CN115097740A - 设备控制方法、装置、系统及存储介质 - Google Patents
设备控制方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN115097740A CN115097740A CN202210694540.9A CN202210694540A CN115097740A CN 115097740 A CN115097740 A CN 115097740A CN 202210694540 A CN202210694540 A CN 202210694540A CN 115097740 A CN115097740 A CN 115097740A
- Authority
- CN
- China
- Prior art keywords
- target
- label
- category
- feature information
- semantic feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000000605 extraction Methods 0.000 claims abstract description 53
- 238000004590 computer program Methods 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010408 sweeping Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/65—Clustering; Classification
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Selective Calling Equipment (AREA)
Abstract
本公开提供了一种设备控制方法、装置、计算机系统、计算机可读存储介质和计算机程序产品,涉及人工智能技术领域和物联网技术领域。该方法包括:响应于接收到来自用户的控制信息,对控制信息进行语义特征提取,得到语义特征信息;利用不同标签类别各自对应的目标卷积核,分别提取语义特征信息中与标签类别相关联的信息,得到N个与标签类别对应的类别关联特征信息,其中,标签类别包括N个,N≥2;针对每个标签类别,根据语义特征信息和与标签类别对应的类别关联特征信息,从与标签类别对应的标签集合中确定目标标签;根据N个目标标签控制目标设备执行操作。
Description
技术领域
本公开涉及计人工智能技术领域和物联网技术领域,具体地,涉及一种设备控制方法、装置、计算机系统、计算机可读存储介质以及计算机程序产品。
背景技术
随着人工智能技术和物联网技术的快速发展,例如智能空调、智能加湿器等智能电子设备在人们的生活和工作等应用场景中发挥着重要作用。用户可以通过向电子设备的控制装置发送简单的控制指令,实现控制智能电子设备进行开启、关闭等工况调节,从而简化了用户控制电子设备的操作流程,提升用户的使用体验。
在实现本公开构思的过程中,发明人发现相关技术中至少存在以下技术问题:控制装置不能较为准确地识别用户控制指令中的信息内容,对于控制指令的执行准确率较低,导致用户体检较差。
发明内容
有鉴于此,本公开提供了一种设备控制方法、装置、计算机系统、计算机可读存储介质和计算机程序产品。
本公开的一个方面提供了一种设备控制方法,包括:
响应于接收到来自用户的控制信息,对上述控制信息进行语义特征提取,得到语义特征信息;
利用不同标签类别各自对应的目标卷积核,分别提取上述语义特征信息中与上述标签类别相关联的信息,得到N个与上述标签类别对应的类别关联特征信息,其中,上述标签类别包括N个,N≥2;
针对每个上述标签类别,根据上述语义特征信息和与上述标签类别对应的类别关联特征信息,从与上述标签类别对应的标签集合中确定目标标签;
根据N个上述目标标签控制目标设备执行操作。
根据本公开的实施例,针对每个上述标签类别,根据上述语义特征信息和与上述标签类别对应的类别关联特征信息,从与上述标签类别对应的标签集合中确定目标标签包括:
针对每个上述标签类别,将上述语义特征信息与上述标签类别对应的类别关联特征信息进行特征融合,得到与上述标签类别对应的目标语义特征信息;
将上述目标语义特征信息输入至目标识别模型,输出针对上述标签类别的目标识别结果,其中,上述目标识别模型与上述标签类别相对应,上述目标识别结果为与上述标签类别对应的标签集合中标签的目标识别概率值;
根据上述目标识别概率值,从与上述标签类别对应的标签集合中确定上述目标标签。
根据本公开的实施例,上述语义特征信息包括语义特征向量,上述类别关联特征信息包括类别关联特征向量;
针对每个上述标签类别,将上述语义特征信息与上述标签类别对应的类别关联特征信息进行特征融合,得到与上述标签类别对应的目标语义特征信息包括:
针对每个上述标签类别,将上述语义特征向量和与上述标签类别对应的类别关联特征向量进行点乘计算,得到与上述标签类别对应的目标语义特征信息。
根据本公开的实施例,上述标签类别包括意图标签类别与设备标签类别,上述目标标签包括目标意图标签与目标设备标签;
根据N个上述目标标签控制目标设备执行操作包括:
根据上述目标设备标签确定上述目标设备,其中,上述目标设备标签与上述目标设备的名称标识相匹配;
