CN115905688B - 一种基于人工智能和智能家居的参考信息生成方法 - Google Patents
一种基于人工智能和智能家居的参考信息生成方法 Download PDFInfo
- Publication number
- CN115905688B CN115905688B CN202211394053.7A CN202211394053A CN115905688B CN 115905688 B CN115905688 B CN 115905688B CN 202211394053 A CN202211394053 A CN 202211394053A CN 115905688 B CN115905688 B CN 115905688B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- personal
- environment
- data
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能领域,尤其涉及一种基于人工智能和智能家居的参考信息生成方法,包括:根据用户结构化环境动态数据以及用户个性化场景偏好画像,通过人体舒适环境参考模型以及个人健康饮食推荐参考模型分别获得当前动态环境智能家居参考信息以及个人实时环境饮食参考信息,并通过云计算服务系统推送到用户的移动终端,并在收到用户不采纳之后进行,对用户活动变化原因信息以及用户个性化场景偏好画像进行智能家居状态变化和个人健康状况的进阶分析,从而再次推送;最后根据用户活动变化原因信息对所述云计算服务系统中用户的使用习惯信息进行更新调整;以根据用户需求和健康状况实时变化,更加合理的进行参考信息的推送。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能和智能家居的参考信息生成方法。
背景技术
智能家居如今已经走进千家万户,应用场景随着技术的迭代越来越丰富,借助物联网IOT云平台及大数据建模,能够实现远程控制、智能联动等,通过智能场景的设置,结合传感器和场景控制面板,可实现无感式、个性化、自动执行的智能场景。智慧场景一般分为两种类型:“自动化”以及“场景”,自动化能够实现在达到设定的“触发条件”时运行“执行动作”,如通过“人体传感器”触发执行“吸顶灯开发”。而场景则主要提供“一键”执行“执行动作”,如一键执行起床场景,执行水壶烧水、豆浆机开始制作早餐。因此,对于精通智能家居设置的用户,能够通过学习和反复调试来完成设置好属于自己的智能场景,而对于更多的小白用户,对于其复杂的设置过程,晦涩的技术术语,有一定的抵触心理,怕麻烦又担心设置出现故障,造成正常生活上的困扰。
智能家居个性化场景推荐系统依托IOT云平台和大数据云计算的特性,能够基于用户的日常使用习惯、地理位置、天气状况,用户账户绑定传感器、智能设备的类型、型号以及功能性质,生成一个“推荐场景”列表,用户可以在手机App中浏览所需要的推荐场景,无需过多设置即可直接启用该智能场景。借助智能家居个性化场景推荐系统减少设置的步骤以及难度,通过简单的交互让用户真正感受到智能场景的趣味性和仪式感。
但是,用户的习惯尤其是饮食习惯,往往不是一尘不变的,随着时间或者健康状况的变化,用户的使用习惯以及饮食习惯也可能发生翻天覆地的变化。
发明内容
本发明提供了一种基于人工智能和智能家居的参考信息生成方法,以解决至少一个上述技术问题。
本发明提供了一种基于人工智能和智能家居的参考信息生成方法,包括以下步骤:
通过多个智能家居终端设备获取用户的使用习惯信息以及云计算服务系统中的云端数据,生成初步待分析数据;
基于多个所述智能家居设备的神经网络模型构建多层层神经卷积网络模型;
利用所述多层神经卷积网络模型对所述初步待分析数据进行局部关键信息提取,获得初始化用户个人场景化信息;
利用胶囊网络中的胶囊替换多层神经卷积网络模型中的所有的神经网络中的神经元,对所述初始化用户个人场景化信息进行精细提取,获得精准化用户个人场景化信息;
基于所述精准化用户个人场景化信息,建立用户个性化场景偏好画像;
利用多个智能家居终端设备通过所述云计算服务系统通信获取环境动态实时变化数据;
利用场景化自注意力模型对所述环境动态实时变化数据进行文本结构化操作,从而获得用户结构化环境动态数据;
根据用户结构化环境动态数据以及用户个性化场景偏好画像,通过人体舒适环境参考模型以及个人健康饮食推荐参考模型分别获得当前动态环境智能家居参考信息以及个人实时环境饮食参考信息,并通过云计算服务系统推送到用户的移动终端;
所述多个智能家居终端设备将移动终端反馈的数据结果上传至所述云计算服务系统中以生成反馈数据集,并将反馈数据集与所述云计算服务系统中的云端数据进行数据比对,从而获得用户动态变化数据;
所述云计算服务系统通过用户活动变化检测模型对所述用户动态变化数据以及用户结构化环境动态数据进行用户活动变化检测,从而获得用户活动变化原因信息,并储存在云计算服务系统;
利用个人健康饮食推荐参考模型以及人体舒适环境参考模型,对用户活动变化原因信息以及用户个性化场景偏好画像进行智能家居状态变化和个人健康状况的进阶分析,从而获得二级动态环境智能家居参考信息以及二级个人实时环境饮食参考信息,并进行推送;
根据用户活动变化原因信息对所述云计算服务系统中用户的使用习惯信息进行更新调整。
本实施例通过对用户的使用习惯的实时更新,随使用时间更好地了解用户的需求,能更快得对用户的个人画像进行更新,从而能更好地为用户带来更精确的参考消息,帮助用户保持健康的饮食习惯和良好的生活环境;当用户对参考信息不满意时,进行检测用户不满意的原因并进行参考信息的再次推送,避免了因系统原因导致地推送情况的发生,从而避免了长期因参考信息不准确导致用户体验不佳的情况,从另一个角度来说,随着推送次数的积累,能更加满足用户的需求;通过神经网络和胶囊网络的混合使用,提高了在做用户个人画像得过程中,对特征提取的效率以及精确性,从而令生成的个人画像更加地精确。
在本说明书的一个实施例中,使用习惯信息包括用户个人健康状态信息以及相应的用户个人健康状况个人画像,获取用户的使用习惯信息的步骤具体包括以下步骤:
