CN117555428B - 一种人工智能交互方法、系统、计算机设备及其存储介质 - Google Patents
一种人工智能交互方法、系统、计算机设备及其存储介质 Download PDFInfo
- Publication number
- CN117555428B CN117555428B CN202410044384.0A CN202410044384A CN117555428B CN 117555428 B CN117555428 B CN 117555428B CN 202410044384 A CN202410044384 A CN 202410044384A CN 117555428 B CN117555428 B CN 117555428B
- Authority
- CN
- China
- Prior art keywords
- information
- user
- behavior
- curve
- operation information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000003993 interaction Effects 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 90
- 238000013473 artificial intelligence Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及AI交互技术领域,具体公开了一种人工智能交互方法、系统、计算机设备及其存储介质,所述方法包括显示推送信息,基于预设的信息采集设备采集用户的行为信息和操作信息,根据操作信息确定目标信息,并根据所述行为信息和所述操作信息判定用户特征;根据所述用户特征定时更新与用户一一对应的应用模型,根据更新好的应用模型实时控制预处理过程。本发明通过记录用户的行为信息和操作信息,训练出一个可以对用户的行为信息进行预测的神经网络模型,在使用过程中,不断地根据用户的行为信息对操作信息进行预测,提前打开数据库或做出其他准备,从用户的角度来说,极大地提高了响应速度,有效地缓解了“迟钝”现象。
Description
技术领域
本发明涉及AI交互技术领域,具体是一种人工智能交互方法、系统、计算机设备及其存储介质。
背景技术
人工智能交互是指利用人工智能技术来模拟人类智能的交互方式,从而实现人与机器之间的有效沟通。这种交互方式可以在语音、文字、图像等多种形式下实现,并广泛应用于智能客服、智能家居、智能导航等领域。
在实现人工智能交互时,需要用到自然语言处理、语音识别、图像识别等多项技术,其中自然语言处理是最为核心的部分。通过自然语言处理技术,机器可以理解人类的语言,并从中提取出有用的信息,从而进行智能化的处理和回复。
人工智能交互涉及到的数据库非常庞大,在接收到用户输入的操作信息时,后台需要以极高的资源投入量完成反馈,这一过程需要时间,从用户的角度上来说,机器的反应有些迟钝(尽管运算速度实际上非常高),这一迟钝的优化过程为,不断地提高设备性能,但是,当性能足够高时,继续提高性能带来的收益越来越低,如何提供一种新的方式优化这一迟钝是本申请想要解决的技术问题。
发明内容
本发明的目的在于提供一种人工智能交互方法、系统、计算机设备及其存储介质,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种人工智能交互方法,所述方法包括:
接收用户输入的含有索引标签的互动请求,根据索引标签查询推送信息;
显示推送信息,基于预设的信息采集设备采集用户的行为信息和操作信息,根据操作信息确定目标信息,并根据所述行为信息和所述操作信息判定用户特征;
根据所述用户特征定时更新与用户一一对应的应用模型,根据更新好的应用模型实时控制预处理过程;其中,所述应用模型为神经网络模型,所述预处理过程包括各个操作信息的响应的前置处理流程。
作为本发明进一步的方案:所述接收用户输入的含有索引标签的互动请求,根据索引标签查询推送信息的步骤包括:
接收用户输入的含有次序的标签组;所述次序用于表征用户的偏好程度;
基于所述次序依次读取标签,在预设的标签库中进行遍历匹配,得到相似标签;
显示所述相似标签,接收用户的选取信息,确定最终标签组;
根据所述最终标签组查询并显示推送信息。
