CN111797856B - 建模方法、装置、存储介质及电子设备 - Google Patents
建模方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111797856B CN111797856B CN201910282120.8A CN201910282120A CN111797856B CN 111797856 B CN111797856 B CN 111797856B CN 201910282120 A CN201910282120 A CN 201910282120A CN 111797856 B CN111797856 B CN 111797856B
- Authority
- CN
- China
- Prior art keywords
- data
- entities
- entity
- logic unit
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000010354 integration Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000013501 data transformation Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种建模方法、装置、存储介质、电子设备及场景类别推断方法。所述方法包括：获取多个维度的数据，多个维度的数据至少包括：环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据；从多个维度的数据中抽取多个实体及实体特征；基于多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息；生成多个场景类别；根据多个逻辑单元信息与多个场景类别进行模型训练，以构建用于推断场景类别的场景类别推断模型。本方案通过引入面向对象技术，较大幅度地提升了全景视图建模的灵活性，降低了后期的维护成本和便捷程度。
Description
技术领域
本申请涉及电子设备领域，具体涉及一种建模方法、装置、存储介质、电子设备及场景类别推断方法。
背景技术
随着电子技术的发展，诸如智能手机等电子设备的智能化程度越来越高。电子设备可以通过各种各样的算法模型来进行数据处理，从而为用户提供各种功能。例如，电子设备可以根据算法模型对用户的行为特征进行学习，从而为用户提供个性化的服务。
发明内容
本申请实施例提供一种建模方法、装置、存储介质、电子设备及场景类别推断方法，可以提升智能服务的质量。
第一方面，本申请实施例提供一种建模方法，包括：
获取多个维度的数据，所述多个维度的数据至少包括：环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据；
从所述多个维度的数据中抽取多个实体及实体特征；
基于所述多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息；
生成多个场景类别；
根据所述多个逻辑单元信息与所述多个场景类别进行模型训练，以构建用于推断场景类别的场景类别推断模型。
第二方面，本申请实施例还提供了一种场景类别推断方法，包括：
获取当前场景中多个维度的数据；
根据预先训练的场景类别推断模型对所述多个维度的数据进行处理，以推断当前场景类别，其中，所述场景类别推断模型根据不同场景下的多个逻辑单元信息和生成的多个场景类别进行模型训练得到，所述多个逻辑单元信息由所述多个维度的数据中的多个实体及实体特征对预设的逻辑单元框架进行信息填充得到。
第三方面，本申请实施例还提供了一种建模装置，包括：
获取模块，用于获取多个维度的数据，所述多个维度的数据至少包括：环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据；
抽取模块，用于从所述多个维度的数据中抽取多个实体及实体特征；
填充模块，用于基于所述多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息；
生成模块，用于生成多个场景类别；
构建模块，用于采用贝叶斯网络对所述多个逻辑单元信息与所述多个场景类别进行训练，以构建用于推断场景类别的场景类别推断模型。
第四方面，本申请实施例还提供一种存储介质，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建模方法的步骤，或者上述场景类别推断方法的步骤。
第五方面，本申请实施例还提供一种电子设备，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，所述处理器执行所述程序时实现上述建模方法的步骤，或者上述场景类别推断方法的步骤。
本申请实施例提供的建模方法，通过获取多个维度的数据，多个维度的数据至少包括：环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据；从多个维度的数据中抽取多个实体及实体特征；基于多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息；生成多个场景类别；根据多个逻辑单元信息与多个场景类别进行模型训练，以构建用于推断场景类别的场景类别推断模型。本方案通过引入面向对象技术，较大幅度地提升了全景视图建模的灵活性，降低了后期的维护成本和便捷程度。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域技术人员来讲，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为本申请实施例提供的全景感知架构示意图。
图2为本申请实施例提供的建模方法的第一种流程示意图。
图3为本申请实施例提供的建模方法的第二种流程示意图。
图4为本申请实施例提供的建模方法的第三种流程示意图。
图5为本申请实施例提供的建模方法的场景架构示意图。
图6为本申请实施例提供的建模装置的结构示意图。
图7为本申请实施例提供的电子设备的第一种结构示意图。
图8为本申请实施例提供的电子设备的第二种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。
参考图1，图1为本申请实施例提供的全景感知架构示意图。所述建模方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述建模方法的硬件和软件的集成。
其中，全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如，所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
其中，距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器，可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。
数据处理层用于对信息感知层获取到的数据进行处理。例如，数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
其中，数据清理是指对信息感知层获取到的大量数据进行清理，以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度，以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等，以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下，最大限度的精简数据量。
特征抽取层用于对数据处理层处理后的数据进行特征抽取，以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。
其中，特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤，以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起，以构建一种更加高效、更加准确的特征提取方法，用于提取特征。
情景建模层用于根据特征抽取层提取到的特征来构建模型，所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如，情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如，智能服务层可以为用户提供基础应用服务，可以为电子设备进行***智能优化，还可以为用户提供个性化智能服务。
此外，全景感知架构中还可以包括多种算法，每一种算法都可以用于对数据进行分析处理，所述多种算法可以构成算法库。例如，所述算法库中可以包括马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。
本申请实施例提供一种建模方法，所述建模方法可以应用于电子设备中。所述电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图2，图2为本申请实施例提供的建模方法的第一种流程示意图。其中，所述建模方法包括以下步骤：
110，获取多个维度的数据，该多个维度的数据至少包括：环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据。
在本申请实施例中，多个维度的数据可为全景数据，即某一场景下不同维度的数据信息。
其中，环境数据可以是电子设备通过传感器检测到的自然环境数据，如天气、温度、地理位置等。设备运行数据为电子设备内部的运行数据，如运行的进程、网络信号等。用户行为习惯数据可以是用于描述用户画像的数据，如喜欢的游戏、常去的地方、拍照习惯、设备使用习惯等。社会情境数据，如当地风景、风俗习惯、法律法规等。
在本申请实施例中，全景数据还可以包括与用户或设备相关的其他数据，如设备资源数据、应用使用习惯数据等等。
在一些实施例中，可以将所获取的全景数据存储到具有特定数据结构的数据库中，以便于后续执行任务时的数据调用。例如，该数据库可以为基于结构化查询语言(Structured Query Language，简称SQL)的数据库。
120，从多个维度的数据中抽取多个实体及实体特征。
具体的，从全景数据中抽取实体及实体特征的方式可以有多种。在一些实施例中，步骤“从多个维度的数据中抽取多个实体及实体特征”，可以包括以下流程：
采用条件随机场从多个维度的数据中抽取多个实体；
采用主成成分分析技术从多个维度的数据中抽取多个实体特征。
其中，实体可以理解为实体本质、具体事物、个别主体、现象的支持者，其含义一般是指能够独立存在的、作为一切属性的基础和万物本原的东西。而条件随机场(conditional random field，简称CRF)是一种鉴别式机率模型，是随机场的一种，常用于标注或分析序列资料，如自然语言文字或是生物序列。基于条件随机场可从上述获取的全景数据中的实体抽取出来，如城市名、商场、设备类型、动物、建筑物、设备、游戏、小说、会议、温度、环境光强度等等等。
主成分分析(Principal Component Analysis，简称PCA)技术，是考察多个变量间相关性一种多元统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。主成分分析是设法将原来众多具有一定相关性(比如P个指标)，重新组合成一组新的互相无关的综合指标来代替原来的指标。基于主成成分分析技术可从所述全景数据中抽取上述实体的特征，如温度高低、湿度大小、设备使用频率等。
130，基于多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息。
具体的，逻辑单元框架为具有特定结构和逻辑的单元框架，用于承载具有此种结构和逻辑关系的实体、实体特征组合。
需要说明的是，该逻辑单元框架中可以包括多个实体和/或实体特征，得到的多个逻辑单元信息中，不同的逻辑单元信息可以存在部分相同的实体和/或实体特征。
140，生成多个场景类别。
在一些实施例中，可以采用人工标记的方式获取场景类别，可以是日常环境中定义的一些常见场景，如针对用户出行的场景有步行、跑步、骑车、驾车、地铁、高铁、飞机等。
在一些实施例中，还可以采用聚类方式获取场景类别。也即，步骤“生成多个场景类别”可以包括以下流程：
采用预设聚类算法对所述全景数据进行聚类处理，得到多个数据集合；
对每一数据集合匹配对应的分类标签，以生成多个场景类别。
具体的，为了避免生成一些不需要的场景类别，可以仅仅针对上述多个维度的数据采用预设聚类算法(如主题生成模型、深度神经网络模型等)进行聚类处理，然后得到聚类后的多个数据集合。每一数据集合中至少包括一个以上多个维度的数据中的数据。
150，根据多个逻辑单元信息与多个场景类别进行模型训练，以构建用于推断场景类别的场景类别推断模型。
具体的，可以通过计算多个逻辑单元信息和场景类别之间的事件发生概率分布，来构建用户个性化场景类别推断模型。也即，步骤“采根据多个逻辑单元信息与多个场景类别进行模型训练，以构建用于推断场景类别的场景类别推断模型”，可以包括以下流程：
采用贝叶斯网络构建多个逻辑单元信息与多个场景类别之间的概率分布，以得到场景类别推断模型，所述概率分布如下：
pt＝pt(1|x)，pt(2|x)，pt(3|x),...,pt(n|x)
其中，n表示场景类别的标号，x表示逻辑单元信息，Pt表示时刻t的逻辑单元信息为x时场景类别n发生的概率。该概率分布即为用户个性化场景类别推断模型的输出。
根据用户历史和当前全景数据，利用上述获得的个性化场景类别推断模型，可以对单个用户当前的全景数据(如环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据等)进行实时分析，以对场景类别进行实时推断，最终输出当前时刻t的场景类别概率分布pt＝pt(1|x)，pt(2|x)，pt(3|x)，...，pt(n|x)。然后，可以从中选择概率最大的场景类别作为用户t时刻的场景类别。
在一些实施例中，参考图3，图3为本申请实施例提供的建模方法的第二种流程示意图。
其中，步骤“基于多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息”，可以包括以下流程：
131，构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，得到实体关系库；
132，根据实体关系库、多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息。
具体的，此处是为了构建一个实体-关系模型，也就是说构建了一个包含实体、实体之间关系以及本体所拥有属性的一个知识库。然后，可基于这个知识库用于后面的场景类别区分。
在一些实施例中，参考图4和图5。图4为本申请实施例提供的建模方法的第三种流程示意图。图5为本申请实施例提供的建模方法的场景架构示意图。
在一些实施例中，步骤“构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，得到实体关系库”，可以包括以下流程：
1311、采用实体联系模型构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，以得到实体关系库。
实体联系(Entity Relationship Diagram，简称E-R)模型指提供了表示实体型、属性和联系的方法，用来描述现实世界的概念模型。可以用来描述特定论域的任何本体，然后将概念模型要映射到逻辑模型如关系模型上。其中，实体与实体之间的第一关系可以包括两种类型，一是并列关系，一是包含关系。例如，环境、树木、草丛，则环境和树木间为包含关系，环境和草丛间为包含关系，树木和草丛间则是并列关系。
在一些实施例中，继续参考图4和图5，预设的逻辑单元框架的结构可以包括：类、对象、对象标识、继承性、及对象属性五个逻辑单元。
步骤“根据实体关系库、多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到实体关系库”，可以包括以下流程：
1321，根据实体关系库、及逻辑单元框架的结构从多个实体中确定目标实体，以对该对象进行填充，以得到实体关系库；
1322，基于目标实体、及实体关系库，确定相应的实体、实体特征或第一关系对所述逻辑单元框架中的其他逻辑单元进行信息填充。
具体的，对于上述获取的实体与实体特征，采用实体联系模型，并以具有特定结构、功能且相互联系的对象为中心，构建具有“对象”、“类”、“对象标识”、“继承性”、“对象属性”五个逻辑单元。
需要说明的是，“类”主要是指一类实物。比如电子设备上的应用可以当做一个“类”，因为应用就如同水果一样，含有的应用类型很多；
“对象”主要是某个具体的实体，比如一个具体的应用就可以当做一个具体的对象，如某APP则是属于“应用类”的；
“对象标识”是对象的标识号。通常可用一串数字(如ID号)来代表某个具体的应用，会更有助于存储和表示的方便；
“继承性”，主要是指实体之间的继承关系。比如某APP其实就是继承“应用类”这个类别的，该“应用类”所具备的特性，该APP都会有；
“对象属性”，主要是指这个对象包含那些属性。比如某APP，则可具有大小、版本号、开发者、功能等属性。
本申请实施例中，因为基于实体-关系知识库已经把基础性知识都建立好了，无需针对每一个场景类别都单独重新建立一套规则。在得到实体-关系知识库后，有新的场景类别时，只需要将这个新类别加入到实体-关系库进去进行训练就即可，无需要重新构建特征，重新进行一个模型整体的训练。
应当理解，本申请实施例中，诸如术语“第一”、“第二”等仅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，这样描述的对象在适当情况下可以互换。
具体实施时，本申请不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。
由上可知，本申请实施例提供了的建模方法，通过获取多个维度的数据，多个维度的数据至少包括：环境数据、设备运行数据、用户行为***。
本申请实施例还提供一种场景类别推断方法，该场景类别推断方法包括：
获取当前场景中多个维度的数据；
根据预先训练的场景类别推断模型对多个维度的数据进行处理，以推断当前场景类别。其中，场景类别推断模型根据不同场景下的多个逻辑单元信息和生成的多个场景类别进行模型训练得到，所述多个逻辑单元信息由所述多个维度的数据中的多个实体及实体特征对预设的逻辑单元框架进行信息填充得到。
在本申请实施例中，信息感知层通过电子设备中的传感器采集当前场景下多个维度的全景数据，如设备所处的环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据等。接着，信息感知层将采集到的全景数据提供给数据处理层进行数据清理、数据集成、数据变换、数据归约等处理。然后，数据处理层将处理后的数据提供给特征抽取层，特征抽取层将来自于数据处理层的全景数据作为需要进行特征提取的数据，基于本申请实施例所提供的特征提取方法对其进行特征提取，得到多个维度的数据中抽取的多个实体及实体特征。情景建模层基于来自于特征抽取层抽取的特征进行建模，利用得到的特征对预设的逻辑单元框架进行信息填充得到多个逻辑单元信息，并基于得到的多个逻辑单元信息对指定的模型进行训练，得到训练后的用于识别场景类别的场景类别推断模型。最后，智能服务层根据情景建模层所构建的模型，识别包含不同全景数据下的场景所属的场景类别；例如，可获取到多个维度的数据：环境音量微弱、气温几乎维持不变、设备使用频率较低、设备运动量几乎为零、目前时间点为用户上班时间点的场景为办公室场景。
本申请实施例还提供一种建模装置。所述建模装置可以集成在电子设备中。所述电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图6，图6为本申请实施例提供的建模装置的结构示意图。建模装置200可以包括：获取模块201、抽取模块202、填充模块203、生成模块204、构建模块205，其中：
获取模块201，用于获取多个维度的数据，该多个维度的数据至少包括：环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据；
抽取模块202，用于从所述多个维度的数据中抽取多个实体及实体特征；
填充模块203，用于基于所述多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息；
生成模块204，用于生成多个场景类别；
构建模块205，用于根据所述多个逻辑单元信息与所述多个场景类别进行模型训练，以构建用于推断场景类别的场景类别推断模型。
在一些实施例中，填充模块203可以包括：
构建子模块，用于构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，得到实体关系库；
填充子模块，用于根据所述实体关系库、所述多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息。
在一些实施例中，所述预设的逻辑单元框架的结构包括：类、对象、对象标识、继承性、及对象属性五个逻辑单元；所述填充子模块可以用于：
根据所述实体关系库、及逻辑单元框架的结构从所述多个实体中确定目标实体，以对所述对象进行填充；
基于所述目标实体、及所述实体关系库，确定相应的实体、实体特征或第一关系对所述逻辑单元框架中的其他逻辑单元进行信息填充。
在一些实施例中，构建子模块可以用于：采用实体联系模型构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，以得到实体关系库。
在一些实施例中，抽取模块202可以用于：
采用条件随机场从所述多个维度的数据中抽取多个实体；
采用主成成分分析技术从多个维度的数据中抽取多个实体特征。
在一些实施例中，生成模块204可以用于：
采用预设聚类算法对所述多个维度的数据进行聚类处理，得到多个数据集合；
对每一数据集合匹配对应的分类标签，以生成多个场景类别。
在一些实施例中，构建模块205可以用于；
采用贝叶斯网络构建所述逻辑单元信息与所述场景类别之间的概率分布，以得到用于推断场景类别的场景类别推断模型，所述概率分布如下：
pt＝pt(1|x)，p，(2|x)，p，(3|x)，...，pt(n|x)
其中，n表示场景类别的标号，x表示逻辑单元信息，Pt表示时刻t的逻辑单元信息为x时场景类别n发生的概率。
由上可知，本申请实施例提供的建模装置200，通过获取多个维度的数据，所述多个维度的数据至少包括：环境数据、设备运行数据、用户行为***。
本申请实施例还提供一种电子设备。所述电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图7，图7为本申请实施例提供的电子设备300的第一种结构示意图。其中，电子设备300包括处理器301和存储器302。处理器301与存储器302电性连接。
处理器301是电子设备300的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器302内的计算机程序，以及调用存储在存储器302内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备300中的处理器301会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中，并由处理器301来运行存储在存储器302中的计算机程序，从而实现各种功能：
获取多个维度的数据，所述多个维度的数据至少包括：环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据；
从所述多个维度的数据中抽取多个实体及实体特征；
基于所述多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息；
生成多个场景类别；
根据多个逻辑单元信息与多个场景类别进行训练，以构建用于推断场景类别的场景类别推断模型。
在一些实施例中，在基于多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息时，所述处理器301用于执行以下步骤：
构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，得到实体关系库；
根据所述实体关系库、所述多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息。
在一些实施例中，所述预设的逻辑单元框架的结构包括：类、对象、对象标识、继承性、及对象属性五个逻辑单元；在根据所述实体关系库、所述多个实体和实体特征，对预设的逻辑单元框架进行信息填充时，所述处理器301用于执行以下步骤：
根据所述实体关系库、及逻辑单元框架的结构从所述多个实体中确定目标实体，以对所述对象进行填充；
基于所述目标实体、及所述实体关系库，确定相应的实体、实体特征或第一关系对所述逻辑单元框架中的其他逻辑单元进行信息填充。
在一些实施例中，在构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，得到实体关系库时，所述处理器301用于执行以下步骤：
采用实体联系模型构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，以得到实体关系库。
在一些实施例中，从所述多个维度的数据中抽取多个实体及实体特征时，所述处理器301用于执行以下步骤：
采用条件随机场从所述多个维度的数据中抽取多个实体；
采用主成成分分析技术从所述多个维度的数据中抽取多个实体特征。
在一些实施例中，生成多个场景类别时，所述处理器301用于执行以下步骤：
采用预设聚类算法对所述多个维度的数据进行聚类处理，得到多个数据集合；
对每一数据集合匹配对应的分类标签，以生成多个场景类别。
在一些实施例中，在根据多个逻辑单元信息与多个场景类别进行模型训练，以构建场景类别推断模型时，所述处理器301用于执行以下步骤：
采用贝叶斯网络构建所述逻辑单元信息与所述场景类别之间的概率分布，以得到所述场景类别推断模型，所述概率分布如下：
pt＝pt(1|x)，pt(2|-x)，pt(3|x),...,pt(n|x)
其中，n表示场景类别的标号，x表示逻辑单元信息，Pt表示时刻t的逻辑单元信息为x时场景类别n发生的概率。
在一些实施例中，电子设备300中的处理器301还可按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中，并由处理器301来运行存储在存储器302中的计算机程序，从而实现以下功能：
获取当前场景中多个维度的数据；
根据预先训练的场景类别推断模型对所述多个维度的数据进行处理，以推断当前场景类别，其中，所述场景类别推断模型根据不同场景下的多个逻辑单元信息和生成的多个场景类别进行模型训练得到，所述多个逻辑单元信息由所述多个维度的数据中的多个实体及实体特征对预设的逻辑单元框架进行信息填充得到。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序，从而执行各种功能应用以及数据处理。
在一些实施例中，参考图8，图8为本申请实施例提供的电子设备300的第二种结构示意图。
其中，电子设备300还包括：显示屏303、控制电路304、输入单元305、传感器306以及电源307。其中，处理器301分别与显示屏303、控制电路304、输入单元305、传感器306以及电源307电性连接。
显示屏303可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路304与显示屏303电性连接，用于控制显示屏303显示信息。
输入单元305可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元305可以包括指纹识别模组。
传感器306用于采集电子设备自身的信息或者用户的信息或者外部环境信息。例如，传感器306可以包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
电源307用于给电子设备300的各个部件供电。在一些实施例中，电源307可以通过电源管理***与处理器301逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
尽管图8中未示出，电子设备300还可以包括摄像头、蓝牙模块等，在此不再赘述。
由上可知，本申请实施例提供了一种电子设备，所述电子设备执行以下步骤：获取多个维度的数据，所述多个维度的数据至少包括：环境数据、设备运行数据、用户行为***。
本申请实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，所述计算机执行上述任一实施例所述的建模方法或场景类别推断方法。
例如，在一些实施例中，当所述计算机程序在计算机上运行时，所述计算机执行以下步骤：
获取多个维度的数据，所述多个维度的数据至少包括：环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据；
从所述多个维度的数据中抽取多个实体及实体特征；
基于所述多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息；
生成多个场景类别；
根据所述多个逻辑单元信息与所述多个场景类别进行模型训练，以构建用于推断场景类别的场景类别推断模型。
又例如，在一些实施例中，当所述计算机程序在计算机上运行时，所述计算机执行以下步骤：
获取当前场景中多个维度的数据；
根据预先训练的场景类别推断模型对所述多个维度的数据进行处理，以推断当前场景类别，其中，所述场景类别推断模型根据不同场景下的多个逻辑单元信息和生成的多个场景类别进行模型训练得到，所述多个逻辑单元信息由所述多个维度的数据中的多个实体及实体特征对预设的逻辑单元框架进行信息填充得到。
需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成，所述计算机程序可以存储于计算机可读存储介质中，所述存储介质可以包括但不限于：只读存储器(ROM，Read OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的建模方法、装置、存储介质、电子设备及场景类别推断方法进行了详细介绍。本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，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申请的限制。
Claims (9)
1.一种建模方法，其特征在于，所述建模方法包括：
获取多个维度的数据，所述多个维度的数据至少包括：环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据；
从所述多个维度的数据中抽取多个实体及实体特征；
基于所述多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息；其中，所述预设的逻辑单元框架的结构包括：类、对象、对象标识、继承性、及对象属性五个逻辑单元，对预设的逻辑单元框架进行信息填充包括：构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，得到实体关系库；根据所述实体关系库、及逻辑单元框架的结构从所述多个实体中确定目标实体，以对所述逻辑单元框架中对象进行填充；基于所述目标实体、及所述实体关系库，确定相应的实体、实体特征或第一关系对所述逻辑单元框架中的其他逻辑单元进行信息填充；
生成多个场景类别；
根据所述多个逻辑单元信息与所述多个场景类别进行模型训练，以构建用于推断场景类别的场景类别推断模型。
2.根据权利要求1所述的建模方法，其特征在于，所述构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，得到实体关系库，包括：
采用实体联系模型构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，以得到实体关系库。
3.根据权利要求1所述的建模方法，其特征在于，所述从所述多个维度的数据中抽取多个实体及实体特征，包括：
采用条件随机场从所述多个维度的数据中抽取多个实体；
采用主成成分分析技术从所述多个维度的数据中抽取多个实体特征。
4.根据权利要求1所述的建模方法，其特征在于，所述生成多个场景类别，包括：
采用预设聚类算法对所述多个维度的数据进行聚类处理，得到多个数据集合；
对每一数据集合匹配对应的分类标签，以生成多个场景类别。
5.根据权利要求1所述的建模方法，其特征在于，所述根据所述多个逻辑单元信息与所述多个场景类别进行模型训练，以构建用于推断场景类别的场景类别推断模型，包括：
采用贝叶斯网络构建所述逻辑单元信息与所述场景类别之间的概率分布，以得到用于推断场景类别的场景类别推断模型，所述概率分布如下：
pt＝pt(1|x)，pt(2|x)，pt(3|x)，...，pt(n|x)
其中，n表示场景类别的标号，x表示逻辑单元信息，Pt表示时刻t的逻辑单元信息为x时场景类别n发生的概率。
6.一种场景类别推断方法，其特征在于，所述场景类别推断方法包括：
获取当前场景中多个维度的数据；
根据预先训练的场景类别推断模型对所述多个维度的数据进行处理，以推断当前场景类别，其中，所述场景类别推断模型根据不同场景下的多个逻辑单元信息和生成的多个场景类别进行模型训练得到，所述多个逻辑单元信息由所述多个维度的数据中的多个实体及实体特征对预设的逻辑单元框架进行信息填充得到；其中，所述预设的逻辑单元框架的结构包括：类、对象、对象标识、继承性、及对象属性五个逻辑单元，对预设的逻辑单元框架进行信息填充包括：构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，得到实体关系库；根据所述实体关系库、及逻辑单元框架的结构从所述多个实体中确定目标实体，以对所述对象进行填充；基于所述目标实体、及所述实体关系库，确定相应的实体、实体特征或第一关系对所述逻辑单元框架中的其他逻辑单元进行信息填充。
7.一种建模装置，其特征在于，所述建模装置包括：
获取模块，用于获取多个维度的数据，所述多个维度的数据至少包括：环境数据、设备运行数据、用户行为习惯数据、以及社会情境数据；
抽取模块，用于从所述多个维度的数据中抽取多个实体及实体特征；
填充模块，用于基于所述多个实体和实体特征，对预设的逻辑单元框架进行信息填充，以得到多个逻辑单元信息；其中，所述预设的逻辑单元框架的结构包括：类、对象、对象标识、继承性、及对象属性五个逻辑单元，对预设的逻辑单元框架进行信息填充包括：构建实体与实体之间的第一关系、及实体与实体特征之间的第二关系，得到实体关系库；根据所述实体关系库、及逻辑单元框架的结构从所述多个实体中确定目标实体，以对所述对象进行填充；基于所述目标实体、及所述实体关系库，确定相应的实体、实体特征或第一关系对所述逻辑单元框架中的其他逻辑单元进行信息填充；
生成模块，用于生成多个场景类别；
构建模块，用于根据所述多个逻辑单元信息与所述多个场景类别进行模型训练，以构建用于推断场景类别的场景类别推断模型。
8.一种存储介质，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如权利要求1-5任一项所述方法的步骤，或者如权利要求6所述方法的步骤。
9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述方法的步骤，或者如权利要求6所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282120.8A CN111797856B (zh) | 2019-04-09 | 2019-04-09 | 建模方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282120.8A CN111797856B (zh) | 2019-04-09 | 2019-04-09 | 建模方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111797856A CN111797856A (zh) | 2020-10-20 |
| CN111797856B true CN111797856B (zh) | 2023-12-12 |
Family
ID=72805757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910282120.8A Active CN111797856B (zh) | 2019-04-09 | 2019-04-09 | 建模方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797856B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112241260B (zh) * | 2020-10-22 | 2022-04-26 | 宁波和利时智能科技有限公司 | 一种离散型行业物理实体的建模方法及*** |
| CN112764802A (zh) * | 2021-01-19 | 2021-05-07 | 挂号网（杭州）科技有限公司 | 一种业务逻辑定制方法、装置、电子设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254194A (zh) * | 2011-07-19 | 2011-11-23 | 清华大学 | 基于监督流形学习的场景分类方法及装置 |
| CN102460431A (zh) * | 2009-05-08 | 2012-05-16 | 佐科姆有限公司 | 行为和情境数据分析的***和方法 |
| CN107339990A (zh) * | 2017-06-27 | 2017-11-10 | 北京邮电大学 | 多模式融合定位***及方法 |
| CN108171748A (zh) * | 2018-01-23 | 2018-06-15 | 哈工大机器人（合肥）国际创新研究院 | 一种面向机器人智能抓取应用的视觉识别与定位方法 |
| CN108875693A (zh) * | 2018-07-03 | 2018-11-23 | 北京旷视科技有限公司 | 一种图像处理方法、装置、电子设备及其存储介质 |
| CN108898174A (zh) * | 2018-06-25 | 2018-11-27 | Oppo（重庆）智能科技有限公司 | 一种场景数据采集方法、场景数据采集装置及电子设备 |
| CN109033053A (zh) * | 2018-07-10 | 2018-12-18 | 广州极天信息技术股份有限公司 | 一种基于场景的知识编辑方法及装置 |
| CN109101931A (zh) * | 2018-08-20 | 2018-12-28 | Oppo广东移动通信有限公司 | 一种场景识别方法、场景识别装置及终端设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10878339B2 (en) * | 2017-01-27 | 2020-12-29 | Google Llc | Leveraging machine learning to predict user generated content |
| US11694109B2 (en) * | 2017-08-16 | 2023-07-04 | ODH, Inc. | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure |
-
2019
- 2019-04-09 CN CN201910282120.8A patent/CN111797856B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102460431A (zh) * | 2009-05-08 | 2012-05-16 | 佐科姆有限公司 | 行为和情境数据分析的***和方法 |
| CN102254194A (zh) * | 2011-07-19 | 2011-11-23 | 清华大学 | 基于监督流形学习的场景分类方法及装置 |
| CN107339990A (zh) * | 2017-06-27 | 2017-11-10 | 北京邮电大学 | 多模式融合定位***及方法 |
| CN108171748A (zh) * | 2018-01-23 | 2018-06-15 | 哈工大机器人（合肥）国际创新研究院 | 一种面向机器人智能抓取应用的视觉识别与定位方法 |
| CN108898174A (zh) * | 2018-06-25 | 2018-11-27 | Oppo（重庆）智能科技有限公司 | 一种场景数据采集方法、场景数据采集装置及电子设备 |
| CN108875693A (zh) * | 2018-07-03 | 2018-11-23 | 北京旷视科技有限公司 | 一种图像处理方法、装置、电子设备及其存储介质 |
| CN109033053A (zh) * | 2018-07-10 | 2018-12-18 | 广州极天信息技术股份有限公司 | 一种基于场景的知识编辑方法及装置 |
| CN109101931A (zh) * | 2018-08-20 | 2018-12-28 | Oppo广东移动通信有限公司 | 一种场景识别方法、场景识别装置及终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 类别约束下自适应主题建模的图像场景分类;唐颖军等;小型微型计算机***;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111797856A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111814475A (zh) | 用户画像构建方法、装置、存储介质和电子设备 | |
| CN111800331A (zh) | 通知消息的推送方法、装置、存储介质及电子设备 | |
| CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
| CN111796925A (zh) | 算法模型的筛选方法、装置、存储介质和电子设备 | |
| CN111797854A (zh) | 场景模型建立方法、装置、存储介质及电子设备 | |
| CN111798259A (zh) | 应用推荐方法、装置、存储介质及电子设备 | |
| CN116935188B (zh) | 模型训练方法、图像识别方法、装置、设备及介质 | |
| CN111797302A (zh) | 模型处理方法、装置、存储介质及电子设备 | |
| CN111797856B (zh) | 建模方法、装置、存储介质及电子设备 | |
| CN111797849B (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
| CN111753683A (zh) | 一种基于多专家卷积神经网络的人体姿态识别方法 | |
| CN111797867A (zh) | ***资源优化方法、装置、存储介质及电子设备 | |
| CN114783601A (zh) | 一种生理数据的分析方法、装置、电子设备和存储介质 | |
| CN111797862A (zh) | 任务处理方法、装置、存储介质和电子设备 | |
| Qiao et al. | Group behavior recognition based on deep hierarchical network | |
| CN111798019B (zh) | 意图预测方法、装置、存储介质及电子设备 | |
| CN111797175B (zh) | 数据存储方法、装置、存储介质及电子设备 | |
| CN111814812A (zh) | 建模方法、装置、存储介质、电子设备及场景识别方法 | |
| CN111797874B (zh) | 行为预测方法、装置、存储介质及电子设备 | |
| CN111797986A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
| CN111797127B (zh) | 时序数据分割方法、装置、存储介质及电子设备 | |
| CN111797878B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111797875B (zh) | 场景建模方法、装置、存储介质及电子设备 | |
| CN111797290A (zh) | 数据处理方法、装置、存储介质及电子设备 |
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 |