CN117518857B - 应用nlp的个性化智能家居控制策略生成方法及系统 - Google Patents

应用nlp的个性化智能家居控制策略生成方法及系统 Download PDF

Info

Publication number
CN117518857B
CN117518857B CN202311860226.4A CN202311860226A CN117518857B CN 117518857 B CN117518857 B CN 117518857B CN 202311860226 A CN202311860226 A CN 202311860226A CN 117518857 B CN117518857 B CN 117518857B
Authority
CN
China
Prior art keywords
data
feature mapping
graph
semantic
branch
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
Application number
CN202311860226.4A
Other languages
English (en)
Other versions
CN117518857A (zh
Inventor
郑志煜
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.)
Shenzhen Coolkit Technology Co ltd
Original Assignee
Shenzhen Coolkit 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 Shenzhen Coolkit Technology Co ltd filed Critical Shenzhen Coolkit Technology Co ltd
Priority to CN202311860226.4A priority Critical patent/CN117518857B/zh
Publication of CN117518857A publication Critical patent/CN117518857A/zh
Application granted granted Critical
Publication of CN117518857B publication Critical patent/CN117518857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Machine Translation (AREA)

Abstract

本申请提供一种应用NLP的个性化智能家居控制策略生成方法及系统，基于智能家居控制文本数据确定对应的语义链与句法链，并通过构建和应用知识向量数据，包括基于语义链和句法链的内容区知识向量与顺序区知识向量，提升了对用户需求理解的准确性，从而精确地生成对应的智能家居控制策略，强化了智能家居系统的智能化程度，增强了用户体验，同时也大大降低了因误解用户指令导致的错误操作。此外，由于整个过程在云端完成，不仅提升了数据处理速度，还保证了数据的安全存储和隐私保护。由此，本申请实施例为用户提供了一个更加个性化、高效且安全的智能家居环境。

Description

应用NLP的个性化智能家居控制策略生成方法及系统
技术领域
本申请涉及智能家居技术领域，具体而言，涉及一种应用NLP的个性化智能家居控制策略生成方法及系统。
背景技术
随着物联网和人工智能技术的快速发展，智能家居系统已经越来越广泛地应用于我们的生活中。通过智能家居系统，用户可以方便地远程控制家里的电器设备，如空调、照明、电视等。然而，目前的智能家居控制策略主要基于预设的模式和规则，这在一定程度上限制了其使用的灵活性和个性化程度。
为了改进这种情况，一些研究开始尝试采用自然语言处理（NLP）技术来解析用户的控制指令，以生成个性化的智能家居控制策略。这种方法通常需要解析输入的文本数据，并根据解析结果生成对应的控制策略。然而，这种方法的效果往往取决于文本数据的解析精度，以及根据解析结果生成控制策略的准确性。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种应用NLP的个性化智能家居控制策略生成方法及系统。
第一方面，本申请提供一种应用NLP的个性化智能家居控制策略生成方法，应用于智能家居云端系统，所述方法包括：
获取待解析的智能家居控制文本数据；
基于所述智能家居控制文本数据确定对应的语义链与句法链；
依据所述语义链确定第一知识向量数据，所述第一知识向量数据包括针对所述语义链的第一内容区知识向量与第一顺序区知识向量；
依据所述句法链确定第二知识向量数据，所述第二知识向量数据包括针对所述句法链的第二内容区知识向量与第二顺序区知识向量；
基于所述第一知识向量数据与所述第二知识向量数据确定所述智能家居控制文本数据对应的智能家居控制策略。
在第一方面的一种可能的实施方式中，所述语义链包括多个语义单元，所述依据所述语义链确定第一知识向量数据，包括：
针对所述多个语义单元中的各语义单元，获取所述语义单元的先行语义单元与所述语义单元的随后语义单元；
依据所述语义单元、所述先行语义单元，以及所述随后语义单元确定所述语义单元对应的第一上下文语义数据，生成所述语义链对应的第一上下文语义数据集合，所述第一上下文语义数据集合的属性参数包括：
所述第一上下文语义数据集合的实体维度数量、所述第一上下文语义数据集合的语义单元数量、所述第一上下文语义数据集合的词嵌入信息，以及所述第一上下文语义数据集合的词频和逆文档频率信息；
基于所述第一上下文语义数据集合，第一设定内容区编码网络，以及第一设定顺序区编码网络确定对应的第一知识向量数据。
在第一方面的一种可能的实施方式中，所述基于所述第一上下文语义数据集合，第一设定内容区编码网络，以及第一设定顺序区编码网络确定对应的第一知识向量数据，包括：
基于所述第一上下文语义数据集合与所述第一设定内容区编码网络，确定所述第一内容区知识向量；
基于所述第一上下文语义数据集合与所述第一设定顺序区编码网络，确定所述第一顺序区知识向量。
在第一方面的一种可能的实施方式中，所述第一设定内容区编码网络包括：第一图自注意力分支集合、第二图自注意力分支集合、第一特征映射分支以及第二特征映射分支，所述第二特征映射分支为所述第一特征映射分支的反转操作节点，基于所述第一上下文语义数据集合与所述第一设定内容区编码网络，确定所述第一内容区知识向量，包括：
依据所述第一图自注意力分支集合与所述第一特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一内容知识网络信息；
依据所述第二图自注意力分支集合、所述第一特征映射分支、所述第二特征映射分支，以及所述第一内容知识网络信息确定所述第一内容区知识向量。
在第一方面的一种可能的实施方式中，所述第一图自注意力分支集合包括第一图自注意力分支与第二图自注意力分支，所述依据所述第一图自注意力分支集合与所述第一特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一内容知识网络信息，包括：
依据所述第一图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第一图网络数据，以更新所述第一上下文语义数据集合的实体维度数量；
依据所述第一特征映射分支对所述第一图网络数据进行特征映射转换，生成第一特征映射转换数据，所述第一特征映射转换数据的属性参数包括：所述第一图网络数据的词嵌入信息与词频和逆文档频率信息的融合属性参数，以及所述第一图网络数据的实体维度数量与语义单元数量的融合属性参数；
依据所述第二图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第二图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第二图网络数据的实体维度数量与所述第一图网络数据的实体维度数量匹配；
依据所述第一特征映射分支对所述第二图网络数据进行特征映射转换，生成第二特征映射转换数据，所述第二特征映射转换数据的属性参数与所述第一特征映射转换数据的属性参数匹配；
计算所述第一特征映射转换数据与所述第二特征映射转换数据的解码数据的融合属性参数，生成所述第一上下文语义数据集合对应的第一内容知识网络信息，所述第一内容知识网络信息的属性参数包括：
所述第一特征映射转换数据的词嵌入信息与所述第一特征映射转换数据的词频和逆文档频率信息的融合属性参数，以及所述第二特征映射转换数据的词嵌入信息与所述第二特征映射转换数据的词频和逆文档频率信息的融合属性参数；
其中，所述第二图自注意力分支集合包括第三图自注意力分支与第四图自注意力分支，所述依据所述第二图自注意力分支集合、所述第一特征映射分支、所述第二特征映射分支，以及所述第一内容知识网络信息确定所述第一内容区知识向量，包括：
依据所述第三图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第三图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第三图网络数据的实体维度数量与所述第二图网络数据的实体维度数量匹配；
依据所述第一特征映射分支对所述第三图网络数据进行特征映射转换，生成第三特征映射转换数据，所述第三特征映射转换数据的属性参数与所述第一特征映射转换数据的属性参数匹配；
对所述第一内容知识网络信息进行规则化描述，生成第一规则化描述网络；
计算所述第一规则化描述网络与所述第三特征映射转换数据的解码数据的融合属性参数，生成第一融合结果，所述第一融合结果的属性参数与所述第三特征映射转换数据的解码数据的属性参数匹配；
依据所述第二特征映射分支对所述第一融合结果进行特征映射转换，生成第四特征映射转换数据，所述第四特征映射转换数据的属性参数与所述第三图网络数据的属性参数匹配；
依据所述第四图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第四图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第四图网络数据的实体维度数量与所述第三图网络数据的实体维度数量匹配；
对所述第四特征映射转换数据与所述第四图网络数据进行融合，生成所述第一内容区知识向量。
在第一方面的一种可能的实施方式中，所述第一设定顺序区编码网络包括：第三图自注意力分支集合、第四图自注意力分支集合、第三特征映射分支，以及第四特征映射分支，所述第四特征映射分支为所述第三特征映射分支的反转操作节点，所述基于所述第一上下文语义数据集合与所述第一设定顺序区编码网络，确定所述第一顺序区知识向量，包括：
依据所述第三图自注意力分支集合与所述第三特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一时域偏好特征信息；
依据所述第四图自注意力分支集合、所述第三特征映射分支、所述第四特征映射分支，以及所述第一时域偏好特征信息确定所述第一顺序区知识向量；
其中，所述第三图自注意力分支集合包括第五图自注意力分支与第六图自注意力分支，所述依据所述第三图自注意力分支集合与所述第三特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一时域偏好特征信息，包括：
依据所述第五图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第五图网络数据，以更新所述第一上下文语义数据集合的实体维度数量；
依据所述第三特征映射分支对所述第五图网络数据进行特征映射转换，生成第五特征映射转换数据，所述第五特征映射转换数据的属性参数包括：所述第五图网络数据的语义单元数量以及第一融合信息，所述第一融合信息为所述第五图网络数据的实体维度数量、所述第五图网络数据的词嵌入信息与所述第五图网络数据的词频和逆文档频率信息的融合属性参数；
依据所述第六图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第六图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第六图网络数据的实体维度数量与所述第五图网络数据的实体维度数量匹配；
依据所述第三特征映射分支对所述第六图网络数据进行特征映射转换，生成第六特征映射转换数据，所述第六特征映射转换数据的属性参数与所述第五特征映射转换数据的属性参数匹配；
计算所述第五特征映射转换数据与所述第六特征映射转换数据的解码数据的融合属性参数，生成所述第一上下文语义数据集合对应的第一时域偏好特征信息，所述第一时域偏好特征信息的属性参数包括：第五特征映射转换数据的语义单元数量，以及第六特征映射转换数据的语义单元数量；
其中，所述第四图自注意力分支集合包括第七图自注意力分支与第八图自注意力分支，所述依据所述第四图自注意力分支集合、所述第三特征映射分支、所述第四特征映射分支以及所述第一时域偏好特征信息确定所述第一顺序区知识向量，包括：
依据所述第七图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第七图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第七图网络数据的实体维度数量与所述第六图网络数据的实体维度数量匹配；
依据所述第三特征映射分支对所述第七图网络数据进行特征映射转换，生成第七特征映射转换数据，所述第七特征映射转换数据的属性参数与所述第五特征映射转换数据的属性参数匹配；
对所述第一时域偏好特征信息进行规则化描述，生成第二规则化描述网络；
计算所述第二规则化描述网络与所述第七特征映射转换数据的解码数据的融合属性参数，生成第二融合结果，所述第二融合结果的属性参数与所述七特征映射转换数据的解码数据的属性参数匹配；
依据所述第四特征映射分支对所述第二融合结果进行特征映射转换，生成第八特征映射转换数据，所述第八特征映射转换数据的属性参数与所述第七图网络数据的属性参数匹配；
依据所述第八图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第八图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第八图网络数据的实体维度数量与所述第七图网络数据的实体维度数量匹配；
对所述第八特征映射转换数据与所述第八图网络数据进行融合，生成所述第一顺序区知识向量。
在第一方面的一种可能的实施方式中，所述句法链包括多个句法单元，所述依据所述句法链确定第二知识向量数据，包括：
针对所述多个句法单元中的各句法单元，获取所述句法单元的先行句法单元与所述句法单元的随后句法单元；
依据所述句法单元、所述先行句法单元，以及所述随后句法单元确定所述句法单元对应的第二上下文语义数据，生成所述句法链对应的第二上下文语义数据集合，所述第二上下文语义数据集合的属性参数包括：所述第二上下文语义数据集合的实体维度数量、所述第二上下文语义数据集合的语义单元数量、所述第二上下文语义数据集合的词嵌入信息，以及所述第二上下文语义数据集合的词频和逆文档频率信息；
基于所述第二上下文语义数据集合，第二设定内容区编码网络，以及第二设定顺序区编码网络确定对应的第二知识向量数据。
在第一方面的一种可能的实施方式中，所述基于所述第一知识向量数据与所述第二知识向量数据确定所述智能家居控制文本数据对应的智能家居控制策略，包括：
对所述第一知识向量数据与所述第二知识向量数据进行交融，生成交融结果；
依据第五特征映射分支对所述交融结果进行特征映射转换，生成第一目标特征映射转换数据，所述第一目标特征映射转换数据的属性参数包括：所述交融结果的实体维度数量与第二融合信息，所述第二融合信息为所述交融结果的词嵌入信息、所述交融结果的词频和逆文档频率信息与所述交融结果的语义单元数量的融合属性参数；
基于所述第一目标特征映射转换数据与目标深度学习网络，确定所述智能家居控制文本数据对应的智能家居控制策略。
在第一方面的一种可能的实施方式中，所述基于所述第一目标特征映射转换数据与目标深度学习网络，确定所述智能家居控制文本数据对应的智能家居控制策略，包括：
将所述第一目标特征映射转换数据输入目标深度学习网络，生成输出结果；
依据第六特征映射分支对所述输出结果进行特征映射转换，生成第二目标特征映射转换数据，所述第二目标特征映射转换数据的属性参数与所述交融结果的属性参数匹配；
对所述第二目标特征映射转换数据进行拆分，生成分别对应所述语义链，以及所述句法链的第三知识向量数据与第四知识向量数据；
对所述第三知识向量数据与所述第四知识向量数据进行融合，生成融合结果；
基于所述融合结果确定所述智能家居控制文本数据对应的智能家居控制策略。
譬如，在第一方面的一种可能的实施方式中，所述方法包括：
获取模板智能家居控制文本数据，以及所述模板智能家居控制文本数据对应的目标模板智能家居控制策略；
基于所述模板智能家居控制文本数据确定对应的模板语义链与模板句法链；
通过智能家居控制网络中的编码器，依据所述模板语义链确定第一模板知识向量数据，以及依据所述模板句法链确定第二模板知识向量数据；其中，所述第一模板知识向量数据包括针对所述模板语义链的第三内容区知识向量与第三顺序区知识向量；所述第二模板知识向量数据包括针对所述模板句法链的第四内容区知识向量与第四顺序区知识向量；
依据所述智能家居控制网络中的全连接层，基于所述第一模板知识向量数据与所述第二模板知识向量数据确定所述模板智能家居控制文本数据对应的预测智能家居控制策略；
基于所述预测智能家居控制策略、所述目标模板智能家居控制策略，对所述智能家居控制网络进行训练，生成训练好的智能家居控制网络。
在第一方面的一种可能的实施方式中，所述编码器包括：上下文编码器、内容区编码器，以及顺序区编码器，所述模板语义链包括多个模板语义单元，以及所述模板句法链包括多个模板句法单元； 通过智能家居控制网络中的编码器，依据所述模板语义链确定第一模板知识向量数据，以及依据所述模板句法链确定第二模板知识向量数据，包括： 依据所述上下文编码器，针对所述多个模板语义单元中的各模板语义单元，获取所述模板语义单元的先行模板语义单元与所述模板语义单元的随后模板语义单元；依据所述模板语义单元、所述先行模板语义单元，以及所述随后模板语义单元确定所述模板语义单元对应的第三上下文语义数据，生成所述模板语义链对应的第三上下文语义数据集合；以及针对所述多个模板句法单元中的各模板句法单元，获取所述模板句法单元的先行模板句法单元与所述模板句法单元的随后模板句法单元；依据所述模板句法单元、所述先行模板句法单元，以及所述随后模板句法单元确定所述模板句法单元对应的第四上下文语义数据，生成所述模板句法链对应的第四上下文语义数据集合； 依据所述内容区编码器，基于所述第三上下文语义数据集合与第三设定内容区编码网络，确定所述第三内容区知识向量；以及基于所述第四上下文语义数据集合与第四设定内容区编码网络，确定所述第四内容区知识向量； 依据所述顺序区编码器，基于所述第三上下文语义数据集合与第三设定顺序区编码网络，确定所述第三顺序区知识向量；以及基于所述第四上下文语义数据集合与第四设定顺序区编码网络，确定所述第四顺序区知识向量。
第二方面，本申请实施例还提供一种智能家居云端系统，所述智能家居云端系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序依据该处理器加载并执行以实现以上第一方面的应用NLP的个性化智能家居控制策略生成方法。
依据以上任意方面的技术方案，本申请基于智能家居控制文本数据确定对应的语义链与句法链，并通过构建和应用知识向量数据，包括基于语义链和句法链的内容区知识向量与顺序区知识向量，提升了对用户需求理解的准确性，从而精确地生成对应的智能家居控制策略，强化了智能家居系统的智能化程度，增强了用户体验，同时也大大降低了因误解用户指令导致的错误操作。此外，由于整个过程在云端完成，不仅提升了数据处理速度，还保证了数据的安全存储和隐私保护。由此，本申请实施例为用户提供了一个更加个性化、高效且安全的智能家居环境。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，针对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。
图1为本申请实施例提供的应用NLP的个性化智能家居控制策略生成方法的流程示意图；
图2为本申请实施例提供的用于实现上述的应用NLP的个性化智能家居控制策略生成方法的智能家居云端系统的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和依据本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
参见图1所示，本申请提供一种应用NLP的个性化智能家居控制策略生成方法，包括以下步骤。
步骤S110，获取待解析的智能家居控制文本数据。
例如，用户通过智能家居应用程序发送一个复杂的智能家居控制策略文本数据：“每天早上7点，自动打开卧室的窗帘，并调节到适宜的光照强度；晚上10点，自动关闭所有房间的灯光。”
步骤S120，基于所述智能家居控制文本数据确定对应的语义链与句法链。
例如，接收到智能家居控制文本数据后，首先对其进行分词处理，得到“每天早上7点”、“自动打开”、“卧室的窗帘”、“并调节到适宜的光照强度”、“晚上10点”、“自动关闭”、“所有房间的灯光”等词汇。然后，根据这些词汇的语义关系构建语义链，即“早上7点”（时间）->“自动打开”（动作）->“卧室的窗帘”（对象）->“调节到适宜的光照强度”（动作）；“晚上10点”（时间）->“自动关闭”（动作）->“所有房间的灯光”（对象）。同时，根据这些词汇的语法关系构建句法链，即“每天早上7点”（时间）->“自动打开”（动作）->“卧室的窗帘”（对象）->“并调节到适宜的光照强度”（动作）；“晚上10点”（时间）->“自动关闭”（动作）->“所有房间的灯光”（对象）。
步骤S130，依据所述语义链确定第一知识向量数据，所述第一知识向量数据包括针对所述语义链的第一内容区知识向量与第一顺序区知识向量。
例如，可以根据语义链中的词汇，提取出相关的第一知识向量数据。例如，“早上7点”对应的知识向量可能包括时间、起床、开始等概念；“自动打开”对应的知识向量可能包括自动化、开启、操作等概念；“卧室的窗帘”对应的知识向量可能包括卧室、窗帘、遮光等概念；“调节到适宜的光照强度”对应的知识向量可能包括光照、亮度、舒适等概念；“晚上10点”对应的知识向量可能包括时间、睡觉、结束等概念；“自动关闭”对应的知识向量可能包括自动化、关闭、操作等概念；“所有房间的灯光”对应的知识向量可能包括房间、灯光、照明等概念。同时，还需要考虑这些词汇在语义链中的顺序，因为顺序可能会影响语义的理解。例如，“自动打开卧室的窗帘”和“卧室的窗帘被自动打开”虽然词汇相同，但是语义不同。因此，需要将顺序信息也转化为知识向量。
步骤S140，依据所述句法链确定第二知识向量数据，所述第二知识向量数据包括针对所述句法链的第二内容区知识向量与第二顺序区知识向量。
例如，与语义链类似，也需要根据句法链中的词汇，提取出相关的知识向量。例如，“早上7点”对应的知识向量可能包括时间、起床、开始等概念；“自动打开”对应的知识向量可能包括自动化、开启、操作等概念；“卧室的窗帘”对应的知识向量可能包括卧室、窗帘、遮光等概念；“并调节到适宜的光照强度”对应的知识向量可能包括光照、亮度、舒适等概念；“晚上10点”对应的知识向量可能包括时间、睡觉、结束等概念；“自动关闭”对应的知识向量可能包括自动化、关闭、操作等概念；“所有房间的灯光”对应的知识向量可能包括房间、灯光、照明等概念。同时，还需要考虑这些词汇在句法链中的顺序，因为顺序可能会影响语法的理解。例如，“每天早上7点，自动打开卧室的窗帘，并调节到适宜的光照强度”和“每天早上7点，自动打开卧室的窗帘，并调节到适宜的光照强度”虽然词汇相同，但是语法不同。因此，需要将顺序信息也转化为知识向量。
步骤S150，基于所述第一知识向量数据与所述第二知识向量数据确定所述智能家居控制文本数据对应的智能家居控制策略。
例如，可以将第一知识向量数据和第二知识向量数据进行融合，得到一个综合的知识向量。然后，根据这个综合的知识向量，生成对应的智能家居控制策略。例如，如果综合的知识向量表示用户想要每天早上7点自动打开卧室的窗帘，并调节到适宜的光照强度，晚上10点自动关闭所有房间的灯光，那么就会向相应的智能家居设备发送指令，实现这些操作。
基于以上步骤，本申请基于智能家居控制文本数据确定对应的语义链与句法链，并通过构建和应用知识向量数据，包括基于语义链和句法链的内容区知识向量与顺序区知识向量，提升了对用户需求理解的准确性，从而精确地生成对应的智能家居控制策略，强化了智能家居系统的智能化程度，增强了用户体验，同时也大大降低了因误解用户指令导致的错误操作。此外，由于整个过程在云端完成，不仅提升了数据处理速度，还保证了数据的安全存储和隐私保护。由此，本申请实施例为用户提供了一个更加个性化、高效且安全的智能家居环境。
在一种可能的实施方式中，所述语义链包括多个语义单元，步骤S130可以包括：
步骤S131，针对所述多个语义单元中的各语义单元，获取所述语义单元的先行语义单元与所述语义单元的随后语义单元。
例如，在文本数据“每天早上7点，自动打开卧室的窗帘，并调节到适宜的光照强度；晚上10点，自动关闭所有房间的灯光”中，有多个语义单元，例如“早上7点”、“自动打开”、“卧室的窗帘”、“调节到适宜的光照强度”、“晚上10点”、“自动关闭”、“所有房间的灯光”等。对于每个语义单元，都需要获取其先行语义单元和随后语义单元。例如，对于语义单元“调节到适宜的光照强度”，其先行语义单元为“自动打开”和“卧室的窗帘”，随后语义单元为“晚上10点”和“自动关闭”。
步骤S132，依据所述语义单元、所述先行语义单元，以及所述随后语义单元确定所述语义单元对应的第一上下文语义数据，生成所述语义链对应的第一上下文语义数据集合，所述第一上下文语义数据集合的属性参数包括：所述第一上下文语义数据集合的实体维度数量、所述第一上下文语义数据集合的语义单元数量、所述第一上下文语义数据集合的词嵌入信息，以及所述第一上下文语义数据集合的词频和逆文档频率信息。
例如，根据语义单元、先行语义单元和随后语义单元，生成每个语义单元对应的上下文语义数据。例如，对于语义单元“调节到适宜的光照强度”，其上下文语义数据包括“自动打开”、“卧室的窗帘”、“晚上10点”和“自动关闭”。然后，将这些上下文语义数据组合成一个第一上下文语义数据集合。这个集合的属性参数包括：实体维度数量（例如，对于“调节到适宜的光照强度”，实体维度数量为1，因为只有一个实体，即“光照强度”），语义单元数量（例如，对于“调节到适宜的光照强度”，语义单元数量为1，因为只有一个语义单元），词嵌入信息（例如，对于“调节到适宜的光照强度”，词嵌入信息可以表示为[0.1,0.2,0.3]），词频和逆文档频率信息（例如，对于“调节到适宜的光照强度”，词频和逆文档频率信息可以表示为[1,2,3]）。
步骤S133，基于所述第一上下文语义数据集合，第一设定内容区编码网络，以及第一设定顺序区编码网络确定对应的第一知识向量数据。
例如，可以使用一个双向长短时记忆网络（Bi-LSTM）作为第一设定内容区编码网络，将第一上下文语义数据集合中的每个语义单元转化为一个内容区知识向量。然后，可以使用一个自注意力网络（Self-Attention Network）作为第一设定顺序区编码网络，将第一上下文语义数据集合中的每个语义单元转化为一个顺序区知识向量。最后，将每个语义单元的内容区知识向量和顺序区知识向量进行拼接，得到每个语义单元对应的第一知识向量数据。
在一种可能的实施方式中，步骤S133可以包括：
步骤S1331，基于所述第一上下文语义数据集合与所述第一设定内容区编码网络，确定所述第一内容区知识向量。
步骤S1332，基于所述第一上下文语义数据集合与所述第一设定顺序区编码网络，确定所述第一顺序区知识向量。
例如，使用第一设定内容区编码网络（例如，双向长短时记忆网络Bi-LSTM）对第一上下文语义数据集合进行处理，以确定每个语义单元的第一内容区知识向量。具体地，将第一上下文语义数据集合中的每个语义单元输入到第一设定内容区编码网络中，输出每个语义单元的内容区知识向量。例如，对于语义单元“调节到适宜的光照强度”，其第一内容区知识向量可以表示为[0.1,0.2,0.3]。
在此基础上，使用第一设定顺序区编码网络（例如，自注意力网络Self-AttentionNetwork）对第一上下文语义数据集合进行处理，以确定每个语义单元的第一顺序区知识向量。具体地，将第一上下文语义数据集合中的每个语义单元输入到第一设定顺序区编码网络中，输出每个语义单元的顺序区知识向量。例如，对于语义单元“调节到适宜的光照强度”，其第一顺序区知识向量可以表示为[0.4,0.5,0.6]。
在一种可能的实施方式中，所述第一设定内容区编码网络包括：第一图自注意力分支集合、第二图自注意力分支集合、第一特征映射分支以及第二特征映射分支，所述第二特征映射分支为所述第一特征映射分支的反转操作节点，步骤S1331可以包括：
1、依据所述第一图自注意力分支集合与所述第一特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一内容知识网络信息。
2、依据所述第二图自注意力分支集合、所述第一特征映射分支、所述第二特征映射分支，以及所述第一内容知识网络信息确定所述第一内容区知识向量。
例如，使用第一图自注意力分支集合（例如，一个包含多个图自注意力子分支的集合）和第一特征映射分支（例如，一个全连接层）对第一上下文语义数据集合进行处理，以生成第一内容知识网络信息。具体地，将第一上下文语义数据集合中的每个语义单元输入到第一图自注意力分支集合和第一特征映射分支中，输出每个语义单元的内容知识网络信息。例如，对于语义单元“调节到适宜的光照强度”，其第一内容知识网络信息可以表示为一个二维矩阵，其中每个元素表示该语义单元与其它语义单元之间的语义关联性。
在此基础上，使用第二图自注意力分支集合（例如，一个包含多个图自注意力子分支的集合）、第一特征映射分支（例如，一个全连接层）、第二特征映射分支（例如，一个全连接层，且与第一特征映射分支互为反转操作节点）和第一内容知识网络信息确定第一内容区知识向量。具体地，将第一内容知识网络信息输入到第二图自注意力分支集合、第一特征映射分支和第二特征映射分支中，输出每个语义单元的第一内容区知识向量。例如，对于语义单元“调节到适宜的光照强度”，其第一内容区知识向量可以表示为一个一维向量，其中每个元素表示该语义单元在第一内容知识网络信息中的重要性程度。
在一种可能的实施方式中，所述第一图自注意力分支集合包括第一图自注意力分支与第二图自注意力分支，所述依据所述第一图自注意力分支集合与所述第一特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一内容知识网络信息，包括：
1、依据所述第一图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第一图网络数据，以更新所述第一上下文语义数据集合的实体维度数量。
例如，可以使用第一图自注意力分支（例如，一个图自注意力子分支）对第一上下文语义数据集合进行知识图生成，生成第一图网络数据。具体地，将第一上下文语义数据集合中的每个语义单元输入到第一图自注意力分支中，输出每个语义单元的图网络数据。例如，对于语义单元“调节到适宜的光照强度”，其第一图网络数据可以表示为一个二维矩阵，其中每个元素表示该语义单元与其它语义单元之间的语义关联性。同时，还会更新第一上下文语义数据集合的实体维度数量，使其与第一图网络数据的实体维度数量匹配。
2、依据所述第一特征映射分支对所述第一图网络数据进行特征映射转换，生成第一特征映射转换数据，所述第一特征映射转换数据的属性参数包括：所述第一图网络数据的词嵌入信息与词频和逆文档频率信息的融合属性参数，以及所述第一图网络数据的实体维度数量与语义单元数量的融合属性参数。
例如，使用第一特征映射分支（例如，一个全连接层）对第一图网络数据进行特征映射转换，生成第一特征映射转换数据。具体地，将第一图网络数据输入到第一特征映射分支中，输出第一特征映射转换数据。例如，对于语义单元“调节到适宜的光照强度”，其第一特征映射转换数据可以表示为一个一维向量，其中每个元素表示该语义单元在第一图网络数据中的重要性程度。同时，第一特征映射转换数据的属性参数包括：第一图网络数据的词嵌入信息与词频和逆文档频率信息的融合属性参数，以及第一图网络数据的实体维度数量与语义单元数量的融合属性参数。
3、依据所述第二图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第二图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第二图网络数据的实体维度数量与所述第一图网络数据的实体维度数量匹配。
例如，使用第二图自注意力分支（例如，一个图自注意力子分支）对第一上下文语义数据集合进行知识图生成，生成第二图网络数据。具体地，将第一上下文语义数据集合中的每个语义单元输入到第二图自注意力分支中，输出每个语义单元的图网络数据。例如，对于语义单元“调节到适宜的光照强度”，其第二图网络数据可以表示为一个二维矩阵，其中每个元素表示该语义单元与其它语义单元之间的语义关联性。同时，还会更新第一上下文语义数据集合的实体维度数量，使其与第二图网络数据的实体维度数量匹配。
4、依据所述第一特征映射分支对所述第二图网络数据进行特征映射转换，生成第二特征映射转换数据，所述第二特征映射转换数据的属性参数与所述第一特征映射转换数据的属性参数匹配。
例如，使用第一特征映射分支（例如，一个全连接层）对第二图网络数据进行特征映射转换，生成第二特征映射转换数据。具体地，将第二图网络数据输入到第一特征映射分支中，输出第二特征映射转换数据。例如，对于语义单元“调节到适宜的光照强度”，其第二特征映射转换数据可以表示为一个一维向量，其中每个元素表示该语义单元在第二图网络数据中的重要性程度。同时，第二特征映射转换数据的属性参数与第一特征映射转换数据的属性参数匹配。
5、计算所述第一特征映射转换数据与所述第二特征映射转换数据的解码数据的融合属性参数，生成所述第一上下文语义数据集合对应的第一内容知识网络信息，所述第一内容知识网络信息的属性参数包括：所述第一特征映射转换数据的词嵌入信息与所述第一特征映射转换数据的词频和逆文档频率信息的融合属性参数，以及所述第二特征映射转换数据的词嵌入信息与所述第二特征映射转换数据的词频和逆文档频率信息的融合属性参数。
例如，可以计算第一特征映射转换数据与第二特征映射转换数据的解码数据，生成第一内容知识网络信息。具体地，将第一特征映射转换数据与第二特征映射转换数据输入到第一内容知识网络信息中，输出每个语义单元的第一内容知识网络信息。例如，对于语义单元“调节到适宜的光照强度”，其第一内容知识网络信息可以表示为一个二维矩阵，其中每个元素表示该语义单元与其它语义单元之间的语义关联性。同时，第一内容知识网络信息的属性参数包括：第一内容知识网络信息的词嵌入信息与词频和逆文档频率信息，生成第一内容知识网络信息。具体地，将第一内容知识网络信息输入到第一内容知识网络信息中，输出每个语义单元的第一内容知识网络信息。同时，第一内容知识网络信息输入到第一内容知识网络信息中，输出每个语义单元的第一内容知识网络信息可以表示为一个二维矩阵，其中每个元素表示该语义单元与其它语义单元之间的语义关联性。
其中，所述第二图自注意力分支集合包括第三图自注意力分支与第四图自注意力分支，所述依据所述第二图自注意力分支集合、所述第一特征映射分支、所述第二特征映射分支，以及所述第一内容知识网络信息确定所述第一内容区知识向量，包括：
1、依据所述第三图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第三图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第三图网络数据的实体维度数量与所述第二图网络数据的实体维度数量匹配。
例如，对于语义单元“调节到适宜的光照强度”，其第三图网络数据可以表示为一个二维矩阵，其中每个元素表示该语义单元与其它语义单元之间的语义关联性。同时，还会更新第一上下文语义数据集合的实体维度数量，使其与第三图网络数据的实体维度数量匹配。
2、依据所述第一特征映射分支对所述第三图网络数据进行特征映射转换，生成第三特征映射转换数据，所述第三特征映射转换数据的属性参数与所述第一特征映射转换数据的属性参数匹配。
例如，对于语义单元“调节到适宜的光照强度”，其第三特征映射转换数据可以表示为一个一维向量，其中每个元素表示该语义单元在第三图网络数据中的重要性程度。同时，第三特征映射转换数据的属性参数与第一特征映射转换数据的属性参数匹配。
3、对所述第一内容知识网络信息进行规则化描述，生成第一规则化描述网络。
如，对于语义单元“调节到适宜的光照强度”，其第一规则化描述网络可以表示为一个二维矩阵，其中每个元素表示该语义单元与其它语义单元之间的语义关联性。
4、计算所述第一规则化描述网络与所述第三特征映射转换数据的解码数据的融合属性参数，生成第一融合结果，所述第一融合结果的属性参数与所述第三特征映射转换数据的解码数据的属性参数匹配。
例如，对于语义单元“调节到适宜的光照强度”，其第一融合结果可以表示为一个一维向量，其中每个元素表示该语义单元在第一规则化描述网络与第三特征映射转换数据的解码数据中的重要性程度。同时，第一融合结果的属性参数与第三特征映射转换数据的解码数据的属性参数匹配。
5、依据所述第二特征映射分支对所述第一融合结果进行特征映射转换，生成第四特征映射转换数据，所述第四特征映射转换数据的属性参数与所述第三图网络数据的属性参数匹配。
例如，对于语义单元“调节到适宜的光照强度”，其第四特征映射转换数据可以表示为一个一维向量，其中每个元素表示该语义单元在第一融合结果中的重要性程度。同时，第四特征映射转换数据的属性参数与第三图网络数据的属性参数匹配。
6、依据所述第四图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第四图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第四图网络数据的实体维度数量与所述第三图网络数据的实体维度数量匹配。
例如，对于语义单元“调节到适宜的光照强度”，其第四图网络数据可以表示为一个二维矩阵，其中每个元素表示该语义单元与其它语义单元之间的语义关联性。同时，还会更新第一上下文语义数据集合的实体维度数量，使其与第四图网络数据的实体维度数量匹配。
7、对所述第四特征映射转换数据与所述第四图网络数据进行融合，生成所述第一内容区知识向量。
例如，对于语义单元“调节到适宜的光照强度”，其第一内容区知识向量可以表示为一个一维向量，其中每个元素表示该语义单元在第四特征映射转换数据与第四图网络数据中的重要性程度。
在一种可能的实施方式中，所述第一设定顺序区编码网络包括：第三图自注意力分支集合、第四图自注意力分支集合、第三特征映射分支，以及第四特征映射分支，所述第四特征映射分支为所述第三特征映射分支的反转操作节点，所述步骤S1332可以包括：
1、依据所述第三图自注意力分支集合与所述第三特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一时域偏好特征信息。
2、依据所述第四图自注意力分支集合、所述第三特征映射分支、所述第四特征映射分支，以及所述第一时域偏好特征信息确定所述第一顺序区知识向量。
例如，使用第三图自注意力分支集合（例如，一个包含多个图自注意力子分支的集合）和第三特征映射分支（例如，一个全连接层）对第一上下文语义数据集合进行处理，以生成第一时域偏好特征信息。具体地，将第一上下文语义数据集合中的每个语义单元输入到第三图自注意力分支集合和第三特征映射分支中，输出每个语义单元的时域偏好特征信息。例如，对于语义单元“调节到适宜的光照强度”，其第一时域偏好特征信息可以表示为一个二维矩阵，其中每个元素表示该语义单元与其它语义单元之间的语义关联性。
使用第四图自注意力分支集合（例如，一个包含多个图自注意力子分支的集合）、第三特征映射分支（例如，一个全连接层）和第四特征映射分支（例如，一个全连接层，且与第三特征映射分支互为反转操作节点）对第一时域偏好特征信息进行处理，以确定第一顺序区知识向量。具体地，将第一时域偏好特征信息输入到第四图自注意力分支集合、第三特征映射分支和第四特征映射分支中，输出每个语义单元的第一顺序区知识向量。例如，对于语义单元“调节到适宜的光照强度”，其第一顺序区知识向量可以表示为一个一维向量，其中每个元素表示该语义单元在第一时域偏好特征信息中的重要性程度。
其中，所述第三图自注意力分支集合包括第五图自注意力分支与第六图自注意力分支，所述依据所述第三图自注意力分支集合与所述第三特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一时域偏好特征信息，包括：
1、依据所述第五图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第五图网络数据，以更新所述第一上下文语义数据集合的实体维度数量。
2、依据所述第三特征映射分支对所述第五图网络数据进行特征映射转换，生成第五特征映射转换数据，所述第五特征映射转换数据的属性参数包括：所述第五图网络数据的语义单元数量以及第一融合信息，所述第一融合信息为所述第五图网络数据的实体维度数量、所述第五图网络数据的词嵌入信息与所述第五图网络数据的词频和逆文档频率信息的融合属性参数。
3、依据所述第六图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第六图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第六图网络数据的实体维度数量与所述第五图网络数据的实体维度数量匹配。
4、依据所述第三特征映射分支对所述第六图网络数据进行特征映射转换，生成第六特征映射转换数据，所述第六特征映射转换数据的属性参数与所述第五特征映射转换数据的属性参数匹配。
5、计算所述第五特征映射转换数据与所述第六特征映射转换数据的解码数据的融合属性参数，生成所述第一上下文语义数据集合对应的第一时域偏好特征信息，所述第一时域偏好特征信息的属性参数包括：第五特征映射转换数据的语义单元数量，以及第六特征映射转换数据的语义单元数量。
其中，所述第四图自注意力分支集合包括第七图自注意力分支与第八图自注意力分支，所述依据所述第四图自注意力分支集合、所述第三特征映射分支、所述第四特征映射分支，以及所述第一时域偏好特征信息确定所述第一顺序区知识向量，包括：
1、依据所述第七图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第七图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第七图网络数据的实体维度数量与所述第六图网络数据的实体维度数量匹配。
2、依据所述第三特征映射分支对所述第七图网络数据进行特征映射转换，生成第七特征映射转换数据，所述第七特征映射转换数据的属性参数与所述第五特征映射转换数据的属性参数匹配。
3、对所述第一时域偏好特征信息进行规则化描述，生成第二规则化描述网络。
4、计算所述第二规则化描述网络与所述第七特征映射转换数据的解码数据的融合属性参数，生成第二融合结果，所述第二融合结果的属性参数与所述七特征映射转换数据的解码数据的属性参数匹配。
5、依据所述第四特征映射分支对所述第二融合结果进行特征映射转换，生成第八特征映射转换数据，所述第八特征映射转换数据的属性参数与所述第七图网络数据的属性参数匹配。
6、依据所述第八图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第八图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第八图网络数据的实体维度数量与所述第七图网络数据的实体维度数量匹配。
7、对所述第八特征映射转换数据与所述第八图网络数据进行融合，生成所述第一顺序区知识向量。
在一种可能的实施方式中，所述句法链包括多个句法单元，所述步骤S140可以包括：
步骤S141，针对所述多个句法单元中的各句法单元，获取所述句法单元的先行句法单元与所述句法单元的随后句法单元。
步骤S142，依据所述句法单元、所述先行句法单元，以及所述随后句法单元确定所述句法单元对应的第二上下文语义数据，生成所述句法链对应的第二上下文语义数据集合，所述第二上下文语义数据集合的属性参数包括：所述第二上下文语义数据集合的实体维度数量、所述第二上下文语义数据集合的语义单元数量、所述第二上下文语义数据集合的词嵌入信息，以及所述第二上下文语义数据集合的词频和逆文档频率信息。
步骤S143，基于所述第二上下文语义数据集合，第二设定内容区编码网络，以及第二设定顺序区编码网络确定对应的第二知识向量数据。
例如，对于句法单元“光照强度”，其先行句法单元可以是“调节”，随后句法单元可以是“适宜”。
对于句法单元“光照强度”，其第二上下文语义数据集合可以表示为一个二维矩阵，其中每个元素表示该句法单元与其它句法单元之间的关联程度。
对于句法单元“光照强度”，其第二知识向量数据可以表示为一个一维向量，其中每个元素表示该句法单元在第二上下文语义数据集合中的重要性程度。
在一种可能的实施方式中，步骤S150可以包括：
步骤S151，对所述第一知识向量数据与所述第二知识向量数据进行交融，生成交融结果。
步骤S152，依据第五特征映射分支对所述交融结果进行特征映射转换，生成第一目标特征映射转换数据，所述第一目标特征映射转换数据的属性参数包括：所述交融结果的实体维度数量与第二融合信息，所述第二融合信息为所述交融结果的词嵌入信息、所述交融结果的词频和逆文档频率信息与所述交融结果的语义单元数量的融合属性参数。
步骤S153，基于所述第一目标特征映射转换数据与目标深度学习网络，确定所述智能家居控制文本数据对应的智能家居控制策略。
例如，可以将第一知识向量数据与第二知识向量数据输入到一个交融模型中，输出交融结果。例如，对于句法单元“光照强度”，其交融结果可以表示为一个一维向量，其中每个元素表示该句法单元在第一知识向量数据与第二知识向量数据中的重要性程度。
将交融结果输入到第五特征映射分支中，输出第一目标特征映射转换数据。例如，对于句法单元“光照强度”，其第一目标特征映射转换数据可以表示为一个二维矩阵，其中每个元素表示该句法单元与其它句法单元之间的关联程度。
而后，将第一目标特征映射转换数据输入到目标深度学习网络中，输出智能家居控制策略。例如，对于句法单元“光照强度”，其智能家居控制策略可以包括：打开智能灯、调节智能灯的亮度等。
在一种可能的实施方式中，步骤S153可以包括：
步骤S1531，将所述第一目标特征映射转换数据输入目标深度学习网络，生成输出结果。
步骤S1532，依据第六特征映射分支对所述输出结果进行特征映射转换，生成第二目标特征映射转换数据，所述第二目标特征映射转换数据的属性参数与所述交融结果的属性参数匹配。
步骤S1533，对所述第二目标特征映射转换数据进行拆分，生成分别对应所述语义链，以及所述句法链的第三知识向量数据与第四知识向量数据。
步骤S1534，对所述第三知识向量数据与所述第四知识向量数据进行融合，生成融合结果。
步骤S1535，基于所述融合结果确定所述智能家居控制文本数据对应的智能家居控制策略。
例如，对于句法单元“光照强度”，其输出结果可以是一个一维向量，其中每个元素表示该句法单元在目标深度学习网络中的重要性程度。
对于句法单元“光照强度”，其第二目标特征映射转换数据可以是一个二维矩阵，其中每个元素表示该句法单元与其它句法单元之间的关联程度。
对于句法单元“光照强度”，其第三知识向量数据可以是一个一维向量，其中每个元素表示该句法单元在语义链中的重要性程度，其第四知识向量数据可以是一个一维向量，其中每个元素表示该句法单元在句法链中的重要性程度。
对于句法单元“光照强度”，其融合结果可以是一个一维向量，其中每个元素表示该句法单元在整个智能家居控制文本数据中的重要性程度。
例如，对于句法单元“光照强度”，其智能家居控制策略可以包括：打开智能灯、调节智能灯的亮度等。
譬如，在一种可能的实施方式中，所述方法包括：
步骤S101，获取模板智能家居控制文本数据，以及所述模板智能家居控制文本数据对应的目标模板智能家居控制策略。
步骤S102，基于所述模板智能家居控制文本数据确定对应的模板语义链与模板句法链。
步骤S103，通过智能家居控制网络中的编码器，依据所述模板语义链确定第一模板知识向量数据，以及依据所述模板句法链确定第二模板知识向量数据。其中，所述第一模板知识向量数据包括针对所述模板语义链的第三内容区知识向量与第三顺序区知识向量。所述第二模板知识向量数据包括针对所述模板句法链的第四内容区知识向量与第四顺序区知识向量。
步骤S104，依据所述智能家居控制网络中的全连接层，基于所述第一模板知识向量数据与所述第二模板知识向量数据确定所述模板智能家居控制文本数据对应的预测智能家居控制策略。
步骤S105，基于所述预测智能家居控制策略、所述目标模板智能家居控制策略，对所述智能家居控制网络进行训练，生成训练好的智能家居控制网络。
在一种可能的实施方式中，所述编码器包括：上下文编码器、内容区编码器，以及顺序区编码器，所述模板语义链包括多个模板语义单元，以及所述模板句法链包括多个模板句法单元。 通过智能家居控制网络中的编码器，依据所述模板语义链确定第一模板知识向量数据，以及依据所述模板句法链确定第二模板知识向量数据，包括： 依据所述上下文编码器，针对所述多个模板语义单元中的各模板语义单元，获取所述模板语义单元的先行模板语义单元与所述模板语义单元的随后模板语义单元。依据所述模板语义单元、所述先行模板语义单元，以及所述随后模板语义单元确定所述模板语义单元对应的第三上下文语义数据，生成所述模板语义链对应的第三上下文语义数据集合。以及针对所述多个模板句法单元中的各模板句法单元，获取所述模板句法单元的先行模板句法单元与所述模板句法单元的随后模板句法单元。依据所述模板句法单元、所述先行模板句法单元，以及所述随后模板句法单元确定所述模板句法单元对应的第四上下文语义数据，生成所述模板句法链对应的第四上下文语义数据集合。 依据所述内容区编码器，基于所述第三上下文语义数据集合与第三设定内容区编码网络，确定所述第三内容区知识向量。以及基于所述第四上下文语义数据集合与第四设定内容区编码网络，确定所述第四内容区知识向量。 依据所述顺序区编码器，基于所述第三上下文语义数据集合与第三设定顺序区编码网络，确定所述第三顺序区知识向量。以及基于所述第四上下文语义数据集合与第四设定顺序区编码网络，确定所述第四顺序区知识向量。
图2本申请实施例中提供了一种智能家居云端系统100，包括处理器1001和存储器1003及存储在存储器1003上的程序代码，该处理器1001执行上述程序代码以实现应用NLP的个性化智能家居控制策略生成方法的步骤。
图2所示的智能家居云端系统100包括：处理器1001和存储器1003。其中，处理器1001和存储器1003相连，如通过总线1002相连。可选地，智能家居云端系统100还可以包括收发器1004，收发器1004可以用于该智能家居云端系统100与其它智能家居云端系统100之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际调度中收发器1004不限于一个，该智能家居云端系统100的结构并不构成对本申请实施例的限定。
处理器1001可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（ApplicationSpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其它可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线1002可包括一通路，在上述组件之间传送信息。总线1002可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器1003可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其它类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其它类型的动态存储设备，也可以是EEPROM（ElectricallyErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（CompactDiscRead Only Memory，只读光盘）或其它光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质、其它磁存储设备、或者能够用于携带或存储程序代码并能够由计算机读取的任何其它介质，在此不做限定。
存储器1003用于存储执行本申请实施例的程序代码，并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的程序代码，以实现前述方法实施例所示的步骤。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有程序代码，程序代码被处理器执行时可实现前述方法实施例的步骤及相应内容。
以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用依据本申请技术思想的其它类似实施手段，同样属于本申请实施例的保护范畴。

Claims (8)

1.一种应用NLP的个性化智能家居控制策略生成方法，其特征在于，应用于智能家居云端系统，所述方法包括：
获取待解析的智能家居控制文本数据；
基于所述智能家居控制文本数据确定对应的语义链与句法链；
依据所述语义链确定第一知识向量数据，所述第一知识向量数据包括针对所述语义链的第一内容区知识向量与第一顺序区知识向量；
依据所述句法链确定第二知识向量数据，所述第二知识向量数据包括针对所述句法链的第二内容区知识向量与第二顺序区知识向量；
基于所述第一知识向量数据与所述第二知识向量数据确定所述智能家居控制文本数据对应的智能家居控制策略；
所述语义链包括多个语义单元，所述依据所述语义链确定第一知识向量数据，包括：
针对所述多个语义单元中的各语义单元，获取所述语义单元的先行语义单元与所述语义单元的随后语义单元；
依据所述语义单元、所述先行语义单元，以及所述随后语义单元确定所述语义单元对应的第一上下文语义数据，生成所述语义链对应的第一上下文语义数据集合，所述第一上下文语义数据集合的属性参数包括：
所述第一上下文语义数据集合的实体维度数量、所述第一上下文语义数据集合的语义单元数量、所述第一上下文语义数据集合的词嵌入信息，以及所述第一上下文语义数据集合的词频和逆文档频率信息；
基于所述第一上下文语义数据集合，第一设定内容区编码网络，以及第一设定顺序区编码网络确定对应的第一知识向量数据；
所述基于所述第一上下文语义数据集合，第一设定内容区编码网络，以及第一设定顺序区编码网络确定对应的第一知识向量数据，包括：
基于所述第一上下文语义数据集合与所述第一设定内容区编码网络，确定所述第一内容区知识向量；
基于所述第一上下文语义数据集合与所述第一设定顺序区编码网络，确定所述第一顺序区知识向量。
2.根据权利要求1所述的应用NLP的个性化智能家居控制策略生成方法，其特征在于，所述第一设定内容区编码网络包括：第一图自注意力分支集合、第二图自注意力分支集合、第一特征映射分支以及第二特征映射分支，所述第二特征映射分支为所述第一特征映射分支的反转操作节点，基于所述第一上下文语义数据集合与所述第一设定内容区编码网络，确定所述第一内容区知识向量，包括：
依据所述第一图自注意力分支集合与所述第一特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一内容知识网络信息；
依据所述第二图自注意力分支集合、所述第一特征映射分支、所述第二特征映射分支，以及所述第一内容知识网络信息确定所述第一内容区知识向量。
3.根据权利要求2所述的应用NLP的个性化智能家居控制策略生成方法，其特征在于，所述第一图自注意力分支集合包括第一图自注意力分支与第二图自注意力分支，所述依据所述第一图自注意力分支集合与所述第一特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一内容知识网络信息，包括：
依据所述第一图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第一图网络数据，以更新所述第一上下文语义数据集合的实体维度数量；
依据所述第一特征映射分支对所述第一图网络数据进行特征映射转换，生成第一特征映射转换数据，所述第一特征映射转换数据的属性参数包括：所述第一图网络数据的词嵌入信息与词频和逆文档频率信息的融合属性参数，以及所述第一图网络数据的实体维度数量与语义单元数量的融合属性参数；
依据所述第二图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第二图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第二图网络数据的实体维度数量与所述第一图网络数据的实体维度数量匹配；
依据所述第一特征映射分支对所述第二图网络数据进行特征映射转换，生成第二特征映射转换数据，所述第二特征映射转换数据的属性参数与所述第一特征映射转换数据的属性参数匹配；
计算所述第一特征映射转换数据与所述第二特征映射转换数据的解码数据的融合属性参数，生成所述第一上下文语义数据集合对应的第一内容知识网络信息，所述第一内容知识网络信息的属性参数包括：
所述第一特征映射转换数据的词嵌入信息与所述第一特征映射转换数据的词频和逆文档频率信息的融合属性参数，以及所述第二特征映射转换数据的词嵌入信息与所述第二特征映射转换数据的词频和逆文档频率信息的融合属性参数；
其中，所述第二图自注意力分支集合包括第三图自注意力分支与第四图自注意力分支，所述依据所述第二图自注意力分支集合、所述第一特征映射分支、所述第二特征映射分支，以及所述第一内容知识网络信息确定所述第一内容区知识向量，包括：
依据所述第三图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第三图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第三图网络数据的实体维度数量与所述第二图网络数据的实体维度数量匹配；
依据所述第一特征映射分支对所述第三图网络数据进行特征映射转换，生成第三特征映射转换数据，所述第三特征映射转换数据的属性参数与所述第一特征映射转换数据的属性参数匹配；
对所述第一内容知识网络信息进行规则化描述，生成第一规则化描述网络；
计算所述第一规则化描述网络与所述第三特征映射转换数据的解码数据的融合属性参数，生成第一融合结果，所述第一融合结果的属性参数与所述第三特征映射转换数据的解码数据的属性参数匹配；
依据所述第二特征映射分支对所述第一融合结果进行特征映射转换，生成第四特征映射转换数据，所述第四特征映射转换数据的属性参数与所述第三图网络数据的属性参数匹配；
依据所述第四图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第四图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第四图网络数据的实体维度数量与所述第三图网络数据的实体维度数量匹配；
对所述第四特征映射转换数据与所述第四图网络数据进行融合，生成所述第一内容区知识向量。
4.根据权利要求1所述的应用NLP的个性化智能家居控制策略生成方法，其特征在于，所述第一设定顺序区编码网络包括：第三图自注意力分支集合、第四图自注意力分支集合、第三特征映射分支，以及第四特征映射分支，所述第四特征映射分支为所述第三特征映射分支的反转操作节点，所述基于所述第一上下文语义数据集合与所述第一设定顺序区编码网络，确定所述第一顺序区知识向量，包括：
依据所述第三图自注意力分支集合与所述第三特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一时域偏好特征信息；
依据所述第四图自注意力分支集合、所述第三特征映射分支、所述第四特征映射分支，以及所述第一时域偏好特征信息确定所述第一顺序区知识向量；
其中，所述第三图自注意力分支集合包括第五图自注意力分支与第六图自注意力分支，所述依据所述第三图自注意力分支集合与所述第三特征映射分支，对所述第一上下文语义数据集合进行处理，生成所述第一上下文语义数据集合对应的第一时域偏好特征信息，包括：
依据所述第五图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第五图网络数据，以更新所述第一上下文语义数据集合的实体维度数量；
依据所述第三特征映射分支对所述第五图网络数据进行特征映射转换，生成第五特征映射转换数据，所述第五特征映射转换数据的属性参数包括：所述第五图网络数据的语义单元数量以及第一融合信息，所述第一融合信息为所述第五图网络数据的实体维度数量、所述第五图网络数据的词嵌入信息与所述第五图网络数据的词频和逆文档频率信息的融合属性参数；
依据所述第六图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第六图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第六图网络数据的实体维度数量与所述第五图网络数据的实体维度数量匹配；
依据所述第三特征映射分支对所述第六图网络数据进行特征映射转换，生成第六特征映射转换数据，所述第六特征映射转换数据的属性参数与所述第五特征映射转换数据的属性参数匹配；
计算所述第五特征映射转换数据与所述第六特征映射转换数据的解码数据的融合属性参数，生成所述第一上下文语义数据集合对应的第一时域偏好特征信息，所述第一时域偏好特征信息的属性参数包括：第五特征映射转换数据的语义单元数量，以及第六特征映射转换数据的语义单元数量；
其中，所述第四图自注意力分支集合包括第七图自注意力分支与第八图自注意力分支，所述依据所述第四图自注意力分支集合、所述第三特征映射分支、所述第四特征映射分支以及所述第一时域偏好特征信息确定所述第一顺序区知识向量，包括：
依据所述第七图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第七图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第七图网络数据的实体维度数量与所述第六图网络数据的实体维度数量匹配；
依据所述第三特征映射分支对所述第七图网络数据进行特征映射转换，生成第七特征映射转换数据，所述第七特征映射转换数据的属性参数与所述第五特征映射转换数据的属性参数匹配；
对所述第一时域偏好特征信息进行规则化描述，生成第二规则化描述网络；
计算所述第二规则化描述网络与所述第七特征映射转换数据的解码数据的融合属性参数，生成第二融合结果，所述第二融合结果的属性参数与所述七特征映射转换数据的解码数据的属性参数匹配；
依据所述第四特征映射分支对所述第二融合结果进行特征映射转换，生成第八特征映射转换数据，所述第八特征映射转换数据的属性参数与所述第七图网络数据的属性参数匹配；
依据所述第八图自注意力分支对所述第一上下文语义数据集合进行知识图生成，生成第八图网络数据，以更新所述第一上下文语义数据集合的实体维度数量，所述第八图网络数据的实体维度数量与所述第七图网络数据的实体维度数量匹配；
对所述第八特征映射转换数据与所述第八图网络数据进行融合，生成所述第一顺序区知识向量。
5.根据权利要求1所述的应用NLP的个性化智能家居控制策略生成方法，其特征在于，所述句法链包括多个句法单元，所述依据所述句法链确定第二知识向量数据，包括：
针对所述多个句法单元中的各句法单元，获取所述句法单元的先行句法单元与所述句法单元的随后句法单元；
依据所述句法单元、所述先行句法单元，以及所述随后句法单元确定所述句法单元对应的第二上下文语义数据，生成所述句法链对应的第二上下文语义数据集合，所述第二上下文语义数据集合的属性参数包括：所述第二上下文语义数据集合的实体维度数量、所述第二上下文语义数据集合的语义单元数量、所述第二上下文语义数据集合的词嵌入信息，以及所述第二上下文语义数据集合的词频和逆文档频率信息；
基于所述第二上下文语义数据集合，第二设定内容区编码网络，以及第二设定顺序区编码网络确定对应的第二知识向量数据。
6.根据权利要求4所述的应用NLP的个性化智能家居控制策略生成方法，其特征在于，所述基于所述第一知识向量数据与所述第二知识向量数据确定所述智能家居控制文本数据对应的智能家居控制策略，包括：
对所述第一知识向量数据与所述第二知识向量数据进行交融，生成交融结果；
依据第五特征映射分支对所述交融结果进行特征映射转换，生成第一目标特征映射转换数据，所述第一目标特征映射转换数据的属性参数包括：所述交融结果的实体维度数量与第二融合信息，所述第二融合信息为所述交融结果的词嵌入信息、所述交融结果的词频和逆文档频率信息与所述交融结果的语义单元数量的融合属性参数；
基于所述第一目标特征映射转换数据与目标深度学习网络，确定所述智能家居控制文本数据对应的智能家居控制策略。
7.根据权利要求6所述的应用NLP的个性化智能家居控制策略生成方法，其特征在于，所述基于所述第一目标特征映射转换数据与目标深度学习网络，确定所述智能家居控制文本数据对应的智能家居控制策略，包括：
将所述第一目标特征映射转换数据输入目标深度学习网络，生成输出结果；
依据第六特征映射分支对所述输出结果进行特征映射转换，生成第二目标特征映射转换数据，所述第二目标特征映射转换数据的属性参数与所述交融结果的属性参数匹配；
对所述第二目标特征映射转换数据进行拆分，生成分别对应所述语义链，以及所述句法链的第三知识向量数据与第四知识向量数据；
对所述第三知识向量数据与所述第四知识向量数据进行融合，生成融合结果；
基于所述融合结果确定所述智能家居控制文本数据对应的智能家居控制策略。
8.一种智能家居云端系统，其特征在于，所述智能家居云端系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-7中任意一项所述的应用NLP的个性化智能家居控制策略生成方法。
CN202311860226.4A 2023-12-31 2023-12-31 应用nlp的个性化智能家居控制策略生成方法及系统 Active CN117518857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311860226.4A CN117518857B (zh) 2023-12-31 2023-12-31 应用nlp的个性化智能家居控制策略生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311860226.4A CN117518857B (zh) 2023-12-31 2023-12-31 应用nlp的个性化智能家居控制策略生成方法及系统

Publications (2)

Publication Number Publication Date
CN117518857A CN117518857A (zh) 2024-02-06
CN117518857B true CN117518857B (zh) 2024-04-09

Family

ID=89742306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311860226.4A Active CN117518857B (zh) 2023-12-31 2023-12-31 应用nlp的个性化智能家居控制策略生成方法及系统

Country Status (1)

Country Link
CN (1) CN117518857B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579718A (zh) * 2022-02-15 2022-06-03 来也科技(北京)有限公司 结合rpa和ai的文本特征生成方法、装置、设备及存储介质
CN114817755A (zh) * 2021-01-21 2022-07-29 腾讯科技（深圳）有限公司 一种用户互动内容管理方法、装置和存储介质
CN114863928A (zh) * 2022-07-07 2022-08-05 南昌华飞物联技术有限公司 智能家居语音控制方法、系统、电子设备及存储介质
WO2023226292A1 (zh) * 2022-05-27 2023-11-30 苏州思萃人工智能研究所有限公司 从文本中进行关系抽取的方法、关系抽取模型及介质
CN117193031A (zh) * 2023-09-14 2023-12-08 深圳康佳电子科技有限公司 一种基于用户画像的智能家居控制方法及相关设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817755A (zh) * 2021-01-21 2022-07-29 腾讯科技（深圳）有限公司 一种用户互动内容管理方法、装置和存储介质
CN114579718A (zh) * 2022-02-15 2022-06-03 来也科技(北京)有限公司 结合rpa和ai的文本特征生成方法、装置、设备及存储介质
WO2023226292A1 (zh) * 2022-05-27 2023-11-30 苏州思萃人工智能研究所有限公司 从文本中进行关系抽取的方法、关系抽取模型及介质
CN114863928A (zh) * 2022-07-07 2022-08-05 南昌华飞物联技术有限公司 智能家居语音控制方法、系统、电子设备及存储介质
CN117193031A (zh) * 2023-09-14 2023-12-08 深圳康佳电子科技有限公司 一种基于用户画像的智能家居控制方法及相关设备

Also Published As

Publication number Publication date
CN117518857A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
US20230025317A1 (en) Text classification model training method, text classification method, apparatus, device, storage medium and computer program product
CN110032633B (zh) 多轮对话处理方法、装置和设备
US11157384B2 (en) Methods, systems, articles of manufacture and apparatus for code review assistance for dynamically typed languages
CN113342318B (zh) 基于多视图代码特征的细粒度代码自动生成方法及系统
CN117173504A (zh) 一种文生图模型的训练方法、装置、设备及存储介质
TW202011280A (zh) 操作搜索框架系統之方法
CN116681630B (zh) 图像处理方法、装置、电子设备及存储介质
CN116681810B (zh) 虚拟对象动作生成方法、装置、计算机设备和存储介质
CN116306603A (zh) 标题生成模型的训练方法和标题生成方法、装置和介质
KR20190053028A (ko) 제약조건 영향력 제어 계층을 이용한 신경망 학습 기반의 신경망 기계 번역 장치 및 그 동작방법
US11249891B1 (en) Machine-learning framework for testing feedback controller robustness
CN117518857B (zh) 应用nlp的个性化智能家居控制策略生成方法及系统
CN113268996A (zh) 用于扩充语料的方法和用于翻译模型的训练方法及产品
CN114564958B (zh) 文本识别方法、装置、设备及介质
CN116644180A (zh) 文本匹配模型的训练方法、训练系统和文本标签确定方法
CN113609157B (zh) 语言转换模型训练、语言转换方法、装置、设备及介质
CN115600090A (zh) 一种模型的所有权验证方法、装置、存储介质及电子设备
CN113591493B (zh) 翻译模型的训练方法及翻译模型的装置
CN114626480A (zh) 多源异构数据特征提取装置、方法、存储介质及电子设备
CN111048065B (zh) 文本纠错数据生成方法及相关装置
CN113553849A (zh) 模型训练方法、识别方法、装置、电子设备和计算机存储介质
CN114925660B (zh) 文本处理模型训练方法及装置、文本处理方法及装置
CN114492457B (zh) 语义识别方法、装置、电子设备及存储介质
CN116993996B (zh) 对图像中的对象进行检测的方法及装置
CN116737756B (zh) 一种数据查询方法、装置、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
GR01 Patent grant
GR01 Patent grant