作为本发明进一步的方案:所述根据所述最终标签组查询并显示推送信息的步骤包括:
统计最终标签组中各标签关联的推送信息库,得到待检信息库;
依次读取最终标签组中的标签,根据所述标签对各待检信息库进行限缩,并获取限缩后的待检信息库中的元素数量;
将限缩后的待检信息库中的元素数量与关联的推送信息库的元素数量进行作差,得到数量差值;
将所述数量差值与预设的差值条件进行比对,根据比对结果判定该标签的曝光度;
基于所述曝光度在待检信息库中选取推送信息;
其中,曝光度的判定规则为:
;式中,P为某一标签的曝光度,/>为预设的修正系数,/>为该标签在待检信息库的匹配数量,/>为该标签对应的推送信息库的元素总数。
作为本发明进一步的方案:所述基于所述曝光度在待检信息库中选取推送信息的步骤包括:
统计所有用户的历史浏览数量,确定显示数量;
根据次序和曝光度确定各标签的推送比例;
基于所述推送比例和所述显示数量确定推送数量;
根据所述推送数量在各标签关联的推送信息库中选取推送信息。
作为本发明进一步的方案:所述显示推送信息,基于预设的信息采集设备采集用户的行为信息和操作信息,根据操作信息确定目标信息,并根据所述行为信息和所述操作信息判定用户特征的步骤包括:
显示推送信息,向用户发送视觉信息获取请求,接收用户输入的允许权限;
当接收到用户授予的允许权限时,基于预设的人脸识别仪获取用户的行为信息;所述行为信息包括由人员轮廓及面部轮廓确定;
基于预设的线程实时监测用户的操作信息;其中,所述操作信息与所述行为信息中均含有时间标签;
根据时间信息对行为信息和操作信息进行配对,根据配对频数选取配对结果,作为用户特征。
作为本发明进一步的方案:所述根据时间信息对行为信息和操作信息进行配对,根据配对频数选取配对结果,作为用户特征的步骤包括:
根据独立的映射规则分别对行为信息和操作信息进行数值化;
根据数值化结果拟合出与行为信息对应的行为曲线和与操作信息对应的操作曲线;
分别计算两条曲线的导数曲线,并对导数曲线进行正值化;
根据下正值化后的导数曲线计算曲线匹配度,当曲线匹配度达到预设的阈值时,根据导数曲线分别确定行为曲线和操作曲线的极值点,由极值点的差值选取至少一个配对时差,基于配对时差对行为信息和操作信息进行配对;
其中,所述曲线匹配度的计算过程为:
;式中,/>为曲线匹配度,/>和/>分别为预先确定的计算曲线匹配度的时间区间的两个端点,/>为指数函数,/>为行为曲线的导数曲线中t时刻的数值,/>为正值化后的/>,/>为操作曲线的导数曲线中t时刻的数值,/>为正值化后的/>。
作为本发明进一步的方案:所述根据所述用户特征定时更新与用户一一对应的应用模型,根据更新好的应用模型实时控制预处理过程的步骤包括:
查询用户对应的应用模型,根据用户特征更新样本集,由样本集训练所述应用模型;其中,所述样本集中的数据为配对结果,每个应用模型中均含有一个与用户对应的索引标签,所述应用模型的输入为行为信息,输出为操作信息;
将获取到的行为信息输入训练好的应用模型,得到预测操作信息;
根据预测操作信息激活预处理过程。
本发明技术方案还提供了一种人工智能交互系统,所述系统包括:
推送信息查询模块,用于接收用户输入的含有索引标签的互动请求,根据索引标签查询推送信息;
用户特征提取模块,用于显示推送信息,基于预设的信息采集设备采集用户的行为信息和操作信息,根据操作信息确定目标信息,并根据所述行为信息和所述操作信息判定用户特征;
特征应用模块,用于根据所述用户特征定时更新与用户一一对应的应用模型,根据更新好的应用模型实时控制预处理过程;其中,所述应用模型为神经网络模型,所述预处理过程包括各个操作信息的响应的前置处理流程。
本发明技术方案还提供了一种计算机设备,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行时,实现所述人工智能交互方法。
本发明技术方案还提供了一种存储介质,所述存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行时,实现所述人工智能交互方法。
与现有技术相比,本发明的有益效果是:本发明通过记录用户的行为信息和操作信息,训练出一个可以对用户的行为信息进行预测的神经网络模型,在使用过程中,不断地根据用户的行为信息对操作信息进行预测,提前打开数据库或做出其他准备,从用户的角度来说,极大地提高了响应速度,有效地缓解了“迟钝”现象。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1为人工智能交互方法的流程框图。
图2为人工智能交互方法的第一子流程框图。
图3为人工智能交互方法的第二子流程框图。
图4为人工智能交互方法的第三子流程框图。
图5为人工智能交互系统的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
图1为人工智能交互方法的流程框图,本发明实施例中,一种人工智能交互方法,所述方法包括:
步骤S100:接收用户输入的含有索引标签的互动请求,根据索引标签查询推送信息;
接收用户输入的含有索引标签的互动请求,所述索引标签是一些关键词的集合,用于表示用户想要获取的内容属于何种类型;根据索引标签,可以查询一些推送信息,用户可以在这些推送信息中选择符合需求的内容,也可以直接输入一些关键词,直接查询到想要的内容。
步骤S200:显示推送信息,基于预设的信息采集设备采集用户的行为信息和操作信息,根据操作信息确定目标信息,并根据所述行为信息和所述操作信息判定用户特征;
显示推送信息,在信息推送过程中,基于预设的信息采集设备可以实时采集用户的行为信息和操作信息,所述行为信息为用户在选取推送信息的过程中,做出的行为;所述操作信息为用户在设备上的操作信息,包括键盘输入、鼠标输入、语音输入和触屏输入等等;在用户选取的过程中,不断地结合用户的行为信息和用户的操作信息,可以对用户的习惯进行初步判断,由用户特征这一参数进行表示。
步骤S300:根据所述用户特征定时更新与用户一一对应的应用模型,根据更新好的应用模型实时控制预处理过程;其中,所述应用模型为神经网络模型,所述预处理过程包括各个操作信息的响应的前置处理流程;
对于不同的用户特征,本方法执行方体预先设置一些应用模型,所述应用模型是与用户一一对应的神经网络模型,它是用户的行为信息与操作信息的映射,在应用过程中,获取到行为信息后,由应用模型对行为信息进行识别,可以对最终的操作信息进行预测,由此,可以对相应的预处理过程进行配置,这样可以极大地提高用户角度中的响应速度。举例来说,当用户抬手时,本方法执行主体预测其要键入内容,此时,后台建立与检索数据库的连接通道,当接收到键入内容时,预处理过程已经完成,从用户角度上来说,响应速度极快。
图2为人工智能交互方法的第一子流程框图,所述接收用户输入的含有索引标签的互动请求,根据索引标签查询推送信息的步骤包括:
步骤S101:接收用户输入的含有次序的标签组;所述次序用于表征用户的偏好程度;
接收用户输入的标签组,标签组中的标签存在次序特征,次序表明用户的需求程度,排名越靠前,用户的需求程度越高。
步骤S102:基于所述次序依次读取标签,在预设的标签库中进行遍历匹配,得到相似标签;
基于所述次序依次读取标签,标签组中的标签由用户输入,可能不是非常准确,根据标签在预设的标签库中进行遍历匹配,可以得到与该标签相似的标签,称为相似标签;所述相似标签是本方法执行主体已经备案的标签,在后续的处理过程中,更加容易。
步骤S103:显示所述相似标签,接收用户的选取信息,确定最终标签组;
显示所述相似标签,由用户判断是否选用,如果用户觉得失去了原本含义,用户可以选择删除,由此,可以得到一个最终标签组。
步骤S104:根据所述最终标签组查询并显示推送信息;
根据最终标签组在推送信息备案库中查询推送推息,由于最终标签组中的标签都是已备案的标签,查询过程并不困难。
作为本发明技术方案的一个优选实施例,所述根据所述最终标签组查询并显示推送信息的步骤包括:
统计最终标签组中各标签关联的推送信息库,得到待检信息库;
依次读取最终标签组中的标签,根据所述标签对各待检信息库进行限缩,并获取限缩后的待检信息库中的元素数量;
将限缩后的待检信息库中的元素数量与关联的推送信息库的元素数量进行作差,得到数量差值;
将所述数量差值与预设的差值条件进行比对,根据比对结果判定该标签的曝光度;
基于所述曝光度在待检信息库中选取推送信息;
上述内容对推送信息的显示过程进行了具体的描述,首先,在推送信息备案库中查询某一标签对应的推送信息库;连接所有标签对应的推送信息库,可以得到一个总库,称为待检信息库;然后,由各个标签在总库(待检信息库)中进行遍历查询,可以得到一个包含该标签的元素组成的库,且该库中的元素数量不小于该标签对应的推送信息库;最后,计算两库之间的差值,这一差值反映了,某一个标签在其他推送信息库中的出现频数,所述出现频数由曝光度这一参数反映,不同曝光度影响着推送信息的选取数量。