根据上述目标意图标签控制上述目标设备执行目标意图标签对应的操作。
根据本公开的实施例,响应于接收到来自用户的控制信息,对上述控制信息进行语义特征提取,得到语义特征信息包括:
响应于接收到来自用户的控制信息,将上述控制信息输入至语义特征提取层,得到上述语义特征信息;
其中,上述语义特征提取层包括以下至少一项:
BERT特征提取层、循环神经网络特征提取层、长短期记忆特征提取层。
根据本公开的实施例,上述目标设备包括智能家居设备;
上述控制信息包括以下至少一项:语音控制信息、文本控制信息。
本公开的另一个方面提供了一种设备控制装置,包括:
第一提取模块,用于响应于接收到来自用户的控制信息,对上述控制信息进行语义特征提取,得到语义特征信息;
第二提取模块,用于利用不同标签类别各自对应的目标卷积核,分别提取上述语义特征信息中与上述标签类别相关联的信息,得到N个与上述标签类别对应的类别关联特征信息,其中,上述标签类别包括N个,N≥2;
确定模块,用于针对每个上述标签类别,根据上述语义特征信息和与上述标签类别对应的类别关联特征信息,从与上述标签类别对应的标签集合中确定目标标签;
控制模块,用于根据N个上述目标标签控制目标设备执行操作。
本公开的另一个方面提供了一种计算机系统,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现本公开实施例上述的设备控制方法。
本公开的另一个方面提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现本公开实施例上述的设备控制方法。
本公开的另一个方面提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本公开实施例上述的设备控制方法。
根据本公开的实施例,用户的控制信息可以包括多个标签类别,因为利用不同标签类别各自对应的目标卷积核,分别提取语义特征信息中与标签类别相关联的信息,可以使得到N个类别关联特征能够反映出各自对应的标签类别的类别特征,至少部分地客服了语义特征信息与标签类别关联度低的技术问题。针对每个标签类别,根据语义特征信息和与标签类别对应的类别关联特征信息,从与标签类别对应的标签集合中确定目标标签,可以提升针对目标标签的识别准确率,进而根据识别得到的目标标签控制目标设备,进而提高对于目标设备执行操作控制的准确率,避免目标设备识别错误,以及避免目标设备操作执行错误,进而实现提升用户控制设备过程中的便利程度,提升用户的使用体验。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了可以应用本公开的设备控制方法和装置的示例性系统架构;
图2示意性示出了根据本公开实施例的设备控制方法的流程图;
图3示意性示出了根据本公开实施例的针对每个标签类别,根据语义特征信息和与标签类别对应的类别关联特征信息,从与标签类别对应的标签集合中确定目标标签的流程图;
图4示意性示出了根据本公开实施例的根据N个目标标签控制目标设备执行操作的流程图;
图5示意性示出了根据本公开实施例的设备控制方法的应用场景图;
图6示意性示出了根据本公开实施例的设备控制装置的框图;以及
图7示意性示出了根据本公开实施例的适于实现设备控制方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
随着科技的发展,智能电子设备在人们的生活与工作中逐渐普及,用户可以通过向智能电子设备的控制装置发送简单的控制信息,例如语音控制信息等,来实现控制智能电子设备进行开启、关闭等工况调节,从而简化了用户控制电子设备的操作流程,提升用户的使用体验。
智能电子设备的控制装置在接收到用户的控制信息后,可以对控制信息进行信息处理,来识别控制信息中用户的意图标签信息和设备标签信息,从而识别出用户需要控制的智能电子设备,以及识别出用户需要对该智能电子设备的进行操作的意图。
例如,用户的控制信息可以是语音信息“打开加湿器”,智能电子设备的控制装置对该语音控制信息进行自然语言处理,从而识别出意图标签为“开启”,设备标签为“加湿器”,进而可以根据识别出的意图标签和设备标签控制加湿器执行开启操作。
对该控制信息进行信息处理,识别出多个标签类别中分别对应的目标标签可以称为多标签分类任务。相关技术中,多标签分类任务的处理方法为提取控制信息中的语义特征,且多个标签分类任务均共用同一个语义特征,但该语义特征包含有控制信息的全局信息,并不能反映与标签类别相关联的局部信息,导致可能无法识别到控制信息中与标签类别相关联的有效信息,进而造成标签识别准确率较低,导致智能设备操作错误和/或智能设备识别错误等操作错误,给用户造成较大的困扰。
本公开的实施例提供了一种设备控制方法、装置、计算机系统、计算机可读存储介质和计算机程序产品。
该设备控制方法包括:响应于接收到来自用户的控制信息,对控制信息进行语义特征提取,得到语义特征信息;利用不同标签类别各自对应的目标卷积核,分别提取语义特征信息中与标签类别相关联的信息,得到N个与标签类别对应的类别关联特征信息,其中,标签类别包括N个,N≥2;针对每个标签类别,根据语义特征信息和与标签类别对应的类别关联特征信息,从与标签类别对应的标签集合中确定目标标签;根据N个目标标签控制目标设备执行操作。
