CN117648298A - 一种平板电脑智能管理系统、方法及装置 - Google Patents
一种平板电脑智能管理系统、方法及装置 Download PDFInfo
- Publication number
- CN117648298A CN117648298A CN202410128012.6A CN202410128012A CN117648298A CN 117648298 A CN117648298 A CN 117648298A CN 202410128012 A CN202410128012 A CN 202410128012A CN 117648298 A CN117648298 A CN 117648298A
- Authority
- CN
- China
- Prior art keywords
- data
- file
- historical
- sequence
- voice
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000009471 action Effects 0.000 claims abstract description 83
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000007726 management method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种平板电脑智能管理系统、方法及装置,将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型;将所述实时语音数据及实时动作数据,预设时间段的平板电脑使用数据输入至训练后的关联模型,得到输出的存储文件的分类结果;将所述分类结果划分的文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果,基于手势语音结合用户习惯历史使用对平板电脑的文件进行智能管理,分类汇总的便捷性及准确性,首先经过有监督神经网络的初步分类,再经过无监督神经网络对数据进一步分类,提高分类的准确性。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种平板电脑智能管理系统、一种平板电脑智能管理方法、一种平板电脑智能管理装置、一种平板电脑及一种存储介质。
背景技术
平板电脑也叫便携式电脑(Tablet Personal Computer,Tablet PC),是一种小型、方便携带的个人电脑,以触摸屏作为基本的输入设备。一般而言,平板电脑是移动智能手机及传统PC之间的产品,其拥有的触摸屏(也称为数位板技术)允许用户通过触控笔或数字笔来进行作业而不是传统的键盘或鼠标。当然,用户可以通过内建的手写识别、屏幕上的软键盘、语音识别或者一个真正的键盘(如果该机型配备的话)实现输入。
在平板电脑的功能上,其越来越多的拥有娱乐及工作上的功能,上面存储的文件数量及种类也是越来越多,现有的平板电脑上的文件管理只是简单的按类型或应用程序下的分类管理,实用性不强,查找过程比较繁琐。
发明内容
鉴于上述问题,提出了本实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种平板电脑智能管理方法、一种平板电脑智能管理系统、一种平板电脑智能管理装置、一种平板电脑及一种存储介质。
为了解决上述问题,本实施例公开了一种平板电脑智能管理方法,包括:
采集针对存储文件的历史语音数据及历史动作数据、平板电脑历史使用数据;
将所述历史语音数据及历史动作数据提取为语音动作特征;
将所述平板电脑历史使用数据提取为使用特征;
将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型;
获取到用户的实时语音数据及实时动作数据,预设时间段的平板电脑使用数据;
将所述实时语音数据及实时动作数据,预设时间段的平板电脑使用数据输入至训练后的关联模型,得到输出的存储文件的分类结果;
将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列;
将所述文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果。
优选地,所述将所述历史语音数据及历史动作数据提取为语音动作特征,包括:
将历史语音数据转化为文本数据,再将所述历史动作数据转化为方向及移动信息数据;
将所述文本数据与所述方向及移动信息数据进行匹配结合,得到语音动作向量特征。
优选地,所述将所述平板电脑历史使用数据提取为使用特征,包括:
提取出所述平板电脑历史使用数据的关键信息;
根据所述关键信息将所述平板电脑历史使用数据转化为使用向量特征。
优选地,所述将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型,包括:
将所述语音动作向量特征及使用向量特征进行结合,得到三者融合向量特征;
将所述到三者融合向量特征输入至关联模型进行训练,得到训练后的关联模型。
优选地,所述将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列,包括:
确定所述分类结果中的文件类型特征、文件时间线特征、人物或名称特征;
根据所述文件类型特征、文件时间线特征、人物或名称特征将分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列。
优选地,所述确定所述分类结果中的文件类型特征、文件时间线特征、人物或名称特征,包括:
获取到分类结果对应的文件信息;
将所述文件信息进行类别计算,得到的文件类型特征、文件时间线特征、人物或名称特征。
本实施例公开了一种平板电脑智能管理装置,包括:
采集模块,用于采集针对存储文件的历史语音数据及历史动作数据、平板电脑历史使用数据;
第一提取模块,用于将所述历史语音数据及历史动作数据提取为语音动作特征;
第二提取模块,用于将所述平板电脑历史使用数据提取为使用特征;
训练模块,用于将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型;
实时数据获取模块,用于获取到用户的实时语音数据及实时动作数据,预设时间段的平板电脑使用数据;
第一输入模块,用于将所述实时语音数据及实时动作数据,预设时间段的平板电脑使用数据输入至训练后的关联模型,得到输出的存储文件的分类结果;
划分模块,用于将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列;
第二输入模块,用于将所述文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果。
本实施例公开了一种平板电脑智能管理系统,包括:
采集模块,用于采集针对存储文件的历史语音数据及历史动作数据、平板电脑历史使用数据;
第一提取模块,用于将所述历史语音数据及历史动作数据提取为语音动作特征;
第二提取模块,用于将所述平板电脑历史使用数据提取为使用特征;
训练模块,用于将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型;
实时数据获取模块,用于获取到用户的实时语音数据及实时动作数据,预设时间段的平板电脑使用数据;
第一输入模块,用于将所述实时语音数据及实时动作数据,预设时间段的平板电脑使用数据输入至训练后的关联模型,得到输出的存储文件的分类结果;
划分模块,用于将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列;
第二输入模块,用于将所述文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果。
本实施例还公开了一种平板电脑,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的平板电脑智能管理的步骤。
本实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的平板电脑智能管理的步骤。
本实施例包括以下优点:
本发明实施例中,基于手势语音结合用户习惯历史使用对平板电脑的文件进行智能管理,分类汇总的便捷性及准确性,首先经过有监督神经网络的初步分类,再经过无监督神经网络对数据进一步分类,提高分类的准确性。
附图说明
为了更清楚地说明本实施例中的技术方案,下面将对实施例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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本实施例的一种平板电脑智能管理方法实施例的步骤流程图;
图2是本实施例的一种平板电脑智能管理装置实施例的结构框图;
图3是一个实施例的一种平板电脑的内部结构图。
具体实施方式
为了使本实施例所解决的技术问题、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,对本实施例进一步详细说明。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。
参照图1,示出了本实施例的一种平板电脑智能管理方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101,采集针对存储文件的历史语音数据及历史动作数据、平板电脑历史使用数据;
本发明实施例中,所述方法可以应用于平板电脑等各种不同的终端,本发明实施例对终端的具体类型不作限定,终端的操作系统可以包括Android(安卓)、Harmony OS、IOS、Windows Phone、Windows等等,本发明对此不作过多的限制。
本发明实施例中,终端首先可以识别出历史所有的存储文件,包括之前采集的用户的语音数据、手势数据、脸部动作数据、历史使用数据等,本发明实施例中对此不作限制。
其中,所述平板电脑历史使用数据可以包括用户针对存储文件的分类数据,举例而言,历史使用数据可以是针对某两个文件合并于一个文件夹的操作数据,或者,针对某两个应用相关的数据拖放于一个文件夹的操作数据,或者是其他的操作数据,本发明实施例对此不作过多的限制。
步骤102,将所述历史语音数据及历史动作数据提取为语音动作特征;
进一步地,还可以将历史语音数据及历史动作数据提取为语音动作特征。
具体而言,所述将所述历史语音数据及历史动作数据提取为语音动作特征,包括:
将历史语音数据转化为文本数据,再将所述历史动作数据转化为方向及移动信息数据;将
所述文本数据与所述方向及移动信息数据进行匹配结合,得到语音动作向量特征,举例而
言,某个语音动作向量可以为。
需要说明的是,该历史语音数据与历史动作数据是对应的,两者是达到同样的文件分类操作,如历史语音数据为将两个文件合并于一个文件夹的音频记录,而对应的历史动作数据则为将两个文件合并于一个文件夹的操作数据。
步骤103,将所述平板电脑历史使用数据提取为使用特征;
进一步地,还可以将该平析电脑使用数据提取为使用特征,具体而言,所述将所述
平板电脑历史使用数据提取为使用特征,包括:提取出所述平板电脑历史使用数据的关键
信息;根据所述关键信息将所述平板电脑历史使用数据转化为使用向量特征,举例而言,某
个使用向量特征可以为。
本发明实施例中,该关键信息可以包括关键字,如用户拖拽某两个应用或某两个文件合并一个文件,则关键信息可以为关键字:“文件属性”、“文件类型”、“应用类型”。
进一步地,上述的历史语音数据与历史动作数据是对应的,则平板电脑历史使用数据则与历史语音数据与历史动作数据是相关联的,历史使用数据表现了用户的操作习惯,爱好兴趣,将其与历史语音数据与历史动作数据相关联,进一步增强的样本的可靠性及扩展性。
步骤104,将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型;
在得到语音动作特征及使用特征之后,可以进一步将上述的特征输入至关联模型,训练该关联模型。具体而言,将所述语音动作向量特征及使用向量特征进行结合,得到三者融合向量特征;将所述到三者融合向量特征输入至关联模型进行训练,得到训练后的关联模型。
需要说明的是,该关联模型可以是多种有监督的神经网络模型,如循环神经网络(Recurrent Neural Networks)和递归神经网络(Recursive Neural Networks)等,本发明实施例对此不作过多的限制;进一步地,还需要获取到与所述语音动作特征及使用特征对应的标签数据,将该标签数据及对应的语音动作特征及使用特征输入至关联模型进行训练,具体而言,该标签数据可以是语音动作特征及使用特征针对存储文件的分类结果;举例而言,语音动作特征为“将a文件与b文件合并于一个文件夹(转化后的文本数据)”,使用特征是“将a文件与b文件拖拽合并于一个文件夹内”,标签数据为“a文件与b文件的归属于同一发送人”或“a文件与b文件的文件属性是相同”。
步骤105,获取到用户的实时语音数据及实时动作数据,预设时间段的平板电脑使用数据;
步骤106,将所述实时语音数据及实时动作数据,预设时间段的平板电脑使用数据输入至训练后的关联模型,得到输出的存储文件的分类结果;
进一步地,在得到训练后的关联模型之后,首先可以获取到用户的实时语音数据及实时动作数据,预设时间段的平板电脑使用数据,再将该数据输入至训练后的关联模型,得到输出的存储文件的分类结果,需要说明的是,上述的实时语音数据及实时动作数据可以是预设时间段内的语音数据或动作数据,平板电脑5天或10天获取到的针对存储文件操作的语音数据或动作数据,即该实时语音数据及实时动作数据,预设时间段的平板电脑使用数据可以是最新的语音数据及动作数据等,本发明实施例对此不作过多的限制。
步骤107,将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列;
本发明实施例中,可以进一步地将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列,其包括以下步骤:确定所述分类结果中的文件类型特征、文件时间线特征、人物或名称特征;根据所述文件类型特征、文件时间线特征、人物或名称特征将分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列。
根据文件类型特征、文件时间线特征、人物或名称特征对分类结果进行进一步的分类,作为另一神经网络模型的输入,提高准确性。
在一种具体示例中,该文件类型序列可以为;其中,n是指序
列元素的数量,是单个元素,文件时间线序列可以为;n是指序列元
素的数量,是单个元素,人物或名称相关文件序列可以为; n是指
序列元素的数量,是单个元素,单个序列元素可以是指文件类型特征、文件时间线特征或
人物及名称特征的组合,也可以是单个的文件类型特征或文件时间线特征等,本发明实施
例对此不作过多的限制。
其中,该确定所述分类结果中的文件类型特征、文件时间线特征、人物或名称特征的步骤包括:获取到分类结果对应的文件信息;将所述文件信息进行类别计算,得到的文件类型特征、文件时间线特征、人物或名称特征。
首先获取到该分类结果对应的文件信息,因为每个分类结果中的分类信息都与储存的文件相关联,则可以获取到对应的文件信息,如文件名称、文件类型、文件建立时间、文件发送者等,将上述的文件信息进行归类,得到文件类型特征、文件时间线特征、人物或名称特征;即该文件类型特征、文件时间线特征、人物或名称特征可以是上述的文件名称、文件类型、文件建立时间、文件发送者等信息的组合或集合。
步骤108,将所述文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果。
在得到分别结果的文件类型序列、文件时间线序列、人物或名称相关文件序列之后,可以将文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果,即可以得到进一步的分类结果,根据该输出结果对所有存储文件进行建议分类,展示于用户界面前,如,娱乐属性的文件可以分为一类,工作属性及同一发送人的分为一类,展示于用户界面。
针对该预设无监督机器学习模型的类型,其可以为K-means算法模型、分层聚类模型等,本发明实施例对此不作过多的限制。
本发明实施例的一种优选示例中,关联模型的激活函数ts可以包括以下公式:
;
本发明实施例的激活函数可以有效避免过模型的拟合,具体而言,x为模型的输入,增加q类型系数、w时间系数、m名称系数于激活函数内,提高分类的准确性;需要说明的是,该q类型系数、w时间系数、m名称系数为经验系数。
本发明实施例中,基于手势语音结合用户习惯历史使用对平板电脑的文件进行智能管理,分类汇总的便捷性及准确性,首先经过有监督神经网络的初步分类,再经过无监督神经网络对数据进一步分类,提高分类的准确性。
本实施例还公开了一种平板电脑智能管理系统,包括:
采集模块,用于采集针对存储文件的历史语音数据及历史动作数据、平板电脑历史使用数据;
第一提取模块,用于将所述历史语音数据及历史动作数据提取为语音动作特征;
第二提取模块,用于将所述平板电脑历史使用数据提取为使用特征;
训练模块,用于将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型;
实时数据获取模块,用于获取到用户的实时语音数据及实时动作数据,预设时间段的平板电脑使用数据;
第一输入模块,用于将所述实时语音数据及实时动作数据,预设时间段的平板电脑使用数据输入至训练后的关联模型,得到输出的存储文件的分类结果;
划分模块,用于将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列;
第二输入模块,用于将所述文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本实施例并不受所描述的动作顺序的限制,因为依据本实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本实施例所必须的。
参照图2,示出了本实施例的一种平板电脑智能管理装置实施例的结构框图,具体可以包括如下模块:
采集模块301,用于采集针对存储文件的历史语音数据及历史动作数据、平板电脑历史使用数据;
第一提取模块302,用于将所述历史语音数据及历史动作数据提取为语音动作特征;
第二提取模块303,用于将所述平板电脑历史使用数据提取为使用特征;
训练模块304,用于将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型;
实时数据获取模块305,用于获取到用户的实时语音数据及实时动作数据,预设时间段的平板电脑使用数据;
第一输入模块306,用于将所述实时语音数据及实时动作数据,预设时间段的平板电脑使用数据输入至训练后的关联模型,得到输出的存储文件的分类结果;
划分模块307,用于将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列;
第二输入模块308,用于将所述文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果。
优选地,所述第一提取模块包括:
第一转化子模块,用于将历史语音数据转化为文本数据,再将所述历史动作数据转化为方向及移动信息数据;
匹配子模块,用于将所述文本数据与所述方向及移动信息数据进行匹配结合,得到语音动作向量特征。
优选地,所述第二提取模块包括:
关键信息提取子模块,用于提取出所述平板电脑历史使用数据的关键信息;
第二转化子模块,用于根据所述关键信息将所述平板电脑历史使用数据转化为使用向量特征。
优选地,所述训练模块包括:
结合子模块,用于将所述语音动作向量特征及使用向量特征进行结合,得到三者融合向量特征;
输入子模块,用于将所述到三者融合向量特征输入至关联模型进行训练,得到训练后的关联模型。
优选地,所述划分模块包括:
确定子模块,用于确定所述分类结果中的文件类型特征、文件时间线特征、人物或名称特征;
划分子模块,用于根据所述文件类型特征、文件时间线特征、人物或名称特征将分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列。
优选地,所述确定子模块包括:
文件信息获取单元,用于获取到分类结果对应的文件信息;
类别计算单元,用于将所述文件信息进行类别计算,得到的文件类型特征、文件时间线特征、人物或名称特征。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
关于平板电脑智能管理装置的具体限定可以参见上文中对于平板电脑智能管理方法的限定,在此不再赘述。上述平板电脑智能管理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于平板电脑中的处理器中,也可以以软件形式存储于平板电脑中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
上述提供的平板电脑智能管理装置可用于执行上述任意实施例提供的平板电脑智能管理方法,具备相应的功能和有益效果。
在一个实施例中,提供了一种平板电脑,其内部结构图可以如图3所示。该平板电脑包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该平板电脑的处理器用于提供计算和控制能力。该平板电脑的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该平板电脑的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种采光率模拟的方法。该平板电脑的显示屏可以是液晶显示屏或者电子墨水显示屏,该平板电脑的输入装置可以是显示屏上覆盖的触摸层,也可以是平板电脑外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的平板电脑的限定,具体的平板电脑可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种平板电脑,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下所述的步骤:
采集针对存储文件的历史语音数据及历史动作数据、平板电脑历史使用数据;
将所述历史语音数据及历史动作数据提取为语音动作特征;
将所述平板电脑历史使用数据提取为使用特征;
将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型;
获取到用户的实时语音数据及实时动作数据,预设时间段的平板电脑使用数据;
将所述实时语音数据及实时动作数据,预设时间段的平板电脑使用数据输入至训练后的关联模型,得到输出的存储文件的分类结果;
将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列;
将所述文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下所述的步骤;
采集针对存储文件的历史语音数据及历史动作数据、平板电脑历史使用数据;
将所述历史语音数据及历史动作数据提取为语音动作特征;
将所述平板电脑历史使用数据提取为使用特征;
将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型;
获取到用户的实时语音数据及实时动作数据,预设时间段的平板电脑使用数据;
将所述实时语音数据及实时动作数据,预设时间段的平板电脑使用数据输入至训练后的关联模型,得到输出的存储文件的分类结果;
将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列;
将所述文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本实施例是参照根据本实施例的装置、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令方法的制造品,该指令方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、装置、物品或者终端设备不仅包括那些要素,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、装置、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、装置、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种平板电脑智能管理方法和一种平板电脑智能管理装置、一种平板电脑及一种存储介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种平板电脑智能管理方法,其特征在于,包括:
采集针对存储文件的历史语音数据及历史动作数据、平板电脑历史使用数据;
将所述历史语音数据及历史动作数据提取为语音动作特征;
将所述平板电脑历史使用数据提取为使用特征;
将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型;
获取到用户的实时语音数据及实时动作数据,预设时间段的平板电脑使用数据;
将所述实时语音数据及实时动作数据,预设时间段的平板电脑使用数据输入至训练后的关联模型,得到输出的存储文件的分类结果;
将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列;
将所述文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果。
2.根据权利要求1所述的方法,其特征在于,所述将所述历史语音数据及历史动作数据提取为语音动作特征,包括:
将历史语音数据转化为文本数据,再将所述历史动作数据转化为方向及移动信息数据;
将所述文本数据与所述方向及移动信息数据进行匹配结合,得到语音动作向量特征。
3.根据权利要求2所述的方法,其特征在于,所述将所述平板电脑历史使用数据提取为使用特征,包括:
提取出所述平板电脑历史使用数据的关键信息;
根据所述关键信息将所述平板电脑历史使用数据转化为使用向量特征。
4.根据权利要求3所述的方法,其特征在于,所述将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型,包括:
将所述语音动作向量特征及使用向量特征进行结合,得到三者融合向量特征;
将所述到三者融合向量特征输入至关联模型进行训练,得到训练后的关联模型。
5.根据权利要求1所述的方法,其特征在于,所述将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列,包括:
确定所述分类结果中的文件类型特征、文件时间线特征、人物或名称特征;
根据所述文件类型特征、文件时间线特征、人物或名称特征将分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列。
6.根据权利要求5所述的方法,其特征在于,所述确定所述分类结果中的文件类型特征、文件时间线特征、人物或名称特征,包括:
获取到分类结果对应的文件信息;
将所述文件信息进行类别计算,得到的文件类型特征、文件时间线特征、人物或名称特征。
7.一种平板电脑智能管理装置,其特征在于,包括:
采集模块,用于采集针对存储文件的历史语音数据及历史动作数据、平板电脑历史使用数据;
第一提取模块,用于将所述历史语音数据及历史动作数据提取为语音动作特征;
第二提取模块,用于将所述平板电脑历史使用数据提取为使用特征;
训练模块,用于将所述语音动作特征及使用特征输入至关联模型进行训练,得到训练后的关联模型;
实时数据获取模块,用于获取到用户的实时语音数据及实时动作数据,预设时间段的平板电脑使用数据;
第一输入模块,用于将所述实时语音数据及实时动作数据,预设时间段的平板电脑使用数据输入至训练后的关联模型,得到输出的存储文件的分类结果;
划分模块,用于将所述分类结果划分为文件类型序列、文件时间线序列、人物或名称相关文件序列;
第二输入模块,用于将所述文件类型序列、文件时间线序列、人物或名称相关文件序列输入至预设无监督机器学习模型,得到针对所有存储文件的输出结果。
8.根据权利要求7所述的装置,其特征在于,所述第一提取模块包括:
第一转化子模块,用于将历史语音数据转化为文本数据,再将所述历史动作数据转化为方向及移动信息数据;
匹配子模块,用于将所述文本数据与所述方向及移动信息数据进行匹配结合,得到语音动作向量特征。
9.一种平板电脑,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的平板电脑智能管理方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的平板电脑智能管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410128012.6A CN117648298B (zh) | 2024-01-30 | 2024-01-30 | 一种平板电脑智能管理系统、方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410128012.6A CN117648298B (zh) | 2024-01-30 | 2024-01-30 | 一种平板电脑智能管理系统、方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648298A true CN117648298A (zh) | 2024-03-05 |
CN117648298B CN117648298B (zh) | 2024-04-16 |
Family
ID=90048210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410128012.6A Active CN117648298B (zh) | 2024-01-30 | 2024-01-30 | 一种平板电脑智能管理系统、方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648298B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868781A (zh) * | 2016-03-29 | 2016-08-17 | 国云科技股份有限公司 | 一种基于朴素贝叶斯分类算法的电脑文件分类处理方法 |
CN107506407A (zh) * | 2017-08-07 | 2017-12-22 | 深圳市大迈科技有限公司 | 一种文件分类、调用的方法及装置 |
CN109271573A (zh) * | 2018-10-19 | 2019-01-25 | 维沃移动通信有限公司 | 一种文件管理方法及vr设备 |
CN111143298A (zh) * | 2019-12-24 | 2020-05-12 | 联想(北京)有限公司 | 信息处理方法和信息处理装置 |
CN111159111A (zh) * | 2019-12-13 | 2020-05-15 | 深信服科技股份有限公司 | 一种信息处理方法、设备、系统和计算机可读存储介质 |
CN113900996A (zh) * | 2020-06-22 | 2022-01-07 | 中兴通讯股份有限公司 | 一种文件的处理方法及装置、存储介质、终端 |
CN116701303A (zh) * | 2023-07-06 | 2023-09-05 | 浙江档科信息技术有限公司 | 基于深度学习的电子文件分类方法、系统及可读存储介质 |
-
2024
- 2024-01-30 CN CN202410128012.6A patent/CN117648298B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868781A (zh) * | 2016-03-29 | 2016-08-17 | 国云科技股份有限公司 | 一种基于朴素贝叶斯分类算法的电脑文件分类处理方法 |
CN107506407A (zh) * | 2017-08-07 | 2017-12-22 | 深圳市大迈科技有限公司 | 一种文件分类、调用的方法及装置 |
CN109271573A (zh) * | 2018-10-19 | 2019-01-25 | 维沃移动通信有限公司 | 一种文件管理方法及vr设备 |
CN111159111A (zh) * | 2019-12-13 | 2020-05-15 | 深信服科技股份有限公司 | 一种信息处理方法、设备、系统和计算机可读存储介质 |
CN111143298A (zh) * | 2019-12-24 | 2020-05-12 | 联想(北京)有限公司 | 信息处理方法和信息处理装置 |
CN113900996A (zh) * | 2020-06-22 | 2022-01-07 | 中兴通讯股份有限公司 | 一种文件的处理方法及装置、存储介质、终端 |
CN116701303A (zh) * | 2023-07-06 | 2023-09-05 | 浙江档科信息技术有限公司 | 基于深度学习的电子文件分类方法、系统及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117648298B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022142014A1 (zh) | 基于多模态信息融合的文本分类方法、及其相关设备 | |
CN110569377B (zh) | 一种媒体文件的处理方法和装置 | |
WO2019000681A1 (zh) | 信息排版方法、装置、设备及计算机存储介质 | |
CN108154136B (zh) | 用于识别字迹的方法、装置及计算机可读介质 | |
WO2022105118A1 (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
CN108228808B (zh) | 确定热点事件的方法、装置和存储介质以及电子设备 | |
CN109446328A (zh) | 一种文本识别方法、装置及其存储介质 | |
CN111126339A (zh) | 手势识别方法、装置、计算机设备和存储介质 | |
CN111984784B (zh) | 人岗匹配方法、装置、电子设备和存储介质 | |
Yin et al. | A high-performance training-free approach for hand gesture recognition with accelerometer | |
CN110866107A (zh) | 素材语料的生成方法、装置、计算机设备和存储介质 | |
Schweigert et al. | Knuckletouch: Enabling knuckle gestures on capacitive touchscreens using deep learning | |
CN112417121A (zh) | 客户意图识别方法、装置、计算机设备及存储介质 | |
CN114155860A (zh) | 摘要记录方法、装置、计算机设备和存储介质 | |
Ahmad et al. | Analysis of interaction trace maps for active authentication on smart devices | |
CN112733645A (zh) | 手写签名校验方法、装置、计算机设备及存储介质 | |
CN110874570A (zh) | 面部识别方法、装置、设备及计算机可读存储介质 | |
CN113657347A (zh) | 书写文字识别方法、装置、终端设备和存储介质 | |
CN110858291A (zh) | 字符切分方法及装置 | |
CN113420203A (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN113392205A (zh) | 用户画像构建方法、装置、设备及存储介质 | |
CN117609443A (zh) | 基于大模型的智能交互方法、系统、终端、服务器及介质 | |
CN117648298B (zh) | 一种平板电脑智能管理系统、方法及装置 | |
CN111985467A (zh) | 聊天记录截图处理方法、装置、计算机设备和存储介质 | |
CN115035891A (zh) | 语音识别方法、装置、电子设备和时序融合语言模型 |
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 |