CN105677333A - 一种信息处理方法及电子设备 - Google Patents

Abstract

本发明公开了一种信息处理方法，用于解决因无法获取事件之间的相关联的程度，导致电子设备的运行效率较低的技术问题。所述方法包括：获取第一事件集；所述第一事件集中的每个事件均为电子设备响应用户的操作所生成的事件；从所述第一事件集中获取第二事件集；其中，所述第二事件集中的第一事件与所述第二事件集包括的除所述第一事件之外的其他事件中的至少一个事件相关联，所述第一事件为所述第二事件集中的任一事件；将所述第二事件集作为训练样本，通过神经网络算法进行训练，得到神经网络模型；所述神经网络模型用于表征所述第二事件集中的事件之间的关联的程度。本发明还公开了相应的电子设备。

Description

一种信息处理方法及电子设备

技术领域

本发明涉及计算机技术领域，特别涉及一种信息处理方法及电子设备。

背景技术

目前，用户在操作电子设备时，存在着某些有关联性的操作，例如：某些用户在解锁手机之后，用户会习惯性地启动手机的无线保真(Wireless-Fidelity，WI-FI)，或者，某些用户在解锁手机之后，会习惯性地打开微信(一种即时通讯应用)，等等。将用户进行的操作看作事件，对于用户而言，事件与事件之间可以具有一定的关联性，比如“解锁电子设备”这个事件与“连接Wi-Fi”这个事件存在着一定的关联性。若电子设备能够获取这些事件之间的关联性，可以有效地提高电子设备运行的效率。例如，若电子设备能够获取“解锁电子设备”与“连接WI-FI”这两个事件之间关联性，则电子设备可以在用户刚解锁电子设备之后，立即自动打开电子设备的WI-FI，从而避免用户进行繁琐的操作，减少电子设备所需的响应次数，有效地提升电子设备的运行效率。然而，现有技术中，并没有一种较好的方法获取各个事件之间的关联性。

可见，现有技术中，因无法获取事件之间的关联性，导致电子设备的运行效率较低。

发明内容

本申请提供一种信息处理方法及电子设备，用于解决因无法获取事件之间的相关联的程度，导致电子设备的运行效率较低的技术问题。

第一方面，提供一种信息处理方法，包括：

获取第一事件集；所述第一事件集中的每个事件均为电子设备响应用户的操作所生成的事件；

从所述第一事件集中获取第二事件集；其中，所述第二事件集中的第一事件与所述第二事件集包括的除所述第一事件之外的其他事件中的至少一个事件相关联，所述第一事件为所述第二事件集中的任一事件；

将所述第二事件集作为训练样本，通过神经网络算法进行训练，得到神经网络模型；所述神经网络模型用于表征所述第二事件集中的事件之间的关联的程度。

可选的，从所述第一事件集中获取第二事件集，包括：

将所述第一事件集包括的事件划分为N个第一事件组；N为正整数；

从所述N个第一事件组中获取M个第二事件组；其中，M为正整数，所述M个第二事件组中的每个事件组中至少包括两个事件；

分别确定所述M个第二事件组中的每个第二事件组对应的第一相关度；其中，所述第一相关度是指所述每个第二事件组中的各个事件相互之间的关联的程度；

若所述第一相关度大于第一预设阈值，则将所述第一相关度对应的第二事件组中的事件确定为所述第二事件集中的事件，以获取所述第二事件集。

可选的，将所述第一事件集包括的事件划分为N个第一事件组，包括：

根据所述第一事件集中包括的每个事件的起始时刻以及终止时刻，确定所述第一事件集持续的总时长；

将所述第一事件集持续的总时长划分为N个时间片段；

将所述N个时间片段中的每个时间片段所包括的事件作为所述时间片段对应的事件组，得到所述N个第一事件组。

可选的，分别确定所述M个第二事件组中的每个第二事件组对应的第一相关度，包括：

确定所述M个第二事件组中的任一第二事件组中的所包含的事件共同出现的第一次数；

分别确定所述任一第二事件组中的每个事件出现的第二次数；

根据所述第一次数以及所述第二次数，确定所述任一第二事件组对应的第一相关度；其中，所述第一相关度即为所述M个第二事件组中的每个第二事件组对应的第一相关度。

可选的，在得到神经网络模型之后，还包括：

获取所述用户针对所述电子设备的第一操作；

触发与所述第一操作对应的第一触发事件；

将所述第一触发事件作为所述神经网络模型的输入参数，通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件。

可选的，在通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件之后，还包括：

根据所述第二触发事件，通过所述电子设备执行所述第二触发事件对应的指令。

可选的，在通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件之后，还包括：

根据所述所述第二触发事件，生成并输出提示信息；其中，所述提示信息用于指示所述用户操作所述电子设备以触发所述第二触发事件。

可选的，在通过所述电子设备执行所述第二触发事件对应的指令之后，还包括：

获取所述用户针对所述电子设备响应于所述指令的响应结果的第二操作；

若所述第二操作为表征忽略所述响应结果的操作，则将所述第一预设阈值调整为第二预设阈值；其中，所述第二预设阈值大于所述第一预设阈值。

第二方面，提供一种电子设备，包括：

存储器，用于存储指令；

处理器，用于执行所述指令：

获取第一事件集；所述第一事件集中的每个事件均为电子设备响应用户的操作所生成的事件；

从所述第一事件集中获取第二事件集；其中，所述第二事件集中的第一事件与所述第二事件集包括的除所述第一事件之外的其他事件中的至少一个事件相关联，所述第一事件为所述第二事件集中的任一事件；