根据本公开的实施例,用户的控制信息可以包括多个标签类别,利用不同标签类别各自对应的目标卷积核,分别提取语义特征信息中与标签类别相关联的信息,可以使得到N个类别关联特征能够反映出各自对应的标签类别的类别特征,针对每个标签类别,根据语义特征信息和与标签类别对应的类别关联特征信息,从与标签类别对应的标签集合中确定目标标签,可以提升针对目标标签的识别准确率,进而根据识别得到的目标标签控制目标设备,可以提高对于目标设备执行操作控制的准确率,避免目标设备识别错误,以及避免目标设备操作执行错误。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
图1示意性示出了根据本公开实施例的可以应用本公开的设备控制方法和装置的示例性系统架构100。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104、服务器105和智能设备106。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户120可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送控制信息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
智能设备106例如可以包括智能空调,例如终端设备101、102、103可以根据目标标签控制智能空调开启/关闭、制冷/制热,但不仅限于此,智能设备还可以包括智能加湿器、智能扫地机器人等。
本公开实施例所提供的设备控制方法一般可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的设备控制装置一般可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
相应地,本公开实施例所提供的设备控制方法也可以由服务器105执行。相应地,本公开实施例所提供的设备控制装置也可以设置于服务器105中。本公开实施例所提供的设备控制方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的设备控制装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
例如,用户120可以向终端设备101、102、或103中的任意一个(例如,终端设备101,但不限于此)发送控制信息(例如,语音控制信息)。然后,终端设备101可以在本地执行本公开实施例所提供的设备控制方法,或者将控制信息发送到其他终端设备、服务器、或服务器集群,并由接收该控制信息的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的设备控制方法。
应该理解,图1中的终端设备、网络、服务器和智能设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、服务器和智能设备。
图2示意性示出了根据本公开实施例的设备控制方法的流程图。
如图2所示,该设备控制方法可以包括操作S210~S240。
在操作S210,响应于接收到来自用户的控制信息,对控制信息进行语义特征提取,得到语义特征信息。
根据本公开的实施例,用户的控制信息可以包括语音信息、文本信息等,可以利用基于神经网络构建的模型提取控制信息中的语义特征,例如LSTM模型(长短期记忆网络模型)等,但不仅限于此,还可以包括基于句法分析模型对控制信息进行语义特征提取,本公开的实施例对提取语义特征的具体方法不做限定。
在操作S220,利用不同标签类别各自对应的目标卷积核,分别提取语义特征信息中与标签类别相关联的信息,得到N个与标签类别对应的类别关联特征信息,其中,标签类别包括N个,N≥2。
根据本公开的实施例,标签类别可以包括与所识别的目标标签所属的类别,例如目标标签为“加湿器”的情况下,标签类别可以是设备标签类别,该设备标签类别对应的标签集合可以包括有多个不同的设备标签。
根据本公开的实施例,语义特征信息可以包括矩阵或向量等信息类型,与标签类别对应的目标卷积核,可以按照预设步长在语义特征信息上滑动,从而提取语义特征信息中与该标签类别相关联的信息,得到与该标签类别相对应的类别关联特征信息。
需要说明的是,不同的标签类别各自对应的目标卷积核可以是相同类型的,例如目标卷积核均可以是1×5维向量,但各个目标卷积核中的元素并不相同。进一步地,不同的标签类别各自对应的目标卷积核也可以是不同类型的,例如与意图标签类型对应的目标卷积核可以是1×5维向量,与设备标签类型对应的目标卷积核可以是2×5维的矩阵,本领域技术人员可以根据实际需求对目标卷积核的具体信息类型进行设定。
应该理解的是,可以通过对样本控制信息设定与标签类别相对应的样本标签,利用样本控制信息和该样本标签训练该标签类别对应的初始卷积核,根据梯度下降算法反向调整初始卷积核中的卷积核元素,得到训练后的目标卷积核。但不仅限于此,还可以基于相关技术中的其他训练方法得到目标卷积核,本公开的实施例对具体的训练方法不做限定。
在操作S230,针对每个标签类别,根据语义特征信息和与标签类别对应的类别关联特征信息,从与标签类别对应的标签集合中确定目标标签。
