WO2024040824A1 - 行为习惯的识别方法和装置、存储介质及电子装置 - Google Patents

行为习惯的识别方法和装置、存储介质及电子装置 Download PDF

Info

Publication number
WO2024040824A1
WO2024040824A1 PCT/CN2022/141685 CN2022141685W WO2024040824A1 WO 2024040824 A1 WO2024040824 A1 WO 2024040824A1 CN 2022141685 W CN2022141685 W CN 2022141685W WO 2024040824 A1 WO2024040824 A1 WO 2024040824A1
Authority
WO
WIPO (PCT)
Prior art keywords
action
actions
behavioral
target object
target
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.)
Ceased
Application number
PCT/CN2022/141685
Other languages
English (en)
French (fr)
Inventor
邓邱伟
胡百春
张旭
翟建光
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.)
Qingdao Haier Technology Co Ltd
Qingdao Haier Intelligent Home Appliance Technology Co Ltd
Haier Smart Home Co Ltd
Original Assignee
Qingdao Haier Technology Co Ltd
Qingdao Haier Intelligent Home Appliance Technology Co Ltd
Haier Smart Home 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 Qingdao Haier Technology Co Ltd, Qingdao Haier Intelligent Home Appliance Technology Co Ltd, Haier Smart Home Co Ltd filed Critical Qingdao Haier Technology Co Ltd
Publication of WO2024040824A1 publication Critical patent/WO2024040824A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition

Definitions

  • the present disclosure relates to the field of smart home technology, and specifically, to a behavioral habit identification method and device, a storage medium and an electronic device.
  • Embodiments of the present disclosure provide a behavioral habit identification method and device, a storage medium, and an electronic device to at least solve the problem in related technologies that when mining behavioral habits corresponding to target objects, the discrimination of behaviors is not enough, and the existence of the target object Problems such as inability to identify statistics and other related behaviors.
  • a method for identifying behavioral habits including: obtaining behavioral data stored in a server for instructing a target object to control multiple home appliances in a target area, wherein the behavior
  • the data includes: first operation actions on a plurality of the home appliances; removing uncorrelated actions existing in the behavior data to obtain a first association result information set including a plurality of second operation actions, wherein: Unassociated actions are any two consecutive first operation actions in the behavior data whose interval is greater than the first preset interval time; determine the action content corresponding to each second operation action in the first association result information set, Use preset rules to confirm the action content to obtain a second association result information set; perform statistics on multiple third operation actions existing in the second association result information set according to preset groupings to identify them based on the statistical results
  • the behavioral habits corresponding to the target object are obtained, wherein the behavioral habits are a set corresponding to the behavioral preferences of multiple home appliances in the target area controlled by the target object.
  • a device for identifying behavioral habits including: an acquisition module configured to acquire the information stored in the server and used to instruct the target object to control multiple home appliances in the target area.
  • Behavior data wherein the behavior data includes: first operating actions on a plurality of the home appliances; a removal module configured to remove irrelevant actions existing in the behavior data to obtain a plurality of second operating actions.
  • a first association result information set of operation actions wherein the non-associated actions are any two consecutive first operation actions in the behavior data whose interval is greater than the first preset interval; the determination module is configured to determine The action content corresponding to each second operation action in the first association result information set is confirmed using preset rules to obtain the second association result information set; the statistics module is configured to analyze the first association result information set.
  • a plurality of third operation actions existing in the second association result information set are counted according to the preset grouping, so as to identify the behavioral habits corresponding to the target object according to the statistical results, wherein the behavioral habits are the target object controlling multiple actions in the target area.
  • a computer-readable storage medium stores a computer program, wherein the computer program is configured to execute the above-mentioned behavioral habits when running. recognition methods.
  • an electronic device including a memory, a processor, and a computer program stored in the memory and executable on the processor, wherein the processor executes the above-mentioned steps through the computer program. How to identify behavioral habits.
  • behavior data stored in the server is obtained for instructing the target object to control multiple home appliances in the target area, where the behavior data includes: first operating actions on the multiple home appliances; converting the behavior data The non-correlated actions existing in the behavior data are removed to obtain a first correlation result information set containing multiple second operation actions, where the non-correlated actions are any two consecutive second actions in the behavioral data whose interval is greater than the first preset interval.
  • An operation action determine the action content corresponding to each second operation action in the first association result information set, confirm the action content using preset rules, and obtain the second association result information set; check the existence of the second association result information set in the second association result information set
  • the plurality of third operation actions are counted according to the preset grouping to identify the behavioral habits corresponding to the target object according to the statistical results, wherein the behavioral habits are a set corresponding to the behavioral preferences of multiple home appliances in the target area controlled by the target object.
  • Figure 1 is a schematic diagram of the hardware environment of a behavioral habit identification method according to an embodiment of the present disclosure
  • Figure 2 is a flow chart of a behavioral habit identification method according to an embodiment of the present disclosure
  • Figure 3 is a flow chart of a user habit recognition technical solution according to an optional embodiment of the present disclosure
  • Figure 4 is a schematic structural diagram of a system for identifying user habits based on user home appliance operating behavior according to an optional embodiment of the present disclosure
  • Figure 5 is a schematic diagram of data flow corresponding to a system for identifying user habits based on user home appliance operating behavior according to an optional embodiment of the present disclosure
  • Figure 6 is a flow chart of user habit recognition using a behavior correlation algorithm according to an optional embodiment of the present disclosure
  • Figure 7 is a structural block diagram of a behavioral habit recognition device according to an embodiment of the present disclosure.
  • FIG. 8 is a structural block diagram of an electronic device according to an embodiment of the present disclosure.
  • a behavioral habit identification method is provided.
  • This behavioral habit identification method is widely used in whole-house intelligent digital control application scenarios such as smart home, smart home, smart home device ecology, and smart residence (IntelligenceHouse) ecology.
  • the above method for identifying behavioral habits can be applied to a hardware environment composed of a terminal device 102 and a server 104 as shown in FIG. 1 .
  • the server 104 is connected to the terminal device 102 through the network and can be used to provide services (such as application services, etc.) for the terminal or the client installed on the terminal.
  • the database can be set on the server or independently of the server.
  • cloud computing and/or edge computing services may be configured on the server or independently of the server, and are configured to provide data computing services for the server 104.
  • the above-mentioned network may include but is not limited to at least one of the following: wired network, wireless network.
  • the above-mentioned wired network may include but is not limited to at least one of the following: wide area network, metropolitan area network, and local area network.
  • the above-mentioned wireless network may include but is not limited to at least one of the following: WIFI (Wireless Fidelity, Wireless Fidelity), Bluetooth.
  • the terminal device 102 may be, but is not limited to, a PC, a mobile phone, a tablet, a smart air conditioner, a smart hood, a smart refrigerator, a smart oven, a smart stove, a smart washing machine, a smart water heater, a smart washing equipment, a smart dishwasher, or a smart projection device.
  • smart TV smart clothes drying rack, smart curtains, smart audio and video, smart sockets, smart audio, smart speakers, smart fresh air equipment, smart kitchen and bathroom equipment, smart bathroom equipment, smart sweeping robot, smart window cleaning robot, smart mopping robot, Smart air purification equipment, smart steamers, smart microwave ovens, smart kitchen appliances, smart purifiers, smart water dispensers, smart door locks, etc.
  • FIG. 1 is a flow chart of a method for identifying behavioral habits according to an embodiment of the present disclosure. The process includes the following steps:
  • Step S202 Obtain behavior data stored in the server for instructing the target object to control multiple home appliances in the target area, where the behavior data includes: first operating actions on a plurality of the home appliances;
  • the above-mentioned home appliances are devices that are associated and bound with the target object.
  • the corresponding behavioral data can be identified through the user information corresponding to the target object.
  • the above-mentioned user information can identify the unique user, and then when the user is in After the home appliance is operated on the device side, the equipment chassis of the home appliance collects the operation record information and sends it to the cloud server in real time through the network; the data is transmitted to the server corresponding to the data platform through the distributed publish and subscribe message system Kafka, and is processed in the data platform. Correlation processing of user home appliance operation record information (equivalent to the above-mentioned behavioral data).
  • Step S204 Remove the non-associated actions existing in the behavior data to obtain a first correlation result information set including multiple second operation actions, wherein the non-associated actions are those whose interval time in the behavior data is greater than the third operation action. Any two consecutive first operating actions within a preset interval;
  • the above-mentioned first preset interval time is used to compare with the current interval time corresponding to the occurrence time of two consecutive first operation actions, so as to quickly remove two consecutive time intervals in the behavioral data that are greater than the first preset interval time.
  • a first operation action, the above-mentioned first preset interval time can be 5 minutes, 10 minutes, or 30 seconds, which can be flexibly set according to the processing requirements of behavioral data.
  • Step S206 determine the action content corresponding to each second operation action in the first association result information set, use preset rules to confirm the action content, and obtain the second association result information set;
  • Step S208 Statistics are performed on the plurality of third operation actions existing in the second association result information set according to preset groups, so as to identify the behavioral habits corresponding to the target object according to the statistical results, wherein the behavioral habits are The target object controls a set corresponding to the behavioral preferences of multiple home appliances in the target area.
  • the behavior data stored in the server and used to instruct the target object to control multiple home appliances in the target area is obtained, where the behavior data includes: the first operating action on the multiple home appliances; Uncorrelated actions are removed to obtain a first association result information set containing multiple second operation actions, where the uncorrelated actions are any two consecutive first operation actions in the behavior data whose interval is greater than the first preset interval time.
  • the technical solution solves the problems in related technologies that when mining the behavioral habits corresponding to the target object, the differentiation of behaviors is not enough, and the associated behaviors of the target object cannot be identified and statistically analyzed.
  • the information model determines the correlation validity and support corresponding to the operation actions in the behavioral data, uses hierarchical classification to reduce the behavioral data, and improves the data corresponding to the behavioral habits finally determined from the behavioral data. Accuracy, and through hierarchical filtering, the processing of large amounts of behavioral data is greatly improved, making it possible to quickly and effectively extract multiple behavioral habits through behavioral data.
  • using preset rules to confirm the action content includes: when there are any two consecutive second operation actions with the same action content in the first association result information set, Determine the target home appliance corresponding to any two consecutive second operation actions; if there is an action content of a natural pairing behavior in the first association result information set, the first thing that occurs in the natural pairing behavior will be The second operation action corresponding to the action content is identified as a valid action, and other second operation actions in the natural pairing behavior except the action content corresponding to the second operation action that occurs first are identified as invalid actions.
  • the above method further includes: in the case that the target home appliance device corresponding to the any two consecutive second operation actions is the same home appliance device, changing the time point in the any two consecutive second operation actions The previous second operation action is marked as a valid action, and the second operation action at a later time point is marked as an invalid action; when the target household appliances corresponding to any two consecutive second operation actions are not the same household appliances, In this case, any two consecutive second operation actions are marked as valid actions.
  • the second behavioral action record if the same device appears twice in a row with the same behavioral action within a certain time interval, or if two consecutive behavioral actions appear as a natural matching pair of behaviors, the second behavioral action record will be considered.
  • the record is invalid relative to the first action.
  • data as shown in Table 1 below may be generated, in which the behavior of the 3rd record 'open the refrigerator door' is the same as the 2nd record 'open the refrigerator door'; then, the 3rd record 'open the refrigerator door' Compared with the second record, the record is an invalid associated behavior record.
  • the behavioral actions of the 4th record 'Close the refrigerator door' and the 3rd record 'Open the refrigerator door' are natural matching pairs, that is, there is a causal relationship between the two actions; then, the 4th record relative to the 3rd record is Invalid associated behavior record.
  • counting the plurality of third operation actions existing in the second association result information set based on preset groups includes: obtaining the first group information and the second group information corresponding to the preset group.
  • Grouping information wherein the first grouping information includes: the target object, the total time used by the target object to operate the home appliance, the location where the operation action occurs, and the operation result of the home appliance corresponding to the operation action;
  • the second grouping information includes: target The object, the location where the operation action occurs, the operation result of the home appliance corresponding to the operation action, and the associated behavior associated with the operation action; the second association result based on the first grouping information and the second grouping information Statistics are performed on multiple third operation actions existing in the information collection.
  • counting a plurality of third operation actions present in the second association result information set based on the first grouping information and the second grouping information includes: based on the first grouping information The grouping information counts the number of occurrences of each operation action in the plurality of third operation actions to obtain first statistical information; and determines each operation in the plurality of third operation actions based on the second grouping information. The associated action corresponding to the action is determined, and the occurrence probability of the associated action is determined to obtain the second statistical information.
  • a second association result information set corresponding to the behavioral data that is effective and relatively accurate is obtained. Later, in order to improve The determined behavioral habits are more in line with the current target object.
  • the operation actions in the second association result information set are recorded in different dimensions to obtain statistical information on the number of occurrences of each behavioral action and the number of occurrences of each behavioral action. Support information of associated behavioral actions (equivalent to the above occurrence probability).
  • the behavioral habits corresponding to the target object are identified according to the statistical results, wherein the behavioral habits are a set corresponding to the behavioral preferences of the target object controlling multiple home appliances in the target area, including: using the The target object is used as a data alignment identifier to summarize the first statistical information and the second statistical information to obtain third statistical information; determine the third statistical information that has occurred the most times and has the highest probability of occurrence of the associated action.
  • Target third operation action obtain the target home appliance device corresponding to the current target third operation action, and determine the behavior preference of the target object based on the behavior data of the target object using the target third operation action to operate the target home appliance device;
  • the behavioral habits corresponding to the target object are determined through the behavioral preferences.
  • the above statistical information can be displayed in a table or graphically. This disclosure does not limit this too much. Taking table display as an example, for example, the above first statistical information It is as shown in Table 2 below; the above second statistical information is as shown in Table 3 below.
  • Table 4 is as follows:
  • the information in Table 4 that occurs the most frequently and has the greatest support is the user habit record information (equivalent to the above-mentioned behavioral preferences), which corresponds to the behavioral habit data in Table 4 with a support of 40% and a frequency of 6. .
  • a plurality of third operation actions present in the second association result information set are counted according to preset groups, so as to identify the behavioral habits corresponding to the target object according to the statistical results, wherein, After the behavioral habits are a set corresponding to the behavioral preferences of multiple home appliances in the target area controlled by the target object, the above method further includes: determining the number of types of behavioral preferences included in the behavioral habits; when the number of types is greater than the preset number In the case of , a home appliance operation scenario corresponding to the behavioral habit is generated; and a scene update message carrying the home appliance operation scenario is sent to the target object.
  • the target subject's behavior habits include behavioral preferences for operating multiple home appliances
  • the target subject may be associated with the second home appliance or the third home appliance while operating the first home appliance. Therefore, corresponding home appliance operation scenarios that control the current first home appliance, second home appliance, and third home appliance according to the association sequence can be generated based on the behavioral habits. It should be noted that the home appliance operation scenario is based on the behavior. The content of habits is flexible.
  • Figure 3 is a flow chart of a user habit identification technical solution according to an optional embodiment of the present disclosure. After completing the binding between the user and the home appliance device, the user's home appliance operation data is collected, and then the user's home appliance operation data is collected. User behavior statistics will ultimately mark user habits based on the statistical results.
  • the above user habit identification technical solution has the following shortcomings:
  • the support information associated with the user behavior is not considered.
  • an optional embodiment of the present disclosure also provides a method for identifying user habits based on the user's home appliance operating behavior.
  • user information needs to be bound to the home appliance.
  • the collection device collects user operating behavior record information in real time, can identify user information and operating behavior information, calculate user behavior association algorithm models, and mark user habit information. That is, the core is based on the binding relationship between the user and the information collection device; based on the recorded information of the user's home appliance operation behavior, invalid associated behavior records are eliminated, and the behavior correlation algorithm is used to mine the user's habit information.
  • Figure 4 is a schematic structural diagram of a system for identifying user habits based on user home appliance operating behavior according to an optional embodiment of the present disclosure, including: user binding home appliances, a cloud server, and a data computing server; wherein the user binds home appliances
  • the information interaction with the cloud server completes the determination and collection of user binding information and the collection of user home appliance operation data.
  • the cloud server After the cloud server completes the data collection, it is sent to the data computing server, and the final calculation is calculated through the behavior correlation model in the data computing server.
  • user habit tags are examples of the cloud server that uses the cloud to determine the determination and collection of user binding information and the collection of user home appliance operation data.
  • Step 1 Bind the user to the information collection device.
  • Step 2 The user's home appliance operation records are uploaded through the cloud server, and then loaded into the Hadoop server for data storage and processing. Based on user home appliance operation records and business rules, user behaviors are classified and invalid associated behavior record information is filtered out.
  • Figure 5 is a schematic diagram of data flow corresponding to a system for identifying user habits based on user's home appliance operating behavior according to an optional embodiment of the present disclosure; when the current user is bound to multiple home appliances, through the corresponding data of multiple home appliances A cloud server is placed in the target area, and Bluetooth technology is used to collect user home appliance operation records of multiple home appliances to the cloud server.
  • the cloud server uploads the corresponding user home appliance operation records to the Hadoop server corresponding to the Hadoop big data platform through the distributed message subscription system Kafka. And the user's home appliance operation records are filtered through the user habit recognition model set in the Hadoop big data platform.
  • Step 3 Conduct correlation analysis on effective user behaviors to obtain user correlation behaviors, and calculate user correlation behaviors through the behavior correlation model to determine the corresponding calculation result information.
  • Step 4 Mark the user's habit information based on the calculation result information of the user's associated behavior.
  • Figure 6 is a flow chart of user habit recognition using a behavior correlation algorithm according to an optional embodiment of the present disclosure; it includes the following steps:
  • Step 1 User binding information processing: standardize existing bound user information to identify unique users.
  • Step 2 Association processing of user home appliance operation record information, including data collection and rule processing; wherein, the data collection is that after the user operates the home appliance on the device side, the equipment floor collects the operation record information and sends it to the cloud server in real time through the network; through Kafka Transfer data to the data platform for data calculations.
  • rule processing includes: timing rule processing and matching rule processing.
  • process according to the timing rules According to the user's home appliance operation record information a(k), conduct behavior correlation processing on the user's home appliance operation information according to the timing rules, and obtain the user correlation behavior result information set B1. Optionally, it can be used as two consecutive The time when each action occurs, and the interval exceeds 5 minutes, is defined as invalid behavior related information.
  • user home appliance operation record information a(k) is shown in Table 5 below:
  • the time interval between the 5th record “Turn on the water heater” and the 4th record “Close the refrigerator door” exceeds 5 minutes; then, the 5th record is an invalid associated behavior record relative to the 4th record. Then the user related behavior result information set B1 can be obtained, as shown in Table 6 below.
  • process according to matching rules According to the user associated behavior result information set B1, perform behavior association processing on the user's home appliance operation information according to the matching rules to obtain the user associated behavior result information set B2.
  • the above matching rule is that in the home appliance operation record, if the same device appears twice in a row with the same behavioral action within a certain time interval, or if two consecutive behavioral actions appear as a natural matching pair of behaviors, the second behavioral action record will be considered. The record is invalid relative to the first action.
  • the third record 'open the refrigerator door' has the same behavior as the second record 'open the refrigerator door'; then, the third record has the same behavior as the second record 'open the refrigerator door'.
  • 2 records are invalid association behavior records.
  • the behavioral actions of the 4th record 'Close the refrigerator door' and the 3rd record 'Open the refrigerator door' are natural matching pairs, that is, there is a causal relationship between the two actions; then, the 4th record relative to the 3rd record is Invalid associated behavior record.
  • the user associated behavior result information set B2 is obtained, corresponding to Table 7 below.
  • Step 3 Calculate the behavior correlation model. It is optional and divided into two methods.
  • Method 1 Calculate the number of user behaviors: According to the user’s effective home appliance operation record information set B2, group according to users, time, location, and behavior, and calculate each Statistical information on the number of times the behavioral action occurred.
  • Method 2 User behavior support calculation: According to the user's effective home appliance operation record information set B2, grouped according to users, locations, behaviors, and associated behaviors, calculate the support information of the associated behavior actions corresponding to each behavioral action.
  • Step 4 User habit marking calculates the result information based on the behavior correlation model. The information with the highest number of marked behaviors and the greatest support is the user habit recording information.
  • This embodiment builds a user habit model: based on the user's home appliance operation behavior information, distinguishes invalid associated behavior information, filters the invalid information, and narrows the range of valid associated behavior data; uses a behavior association algorithm model to mine user habit information. Then, by classifying the user's home appliance operation behavior information, the scope of effective associated behavior data is narrowed, and the data accuracy and calculation efficiency are improved; the user is associated with the analysis, and the effective user associated behavior is calculated based on the support and confidence parameters, and the user is marked. Habit information.
  • the method according to the above embodiments can be implemented by means of software plus the necessary general hardware platform. Of course, it can also be implemented by hardware, but in many cases the former is Better implementation.
  • the technical solution of the present disclosure can be embodied in the form of a software product in essence or that contributes to the existing technology.
  • the computer software product is stored in a storage medium (such as ROM/RAM, disk, CD), including several instructions to cause a terminal device (which can be a mobile phone, computer, server, or network device, etc.) to execute the methods of various embodiments of the present disclosure.
  • Figure 7 is a structural block diagram of a behavioral habit recognition device according to an embodiment of the present disclosure. As shown in Figure 7, it includes:
  • the acquisition module 52 is configured to acquire behavior data stored in the server for instructing the target object to control multiple home appliances in the target area, where the behavior data includes: first operating actions on multiple home appliances. ;
  • the removal module 54 is configured to remove non-associated actions existing in the behavior data to obtain a first correlation result information set including a plurality of second operation actions, wherein the non-associated actions are intermediate actions of the behavior data. Any two consecutive first operation actions with an interval greater than the first preset interval time;
  • the determination module 56 is configured to determine the action content corresponding to each second operation action in the first association result information set, confirm the action content using preset rules, and obtain the second association result information set;
  • the statistics module 58 is configured to count the plurality of third operation actions existing in the second association result information set according to preset groups, so as to identify the behavioral habits corresponding to the target object according to the statistical results, wherein, The above-mentioned behavioral habits are a set corresponding to the behavioral preferences of the target object controlling multiple home appliances in the target area.
  • the behavior data stored in the server and used to instruct the target object to control multiple home appliances in the target area is obtained, where the behavior data includes: the first operating action on the multiple home appliances; Uncorrelated actions are removed to obtain a first association result information set containing multiple second operation actions, where the uncorrelated actions are any two consecutive first operation actions in the behavior data whose interval is greater than the first preset interval time.
  • the technical solution solves the problems in related technologies that when mining the behavioral habits corresponding to the target object, the differentiation of behaviors is not enough, and the associated behaviors of the target object cannot be identified and statistically analyzed.
  • the information model determines the correlation validity and support corresponding to the operation actions in the behavioral data, uses hierarchical classification to reduce the behavioral data, and improves the data corresponding to the behavioral habits finally determined from the behavioral data. Accuracy, and through hierarchical filtering, the processing of large amounts of behavioral data is greatly improved, making it possible to quickly and effectively extract multiple behavioral habits through behavioral data.
  • the above-mentioned determination module is further configured to determine whether any two consecutive second operation actions with the same action content exist in the first association result information set.
  • the target home appliance device corresponding to the continuous second operation action; in the case where the action content of the natural pairing behavior exists in the first association result information set, the second action content corresponding to the action content that occurs first in the natural pairing behavior is The operation action is marked as a valid action, and in the natural pairing behavior, other second operation actions except the action content that occurs first corresponding to the second operation action are marked as invalid actions.
  • the above-mentioned determination module further includes: an identification unit configured to, when the target home appliances corresponding to any two consecutive second operating actions are the same home appliances, identify the Among the consecutive second operation actions, the second operation action with a previous time point is marked as a valid action, and the second operation action with a later time point is marked as an invalid action; in any two consecutive second operation actions corresponding to When the target home appliances are not the same home appliances, any two consecutive second operation actions are marked as valid actions.
  • the above statistics module is further configured to obtain the first grouping information and the second grouping information corresponding to the preset grouping, wherein the first grouping information includes: target object, target object operation The total time used for the home appliance, the location where the operation action occurs, and the operation result of the home appliance corresponding to the operation action; the second grouping information includes: the target object, the location where the operation action occurs, the operation result of the home appliance corresponding to the operation action, and The operation action has associated association behavior; statistics are made on a plurality of third operation actions present in the second association result information set based on the first grouping information and the second grouping information.
  • the above statistics module further includes: a first statistics unit configured to count the number of occurrences of each of the plurality of third operation actions based on the first grouping information, Obtaining first statistical information; a second statistical unit configured to determine the associated action corresponding to each of the plurality of third operating actions based on the second grouping information, and determine the occurrence probability of the associated action , get the second statistical information.
  • the above statistics module is further configured to use the target object as a data alignment identifier to summarize the first statistical information and the second statistical information to obtain the third statistical information; determine the number of times in the third statistical information
  • the target third operation action that occurs the most and has the highest probability of occurrence of the associated action; obtains the target home appliance device corresponding to the current target third operation action, and determines it based on the behavior data of the target object using the target third operation action to operate the target home appliance device.
  • the behavioral preferences of the target object; the behavioral habits corresponding to the target object are determined through the behavioral preferences.
  • the above-mentioned device further includes: a scene module configured to determine the number of types of behavioral preferences included in the behavioral habits; when the number of types is greater than a preset number, generate the behavioral habits The corresponding home appliance operation scenario; sending a scene update message carrying the home appliance operation scenario to the target object.
  • a scene module configured to determine the number of types of behavioral preferences included in the behavioral habits; when the number of types is greater than a preset number, generate the behavioral habits The corresponding home appliance operation scenario; sending a scene update message carrying the home appliance operation scenario to the target object.
  • An embodiment of the present disclosure also provides a storage medium that includes a stored program, wherein the method of any of the above items is executed when the program is run.
  • the above-mentioned storage medium may be configured to store program codes for performing the following steps:
  • S1 obtain the behavior data stored in the server and used to instruct the target object to control multiple home appliances in the target area, where the behavior data includes: first operating actions on multiple home appliances; S2, transfer all the home appliances The non-correlated actions existing in the behavior data are removed to obtain a first correlation result information set including a plurality of second operation actions, wherein the non-correlated actions are when the interval time in the behavior data is greater than the first preset interval time. Any two consecutive first operating actions;
  • S3 Determine the action content corresponding to each second operation action in the first association result information set, confirm the action content using preset rules, and obtain the second association result information set;
  • Embodiments of the present disclosure also provide an electronic device, including a memory and a processor.
  • a computer program is stored in the memory, and the processor is configured to run the computer program to perform the steps in any of the above method embodiments.
  • the above-mentioned electronic device may further include a transmission device and an input-output device, wherein the transmission device is connected to the above-mentioned processor, and the input-output device is connected to the above-mentioned processor.
  • the electronic device includes a memory 702 and a processor 704.
  • the memory 702 stores a computer program.
  • the processor 704 is configured to execute any of the above method embodiments through the computer program. step.
  • the above-mentioned electronic device may be located in at least one network device among multiple network devices of the computer network.
  • the above-mentioned processor may be configured to perform the following steps through a computer program:
  • S2 Remove the non-associated actions existing in the behavior data to obtain a first correlation result information set including multiple second operation actions, wherein the non-associated actions are when the interval time in the behavior data is greater than the first Any two consecutive first operation actions at a preset interval;
  • S3 Determine the action content corresponding to each second operation action in the first association result information set, confirm the action content using preset rules, and obtain the second association result information set;
  • the structure shown in Figure 8 is only illustrative, and the electronic device can also be a smart phone (such as an Android phone, an iOS phone, etc.), a tablet computer, a handheld computer, and a mobile Internet device (Mobile Internet Devices, MID), PAD and other terminal equipment.
  • FIG. 8 does not limit the structure of the above-mentioned electronic device.
  • the electronic device may also include more or fewer components (such as network interfaces, etc.) than shown in FIG. 8 , or have a different configuration than that shown in FIG. 8 .
  • the memory 702 can be used to store software programs and modules, such as program instructions/modules corresponding to the communication connection methods and devices in the embodiments of the present disclosure.
  • the processor 704 executes various software programs and modules by running the software programs and modules stored in the memory 702. Function application and data processing, that is, realizing the above communication connection method.
  • Memory 702 may include high-speed random access memory, and may also include non-volatile memory, such as one or more magnetic storage devices, flash memory, or other non-volatile solid-state memory.
  • the memory 702 may further include memory located remotely relative to the processor 704, and these remote memories may be connected to the terminal through a network.
  • the above-mentioned networks include but are not limited to the Internet, intranets, local area networks, mobile communication networks and combinations thereof.
  • the memory 702 may include, but is not limited to, the acquisition module 52 , the removal module 54 , the determination module 56 , and the statistics module 58 in the communication connection device. In addition, it may also include but is not limited to other modular units in the above-mentioned communication connection device, which will not be described again in this example.
  • the above-mentioned transmission device 706 is used to receive or send data via a network.
  • Specific examples of the above-mentioned network may include wired networks and wireless networks.
  • the transmission device 706 includes a network adapter (Network Interface Controller, NIC), which can be connected to other network devices and routers through network cables to communicate with the Internet or a local area network.
  • the transmission device 1106 is a radio frequency (Radio Frequency, RF) module, which is used to communicate with the Internet wirelessly.
  • RF Radio Frequency
  • the above-mentioned electronic device also includes: a display 708 configured to display the above-mentioned behavior data and behavior habits; and a connection bus 710 configured to connect various module components in the above-mentioned electronic device.
  • the above storage medium may include but is not limited to: U disk, read-only memory (Read-Only Memory, referred to as ROM), random access memory (Random Access Memory, referred to as RAM), Various media that can store program code, such as mobile hard drives, magnetic disks, or optical disks.
  • ROM read-only memory
  • RAM random access memory
  • program code such as mobile hard drives, magnetic disks, or optical disks.
  • modules or steps of the present disclosure can be implemented using general-purpose computing devices, and they can be concentrated on a single computing device, or distributed across a network composed of multiple computing devices. , optionally, they may be implemented in program code executable by a computing device, such that they may be stored in a storage device for execution by the computing device, and in some cases, may be in a sequence different from that herein.
  • the steps shown or described are performed either individually as individual integrated circuit modules, or as multiple modules or steps among them as a single integrated circuit module. As such, the present disclosure is not limited to any specific combination of hardware and software.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本公开提供了一种行为习惯的识别方法和装置、存储介质及电子装置，涉及智慧家庭技术领域，上述方法包括：获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，行为数据包括：对多个家电设备的第一操作动作；将行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合；确定第一关联结果信息集合中每一个第二操作动作对应的动作内容，使用预设规则对动作内容进行确认，得到第二关联结果信息集合；对第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出目标对象对应的行为习惯，行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合。

Description

行为习惯的识别方法和装置、存储介质及电子装置
本公开要求于2022年08月22日提交中国专利局、申请号为202211007311.1、发明名称“行为习惯的识别方法和装置、存储介质及电子装置”的中国专利申请的优先权，其全部内容通过引用结合在本公开中。
技术领域
本公开涉及智慧家庭技术领域，具体而言，涉及一种行为习惯的识别方法和装置、存储介质及电子装置。
背景技术
近几年物联网技术不断地更新迭代，使得智能家居行业得到日新月异的发展，智能家居的产品和服务逐渐给用户带来更丰富、更优质、更有效的推荐服务。相关技术中，对于用户习惯识别技术方案，存在以下缺点：用户行为区分度不足，没有过滤无效的用户操作关联行为信息；获取的用户行为信息，没有考虑用户行为关联的支持度信息，使得最终挖掘出的用户习惯信息不够精确。
因此，针对相关技术中，在挖掘目标对象对应的行为习惯时，对于行为的区分度不够，对目标对象存在的关联行为无法识别统计等问题，尚未提出有效的解决方案。
发明内容
本公开实施例提供了一种行为习惯的识别方法和装置、存储介质及电子装置，以至少解决相关技术中，在挖掘目标对象对应的行为习惯时，对于行为的区分度不够，对目标对象存在的关联行为无法识别统计等问题。
根据本公开实施例的一个实施例，提供了一种行为习惯的识别方法，包括：获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，其中，所述行为数据包括：对多个所述家电设备的第一操作动作； 将所述行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合，其中，所述不关联动作为所述行为数据中间隔时间大于第一预设间隔时间的任意两个连续的第一操作动作；确定所述第一关联结果信息集合中每一个第二操作动作对应的动作内容，使用预设规则对所述动作内容进行确认，得到第二关联结果信息集合；对所述第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出所述目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合。
根据本公开实施例的另一个实施例，还提供了一种行为习惯的识别装置，包括：获取模块，被设置为获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，其中，所述行为数据包括：对多个所述家电设备的第一操作动作；去除模块，被设置为将所述行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合，其中，所述不关联动作为所述行为数据中间隔时间大于第一预设间隔时间的任意两个连续的第一操作动作；确定模块，被设置为确定所述第一关联结果信息集合中每一个第二操作动作对应的动作内容，使用预设规则对所述动作内容进行确认，得到第二关联结果信息集合；统计模块，被设置为对所述第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出所述目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合。
根据本公开实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述行为习惯的识别方法。
根据本公开实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的行为习惯的识别方法。
在本公开实施例中，获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，其中，行为数据包括：对多个家电设备的第一操作 动作；将行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合，其中，不关联动作为行为数据中间隔时间大于第一预设间隔时间的任意两个连续的第一操作动作；确定第一关联结果信息集合中每一个第二操作动作对应的动作内容，使用预设规则对动作内容进行确认，得到第二关联结果信息集合；对第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合；采用上述技术方案，解决了相关技术中，在挖掘目标对象对应的行为习惯时，对于行为的区分度不够，对目标对象存在的关联行为无法识别统计等问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本公开实施例的一种行为习惯的识别方法的硬件环境示意图；
图2是根据本公开实施例的行为习惯的识别方法的流程图；
图3为本公开可选实施例的用户习惯识别技术方案的流程图；
图4为本公开可选实施例的一种基于用户家电操作行为识别用户习惯的系统的结构示意图；
图5为本公开可选实施例的基于用户家电操作行为识别用户习惯的系统对应数据流转示意图；
图6为本公开可选实施例的一种行为关联算法的用户习惯识别的流程图；
图7是根据本公开实施例的一种行为习惯的识别装置的结构框图；
图8是根据本公开实施例的一种电子装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本公开方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本公开实施例的一个方面，提供了一种行为习惯的识别方法。该行为习惯的识别方法广泛应用于智慧家庭(Smart Home)、智能家居、智能家用设备生态、智慧住宅(IntelligenceHouse)生态等全屋智能数字化控制应用场景。可选地，在本实施例中，上述行为习惯的识别方法可以应用于如图1所示的由终端设备102和服务器104所构成的硬件环境中。如图1所示，服务器104通过网络与终端设备102进行连接，可用于为终端或终端上安装的客户端提供服务(如应用服务等)，可在服务器上或独立于服务器设置数据库，被设置为为服务器104提供数据存储服务，可在服务器上或独立于服务器配置云计算和/或边缘计算服务，被设置为为服务器104提供数据运算服务。
上述网络可以包括但不限于以下至少之一：有线网络，无线网络。上述有线网络可以包括但不限于以下至少之一：广域网，城域网，局域网，上述无线网络 可以包括但不限于以下至少之一：WIFI(Wireless Fidelity，无线保真)，蓝牙。终端设备102可以并不限定于为PC、手机、平板电脑、智能空调、智能烟机、智能冰箱、智能烤箱、智能炉灶、智能洗衣机、智能热水器、智能洗涤设备、智能洗碗机、智能投影设备、智能电视、智能晾衣架、智能窗帘、智能影音、智能插座、智能音响、智能音箱、智能新风设备、智能厨卫设备、智能卫浴设备、智能扫地机器人、智能擦窗机器人、智能拖地机器人、智能空气净化设备、智能蒸箱、智能微波炉、智能厨宝、智能净化器、智能饮水机、智能门锁等。
在本实施例中提供了一种行为习惯的识别方法，应用于上述计算机终端，图2是根据本公开实施例的行为习惯的识别方法的流程图，该流程包括如下步骤：
步骤S202，获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，其中，所述行为数据包括：对多个所述家电设备的第一操作动作；
需要说明的是，上述家电设备是与目标对象进行了关联绑定的设备，可以通过目标对象对应的用户信息对对应的行为数据进行标识，其中，上述用户信息可以识别唯一用户，进而当用户在设备端操作家电设备后，家电设备的设备底板采集操作记录信息，通过网络实时发送到云服务器；通过分布式发布订阅消息系统Kafka将数据传输到数据平台对应的服务器中，并在数据平台中进行用户家电操作记录信息(相当于上述行为数据)的关联处理。
步骤S204，将所述行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合，其中，所述不关联动作为所述行为数据中间隔时间大于第一预设间隔时间的任意两个连续的第一操作动作；
可选的，上述第一预设间隔时间用于与连续两个第一操作动作发生时间对应的当前间隔时间进行比较，从而快速去除行为数据中间隔时间大于该第一预设间隔时间的连续两个第一操作动作，上述第一预设间隔时间可以是5分钟、10分钟也可以是30秒，这是根据行为数据的处理要求灵活设置的。
步骤S206，确定所述第一关联结果信息集合中每一个第二操作动作对应的动 作内容，使用预设规则对所述动作内容进行确认，得到第二关联结果信息集合；
步骤S208，对所述第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出所述目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合。
通过上述步骤，获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，其中，行为数据包括：对多个家电设备的第一操作动作；将行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合，其中，不关联动作为行为数据中间隔时间大于第一预设间隔时间的任意两个连续的第一操作动作；确定第一关联结果信息集合中每一个第二操作动作对应的动作内容，使用预设规则对动作内容进行确认，得到第二关联结果信息集合；对第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合；采用上述技术方案，解决了相关技术中，在挖掘目标对象对应的行为习惯时，对于行为的区分度不够，对目标对象存在的关联行为无法识别统计等问题，通过使用包含时序规则和匹配性规则的关联信息模型，对行为数据中操作动作对应的关联有效性以及操作动作对应的支持度进行确定，利用逐级分类对行为数据进行缩小，提升了最终从所述行为数据中确定的行为习惯对应的数据准确度，并且通过分级筛选使得对于大数据量的行为数据的处理数据大大提升，使得可以通过行为数据快速且有效的提取出多个行为习惯。
在一个示例性实施例中，使用预设规则对所述动作内容进行确认，包括：在所述第一关联结果信息集合中存在动作内容相同的任意两个连续的第二操作动作的情况下，确定所述任意两个连续的第二操作动作对应的目标家电设备；在所述第一关联结果信息集合中存在自然配对行为的动作内容的情况下，将在所述自然配对行为中首先发生的动作内容对应的第二操作动作标识为有效动作，将所述自然配对行为中除首先发生的动作内容对应第二操作动作之外的其他第二操作动作标识为无效动作。
在一个示例性实施例中，在所述第一关联结果信息集合中存在动作内容相 同的任意两个连续的第二操作动作的情况下，确定所述任意两个连续的第二操作动作对应的目标家电设备之后，上述方法还包括：在所述任意两个连续的第二操作动作对应的目标家电设备为同一家电设备的情况下，将所述任意两个连续的第二操作动作中时间点在前的第二操作动作标识为有效动作，将时间点在后的第二操作动作标识为无效动作；在所述任意两个连续的第二操作动作对应的目标家电设备不为同一家电设备的情况下，将所述任意两个连续的第二操作动作均标识为有效动作。
可以理解的是，在家电操作记录中，同一设备在一定时间间隔内，出现连续两次相同的行为动作，或者出现连续两次行为动作为自然匹配对行为，则认为第二个行为动作记录，相对于第一个行为记录为无效记录。可选的，当在实际应用中可能产生如下表1所示的数据，其中，第3条记录‘打开冰箱门’与第2条记录‘打开冰箱门’的行为动作相同；那么，第3条记录相对于第2条记录，为无效关联行为记录。第4条记录‘关闭冰箱门’与第3条记录‘打开冰箱门’的行为动作为自然匹配对行，即两个动作存在因果关系；那么，第4条记录相对于第3条记录，为无效关联行为记录。
表1
Figure PCTCN2022141685-appb-000001
在一个示例性实施例中，对所述第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，包括：获取所述预设分组对应的第一分组信息和第二分组信息，其中，所述第一分组信息包括：目标对象、目标对象操作家电设备的总用时、操作动作的发生位置、操作动作对应的家电设备的运行结 果；所述第二分组信息包括：目标对象、操作动作的发生位置、操作动作对应的家电设备的运行结果、与所述操作动作存在关联的关联行为；基于所述第一分组信息和所述第二分组信息对所述第二关联结果信息集合中存在的多个第三操作动作进行统计。
在一个示例性实施例中，基于所述第一分组信息和所述第二分组信息对所述第二关联结果信息集合中存在的多个第三操作动作进行统计，包括：基于所述第一分组信息对所述多个第三操作动作中每一种操作动作的发生次数进行统计，得到第一统计信息；基于所述第二分组信息确定所述多个第三操作动作中每一种操作动作对应的关联动作，并确定所述关联动作的发生概率，得到第二统计信息。
简单来说，在对行为数据进行不关联动作进行去除以及通过预设规则对动作内容进行确认之后，得到了一个有效、且内容比较准确的行为数据对应的第二关联结果信息集合，之后为了提升确定出的行为习惯更符合当前目标对象，通过预设分组对第二关联结果信息集合中的操作动作记性不同维度的统计，得到每个行为动作发生的次数统计信息和每个行为动作发生对应的关联行为动作的支持度信息(相当于上述发生概率)。
在一个示例性实施例中，根据统计结果识别出所述目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合，包括：利用所述目标对象作为数据对齐标识对所述第一统计信息和所述第二统计信息进行汇总，得到第三统计信息；在所述第三统计信息中确定次数发生最多且关联动作的发生概率最大的目标第三操作动作；获取当前所述目标第三操作动作对应的目标家电设备，基于目标对象使用所述目标第三操作动作操作所述目标家电设备的行为数据确定所述目标对象的行为偏好；通过所述行为偏好确定出所述目标对象对应的行为习惯。
作为一种可选的示例，上述统计信息可以通过表格方式进行展现，或者是通过图形的方式进行展现，对此，本公开不作过多限定，以表格展示为例，例如，上述第一统计信息为如下表2所示；上述第二统计信息为如下表3所示。
表2
用户 时间(小时) 位置 行为 次数
U01 17 客厅 打开空调 4
U01 18 客厅 打开空调 5
U01 19 客厅 打开空调 6
表3
用户 位置 行为 关联行为 支持度
U01 客厅 打开空调 打开电视 20％
U01 客厅 打开空调 开灯 30％
U01 客厅 打开空调 打开热水器 40％
将上述表2、表3综合后得到第三统计信息对应的表4；表4如下：
表4
Figure PCTCN2022141685-appb-000002
此时，将表4中发生次数最多，支持度最大的信息为用户习惯记录信息(相当于上述行为偏好)，则对应的是支持度为40％，次数为6的表4中的行为习惯数据。
在一个示例性实施例中，对所述第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出所述目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行 为偏好对应的集合之后，上述方法还包括：确定所述行为习惯包含的行为偏好的类型数量；在所述类型数量大于预设数量的情况下，生成所述行为习惯对应的家电设备操作场景；向所述目标对象发送携带所述家电设备操作场景的场景更新消息。
可以理解的是，当目标对象的行为习惯中包含操作多个家电设备的行为偏好时，说明目标对象在操作第一家电设备的情况下，可能对第二家电设备或者第三家电设备进行了关联操作，因此，可以基于该行为习惯生成对应的依据关联次序控制当前第一家电设备、第二家电设备、第三家电设备的家电设备操作场景，需要说明的是，该家电设备操作场景是根据行为习惯的内容灵活变化的。
为了更好的理解上述行为习惯的识别方法的过程，以下再结合可选实施例对上述行为习惯的识别的实现方法流程进行说明，但不用于限定本公开实施例的技术方案。
近几年物联网技术不断地更新迭代，使得智能家居行业得到日新月异的发展，智能家居的产品和服务逐渐给用户带来更丰富、更优质、更有效的推荐服务。为了能够精准识别用户行为习惯，提供更贴心的推荐服务，智能家居厂商以及服务商，对于消息推荐应用进行不断探索与研究，以便来满足各种用户的精准化需求。
作为一种可选的实施方式，图3为本公开可选实施例的用户习惯识别技术方案的流程图，通过在完成用户与家电设备之间的绑定后，采集用户家电操作数据，再对用户行为统计，最终根据统计结果对用户习惯进行标记，但上述用户习惯识别技术方案，存在以下缺点：
1、用户行为区分度不足，没有过滤无效的用户操作关联行为信息。
2、对于获取的用户行为信息，没有考虑用户行为关联的支持度信息。
因此，针对上述技术中的缺点，本公开可选实施例还提供了一种基于用户家电操作行为识别用户习惯的方法，在用户使用家电设备前，需要将用户信息与家电设备进行绑定。当用户进行家电设备操作时，采集设备实时收集用户操作行为 记录信息，可以识别用户信息和操作行为信息，通过用户行为关联算法模型计算，标记用户习惯信息。即核心基于用户与信息采集设备的绑定关系；根据用户家电操作行为的记录信息，剔除无效关联行为记录，采用行为关联算法，挖掘得到用户习惯信息。
可选的，图4为本公开可选实施例的一种基于用户家电操作行为识别用户习惯的系统的结构示意图，包括：用户绑定家电、云服务器、数据计算服务器；其中通过用户绑定家电和云服务器之间的信息交互完成用户绑定信息的确定收集以及用户家电操作数据的收集，在云服务器收集完成数据之后，发送至数据计算服务器，通过数据计算服务器中的行为关联模型计算出最终的用户习惯标记。
具体的通过以下几步实现：
第一步：用户与信息采集设备进行绑定操作。
第二步：用户家电操作记录，通过云服务器进行上传，然后加载到Hadoop服务器进行数据存储和处理。根据用户家电操作记录，按照业务规则，将用户行为进行分类，过滤掉无效关联行为记录信息。
可选的，图5为本公开可选实施例的基于用户家电操作行为识别用户习惯的系统对应数据流转示意图；当前用户对应绑定多个家电设备的情况下，通过在多个家电设备对应的目标区域放置云服务器，利用蓝牙技术将多个家电设备的用户家电操作记录收集到云服务器，云服务器通过分布式消息订阅系统Kafka将对应的用户家电操作记录上传至Hadoop服务器对应Hadoop大数据平台，并通过Hadoop大数据平台中设置的用户习惯识别模型对用户家电操作记录进行过滤处理。
第三步：对有效用户行为进行关联分析，得到用户关联行为，并将用户关联行为通过行为关联模型计算，确定出对应的计算结果信息
第四步：根据用户关联行为的计算结果信息，标记用户习惯信息。
可选的，图6为本公开可选实施例的一种行为关联算法的用户习惯识别的流程图；包括以下步骤：
步骤一、用户绑定信息处理，对现有绑定的用户信息进行标准化处理，可以识别唯一用户。
步骤二、用户家电操作记录信息关联处理，包括数据采集和规则处理；其中，所述数据采集为用户在设备端操作家电后，设备地板采集操作记录信息，通过网络实时发送到云服务器；通过Kafka将数据传输到数据平台，以便进行数据计算。其中，规则处理包括：时序规则处理和匹配性规则处理。
可选的，按照时序规则处理：根据用户家电操作记录信息a(k)，按照时序规则对用户家电操作信息进行行为关联处理，得到用户关联行为结果信息集合B1，可选的，可以当连续两个动作发生时间，间隔超过5分钟，则定义为无效行为关联信息。
例如，用户家电操作记录信息a(k)如下表5所示：
表5
Figure PCTCN2022141685-appb-000003
第5条记录‘打开热水器’与第4条记录‘关闭冰箱门’时间间隔超过大于5分钟；那么，第5条记录相对于第4条记录，为无效关联行为记录。则可以得 到用户关联行为结果信息集合B1，如下表6所示。
表6
Figure PCTCN2022141685-appb-000004
可选的，按照匹配性规则处理：根据用户关联行为结果信息集合B1，按照匹配规则对用户家电操作信息进行行为关联处理，得到用户关联行为结果信息集合B2。上述匹配性规则为在家电操作记录中，同一设备在一定时间间隔内，出现连续两次相同的行为动作，或者出现连续两次行为动作为自然匹配对行为，则认为第二个行为动作记录，相对于第一个行为记录为无效记录。
例如，上述用户关联行为结果信息集合B1对应的表6，其中，第3条记录‘打开冰箱门’与第2条记录‘打开冰箱门’的行为动作相同；那么，第3条记录相对于第2条记录，为无效关联行为记录。第4条记录‘关闭冰箱门’与第3条记录‘打开冰箱门’的行为动作为自然匹配对行，即两个动作存在因果关系；那么，第4条记录相对于第3条记录，为无效关联行为记录。经过匹配性规则处理得到用户关联行为结果信息集合B2，对应下表7。
表7
Figure PCTCN2022141685-appb-000005
步骤三、行为关联模型计算，可选的，分为两种方式，方式一：用户行为次数计算：根据用户有效家电操作记录信息集合B2，按照用户、时间、位置、行为进行分组，计算每个行为动作发生的次数统计信息。方式二：用户行为支持度计算：根据用户有效家电操作记录信息集合B2，按照用户、位置、行为、关联行为进行分组，计算每个行为动作发生对应的关联行为动作的支持度信息。
步骤四、用户习惯标记根据行为关联模型计算结果信息，标记行为发生次数最多，支持度最大的信息为用户习惯记录信息。
本实施例通过建用户习惯模型：根据用户家电操作行为信息，区分无效关联行为信息，将无效信息进行过滤，缩小有效关联行为数据范围；采用行为关联算法模型，挖掘得到用户习惯信息。继而通过将用户家电操作行为信息进行分类，缩小有效关联行为数据范围，提升数据准确度和计算效率；对用户进行关联分析，根据支持度和置信度参数，计算得到有效的用户关联行为，标记用户习惯信息。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述 实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本公开各个实施例的方法。
图7是根据本公开实施例的一种行为习惯的识别装置的结构框图。如图7所示，包括：
获取模块52，被设置为获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，其中，所述行为数据包括：对多个所述家电设备的第一操作动作；
去除模块54，被设置为将所述行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合，其中，所述不关联动作为所述行为数据中间隔时间大于第一预设间隔时间的任意两个连续的第一操作动作；
确定模块56，被设置为确定所述第一关联结果信息集合中每一个第二操作动作对应的动作内容，使用预设规则对所述动作内容进行确认，得到第二关联结果信息集合；
统计模块58，被设置为对所述第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出所述目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合。
通过上述装置，获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，其中，行为数据包括：对多个家电设备的第一操作动作；将行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合，其中，不关联动作为行为数据中间隔时间大于第一预设间隔时间的任意两个连续的第一操作动作；确定第一关联结果信息集合中每一个第二操 作动作对应的动作内容，使用预设规则对动作内容进行确认，得到第二关联结果信息集合；对第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合；采用上述技术方案，解决了相关技术中，在挖掘目标对象对应的行为习惯时，对于行为的区分度不够，对目标对象存在的关联行为无法识别统计等问题，通过使用包含时序规则和匹配性规则的关联信息模型，对行为数据中操作动作对应的关联有效性以及操作动作对应的支持度进行确定，利用逐级分类对行为数据进行缩小，提升了最终从所述行为数据中确定的行为习惯对应的数据准确度，并且通过分级筛选使得对于大数据量的行为数据的处理数据大大提升，使得可以通过行为数据快速且有效的提取出多个行为习惯。
在一个示例性实施例中，上述确定模块，还被设置为在所述第一关联结果信息集合中存在动作内容相同的任意两个连续的第二操作动作的情况下，确定所述任意两个连续的第二操作动作对应的目标家电设备；在所述第一关联结果信息集合中存在自然配对行为的动作内容的情况下，将在所述自然配对行为中首先发生的动作内容对应的第二操作动作标识为有效动作，将所述自然配对行为中除首先发生的动作内容对应第二操作动作之外的其他第二操作动作标识为无效动作。
在一个示例性实施例中，上述确定模块还包括：标识单元，被设置为在所述任意两个连续的第二操作动作对应的目标家电设备为同一家电设备的情况下，将所述任意两个连续的第二操作动作中时间点在前的第二操作动作标识为有效动作，将时间点在后的第二操作动作标识为无效动作；在所述任意两个连续的第二操作动作对应的目标家电设备不为同一家电设备的情况下，将所述任意两个连续的第二操作动作均标识为有效动作。
在一个示例性实施例中，上述统计模块，还被设置为获取所述预设分组对应的第一分组信息和第二分组信息，其中，所述第一分组信息包括：目标对象、目标对象操作家电设备的总用时、操作动作的发生位置、操作动作对应的家电设备的运行结果；所述第二分组信息包括：目标对象、操作动作的发生位 置、操作动作对应的家电设备的运行结果、与所述操作动作存在关联的关联行为；基于所述第一分组信息和所述第二分组信息对所述第二关联结果信息集合中存在的多个第三操作动作进行统计。
在一个示例性实施例中，上述统计模块还包括：第一统计单元，被设置为基于所述第一分组信息对所述多个第三操作动作中每一种操作动作的发生次数进行统计，得到第一统计信息；第二统计单元，被设置为基于所述第二分组信息确定所述多个第三操作动作中每一种操作动作对应的关联动作，并确定所述关联动作的发生概率，得到第二统计信息。
在一个示例性实施例中，上述统计模块，还被设置为利用目标对象作为数据对齐标识对第一统计信息和第二统计信息进行汇总，得到第三统计信息；在第三统计信息中确定次数发生最多且关联动作的发生概率最大的目标第三操作动作；获取当前目标第三操作动作对应的目标家电设备，基于目标对象使用所述目标第三操作动作操作所述目标家电设备的行为数据确定所述目标对象的行为偏好；通过所述行为偏好确定出所述目标对象对应的行为习惯。
在一个示例性实施例中，上述装置还包括：场景模块，被设置为确定所述行为习惯包含的行为偏好的类型数量；在所述类型数量大于预设数量的情况下，生成所述行为习惯对应的家电设备操作场景；向所述目标对象发送携带所述家电设备操作场景的场景更新消息。
本公开的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项的方法。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
S1，获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，其中，所述行为数据包括：对多个所述家电设备的第一操作动作；S2，将所述行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合，其中，所述不关联动作为所述行为数据中间隔时间大于第一预设间隔时间的任意两个连续的第一操作动作；
S3，确定所述第一关联结果信息集合中每一个第二操作动作对应的动作内容，使用预设规则对所述动作内容进行确认，得到第二关联结果信息集合；
S4，对所述第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出所述目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合。
本公开的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选的，如图8所示，该电子装置包括存储器702和处理器704，该存储器702中存储有计算机程序，该处理器704被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，其中，所述行为数据包括：对多个所述家电设备的第一操作动作；
S2，将所述行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合，其中，所述不关联动作为所述行为数据中间隔时间大于第一预设间隔时间的任意两个连续的第一操作动作；
S3，确定所述第一关联结果信息集合中每一个第二操作动作对应的动作内容，使用预设规则对所述动作内容进行确认，得到第二关联结果信息集合；
S4，对所述第二关联结果信息集合中存在的多个第三操作动作依据预设分组 进行统计，以根据统计结果识别出所述目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合。
可选地，本领域普通技术人员可以理解，图8所示的结构仅为示意，电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图8其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图8中所示更多或者更少的组件(如网络接口等)，或者具有与图8所示不同的配置。
其中，存储器702可用于存储软件程序以及模块，如本公开实施例中的通信连接方法和装置对应的程序指令/模块，处理器704通过运行存储在存储器702内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的通信连接方法。存储器702可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器702可进一步包括相对于处理器704远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。作为一种示例，如图8所示，上述存储器702中可以但不限于包括上述通信连接装置中的获取模块52、去除模块54、确定模块56、统计模块58。此外，还可以包括但不限于上述通信连接装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置706用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置706包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1106为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子装置还包括：显示器708，被设置为显示上述行为数据和行为习惯；和连接总线710，被设置为连接上述电子装置中的各个模块部件。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存 储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本公开的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本公开不限制于任何特定的硬件和软件结合。
以上所述仅是本公开的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本公开的保护范围。

Claims (16)

  1. 一种行为习惯的识别方法，包括：
    获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，其中，所述行为数据包括：对多个所述家电设备的第一操作动作；
    将所述行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合，其中，所述不关联动作为所述行为数据中间隔时间大于第一预设间隔时间的任意两个连续的第一操作动作；
    确定所述第一关联结果信息集合中每一个第二操作动作对应的动作内容，使用预设规则对所述动作内容进行确认，得到第二关联结果信息集合；
    对所述第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出所述目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合。
  2. 根据权利要求1所述的行为习惯的识别方法，其中，使用预设规则对所述动作内容进行确认，包括：
    在所述第一关联结果信息集合中存在动作内容相同的任意两个连续的第二操作动作的情况下，确定所述任意两个连续的第二操作动作对应的目标家电设备；
    在所述第一关联结果信息集合中存在自然配对行为的动作内容的情况下，将在所述自然配对行为中首先发生的动作内容对应的第二操作动作标识为有效动作，将所述自然配对行为中除首先发生的动作内容对应第二操作动作之外的其他第二操作动作标识为无效动作。
  3. 根据权利要求2所述的行为习惯的识别方法，其中，在所述第一关联结果信息集合中存在动作内容相同的任意两个连续的第二操作动作的情况下，确定所述任意两个连续的第二操作动作对应的目标家电设备之后，所述方法还包括：
    在所述任意两个连续的第二操作动作对应的目标家电设备为同一家电设备的情况下，将所述任意两个连续的第二操作动作中时间点在前的第二操作动作标识为有效动作，将时间点在后的第二操作动作标识为无效动作；
    在所述任意两个连续的第二操作动作对应的目标家电设备不为同一家电设备的情况下，将所述任意两个连续的第二操作动作均标识为有效动作。
  4. 根据权利要求1所述的行为习惯的识别方法，其中，对所述第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，包括：
    获取所述预设分组对应的第一分组信息和第二分组信息，其中，所述第一分组信息包括：目标对象、目标对象操作家电设备的总用时、操作动作的发生位置、操作动作对应的家电设备的运行结果；所述第二分组信息包括：目标对象、操作动作的发生位置、操作动作对应的家电设备的运行结果、与所述操作动作存在关联的关联行为；
    基于所述第一分组信息和所述第二分组信息对所述第二关联结果信息集合中存在的多个第三操作动作进行统计。
  5. 根据权利要求4所述的行为习惯的识别方法，其中，基于所述第一分组信息和所述第二分组信息对所述第二关联结果信息集合中存在的多个第三操作动作进行统计，包括：
    基于所述第一分组信息对所述多个第三操作动作中每一种操作动作的发生次数进行统计，得到第一统计信息；
    基于所述第二分组信息确定所述多个第三操作动作中每一种操作动作对应的关联动作，并确定所述关联动作的发生概率，得到第二统计信息。
  6. 根据权利要求5所述的行为习惯的识别方法，其中，根据统计结果识别出所述目标对象对应的行为习惯，包括：
    利用所述目标对象作为数据对齐标识对所述第一统计信息和所述第二统计信息进行汇总，得到第三统计信息；
    在所述第三统计信息中确定次数发生最多且关联动作的发生概率最大的目标第三操作动作；
    获取当前所述目标第三操作动作对应的目标家电设备，基于目标对象使用所述目标第三操作动作操作所述目标家电设备的行为数据确定所述目标对象的行为偏好；
    通过所述行为偏好确定出所述目标对象对应的行为习惯。
  7. 根据权利要求1所述的行为习惯的识别方法，其中，对所述第二关联结果信息集合中存在的多个第三操作动作依据预设分组进行统计，以根据统计结果识别出所述目标对象对应的行为习惯之后，所述方法还包括：
    确定所述行为习惯包含的行为偏好的类型数量；
    在所述类型数量大于预设数量的情况下，生成所述行为习惯对应的家电设备操作场景；
    向所述目标对象发送携带所述家电设备操作场景的场景更新消息。
  8. 一种行为习惯的识别装置，包括：
    获取模块，被设置为获取服务器中存储的用于指示目标对象控制目标区域内的多个家电设备的行为数据，其中，所述行为数据包括：对多个所述家电设备的第一操作动作；
    去除模块，被设置为将所述行为数据中存在的不关联动作进行去除，得到包含多个第二操作动作的第一关联结果信息集合，其中，所述不关联动作为所述行为数据中间隔时间大于第一预设间隔时间的任意两个连续的第一操作动作；
    确定模块，被设置为确定所述第一关联结果信息集合中每一个第二操作动作对应的动作内容，使用预设规则对所述动作内容进行确认，得到第二关联结果信息集合；
    统计模块，被设置为对所述第二关联结果信息集合中存在的多个第三操作 动作依据预设分组进行统计，以根据统计结果识别出所述目标对象对应的行为习惯，其中，所述行为习惯为目标对象控制目标区域内多个家电设备的行为偏好对应的集合。
  9. 根据权利要求8所述的行为习惯的识别装置，其中，
    所述确定模块，还被设置为在所述第一关联结果信息集合中存在动作内容相同的任意两个连续的第二操作动作的情况下，确定所述任意两个连续的第二操作动作对应的目标家电设备；在所述第一关联结果信息集合中存在自然配对行为的动作内容的情况下，将在所述自然配对行为中首先发生的动作内容对应的第二操作动作标识为有效动作，将所述自然配对行为中除首先发生的动作内容对应第二操作动作之外的其他第二操作动作标识为无效动作。
  10. 根据权利要求9所述的行为习惯的识别装置，其中，
    所述确定模块还包括：标识单元，被设置为在所述任意两个连续的第二操作动作对应的目标家电设备为同一家电设备的情况下，将所述任意两个连续的第二操作动作中时间点在前的第二操作动作标识为有效动作，将时间点在后的第二操作动作标识为无效动作；在所述任意两个连续的第二操作动作对应的目标家电设备不为同一家电设备的情况下，将所述任意两个连续的第二操作动作均标识为有效动作。
  11. 根据权利要求8所述的行为习惯的识别装置，其中，
    所述统计模块，还被设置为获取所述预设分组对应的第一分组信息和第二分组信息，其中，所述第一分组信息包括：目标对象、目标对象操作家电设备的总用时、操作动作的发生位置、操作动作对应的家电设备的运行结果；所述第二分组信息包括：目标对象、操作动作的发生位置、操作动作对应的家电设备的运行结果、与所述操作动作存在关联的关联行为；基于所述第一分组信息和所述第二分组信息对所述第二关联结果信息集合中存在的多个第三操作动作进行统计。
  12. 根据权利要求11所述的行为习惯的识别装置，其中，
    所述统计模块还包括：第一统计单元，被设置为基于所述第一分组信息对所述多个第三操作动作中每一种操作动作的发生次数进行统计，得到第一统计信息；第二统计单元，被设置为基于所述第二分组信息确定所述多个第三操作动作中每一种操作动作对应的关联动作，并确定所述关联动作的发生概率，得到第二统计信息。
  13. 根据权利要求11所述的行为习惯的识别装置，其中，
    所述统计模块，还被设置为利用目标对象作为数据对齐标识对第一统计信息和第二统计信息进行汇总，得到第三统计信息；在第三统计信息中确定次数发生最多且关联动作的发生概率最大的目标第三操作动作；获取当前目标第三操作动作对应的目标家电设备，基于目标对象使用所述目标第三操作动作操作所述目标家电设备的行为数据确定所述目标对象的行为偏好；通过所述行为偏好确定出所述目标对象对应的行为习惯。
  14. 根据权利要求11所述的行为习惯的识别装置，其中，
    所述装置还包括：场景模块，被设置为确定所述行为习惯包含的行为偏好的类型数量；在所述类型数量大于预设数量的情况下，生成所述行为习惯对应的家电设备操作场景；向所述目标对象发送携带所述家电设备操作场景的场景更新消息。
  15. 一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至7任一项中所述的行为习惯的识别方法。
  16. 一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的行为习惯的识别方法。
PCT/CN2022/141685 2022-08-22 2022-12-23 行为习惯的识别方法和装置、存储介质及电子装置 Ceased WO2024040824A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211007311.1A CN115526230A (zh) 2022-08-22 2022-08-22 行为习惯的识别方法和装置、存储介质及电子装置
CN202211007311.1 2022-08-22

Publications (1)

Publication Number Publication Date
WO2024040824A1 true WO2024040824A1 (zh) 2024-02-29

Family

ID=84697207

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/141685 Ceased WO2024040824A1 (zh) 2022-08-22 2022-12-23 行为习惯的识别方法和装置、存储介质及电子装置

Country Status (2)

Country Link
CN (1) CN115526230A (zh)
WO (1) WO2024040824A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116300505A (zh) * 2023-04-03 2023-06-23 青岛海尔智能家电科技有限公司 用于控制家电设备的方法及装置、电子设备、存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107305350A (zh) * 2016-04-25 2017-10-31 西门子公司 智能家居系统的控制方法及其智能家居系统
CN109818839A (zh) * 2019-02-03 2019-05-28 三星电子（中国）研发中心 应用于智能家居的个性化行为预测方法、装置和系统
WO2022097859A1 (ko) * 2020-11-05 2022-05-12 엘지전자 주식회사 가전 기기 및 이의 제어 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106383450A (zh) * 2016-11-10 2017-02-08 北京工商大学 一种基于大数据的智能家居用户行为分析系统及方法
CN108931923B (zh) * 2018-07-20 2020-10-02 珠海格力电器股份有限公司 设备的控制方法及装置、存储介质和电子装置
JP7294950B2 (ja) * 2019-08-23 2023-06-20 東芝ライフスタイル株式会社 家電機器システム、サーバ装置、端末装置及びコンピュータプログラム
CN112162492A (zh) * 2020-11-03 2021-01-01 珠海格力电器股份有限公司 家居设备的控制方法、装置、边缘计算网关及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107305350A (zh) * 2016-04-25 2017-10-31 西门子公司 智能家居系统的控制方法及其智能家居系统
CN109818839A (zh) * 2019-02-03 2019-05-28 三星电子（中国）研发中心 应用于智能家居的个性化行为预测方法、装置和系统
WO2022097859A1 (ko) * 2020-11-05 2022-05-12 엘지전자 주식회사 가전 기기 및 이의 제어 방법

Also Published As

Publication number Publication date
CN115526230A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN114755931A (zh) 控制指令的预测方法和装置、存储介质及电子装置
CN113194155A (zh) 一种物联网中场景智能推荐的方法及装置
CN113268661A (zh) 用于进行用户功能推荐的方法及装置、智能家电
WO2023207170A1 (zh) 洗涤程序的推荐方法及装置、存储介质及电子装置
WO2024040824A1 (zh) 行为习惯的识别方法和装置、存储介质及电子装置
CN115345225A (zh) 推荐场景的确定方法及装置、存储介质及电子装置
CN114694650B (zh) 智能设备的控制方法和装置、存储介质及电子设备
CN116881752A (zh) 数据的聚类方法和装置、存储介质及电子设备
CN114676400B (zh) 身份确定方法、存储介质及电子装置
CN114493028A (zh) 预测模型的建立方法和装置、存储介质及电子装置
CN114691731A (zh) 使用偏好的确定方法和装置、存储介质及电子装置
CN117879984A (zh) 应用于智能家居设备的消息接收免打扰处理方法及装置
WO2024045501A1 (zh) 推荐信息的确定方法和装置、存储介质及电子装置
CN115032907B (zh) 感知参数的更新方法和装置、存储介质及电子装置
WO2024021546A1 (zh) 行为偏好表的生成方法和装置、存储介质及电子装置
CN115866032A (zh) 数据发送方法及装置、存储介质及电子装置
CN115695413A (zh) 数据下载方法和装置、存储介质及电子装置
CN117095677A (zh) 语义理解模板的生成方法、装置、存储介质及电子装置
CN115481317A (zh) 一种工作台场景的推荐方法、存储介质及电子装置
CN115499333A (zh) 关联关系的确定方法、系统、存储介质及电子装置
CN114691730A (zh) 储存位置的提示方法及装置、存储介质及电子装置
CN114880364A (zh) 目标行为的预测方法及装置、存储介质及电子装置
CN119226587A (zh) 资源信息的处理方法、装置、存储介质及电子装置
CN115878030B (zh) 数据存储方法及装置、存储介质及电子装置
CN116521164A (zh) 功能入口的布局方法和装置、存储介质及电子装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22956356

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22956356

Country of ref document: EP

Kind code of ref document: A1