将所述第二事件集作为训练样本，通过神经网络算法进行训练，得到神经网络模型；所述神经网络模型用于表征所述第二事件集中的事件之间的关联的程度。

可选的，所述处理器用于：

将所述第一事件集包括的事件划分为N个第一事件组；N为正整数；

从所述N个第一事件组中获取M个第二事件组；其中，M为正整数，所述M个第二事件组中的每个事件组中至少包括两个事件；

分别确定所述M个第二事件组中的每个第二事件组对应的第一相关度；其中，所述第一相关度是指所述每个第二事件组中的各个事件相互之间的关联的程度；

若所述第一相关度大于第一预设阈值，则将所述第一相关度对应的第二事件组中的事件确定为所述第二事件集中的事件，以获取所述第二事件集。

可选的，所述处理器用于：

根据所述第一事件集中包括的每个事件的起始时刻以及终止时刻，确定所述第一事件集持续的总时长；

将所述第一事件集持续的总时长划分为N个时间片段；

将所述N个时间片段中的每个时间片段所包括的事件作为所述时间片段对应的事件组，得到所述N个第一事件组。

可选的，所述处理器用于：

确定所述M个第二事件组中的任一第二事件组中的所包含的事件共同出现的第一次数；

分别确定所述任一第二事件组中的每个事件出现的第二次数；

根据所述第一次数以及所述第二次数，确定所述任一第二事件组对应的第一相关度；其中，所述第一相关度即为所述M个第二事件组中的每个第二事件组对应的第一相关度。

可选的，所述电子设备还包括传感器；

所述传感器，用于在得到神经网络模型之后，获取所述用户针对所述电子设备的第一操作；

所述处理器，用于触发与所述第一操作对应的第一触发事件；将所述第一触发事件作为所述神经网络模型的输入参数，通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件。

可选的，所述处理器用于：

在通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件之后，根据所述第二触发事件，通过所述电子设备执行所述第二触发事件对应的指令。

可选的，所述处理器用于：

在通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件之后，根据所述所述第二触发事件，生成并输出提示信息；其中，所述提示信息用于指示所述用户操作所述电子设备以触发所述第二触发事件。

可选的，

所述传感器，用于在通过所述电子设备执行所述第二触发事件对应的指令之后，获取所述用户针对所述电子设备响应于所述指令的响应结果的第二操作；

所述处理器，用于若所述第二操作为表征忽略所述响应结果的操作，则将所述第一预设阈值调整为第二预设阈值；其中，所述第二预设阈值大于所述第一预设阈值。

第三方向，提供一种电子设备，包括：

第一获取模块，用于获取第一事件集；所述第一事件集中的每个事件均为电子设备响应用户的操作所生成的事件；

第二获取模块，用于从所述第一事件集中获取第二事件集；其中，所述第二事件集中的第一事件与所述第二事件集包括的除所述第一事件之外的其他事件中的至少一个事件相关联，所述第一事件为所述第二事件集中的任一事件；

训练模块，用于将所述第二事件集作为训练样本，通过神经网络算法进行训练，得到神经网络模型；所述神经网络模型用于表征所述第二事件集中的事件之间的关联的程度。

本申请中的上述一个或多个技术方案，至少具有如下一种或多种技术效果和优点：

首先获取第一事件集，并从第一事件集中获取第二事件集，以减小神经网络算法的训练样本的数量，从而减少获得神经网络模型的时长，提高神经网络模型的获得效率，并且通过神经网络算法可以有效地获取第二事件集中的事件之间的关联的程度，从而提升了电子设备的运行效率。

附图说明

为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例中信息处理方法的流程图；

图2为本发明实施例中电子设备的第一种结构示意图；

图3为本发明实施例中电子设备的第二种结构示意图；

图4为本发明实施例中电子设备的第一种结构框图；

图5为本发明实施例中电子设备的第二种结构框图；

图6为本发明实施例中电子设备的第三种结构框图；

图7为本发明实施例中电子设备的第四种结构框图；

图8为本发明实施例中电子设备的第五种结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互任意组合。并且虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

可选的，电子设备可以是个人计算机(PersonalComputer，PC)、平板电脑(PortableAndroidDevice，PAD)手机等等不同的电子设备，本发明实施例对此不作限定。