获取所述多个智能家居终端设备中的用户历史使用信息以及储存的用户个人健康状态信息;
根据所述用户个人健康状态信息确定用户个人的健康特征信息,,并获得的用户个人的健康特征信息输入到预先训练完成的人工智能网络模型中,,获得所述建立用户个人健康状况个人画像,并保存至所述云计算服务系统中的云端中。
本实施例通过用户使用习惯信息进行相应的用户个人健康状况个人画像更新,从而能实时地掌握用户个人的健康状况并提出相应的健康饮食建议,进而帮助用户更好地保持健康状态或消除当前的亚健康状态,避免因不健康饮食,导致一些疾病发生的风险;同时防止因为用户长期摄入单一食物,而导致某些营养的缺失,从而导致地健康状况不佳的情况的发生;
在本说明书的一个实施例中,对所述初步待分析数据进行局部关键信息提取,获得初始化用户个人场景化信息的步骤,具体为:
将所述初步待分析数据中用户历史使用信息作为输入数据,并通过滑动窗口的方式输入到多层神经卷积网络模型的卷积层中,从而执行局部关键信息提取动作,得到用户个人场景化信息特征值,计算公式如下所示:
其中,wb为卷积核大小,α为用户个人场景化信息特征值,cin表示从第i个位置邻接的n个数据作为滑动窗口数量,x为用户历史使用次数,p表示为用户历史使用频率,q为当前场景化权重值;
本实施例中通过p/q确保概率越小的东西或场景以及滑动窗口数量越少的数值,对应的用户个人场景化信息特征值越小,在建立用户个性化场景偏好画像时可以针对性将该特征定义为非重要特征,进而使得用户个性化场景偏好画像的更加精准,从而使得推送的内容的精确性得到进一步的保障;
执行最大池化操作获得所有卷积层的最大用户个人场景化信息特征值,从而生成用户历史使用信息的用户个人场景化信息特征向量;
将所述用户个人场景化信息特征向量输入到全连接层中,并利用softmax分类器作为激活函数,从而输出初始化用户个人场景化信息。
本实施例通过用户个人场景化信息特征向量得到初始化用户个人场景化信息,有利于在后续的胶囊网络中快速提取到用户特征以及对应的数值,从而能快速在后期建立用户个性化场景偏好画像,以及针对错误推送原因进行更加快速的判断,从而智能家居的可靠性以及提高用户的体验感,同时后续能更具针对性地根据用户个性化场景偏好画像进行用户的饮食建议;
在本说明书的一个实施例中,利用胶囊网络中的胶囊替换神经网络中的神经元的步骤包括以下步骤:
进一步地,将多层神经卷积网络模型的卷积层输出的用户个人场景化信息特征和权重进行相乘得到预测向量,作为胶囊网络的输入层,计算公式如下:
Uij=Ui*Wij
其中,Ui表示用户个人场景化信息通过卷积层的输出特征,Wij表示胶囊层的权重,对标准正态分布矩阵随机初始化而来,Uij表示第i个胶囊输入特征预测生成的第j个向量;
本实施例通过卷积层输出的向量Ui与胶囊层权重Wij相乘,有利于神经网络和胶囊网络更好地融合,进一步的获取用户个人场景化信息特征,从而能更好地进行用户个性化场景偏好画像建立以及后续对用户的使用习惯信息的更新。
进一步地,通过控制耦合器系数将胶囊层的预测向量输入到数字胶囊层中,并将胶囊层生成的所有预测向量进行叠加,得到数字胶囊层的胶囊层总向量,计算公式如下:
其中,Bij为偏置系数,Zij为胶囊层总向量,C为控制耦合器偏置系数,||Uij||表示向量Uij的模;
本实施例通过偏置系数Bij、控制耦合器偏置系数C以及向量的模||Uij||能快速计算出胶囊层总向量,从而能快速提取用户个人场景化信息特征;
进一步地,将所述胶囊层总向量输入到激活函数中获得输出向量,并利用所述输出向量对偏置系数进行更新,更新公式如下:
B′ij=Bij+Zij
进一步地,其中,Bij为偏置系数,Zij为胶囊层总向量,B′ij为更新偏置系数,
本实施例通过对Bij为偏置系数函数的不断更新,实现在后续再次进行神经卷积网络和胶囊网络融合时对用户个人场景化信息特征的实时更新,能使后续生成的参考信息更具实时性,从而令生成的参考信息更加具有代表性以及更加符合用户实时变化的喜好,使得生成的参考信息更加满足当前用户的需求;
在本说明书的一个实施例中,基于所述精准化用户个人场景化信息,建立用户个性化场景偏好画像包括以下步骤:
基于所述精准化用户个人场景化信息,识别出关键的行为变量,将用户与行为变量进行一一对应,识别并聚类得到用户差异化行为模型;
本实施例通过将用户与行为变量进行一一对应,识别并聚类得到用户差异化行为模型,有利于后续用户个性化场景偏好画像的构建,实现了同一套智能家居不同使用者对不同的需求,从而使得生成的参考信息能令同一套智能家居不同使用者都能达到舒适健康的效果。
根据用户差异化行为模型,梳理每个用户的行为及目标,并对每个用户进行属性信息与场景的详细描述,以构建用户个性化场景偏好画像,
本实施例通过梳理每个用户的行为及目标,并对每个用户进行属性信息与场景的详细描述,并结合用户差异化行为模型构建用户个性化场景偏好画像,能使获得的用户个性化场景偏好画像更加精准,从而使得推荐系统更加了解每一个用户的需求,进而为用户提供更好地参考信息生成服务;
在本说明书的一个实施例中,利用场景化自注意力模型对所述环境动态实时变化数据进行文本结构化操作,从而获得用户结构化环境动态数据的步骤,包括以下步骤:
利用场景化自注意力模型对所述环境动态实时变化数据进行文本结构化操作,以形成环境动态实时变化文本并将环境动态实时变化文本按照分类体系进行分类,从而获得表达较粗糙的结构化信息,并计算出结构化信息中的词和词之间的相似度,扩充结构化标签,从而确定结构化关键词;
本实施例通过将环境动态实时变化数据进行文本结构化操作获得结构化关键词,能更好了解到不同用户所关心的信息,从而更好了解用户的需求,进而更好地实现对不同用户不同参考信息地生成,提升用户使用体验;
将所述结构化关键词划分为独立的文档,形成一个文本集合,并使用特征选择算法选出用户关心的文本信息,从而确定为用户结构化关键信息;
本实施例通过用户结构化关键信息的确认,实现对信息的初步话的提取,减少了精细化提取所用的时间以及提高了用户结构化环境动态数据的精确性;