根据本公开的实施例,将类别关联特征信息作为与该标签类别对应的注意力权重,该注意力权重可以反映与标签类别相关联的局部信息,基于注意力机制将与标签类别对应的注意力权重赋予赋予语义特征信息,使语义特征信息具有与标签类别相关联的局部信息,从而后续根据具有局部信息的语义特征信息进行目标标签识别的过程中可以提升在该标签类别对应的标签集合中,对于目标标签识别的准确率,避免识别错误。
在本公开的一个实施例中,目标卷积核可以是1×5维向量,语义特征信息可以是1×512维向量,在对语义特征信息进行语义特征提取之前,可以对语义特征信息进行补全(padding),目标卷积核的预设滑动步长为1,从而可以使得到的类别关联特征信息为1×512维向量。
在操作S240,根据N个目标标签控制目标设备执行操作。
根据本公开的实施例,目标标签可以包括用于控制目标设备执行操作的关键控制信号,也可以包括从多个设备中识别出目标设备的识别信号,但不仅限于此,还可以包括对于设备的地域位置进行预测的相关预测信号。通过N个目标标签控制目标设备执行操作,可以准确地识别出目标设备,并控制目标设备执行与控制信息相符合的操作。
根据本公开的实施例,用户的控制信息可以包括多个标签类别,因为利用不同标签类别各自对应的目标卷积核,分别提取语义特征信息中与标签类别相关联的信息,可以使得到N个类别关联特征能够反映出各自对应的标签类别的类别特征,至少部分地客服了语义特征信息与标签类别关联度低的技术问题。针对每个标签类别,根据语义特征信息和与标签类别对应的类别关联特征信息,从与标签类别对应的标签集合中确定目标标签,可以提升针对目标标签的识别准确率,进而根据识别得到的目标标签控制目标设备,进而提高对于目标设备执行操作控制的准确率,避免目标设备识别错误,以及避免目标设备操作执行错误。
根据本公开的实施例,目标设备可以包括智能家居设备。
控制信息包括以下至少一项:语音控制信息、文本控制信息。
根据本公开的实施例,智能家居设备可以包括能够根据目标标签抽成的控制信号执行操作的家居设备,例如智能空调、智能加湿器、智能扫地机器人等。
根据本公开的实施例,语音控制信息可以包括用户向智能电子设备的控制装置直接发送的语音信息,或者还可以包括用户通过手机等其他设备媒介间接向智能电子设备的控制装置直接发送的语音信息。相应地,文字控制信息可以包括用户用于控制职能电子设备的文本信息,例如用户通过智能手机向智能电子设备的控制装置发送的短信等文本信息。
根据本公开的实施例,操作S210,响应于接收到来自用户的控制信息,对控制信息进行语义特征提取,得到语义特征信息可以包括如下操作。
响应于接收到来自用户的控制信息,将控制信息输入至语义特征提取层,得到语义特征信息;其中,语义特征提取层包括以下至少一项:BERT特征提取层、循环神经网络特征提取层、长短期记忆特征提取层。
根据本公开的实施例,语义特征提取层可以充分学习控制信息中的上下文信息,使得到的语义特征信息可以反映控制信息中全部的语义特征。
应该理解的是,在控制信息输入至语义特征提取层之前,可以采用相关技术对控制信息进行编码,从而转换为控制信息的编码信息,本公开的实施例对具体的编码方式不做限定,本领域技术人员可以根据实际情况进行选择。
图3示意性示出了根据本公开实施例的针对每个标签类别,根据语义特征信息和与标签类别对应的类别关联特征信息,从与标签类别对应的标签集合中确定目标标签的流程图。
如图3所示,操作S230,针对每个标签类别,根据语义特征信息和与标签类别对应的类别关联特征信息,从与标签类别对应的标签集合中确定目标标签可以包括操作S310~操作S330。
在操作S310,针对每个标签类别,将语义特征信息与标签类别对应的类别关联特征信息进行特征融合,得到与标签类别对应的目标语义特征信息。
在操作S320,将目标语义特征信息输入至目标识别模型,输出针对标签类别的目标识别结果,其中,目标识别模型与标签类别相对应,目标识别结果为与标签类别对应的标签集合中标签的目标识别概率值。
在操作S330,根据目标识别概率值,从与标签类别对应的标签集合中确定目标标签。
根据本公开的实施例,将语义特征信息与标签类别对应的类别关联特征信息输入至基于神经网络构建的特征融合模型,来实现语义特征信息和类别关联特征信息的特征融合,得到目标语义特征信息,特征融合模型例如可以是基于注意力机制构建的模型。或者还可以是将语义特征信息与类别关联特征信息进行相关计算,得到目标语义特征信息。
根据本公开的实施例,目标识别模型可以包括基于神经网络构建得到的神经网络模型,例如多层感知器(MLP,Multilayer Perceptron)、卷积神经网络模型(CNN模型)、循环神经网络模型(RNN模型)等。
应该理解的是,针对每个标签类别,各自可以分别对应有包含多个标签的标签结合。因此针对其中一个标签类别的目标识别结果,可以是与该标签类别对应的标签集合中,针对每个标签的目标识别概率值,通过比较该标签集合中每个标签的目标识别概率值,可以将目标识别概率值最大的标签,确定为该标签类别的目标标签。
根据本公开的实施例,语义特征信息可以包括语义特征向量,类别关联特征信息可以包括类别关联特征向量。
根据本公开的实施例,操作S310,针对每个标签类别,将语义特征信息与标签类别对应的类别关联特征信息进行特征融合,得到与标签类别对应的目标语义特征信息可以包括如下操作。
针对每个标签类别,将语义特征向量和与标签类别对应的类别关联特征向量进行点乘计算,得到与标签类别对应的目标语义特征信息。
根据本公开的实施例,语义特征向量和与标签类别对应的类别关联特征向量为具有相同维度的向量信息,例如语义特征向量和类别关联特征向量均可以是1×512维向量信息。将语义特征向量和类别关联特征向量进行点乘计算,即通过将语义特征向量中的元素与类别关联特征向量中相同位置的元素相乘,得到与该标签类别对应的目标语义特征信息。
根据本公开的实施例,在语义特征信息和关联特征信息为1×n维向量信息的情况下,利用点乘算法计算语义特征向量和关联特征向量,来实现将关联特征向量所表征的针对该标签类别的权重赋予至语义特征向量,从而使目标语义特征信息具有与该标签类别对应的局部特征,进而可以提高后续识别目标标签的准确率。
进一步地,通过利用点乘算法计算语义特征向量和关联特征向量,得到目标语义特征信息,可以节省计算量,提高计算效率,从而适用于智能手机、智能音箱等算力较低的智能设备执行本公开的实施例提供的设备控制方法,同样地,还适用于智能电子设备中的相关装置执行本公开的实施例提供的设备控制方法,扩大了本公开的实施例中设备控制方法的适用范围。
根据本公开的实施例,标签类别包括意图标签类别与设备标签类别,目标标签包括目标意图标签与目标设备标签。
图4示意性示出了根据本公开实施例的根据N个目标标签控制目标设备执行操作的流程图。
如图4所示,操作S240,根据N个目标标签控制目标设备执行操作可以包括操作S410~操作S420。
在操作S410,根据目标设备标签确定目标设备,其中,目标设备标签与目标设备的名称标识相匹配。
在操作S420,根据目标意图标签控制目标设备执行目标意图标签对应的操作。
根据本公开的实施例,与意图标签类别对应的标签集合中可以包括多个不同的意图标签,例如可以包括“开启”、“关闭”、“升温”、“降温”“加湿”、“除湿”等。与设备标签类别对应的标签集合中可以包括多个不同的设备标签,例如可以包括“智能空调”、“智能加湿器”、“智能扫地机器人”等。
根据本公开的实施例,通过目标设备标签确定目标设备,可以避免相关技术中根据语义信息的整体进行识别,导致设备识别不准确地问题。进一步地,可以在确定目标设备后,根据目标意图标签所表征的意图信息,控制目标设备执行与目标意图标签相匹配、相对应的操作。
图5示意性示出了根据本公开实施例的设备控制方法的应用场景图。
如图5所示,用户发出的控制信息510例如可以是语音控制信息“开启加湿”。将控制信息510输入至语义特征提取层520,可以提取控制信息510中的语义特征,得到语义特征信息530。
在本实施例中,语义特征提取层520可以是基于BERT模型构建的BERT神经网络层,该BERT神经网络层输出的语义特征信息530可以是1×512维的语义特征向量。
在标签类别包括意图标签类别和设备标签类别的情况下,卷积注意力模型540与意图标签类别相对应,卷积注意力模型550与设备标签类别相对应,
将语义特征信息530输入至第一卷积层541中,利用第一卷积层541的目标卷积核提取语义特征信息530中与意图标签类别相关联的信息,得到与意图标签类别对应的类别关联特征信息542。通过将类别关联特征信息542和语义特征信息530进行点乘,可以得到与意图标签类别对应的目标语义特征信息543。
应该理解的是,在语义特征信息530是1×512维的语义特征向量的情况下,需要对该语义特征向量进行补全后,再输入至第一卷积层541。第一卷积层541输出的类别关联特征信息542和目标语义特征信息543均为1×512维向量。
将目标语义特征信息543输入至第一目标识别模型544,可以得到针对意图标签类别的目标识别结果545,根据目标识别结果545可以确定控制信息510中,与意图标签类别对应的目标意图标签可以是“开启”。
相应地,将语义特征信息530输入至第二卷积层551中,利用第二卷积层551的目标卷积核提取语义特征信息530中与设备标签类别相关联的信息,得到与设备标签类别对应的类别关联特征信息552。通过将类别关联特征信息552和语义特征信息530进行点乘,可以得到与设备标签类别对应的目标语义特征信息553。
应该理解的是,在语义特征信息530是1×512维的语义特征向量的情况下,需要对该语义特征向量进行补全后,再输入至第二卷积层551中。第二卷积层551输出的类别关联特征信息552和目标语义特征信息553均为1×512维向量。
将目标语义特征信息553输入至第二目标识别模型554,可以得到针对设备标签类别的目标识别结果555,根据目标识别结果555可以确定控制信息510中,与设备标签类别对应的目标设备标签可以是“加湿器”
在本实施例中,第一目标识别模型544、第二目标识别模型554可以是基于MLP模型构建的,第一目标识别模型544、第二目标识别模型554分别可以具有一个或多个隐藏层,本公开的实施例对第一目标识别模型544、第二目标识别模型554中隐藏层的数量均不做限定。
根据本公开的实施例,在确定目标意图标签为“开启”,且目标设备标签为“加湿器”的情况下,可以根据目标设备标签确定用户需要操作的智能设备为加湿器,即目标设备为加湿器。同时根据目标意图标签“开启”,可以控制加湿器执行目标意图标签“开启”对应的开启操作,进而实现开启加湿器,来实现用户开启加湿器的实际需求。
根据本公开的实施例,由于利用与标签类别对应的目标卷积核提取语义特征信息中与该标签类别关联的信息,并将得到的类别关联特征信息作为与该标签类别相关联的权重赋予至语义特征信息,使得到的目标语义特征信息输入至与标签类别对应的目标识别模型后,输出的目标识别结果可以准确地确定目标标签。