下面结合附图对本发明优选的实施方式进行详细说明。

请参见图1，本发明实施例提供一种信息处理方法，该方法的流程描述如下。

S101：获取第一事件集；第一事件集中的每个事件均为电子设备响应用户的操作所生成的事件。

第一事件集中例如可以包括响应用户解锁电子设备的操作生成的事件，如通过密码解锁或通过指纹解锁等生成的相应的事件(本发明实施例将这些事件统称为解锁电子设备事件)。而某些未经过用户操作的事件(比如***自动触发的事件)则不能作为第一事件集中的事件。为了更为清楚地描述本发明实施例的技术方案，下面列举一例，比如用户打开手机中的QQ应用(一种即时通讯软件)，之后该QQ应用自动显示出一个弹窗信息(如新闻等资讯信息)，在该例子中，手机响应用户打开QQ应用的操作而生成的事件可以属于第一事件集，而电子设备自动显示弹窗信息的事件则不属于第一事件集。

可选的，第一事件集中的事件可以全部相同，例如，第一事件集中包括了5个事件，这5个事件均为同一事件A，或者第一事件集中的事件也可以全部不同，例如，第一事件集包括事件A、事件B、及事件C，或者第一事件集中的事件也可以部分相同的，例如，第一事件集中包括3个事件，分别为事件A、事件B及事件A，等等，本发明实施例对此不作限定。

可选的，电子设备可以根据用户在一段时间内使用电子设备的情况获取第一事件集，例如，在用户使用电子设备24小时后可以获得第一事件集。当然上述仅仅是举例，所属领域技术人员可以根据实际情况采用不同的方式获取第一事件集，本发明实施例对此不作限定。

S102：从第一事件集中获取第二事件集；其中，第二事件集中的第一事件与第二事件集包括的除第一事件之外的其他事件中的至少一个事件相关联，第一事件为第二事件集中的任一事件。

可选的，在一个事件发生之后，另一个事件会相应发生，则认为这两个事件之间存在关联性，即这两个事件为关联事件。例如以用户解锁电子设备的事件与用户拨打电话的事件为例，当用户解锁电子设备之后，用户接下来会启动电子设备的拨号界面进而拨打电话，若上述两个事件在一段时间内总会发生，则可以认为上述两个事件之间相关联。例如，用户在10小时之后，用户在10次解锁电子设备之后，其中的9次启动了电子设备的拨号界面进而拨打电话，电子设备可以确定用户解锁电子设备的事件与用户拨打电话的事件是相关联的。

例如，第一事件集包括{事件A、事件B，事件C、事件D以及事件E}，从第一事件集中确定的第二事件集可以包括{事件A、事件B，事件C以及事件D}，其中，第二事件集中的任一事件都至少与第二事件集中除上述事件之外的其他事件中的一个事件相关，即第二事件集中的事件A至少与第二事件集中的事件B、事件C以及事件D中的一个事件相关，相应的，第一事件集中的事件E与第一事件集中的事件A、事件B、事件C、以及事件D都不相关。

可选的，第二事件集中的事件可以是全部相同的，例如，第二事件集中包括了5次事件A，也可以是全部不同的，例如，第二事件集包括了事件A、事件B、以及事件C，或者也可以是部分相同的，例如，第二事件集中包括了事件A、事件B以及事件A，等等，本发明实施例对此不作限定。

可选的，可以将第一事件集包括的事件划分为N个第一事件组，从N个第一事件组中获取M个第二事件组，分别确定M个第二事件组中的每个第二事件组对应的第一相关度；若第一相关度大于第一预设阈值，则将第一相关度对应的第二事件组中的事件确定为第二事件集中的事件，以获取第二事件集。其中，N、M均为正整数，M个第二事件组中的每个事件组中至少包括两个事件，第一相关度是指每个第二事件组中的各个事件相互之间的关联的程度。

可选的，将第一事件集包括的事件划分为N个第一事件组的方式有很多。

例如，第一事件集包括{事件A，事件B，事件B，事件C，事件A，事件B}，用户可以根据这些事件发生的顺序，将发生顺序相邻的两个事件分为一组，即可以分成3组，这3组分别是1号第一事件组{事件A，事件B}，2号第一事件组{事件B、事件C}，及3号第一事件组{事件A，事件B}。

或者例如，可以根据第一事件集中包括的每个事件的起始时刻以及终止时刻，确定第一事件集持续的总时长，将第一事件集持续的总时长划分为N个时间片段，将N个时间片段中的每个时间片段所包括的事件作为时间片段对应的事件组，可以得到N个第一事件组。

第一事件集中的每个事件有发生的起始时刻以及终止时刻，例如，事件1是用户解锁电子设备的事件，那么事件1的起始时刻可以是用户通过手指开始输入密码时的时刻，终止时刻可以是用户停止输入密码时的时刻。电子设备在所有事件的起始时刻中确定最早的起始时刻，在所有的事件的终止时刻中确定最晚的结束时刻，通过最早的起始时刻和最晚的结束时刻即可确定第一事件集持续的总时长。电子设备可以将确定的第一事件集持续的总时长划分为N个时间片段，例如总时长为1小时，N为10，则可以将1小时划分为10个时间片段，即每隔6分钟为一个时间片段，将发生在一个时间片段中的事件分配到这个事件片段中，即可得到一个事件组，这10个时间片段中包含的所有事件即为第一事件组中的事件，例如，一个时间片段中包含了事件A与事件B，那么可以将事件A与事件B分到与该时间片段对应的事件组中，例如称为第一事件组，第一事件组包括事件A以及事件B。

需要说明的是，某些事件的起始时刻及终止时刻可能分别位于两个不同的时间片段内，例如，事件A的起始时刻在第一个时间片段中，事件A的终止时刻在第二个时间片段中，那么可以将事件A分配到第一个时间片段对应的事件组中，同时可以将事件A分配到第二个时间片段对应的事件组中。

可选的，从N个第一事件组获取M个第二事件组的方式较多，例如，一种可能的方式可以为，检测N个第一事件组中每个第一事件组中的事件的数量，将所有第一事件组中至少包括两个事件的事件组作为第二事件组。即，若第一事件组中存在有只包含单个事件的事件组，则将该事件组丢弃。这样可以有效地减少数据的冗余。在电子设备继续针对第二事件组确定各事件之间的关联程度时，由于需要确定的事件组数量减少，可以有效地提高确定的效率。

可选的，可以确定M个第二事件组中的任一第二事件组中的所包含的事件共同出现的第一次数，分别确定任一第二事件组中的每个事件出现的第二次数，根据第一次数以及第二次数，确定任一第二事件组对应的第一相关度，其中，第一相关度即为M个第二事件组中的每个第二事件组对应的第一相关度。

可选的，假设M为5，即共有5个第二事件组，假设分别为1号第二事件组，具体包括{事件A，事件B}，2号第二事件组包括{事件A，事件C}，3号第二事件组包括{事件A，事件B}，4号第二事件组包括{事件B，事件D}，5号第二事件组包括{事件A，事件B}，以1号第二事件组为例(即任一第二事件组)，1号第二事件组中包括事件A以及事件B(即任一第二事件组中所包含的事件)，这两个事件共同出现的次数为3次(即第一次数)，例如，这3次分别为，在1号第二事件组中共同出现一次，在3号第二事件组中共同出现一次，在5号第二事件组中共同出现一次，总计3次。事件A与事件B分别出现的次数均为4次(即第二次数)，例如，事件A分别在1号第二事件组出现一次、2号第二事件组出现一次、3号第二事件组出现一次、5号第二事件组出现一次，总计4次。相应的，事件B则分别在1号第二事件组出现一次、3号第二事件组出现一次、4号第二事件组出现一次、5号第二事件组出现一次，总计4次。

可选的，可以通过下列公式得到的第一关联度：

$P=\frac{P_{ab}}{\sqrt{P_a*P_b}}$ 公式(1)

需要说明的是，公式(1)中，P即为第一关联度，P_ab即为事件A与事件B在M个第二事件组中共同发生的次数，P_a为事件A在M个第二事件组中发生的次数，P_b为事件B在M个第二事件组中发生的次数。例如，通过公式(1)可以确定1号第二事件组中的事件A与事件B的第一关联度为0.75。

可选的，继续以5个第二事件组为例，相应的，例如2号第二事件组、3号第二事件组等等，其各自对应的第一关联度，也可以通过上述方式确定，本发明实施例对此不作限定。

可选的，第一预设阈值可以是用户自行设定的，也可以是所属领域技术人员根据经验设定的，本发明实施例对此不作限定。例如，继续以1号第二事件组中的事件A以及事件B为例，假设将第一预设阈值设置为0.7，则事件A以及事件B就可以确定为第二事件集中的事件。需要说明的是，第一预设阈值设定的越高，第二事件集中的各个事件之间的关联的程度也就越高。

S103：将第二事件集作为训练样本，通过神经网络算法进行训练，得到神经网络模型；神经网络模型用于表征第二事件集中的事件之间的关联的程度。

可选的，可以采用时间递归神经网络(Long-ShortTermMemory，LSTM)算法，可以将第二事件集作为LSTM算法的初始训练参数，通过LSTM算法对其进行训练，得到神经网络模型，该神经网络模型可以表征第二事件集中的各事件之间的关联的程度，例如第二事件集包括{事件A，事件B，事件C，事件D}，各事件之间的关联程度可以用百分数表示，例如，事件A与事件B的关联程度可以为90％等。换句话说，例如，用户如果触发了事件A，则用户有90％的概率也会触发事件B。假设，事件A为解锁手机的事件，事件B是拨打电话的事件，则用户在解锁手机之后，有很大的概率(90％)接下来会拨打电话。

可选的，在得到神经网络模型之后，还可以获取用户针对电子设备的第一操作，触发与第一操作对应的第一触发事件，将第一触发事件作为神经网络模型的输入参数，通过神经网络模型获取与第一触发事件相关联的第二触发事件。

可选的，在得到神经网络模型之后(即获得了第二事件集中的各个事件之间的关联程度)。例如，第二事件集中包括事件A(解锁手机)与事件B(拨打电话)，且两者之间的关联程度假设为90％，事件C(打开手机的WI-FI)与事件D(打开手机中的视频播放软件)，且两者之间的关联程度假设为85％。电子设备可以将这些事件以及事件之间的关联程度的信息存储到电子设备中。

可选的，第一操作为解锁手机的操作，电子设备检测到第一操作，并且响应第一操作，进行解锁手机，此后，将用户解锁手机的事件与上述存储的信息进行比对。例如，在上述存储的信息中找到了事件A(解锁手机)与事件B(拨打电话)的关联程度为90％，此时，手机将获取该条信息。

在电子设备获得上述信息之后，基于上述信息，电子设备可能实现的功能较多，以下例举几例：

第一种可以实现的功能：

在通过神经网络模型获取与第一触发事件相关联的第二触发事件之后，还包括：根据第二触发事件，生成并输出提示信息；其中，提示信息用于指示用户操作电子设备以触发第二触发事件。

例如，继续以电子设备获取事件A(解锁手机)与事件B(拨打电话)，且这两个事件的关联程度假设为90％的信息为例。可以确定用户接下来可能会拨打电话(即触发事件B)，电子设备根据事件B(即第二触发事件)生成并输出提示信息。例如，提示信息可以是“是否需要打开拨号界面？”如果用户接受该条提示信息，例如，点击针对该条提示信息的确定按键，则电子设备会直接打开手机的拨号界面，从而较为快速的启动手机的拨号界面，提高操作的效率。

第二种可以实现的功能：

在通过神经网络模型获取与第一触发事件相关联的第二触发事件之后，还包括：根据第二触发事件，通过电子设备执行第二触发事件对应的指令。

例如，继续以电子设备获取事件A(解锁手机)与事件B(拨打电话)，且这两个事件的关联程度假设为90％的信息为例。此时，可以确定用户接下来可能会拨打电话(即触发事件B)，电子设备根据事件B(即第二触发事件)，直接执行该第二触发事件对应的指令。例如，直接打开手机的拨号界面，这样，无需用户手动操作电子设备，提高了用户的操作效率，相应的减少电子设备的响应次数，一定程度上减小了电子设备的能耗。

此外，在通过电子设备执行第二触发事件对应的指令之后，还包括：获取用户针对电子设备响应于指令的响应结果的第二操作；若第二操作为表征忽略响应结果的操作，则将第一预设阈值调整为第二预设阈值；其中，第二预设阈值大于第一预设阈值。

可选的，继续以上述电子设备打开拨号界面为例，有时用户在解锁手机之后，并不是拨打手机，即用户并不是要打开拨号界面，由于此时电子设备已经打开了拨号界面，用户可能要对电子设备进行第二操作(如关闭拨号界面的操作)，即第二操作为表征忽略响应结果的操作，则电子设备可以确定，此前根据神经网络模型得到的事件之间的关联程度的信息可能并不精确，电子设备可以将此前的设定的第一预设阈值调高(即调整为第二预设阈值)。这样，电子设备可以根据用户的反馈(即第二操作)调整神经网络模型中的第一预设阈值，从而适应用户的不同需求，提升用户的使用体验。

请参见图2，基于同一发明构思，还提供一种电子设备，包括：

存储器201，用于存储指令；

处理器202，用于执行指令：

获取第一事件集；第一事件集中的每个事件均为电子设备响应用户的操作所生成的事件；

从第一事件集中获取第二事件集；其中，第二事件集中的第一事件与第二事件集包括的除第一事件之外的其他事件中的至少一个事件相关联，第一事件为第二事件集中的任一事件；

将第二事件集作为训练样本，通过神经网络算法进行训练，得到神经网络模型；神经网络模型用于表征第二事件集中的事件之间的关联的程度。

可选的，处理器202用于：

将第一事件集包括的事件划分为N个第一事件组；N为正整数；

从N个第一事件组中获取M个第二事件组；其中，M为正整数，M个第二事件组中的每个事件组中至少包括两个事件；

分别确定M个第二事件组中的每个第二事件组对应的第一相关度；其中，第一相关度是指每个第二事件组中的各个事件相互之间的关联的程度；

若第一相关度大于第一预设阈值，则将第一相关度对应的第二事件组中的事件确定为第二事件集中的事件，以获取第二事件集。

可选的，处理器202用于：

根据第一事件集中包括的每个事件的起始时刻以及终止时刻，确定第一事件集持续的总时长；

将第一事件集持续的总时长划分为N个时间片段；

将N个时间片段中的每个时间片段所包括的事件作为时间片段对应的事件组，得到N个第一事件组。

可选的，处理器202用于：

确定M个第二事件组中的任一第二事件组中的所包含的事件共同出现的第一次数；

分别确定任一第二事件组中的每个事件出现的第二次数；

根据第一次数以及第二次数，确定任一第二事件组对应的第一相关度；其中，第一相关度即为M个第二事件组中的每个第二事件组对应的第一相关度。

可选的，请参见图3，电子设备还包括传感器203；

传感器203，用于在得到神经网络模型之后，获取用户针对电子设备的第一操作；

处理器202，用于触发与第一操作对应的第一触发事件；将第一触发事件作为神经网络模型的输入参数，通过神经网络模型获取与第一触发事件相关联的第二触发事件。

可选的，处理器202用于：

在通过神经网络模型获取与第一触发事件相关联的第二触发事件之后，根据第二触发事件，通过电子设备执行第二触发事件对应的指令。

可选的，处理器202用于：

在通过神经网络模型获取与第一触发事件相关联的第二触发事件之后，根据第二触发事件，生成并输出提示信息；其中，提示信息用于指示用户操作电子设备以触发第二触发事件。

可选的，

传感器203，用于在通过电子设备执行第二触发事件对应的指令之后，获取用户针对电子设备响应于指令的响应结果的第二操作；

处理器202，用于若第二操作为表征忽略响应结果的操作，则将第一预设阈值调整为第二预设阈值；其中，第二预设阈值大于第一预设阈值。

请参见图4，基于同一发明构思，还提供一种电子设备，包括：

第一获取模块401，用于获取第一事件集；第一事件集中的每个事件均为电子设备响应用户的操作所生成的事件；

第二获取模块402，用于从第一事件集中获取第二事件集；其中，第二事件集中的第一事件与第二事件集包括的除第一事件之外的其他事件中的至少一个事件相关联，第一事件为第二事件集中的任一事件；

训练模块403，用于将第二事件集作为训练样本，通过神经网络算法进行训练，得到神经网络模型；神经网络模型用于表征第二事件集中的事件之间的关联的程度。

可选的，第二获取模块402用于：

将第一事件集包括的事件划分为N个第一事件组；N为正整数；

从N个第一事件组中获取M个第二事件组；其中，M为正整数，M个第二事件组中的每个事件组中至少包括两个事件；

分别确定M个第二事件组中的每个第二事件组对应的第一相关度；其中，第一相关度是指每个第二事件组中的各个事件相互之间的关联的程度；

若第一相关度大于第一预设阈值，则将第一相关度对应的第二事件组中的事件确定为第二事件集中的事件，以获取第二事件集。

可选的，第二获取模块402用于：

根据第一事件集中包括的每个事件的起始时刻以及终止时刻，确定第一事件集持续的总时长；

将第一事件集持续的总时长划分为N个时间片段；

将N个时间片段中的每个时间片段所包括的事件作为时间片段对应的事件组，得到N个第一事件组。

可选的，第二获取模块402用于：

确定M个第二事件组中的任一第二事件组中的所包含的事件共同出现的第一次数；

分别确定任一第二事件组中的每个事件出现的第二次数；

根据第一次数以及第二次数，确定任一第二事件组对应的第一相关度；其中，第一相关度即为M个第二事件组中的每个第二事件组对应的第一相关度。

可选的，请参见图5，电子设备还包括：

检测模块404，用于在得到神经网络模型之后，获取用户针对电子设备的第一操作；

触发模块405，用于触发与第一操作对应的第一触发事件；

训练模块403，用于将第一触发事件作为神经网络模型的输入参数，通过神经网络模型获取与第一触发事件相关联的第二触发事件。

可选的，请参见图6，电子设备还包括：

执行模块406，用于在通过神经网络模型获取与第一触发事件相关联的第二触发事件之后，根据第二触发事件，通过电子设备执行第二触发事件对应的指令。

可选的，请参见图7，电子设备还包括：

生成模块407，用于在通过神经网络模型获取与第一触发事件相关联的第二触发事件之后，根据第二触发事件，生成并输出提示信息；其中，提示信息用于指示用户操作电子设备以触发第二触发事件。

可选的，请参见图8，电子设备还包括：调整模块408；

检测模块404，用于在通过电子设备执行第二触发事件对应的指令之后，获取用户针对电子设备响应于指令的响应结果的第二操作；

调整模块408，若第二操作为表征忽略响应结果的操作，则将第一预设阈值调整为第二预设阈值；其中，第二预设阈值大于第一预设阈值。

本发明实施例中的图2-图8中电子设备与图1的一种信息处理方法对应，实施方式可相互参考，因此在描述电子设备时对于重复的内容部分不多赘述。

本发明实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果和优点：

首先获取第一事件集，并从第一事件集中获取第二事件集，以减小神经网络算法的训练样本的数量，从而减少获得神经网络模型的时长，提高神经网络模型的获得效率，并且通过神经网络算法可以有效地获取第二事件集中的事件之间的关联的程度，从而避免了因无法获取事件之间的相关联的程度，导致电子设备的运行效率较低的问题。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元完成，即将装置的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

具体来讲，本发明实施例中的一种信息处理方法对应的计算机程序指令可以被存储在光盘，硬盘，U盘等存储介质上，当存储介质中的与一种信息处理方法对应的计算机程序指令被一电子设备读取或被执行时，包括如下步骤：

获取第一事件集；所述第一事件集中的每个事件均为电子设备响应用户的操作所生成的事件；

从所述第一事件集中获取第二事件集；其中，所述第二事件集中的第一事件与所述第二事件集包括的除所述第一事件之外的其他事件中的至少一个事件相关联，所述第一事件为所述第二事件集中的任一事件；

将所述第二事件集作为训练样本，通过神经网络算法进行训练，得到神经网络模型；所述神经网络模型用于表征所述第二事件集中的事件之间的关联的程度。

可选的，所述存储介质中存储的与步骤：从所述第一事件集中获取第二事件集，对应的计算机指令在被执行过程中，包括如下步骤：

将所述第一事件集包括的事件划分为N个第一事件组；N为正整数；

从所述N个第一事件组中获取M个第二事件组；其中，M为正整数，所述M个第二事件组中的每个事件组中至少包括两个事件；

分别确定所述M个第二事件组中的每个第二事件组对应的第一相关度；其中，所述第一相关度是指所述每个第二事件组中的各个事件相互之间的关联的程度；

若所述第一相关度大于第一预设阈值，则将所述第一相关度对应的第二事件组中的事件确定为所述第二事件集中的事件，以获取所述第二事件集。

可选的，所述存储介质中存储的与步骤：将所述第一事件集包括的事件划分为N个第一事件组，对应的计算机指令在被执行过程中，包括如下步骤：

根据所述第一事件集中包括的每个事件的起始时刻以及终止时刻，确定所述第一事件集持续的总时长；

将所述第一事件集持续的总时长划分为N个时间片段；

将所述N个时间片段中的每个时间片段所包括的事件作为所述时间片段对应的事件组，得到所述N个第一事件组。

可选的，所述存储介质中存储的与步骤：分别确定所述M个第二事件组中的每个第二事件组对应的第一相关度，对应的计算机指令在被执行过程中，包括如下步骤：

确定所述M个第二事件组中的任一第二事件组中的所包含的事件共同出现的第一次数；

分别确定所述任一第二事件组中的每个事件出现的第二次数；

根据所述第一次数以及所述第二次数，确定所述任一第二事件组对应的第一相关度；其中，所述第一相关度即为所述M个第二事件组中的每个第二事件组对应的第一相关度。

可选的，所述存储介质中存储的与步骤：得到神经网络模型，对应的计算机指令在被执行之后，包括如下步骤：

获取所述用户针对所述电子设备的第一操作；

触发与所述第一操作对应的第一触发事件；

将所述第一触发事件作为所述神经网络模型的输入参数，通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件。

可选的，所述存储介质中存储的与步骤：通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件，对应的计算机指令在被执行之后，包括如下步骤：

根据所述第二触发事件，通过所述电子设备执行所述第二触发事件对应的指令。

可选的，所述存储介质中存储的与步骤：通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件，对应的计算机指令在被执行过程之后，包括如下步骤：

根据所述所述第二触发事件，生成并输出提示信息；其中，所述提示信息用于指示所述用户操作所述电子设备以触发所述第二触发事件。

可选的，所述存储介质中存储的与步骤：通过所述电子设备执行所述第二触发事件对应的指令，对应的计算机指令在被执行之后，包括如下步骤：

获取所述用户针对所述电子设备响应于所述指令的响应结果的第二操作；

若所述第二操作为表征忽略所述响应结果的操作，则将所述第一预设阈值调整为第二预设阈值；其中，所述第二预设阈值大于所述第一预设阈值。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作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发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (17)

1.一种信息处理的方法，包括：

获取第一事件集；所述第一事件集中的每个事件均为电子设备响应用户的操作所生成的事件；

从所述第一事件集中获取第二事件集；其中，所述第二事件集中的第一事件与所述第二事件集包括的除所述第一事件之外的其他事件中的至少一个事件相关联，所述第一事件为所述第二事件集中的任一事件；

将所述第二事件集作为训练样本，通过神经网络算法进行训练，得到神经网络模型；所述神经网络模型用于表征所述第二事件集中的事件之间的关联的程度。

2.如权利要求1所述的方法，其特征在于，从所述第一事件集中获取第二事件集，包括：

将所述第一事件集包括的事件划分为N个第一事件组；N为正整数；

从所述N个第一事件组中获取M个第二事件组；其中，M为正整数，所述M个第二事件组中的每个事件组中至少包括两个事件；

分别确定所述M个第二事件组中的每个第二事件组对应的第一相关度；其中，所述第一相关度是指所述每个第二事件组中的各个事件相互之间的关联的程度；

若所述第一相关度大于第一预设阈值，则将所述第一相关度对应的第二事件组中的事件确定为所述第二事件集中的事件，以获取所述第二事件集。

3.如权利要求2所述的方法，其特征在于，将所述第一事件集包括的事件划分为N个第一事件组，包括：

根据所述第一事件集中包括的每个事件的起始时刻以及终止时刻，确定所述第一事件集持续的总时长；

将所述第一事件集持续的总时长划分为N个时间片段；

将所述N个时间片段中的每个时间片段所包括的事件作为所述时间片段对应的事件组，得到所述N个第一事件组。

4.如权利要求3所述的方法，其特征在于，分别确定所述M个第二事件组中的每个第二事件组对应的第一相关度，包括：

确定所述M个第二事件组中的任一第二事件组中的所包含的事件共同出现的第一次数；

分别确定所述任一第二事件组中的每个事件出现的第二次数；

根据所述第一次数以及所述第二次数，确定所述任一第二事件组对应的第一相关度；其中，所述第一相关度即为所述M个第二事件组中的每个第二事件组对应的第一相关度。

5.如权利要求1-4任一所述的方法，其特征在于，在得到神经网络模型之后，还包括：

获取所述用户针对所述电子设备的第一操作；

触发与所述第一操作对应的第一触发事件；

将所述第一触发事件作为所述神经网络模型的输入参数，通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件。

6.如权利要求5所述的方法，其特征在于，在通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件之后，还包括：

根据所述第二触发事件，通过所述电子设备执行所述第二触发事件对应的指令。

7.如权利要求5所述的方法，其特征在于，在通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件之后，还包括：

根据所述所述第二触发事件，生成并输出提示信息；其中，所述提示信息用于指示所述用户操作所述电子设备以触发所述第二触发事件。

8.如权利要求6所述的方法，其特征在于，在通过所述电子设备执行所述第二触发事件对应的指令之后，还包括：

获取所述用户针对所述电子设备响应于所述指令的响应结果的第二操作；

若所述第二操作为表征忽略所述响应结果的操作，则将所述第一预设阈值调整为第二预设阈值；其中，所述第二预设阈值大于所述第一预设阈值。

9.一种电子设备，包括：

存储器，用于存储指令；

处理器，用于执行所述指令：

获取第一事件集；所述第一事件集中的每个事件均为电子设备响应用户的操作所生成的事件；

从所述第一事件集中获取第二事件集；其中，所述第二事件集中的第一事件与所述第二事件集包括的除所述第一事件之外的其他事件中的至少一个事件相关联，所述第一事件为所述第二事件集中的任一事件；

将所述第二事件集作为训练样本，通过神经网络算法进行训练，得到神经网络模型；所述神经网络模型用于表征所述第二事件集中的事件之间的关联的程度。

10.如权利要求9所述的电子设备，其特征在于，所述处理器用于：

将所述第一事件集包括的事件划分为N个第一事件组；N为正整数；

从所述N个第一事件组中获取M个第二事件组；其中，M为正整数，所述M个第二事件组中的每个事件组中至少包括两个事件；

分别确定所述M个第二事件组中的每个第二事件组对应的第一相关度；其中，所述第一相关度是指所述每个第二事件组中的各个事件相互之间的关联的程度；

若所述第一相关度大于第一预设阈值，则将所述第一相关度对应的第二事件组中的事件确定为所述第二事件集中的事件，以获取所述第二事件集。

11.如权利要求10所述的电子设备，其特征在于，所述处理器用于：

根据所述第一事件集中包括的每个事件的起始时刻以及终止时刻，确定所述第一事件集持续的总时长；

将所述第一事件集持续的总时长划分为N个时间片段；

将所述N个时间片段中的每个时间片段所包括的事件作为所述时间片段对应的事件组，得到所述N个第一事件组。

12.如权利要求11所述的电子设备，其特征在于，所述处理器用于：

确定所述M个第二事件组中的任一第二事件组中的所包含的事件共同出现的第一次数；

分别确定所述任一第二事件组中的每个事件出现的第二次数；

根据所述第一次数以及所述第二次数，确定所述任一第二事件组对应的第一相关度；其中，所述第一相关度即为所述M个第二事件组中的每个第二事件组对应的第一相关度。

13.如权利要求9-12任一所述的电子设备，其特征在于，所述电子设备还包括传感器；

所述传感器，用于在得到神经网络模型之后，获取所述用户针对所述电子设备的第一操作；

所述处理器，用于触发与所述第一操作对应的第一触发事件；将所述第一触发事件作为所述神经网络模型的输入参数，通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件。

14.如权利要求13所述的电子设备，其特征在于，所述处理器用于：

在通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件之后，根据所述第二触发事件，通过所述电子设备执行所述第二触发事件对应的指令。

15.如权利要求13所述的电子设备，其特征在于，所述处理器用于：

在通过所述神经网络模型获取与所述第一触发事件相关联的第二触发事件之后，根据所述所述第二触发事件，生成并输出提示信息；其中，所述提示信息用于指示所述用户操作所述电子设备以触发所述第二触发事件。

16.如权利要求14所述的电子设备，其特征在于，

所述传感器，用于在通过所述电子设备执行所述第二触发事件对应的指令之后，获取所述用户针对所述电子设备响应于所述指令的响应结果的第二操作；

所述处理器，用于若所述第二操作为表征忽略所述响应结果的操作，则将所述第一预设阈值调整为第二预设阈值；其中，所述第二预设阈值大于所述第一预设阈值。

17.一种电子设备，包括：

第一获取模块，用于获取第一事件集；所述第一事件集中的每个事件均为电子设备响应用户的操作所生成的事件；

第二获取模块，用于从所述第一事件集中获取第二事件集；其中，所述第二事件集中的第一事件与所述第二事件集包括的除所述第一事件之外的其他事件中的至少一个事件相关联，所述第一事件为所述第二事件集中的任一事件；

训练模块，用于将所述第二事件集作为训练样本，通过神经网络算法进行训练，得到神经网络模型；所述神经网络模型用于表征所述第二事件集中的事件之间的关联的程度。