利用场景化自注意力模型将所述用户结构化关键信息进行整理编辑,从而获得不同用户关心的用户结构化环境动态数据;
本实施例通过获得不同用户关心的用户结构化环境动态数据,以便后续根据不同用户关心的数据生成相应的参考信息,从而再次使得参考信息的准确度有所提升,提升用户的使用频率以及信赖度;
在本说明书的一个实施例中,根据用户结构化环境动态数据以及用户个性化场景偏好画像,通过人体舒适环境参考模型以及个人健康饮食推荐参考模型分别获得当前动态环境智能家居参考信息以及个人实时环境饮食参考信息,并通过云计算服务系统推送到用户的移动终端具体包括以下步骤:
根据用户结构化环境动态数据,进行单用户的匹配,从而获得用户个人关注环境变化信息;
根据用户个性化场景偏好画像进行单用户饮食习惯分析,得到用户个人饮食习惯以及用户的健康状况,并标记为用户个人饮食信息;
通过个人健康饮食推荐参考模型,对用户个人饮食信息以及所用户个人关注环境变化信息进行健康饮食精细化管理分析,从而获得个人实时环境饮食参考信息;
本实施例通过个人健康饮食推荐参考模型结合周围的环境获得个人实时环境饮食参考信息,将饮食参考信息与个人的饮食习惯、健康状况以及环境变化进行挂钩,满足了同一智能家居环境下不同用户身体健康以及饮食喜好而导致的饮食差异,也满足了同一用户随不同时间、不同环境导致的身体健康以及饮食喜好变化情况的发生,同时避免随时间季节变化,出现季节性瓜果蔬菜当前没有情况或不是最佳使用时间情况地出现,从而能更好地为用户带来健康饮食建议,使得用户可以在最佳的季节吃到符合自己健康状态的食物,进而能保障用户的健康以及用户的依赖度。
通过所述人体舒适环境参考模型对用户个人关注环境变化信息以及用户个性化场景偏好画像进行用户个人场景舒适化分析,从而获得当前动态环境智能家居参考信息,对不同客户推送不同的动态环境智能家居参考信息,以达到当前用户所需不同的环境下期待智能家居状态所需要达到的状态的目的。从而能使每个用户地使用相对独立,以达到每个用户都能更好地享受智能家居带来的体验。
本实施例通过人体舒适环境参考模型结合用户个人关注环境变化信息以及用户个性化场景偏好画像,获得当前动态环境智能家居参考信息;
通过云计算服务系统推送到用户的移动终端。
在本说明书的一个实施例中,云计算服务系统通过用户活动变化检测模型对所述用户动态变化数据以及用户结构化环境动态数据进行用户活动变化检测,从而获得用户活动变化原因信息,并储存在云计算服务系统,具体为以下步骤:
所述云计算服务系统通过用户活动变化检测模型对所述用户结构化环境动态数据进行预分析,从而获得影响用户做出选择的初步异常原因,并将其中因系统错误推送而产生的当前动态环境智能家居参考信息以及个人实时环境饮食参考信息储存在所述云计算服务系统中;
本实施例通过用户活动变化检测模型对所述用户结构化环境动态数据进行预分析,获得影响用户做出选择的初步异常原因,避免了长期因系统导致的用户活动变化原因信息错误等异常状况,而导致推送错误情况的出现;以便在后续进行二次的推送,从而提升用户的使用体验;同时随着错误的累计,可以在日后减少该情况的发生以及再次检测到该情况发生的可能性;
通过用户活动变化检测模型对初步异常原因以及用户结构化环境动态数据进行用户活动变化检测,从而获得用户活动变化原因信息,同时储存在所述云计算服务系统中。
本实施例通过用户活动变化原因信息并储存在所述云计算服务系统中,更有利于二次推送中的参考信息精确性的提升,从而能进一步提升用户的使用体验;
在本说明书的一个实施例中,利用个人健康饮食推荐参考模型以及人体舒适环境参考模型,对用户活动变化原因信息以及用户个性化场景偏好画像进行智能家居状态变化和个人健康状况的进阶分析,从而获得二级动态环境智能家居参考信息以及二级个人实时环境饮食参考信息,并进行推送的步骤,具体为:
利用个人健康饮食推荐参考模型以及人体舒适环境参考模型,对所述用户活动变化原因信息进行分析归类,记为初步异常分类结果;
利用分类结果以及用户个性化场景偏好画像进行用户匹配,以获得精确异常分类结果;
利用个人健康饮食推荐参考模型以及人体舒适环境参考模型,根据精确异常分类结果,进行智能家居状态变化和个人健康状况的进阶分析,从而获得二级动态环境智能家居参考信息以及二级个人实时环境饮食参考信息,并进行推送;
本实施例通过实时地修正并进行第二次推送,在不影响用户前提的情况下,能有效避免因系统导致错误推送情况的发生,同时有避免了因推送次数过多导致的用户产生烦躁情绪情况的发生;
在本说明书的一个实施例中,根据用户活动变化原因信息对所述云计算服务系统中用户的使用习惯信息进行更新调整的步骤具体为:
对所述云计算服务系统中用户个性化场景偏好画像中的不同属性进行属性变化阈值次数设置,并设置相应的属性变化阈值次数叠加模块;
本实施例通过对不同属性进行属性变化阈值次数的设置以及属性变化阈值次数阈,防止单次用户拒绝执行该参考信息的偶然性以及错误操作带来的偶然性,同时有利于在往后的工作中推送的动态环境智能家居参考信息以及个人实时环境饮食参考信息更加满足用户的需求;
根据用户活动变化原因信息对所述云计算服务系统中属性变化阈值次数叠加模块达到相应数值的属性所对应的用户个性化场景偏好画像进行修改调整,并存入用户的使用习惯信息以更新用户的使用习惯信息。
本实施例通过对用户个性化场景偏好画像进行修改调整,并存入用户的使用习惯信息以更新用户的使用习惯信息,以便用户再次使用时能建立起新的用户个性化场景偏好画像以及用户个人健康状况个人画像,从而更好为用户进行动态环境智能家居参考信息以及个人实时环境饮食参考信息的生成,提高用户使用体验,减少用户在后期的使用过程中在个人信息修改上所用的时间。
附图说明
图1及图2为本发明一实施例提供的基于人工智能和智能家居的参考信息生成方法的流程示意图;
图3为获取用户结构化环境动态数据的流程示意图;
图4为获得当前动态环境智能家居参考信息以及个人实时环境饮食参考信息,并通过云计算服务系统推送到用户的移动终端的流程示意图;
图5为进行再次推送的流程示意图;
图6为智能家居系统以及云计算服务系统所构建的示例图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施提供了一种基于人工智能和智能家居的参考信息生成方法。所述基于人工智能和智能家居的参考信息生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的设备中的至少一种。
换言之,所述可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
照图1以及图2所示,为本发明一实施例提供的一种基于人工智能和智能家居的参考信息生成方法的流程示意图。在本实施例中,所述基于人工智能和智能家居的参考信息生成方法包括以下步骤:
步骤S1:通过多个智能家居终端设备获取用户的使用习惯信息以及云计算服务系统中的云端数据,生成初步待分析数据;
详细地,步骤S1中的使用习惯信息包括用户个人健康状态信息以及相应的用户个人健康状况个人画像,步骤S1中获取用户的使用习惯信息的步骤具体包括以下步骤:
详细地,获取所述多个智能家居终端设备中的用户历史使用信息以及储存的用户个人健康状态信息;
进一步地,根据所述用户个人健康状态信息确定用户个人的健康特征信息,,并获得的用户个人的健康特征信息输入到预先训练完成的人工智能网络模型中,,获得所述建立用户个人健康状况个人画像,并保存至所述云计算服务系统中的云端中。
本发明实施例中,所述用户个人健康状态信息是指根据用户在初次使用时填写并提交的个人各项身体指标,同时也可以是由智能家居所获取的用户个人身体指标;示例性的,用户可以通过智能家居中的智能血糖仪获取当前用户的血糖情况,从而进行血糖值的判断,并将血糖值异常状况进行特别的标记,依据血糖值高于或者低于血糖阈值,定义为高血糖患者或者低血糖患者,并通过年龄性别与阈值的大小推算出危害程度;示例性的,当用户没有智能血糖仪,但在初次使用填写的血糖值高于正常血糖阈值时,亦可将该用户定义高血糖患者,并通过年龄性别与阈值的大小推算出危害程度;
步骤S2:基于多个所述智能家居设备的神经网络模型构建多层神经卷积网络模型;
本发明实施例中,所述多层神经卷积网络模型是指,将同一密闭环境下相同的属性进行合并以及不同属性进行并行排列,从而减少神经卷积网络进行初步特征提取时的时间;示例性的,当智能空调设备以及雾化设备具有相同的属性:空气湿度以及温度,则这时两个处于同一密闭环境下(可举例的:例如同一房间)检测得到的数据近似或相同,则将此时的属性进行合并,但是对于处于非同一密闭环境时,两个智能设备提取获得的智能家居的值可能相差甚远,则此时不进行合并,避免在进行特征提取时,产生同一环境中单用户单属性多数据,而导致提送给用户的内容不够精确的情况的发生;
步骤S3:利用所述多层神经卷积网络模型对所述初步待分析数据进行局部关键信息提取,获得初始化用户个人场景化信息;
进一步地,其中对所述初步待分析数据进行局部关键信息提取,获得初始化用户个人场景化信息的步骤,具体为:
将所述初步待分析数据中用户历史使用信息作为输入数据,并通过滑动窗口的方式输入到多层神经卷积网络模型的卷积层中,从而执行局部关键信息提取动作,得到用户个人场景化信息特征值,计算公式如下所示:
其中,wb为卷积核大小,α为用户个人场景化信息特征值,cin表示从第i个位置邻接的n个数据作为滑动窗口,x为用户历史使用,p表示为用户历史使用频率,q为当前场景化权重值,;
执行最大池化操作获得所有卷积层的最大用户个人场景化信息特征值,从而生成用户历史使用信息的用户个人场景化信息特征向量;
将所述用户个人场景化信息特征向量输入到全连接层中,并利用softmax分类器作为激活函数,从而输出初始化用户个人场景化信息。
本发明实施例中,所述初始化用户个人场景化信息是指用户在特定场景下希望智能家居所达到的效果对应的信息,但因神经卷积网络的缺点而不能精确对多用户使用时特征进行提取的情况,从而导致某些模糊信息的缺失;
步骤S4:利用胶囊网络中的胶囊替换多层神经卷积网络模型中的所有的神经网络中的神经元,对所述初始化用户个人场景化信息进行精细提取,获得精准化用户个人场景化信息;
进一步地,其中利用胶囊网络中的胶囊替换神经网络中的神经元的步骤包括以下步骤:
将多层神经卷积网络模型的卷积层输出的用户个人场景化信息特征和权重进行相乘得到预测向量,作为胶囊网络的输入层,计算公式如下:
Uij=Ui*Wij
其中,Ui表示用户个人场景化信息通过卷积层的输出特征,Wij表示胶囊层的权重,对标准正态分布矩阵随机初始化而来,Uij表示第i个胶囊输入特征预测生成的第j个向量;
通过控制耦合器系数将胶囊层的预测向量输入到数字胶囊层中,并将胶囊层生成的所有预测向量进行叠加,得到数字胶囊层的胶囊层总向量,计算公式如下:
其中,Bij为偏置系数,Zij为胶囊层总向量,C为控制耦合器偏置系数,||Uij||表示向量Uij的模;
将所述胶囊层总向量输入到激活函数中获得输出向量,并利用所述输出向量对偏置系数进行更新,更新公式如下:
B′ij=Bij+Zij
其中,Bij为偏置系数,Zij为胶囊层总向量,B′ij为更新偏置系数。
本发明实施例中,所述精准化用户个人场景化信息是指同一使用场景中不同的用户在以往的使用中,用户设定的值或者系统推荐并被用户采纳而执行的值,是对上述初始化用户个人场景化信息的进一步提取;示例性的,当外部的温度在30℃并处于雨天,但第二天上午将大幅度升温,当前房间中有两个客人被定义为常使用者A和B,其中A为年轻人,平时较晚起床而没有将空调定时的习惯,B为中老年人平时习惯性早睡早起,且在长期使用空调时不习惯一直开着,则此时两人对应的精准化用户个人场景化信息也是有所区别的;
步骤S5:基于所述精准化用户个人场景化信息,建立用户个性化场景偏好画像;
进一步地,建立用户个性化场景偏好画像包括以下步骤:
基于所述精准化用户个人场景化信息,识别出关键的行为变量,将用户与行为变量进行一一对应,识别并聚类得到用户差异化行为模型;
根据用户差异化行为模型,梳理每个用户的行为及目标,并对每个用户进行属性信息与场景的详细描述,以构建用户个性化场景偏好画像;
本发明实施例中,所述用户个性化场景偏好画像与精准化用户个人场景化信息的区别在于,精准化用户个人场景化信息对同一场景中的人进行区分获得不同用户的使用习惯的集合,而用户个性化场景偏好画像则是依据单个用户在不同使用环境下的使用习惯,模拟出符合用户个人的用户形象,包含了用户个人的目标以及对用户期待值的挖掘;
步骤S6:利用多个智能家居终端设备通过所述云计算服务系统通信获取环境动态实时变化数据;
本发明实施例中,所述环境动态实时变化数据是指通过所述云计算服务系统通信获取的外部环境的变化,其中包括但不限于天气和气温的变化;
步骤S7:利用场景化自注意力模型对所述环境动态实时变化数据进行文本结构化操作,从而获得用户结构化环境动态数据;
进一步地,获取用户结构化环境动态数据包括以下步骤:
详细地,利用场景化自注意力模型对所述环境动态实时变化数据进行文本结构化操作,以形成环境动态实时变化文本并将环境动态实时变化文本按照分类体系进行分类,从而获得表达较粗糙的结构化信息,并计算出结构化信息中的词和词之间的相似度,扩充结构化标签,从而确定结构化关键词;
本发明实施例中,所述结构化关键词是将获取环境动态实时变化数据机构化处理而获得的,目的在于便于智能家居系统去理解环境动态实时变化数据的意思,减少特征提取的时间,提高效率;
详细地,将所述结构化关键词划分为独立的文档,形成一个文本集合,并使用特征选择算法选出用户关心的文本信息,从而确定为用户结构化关键信息;
详细地,利用场景化自注意力模型将所述用户结构化关键信息进行整理编辑,从而获得不同用户关心的用户结构化环境动态数据。
本发明实施例中,所述获得不同用户关心的用户结构化环境动态数据是指不同用户因日常生活习惯或爱好等对外部环境变化的特征不同而产生的用户个人关注特征的集合;示例性的,当一个用户C有长期冬泳,且在日常的使用智能家居的过程中没有使用供暖设备或者从不使用供暖设备,则说明温度变化并不是他所关心的数据,而天气的变化是他所关心的;示例性的,当一个用户有长期户外运动的习惯,且根据不同的温度变化他进行的体育活动有所不同,则说明他会重点关心温度和天气的变化;
步骤S8:根据用户结构化环境动态数据以及用户个性化场景偏好画像,通过人体舒适环境参考模型以及个人健康饮食推荐参考模型分别获得当前动态环境智能家居参考信息以及个人实时环境饮食参考信息,并通过云计算服务系统推送到用户的移动终端;
进一步地,获得当前动态环境智能家居参考信息以及个人实时环境饮食参考信息,并通过云计算服务系统推送到用户的移动终端具体包括以下步骤:
详细地,根据用户结构化环境动态数据,进行单用户的匹配,从而获得用户个人关注环境变化信息;
详细地,根据用户个性化场景偏好画像进行单用户饮食习惯分析,得到用户个人饮食习惯以及用户的健康状况,并标记为用户个人饮食信息;
详细地,通过个人健康饮食推荐参考模型,对用户个人饮食信息以及所用户个人关注环境变化信息进行健康饮食精细化管理分析,从而获得个人实时环境饮食参考信息;
本发明实施例中,所述个人实时环境饮食参考信息是指针对不同用户的健康以及当前环境的变化为用户提供饮食建议,当前环境的变化包括了季节的变化,可理解的是一些农作物在特定的季节才会上市,而有部分的则会有要吃应季食物的思想,正所谓“冬吃萝卜,夏吃姜”他们希望注意可以帮助自己身体达到健康的效果并起到一定的心理作用;同时,可理解的是一些隐性的疾病是在特定的季节或环境才会发作,但平时需要注意饮食;示例性的,用户D为通风患者,则此时在海鲜上市的季节也应当减少海鲜等嘌呤食物地摄入;
详细地,通过所述人体舒适环境参考模型对用户个人关注环境变化信息以及用户个性化场景偏好画像进行用户个人场景舒适化分析,从而获得当前动态环境智能家居参考信息;
示例性地,一些病症在特定的环境会发作,但是通过改变环境中的一些特定的参数可以对病症起到减轻的效果及作用,可举例地,用户为粉尘性鼻炎患者时,但是当前的环境中的粉尘较多时,可以通过空智能调、智能雾化器以及智能空气净化器进行相应除尘操作建议;
详细地,通过云计算服务系统推送到用户的移动终端。
本发明实施例中,可理解地是通过云计算服务系统推送到用户的移动终端,包括但不限于移动终端理应包括了智能音箱、电脑在内可以对数据进行反馈的设备;
步骤S9:所述多个智能家居终端设备将移动终端反馈的数据结果上传至所述云计算服务系统中以生成反馈数据集,并将反馈数据集与所述云计算服务系统中的云端数据进行数据比对,从而获得用户动态变化数据;
步骤S10:所述云计算服务系统通过用户活动变化检测模型对所述用户动态变化数据以及用户结构化环境动态数据进行用户活动变化检测,从而获得用户活动变化原因信息,并储存在云计算服务系统;
进一步地,获得用户活动变化原因信息,并储存在云计算服务系统的具体步骤为以下步骤:
详细地,所述云计算服务系统通过用户活动变化检测模型对所述用户结构化环境动态数据进行预分析,从而获得影响用户做出选择的初步异常原因,并将其中因系统错误推送而产生的当前动态环境智能家居参考信息以及个人实时环境饮食参考信息储存在所述云计算服务系统中;
详细地,通过用户活动变化检测模型对初步异常原因以及用户结构化环境动态数据进行用户活动变化检测,从而获得用户活动变化原因信息,同时储存在所述云计算服务系统中;
步骤S11:利用个人健康饮食推荐参考模型以及人体舒适环境参考模型,对用户活动变化原因信息以及用户个性化场景偏好画像进行智能家居状态变化和个人健康状况的进阶分析,从而获得二级动态环境智能家居参考信息以及二级个人实时环境饮食参考信息,并进行推送;
进一步地,获得二级动态环境智能家居参考信息以及二级个人实时环境饮食参考信息,并进行推送具体为以下步骤:
利用个人健康饮食推荐参考模型以及人体舒适环境参考模型,对所述用户活动变化原因信息进行分析归类,记为初步异常分类结果;
利用分类结果以及用户个性化场景偏好画像进行用户匹配,以获得精确异常分类结果;
利用个人健康饮食推荐参考模型以及人体舒适环境参考模型,根据精确异常分类结果,进行智能家居状态变化和个人健康状况的进阶分析,从而获得二级动态环境智能家居参考信息以及二级个人实时环境饮食参考信息,并进行推送。
步骤S12:根据用户活动变化原因信息对所述云计算服务系统中用户的使用习惯信息进行更新调整。
详细地,对所述云计算服务系统中用户个性化场景偏好画像中的不同属性进行属性变化阈值次数设置,并设置相应的属性变化阈值次数叠加模块;
详细地,根据用户活动变化原因信息对所述云计算服务系统中属性变化阈值次数叠加模块达到相应数值的属性所对应的用户个性化场景偏好画像进行修改调整,并存入用户的使用习惯信息以更新用户的使用习惯信息。
本发明实施例中,所述并存入用户的使用习惯信息以更新用户的使用习惯信息,是指对里面其中需要更改的属性对应的数据以及相关的属性数据进行修改;示例性地,用户F在此前的使用习惯中被定义为血糖正常用户,但是因为生病的原因导致血糖的急速升高,则此时应将其对应的用户个人健康状态信息以及相应的用户个人健康状况个人画像进行修改。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于人工智能和智能家居的参考信息生成方法,其特征在于,方法包括以下步骤:
步骤S1:通过多个智能家居终端设备获取用户的使用习惯信息以及云计算服务系统中的云端数据,生成初步待分析数据;
步骤S2:基于多个智能家居终端设备的神经网络模型构建多层神经卷积网络模型;多层神经卷积网络模型是指:将同一密闭环境下相同的属性进行合并以及不同属性进行并行排列,从而减少神经卷积网络进行初步特征提取时的时间;
步骤S3,包括:
将初步待分析数据中用户历史使用信息作为输入数据,并通过滑动窗口的方式输入到多层神经卷积网络模型的卷积层中,从而通过特征值计算公式执行局部关键信息提取动作,得到用户个人场景化信息特征值,其中特征值计算公式如下所示:
其中,wb为卷积核大小,α为用户个人场景化信息特征值,cin表示从第i个位置邻接的n个数据作为滑动窗口,x为用户历史使用,p表示为用户历史使用频率,q为当前场景化权重值;
执行最大池化操作获得所有卷积层的最大用户个人场景化信息特征值,从而生成用户历史使用信息的用户个人场景化信息特征向量;
将用户个人场景化信息特征向量输入到全连接层中,并利用softmax分类器作为激活函数,从而输出初始化用户个人场景化信息;初始化用户个人场景化信息是指用户在特定场景下希望智能家居所达到的效果对应的信息;
步骤S4:利用胶囊网络中的胶囊替换多层神经卷积网络模型中的所有的神经网络中的神经元,对初始化用户个人场景化信息进行精细提取,获得精准化用户个人场景化信息;精准化用户个人场景化信息是指同一使用场景中不同的用户在以往的使用中,用户设定的值或者系统推荐并被用户采纳而执行的值;
步骤S5:基于精准化用户个人场景化信息,建立用户个性化场景偏好画像;
步骤S6:利用多个智能家居终端设备通过云计算服务系统通信获取环境动态实时变化数据,环境动态实时变化数据是指通过云计算服务系统通信获取的外部环境的变化数据;
步骤S7:利用场景化自注意力模型对环境动态实时变化数据进行文本结构化操作,从而获得用户结构化环境动态数据;
步骤S8:根据用户结构化环境动态数据以及用户个性化场景偏好画像,通过人体舒适环境参考模型以及个人健康饮食推荐参考模型分别获得当前动态环境智能家居参考信息以及个人实时环境饮食参考信息,并通过云计算服务系统推送到用户的移动终端;用户结构化环境动态数据是指不同用户因日常生活习惯或爱好对外部环境变化的特征不同而产生的用户个人关注特征的集合,个人实时环境饮食参考信息是指针对不同用户的健康以及当前环境的变化为用户提供的饮食建议信息;
步骤S9:多个智能家居终端设备将移动终端反馈的数据结果上传至云计算服务系统中以生成反馈数据集,并将反馈数据集与云计算服务系统中的云端数据进行数据比对,从而获得用户动态变化数据;
步骤S10:云计算服务系统通过用户活动变化检测模型对用户动态变化数据以及用户结构化环境动态数据进行用户活动变化检测,从而获得用户活动变化原因信息,并储存在云计算服务系统;
步骤S11:利用个人健康饮食推荐参考模型以及人体舒适环境参考模型,对用户活动变化原因信息以及用户个性化场景偏好画像进行智能家居状态变化和个人健康状况的进阶分析,从而获得二级动态环境智能家居参考信息以及二级个人实时环境饮食参考信息,并进行推送;
步骤S12:根据用户活动变化原因信息对云计算服务系统中用户的使用习惯信息进行更新调整。
2.根据权利要求1所述的方法,其特征在于,其中步骤S1中的使用习惯信息包括用户个人健康状态信息以及相应的用户个人健康状况个人画像,步骤S1中获取用户的使用习惯信息的步骤具体包括以下步骤:
获取多个智能家居终端设备中的用户历史使用信息以及储存的用户个人健康状态信息;
根据用户个人健康状态信息确定用户个人的健康特征信息,并获得的用户个人的健康特征信息输入到预先训练完成的人工智能网络模型中,获得用户个人健康状况个人画像,并保存至云计算服务系统中的云端,从而构成云端数据。
3.根据权利要求1所述的方法,其特征在于,步骤S4中利用胶囊网络中的胶囊替换神经网络中的神经元的步骤包括以下步骤:
将多层神经卷积网络模型的卷积层输出的用户个人场景化信息特征和权重进行相乘得到预测向量,作为胶囊网络的输入层,预测向量的计算公式如下:
Uij=Ui*Wij;
其中,Ui表示用户个人场景化信息通过卷积层的输出特征,Wij表示胶囊层的权重,对标准正态分布矩阵随机初始化而来,Uij表示第i个胶囊输入特征预测生成的第j个向量;
通过控制耦合器系数将胶囊层的预测向量输入到数字胶囊层中,并将胶囊层生成的所有预测向量进行叠加,得到数字胶囊层的胶囊层总向量,计算公式如下:
其中,Bij为偏置系数,Zij为胶囊层总向量,C为控制耦合器偏置系数,‖Uij‖表示向量Uij的模;
将胶囊层总向量输入到激活函数中获得输出向量,并利用输出向量对偏置系数进行更新,其中更新公式如下:
B′ij=Bij+Zij;
其中,Bij为偏置系数,Zij为胶囊层总向量,B′ij为更新偏置系数。
4.根据权利要求1所述的方法,其特征在于,步骤S5包括以下步骤:
基于精准化用户个人场景化信息,识别出关键的行为变量,将用户与行为变量进行一一对应,识别并聚类得到用户差异化行为模型;
根据用户差异化行为模型,梳理每个用户的行为及目标,并对每个用户进行属性信息与场景的详细描述,以构建用户个性化场景偏好画像。
5.根据权利要求1所述的方法,其特征在于,步骤S7包括以下步骤:
步骤S71:利用场景化自注意力模型对环境动态实时变化数据进行文本结构化操作,以形成环境动态实时变化文本并将环境动态实时变化文本按照分类体系进行分类,从而获得表达较粗糙的结构化信息,并计算出结构化信息中的词和词之间的相似度,扩充结构化标签,从而确定结构化关键词;
步骤S72:将结构化关键词划分为独立的文档,形成一个文本集合,并使用特征选择算法选出用户关心的文本信息,从而确定为用户结构化关键信息;
步骤S73:利用场景化自注意力模型将用户结构化关键信息进行整理编辑,从而获得不同用户关心的用户结构化环境动态数据。
6.根据权利要求1所述的方法,其特征在于,步骤S8具体包括以下步骤:
步骤S81:根据用户结构化环境动态数据,进行单用户的匹配,从而获得用户个人关注环境变化信息;
步骤S82:根据用户个性化场景偏好画像进行单用户饮食习惯分析,得到用户个人饮食习惯以及用户的健康状况,并标记为用户个人饮食信息;
步骤S83:通过个人健康饮食推荐参考模型,对用户个人饮食信息以及所用户个人关注环境变化信息进行健康饮食精细化管理分析,从而获得个人实时环境饮食参考信息;
步骤S84:通过人体舒适环境参考模型对用户个人关注环境变化信息以及用户个性化场景偏好画像进行用户个人场景舒适化分析,从而获得当前动态环境智能家居参考信息;
步骤S85:通过云计算服务系统推送到用户的移动终端。
7.根据权利要求1所述的方法,其特征在于,步骤S10具体为以下步骤:
云计算服务系统通过用户活动变化检测模型对用户结构化环境动态数据进行预分析,从而获得影响用户做出选择的初步异常原因,并将其中因系统错误推送而产生的当前动态环境智能家居参考信息以及个人实时环境饮食参考信息储存在云计算服务系统中;
通过用户活动变化检测模型对初步异常原因以及用户结构化环境动态数据进行用户活动变化检测,从而获得用户活动变化原因信息,同时储存在云计算服务系统中。
8.根据权利要求1所述的方法,其特征在于,步骤S11具体为:
步骤SA1:利用个人健康饮食推荐参考模型以及人体舒适环境参考模型,对用户活动变化原因信息进行分析归类,记为初步异常分类结果;
步骤SA2:利用分类结果以及用户个性化场景偏好画像进行用户匹配,以获得精确异常分类结果;
步骤SA3:利用个人健康饮食推荐参考模型以及人体舒适环境参考模型,根据精确异常分类结果,进行智能家居状态变化和个人健康状况的进阶分析,从而获得二级动态环境智能家居参考信息以及二级个人实时环境饮食参考信息,并进行推送。
9.根据权利要求1所述的方法,其特征在于,步骤S12具体为:
对云计算服务系统中用户个性化场景偏好画像中的不同属性进行属性变化阈值次数设置,并设置相应的属性变化阈值次数叠加模块;
根据用户活动变化原因信息对云计算服务系统中属性变化阈值次数叠加模块达到相应数值的属性所对应的用户个性化场景偏好画像进行修改调整,并存入用户的使用习惯信息以更新用户的使用习惯信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211394053.7A CN115905688B (zh) | 2022-11-08 | 2022-11-08 | 一种基于人工智能和智能家居的参考信息生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211394053.7A CN115905688B (zh) | 2022-11-08 | 2022-11-08 | 一种基于人工智能和智能家居的参考信息生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115905688A CN115905688A (zh) | 2023-04-04 |
CN115905688B true CN115905688B (zh) | 2023-07-28 |
Family
ID=86472028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211394053.7A Active CN115905688B (zh) | 2022-11-08 | 2022-11-08 | 一种基于人工智能和智能家居的参考信息生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905688B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093782B (zh) * | 2023-10-20 | 2024-03-12 | 国网智能科技股份有限公司 | 一种电力人工智能模型系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104994155A (zh) * | 2015-06-27 | 2015-10-21 | 广东天际电器股份有限公司 | 一种能够判断用户喜好、收集用户健康信息的智能小家电系统及其应用 |
WO2017008321A1 (zh) * | 2015-07-10 | 2017-01-19 | 西安交通大学 | 基于智能可穿戴设备行为感知的智能家庭能源管理方法 |
WO2017008322A1 (zh) * | 2015-07-10 | 2017-01-19 | 西安交通大学 | 基于社交网络行为感知的智能家庭能源管理方法 |
CN109491253A (zh) * | 2017-09-11 | 2019-03-19 | 安徽师范大学 | 一种在线学习型个性化智能家居系统及其控制方法 |
KR20210062470A (ko) * | 2019-11-21 | 2021-05-31 | (주)휴레이포지티브 | 건강상태 및 식습관 패턴 정보를 반영한 맞춤형 식단 추천 서비스 |
KR102405676B1 (ko) * | 2022-02-24 | 2022-06-08 | 주식회사 필라이즈 | 인공지능 기반의 맞춤형 건강기능식품 추천 정보를 제공하는 방법, 장치 및 시스템 |
WO2022133190A1 (en) * | 2020-12-17 | 2022-06-23 | Trustees Of Tufts College | Food and nutrient estimation, dietary assessment, evaluation, prediction and management |
-
2022
- 2022-11-08 CN CN202211394053.7A patent/CN115905688B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104994155A (zh) * | 2015-06-27 | 2015-10-21 | 广东天际电器股份有限公司 | 一种能够判断用户喜好、收集用户健康信息的智能小家电系统及其应用 |
WO2017008321A1 (zh) * | 2015-07-10 | 2017-01-19 | 西安交通大学 | 基于智能可穿戴设备行为感知的智能家庭能源管理方法 |
WO2017008322A1 (zh) * | 2015-07-10 | 2017-01-19 | 西安交通大学 | 基于社交网络行为感知的智能家庭能源管理方法 |
CN109491253A (zh) * | 2017-09-11 | 2019-03-19 | 安徽师范大学 | 一种在线学习型个性化智能家居系统及其控制方法 |
KR20210062470A (ko) * | 2019-11-21 | 2021-05-31 | (주)휴레이포지티브 | 건강상태 및 식습관 패턴 정보를 반영한 맞춤형 식단 추천 서비스 |
WO2022133190A1 (en) * | 2020-12-17 | 2022-06-23 | Trustees Of Tufts College | Food and nutrient estimation, dietary assessment, evaluation, prediction and management |
KR102405676B1 (ko) * | 2022-02-24 | 2022-06-08 | 주식회사 필라이즈 | 인공지능 기반의 맞춤형 건강기능식품 추천 정보를 제공하는 방법, 장치 및 시스템 |
Non-Patent Citations (1)
Title |
---|
基于可穿戴设备感知的智能家居能源优化;陈思运 等;计算机研究与发展(第3期);第704-715页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115905688A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334628B2 (en) | Dressing recommendation method and dressing recommendation apparatus | |
CN107423442B (zh) | 基于用户画像行为分析的应用推荐方法及系统,储存介质及计算机设备 | |
CN112765480B (zh) | 一种信息推送方法、装置及计算机可读存储介质 | |
WO2021190324A1 (zh) | 数据处理方法、颈部按摩仪、计算机设备及存储介质 | |
CN111368075A (zh) | 文章质量预测方法、装置、电子设备及存储介质 | |
CN106991115A (zh) | 向用户提供经适配的学习信息的方法和设备 | |
CN111582342B (zh) | 一种图像识别方法、装置、设备以及可读存储介质 | |
CN115905688B (zh) | 一种基于人工智能和智能家居的参考信息生成方法 | |
CN113326440B (zh) | 基于人工智能的推荐方法、装置及电子设备 | |
Lu et al. | Hybrid user-assisted incremental model adaptation for activity recognition in a dynamic smart-home environment | |
CN111159539A (zh) | 基于多模态信息关联分析的食物推荐方法和系统 | |
CN114519145A (zh) | 一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法 | |
CN116452263A (zh) | 一种信息推荐方法、装置、设备及存储介质、程序产品 | |
CN116226655A (zh) | 智慧家庭环境感知方法、装置、存储介质和电子设备 | |
KR102494384B1 (ko) | 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템 | |
CN111240220A (zh) | 一种设备的控制方法和装置 | |
CN113051468B (zh) | 一种基于知识图谱和强化学习的电影推荐方法及系统 | |
CN111310048B (zh) | 基于多层感知机的新闻推荐方法 | |
JP2009503657A (ja) | ニューラルネットワークによるレーティングシステム | |
CN116910357A (zh) | 一种数据处理方法及相关装置 | |
CN117031971A (zh) | 基于智能镜的智能家具设备调节方法、装置、设备及介质 | |
CN115408611A (zh) | 菜单推荐方法、装置、计算机设备和存储介质 | |
CN115878839A (zh) | 一种视频推荐方法、装置、计算机设备和计算机程序产品 | |
CN112035567A (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
CN117556149B (zh) | 资源推送方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |