少其中之一。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (24)

1.一种内容请求方法，其特征在于，包括：
确定终端设备的当前状态信息；
将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，得到向内容服务器请求目标内用的建议参数；
向所述内容服务器发送携带有所述建议参数的内容请求。
2.根据权利要求1所述的方法，其特征在于，所述将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，包括：
将所述当前状态信息及第n套备选参数输入到所述神经网络模型，得到预测状态信息；其中，所述预测状态信息指示：以所述第n备选参数请求目标内容时所述终端设备预备进入的状态；所述n为小于N的正整数；所述N为备选参数的总套数；一套所述备选参数包括至少一个请求参数；
当所述终端设备预备进入的状态满足预设条件时，将所述第n套备选参数作为所述建议参数。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述终端设备预备进入的状态及所述第n套备选参数，计算质量评分值；
将质量评分值最大的所述终端预备进入的状态，确定为满足所述预设条件的终端预备进入的状态。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述当前状态信息包括以下至少之一：
所述终端设备的网络状态信息；
所述终端设备的剩余电量信息；
所述终端设备的位置信息；
所述终端设备请求所述目标内容时的时间信息；
所述终端设备当前输出所述目标内容的内容参数。
5.根据权利要求4所述的方法，其特征在于，所述网络状态信息指示以下至少之一：
所述终端设备当前连接网络的供应商；
所述终端设备当前连接的网络类型；
所述终端设备当前的网络信号强度；
所述终端设备当前的网络带宽。
6.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
确定所述终端设备是否存储有已完成至少一轮本地训练的所述神经网络模型的模型信息；
所述将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，得到向内容服务器请求目标内用的建议参数，包括：
当所述终端设备存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据所述模型信息运行所述神经网络模型；
将所述当前状态信息输入到所述终端设备本地运行的所述神经网络模型内，得到所述建议参数。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
当所述终端设备未存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据默认策略及所述当前状态信息确定所述建议参数。
8.根据权利要求7所述的方法，其特征在于，所述根据默认策略及所述当前状态信息确定所述建议参数，包括：
当所述终端设备连接的网络类型为非流量敏感网络、所述终端设备的剩余电量大于电量阈值和/或所述终端设备连接的网络信号强度大于强度阈值时，确定第m套备选参数为所述建议参数，否则，确定第m+1套备选参数为所述建议参数；
其中，所述终端设备以所述第m套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
9.根据权利要求8所述的方法，其特征在于，所述备选参数还包括：第m+2套备选参数，其中，所述终端设备以所述第m+2套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
10.根据权利要求7所述的方法，其特征在于，所述方法还包括：
将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息，对应存储到历史数据库；
当所述历史数据库内的信息条数到预设条数时，以所述历史数据库内记录的历史数据为样本数据，对所述神经网络模型进行一轮本地训练。
11.根据权利要求10所述的方法，其特征在于，所述历史数据库包括：先进先出队列，其中，所述将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息，对应存储到历史数据库，包括：
当所述历史数据库的信息条数达到预设条数时，将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息存储到先进先出队列的队尾。
12.一种内容请求装置，其特征在于，包括：
第一确定模块，用于确定终端设备的当前状态信息；
参数模块，用于将所述当前状态信息输入到运行在所述终端设备内的神经网络模型，得到向内容服务器请求目标内用的建议参数；
请求模块，用于向所述内容服务器发送携带有所述建议参数的内容请求。
13.根据权利要求12所述的装置，其特征在于，所述参数模块，具体用于将所述当前状态信息及第n套备选参数输入到所述神经网络模型，得到预测状态信息；其中，所述预测状态信息指示：以所述第n备选参数请求目标内容时所述终端设备预备进入的状态；所述n为小于N的正整数；所述N为备选参数的总套数；一套所述备选参数包括至少一个请求参数；当所述终端设备预备进入的状态满足预设条件时，将所述第n套备选参数作为所述建议参数。
14.根据权利要求13所述的，其特征在于，所述装置还包括：
计算模块，用于基于所述终端设备预备进入的状态及所述第n套备选参数，计算质量评分值；
确定模块，用于将质量评分值最大的所述终端预备进入的状态，确定为满足所述预设条件的终端预备进入的状态。
15.根据权利要求12至14任一项所述的装置，其特征在于，所述当前状态信息包括以下至少之一：
所述终端设备的网络状态信息；
所述终端设备的剩余电量信息；
所述终端设备的位置信息；
所述终端设备请求所述目标内容时的时间信息；
所述终端设备当前输出所述目标内容的内容参数。
16.根据权利要求15所述的装置，其特征在于，所述网络状态信息指示以下至少之一：
所述终端设备当前连接网络的供应商；
所述终端设备当前连接的网络类型；
所述终端设备当前的网络信号强度；
所述终端设备当前的网络带宽。
17.根据权利要求12至14任一项所述的装置，其特征在于，所述装置还包括：
第二确定模块，用于确定所述终端设备是否存储有已完成至少一轮本地训练的所述神经网络模型的模型信息；
所述参数模块，具体用于当所述终端设备存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据所述模型信息运行所述神经网络模型；将所述当前状态信息输入到所述终端设备本地运行的所述神经网络模型内，得到所述建议参数。
18.根据权利要求17所述的装置，其特征在于，所述参数模块，还具体用于
当所述终端设备未存储有已完成至少一轮本地训练的所述神经网络模型的模型信息时，根据默认策略及所述当前状态信息确定所述建议参数。
19.根据权利要求18所述的装置，其特征在于，所述参数模块，具体用于当所述终端设备连接的网络类型为非流量敏感网络、所述终端设备的剩余电量大于电量阈值和/或所述终端设备连接的网络信号强度大于强度阈值时，确定第m套备选参数为所述建议参数，否则，确定第m+1套备选参数为所述建议参数；
其中，所述终端设备以所述第m套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
20.根据权利要求19所述的装置，其特征在于，所述备选参数还包括：第m+2套备选参数，其中，所述终端设备以所述第m+2套备选参数输出目标内容时的内容质量，高于所述终端设备以第m+1套备选参数输出所述目标内容时的内容质量。
21.根据权利要求19所述的装置，其特征在于，所述装置还包括：
存储模块，用于将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息，对应存储到历史数据库；
训练模块，用于当所述历史数据库内的信息条数到预设条数时，以所述历史数据库内记录的历史数据为样本数据，对所述神经网络模型进行一轮本地训练。
22.根据权利要求21所述的装置，其特征在于，所述历史数据库包括：先进先出队列，其中，所述存储模块，具体用于当所述历史数据库的信息条数达到预设条数时，将所述目标内容请求前的所述终端设备的状态信息、所述目标内容的请求参数以及所述终端设备请求到所述目标内容后的状态信息存储到先进先出队列的队尾。
23.一种电子设备，其特征在于，包括：
用于存储处理器可执行指令的存储器；
处理器，与所述存储器连接；
其中，所述处理器被配置为执行如权利要求1至11中任一项提供内容请求方法。
24.一种非临时性计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至11中任一项提供的内容请求方法。
CN202111106649.8A 2021-09-22 2021-09-22 内容请求方法及装置、电子设备和存储介质 Pending CN114021694A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111106649.8A CN114021694A (zh) 2021-09-22 2021-09-22 内容请求方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111106649.8A CN114021694A (zh) 2021-09-22 2021-09-22 内容请求方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114021694A true CN114021694A (zh) 2022-02-08

Family

ID=80054524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111106649.8A Pending CN114021694A (zh) 2021-09-22 2021-09-22 内容请求方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114021694A (zh)

Similar Documents

Publication Publication Date Title
CN110633151B (zh) 分布式发布消息集群分区平衡的方法、装置及存储介质
CN109445811B (zh) 灰度发布方法、装置、计算机设备及计算机存储介质
CN111651263B (zh) 移动终端的资源处理方法、装置、计算机设备及存储介质
US20220159323A1 (en) Method for pre-loading content data, and electronic device
US20180342029A1 (en) Method, apparatus terminal device, and computer readable storage medium for invoking a virtual public transport card
KR20210089739A (ko) 착신 호출이 있는 경우에 전자 디바이스 상에 비디오를 제시하기 위한 방법 및 전자 디바이스
US20220342706A1 (en) Method for data processing and apparatus, and electronic device
CN106506817A (zh) 流量监测方法、装置及终端设备
CN108834157A (zh) 网络带宽分配方法、移动终端及计算机可读存储介质
US20220286740A1 (en) Method and apparatus for video playing
CN107908675B (zh) 一种数据展示方法、终端及计算机可读存储介质
US11388459B2 (en) Method and apparatus for determining bandwidth, and electronic device and storage medium
CN105517078A (zh) 网络连接的切换方法及装置
CN114518959A (zh) 基于分布式的节点资源负载均衡方法、装置及电子设备
CN106021130A (zh) 内存处理方法及装置
CN105959928A (zh) 流量控制方法和装置
CN109213560A (zh) 一种资讯页面展示的方法及设备
CN110177379B (zh) 基站接入方法及系统
CN109918348B (zh) 应用浏览记录的清理方法、终端及计算机可读存储介质
CN114172964B (zh) 内容分发网络的调度方法、装置、通信设备及存储介质
CN114021694A (zh) 内容请求方法及装置、电子设备和存储介质
CN115842937A (zh) 视频播放方法、装置、设备及存储介质
CN109062688A (zh) 一种内存分配方法、服务器及移动终端
CN110677470B (zh) 服务信息推送方法、装置及计算机可读存储介质
CN113709228A (zh) 信息推送方法及装置、电子设备和存储介质

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