具体的,;式中,P为某一标签的曝光度,/>为预设的修正系数,/>为该标签在待检信息库的匹配数量,/>为该标签对应的推送信息库的元素总数。
上式的含义为,标签关联的推送信息库中的数据都含有该标签,所有标签关联的推送信息库可以组成一个大的数据库,称为待检信息库,根据标签在大的数据库(待检信息库)中查询匹配的数量,该数量一般较多,它表示该标签在所有的推送信息库中的被包含的情况,对数量进行作差,可以得到标签在其他标签关联的推送信息库中的出现情况,出现的越多,该标签曝光度越高。
在本发明技术方案的一个实例中,所述基于所述曝光度在待检信息库中选取推送信息的步骤包括:
统计所有用户的历史浏览数量,确定显示数量;
根据次序和曝光度确定各标签的推送比例;
基于所述推送比例和所述显示数量确定推送数量;
根据所述推送数量在各标签关联的推送信息库中选取推送信息。
推送信息的选取过程涉及到次序和曝光度两个参数,由次序和曝光度这两个参数可以确定各标签的推送比例,确定过程由工作人员预先设定;获取用户的历史浏览数量,所述历史浏览数量用于表征用户一次浏览过程会浏览多少内容,该内容是有限的,由显示数量这一参数进行表示;根据所述显示数量和所述推送比例,可以计算出推送数量,由推送数量选取对应的推送信息即可。
图3为人工智能交互方法的第二子流程框图,所述显示推送信息,基于预设的信息采集设备采集用户的行为信息和操作信息,根据操作信息确定目标信息,并根据所述行为信息和所述操作信息判定用户特征的步骤包括:
步骤S201:显示推送信息,向用户发送视觉信息获取请求,接收用户输入的允许权限;
步骤S202:当接收到用户授予的允许权限时,基于预设的人脸识别仪获取用户的行为信息;所述行为信息包括由人员轮廓及面部轮廓确定;
步骤S203:基于预设的线程实时监测用户的操作信息;其中,所述操作信息与所述行为信息中均含有时间标签;
步骤S204:根据时间信息对行为信息和操作信息进行配对,根据配对频数选取配对结果,作为用户特征。
在本发明技术方案的一个实例中,不断地显示推送信息,在显示推送信息的过程中,向用户发送视觉信息获取请求,告知用户会对其进行拍摄,用户会反馈一个允许权限,当然,用户可以拒绝授予权限,如果用户拒绝授予权限,那么后续过程无法进行。
在接收到用户授予的允许权限后,由摄像头(人脸识别仪)录制用户视频,对用户视频进行分析,可以确定用户的行为信息,所述行为信息主要包括人员轮廓和面部轮廓,人员轮廓用于分析得到用户的姿势,面部轮廓用于分析得到用户的情绪及视线位置。
操作信息是用户输入的指令,与本方法执行主体进行的真实交互过程,它可以由内置于本方法执行主体的存储库获取得到,需要说明的是,所述操作信息与所述行为信息中均含有时间标签,这样才能确定对应关系。
最后,对行为信息和操作信息进行配对,可以得到一个输入-输出数据对,由此构建样本集,训练一个神经网格模型,在接收到新的输入(行为信息)时,可以计算出一个预测的操作信息,由此进行后续的预处理过程。
作为本发明技术方案的一个优选实施例,所述根据时间信息对行为信息和操作信息进行配对,根据配对频数选取配对结果,作为用户特征的步骤包括:
根据独立的映射规则分别对行为信息和操作信息进行数值化;
根据数值化结果拟合出与行为信息对应的行为曲线和与操作信息对应的操作曲线;
分别计算两条曲线的导数曲线,并对导数曲线进行正值化;
根据下正值化后的导数曲线计算曲线匹配度,当曲线匹配度达到预设的阈值时,根据导数曲线分别确定行为曲线和操作曲线的极值点,由极值点的差值选取至少一个配对时差,基于配对时差对行为信息和操作信息进行配对;
其中,所述曲线匹配度的计算过程为:
;式中,/>为曲线匹配度,/>和/>分别为预先确定的计算曲线匹配度的时间区间的两个端点,/>为指数函数,/>为行为曲线的导数曲线中t时刻的数值,/>为正值化后的/>,/>为操作曲线的导数曲线中t时刻的数值,/>为正值化后的/>。
在本发明技术方案的一个实例中,将行为信息和操作信息(数据结构不固定)转换为数值,进行结合时间顺序,得到多个坐标点;由坐标点可以拟合出两条曲线,两条曲线的导数曲线即可反映其变化情况。
由于行为信息和操作信息本身就存在时间上的偏移,因此,关于两者是否存在对应关系需要提前简单的计算一下,本申请提供的计算方式为,对一段时间内两者的导数曲线进行正值化(计算绝对值),然后计算正值化后的两条曲线的差值的积分,如果计算双方的相似度较高,那么积分值为接近于零,此时,在的函数作用下,得到的曲线匹配度更高,并且在(0,1)范围内。
