CN115599260A - 智能场景的生成方法、装置、***、存储介质及电子装置 - Google Patents
智能场景的生成方法、装置、***、存储介质及电子装置 Download PDFInfo
- Publication number
- CN115599260A CN115599260A CN202211243058.XA CN202211243058A CN115599260A CN 115599260 A CN115599260 A CN 115599260A CN 202211243058 A CN202211243058 A CN 202211243058A CN 115599260 A CN115599260 A CN 115599260A
- Authority
- CN
- China
- Prior art keywords
- equipment
- state change
- vector
- target
- entity vector
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0482—Interaction with lists of selectable items, e.g. menus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例提供了一种智能场景的生成方法、装置、***、存储介质及电子装置,该方法包括:在检测到第一设备发生状态变化的情况下,获取与第一设备关联的设备状态变化消息,该设备状态变化消息用于表示第一设备所发生的状态变化,根据设备状态变化消息生成设备列表,该设备列表中包括至少一个设备标识,该设备标识与允许生成智能场景的设备相对应,响应于对设备列表执行的交互操作,选中目标设备,并根据目标设备、第一设备以及第一设备所发生的状态变化生成目标智能场景。通过本发明,能够解决相关技术中智能场景生成步骤繁琐,导致创建智能场景效率低的技术问题。
Description
技术领域
本发明实施例涉及计算机领域,具体而言,涉及一种智能场景的生成方法、装置、***、存储介质及电子装置。
背景技术
随着移动设备的快速普及和云服务的高速发展,智能家居应用范围很广,大多数智能家居app(application,应用)支持设备自动控制,一键执行等智能场景的运用。此类app通常会将用户所有设备直接呈现给用户,由用户选择执行的条件与设备执行的动作,然后,app将指令发送到平台,再由平台下发到设备执行。
然而,针对大多数用户在接触智能场景这一系列功能时,可能无从下手,主要原因在于智能场景需要设置的操作较多,未给用户提供导向,使得智能场景的生成步骤繁琐,进而,导致智能场景的生成效率较低的技术问题。
针对智能场景生成步骤繁琐,导致智能场景的生成效率低的技术问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种智能场景的生成方法、装置、***、存储介质及电子装置,以至少解决解决相关技术中智能场景生成步骤繁琐,导致创建智能场景效率低的技术问题。
根据本发明的一个实施例,提供了一种智能场景的生成方法,包括:在检测到第一设备发生状态变化的情况下,获取与第一设备关联的设备状态变化消息,其中,设备状态变化消息用于表示第一设备所发生的状态变化;根据设备状态变化消息生成设备列表,其中,设备列表中包括至少一个设备标识,所述设备标识与允许生成智能场景的设备相对应;响应于对所述设备列表执行的交互操作,选中目标设备,并根据所述目标设备、所述第一设备以及所述第一设备所发生的状态变化生成目标智能场景,其中,所述目标设备、所述第一设备以及所述第一设备所发生的状态变化在所述目标智能场景中自动关联。
根据本发明的另一个实施例,提供了一种智能场景的生成装置,包括:获取模块,在检测到第一设备发生状态变化的情况下,获取与第一设备关联的设备状态变化消息,其中,所述设备状态变化消息用于表示所述第一设备所发生的状态变化;生成模块,根据设备状态变化消息生成设备列表,其中,所述设备列表中包括至少一个设备标识,所述设备标识与允许生成智能场景的设备相对应;处理模块,响应于对所述设备列表执行的交互操作,选中目标设备,并根据所述目标设备、所述第一设备以及所述第一设备所发生的状态变化生成目标智能场景,其中,所述目标设备、所述第一设备以及所述第一设备所发生的状态变化在所述目标智能场景中自动关联。
可选地,所述生成模块,包括:第一确定单元,用于根据所述设备状态变化消息确定第一尾实体向量,其中,所述第一设备对应于第一头实体向量,所述第一设备所发生的状态变化对应于第一关系向量,所述第一头实体向量、所述第一关系向量以及所述第一尾实体向量共同构成预先确定的智能场景三元组集合中的第一三元组;第一生成单元,用于根据所述第一尾实体向量生成所述设备列表,其中,所述设备列表中的设备所对应的尾实体向量均与所述第一尾实体向量之间的相似度满足预设条件。
可选地,所述第一确定单元,包括:第一提取子单元,用于根据所述设备状态变化消息提取所述第一头实体向量和所述第一关系向量;第一处理子单元,用于将所述第一头实体向量和所述第一关系向量输入预先训练的目标神经网络模型,得到所述第一尾实体向量,其中,所述目标神经网络模型是利用样本三元组集合对待训练的初始神经网络模型进行训练得到的模型,所述样本三元组集合包括正样本三元组集合以及负样本三元组集合,所述正样本三元组集合是已标注的三元组集合,所述负样本三元组集合是对所述正样本三元组集合中三元组的头实体向量或尾实体向量进行替换得到的三元组集合;第一确定子单元,用于在迭代训练所述初始神经网络模型的过程中,当输入所述初始神经网络模型的是所述负样本三元组集合中的负样本三元组,负样本头实体向量和负样本关系向量构成的和向量与负样本尾实体向量之间的距离大于第一距离阈值时,和/或,当输入所述初始神经网络模型的是所述正样本三元组集合中的正样本三元组,正样本头实体向量和正样本关系向量构成的和向量与正样本尾实体向量之间的距离小于第二距离阈值时,确认所述初始神经网络模型的损失函数满足预设损失条件,将所述初始神经网络模型确定为所述目标神经网络模型;在所述损失函数未满足所述预设损失条件时,调整所述初始神经网络模型的参数,直到所述损失函数满足所述预设损失条件。
可选地,所述生成模块,包括:第一获取单元,用于获取设备状态变化历史数据,其中,所述设备状态变化历史数据包括发生状态变化的第二设备,所述第二设备发生状态变化的第一时间信息,所述第一时间信息之后的预设时间间隔内发生状态变化的第三设备,所述第三设备发生状态变化的第二时间信息;第一构建单元,用于根据所述设备状态变化历史数据构建所述智能场景三元组集合中的第二三元组,其中,所述第二三元组包括所述第二设备对应的第二头实体向量、所述第二设备发生的状态变化对应的第二关系向量以及所述第三设备对应的第二尾实体向量。
可选地,所述生成模块还包括:第二构建单元,用于在所述设备状态变化历史数据未包括所述第三设备和所述第二时间信息的情况下,根据所述设备状态变化历史数据构建所述智能场景三元组集合中的第三三元组,其中,所述第三三元组包括为空的第三头实体向量、所述第二时间信息对应的第三关系向量以及所述第二设备对应的第三尾实体向量;或,第三构建单元,用于在所述设备状态变化历史数据包括的所述第一时间信息和所述第二时间信息指示所述第二设备和所述第三设备需要保持同步发生状态变化的情况下,根据所述设备状态变化历史数据构建所述智能场景三元组集合中的第四三元组,其中,所述第四三元组包括所述第二头实体向量、表示所述第二设备和所述第三设备需要保持同步发生状态变化的第四关系向量以及所述第二尾实体向量。
可选地,所述生成模块还包括:第二获取单元,用于获取与所述第一尾实体向量之间的距离值满足预设距离阈值的尾实体向量集合,其中,所述尾实体向量集合中尾实体向量的排序位置与所述距离值呈负相关;第二生成单元,用于根据所述尾实体向量集合生成所述设备列表,其中,所述设备列表中的设备按照所述尾实体向量的排序位置排列。
可选地,所述生成模块还包括:第一显示单元,用于在目标客户端上显示目标提示消息,其中,所述目标提示消息用于提示所述第一设备发生状态变化,且当前允许生成与所述第一设备关联的智能场景;第二显示单元,通过响应于对所述目标提示消息执行的确认操作,显示所述第一设备的状态变化列表,其中,所述状态变化列表包括所述第一设备允许进行的状态变化;第三生成单元,响应于对所述状态变化列表执行的选中操作,根据选中的目标状态变化生成所述设备列表。
根据本发明的另一个实施例,提供了一种智能场景的生成***,其特征在于,包括:
检测装置,用于在检测到第一设备发生状态变化的情况下,获取与第一设备关联的设备状态变化消息,其中,所述设备状态变化消息用于表示所述第一设备所发生的状态变化;
服务器,用于根据设备状态变化消息生成设备列表,其中,所述设备列表中包括至少一个设备标识,所述设备标识与允许生成智能场景的设备相对应;
应用程序,用于响应于对所述设备列表执行的交互操作,选中目标设备,并根据所述目标设备、所述第一设备以及所述第一设备所发生的状态变化生成目标智能场景,其中,所述目标设备、所述第一设备以及所述第一设备所发生的状态变化在所述目标智能场景中自动关联。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,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运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,采用在检测到第一设备发生状态变化的情况下,获取与第一设备关联的,用于表示第一设备所发生的状态变化的设备状态变化消息,接着,根据设备状态变化消息生成包括至少一个设备标识的设备列表,设备标识与允许生成智能场景的设备相对应,响应于对设备列表执行的交互操作,选中目标设备,并根据目标设备、第一设备以及第一设备所发生的状态变化生成目标智能场景,其中,目标设备、第一设备以及第一设备所发生的状态变化在目标智能场景中自动关联的方式,解决相关技术中智能场景生成步骤繁琐,导致创建智能场景效率低的技术问题。达到了提高智能场景生成效率,为用户提供合适的操作导向,简化智能场景的生成方法的技术效果。
附图说明
图1是本发明实施例的一种智能场景的生成方法的移动终端的硬件结构框图;
图2是根据本发明实施例的一种智能场景的生成方法的流程图;
图3是根据本发明实施例的一种智能场景的生成方法的具体示例示意图;
图4是根据本发明实施例的一种智能场景的生成方法的模型生成流程图;
图5是根据本发明实施例的一种智能场景的生成方法的模型训练流程图;
图6是根据本发明实施例的另一种智能场景的生成方法的模型训练流程图;
图7是根据本发明实施例的另一种智能场景的生成方法的流程图;
图8是根据本发明实施例的又一种智能场景的生成方法的流程图;
图9是根据本发明实施例的一种智能场景的生成装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明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。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种智能场景的生成方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的智能场景的生成方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可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104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。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。
传输装置106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移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种智能场景的生成方法,图2是根据本发明实施例的智能场景的生成方法的流程图,如图2所示,该流程包括如下步骤:
S202,在检测到第一设备发生状态变化的情况下,获取与第一设备关联的设备状态变化消息,其中,设备状态变化消息用于表示第一设备所发生的状态变化;
可选地,在本实施例中,上述第一设备可以包括但不限于允许生成智能场景,获取状态变化消息的设备,例如:灯、窗帘、门锁、电器(电视、空调、加湿器、饮水机、热水器、冰箱、抽油烟机、洗衣机、烘干机、微波炉、烤箱)、扫地机器人、地暖、烟雾报警器等。
可选地,在本实施例中,上述状态变化可以包括但不限于允许生成智能场景的设备所发生的状态调整或改变,例如,开(关)锁、开(关)灯、调整空调温度、开(关)扫地机器人、开(关)窗帘等。
可选地,在本实施例中,上述设备状态变化消息可以包括但不限于允许生成智能场景的设备,其所属状态发生改变后生成的消息,设备状态变化消息用于表示第一设备所发生的状态变化,例如:当用户开或关门锁时,平台向客户端发送如下消息:门锁已打开(关闭)。
S204,根据设备状态变化消息生成设备列表,其中,设备列表中包括至少一个设备标识,设备标识与允许生成智能场景的设备相对应;
可选地,在本实施例中,上述设备列表可以包括但不限于允许生成智能场景的设备根据设备状态变化消息所组成的设备集合,上述设备集合允许包括智能场景里的部分或者全部设备。
可选地,在本实施例中,上述设备标识可以包括但不限于用于标识允许生成智能场景的设备,用户可以根据不同的设备标识选择期望的设备,例如,设备名称(冰箱、空调、洗衣机、门锁等)、表示设备的图形、动画、照片以及声音等,还可以包括但不限于上述一种或多种的组合。
S206,响应于对设备列表执行的交互操作,选中目标设备,并根据目标设备、第一设备以及第一设备所发生的状态变化生成目标智能场景,其中,目标设备、第一设备以及第一设备所发生的状态变化在目标智能场景中自动关联。
可选地,在本实施例中,上述目标设备可以包括但不限于根据设备列表选中的设备。例如,客户端收到平台推送的设备列表(列表中包括扫地机器人、空调、热水器等设备)后,用户选中该列表中的空调,那么空调即为目标设备。
可选地,在本实施例中,上述目标智能场景可以包括但不限于从根据第一设备的状态变化所生成的设备列表中选中的目标设备和第一设备以及第一设备所发生的状态变化一起生成的智能场景。
示例性地,图3是根据本发明实施例的一种智能场景的生成方法的示意图,如图3所示:用户打开门锁,打开门锁这个动作302被***识别为门锁的状态发生变化,客户端界面304上弹出消息306,其中,消息306用于告知用户:“门锁已被打开,大多数用户在打开门锁后会对空调、灯、窗帘、热水器、地暖等设备进行操作,建议创建智能场景”;响应于用户的交互操作310对客户端推送的设备列表308执行的交互操作,选中设备列表308中的空调,打开空调,调整空调运行属性,此时,门锁、开锁以及空调即可生成一个目标智能场景。
上述仅是一种示例,本申请不做任何具体的限定。
通过本申请实施例,采用在检测到第一设备发生状态变化的情况下,获取与第一设备关联的设备状态变化消息,根据设备状态变化消息生成设备列表,设备列表中包括至少一个设备标识,设备标识与允许生成智能场景的设备相对应;响应于对设备列表执行的交互操作,选中目标设备,并根据目标设备、第一设备以及第一设备所发生的状态变化生成目标智能场景,其中,目标设备、第一设备以及第一设备所发生的状态变化在目标智能场景中自动关联的方式,解决了相关技术中智能场景生成步骤繁琐,导致创建智能场景效率低的技术问题。达到了提高智能场景生成效率,为用户提供合适的操作导向,简化智能场景的生成方法的技术效果。
在一个示例性的实施例中,根据设备状态变化消息生成设备列表,包括:根据设备状态变化消息确定第一尾实体向量,其中,第一设备对应于第一头实体向量,第一设备所发生的状态变化对应于第一关系向量,第一头实体向量、第一关系向量以及第一尾实体向量共同构成预先确定的智能场景三元组集合中的第一三元组;根据第一尾实体向量生成设备列表,其中,设备列表中的设备所对应的尾实体向量均与第一尾实体向量之间的相似度满足预设条件。
可选地,在本实施例中,上述第一头实体向量可以包括而不限于状态发生变化的第一设备所构成的向量,第一关系向量可以包括而不限于状态发生变化的第一设备所构成的向量。
具体而言,每一个动作都可以拆解为头实体和关系,可以包括但不限于使用基于word2vec预训练的词向量对头实体和关系进行向量表示,或者也可以通过one-hot编码对头实体和关系进行向量表示,由此确定上述第一头实体向量和第一关系向量。
需要说明的是,上述word2vec和one-hot编码是词编码模型中的具体模型,其中,word2vec预训练的词向量是提前训练好的,将具体的词句输入进该编码模型中即可得到该词句对应的表征向量。
例如,用户指纹开锁动作可以拆解为头实体“锁”和关系“指纹开锁”,从而根据word2vec预训练的词向量对头实体锁和关系指纹开锁进行向量表示,得到头实体锁所对应的头第一实体向量和指纹开锁对应的第一关系向量,或者也可以通过one-hot编码对头实体和关系进行向量表示。
上述仅是一种示例,本申请不做任何具体的限定。
可选地,在本实施例中,上述第一三元组是由第一头实体向量、第一关系向量和第一尾实体向量构成的,智能场景三元组集合是由多个三元组构成的一个集合。
可选地,在本实施例中,上述根据设备状态变化确定第一尾实体向量的方法可以包括但不限于通过训练神经网络模型,将第一头实体向量和第一关系向量输入该神经网络模型得到上述第一尾实体向量,该神经网络模型是预先训练好的,用于预测对应于第一头实体向量和第一关系向量的第一尾实体向量。
具体而言,transE模型作为神经网络模型的一种,可以将众多由头实体,关系和尾实体构成的三元组数据输入到模型中进行训练,得到transE模型,接着,将头实体和关系对应的第一头实体向量和第一关系向量输入已训练完成的transE模型中,输出上述第一尾实体向量。
需要说明的是,transE的设计初衷类似于线性代数中的向量求和,transE训练的基本思想是将实体和关系都表示为m维向量,例如头实体向量h,尾实体向量t,以及关系向量l。那么,对于确实存在关联的头实体向量h、尾实体向量t和关系向量l,允许存在h+l≈t的关系,即h+l与t的值越接近,则表示偏差越小,用户选择尾实体向量对应的设备列表中的设备的可能性越大,反之,则用户选择尾实体向量对应的设备列表中的设备的可能性越小。
示例性地,图4是根据本发明实例性的一种智能场景的生成方法的流程图,如图4所示,该流程图包括如下步骤:
S402,开始;
S404,拆解用户的执行动作,将执行动作拆解为设备实体(即上文对应的头实体)和关联动作(即上文对应的关系),以供后续进行模型训练使用;
S406,将设备实体转换为第一头实体向量表示,将关联动作转换为第一关系相量表示;
S408,将转换后的第一头实体向量和第一关系向量输入到transE模型中;
S410,transE模型根据第一头实体向量和第一关系向量进行预测;
S412,输出第一尾实体向量;
S414,结束。
可选地,在本实施例中,上述相似度可以包括但不限于余弦相似度,通过计算两个向量之间的余弦距离判断两个向量的相似程度,两个向量的余弦距离越接近1,说明两个向量越相似,则用户更可能根据该向量对应的设备生成上述智能场景,上述预设条件可以理解为上述余弦距离满足预设的距离阈值。
在一个示例性的实施例中,根据设备状态变化消息确定第一尾实体向量,包括:
根据设备状态变化消息提取第一头实体向量和第一关系向量;
将第一头实体向量和第一关系向量输入预先训练的目标神经网络模型,得到第一尾实体向量,其中,目标神经网络参数未满足预设损失条件时,调整初始神经网络模型的参数,直到损失模型是利用样本三元组集合对待训练的初始神经网络模型进行训练得到的模型,样本三元组集合包括正样本三元组集合以及负样本三元组集合,正样本三元组集合是已标注的三元组集合,负样本三元组集合是对正样本三元组集合中三元组的头实体向量或尾实体向量进行替换得到的三元组集合;
在迭代训练初始神经网络模型的过程中,当输入初始神经网络模型的是负样本三元组集合中的负样本三元组,负样本头实体向量和负样本关系向量构成的和向量与负样本尾实体向量之间的距离大于第一距离阈值时,和/或,当输入初始神经网络模型的是正样本三元组集合中的正样本三元组,正样本头实体向量和正样本关系向量构成的和向量与正样本尾实体向量之间的距离小于第二距离阈值时,确认初始神经网络模型的损失函数满足预设损失条件,将初始神经网络模型确定为目标神经网络模型;在损失函数未满足预设损失条件时,调整初始神经网络模型的参数,直到损失函数满足预设损失条件。
可选地,在本实施例中,三元组是由头实体,关系,尾实体构成的,可以表示为<头实体,关系,尾实体>;样本三元组集合包括正样本三元组集合和负样本三元组集合,其中,正样本三元组集合可以包括而不限于确实存在关联的三元组构成的集合,例如,用户每次在打开门锁后会都打开灯,于是得到三元组<门锁,开锁,灯>之间确实存在关联,那么该三元组即为上述正样本三元组,由类似于该三元组构成的三元组集合即为上述正样本三元组集合,或者,正样本向量组还可以包括但不限于为根据经验预先进行标注的三元组集合,也可以包括但不限于上述方案的组合。
可选地,在本实施例中,预设损失条件可以是根据需求预先设定的条件,也可以是根据以往的神经网络训练经验预先设定的条件,此外,在损失函数为满足预设损失条件时,可以是人为调整初始神经网络模型的参数,也可以是模型自动调整神经网络模型的参数。
可选地,在本实施例中,距离阈值可以是根据头实体向量与关系向量求和后到尾实体向量预设的偏差值的范围,该距离阈值还可以是根据历史经验确定的一个值,例如,预设第一距离阈值为2,第二距离阈值为3时时,负样本头实体向量和负样本关系向量构成的和向量与负样本尾实体向量之间的距离大于2时和/或当输入初始神经网络模型的是正样本三元组集合中的正样本三元组,正样本头实体向量和正样本关系向量构成的和向量与正样本尾实体向量之间的距离小于第二距离阈值时3,确认初始神经网络模型的损失函数满足预设损失条件。
具体而言,h表示第一头实体向量,l表示第一关系向量,t表示第一尾实体向量,定义距离函数d,表示h+l到t的偏差,即
该模型的目的是为了缩小正确的三元组的d,放大错误三元组的d,因此有损失函数L,其中h′表示替换后的头实体向量,t′表示替换后的尾实体向量,S表示三元组集合:
通过计算d,判断d是否大于第一距离阈值,或者d是否小于第二距离阈值来判断初始神经网络模型的参数是否满足预设损失条件,若结果为是,则满足条件,此时确定初始神经网络模型即为目标神经网络模型;若结果为否,则不满预设损失足条件,调整初始神经网络模型参数,继续迭代训练,直至结果为是。
上述仅是一个具体的事例,本申请不做任何的限定。
可选地,在本实施例中,神经网络模型是通过调整初始的损失模型参数来实现的,定义距离函数来表示第一头实体向量和第一尾实体向量的偏差,直到损失模型是利用样本三元组集合对待训练的初始神经网络模型进行训练得到的模型。
示例性地,图5是神经网络模型训练的流程图,如图5所示,神经网络模型训练的步骤可以包括但不限于:
S502,把样本三元组集合输入到初始神经网络模型中;
S504,计算距离函数d,其中d用来表示第一头实体向量和第一关系向量求和到第一尾实体向量的偏差;
S506,判断d是否满足距离阈值条件;
S506-1,若结果为是,执行S508,则初识神经网络模型即为目标神经网络模型;
S506-2,若结果为否,执行S510,调整初始神经网络模型参数;
S508,输出目标神经网络模型;
S510,调整初始神经网络模型参数。
在一个示例性的实施例中,根据设备状态变化消息生成设备列表,包括:获取设备状态变化历史数据,其中,设备状态变化历史数据包括发生状态变化的第二设备,第二设备发生状态变化的第一时间信息,第一时间信息之后的预设时间间隔内发生状态变化的第三设备,第三设备发生状态变化的第二时间信息;根据设备状态变化历史数据构建智能场景三元组集合中的第二三元组,其中,第二三元组包括第二设备对应的第二头实体向量、第二设备发生的状态变化对应的第二关系向量以及第三设备对应的第二尾实体向量。
可选地,在本实施例中,上述历史数据可以是数据库中其他用户的执行动作的数据中获得的,也可以是数据库存储的用户的历史执行动作数据,或者是***预设的历史数据,还可以包括但不限于以上几种的组合。可以根据历史数据获得当前用户或者其他用户的执行动作记录,以收集上述用户执行动作数据,历史数据记录的数据内容可以包括但不限于发生状态变化的第二设备的标识、第二设备发生变化的第一时间、第一时间之后在预设时间间隔之内发生状态变化的第三设备以及第三设备发生状态变化的第二时间信息。
可选地,在本实施例中,上述预设时间间隔可以是1秒也可以是1分,可以是人为需要设定的也可以是根据以往经验***预设的。例如,预设时间间隔是2分钟,那么用户每天早上8:00会打开卧室窗帘,早上8:05会关闭大门门锁,中间的时间间隔是5分钟,则该数据即不能作为历史数据,如果用户每天早上8:00打开卧室窗帘,早上8:01会关闭大门门锁,则该数据即可作为历史数据,该历史数据将被用于构建智能场景三元组集合中的第二三元组,以最终实现构建上述智能场景三元组集合。
上述仅是一个具体的事例,本申请不做任何的限定。
在一个示例性的实施例中,上述方法还包括:
在设备状态变化历史数据未包括第三设备和第二时间信息的情况下,根据设备状态变化历史数据构建智能场景三元组集合中的第三三元组,其中,第三三元组包括为空的第三头实体向量、第二时间信息对应的第三关系向量以及第二设备对应的第三尾实体向量;或,
在设备状态变化历史数据包括的第一时间信息和第二时间信息指示第二设备和第三设备需要保持同步发生状态变化的情况下,根据设备状态变化历史数据构建智能场景三元组集合中的第四三元组,其中,第四三元组包括第二头实体向量、表示第二设备和第三设备需要保持同步发生状态变化的第四关系向量以及第二尾实体向量。
可选地,在本实施例中,上述第三三元组可以表示为<null,定时,设备>,例如,执行动作为用户每天早上8:00打开窗帘,用户在打开窗帘前的预设间隔时间内并没有进行其他执行动作,那么用户每天早上8:00打开窗帘这个执行动作所对应的三元组应为<null,上午8:00,窗帘>,以最终实现构建上述智能场景三元组集合。
可选地,在本实施例中,第四三元组可以表示为<设备A,同步,设备Z>,例如,执行动作为用户经常在打开空调的同时打开加湿器,那么用户打开空调的同时打开加湿器这个执行动作就可以表示为对应的三元组<空调,同步,加湿器>,此三元组即为三元组集合中的第四三元组。
在一个示例性的实施例中,根据第一尾实体向量生成设备列表,包括:
获取与第一尾实体向量之间的距离值满足预设距离阈值的尾实体向量集合,其中,尾实体向量集合中尾实体向量的排序位置与距离值呈负相关;
根据尾实体向量集合生成设备列表,其中,设备列表中的设备按照尾实体向量的排序位置排列。
可选地,在本实施例中,尾实体向量集合中的尾实体向量的排序位置与所对应的距离值成负相关,可以是将头实体向量和关系向量输入到神经网络训练模型中,得到尾实体向量,将尾实体向量集合中的尾实体向量与上述输入到神经网络模型得到的第一尾实体向量计算相似度进行排序。
需要说明的是,上述定义的距离函数d,若h+l到t的距离值越远,则t的向量排序越靠后。例如,灯和开灯到开窗帘的距离值是1,而灯和开灯到开空调的距离值是2,那么窗帘对应的尾向量和空调对应的尾向量在尾向量集合中的排序应该是:窗帘,空调。
在一个示例性的实施例中,根据设备状态变化消息生成设备列表,包括:在目标客户端上显示目标提示消息,其中,目标提示消息用于提示第一设备发生状态变化,且当前允许生成与第一设备关联的智能场景;响应于对目标提示消息执行的确认操作,显示第一设备的状态变化列表,其中,状态变化列表包括第一设备允许进行的状态变化;响应于对状态变化列表执行的选中操作,根据选中的目标状态变化生成设备列表。
可选地,在本实施例中,如图3所示用户打开门锁,打开门锁这个动作302被***识别,门锁的状态发生变化,客户端界面304上弹出消息306,其中,消息306用于告知用户:门锁已被打开,大多数用户在打开门锁后会对空调、灯、窗帘、热水器、地暖等设备进行操作,建议创建智能场景;响应于客户端推送的设备列表308,用户310做出交互动作,点进消息306,选中设备列表308中的空调,打开空调,调整空调运行属性,那么门锁、开锁以及空调就生成了一个目标智能场景。
显然,上述所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。
下面结合具体实施例对本申请进行具体说明:
本申请主要解决相关技术中智能场景生成步骤繁琐,导致创建智能场景效率低的技术问题。根据用户当前的执行动作,通过transE方法预测接下来可能会***作的设备,并下发推送到手机App,用于提示用户跳转到指定的智能场景设置页(包括一键执行、自动控制、群控等),用户可根据推荐的设备进行选择,也可选择推荐列表中不存在的设备,从而形成一种行为导向,简化繁琐的设置,提高用户使用体验。
如图6所示,智能场景的生成步骤可以包括但不限于以下内容,包括但不限于三元组采集,transE训练,预测与推送和app执行:
1.构建智能场景实体关系三元组库:
数据搜集阶段,客户端在设备状态更改时上报数据埋点(可以包括但不限于前述的设备状态变化消息),并进行统计,大数据端对数据进行整合,并构建实体关系三元组库。其中,设备状态更改需要统计内容包括:设备型号,设备更改的状态,状态更改时间,以及下一时刻状态更改的设备型号与状态更改时间。
数据清洗阶段,将两次设备状态更改时间间隔较长的记录去除,对于下一时刻两个字段为空的记录筛选频率较高的k个时间点,并将非条件的设备更改状态标注三元组关联为同步。将经过筛选获得的记录整合成为三元组数据结构。如下表所示:
2.transE训练:
transE的设计初衷类似于线性代数中向量的求和。基本思想是将实体和关系都表示为m维向量,三元组可以表示为头实体向量h,尾实体向量t,以及关系向量l。因此,对于正向三元组(确实存在该关联的三元组)就存在h+l≈t的关系。初始向量可以使用word2vec预训练的词向量作为输入输出,若词汇量较小也可以使用one-hot编码。
transE的数据集是在已构建的三元组数据集的基础上,仅替换头实体,或仅替换尾实体后得到的三元组数据集(对应于前述负样本三元组)与已构建的三元组数据集构成。可表示为:
S′(h,l,t)={(h′,l,t)|h′∈E}∪{(h,l,t′)|t′∈E}
其中,S′代表transE的数据集,h′是指替换后的头实体,E是指原三元组数据集,h是指头实体,l是指关系,t是指头实体,t′是指替换后的尾实体。
此外定义距离函数d,表示h+l到t的偏差,即
该模型的目的是为了缩小正向三元组的d,放大负向三元组的d,由此定义损失函数L,其中,γ是初始神经网络模型参数,h是指头实体,l是指关系,t是指头实体,h′是指替换后的头实体,t′是指替换后的尾实体:
该模型使用随机梯度下降SGD对参数γ进行更新,使得损失函数取值在预设范围内,即transE模型训练完成。
3.预测与推送:
如图7所示,任何动作都可以拆解为一个实体和一个关联,将实体转换为对应的头实体向量表示,将关联动作转换为尾实体向量表示;将上述由实体和关联动作转换而来的头实体向量和尾实体向量输入到transE训练模型中,获得尾实体的向量表示;将尾实体向量转换为相应的实体设备列表,并通过计算相似度比较获取实体排序;当用户执行动作时,将该动作对应的头实体、关联以及上述获取的实体排序即当前用户账号下存在于尾实体列表中的设备列表推送到客户端。
例如:指纹开门可以拆解为门锁和指纹解锁。将门锁和指纹解锁的词向量输入到模型中,获得尾实体的向量表示。通过余弦相似度比较获取可能实体排序,得到的实体排序可能是[灯泡,热水器,扫地机……],平台在该用户执行开门动作时向客户端发送推送消息,推送消息中包含头实体,关联,以及当前用户账号下存在于尾实体列表中的设备排序列表[灯泡,热水器,扫地机……]。
4.app执行:
如图8所示,客户端本地存有关联类型枚举,客户端接收到平台发送的推送;解析关联并匹配对应的枚举类型,枚举类型分为设备状态变化关联,定时关联,同步执行关联;客户端根据不同的关联跳转到不同的功能页面;客户端创建一个提示消息提示用户(例如:多数用户在执行某动作后会有其他关联动作,建议创建智能场景);用户点击推送会根据关联类型执行不同的操作,此外解析推送中的头实体和关联,客户端将条件自动填写,而查询出的尾实体列表将按照顺序依次展出推荐用户选择后续操作。
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)执行本发明各个实施例的方法。
在本实施例中还提供了一种智能场景的生成装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图9是根据本发明实施例的智能场景的生成装置的结构框图,如图9所示,该装置包括:
获取模块902,用于获取与第一设备关联的设备状态变化消息,其中,设备状态变化消息用于表示第一设备所发生的状态变化;
生成模块904,用于根据设备状态变化消息生成设备列表,其中,设备列表中包括至少一个设备标识,设备标识与允许生成智能场景的设备相对应;
处理模块906,用于响应于对设备列表执行的交互操作,选中目标设备,并根据目标设备、第一设备以及第一设备所发生的状态变化生成目标智能场景,其中,目标设备、第一设备以及第一设备所发生的状态变化在目标智能场景中自动关联。
其中,生成模块904,包括:
第一确定单元,用于根据所述设备状态变化消息确定第一尾实体向量,其中,所述第一设备对应于第一头实体向量,所述第一设备所发生的状态变化对应于第一关系向量,所述第一头实体向量、所述第一关系向量以及所述第一尾实体向量共同构成预先确定的智能场景三元组集合中的第一三元组;
第一生成单元,用于根据所述第一尾实体向量生成所述设备列表,其中,所述设备列表中的设备所对应的尾实体向量均与所述第一尾实体向量之间的相似度满足预设条件。
第一确定单元,包括:
第一提取子单元,用于根据所述设备状态变化消息提取所述第一头实体向量和所述第一关系向量;
第一处理子单元,用于将所述第一头实体向量和所述第一关系向量输入预先训练的目标神经网络模型,得到所述第一尾实体向量,其中,所述目标神经网络模型是利用样本三元组集合对待训练的初始神经网络模型进行训练得到的模型,所述样本三元组集合包括正样本三元组集合以及负样本三元组集合,所述正样本三元组集合是已标注的三元组集合,所述负样本三元组集合是对所述正样本三元组集合中三元组的头实体向量或尾实体向量进行替换得到的三元组集合;
第一确定子单元,用于在迭代训练所述初始神经网络模型的过程中,当输入所述初始神经网络模型的是所述负样本三元组集合中的负样本三元组,负样本头实体向量和负样本关系向量构成的和向量与负样本尾实体向量之间的距离大于第一距离阈值和/或当输入所述初始神经网络模型的是所述正样本三元组集合中的正样本三元组,正样本头实体向量和正样本关系向量构成的和向量与正样本尾实体向量之间的距离小于第二距离阈值时,和/或,确认所述初始神经网络模型的损失函数满足预设损失条件,将所述初始神经网络模型确定为所述目标神经网络模型;在所述损失函数未满足所述预设损失条件时,调整所述初始神经网络模型的参数,直到所述损失函数满足所述预设损失条件。
生成模块904,还包括:
第一获取单元,用于获取设备状态变化历史数据,其中,所述设备状态变化历史数据包括发生状态变化的第二设备,所述第二设备发生状态变化的第一时间信息,所述第一时间信息之后的预设时间间隔内发生状态变化的第三设备,所述第三设备发生状态变化的第二时间信息;
第一构建单元,用于根据所述设备状态变化历史数据构建所述智能场景三元组集合中的第二三元组,其中,所述第二三元组包括所述第二设备对应的第二头实体向量、所述第二设备发生的状态变化对应的第二关系向量以及所述第三设备对应的第二尾实体向量。
生成模块904还包括:
第二构建单元,用于在所述设备状态变化历史数据未包括所述第三设备和所述第二时间信息的情况下,根据所述设备状态变化历史数据构建所述智能场景三元组集合中的第三三元组,其中,所述第三三元组包括为空的第三头实体向量、所述第二时间信息对应的第三关系向量以及所述第二设备对应的第三尾实体向量;或,
第三构建单元,用于在所述设备状态变化历史数据包括的所述第一时间信息和所述第二时间信息指示所述第二设备和所述第三设备需要保持同步发生状态变化的情况下,根据所述设备状态变化历史数据构建所述智能场景三元组集合中的第四三元组,其中,所述第四三元组包括所述第二头实体向量、表示所述第二设备和所述第三设备需要保持同步发生状态变化的第四关系向量以及所述第二尾实体向量。
生成模块904还包括:
第二获取单元,用于获取与所述第一尾实体向量之间的距离值满足预设距离阈值的尾实体向量集合,其中,所述尾实体向量集合中尾实体向量的排序位置与所述距离值呈负相关;
第二生成单元,用于根据所述尾实体向量集合生成所述设备列表,其中,所述设备列表中的设备按照所述尾实体向量的排序位置排列。
生成模块904还包括:
第一显示单元,用于在目标客户端上显示目标提示消息,其中,所述目标提示消息用于提示所述第一设备发生状态变化,且当前允许生成与所述第一设备关联的智能场景;
第二显示单元,通过响应于对所述目标提示消息执行的确认操作,显示所述第一设备的状态变化列表,其中,所述状态变化列表包括所述第一设备允许进行的状态变化;
第三生成单元,响应于对所述状态变化列表执行的选中操作,根据选中的目标状态变化生成所述设备列表。
根据本发明的又一个实施例,还提供了一种智能场景的生成***,包括:
检测装置,用于在检测到第一设备发生状态变化的情况下,获取与第一设备关联的设备状态变化消息,其中,所述设备状态变化消息用于表示所述第一设备所发生的状态变化;
服务器,用于根据设备状态变化消息生成设备列表,其中,所述设备列表中包括至少一个设备标识,所述设备标识与允许生成智能场景的设备相对应;
应用程序,用于响应于对所述设备列表执行的交互操作,选中目标设备,并根据所述目标设备、所述第一设备以及所述第一设备所发生的状态变化生成目标智能场景,其中,所述目标设备、所述第一设备以及所述第一设备所发生的状态变化在所述目标智能场景中自动关联。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读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任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读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计算机程序的介质。
本发明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。
在一个示例性实施例中,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。
本实施例中的具体示例可以参考上述实施例及示例性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,上述的本发明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,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,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种智能场景的生成方法,其特征在于,包括:
在检测到第一设备发生状态变化的情况下,获取与第一设备关联的设备状态变化消息,其中,所述设备状态变化消息用于表示所述第一设备所发生的状态变化;
根据设备状态变化消息生成设备列表,其中,所述设备列表中包括至少一个设备标识,所述设备标识与允许生成智能场景的设备相对应;
响应于对所述设备列表执行的交互操作,选中目标设备,并根据所述目标设备、所述第一设备以及所述第一设备所发生的状态变化生成目标智能场景,其中,所述目标设备、所述第一设备以及所述第一设备所发生的状态变化在所述目标智能场景中自动关联。
2.根据权利要求1所述的方法,其特征在于,所述根据设备状态变化消息生成设备列表,包括:
根据所述设备状态变化消息确定第一尾实体向量,其中,所述第一设备对应于第一头实体向量,所述第一设备所发生的状态变化对应于第一关系向量,所述第一头实体向量、所述第一关系向量以及所述第一尾实体向量共同构成预先确定的智能场景三元组集合中的第一三元组;
根据所述第一尾实体向量生成所述设备列表,其中,所述设备列表中的设备所对应的尾实体向量均与所述第一尾实体向量之间的相似度满足预设条件。
3.根据权利要求2所述的方法,其特征在于,所述根据设备状态变化消息确定第一尾实体向量,包括:
根据所述设备状态变化消息提取所述第一头实体向量和所述第一关系向量;
将所述第一头实体向量和所述第一关系向量输入预先训练的目标神经网络模型,得到所述第一尾实体向量,其中,所述目标神经网络模型是利用样本三元组集合对待训练的初始神经网络模型进行训练得到的模型,所述样本三元组集合包括正样本三元组集合以及负样本三元组集合,所述正样本三元组集合是已标注的三元组集合,所述负样本三元组集合是对所述正样本三元组集合中三元组的头实体向量或尾实体向量进行替换得到的三元组集合;
其中,在迭代训练所述初始神经网络模型的过程中,当输入所述初始神经网络模型的是所述负样本三元组集合中的负样本三元组,负样本头实体向量和负样本关系向量构成的和向量与负样本尾实体向量之间的距离大于第一距离阈值时,和/或,当输入所述初始神经网络模型的是所述正样本三元组集合中的正样本三元组,正样本头实体向量和正样本关系向量构成的和向量与正样本尾实体向量之间的距离小于第二距离阈值时,确认所述初始神经网络模型的损失函数满足预设损失条件,将所述初始神经网络模型确定为所述目标神经网络模型;在所述损失函数未满足所述预设损失条件时,调整所述初始神经网络模型的参数,直到所述损失函数满足所述预设损失条件。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取设备状态变化历史数据,其中,所述设备状态变化历史数据包括发生状态变化的第二设备,所述第二设备发生状态变化的第一时间信息,所述第一时间信息之后的预设时间间隔内发生状态变化的第三设备,所述第三设备发生状态变化的第二时间信息;
根据所述设备状态变化历史数据构建所述智能场景三元组集合中的第二三元组,其中,所述第二三元组包括所述第二设备对应的第二头实体向量、所述第二设备发生的状态变化对应的第二关系向量以及所述第三设备对应的第二尾实体向量。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在所述设备状态变化历史数据未包括所述第三设备和所述第二时间信息的情况下,根据所述设备状态变化历史数据构建所述智能场景三元组集合中的第三三元组,其中,所述第三三元组包括为空的第三头实体向量、所述第二时间信息对应的第三关系向量以及所述第二设备对应的第三尾实体向量;或,
在所述设备状态变化历史数据包括的所述第一时间信息和所述第二时间信息指示所述第二设备和所述第三设备需要保持同步发生状态变化的情况下,根据所述设备状态变化历史数据构建所述智能场景三元组集合中的第四三元组,其中,所述第四三元组包括所述第二头实体向量、表示所述第二设备和所述第三设备需要保持同步发生状态变化的第四关系向量以及所述第二尾实体向量。
6.根据权利要求2所述的方法,其特征在于,所述根据所述第一尾实体向量生成所述设备列表,包括:
获取与所述第一尾实体向量之间的距离值满足预设距离阈值的尾实体向量集合,其中,所述尾实体向量集合中尾实体向量的排序位置与所述距离值呈负相关;
根据所述尾实体向量集合生成所述设备列表,其中,所述设备列表中的设备按照所述尾实体向量的排序位置排列。
7.根据权利要求1所述的方法,其特征在于,所述根据设备状态变化消息生成设备列表,包括:
在目标客户端上显示目标提示消息,其中,所述目标提示消息用于提示所述第一设备发生状态变化,且当前允许生成与所述第一设备关联的智能场景;
响应于对所述目标提示消息执行的确认操作,显示所述第一设备的状态变化列表,其中,所述状态变化列表包括所述第一设备允许进行的状态变化;
响应于对所述状态变化列表执行的选中操作,根据选中的目标状态变化生成所述设备列表。
8.一种智能场景的生成装置,其特征在于,包括:
获取模块,在检测到第一设备发生状态变化的情况下,获取与第一设备关联的设备状态变化消息,其中,所述设备状态变化消息用于表示所述第一设备所发生的状态变化;
生成模块,根据设备状态变化消息生成设备列表,其中,所述设备列表中包括至少一个设备标识,所述设备标识与允许生成智能场景的设备相对应;
处理模块,用于响应于对所述设备列表执行的交互操作,选中目标设备,并根据所述目标设备、所述第一设备以及所述第一设备所发生的状态变化生成目标智能场景,其中,所述目标设备、所述第一设备以及所述第一设备所发生的状态变化在所述目标智能场景中自动关联。
9.一种智能场景的生成***,其特征在于,包括:
检测装置,用于在检测到第一设备发生状态变化的情况下,获取与第一设备关联的设备状态变化消息,其中,所述设备状态变化消息用于表示所述第一设备所发生的状态变化;
服务器,用于根据设备状态变化消息生成设备列表,其中,所述设备列表中包括至少一个设备标识,所述设备标识与允许生成智能场景的设备相对应;
应用程序,用于响应于对所述设备列表执行的交互操作,选中目标设备,并根据所述目标设备、所述第一设备以及所述第一设备所发生的状态变化生成目标智能场景,其中,所述目标设备、所述第一设备以及所述第一设备所发生的状态变化在所述目标智能场景中自动关联。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现所述权利要求1至7任一项中所述的方法的步骤。
11.一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述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计算机程序时实现所述权利要求1至7任一项中所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243058.XA CN115599260A (zh) | 2022-10-11 | 2022-10-11 | 智能场景的生成方法、装置、***、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243058.XA CN115599260A (zh) | 2022-10-11 | 2022-10-11 | 智能场景的生成方法、装置、***、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115599260A true CN115599260A (zh) | 2023-01-13 |
Family
ID=84847281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211243058.XA Pending CN115599260A (zh) | 2022-10-11 | 2022-10-11 | 智能场景的生成方法、装置、***、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115599260A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117008487A (zh) * | 2023-07-10 | 2023-11-07 | 汉斯(上海)智能家居科技股份有限公司 | 一种基于物联网的智能家居控制***及方法 |
-
2022
- 2022-10-11 CN CN202211243058.XA patent/CN115599260A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117008487A (zh) * | 2023-07-10 | 2023-11-07 | 汉斯(上海)智能家居科技股份有限公司 | 一种基于物联网的智能家居控制***及方法 |
CN117008487B (zh) * | 2023-07-10 | 2024-04-30 | 汉斯(上海)智能家居科技股份有限公司 | 一种基于物联网的智能家居控制***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109818839B (zh) | 应用于智能家居的个性化行为预测方法、装置和*** | |
CN109887242B (zh) | 向用户终端发送告警信息方法、装置、*** | |
CN105953520A (zh) | 智能冰箱控制方法及其控制*** | |
CN108665007B (zh) | 一种基于多分类器的推荐方法、装置及电子设备 | |
CN109491258A (zh) | 一种智能家居***的回归测试*** | |
CN114265325A (zh) | 自学习的智能家居控制方法、终端及计算机可读存储介质 | |
CN115858796A (zh) | 一种故障知识图谱构建方法及装置 | |
CN113722603A (zh) | 对象推送方法、产品推送方法、计算机终端及存储介质 | |
WO2023098002A1 (zh) | 家电设备的控制方法、***、装置、存储介质及电子装置 | |
CN112823492A (zh) | 用于为网络提供端到端解决方案的***、设备和方法 | |
Kim et al. | Design of smart home implementation within IoT natural language interface | |
CN112213976B (zh) | 一种基于大数据的智能家居加湿控制方法及*** | |
CN115599260A (zh) | 智能场景的生成方法、装置、***、存储介质及电子装置 | |
CN111444677A (zh) | 基于大数据的阅读模型优化方法、装置、设备及介质 | |
CN109741108A (zh) | 基于情境感知的流式应用推荐方法、装置和电子设备 | |
CN115047778A (zh) | 智能设备的控制方法和装置、存储介质和电子装置 | |
CN114385287B (zh) | 展示内容确定方法、装置、电子设备及存储介质 | |
CN110376925A (zh) | 一种控制家用电器执行控制指令的方法及装置 | |
CN114493028A (zh) | 预测模型的建立方法和装置、存储介质及电子装置 | |
CN113194155A (zh) | 一种物联网中场景智能推荐的方法及装置 | |
CN112839104A (zh) | 应用于大数据推送服务的反馈处理方法及机器学习服务器 | |
CN113836944A (zh) | 用于智能设备的控制方法、***及其装置、电子设备 | |
CN112839102A (zh) | 应用于大数据画像推送的业务处理方法及机器学习服务器 | |
CN112242909B (zh) | 一种管理模板的生成方法、装置、电子设备及存储介质 | |
CN116756576A (zh) | 数据处理方法、模型训练方法、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |