CN115269995A - 模型的训练方法、车辆服务确定方法、装置、介质及设备 - Google Patents

Abstract

本公开涉及一种模型的训练方法、车辆服务确定方法、装置、介质及设备，所述方法包括：获取车辆对应的车辆数据以及用户提供的历史操作数据；根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度；根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果，其中，所述服务结果包括开启目标服务和拒绝目标服务；将所述服务输入特征作为服务确定模型的输入，以所述服务输入特征对应的服务结果作为所述服务确定模型的目标输出，对所述服务确定模型进行训练，并将训练完成的服务确定模型确定为所述目标服务对应的服务确定模型。

Description

模型的训练方法、车辆服务确定方法、装置、介质及设备

技术领域

本公开涉及车辆，具体地，涉及一种模型的训练方法、车辆服务确定方法、装置、介质及设备。

背景技术

随着车辆智能化水平的逐渐提高，车辆中可以为用户推荐越来越多的便捷服务。目前车辆中座舱服务推荐主要依赖于专家规则，即通过收集车内相关的信号数据，基于经验规则进行匹配，以将座舱内服务(如空调调温、座椅控制、车窗控制等车控场景)推荐给车主。然而上述过程中，其推荐模式是基于经验和规则进行的固有判断，难以实现对用户的个性化推荐，更加难以适应复杂的场景。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种车辆服务确定模型的训练方法，所述方法包括：

获取车辆对应的车辆数据以及用户提供的历史操作数据；

根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度；

根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果，其中，所述服务结果包括开启目标服务和拒绝目标服务；

将所述服务输入特征作为服务确定模型的输入，以所述服务输入特征对应的服务结果作为所述服务确定模型的目标输出，对所述服务确定模型进行训练，并将训练完成的服务确定模型确定为所述目标服务对应的服务确定模型。

第二方面，本公开提供一种车辆服务确定方法，所述方法包括：

获取目标车辆对应的目标车辆数据和所述目标车辆对应的目标用户提供的历史操作数据；

根据目标服务对应的服务确定模型中的目标维度，从所述目标车辆数据和所述目标用户提供的历史操作数据中进行特征提取，获得所述目标车辆的当前服务特征，其中，所述目标服务的服务确定模型是基于第一方面所述的服务确定模型的训练方法获得的；

根据所述当前服务特征和所述服务确定模型，确定所述目标服务是否为所述目标车辆输出的推荐服务。

第三方面，本公开提供一种车辆服务确定模型的训练装置，所述装置包括：

第一获取模块，用于获取车辆对应的车辆数据以及用户提供的历史操作数据；

第一处理模块，用于根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度；

第一提取模块，用于根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果，其中，所述服务结果包括开启目标服务和拒绝目标服务；

训练模块，用于将所述服务输入特征作为服务确定模型的输入，以所述服务输入特征对应的服务结果作为所述服务确定模型的目标输出，对所述服务确定模型进行训练，并将训练完成的服务确定模型确定为所述目标服务对应的服务确定模型。

第四方面，本公开提供一种车辆服务确定装置，所述装置包括：

第二获取模块，用于获取目标车辆对应的目标车辆数据和所述目标车辆对应的目标用户提供的历史操作数据；

第二提取模块，用于根据目标服务对应的服务确定模型中的目标维度，从所述目标车辆数据和所述目标用户提供的历史操作数据中进行特征提取，获得所述目标车辆的当前服务特征，其中，所述目标服务的服务确定模型是基于第一方面所述的服务确定模型的训练方法获得的；

确定模块，用于根据所述当前服务特征和所述服务确定模型，确定所述目标服务是否为所述目标车辆输出的推荐服务。

第五方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一或第二方面所述方法的步骤。

第六方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一或第二方面所述方法的步骤。

通过上述技术方案，可以将用户对应的历史操作记录作为服务确定模型的输入以对服务确定模型进行训练构建，以使得基于训练完成的服务确定模型可以针对不同的用户进行个性化服务确定，为每个用户建立个人特征，从而提高车辆服务的个性化推荐，提高确定出的服务与当前用户的匹配度。并且，在该方案中，可以通过机器学习方法对车辆数据进行建模，充分利用车辆中车辆数据，可以预先对服务确定模型的输入特征维度进行选择，从而能够在一定程度上提高模型训练的效率和模型的准确度，从而提高基于训练后所得的服务确定模型的准确性，为用户进行车辆服务的有效推荐。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据本公开的一种实施方式提供的车辆服务确定模型的训练方法的流程图；

图2是根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度的示例性实现方式的流程图；

图3是根据本公开的一种实施方式提供的车辆服务确定模型的训练装置的框图；

图4示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

图1所示，为根据本公开的一种实施方式提供的车辆服务确定模型的训练方法的流程图，如图1所示，所述方法可以包括：

在步骤11中，获取车辆对应的车辆数据以及用户提供的历史操作数据。

其中，可以通过车辆上安装的各个传感器对车辆数据进行获取，示例地，车辆数据可以包括但不限于车内外温度、湿度、行驶时间、空气质量、车窗开关程度。历史操作数据可以是用户根据自身情况对车辆中的相关部件的操作信息，其可以在获得用户授权后由用户进行提供而获得。以目标服务为空调调温服务为例，进行说明，历史操作数据可以包括但不限于括用户操作空调、车窗、座椅等的记录，以便于确定与用户的操作习惯。

在步骤12中，根据车辆数据和历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度。

在步骤13中，根据目标维度，从车辆数据和历史操作数据中进行特征提取，获得服务训练样本中的服务输入特征和服务结果，其中，所述服务结果包括开启目标服务和拒绝目标服务。

其中，所述目标维度为确定出的与用户是否开启目标服务所相关的维度，则进一步地从获取到的数据中提取目标维度下的相关数据，可以提高基于此获得的服务训练样本中的数据与目标服务之间的匹配度。

在步骤14中，将服务输入特征作为服务确定模型的输入，以服务输入特征对应的服务结果作为服务确定模型的目标输出，对服务确定模型进行训练，并将训练完成的服务确定模型确定为目标服务对应的服务确定模型。

在该步骤中，可以将服务输入特征输入该服务确定模型，从而获得服务确定模型对应的预测结果，进一步地，可以基于该预测结果和服务结果确定服务确定模型的预测误差，从而基于该预测误差通过梯度下降法对服务确定模型中的参数进行调整，从而实现对服务确定模型的更新和训练。

示例地，可以在服务确定模型对应的损失小于损失阈值的情况下结束训练，或者也可以在服务确定模型的训练次数达到次数阈值的情况下结束训练，否则可以重复训练过程中，以进行多次训练。

由此，通过上述技术方案，可以将用户对应的历史操作记录作为服务确定模型的输入以对服务确定模型进行训练构建，以使得基于训练完成的服务确定模型可以针对不同的用户进行个性化服务确定，为每个用户建立个人特征，从而提高车辆服务的个性化推荐，提高确定出的服务与当前用户的匹配度。并且，在该方案中，可以通过机器学习方法对车辆数据进行建模，充分利用车辆中车辆数据，可以预先对服务确定模型的输入特征维度进行选择，从而能够在一定程度上提高模型训练的效率和模型的准确度，从而提高基于训练后所得的服务确定模型的准确性，为用户进行车辆服务的有效推荐。

在一种可能的实施例中，所述根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度的示例性实现方式如下，如图2所示，该步骤可以包括：

在步骤21中，确定车辆数据和历史操作数据所对应的各个服务输入维度。

作为示例，可以直接对车辆数据和历史操作数据进行维度分析，以获得车辆数据和历史操作数据中分别包含的各个维度。如按照车辆数据对应的传感器来源对车辆数据进行分析，确定其包含温度、湿度、空气质量、车窗开关程度。其中，训练阶段中车辆数据还可以包括用户对车辆中的服务的反馈操作等，如用户开启目标服务或用户拒绝目标服务等，同时还可以对车辆的行驶时间进行记录，从而将获得的各个维度作为车辆数据对应的服务输入维度。

针对历史操作数据，可以获得用户在历史时段内对车辆中的各个对象的操作记录，则可以进一步地将该操作记录作为该目标服务下历史操作数据对应的服务输入维度。示例地，历史时段可以根据实际应用场景进行设置，如可以是最近的7天内的操作记录。

例如，对历史操作数据进行分析，确定其包括对车辆中的空调、车窗、座椅等对象的操作记录，则可以将其确定为该目标服务下历史操作数据对应的服务输入维度。

作为另一示例，所述确定所述车辆数据和所述历史操作数据所对应的各个服务输入维度的示例性实现方式如下，该步骤可以包括：

确定所述车辆数据中与所述目标服务对应的各个车辆维度，作为所述车辆数据对应的所述服务输入维度。

示例地，目标服务对应的各个维度可以预先进行设置，则在获得车辆数据中，可以对车辆数据进行分析获得所述车辆数据对应的维度，其方式已在上文进行详述，在此不再赘述。进一步地，在确定出车辆数据对应的维度后，则可以将该车辆数据对应的维度中与目标服务预设的对个维度所匹配的维度确定为所述车辆数据对应的服务输入维度。

示例地，针对目标服务A，其预先设置的多个维度包括A1-A4，根据车辆数据确定的车辆数据对应的维度包括A1、A2、A3、B1，则该场景下可以将A1、A2、A3确定为车辆数据对应的服务输入维度，保证维度多样性的同时，提高该服务输入维度与目标服务之间的关联性，以提高训练样本的准确性。

根据所述历史操作数据，确定所述车辆中对所述目标服务对应的关联对象的操作维度，以及对所述目标服务进行操作的时间维度和频率维度，作为所述历史操作数据对应的所述服务输入维度。

其中，所述目标服务对应的关联对象可以是车辆中可操作的各个对象，也可以根据实际应用场景预先对目标服务对应的关联对象进行设置，本公开对此不进行限定。

如上文所述，可以对历史操作数据进行分析，确定出所述历史操作数据中对车辆中各个对象的操作记录，如目标服务为空调调温服务，则该目标服务对应的关联对象可以是如上文所述的空调、座椅、车窗等各个对象。该实施例中，在确定出对关联对象的操作记录后，可以将该关联对象的操作记录作为上述操作维度。其中，关联对象的操作维度可以在一定程度上反应用户的操作习惯，如用户操作座椅加热、空调加热可以认为该用户对温度较为敏感，用户操作车窗开启程度较大可以认为用户更加偏向自然风，由此，可以对车辆上的用户的操作习惯进行建模，保证训练样本中输入特征的准确性和全面性。

进一步地，可以基于历史操作数据，确定用户对所述目标服务进行操作的时间和频率，如可以以天为单位对用户操作目标服务开启的时间进行统计，并统计历史操作记录对应的时段内用户开启目标服务的频率，以对用户的操作习惯进行进一步分析，为后续训练服务确定模型提高有效的数据支持。

由此，通过上述技术方案，可以对车辆数据和历史操作数据对车辆中与用户开启目标服务相关的特征进行筛选，从而在保证服务确定模型的输入特征的维度多样性的同时，保证该输入特征的维度与目标服务之间的关联性，从而可以在一定程度上降低训练服务确定模型所需的数据量，同时提高服务确定模型的训练效率和准确度。

在步骤22中，对各个服务输入维度进行拼接，获得多个候选组合维度，其中，所述候选组合维度中包含至少两个服务输入维度。示例地，如上文所述确定出多个服务输入维度如温度、湿度、时间、频率、车窗操作、座椅操作维度等，则针对二维候选组合维度，可以分别选择其中的任意两个维度进行组合，获得候选组合维度，如时间-温度对应的候选组合维度，湿度-时间对应的候选组合维度，温度-车窗操作对应的组合维度等，以及包含更多维度的候选组合维度，如温度-湿度-时间，其他候选组合维度的确定方式类似，在此不再赘述。

在步骤23中，根据车辆数据和历史操作数据对候选组合维度下的特征进行提取，获得候选组合维度对应的组合维度特征。

其中，在确定出候选组合维度后，则可以进一步获得该候选组合维度对应的取值数据，以便根据该取值数据进行服务确定模型的训练。

在一种可能的实施例中，所述根据所述车辆数据和所述历史操作数据对所述候选组合维度下的特征进行提取，获得所述候选组合维度对应的组合维度特征的示例性实现方式如下，该步骤可以包括：

从所述车辆数据和所述历史操作数据中确定所述候选组合维度中的每一维度下的维度数据。

示例地，候选组合维度为时间和温度对应的组合维度，则可以基于车辆数据获得温度维度下的维度数据，基于历史操作数据确定时间维度下的维度数据。

之后，针对每一所述候选组合维度，对所述候选组合维度的每一维度下的目标维度数据进行拼接，获得所述候选组合维度对应的所述组合维度特征；

其中，若所述维度下的维度数据为数值型数据，则所述维度下的目标维度数据为对所述维度下的维度数据进行分桶处理后获得的所述维度下的离散维度数据；若所述维度下的维度数据为非数值型数据，则所述维度下的目标维度数据为所述维度下的所述维度数据。

如上述示例，时间维度下的维度数据为数值型数据，则可以对该维度下的数据预先进行分桶处理，如可以将时间维度下的维度数据按照预设的时间段进行分桶处理，如可以将时间划分成上午(如7:00-12:00)、下午(如12:00-18:00)、晚上(如18:00-23:00)、夜间(如23:00-7:00)等四个时间段，以将时间维度下的数据进行分桶处理，获得其对应的离散维度数据，即将时间维度下的数值型数据转换至上午、下午、晚上、夜间等取值的离散维度数据，即时间维度下的目标维度数据。

同样地，针对温度维度下的维度数据，可以根据温度范围进行分桶处理，如高于温度范围上限的温度数据对应的离散维度数据为高温，低于温度范围下限的温度数据对应的离散维度数据为低温，温度范围内的温度数据对应的离散维度为舒适温度，则可以将温度维度下的维度数据转换至高温、舒适温度、低温等取值的离散维度数据。

其中，不同的数值型数据的分桶处理可以按照其实际对应的维度进行处理，本公开的对此不进行限定。针对非数值型数据，可以无需进行分桶处理，将其对应的维度数据作为该目标维度数据。如关联对象的操作维度，如车窗的操作维度，其对应的维度数据可以是开启和关闭，则可以直接将其作为目标维度数据。

在该实施例中，针对每一所述候选组合维度，对所述候选组合维度的每一维度下的目标维度数据进行拼接，获得所述候选组合维度对应的所述组合维度特征。如候选组合维度包括时间维度和温度维度，则可以针对时间维度下的每一目标维度数据与温度维度下的每一目标维度数据进行拼接，获得的组合维度特征如下所示：上午-高温、下午-高温、晚上-高温、夜间-高温、上午-舒适温度、下午-舒适温度、晚上-舒适温度、夜间-舒适温度、上午-低温、下午-低温、晚上-低温、夜间-低温。

由此，通过上述技术方案，针对数值型数据进行分桶处理，可以对数值型数据进行离散化处理，从而可以使得在进行维度组合时，避免过多的组合维度特征导致的训练样本数据量过大的情况，同时能够通过离散化对用户习惯进行建模，便于获得用户操作习惯，以提高服务确定模型的预测准确度。

在步骤24中，根据组合维度特征和车辆数据，确定候选组合维度中的目标组合维度。

示例地，以空调调温为例，时间维度下，上午、下午、晚上和夜间对应的目标服务的启动可能性分别为45％、45％、5％、5％。温度维度下，高温、舒适温度、低温对应的下午对应的目标服务的启动可能性分别为45％、10％、45％。则在单一维度下，上午和下午开启目标服务的可能性相近，高温和低温开始目标服务的可能性相近，此时通过单一维度下的特征对目标服务进行推荐时，难以获得准确的结果。该实施例中，通过组合维度特征以对候选组合维度进行筛选。

示例地，所述根据所述组合维度特征和所述历史操作数据，确定所述候选组合维度中的目标组合维度的步骤可以包括：

根据所述历史操作数据，确定所述候选组合维度下的各个所述组合维度特征对应的服务结果。

示例地，可以基于历史操作数据中对目标服务的操作确定各个组合维度特征对应的服务结果，为便于描述，可以进行如下简化，时间维度下包括上午和下午，温度维度下包括高温和低温，则组合维度特征包括上午-高温、上午-低温、下午-高温和下午-低温。则该实施例中，可以基于历史操作数据，上午-高温、上午-低温、下午-高温和下午-低温等特征下的服务结果，即目标服务的操作可能性。如，上午-高温、上午-低温、下午-高温和下午-低温等特征下的目标服务开启的可能性分别为75％、15％、75％、5％。

若所述候选组合维度下存在两个组合维度特征对应的服务结果指示的确认服务的比例的差值超过预设阈值，则将该候选组合维度确定为所述目标组合维度。

示例地，该预设阈值可以根据实际应用场景进行设置，如设置为30％，如上文所示，在候选组合维度下、上午-高温和上午-低温对应的服务结果指示的确认服务的比例的差值为60％，超过预设阈值30％，则表示在该候选组合维度下不同的取值对目标服务的服务结果的影响区别较大，即对于目标服务而言，该候选组合维度为对其具有显著影响的维度，此时可以将该候选组合维度确定为该目标组合维度。

由此，可以基于单一的维度进行组合，并确定出各个组合维度中对目标服务的确定具有影响的组合维度，提高训练样本中的特征挖掘深度，进一步提高服务确定模型中的输入特征的多样性和全面性，为进行服务确定模型的训练提高有效的数据支持。

在步骤25中，将各个服务输入维度和目标组合维度确定为目标维度。

由此，在确定出的服务训练样本对应的目标维度中，既可以包含由车辆数据和历史操作数据确定出的多个维度，同时也可以进行挖掘该多个维度中的组合维度对目标服务的影响，从而保证该目标维度与确定目标服务之间的特征匹配程度，提高服务确定模型的训练效率和准确度。

在一种可能的实施例中，在所述根据所述车辆数据和所述历史操作数据进行特征维度抽取的步骤之前，所述方法还可以包括：

对所述车辆数据和所述历史操作数据进行数据预处理，以获得处理后的处理车辆数据和处理历史操作数据，其中，所述数据预处理包括数据格式检查、默认值填充、数值数据分桶处理中的至少一者；

所述根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度，包括：

根据所述处理车辆数据和所述处理历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度。

示例地，为了保证数据处理统一，对获取到的车辆数据和历史操作数据进行数据预处理，如数据格式检查可以用于检查获取的数据格式是否合法，如针对温度、湿度等数据确定其获取到的数据是否为数值型数据。又例如针对行驶过程中的车窗操作数据，如未检测到对应的操作数据，则可以对其进行默认填充，默认填充值可以关闭，从而保证后续获得的各个服务训练样本中的输入数据的统一标注。又例如，可以针对数值型数据进行数值数据分桶处理，其中分桶处理的实现方式已在上文进行详述，在此不再赘述。

由此，通过上述技术方案，可以对获取到的数据进行预处理，从而将获取到的数据处理至同一标准下，以便于后续对数据的统一处理，提高服务训练样本的生成效率和服务训练样本的统一性，避免服务训练样本的形式误差对服务确定模型的训练效率的影响。

在一种可能的实施例中，所述根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果的示例性实现方式如下，该步骤可以包括：

若存在指示用户开启目标服务或者响应于目标服务的输出接收到用户的确认操作的第一车辆数据，则根据所述目标维度，从所述第一车辆数据和所述历史操作数据中抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述服务结果为开启目标服务，以获得正样本下的所述服务训练样本。

示例地，用户对目标服务的开启可以是该用户主动开启该目标服务，如在车辆的行驶过程中，用户感觉车辆内部温度过高，此时可以直接通过控制按钮控制车辆的空调开启制冷模式。此时根据用户的操作可以生成的第一车辆数据中可以指示用户主动开启目标服务。

则进一步地，可以从所述第一车辆数据(即该用户操作目标服务开启的时刻获取到的车辆数据)和历史操作数据中，提取各个目标维度下的维度参数作为服务训练样本的服务输入特征，并且基于用户操作确认此时用户开启空调，则可以将该服务训练样本的服务结果确定为开启目标服务，并将其作为正样本。

作为另一示例，用户对目标服务的开启可以是在车辆中的控制系统向用户推荐目标服务，之后用户确认开启该目标服务，如在车辆的行驶过程中，车辆根据待当前的车辆信息确定推荐该目标服务给用户，用户认为此时可以开启该推荐的目标服务，则可以通过语音回复或者显示界面中选择确认按钮等方式进行确认操作，以开启该目标服务，此时生成的第一车辆数据中也可以指示用户主动开启目标服务，则可以根据历史操作数据以及第一车辆数据生成服务训练样本，其服务结果为开启目标服务，并将其作为正样本。

其中，可以根据用户对目标服务的每一次操作对应的车辆数据和所述历史操作数据，生成一个服务训练样本。示例地，每一服务训练样本，可以根据目标维度从该服务训练样本对应的数据中提取目标维度中的每一维度对应的维度参数，如温度维度下的温度取值、湿度维度下的湿度取值等。

若存在指示响应于目标服务的输出接收到用户的拒绝操作，则根据所述目标维度的第二车辆数据，从所述第二车辆数据和所述历史操作数据抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述目标服务结果为拒绝目标服务，以获得负样本下的所述服务训练样本。