图4为人工智能交互方法的第三子流程框图,所述根据所述用户特征定时更新与用户一一对应的应用模型,根据更新好的应用模型实时控制预处理过程的步骤包括:
步骤S301:查询用户对应的应用模型,根据用户特征更新样本集,由样本集训练所述应用模型;其中,所述样本集中的数据为配对结果,每个应用模型中均含有一个与用户对应的索引标签,所述应用模型的输入为行为信息,输出为操作信息;
步骤S302:将获取到的行为信息输入训练好的应用模型,得到预测操作信息;
步骤S303:根据预测操作信息激活预处理过程。
上述内容是具体的应用过程,由训练好的应用模型对行为信息进行预测,得到预测操作信息;在这一过程中,在获取到行为信息之后,很快就会获取到操作信息,因此,数据对会越来越多,由数据对更新样本集,由样本集可以定时的对应用模型进行优化,保证预测准度。
图5为人工智能交互系统的组成结构框图,本发明实施例中,一种人工智能交互系统,所述系统10包括:
推送信息查询模块11,用于接收用户输入的含有索引标签的互动请求,根据索引标签查询推送信息;
用户特征提取模块12,用于显示推送信息,基于预设的信息采集设备采集用户的行为信息和操作信息,根据操作信息确定目标信息,并根据所述行为信息和所述操作信息判定用户特征;
特征应用模块13,用于根据所述用户特征定时更新与用户一一对应的应用模型,根据更新好的应用模型实时控制预处理过程;其中,所述应用模型为神经网络模型,所述预处理过程包括各个操作信息的响应的前置处理流程。
所述人工智能交互方法所能实现的功能均由计算机设备完成,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现所述人工智能交互方法的功能。
处理器从存储器中逐条取出指令、分析指令,然后根据指令要求完成相应操作,产生一系列控制命令,使计算机各部分自动、连续并协调动作,成为一个有机的整体,实现程序的输入、数据的输入以及运算并输出结果,这一过程中产生的算术运算或逻辑运算均由运算器完成;所述存储器包括只读存储器(Read-Only Memory,ROM),所述只读存储器用于存储计算机程序,所述存储器外部设有保护装置。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解,上述服务设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等;存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例系统中的全部或部分模块/单元,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个系统实施例的功能。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种人工智能交互方法,其特征在于,所述方法包括:
接收用户输入的含有索引标签的互动请求,根据索引标签查询推送信息;
显示推送信息,基于预设的信息采集设备采集用户的行为信息和操作信息,根据操作信息确定目标信息,并根据所述行为信息和所述操作信息判定用户特征;
根据所述用户特征定时更新与用户一一对应的应用模型,根据更新好的应用模型实时控制预处理过程;其中,所述应用模型为神经网络模型,所述预处理过程包括各个操作信息的响应的前置处理流程;
所述接收用户输入的含有索引标签的互动请求,根据索引标签查询推送信息的步骤包括:
接收用户输入的含有次序的标签组;所述次序用于表征用户的偏好程度;
基于所述次序依次读取标签,在预设的标签库中进行遍历匹配,得到相似标签;
显示所述相似标签,接收用户的选取信息,确定最终标签组;
根据所述最终标签组查询并显示推送信息;
所述根据所述最终标签组查询并显示推送信息的步骤包括:
统计最终标签组中各标签关联的推送信息库,得到待检信息库;
依次读取最终标签组中的标签,根据所述标签对各待检信息库进行限缩,并获取限缩后的待检信息库中的元素数量;
将限缩后的待检信息库中的元素数量与关联的推送信息库的元素数量进行作差,得到数量差值;
将所述数量差值与预设的差值条件进行比对,根据比对结果判定该标签的曝光度;
基于所述曝光度在待检信息库中选取推送信息;
其中,曝光度的判定规则为:
;式中,P为某一标签的曝光度,/>为预设的修正系数,/>为该标签在待检信息库的匹配数量,/>为该标签对应的推送信息库的元素总数;
所述显示推送信息,基于预设的信息采集设备采集用户的行为信息和操作信息,根据操作信息确定目标信息,并根据所述行为信息和所述操作信息判定用户特征的步骤包括:
显示推送信息,向用户发送视觉信息获取请求,接收用户输入的允许权限;
当接收到用户授予的允许权限时,基于预设的人脸识别仪获取用户的行为信息;所述行为信息包括由人员轮廓及面部轮廓确定;
基于预设的线程实时监测用户的操作信息;其中,所述操作信息与所述行为信息中均含有时间标签;
根据时间信息对行为信息和操作信息进行配对,根据配对频数选取配对结果,作为用户特征;
所述根据时间信息对行为信息和操作信息进行配对,根据配对频数选取配对结果,作为用户特征的步骤包括:
根据独立的映射规则分别对行为信息和操作信息进行数值化;
根据数值化结果拟合出与行为信息对应的行为曲线和与操作信息对应的操作曲线;
分别计算两条曲线的导数曲线,并对导数曲线进行正值化;
根据下正值化后的导数曲线计算曲线匹配度,当曲线匹配度达到预设的阈值时,根据导数曲线分别确定行为曲线和操作曲线的极值点,由极值点的差值选取至少一个配对时差,基于配对时差对行为信息和操作信息进行配对;
其中,所述曲线匹配度的计算过程为:
;式中,/>为曲线匹配度,/>和/>分别为预先确定的计算曲线匹配度的时间区间的两个端点,/>为指数函数,/>为行为曲线的导数曲线中t时刻的数值,/>为正值化后的/>,/>为操作曲线的导数曲线中t时刻的数值,/>为正值化后的/>。
2.根据权利要求1所述的人工智能交互方法,其特征在于,所述基于所述曝光度在待检信息库中选取推送信息的步骤包括:
统计所有用户的历史浏览数量,确定显示数量;
根据次序和曝光度确定各标签的推送比例;
基于所述推送比例和所述显示数量确定推送数量;
根据所述推送数量在各标签关联的推送信息库中选取推送信息。
3.根据权利要求1所述的人工智能交互方法,其特征在于,所述根据所述用户特征定时更新与用户一一对应的应用模型,根据更新好的应用模型实时控制预处理过程的步骤包括:
查询用户对应的应用模型,根据用户特征更新样本集,由样本集训练所述应用模型;其中,所述样本集中的数据为配对结果,每个应用模型中均含有一个与用户对应的索引标签,所述应用模型的输入为行为信息,输出为操作信息;
将获取到的行为信息输入训练好的应用模型,得到预测操作信息;
根据预测操作信息激活预处理过程。
4.一种人工智能交互系统,其特征在于,所述系统包括:
推送信息查询模块,用于接收用户输入的含有索引标签的互动请求,根据索引标签查询推送信息;
用户特征提取模块,用于显示推送信息,基于预设的信息采集设备采集用户的行为信息和操作信息,根据操作信息确定目标信息,并根据所述行为信息和所述操作信息判定用户特征;
特征应用模块,用于根据所述用户特征定时更新与用户一一对应的应用模型,根据更新好的应用模型实时控制预处理过程;其中,所述应用模型为神经网络模型,所述预处理过程包括各个操作信息的响应的前置处理流程;
所述接收用户输入的含有索引标签的互动请求,根据索引标签查询推送信息的内容包括:
接收用户输入的含有次序的标签组;所述次序用于表征用户的偏好程度;
基于所述次序依次读取标签,在预设的标签库中进行遍历匹配,得到相似标签;
显示所述相似标签,接收用户的选取信息,确定最终标签组;
根据所述最终标签组查询并显示推送信息;
所述根据所述最终标签组查询并显示推送信息的内容包括:
统计最终标签组中各标签关联的推送信息库,得到待检信息库;
依次读取最终标签组中的标签,根据所述标签对各待检信息库进行限缩,并获取限缩后的待检信息库中的元素数量;
将限缩后的待检信息库中的元素数量与关联的推送信息库的元素数量进行作差,得到数量差值;
将所述数量差值与预设的差值条件进行比对,根据比对结果判定该标签的曝光度;
基于所述曝光度在待检信息库中选取推送信息;
其中,曝光度的判定规则为:
;式中,P为某一标签的曝光度,/>为预设的修正系数,/>为该标签在待检信息库的匹配数量,/>为该标签对应的推送信息库的元素总数;
所述显示推送信息,基于预设的信息采集设备采集用户的行为信息和操作信息,根据操作信息确定目标信息,并根据所述行为信息和所述操作信息判定用户特征的内容包括:
显示推送信息,向用户发送视觉信息获取请求,接收用户输入的允许权限;
当接收到用户授予的允许权限时,基于预设的人脸识别仪获取用户的行为信息;所述行为信息包括由人员轮廓及面部轮廓确定;
基于预设的线程实时监测用户的操作信息;其中,所述操作信息与所述行为信息中均含有时间标签;
根据时间信息对行为信息和操作信息进行配对,根据配对频数选取配对结果,作为用户特征;
所述根据时间信息对行为信息和操作信息进行配对,根据配对频数选取配对结果,作为用户特征的内容包括:
根据独立的映射规则分别对行为信息和操作信息进行数值化;
根据数值化结果拟合出与行为信息对应的行为曲线和与操作信息对应的操作曲线;
分别计算两条曲线的导数曲线,并对导数曲线进行正值化;
根据下正值化后的导数曲线计算曲线匹配度,当曲线匹配度达到预设的阈值时,根据导数曲线分别确定行为曲线和操作曲线的极值点,由极值点的差值选取至少一个配对时差,基于配对时差对行为信息和操作信息进行配对;
其中,所述曲线匹配度的计算过程为:
;式中,/>为曲线匹配度,/>和/>分别为预先确定的计算曲线匹配度的时间区间的两个端点,/>为指数函数,/>为行为曲线的导数曲线中t时刻的数值,/>为正值化后的/>,/>为操作曲线的导数曲线中t时刻的数值,/>为正值化后的/>。
5.一种计算机设备,其特征在于,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行时,实现如权利要求1-3中任一项所述的人工智能交互方法。
6.一种存储介质,其特征在于,所述存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行时,实现如权利要求1-3中任一项所述的人工智能交互方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044384.0A CN117555428B (zh) | 2024-01-12 | 2024-01-12 | 一种人工智能交互方法、系统、计算机设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044384.0A CN117555428B (zh) | 2024-01-12 | 2024-01-12 | 一种人工智能交互方法、系统、计算机设备及其存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117555428A CN117555428A (zh) | 2024-02-13 |
CN117555428B true CN117555428B (zh) | 2024-04-19 |
Family
ID=89823627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410044384.0A Active CN117555428B (zh) | 2024-01-12 | 2024-01-12 | 一种人工智能交互方法、系统、计算机设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117555428B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719156A (zh) * | 2015-10-15 | 2016-06-29 | 深圳市麻省图创科技有限公司 | 用于识别和推广已添加标签的商品的系统及方法 |
CN114137846A (zh) * | 2021-11-26 | 2022-03-04 | 深圳Tcl新技术有限公司 | 设备控制方法、装置、存储介质及设备 |
CN115203516A (zh) * | 2021-04-08 | 2022-10-18 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
WO2023029350A1 (zh) * | 2021-08-31 | 2023-03-09 | 平安科技(深圳)有限公司 | 基于点击行为预测的信息推送方法及装置 |
CN116629423A (zh) * | 2023-05-24 | 2023-08-22 | 平安科技(深圳)有限公司 | 用户行为预测方法、装置、设备及存储介质 |
-
2024
- 2024-01-12 CN CN202410044384.0A patent/CN117555428B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719156A (zh) * | 2015-10-15 | 2016-06-29 | 深圳市麻省图创科技有限公司 | 用于识别和推广已添加标签的商品的系统及方法 |
CN115203516A (zh) * | 2021-04-08 | 2022-10-18 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
WO2023029350A1 (zh) * | 2021-08-31 | 2023-03-09 | 平安科技(深圳)有限公司 | 基于点击行为预测的信息推送方法及装置 |
CN114137846A (zh) * | 2021-11-26 | 2022-03-04 | 深圳Tcl新技术有限公司 | 设备控制方法、装置、存储介质及设备 |
CN116629423A (zh) * | 2023-05-24 | 2023-08-22 | 平安科技(深圳)有限公司 | 用户行为预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117555428A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330023B (zh) | 基于关注点的文本内容推荐方法和装置 | |
US20190050814A1 (en) | Generation of user profile from source code | |
CN109918555B (zh) | 用于提供搜索建议的方法、装置、设备和介质 | |
CN113360780A (zh) | 一种基于大数据的信息推荐方法及系统 | |
WO2023108980A1 (zh) | 基于文本对抗样例的信息推送方法及装置 | |
CN115547466B (zh) | 基于大数据的医疗机构登记评审系统及其方法 | |
US20200320409A1 (en) | Model creation supporting method and model creation supporting system | |
CN112507095A (zh) | 基于弱监督学习的信息识别方法及相关设备 | |
CN114896067A (zh) | 任务请求信息的自动生成方法、装置、计算机设备及介质 | |
CN110795942B (zh) | 基于语义识别的关键词确定方法、装置和存储介质 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN116204714A (zh) | 推荐方法、装置、电子设备及存储介质 | |
CN114662470A (zh) | 结合大数据的产品点评信息处理方法及系统 | |
CN112163415A (zh) | 针对反馈内容的用户意图识别方法、装置及电子设备 | |
CN113065947A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN117555428B (zh) | 一种人工智能交互方法、系统、计算机设备及其存储介质 | |
CN116863116A (zh) | 基于人工智能的图像识别方法、装置、设备及介质 | |
JP2023029604A (ja) | 特許情報処理装置、特許情報処理方法、およびプログラム | |
CN114581177A (zh) | 产品推荐方法、装置、设备及存储介质 | |
CN114040012B (zh) | 一种信息查询推送方法、装置及计算机设备 | |
CN115620095A (zh) | 一种手部信息的标注方法、装置、设备及存储介质 | |
CN114611841A (zh) | 一种景区游客流量预测方法及装置 | |
CN114511085A (zh) | 实体属性值的识别方法、装置、设备、介质及程序产品 | |
CN113240325A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113283677A (zh) | 指标数据处理方法、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 |