由于能够提供加湿功能的设备可以包括加湿器、空调等智能设备,采用相关技术中对于控制信息“开启加湿”进行整体识别,实现多标签分类任务时,并不能准确识别出用户需要操作的是加湿器,还是空调,从而可能导致与设备标签类别对应的目标标签识别错误,进而错误地执行了用户的控制信息。
根据本公开的实施例,由于用户通常在家庭环境中发出语音控制信息,因此在语音控制信息中经常会混入其他人的声音,例如用户在发出语音控制信息“打开加湿器”的同时,其他家庭成员可能在发出语音信息“谁呀!”。这将导致语音控制信息中混杂与控制信息的语义并不相关的噪音。
本公开的实施例提供的设备控制方法,由于利用与标签类别对应的目标卷积核提取语义特征信息中与该标签类别关联的信息,可以将与标签类别关联的信息作为权重赋予至语义特征信息中,从而至少部分解决相关技术中对于混杂噪音的语音控制信息识别准确率低,鲁棒性较差的问题,提升针对语音控制信息识别的准确性和提升识别模型整体的鲁棒性。
图6示意性示出了根据本公开实施例的设备控制装置的框图。
如图6所示,设备控制装置600可以包括第一提取模块601、第二提取模块602、确定模块603和控制模块604。
第一提取模块601用于响应于接收到来自用户的控制信息,对控制信息进行语义特征提取,得到语义特征信息。
第二提取模块602用于利用不同标签类别各自对应的目标卷积核,分别提取语义特征信息中与标签类别相关联的信息,得到N个与标签类别对应的类别关联特征信息,其中,标签类别包括N个,N≥2。
确定模块603确定模块,用于针对每个标签类别,根据语义特征信息和与标签类别对应的类别关联特征信息,从与标签类别对应的标签集合中确定目标标签。
控制模块604控制模块,用于根据N个目标标签控制目标设备执行操作。
根据本公开的实施例,确定模块可以包括:融合单元、识别单元和确定单元。
融合单元用于针对每个标签类别,将语义特征信息与标签类别对应的类别关联特征信息进行特征融合,得到与标签类别对应的目标语义特征信息。
识别单元用于将目标语义特征信息输入至目标识别模型,输出针对标签类别的目标识别结果,其中,目标识别模型与标签类别相对应,目标识别结果为与标签类别对应的标签集合中标签的目标识别概率值。
确定单元用于根据目标识别概率值,从与标签类别对应的标签集合中确定目标标签。
根据本公开的实施例,语义特征信息包括语义特征向量,类别关联特征信息包括类别关联特征向量。
融合单元可以包括计算子单元。
计算子单元用于针对每个标签类别,将语义特征向量和与标签类别对应的类别关联特征向量进行点乘计算,得到与标签类别对应的目标语义特征信息。
根据本公开的实施例,标签类别包括意图标签类别与设备标签类别,目标标签包括目标意图标签与目标设备标签。
控制模块包括:目标设备确定单元和控制单元。
目标设备确定单元用于根据目标设备标签确定目标设备,其中,目标设备标签与目标设备的名称标识相匹配。
控制单元用于根据目标意图标签控制目标设备执行目标意图标签对应的操作。
根据本公开的实施例,第一提取模块包括第一提取单元。
第一提取单元用于响应于接收到来自用户的控制信息,将控制信息输入至语义特征提取层,得到语义特征信息;
其中,语义特征提取层包括以下至少一项:
BERT特征提取层、循环神经网络特征提取层、长短期记忆特征提取层。
根据本公开的实施例,目标设备可以包括智能家居设备;控制信息可以包括以下至少一项:语音控制信息、文本控制信息。
需要说明的是,本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似,本公开在此不再赘述。
根据本公开的实施例的模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一提取模块601、第二提取模块602、确定模块603和控制模块604中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,第一提取模块601、第二提取模块602、确定模块603和控制模块604中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一提取模块601、第二提取模块602、确定模块603和控制模块604中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图7示意性示出了根据本公开实施例的适于实现设备控制方法的电子设备的框图。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,根据本公开实施例的电子设备700包括处理器701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中,存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备700还可以包括输入/输出(I/O)接口705,输入/输出(I/O)接口705也连接至总线704。系统700还可以包括连接至I/O接口705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分706;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707;包括硬盘等的存储部分708;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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,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710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708。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开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例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,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,上述模块、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,框图或流程图中的每个方框、以及框图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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种设备控制方法,包括:
响应于接收到来自用户的控制信息,对所述控制信息进行语义特征提取,得到语义特征信息;
利用不同标签类别各自对应的目标卷积核,分别提取所述语义特征信息中与所述标签类别相关联的信息,得到N个与所述标签类别对应的类别关联特征信息,其中,所述标签类别包括N个,N≥2;
针对每个所述标签类别,根据所述语义特征信息和与所述标签类别对应的类别关联特征信息,从与所述标签类别对应的标签集合中确定目标标签;
根据N个所述目标标签控制目标设备执行操作。
2.根据权利要求1所述的方法,其中,针对每个所述标签类别,根据所述语义特征信息和与所述标签类别对应的类别关联特征信息,从与所述标签类别对应的标签集合中确定目标标签包括:
针对每个所述标签类别,将所述语义特征信息与所述标签类别对应的类别关联特征信息进行特征融合,得到与所述标签类别对应的目标语义特征信息;
将所述目标语义特征信息输入至目标识别模型,输出针对所述标签类别的目标识别结果,其中,所述目标识别模型与所述标签类别相对应,所述目标识别结果为与所述标签类别对应的标签集合中标签的目标识别概率值;
根据所述目标识别概率值,从与所述标签类别对应的标签集合中确定所述目标标签。
3.根据权利要求2所述的方法,其中,所述语义特征信息包括语义特征向量,所述类别关联特征信息包括类别关联特征向量;
针对每个所述标签类别,将所述语义特征信息与所述标签类别对应的类别关联特征信息进行特征融合,得到与所述标签类别对应的目标语义特征信息包括:
针对每个所述标签类别,将所述语义特征向量和与所述标签类别对应的类别关联特征向量进行点乘计算,得到与所述标签类别对应的目标语义特征信息。
4.根据权利要求1所述的方法,其中,所述标签类别包括意图标签类别与设备标签类别,所述目标标签包括目标意图标签与目标设备标签;
根据N个所述目标标签控制目标设备执行操作包括:
根据所述目标设备标签确定所述目标设备,其中,所述目标设备标签与所述目标设备的名称标识相匹配;
根据所述目标意图标签控制所述目标设备执行目标意图标签对应的操作。
5.根据权利要求1所述的方法,其中,响应于接收到来自用户的控制信息,对所述控制信息进行语义特征提取,得到语义特征信息包括:
响应于接收到来自用户的控制信息,将所述控制信息输入至语义特征提取层,得到所述语义特征信息;
其中,所述语义特征提取层包括以下至少一项:
BERT特征提取层、循环神经网络特征提取层、长短期记忆特征提取层。
6.根据权利要求1~5中任一项所述的方法,其中,所述目标设备包括智能家居设备;
所述控制信息包括以下至少一项:语音控制信息、文本控制信息。
7.一种设备控制装置,包括:
第一提取模块,用于响应于接收到来自用户的控制信息,对所述控制信息进行语义特征提取,得到语义特征信息;
第二提取模块,用于利用不同标签类别各自对应的目标卷积核,分别提取所述语义特征信息中与所述标签类别相关联的信息,得到N个与所述标签类别对应的类别关联特征信息,其中,所述标签类别包括N个,N≥2;
确定模块,用于针对每个所述标签类别,根据所述语义特征信息和与所述标签类别对应的类别关联特征信息,从与所述标签类别对应的标签集合中确定目标标签;
控制模块,用于根据N个所述目标标签控制目标设备执行操作。
8.一种计算机系统,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至6中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694540.9A CN115097740A (zh) | 2022-06-17 | 2022-06-17 | 设备控制方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694540.9A CN115097740A (zh) | 2022-06-17 | 2022-06-17 | 设备控制方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115097740A true CN115097740A (zh) | 2022-09-23 |
Family
ID=83290661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210694540.9A Pending CN115097740A (zh) | 2022-06-17 | 2022-06-17 | 设备控制方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115097740A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117499457A (zh) * | 2023-12-29 | 2024-02-02 | 佛山市钒音科技有限公司 | 一种用于云端管理智能设备的方法及系统 |
-
2022
- 2022-06-17 CN CN202210694540.9A patent/CN115097740A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117499457A (zh) * | 2023-12-29 | 2024-02-02 | 佛山市钒音科技有限公司 | 一种用于云端管理智能设备的方法及系统 |
CN117499457B (zh) * | 2023-12-29 | 2024-04-19 | 佛山市钒音科技有限公司 | 一种用于云端管理智能设备的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180018562A1 (en) | Platform for providing task based on deep learning | |
CN108764304B (zh) | 场景识别方法、装置、存储介质及电子设备 | |
US20220188521A1 (en) | Artificial intelligence-based named entity recognition method and apparatus, and electronic device | |
US11729286B2 (en) | Feature-based network embedding | |
KR20190022440A (ko) | 데이터 소스 기반의 업무 커스터마이즈화 장치, 방법, 시스템 및 저장매체 | |
CN110268472B (zh) | 用于自动化对话系统的检测机构 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN116032663A (zh) | 基于边缘设备的隐私数据处理系统、方法、设备及介质 | |
CN111949859B (zh) | 用户画像更新方法、装置、计算机设备及存储介质 | |
CN111126422B (zh) | 行业模型的建立及行业的确定方法、装置、设备及介质 | |
CN115097740A (zh) | 设备控制方法、装置、系统及存储介质 | |
CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
CN112528040B (zh) | 基于知识图谱的引导教唆语料的检测方法及其相关设备 | |
WO2021174814A1 (zh) | 众包任务的答案验证方法、装置、计算机设备及存储介质 | |
CN111435411B (zh) | 命名体类型识别方法和装置以及电子设备 | |
CN116661936A (zh) | 页面数据的处理方法、装置、计算机设备及存储介质 | |
CN109754319B (zh) | 信用分值确定系统、方法、终端及服务器 | |
CN109583583B (zh) | 神经网络训练方法、装置、计算机设备及可读介质 | |
US20220358572A1 (en) | Device and method to provide data associated with shopping mall web page | |
CN107741867B (zh) | 应用程序管理方法、装置、存储介质及电子设备 | |
CN112861474B (zh) | 一种信息标注方法、装置、设备及计算机可读存储介质 | |
US11816432B2 (en) | Systems and methods for increasing accuracy in categorizing characters in text string | |
KR20230046030A (ko) | 미디어 파일로부터 추출한 키워드를 통한 미디어 메시지 검색 방법 및 시스템 | |
CN113761932A (zh) | 语义解析方法、装置、电子设备以及可读存储介质 | |
CN117056629A (zh) | 缓存配置方法、装置、计算机设备及存储介质 |
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 |