作为示例，如在车辆的行驶过程中，车辆根据待当前的车辆信息确定推荐该目标服务给用户，用户认为此时可以不需要开启该推荐的目标服务，则可以通过语音回复或者显示界面中选择拒绝按钮等方式进行拒绝操作，以拒绝开启该目标服务。此时生成的第二车辆数据中可以指示用户拒绝开启目标服务，则可以根据历史操作数据以及第二车辆数据生成服务训练样本，其对应的服务结果为拒绝目标服务，并将其作为负样本。

若所述车辆数据指示所述车辆的行驶过程中未开启所述目标服务，则从所述车辆数据和所述历史操作数据中抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述目标服务结果为拒绝目标服务，以获得负样本下的所述服务训练样本。

在该实施例中，若车辆行驶过程中未开启目标服务，则可以认为该行驶过程中的数据均可以作为该目标服务对应的负样本数据，即可以从车辆行驶过程中获取的车辆数据和历史操作数据中随机抽取N条记录，针对每一条记录从中抽取所述目标维度下的维度参数，并将服务结果确定为拒绝目标服务，并将其作为负样本。

由此，通过上述技术方案，可以根据用户主动开启目标服务的操作，以及用户响应于推荐的目标服务的确认操作，生成服务确定模型的正样本，并根据用户响应于推荐的目标服务的拒绝操作，以及为开启目标服务的行驶过程中的数据生成服务确定模型的负样本，从而提高正样本和负样本与用户实际行驶过程的匹配度，从而提高服务确定模型的预测准确度。另外也可以在一定程度上提高服务确定模型的训练样本的多样性和生成效率。

本公开还提供一种车辆服务确定方法，其中，所述方法包括：

获取目标车辆对应的目标车辆数据和所述目标车辆对应目标用户提供的历史操作数据。其中，该目标用户提供的历史操作数据可以根据目标车辆中记载的用户的历史操做数据确定。如可以默认驾驶该车辆的用户为同一用户即该目标用户。该目标用户也可以是驾驶车辆之前登陆车辆管理系统的用户，即将该登录账号对应的用户作为目标用户，该用户可以通过登录账号而提供其对应的历史操作数据，即作为该目标用户提供的历史操作数据，从而对当前驾驶车辆的用户的操作习惯进行表征。

之后，根据目标服务对应的服务确定模型中的目标维度，从所述目标车辆数据和所述目标用户提供的历史操作数据中进行特征提取，获得所述目标车辆的当前服务特征，其中，所述目标服务的服务确定模型是基于上文所述的服务确定模型的训练方法获得的。其中，根据目标维度进行特征提取的方式已在上文进行详述，在此不再赘述。

根据所述当前服务特征和所述服务确定模型，确定所述目标服务是否为所述目标车辆输出的推荐服务。

其中，可以将当前服务特征输入服务确定模型，以获得该服务确定模型获得的预测结果，若预测结果为开启目标服务，则可以确定该目标服务为目标车辆输出的推荐服务，即将该目标服务推荐给用户，若预测结果为拒绝目标服务，此时该目标服务则不作为车辆输出的推荐服务，即此时并不对该目标服务进行推荐。

由此，通过上述技术方案，可以根据目标车辆中当前的车辆数据和目标用户提供的历史操作数据，确定出为用户进行推荐的推荐服务。由此，可以针对不同用户的操作习惯进行个性化推荐，提高车辆服务确定的准确性和有效性，同时提高确定出的服务与当前驾驶用户的匹配度，提升用户使用体验。

本公开还提供一种车辆服务确定模型的训练装置，如图3所示，所述装置10包括：

第一获取模块100，用于获取车辆对应的车辆数据以及用户提供的历史操作数据；

第一处理模块200，用于根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度；

第一提取模块300，用于根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果，其中，所述服务结果包括开启目标服务和拒绝目标服务；

训练模块400，用于将所述服务输入特征作为服务确定模型的输入，以所述服务输入特征对应的服务结果作为所述服务确定模型的目标输出，对所述服务确定模型进行训练，并将训练完成的服务确定模型确定为所述目标服务对应的服务确定模型。

可选地，所述第一处理模块包括：

第一确定子模块，用于确定所述车辆数据和所述历史操作数据所对应的各个服务输入维度；

第一拼接子模块，用于对各个所述服务输入维度进行拼接，获得多个候选组合维度，其中，所述候选组合维度中包含至少两个服务输入维度；

提取子模块，用于根据所述车辆数据和所述历史操作数据对所述候选组合维度下的特征进行提取，获得所述候选组合维度对应的组合维度特征；

第二确定子模块，用于根据所述组合维度特征和所述车辆数据，确定所述候选组合维度中的目标组合维度；

第三确定子模块，用于将各个所述服务输入维度和所述目标组合维度确定为所述目标维度。

可选地，所述第一确定子模块包括：

第四确定子模块，用于确定所述车辆数据中与所述目标服务对应的各个车辆维度，作为所述车辆数据对应的所述服务输入维度；

第五确定子模块，用于根据所述历史操作数据，确定所述车辆中对所述目标服务对应的关联对象的操作维度，以及对所述目标服务进行操作的时间维度和频率维度，作为所述历史操作数据对应的所述服务输入维度。

可选地，所述提取子模块包括：

第六确定子模块，用于从所述车辆数据和所述历史操作数据中确定所述候选组合维度中的每一维度下的维度数据；

第二拼接子模块，用于针对每一所述候选组合维度，对所述候选组合维度的每一维度下的目标维度数据进行拼接，获得所述候选组合维度对应的所述组合维度特征；

其中，若所述维度下的维度数据为数值型数据，则所述维度下的目标维度数据为对所述维度下的维度数据进行分桶处理后获得的所述维度下的离散维度数据；若所述维度下的维度数据为非数值型数据，则所述维度下的目标维度数据为所述维度下的所述维度数据。

可选地，所述第二确定子模块包括：

第七确定子模块，用于根据所述车辆数据，确定所述候选组合维度下的各个所述组合维度特征对应的服务结果；

第八确定子模块，用于若所述候选组合维度下存在两个组合维度特征对应的服务结果指示的开启目标服务的比例的差值超过预设阈值，则将该候选组合维度确定为所述目标组合维度。

可选地，所述装置还包括：

第二处理模块，用于在所述第一处理模块根据所述车辆数据和所述历史操作数据进行特征维度抽取之前，对所述车辆数据和所述历史操作数据进行数据预处理，以获得处理后的处理车辆数据和处理历史操作数据，其中，所述数据预处理包括数据格式检查、默认值填充、数值数据分桶处理中的至少一者；

所述第一处理模块用于：

根据所述处理车辆数据和所述处理历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度。

可选地，所述第一提取模块包括：

第九确定子模块，用于若存在指示用户开启目标服务或者响应于目标服务的输出接收到用户的确认操作的第一车辆数据，则根据所述目标维度，从所述第一车辆数据和所述历史操作数据中抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述服务结果为开启目标服务，以获得正样本下的所述服务训练样本；

第十确定子模块，用于若存在指示响应于目标服务的输出接收到用户的拒绝操作，则根据所述目标维度的第二车辆数据，从所述第二车辆数据和所述历史操作数据抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述目标服务结果为拒绝目标服务，以获得负样本下的所述服务训练样本；

第十一确定子模块，用于若所述车辆数据指示所述车辆的行驶过程中未开启所述目标服务，则根据所述目标维度，从所述车辆数据和所述历史操作数据中抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述目标服务结果为拒绝目标服务，以获得负样本下的所述服务训练样本。

本公开还提供一种车辆服务确定装置，所述装置包括：

第二获取模块，用于获取目标车辆对应的目标车辆数据和所述目标车辆对应的目标用户提供的历史操作数据；

第二提取模块，用于根据目标服务对应的服务确定模型中的目标维度，从所述目标车辆数据和所述目标用户提供的历史操作数据中进行特征提取，获得所述目标车辆的当前服务特征，其中，所述目标服务的服务确定模型是上文任一所述的服务确定模型的训练方法获得的；

确定模块，用于根据所述当前服务特征和所述服务确定模型，确定所述目标服务是否为所述目标车辆输出的推荐服务。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4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4所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过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，其包括承载在非暂态计算机可读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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读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该电子设备执行时，使得该电子设备：获取车辆对应的车辆数据以及用户提供的历史操作数据；根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度；根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果，其中，所述服务结果包括开启目标服务和拒绝目标服务；将所述服务输入特征作为服务确定模型的输入，以所述服务输入特征对应的服务结果作为所述服务确定模型的目标输出，对所述服务确定模型进行训练，并将训练完成的服务确定模型确定为所述目标服务对应的服务确定模型。

或者，上述计算机可读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该电子设备执行时，使得该电子设备：获取目标车辆对应的目标车辆数据和所述目标车辆对应的目标用户提供的历史操作数据；根据目标服务对应的服务确定模型中的目标维度，从所述目标车辆数据和所述目标用户提供的历史操作数据中进行特征提取，获得所述目标车辆的当前服务特征，其中，所述目标服务的服务确定模型是基于上文任一所述的服务确定模型的训练方法获得的；根据所述当前服务特征和所述服务确定模型，确定所述目标服务是否为所述目标车辆输出的推荐服务。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

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，该模块、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。

描述于本公开实施例中所涉及到的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。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取车辆对应的车辆数据以及用户提供的历史操作数据的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种车辆服务确定模型的训练方法，其中，所述方法包括：

获取车辆对应的车辆数据以及用户提供的历史操作数据；

根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度；

根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果，其中，所述服务结果包括开启目标服务和拒绝目标服务；

将所述服务输入特征作为服务确定模型的输入，以所述服务输入特征对应的服务结果作为所述服务确定模型的目标输出，对所述服务确定模型进行训练，并将训练完成的服务确定模型确定为所述目标服务对应的服务确定模型。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，其中，所述根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度，包括：

确定所述车辆数据和所述历史操作数据所对应的各个服务输入维度；

对各个所述服务输入维度进行拼接，获得多个候选组合维度，其中，所述候选组合维度中包含至少两个服务输入维度；

根据所述车辆数据和所述历史操作数据对所述候选组合维度下的特征进行提取，获得所述候选组合维度对应的组合维度特征；

根据所述组合维度特征和所述车辆数据，确定所述候选组合维度中的目标组合维度；

将各个所述服务输入维度和所述目标组合维度确定为所述目标维度。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，其中，所述确定所述车辆数据和所述历史操作数据所对应的各个服务输入维度，包括：

确定所述车辆数据中与所述目标服务对应的各个车辆维度，作为所述车辆数据对应的所述服务输入维度；

根据所述历史操作数据，确定所述车辆中对所述目标服务对应的关联对象的操作维度，以及对所述目标服务进行操作的时间维度和频率维度，作为所述历史操作数据对应的所述服务输入维度。

根据本公开的一个或多个实施例，示例4提供了示例2的方法，其中，所述根据所述车辆数据和所述历史操作数据对所述候选组合维度下的特征进行提取，获得所述候选组合维度对应的组合维度特征，包括：

从所述车辆数据和所述历史操作数据中确定所述候选组合维度中的每一维度下的维度数据；

针对每一所述候选组合维度，对所述候选组合维度的每一维度下的目标维度数据进行拼接，获得所述候选组合维度对应的所述组合维度特征；

其中，若所述维度下的维度数据为数值型数据，则所述维度下的目标维度数据为对所述维度下的维度数据进行分桶处理后获得的所述维度下的离散维度数据；若所述维度下的维度数据为非数值型数据，则所述维度下的目标维度数据为所述维度下的所述维度数据。

根据本公开的一个或多个实施例，示例5提供了示例2的方法，其中，所述根据所述组合维度特征和所述车辆数据，确定所述候选组合维度中的目标组合维度，包括：

根据所述车辆数据，确定所述候选组合维度下的各个所述组合维度特征对应的服务结果；

若所述候选组合维度下存在两个组合维度特征对应的服务结果指示的开启目标服务的比例的差值超过预设阈值，则将该候选组合维度确定为所述目标组合维度。

根据本公开的一个或多个实施例，示例6提供了示例1的方法，其中，在所述根据所述车辆数据和所述历史操作数据进行特征维度抽取的步骤之前，所述方法还包括：

对所述车辆数据和所述历史操作数据进行数据预处理，以获得处理后的处理车辆数据和处理历史操作数据，其中，所述数据预处理包括数据格式检查、默认值填充、数值数据分桶处理中的至少一者；

所述根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度，包括：

根据所述处理车辆数据和所述处理历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度。

根据本公开的一个或多个实施例，示例7提供了示例1的方法，其中，所述根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果，包括：

若存在指示用户开启目标服务或者响应于目标服务的输出接收到用户的确认操作的第一车辆数据，则根据所述目标维度，从所述第一车辆数据和所述历史操作数据中抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述服务结果为开启目标服务，以获得正样本下的所述服务训练样本；

若存在指示响应于目标服务的输出接收到用户的拒绝操作，则根据所述目标维度的第二车辆数据，从所述第二车辆数据和所述历史操作数据抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述目标服务结果为拒绝目标服务，以获得负样本下的所述服务训练样本；

若所述车辆数据指示所述车辆的行驶过程中未开启所述目标服务，则根据所述目标维度，从所述车辆数据和所述历史操作数据中抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述目标服务结果为拒绝目标服务，以获得负样本下的所述服务训练样本。

根据本公开的一个或多个实施例，示例8提供了一种车辆服务确定方法，所述方法包括：

获取目标车辆对应的目标车辆数据和所述目标车辆对应的目标用户提供的历史操作数据；

根据目标服务对应的服务确定模型中的目标维度，从所述目标车辆数据和所述目标用户提供的历史操作数据中进行特征提取，获得所述目标车辆的当前服务特征，其中，所述目标服务的服务确定模型是基于示例1-7中任一所述的服务确定模型的训练方法获得的；

根据所述当前服务特征和所述服务确定模型，确定所述目标服务是否为所述目标车辆输出的推荐服务。

根据本公开的一个或多个实施例，示例9提供了一种车辆服务确定模型的训练装置，所述装置包括：

第一获取模块，用于获取车辆对应的车辆数据以及用户提供的历史操作数据；

第一处理模块，用于根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度；

第一提取模块，用于根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果，其中，所述服务结果包括开启目标服务和拒绝目标服务；

训练模块，用于将所述服务输入特征作为服务确定模型的输入，以所述服务输入特征对应的服务结果作为所述服务确定模型的目标输出，对所述服务确定模型进行训练，并将训练完成的服务确定模型确定为所述目标服务对应的服务确定模型。

根据本公开的一个或多个实施例，示例10提供了一种车辆服务确定装置，其中，所述装置包括：

第二获取模块，用于获取目标车辆对应的目标车辆数据和所述目标车辆对应的目标用户提供的历史操作数据；

第二提取模块，用于根据目标服务对应的服务确定模型中的目标维度，从所述目标车辆数据和所述目标用户提供的历史操作数据中进行特征提取，获得所述目标车辆的当前服务特征，其中，所述目标服务的服务确定模型是基于示例1-7中任一所述的服务确定模型的训练方法获得的；

确定模块，用于根据所述当前服务特征和所述服务确定模型，确定所述目标服务是否为所述目标车辆输出的推荐服务。

根据本公开的一个或多个实施例，示例11提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-8中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例12提供了一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-8中任一项所述方法的步骤。

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，本公开中所涉及的公开范围，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上述公开构思的情况下，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。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (12)

1.一种车辆服务确定模型的训练方法，其特征在于，所述方法包括：

获取车辆对应的车辆数据以及用户提供的历史操作数据；

根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度；

根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果，其中，所述服务结果包括开启目标服务和拒绝目标服务；

将所述服务输入特征作为服务确定模型的输入，以所述服务输入特征对应的服务结果作为所述服务确定模型的目标输出，对所述服务确定模型进行训练，并将训练完成的服务确定模型确定为所述目标服务对应的服务确定模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度，包括：

确定所述车辆数据和所述历史操作数据所对应的各个服务输入维度；

对各个所述服务输入维度进行拼接，获得多个候选组合维度，其中，所述候选组合维度中包含至少两个服务输入维度；

根据所述车辆数据和所述历史操作数据对所述候选组合维度下的特征进行提取，获得所述候选组合维度对应的组合维度特征；

根据所述组合维度特征和所述车辆数据，确定所述候选组合维度中的目标组合维度；

将各个所述服务输入维度和所述目标组合维度确定为所述目标维度。

3.根据权利要求2所述的方法，其特征在于，所述确定所述车辆数据和所述历史操作数据所对应的各个服务输入维度，包括：

确定所述车辆数据中与所述目标服务对应的各个车辆维度，作为所述车辆数据对应的所述服务输入维度；

根据所述历史操作数据，确定所述车辆中对所述目标服务对应的关联对象的操作维度，以及对所述目标服务进行操作的时间维度和频率维度，作为所述历史操作数据对应的所述服务输入维度。

4.根据权利要求2所述的方法，其特征在于，所述根据所述车辆数据和所述历史操作数据对所述候选组合维度下的特征进行提取，获得所述候选组合维度对应的组合维度特征，包括：

从所述车辆数据和所述历史操作数据中确定所述候选组合维度中的每一维度下的维度数据；

针对每一所述候选组合维度，对所述候选组合维度的每一维度下的目标维度数据进行拼接，获得所述候选组合维度对应的所述组合维度特征；

其中，若所述维度下的维度数据为数值型数据，则所述维度下的目标维度数据为对所述维度下的维度数据进行分桶处理后获得的所述维度下的离散维度数据；若所述维度下的维度数据为非数值型数据，则所述维度下的目标维度数据为所述维度下的所述维度数据。

5.根据权利要求2所述的方法，其特征在于，所述根据所述组合维度特征和所述车辆数据，确定所述候选组合维度中的目标组合维度，包括：

根据所述车辆数据，确定所述候选组合维度下的各个所述组合维度特征对应的服务结果；

若所述候选组合维度下存在两个组合维度特征对应的服务结果指示的开启目标服务的比例的差值超过预设阈值，则将该候选组合维度确定为所述目标组合维度。

6.根据权利要求1所述的方法，其特征在于，在所述根据所述车辆数据和所述历史操作数据进行特征维度抽取的步骤之前，所述方法还包括：

对所述车辆数据和所述历史操作数据进行数据预处理，以获得处理后的处理车辆数据和处理历史操作数据，其中，所述数据预处理包括数据格式检查、默认值填充、数值数据分桶处理中的至少一者；

所述根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度，包括：

根据所述处理车辆数据和所述处理历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度。

7.根据权利要求1所述的方法，其特征在于，所述根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果，包括：

若存在指示用户开启目标服务或者响应于目标服务的输出接收到用户的确认操作的第一车辆数据，则根据所述目标维度，从所述第一车辆数据和所述历史操作数据中抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述服务结果为开启目标服务，以获得正样本下的所述服务训练样本；

若存在指示响应于目标服务的输出接收到用户的拒绝操作，则根据所述目标维度的第二车辆数据，从所述第二车辆数据和所述历史操作数据抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述目标服务结果为拒绝目标服务，以获得负样本下的所述服务训练样本；

若所述车辆数据指示所述车辆的行驶过程中未开启所述目标服务，则根据所述目标维度，从所述车辆数据和所述历史操作数据中抽取所述目标维度下的维度参数，作为所述服务输入特征，并确定所述目标服务结果为拒绝目标服务，以获得负样本下的所述服务训练样本。

8.一种车辆服务确定方法，其特征在于，所述方法包括：

获取目标车辆对应的目标车辆数据和所述目标车辆对应的目标用户提供的历史操作数据；

根据目标服务对应的服务确定模型中的目标维度，从所述目标车辆数据和所述目标用户提供的历史操作数据中进行特征提取，获得所述目标车辆的当前服务特征，其中，所述目标服务的服务确定模型是基于权利要求1-7中任一所述的服务确定模型的训练方法获得的；

根据所述当前服务特征和所述服务确定模型，确定所述目标服务是否为所述目标车辆输出的推荐服务。

9.一种车辆服务确定模型的训练装置，其特征在于，所述装置包括：

第一获取模块，用于获取车辆对应的车辆数据以及用户提供的历史操作数据；

第一处理模块，用于根据所述车辆数据和所述历史操作数据进行特征维度抽取，获得服务训练样本的输入特征对应的目标维度；

第一提取模块，用于根据所述目标维度，从所述车辆数据和所述历史操作数据中进行特征提取，获得所述服务训练样本中的服务输入特征和服务结果，其中，所述服务结果包括开启目标服务和拒绝目标服务；

训练模块，用于将所述服务输入特征作为服务确定模型的输入，以所述服务输入特征对应的服务结果作为所述服务确定模型的目标输出，对所述服务确定模型进行训练，并将训练完成的服务确定模型确定为所述目标服务对应的服务确定模型。

10.一种车辆服务确定装置，其特征在于，所述装置包括：

第二获取模块，用于获取目标车辆对应的目标车辆数据和所述目标车辆对应的目标用户提供的历史操作数据；

第二提取模块，用于根据目标服务对应的服务确定模型中的目标维度，从所述目标车辆数据和所述目标用户提供的历史操作数据中进行特征提取，获得所述目标车辆的当前服务特征，其中，所述目标服务的服务确定模型是基于权利要求1-7中任一所述的服务确定模型的训练方法获得的；

确定模块，用于根据所述当前服务特征和所述服务确定模型，确定所述目标服务是否为所述目标车辆输出的推荐服务。

11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。

12.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-8中任一项所述方法的步骤。

Images