CN115877726A - 智能家居设备的控制方法、计算机设备及存储介质 - Google Patents
智能家居设备的控制方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115877726A CN115877726A CN202211317139.XA CN202211317139A CN115877726A CN 115877726 A CN115877726 A CN 115877726A CN 202211317139 A CN202211317139 A CN 202211317139A CN 115877726 A CN115877726 A CN 115877726A
- Authority
- CN
- China
- Prior art keywords
- information
- control
- user
- control information
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000007613 environmental effect Effects 0.000 claims description 68
- 239000013598 vector Substances 0.000 claims description 57
- 238000007621 cluster analysis Methods 0.000 claims description 16
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000005406 washing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004887 air purification Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Selective Calling Equipment (AREA)
Abstract
本发明涉及智能家居/智慧家庭技术领域,具体提供一种智能家居设备的控制方法、计算机设备及存储介质,旨在解决提高智能家居设备的控制便捷性与智能性的问题。为此目的,本发明提供的方法包括基于不同用户在不同历史环境信息下对智能家居设备的历史控制信息,预测当前用户在当前环境信息下对智能家居设备的控制信息,输出是否按照预测到的控制信息对智能家居设备进行控制的提示信息,进而根据用户反馈信息,按照预测到的控制信息对智能家居设备进行控制。通过上述方法,能够***出当前用户对智能家居设备的控制意图,并提前提示用户对智能家居设备进行控制,以满足其控制意图,从而显著提高了智能家居设备的控制便捷性与智能性。
Description
技术领域
本发明涉及智能家居/智慧家庭技术领域,具体涉及一种智能家居设备的控制方法、计算机设备及存储介质。
背景技术
目前为了提高对家居设备进行控制的便捷性与智能性,主要是通过语音技术对智能家居设备进行控制,比如根据用户通过语音发出的设备启动指令控制智能家居设备启动。然而,这种方法实际上仅仅是将传统的设备控制指令(比如通过按压物理按键产生的设备控制指令)替换成了语音指令,仍然只能是被动地接收用户发出的设备控制指令,无法真正地提高对家居设备进行控制的便捷性与智能性。
相应地,本领域需要一种新的技术方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决如何提高对智能家居设备进行控制的便捷性与智能性的技术问题的智能家居设备的控制方法、计算机设备及存储介质。
在第一方面,提供一种智能家居设备的控制方法,所述方法包括:
基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息,预测当前用户在当前环境信息下对所述智能家居设备的控制信息;
输出是否按照预测到的控制信息对所述智能家居设备进行控制的提示信息并接收针对所述提示信息的用户反馈信息;
根据所述用户反馈信息,按照预测到的控制信息对所述智能家居设备进行控制。
在上述智能家居设备的控制方法的一个技术方案中,在“基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息,预测当前用户在当前环境信息下对所述智能家居设备的控制信息”的步骤之前,所述方法还包括:
基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息,建立控制信息与环境信息的知识图谱;
采用知识图谱推理算法对所述知识图谱进行训练,以确定控制信息与环境信息的推理模型;
“基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息,预测当前用户在当前环境信息下对所述智能家居设备的控制信息”的步骤具体包括:
采用所述控制信息与环境信息的推理模型预测所述当前用户在所述当前环境信息下对所述智能家居设备的控制信息。
在上述智能家居设备的控制方法的一个技术方案中,“基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息,建立控制信息与环境信息的知识图谱”的步骤具体包括:
基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息以及每个用户的用户属性,建立用户属性、控制信息与环境信息的知识图谱;
“采用知识图谱推理算法对所述知识图谱进行训练,以确定控制信息与环境信息的推理模型”的步骤具体包括采用知识图谱推理算法对所述知识图谱进行训练,以确定用户属性、控制信息与环境信息的推理模型;“采用所述控制信息与环境信息的推理模型预测所述当前用户在所述当前环境信息下对所述智能家居设备的控制信息”的步骤具体包括采用所述用户属性、控制信息与环境信息的推理模型并根据所述当前用户的用户属性,预测所述当前用户在所述当前环境信息下对所述智能家居设备的控制信息;
和/或,
所述知识图谱推理算法至少包括Translating Embedding算法。
在上述智能家居设备的控制方法的一个技术方案中,所述方法还包括通过下列方式分别确定不同用户对所述智能家居设备进行控制时的环境类别、控制类别和用户类别:
获取不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息以及每个用户的用户属性;
分别对所述历史环境信息、所述历史控制信息与所述用户属性进行聚类分析,以分别确定不同用户对所述智能家居设备进行控制时的环境类别、控制类别和用户类别。
在上述智能家居设备的控制方法的一个技术方案中,“分别对所述历史环境信息、所述历史控制信息与所述用户属性进行聚类分析,以分别确定不同用户对所述智能家居设备进行控制时的环境类别、控制类别和用户类别”的步骤具体包括:
基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息以及每个用户的用户属性,建立用户属性、控制信息与环境信息的知识图谱;
对所述用户属性、控制信息与环境信息的知识图谱进行向量化表示,以分别确定所述历史环境信息的环境向量、所述历史控制信息的控制向量和所述用户属性的用户属性向量;
分别对所述环境向量、所述控制向量与所述用户属性向量进行聚类分析,以分别确定不同用户对所述智能家居设备进行控制时的环境类别、控制类别和用户类别。
在上述智能家居设备的控制方法的一个技术方案中,所述历史环境信息与所述当前环境信息均至少包括环境属性信息和时空属性信息。
在上述智能家居设备的控制方法的一个技术方案中,所述环境属性信息至少包括温度和/或湿度和/或光线亮度,所述时空属性信息至少包括时间信息和空间位置信息。
在上述智能家居设备的控制方法的一个技术方案中,所述用户属性至少包括用户的年龄和/或性别。
在第二方面,提供一种计算机设备,该计算机设备包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述智能家居设备的控制方法的技术方案中任一项技术方案所述的智能家居设备的控制方法。
在第三方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述智能家居设备的控制方法的技术方案中任一项技术方案所述的智能家居设备的控制方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
在实施本发明的一个技术方案中,可以基于不同用户在不同历史环境信息下对智能家居设备的历史控制信息,预测当前用户在当前环境信息下对智能家居设备的控制信息,进而根据预测的结果输出是否按照预测到的控制信息对智能家居设备进行控制的提示信息并接收针对提示信息的用户反馈信息,最后根据用户反馈信息,按照预测到的控制信息对智能家居设备进行控制;若用户反馈信息是按照预测到的控制信息进行控制,则按照预测到的控制信息对智能家居设备进行控制;否则,不按照预测到的控制信息对智能家居设备进行控制。
通过上述实施方案,能够***出当前用户对智能家居设备的控制意图,在用户确认可以按照预测到的控制信息进行控制时可以自动地按照预测到的控制信息对智能家居设备进行控制,显著提高了对家居设备进行控制的便捷性与智能性。此外,上述实施方案同时结合了对智能家居设备进行控制时的历史控制信息与历史环境信息进行预测,这相比于仅仅是按照历史控制信息进行预测,可以显著提高预测的准确性。
进一步,在实施本发明的另一个技术方案中,为了进一步提高控制信息预测的准确性与可靠性,可以基于不同用户在不同历史环境信息下对智能家居设备的历史控制信息,建立控制信息与环境信息的知识图谱,进而采用知识图谱推理算法对知识图谱进行训练,以确定控制信息与环境信息的推理模型,最后采用控制信息与环境信息的推理模型预测当前用户在当前环境信息下对智能家居设备的控制信息。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,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是根据本发明实施例的一种智能家居设备方法的硬件环境示意图;
图2是根据本发明的一个实施例的智能家居设备方法的主要步骤流程示意图;
图3是根据本发明的一个实施例的确定控制信息与环境信息的推理模型的方法的主要步骤流程示意图;
图4是根据本发明的一个实施例的三元组向量中头实体向量、尾实体向量和关系向量之间的向量关系示意图;
图5是根据本发明的一个实施例的确定不同用户对智能家居设备进行控制时的环境类别、控制类别和用户类别的方法的主要步骤流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
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“包括”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、方法或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种智能家居设备的控制方法。该智能家居设备的控制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(Intelligence House)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,上述智能家居设备的控制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,用于为服务器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,用于为服务器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。
参阅附图2,图2是根据本发明的一个实施例的智能家居设备的控制方法的主要步骤流程示意图。如图2所示,本发明实施例中的智能家居设备的控制方法主要包括下列步骤S101至步骤S103。
步骤S101:基于不同用户在不同历史环境信息下对智能家居设备的历史控制信息,预测当前用户在当前环境信息下对智能家居设备的控制信息。
控制信息是指对控制智能家居设备执行某个操作或动作的信息。比如,以智能空调为例,如果控制信息是将制冷模式切换成送风模式,那么在这个控制信息的控制下智能空调会将制冷模式切换成送风模式。而历史环境信息是在当前时刻之前用户(包括当前用户和其他用户)对智能家居设备进行控制的控制信息。
环境信息是指在对智能家居设备进行控制时智能家居设备所处环境的环境信息,而历史环境信息是指在当前时刻之前用户(包括当前用户和其他用户)对智能家居设备进行控制时智能家居设备所处环境的环境信息。
环境信息可以包括环境属性信息和时空属性信息等,环境属性信息是指能够表示智能家居设备所处环境的自然环境状态的信息,时空属性信息是指能够表示智能家居设备所处环境的时间和空间的信息。这样在根据环境信息预测当前用户对智能家居设备的控制信息时就可以同时从自然环境状态、时间和空间多个维度进行预测,从而准确得到符合当前用户控制意图的控制信息。
在一些实施方式中环境属性信息至少可以包括环境的温度和/或湿度和/或光线亮度等信息,时空属性信息至少可以包括时间信息和空间位置信息,其中,空间位置信息是指智能家居设备所在的地理位置。具体地,环境的温度、湿度和光线亮度等信息的信息数值可以是温度、湿度和光线亮度等信息的具体数值,也可以是温度、湿度和光线亮度等信息的具体数值所处的数值范围。类似地,时间信息的信息数值可以是时间信息的具体时刻值,也可以是时间信息的具体时刻值所处的时间范围。空间位置信息可以是智能家居设备所在地理位置的具体坐标,也可以是这个具体坐标所处的区域范围。
例如,如果将由0℃至100℃形成的温度范围划分成连续的5个子温度范围,同时按照温度由低至高的顺序,以1、2、3、4和5个温度档位分别表示这5个子温度范围,那么环境属性信息中的温度可以是温度档位。又例如,如果将1年的时间划分成春夏秋冬四个季节,那么时空属性信息中的时间信息可以是季节信息;如果将时间划分成工作日和休息日,那么时空属性信息中的时间信息也可以是工作日或休息日。再例如,如果以省为行政区域单位对一个国家进行行政区域划分,那么空间位置信息可以是智能家居设备所在地理位置对应的省份。
在本发明实施例中针对每种环境信息,可以选取大部分用户在环境信息下对智能家居设备的历史控制信息作为在这个环境信息下对智能家居设备的候选控制信息,这样就可以得到在每种环境信息对智能家居设备的候选控制信息。当需要预测当前用户在当前环境信息下对智能家居设备的控制信息时,就可以根据当前环境信息对候选控制信息进行匹配,将匹配到的候选控制信息作为预测到的控制信息。
步骤S102:输出是否按照预测到的控制信息对智能家居设备进行控制的提示信息并接收针对提示信息的用户反馈信息。
提示信息至少可以包括语音提示信息和/或图像提示信息和/或文字提示信息等。在本发明实施例中本领域技术人员可以根据实际需求灵活设置提示信息的类型,只要能够通过这个提示信息提醒用户是否按照预测到的控制信息对智能家居设备进行控制即可。
用户反馈信息包含是否要按照提示信息中指定的控制信息对智能家居设备进行控制的内容。例如,用户反馈信息可以是“不执行”,即不按照提示信息中指定的控制信息对智能家居设备进行控制;用户反馈信息也可以是“执行”,即按照提示信息中指定的控制信息对智能家居设备进行控制。此外,用户反馈信息的信息类型可以语音、图像和文字等,即用户可以通过输入语音、图像和文字的方式来确认是否要按照提示信息中指定的控制信息对智能家居设备进行控制。
步骤S103:根据用户反馈信息,按照预测到的控制信息对智能家居设备进行控制。
具体地,若用户反馈信息是确认可以按照预测到的控制信息对智能家居设备进行控制,则按照预测到的控制信息对智能家居设备进行控制;若用户反馈信息是不按照预测到的控制信息对智能家居设备进行控制,则就会不按照预测到的控制信息对智能家居设备进行控制。
基于上述步骤S101至步骤S103所述的方法,能够***出当前用户对智能家居设备的控制意图,在用户确认可以按照预测到的控制信息进行控制时可以自动地按照预测到的控制信息对智能家居设备进行控制,显著提高了对家居设备进行控制的便捷性与智能性。此外,上述方法同时结合了对智能家居设备进行控制时的历史控制信息与历史环境信息进行预测,相比于仅仅是按照历史控制信息进行预测,可以显著提高预测的准确性。
下面对上述方法实施例中的步骤S101作进一步说明。
在上述步骤S101的一些实施方式中,可以采用知识图谱(Knowledge Graph)推理的方法来预测当前用户在当前环境信息下对智能家居设备的控制信息,以便能够进一步提高控制信息的预测准确性。具体而言,参阅附图3,在本实施方式中可以先通过下列步骤S1001至步骤S1002来建立并训练一个控制信息与环境信息的推理模型,进而在执行步骤S101时可以采用这个控制信息与环境信息的推理模型预测当前用户在当前环境信息下对智能家居设备的控制信息。
步骤S1001:基于不同用户在不同历史环境信息下对智能家居设备的历史控制信息,建立控制信息与环境信息的知识图谱。
具体地,首先确定由用户信息、环境信息和控制信息组成的三元组数据,即(用户信息,环境信息,控制信息)。其中,用户信息至少可以包括能够表明当前用户具体是哪个用户的身份信息,比如用户的ID编号或手机号等。在确定出三元组数据后,可以根据这些三元组数据来建立控制信息与环境信息的知识图谱。在本实施方式中可以采用知识图谱技术领域中常规的知识图谱建立方法,根据上述三元组数据建立控制信息与环境信息的知识图谱,本实施方式不对建立上述知识图谱的具体方法进行赘述。
步骤S1002:采用知识图谱推理算法对知识图谱进行训练,以确定控制信息与环境信息的推理模型。
由于知识图谱是根据不同用户在不同历史环境信息下对智能家居设备的历史控制信息建立的,而这些信息又能够真实地表明用户在不用环境信息下对智能家居设备的控制意图,因而,采用知识图谱训练得到的控制信息与环境信息的推理模型,能够准确地学习到控制信息与环境信息之间的推理关系,从而能够在不同的环境信息下准确地推理出应该采用哪种控制信息对智能家居设备进行控制。
在本实施方式中可以采用知识图谱技术领域中常规的知识图谱推理算法,对知识图谱进行训练,以确定控制信息与环境信息的推理模型。在一些优选实施方式中,可以采用知识图谱推理算法中的TransE算法对知识图谱进行训练,以确定控制信息与环境信息的推理模型。具体地,基于TransE算法可以将知识图谱中的用户信息、环境信息和控制信息分别转换成向量信息,即用户向量、环境向量和控制向量。根据这些向量信息建立三元组向量(h,r,t),其中,h和t分别表示三元组向量的头实体向量和尾实体向量,r表示头实体向量与尾实体向量之间的关系向量,此外,h和t分别是环境向量,r是控制向量。最后,以h+r=t的向量关系为目标对进行模型训练,得到控制信息与环境信息的推理模型。其中,h+r=t的向量关系可以如图4所示,即向量h与向量r的向量和等于向量t。
基于上述步骤S1001至步骤S1002所述的方法,可以使控制信息与环境信息的推理模型学习到准确的控制信息与环境信息之间的推理关系,这样在需要预测当前用户在当前环境信息下对智能家居设备的控制信息时,可以将当前环境信息输入到控制信息与环境信息的推理模型中,从而便捷且准确地得到智能家居设备的控制信息。
以上是对上述步骤S101的一个实施方式的具体说明,下面继续对上述步骤S101的另一个实施方式进行说明。
在上述步骤S101的另一个实施方式中,同样可以采用知识图谱推理的方法来预测当前用户在当前环境信息下对智能家居设备的控制信息,以便能够进一步提高控制信息的预测准确性。但与前述步骤S1001至步骤S1002所述的实施方式的主要区别是,在建立知识图谱时不仅考虑了控制信息和环境信息,还考虑了用户的用户属性,即同时根据用户属性、控制信息和环境信息来建立知识图谱,根据这种考虑了用户属性的知识图谱训练得到推理模型。具体而言,在本实施方式中可以通过下列步骤S1003至步骤S1004来建立并训练一个控制信息与环境信息的推理模型,进而在执行步骤S101时可以采用这个控制信息与环境信息的推理模型预测当前用户在当前环境信息下对智能家居设备的控制信息。
步骤S1003:基于不同用户在不同历史环境信息下对智能家居设备的历史控制信息以及每个用户的用户属性,建立用户属性、控制信息与环境信息的知识图谱。
用户属性是指能够表示用户的生理信息和/或社会信息的信息。其中,表示用户的生理信息的用户属性至少可以包括用户的年龄和/或性别。表示用户的社会信息的用户属性至少可以包括用户的职业和/或地址。这样在根据用户属性和环境信息预测当前用户对智能家居设备的控制信息时就可以同时从用户的生理信息和/或社会信息,以及自然环境状态、时间和空间多个维度进行预测,得到更加符合当前用户控制意图的控制信息。
在本实施方式中建立用户属性、控制信息与环境信息的知识图谱的方法与前述实施方式中步骤S1001所述的建立控制信息与环境信息的知识图谱的方法类似,在此不再进行赘述。
步骤S1004:采用知识图谱推理算法对知识图谱进行训练,以确定用户属性、控制信息与环境信息的推理模型。
在本实施方式中采用知识图谱推理算法对知识图谱进行训练,以确定用户属性、控制信息与环境信息的推理模型的方法,与前述实施方式中步骤S1012所述的方法类似,在此不再进行赘述。
基于上述步骤S1003至步骤S1004所述的方法,可以使用户属性、控制信息与环境信息的推理模型学习到准确的用户属性、控制信息与环境信息之间的推理关系,因而,在需要预测当前用户在当前环境信息下对智能家居设备的控制信息时,可以将当前用户的用户属性和当前环境信息输入到用户属性、控制信息与环境信息的推理模型中,通过这个推理模型同时从环境信息和用户属性两个方面进行预测,准确得到符合当前用户控制意图的控制信息。
以上是对步骤S101的另一个实施方式的具体说明。
下面结合附图5,对本发明提供的另一个智能家居设备的控制方法的实施例进行说明。在本发明实施例中,智能家居设备的控制方法除了可以包括前述方法实施例所述的步骤S101至步骤S103以外,还可以通过图5所示的步骤S201至步骤S202确定不同用户对智能家居设备进行控制时的环境类别、控制类别和用户类别,以便于可以根据环境类别、控制类别和用户类别对智能家居设备的控制方式和/或营销方式进行改进。
步骤S201:获取不同用户在不同历史环境信息下对智能家居设备的历史控制信息以及每个用户的用户属性。
用户属性是指能够表示用户的生理信息和/或社会信息的信息。其中,表示用户的生理信息的用户属性至少可以包括用户的年龄和/或性别。表示用户的社会信息的用户属性至少可以包括用户的职业和/或地址。
步骤S202:分别对历史环境信息、历史控制信息与用户属性进行聚类分析,以分别确定不同用户对智能家居设备进行控制时的环境类别、控制类别和用户类别。
通过对历史环境信息进行聚类分析,可以将相似的历史环境信息划分成一类。比如,以对智能空调进行控制时的历史环境信息为例,可以将历史环境信息划分成夏季高温和冬季低温等类别。
通过对历史控制信息进行聚类分析,可以将相似的历史控制信息划分成一类。比如,以智能洗衣机和智能晾衣架为例,每次对智能洗衣机和智能晾衣架进行控制时的时间都比较接近,因而可以确定智能洗衣机和智能晾衣架通常会同时启动,因此可以将智能洗衣机和智能晾衣架划分成联动控制类别。以智能影音为例,每次对智能影音进行控制时的时间与其他智能家居设备的控制时间都不接近,因而可以确定智能影音通常会单独启动,因此可以将智能影音划分成单独控制类别。
通过对用户属性进行聚类分析,可以将相似的用户属性划分成一类。具体地,如果用户属性包括用户的年龄、性别和职业等多种属性,可以将多种属性都相似的划分成一类。
在本发明实施例中可以采用数据处理技术领域中常规的数据聚类方法分别对历史环境信息、历史控制信息与用户属性进行聚类分析,从而分别确定出环境类别、控制类别和用户类别。
基于上述步骤S201至步骤S202所述的方法,在确定出每种智能家居设备的控制类别后,可以根据控制类别对智能家居设备的控制方式进行改进。比如,以智能洗衣机为例,在通过前述方法实施例所述的步骤S101预测出当前用户在当前环境信息下对智能洗衣机的控制信息是启动指令后,在执行步骤S102时不仅可以输出是否启动智能洗衣机的提示信息,还可以输出是否启动智能晾衣架的提示信息,从而进一步提高了智能晾衣架的控制便捷性与智能性。而在确定出环境类别后,可以根据包含空间位置信息的环境类别,对智能家居设备的营销方式进行改进。比如,同样以智能洗衣机为例,如果包含空间位置信息的环境类别中的空间位置信息主要分布在区域A和区域B,那么就表明智能洗衣机的客户群体主要分布在区域A和区域B,此时就可以在区域A和区域B加强对智能洗衣机的营销。类似地,在确定出用户类别后,也可以根据用户类别对智能家居设备的营销方式进行改进。
下面对上述步骤S202作进一步说明。
在上述步骤S202的一些实施方式中,为了提高对历史环境信息、历史控制信息与用户属性进行聚类分析的准确性,可以通过下列步骤S2021至步骤S2023分别对历史环境信息、历史控制信息与用户属性进行聚类分析,以分别确定不同用户对智能家居设备进行控制时的环境类别、控制类别和用户类别。
步骤S2021:基于不同用户在不同历史环境信息下对智能家居设备的历史控制信息以及每个用户的用户属性,建立用户属性、控制信息与环境信息的知识图谱。
建立用户属性、控制信息与环境信息的知识图谱的方法与前述方法实施例中步骤11所述的方法相同,在此不再进行赘述。
步骤S2022:对用户属性、控制信息与环境信息的知识图谱进行向量化表示,以分别确定历史环境信息的环境向量、历史控制信息的控制向量和用户属性的用户属性向量。
在本实施方式中可以采用知识图谱技术领域中常规的向量化表示方法分别对用户属性、控制信息与环境信息的知识图谱进行向量化表示,以分别确定历史环境信息的环境向量、历史控制信息的控制向量和用户属性的用户属性向量。在一些优选实施方式中,如果在确定用户属性、控制信息与环境信息的推理模型时是采用TransE算法训练得到的推理模型,由于已经通过TransE算法将知识图谱中的用户信息、环境信息和控制信息分别转换成了向量信息,此时就无需再次对用户属性、控制信息与环境信息的知识图谱进行向量化表示,直接将通过TransE算法得到的用户向量、环境向量和控制向量分别作为用户属性的用户属性向量、历史环境信息的环境向量和历史控制信息的控制向量。
步骤S2023:分别对环境向量、控制向量与用户属性向量进行聚类分析,以分别确定不同用户对智能家居设备进行控制时的环境类别、控制类别和用户类别。
在本发明实施例中可以采用数据处理技术领域中常规的数据聚类方法分别对环境向量、控制向量与用户属性向量进行聚类分析,从而分别确定出环境类别、控制类别和用户类别。比如,采用基于欧式距离(Euclidean distance)的聚类方法。
相比于直接对用户属性、控制信息与环境信息进行聚类分析,基于上述步骤S2021至步骤S2023所述的方法对向量化表示的用户属性、控制信息与环境信息进行聚类分析,可以显著提高聚类分析的效率与准确性。
以上是对步骤S202的具体说明。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
本领域技术人员能够理解的是,本发明实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种计算机设备。
在根据本发明的一个计算机设备的实施例中,计算机设备包括处理器和存储装置,存储装置可以被配置成存储执行上述方法实施例的智能家居设备的控制方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的智能家居设备的控制方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机设备可以是包括各种电子设备形成的控制装置设备。
进一步,本发明还提供了一种计算机设备。
在根据本发明的一个计算机设备的实施例中,计算机设备包括处理器和存储装置,存储装置可以被配置成存储执行上述方法实施例的智能家居设备的控制方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的智能家居设备的控制方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机设备可以是包括各种电子设备形成的控制装置设备。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种智能家居设备的控制方法,其特征在于,所述方法包括:
基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息,预测当前用户在当前环境信息下对所述智能家居设备的控制信息;
输出是否按照预测到的控制信息对所述智能家居设备进行控制的提示信息并接收针对所述提示信息的用户反馈信息;
根据所述用户反馈信息,按照预测到的控制信息对所述智能家居设备进行控制。
2.根据权利要求1所述的智能家居设备的控制方法,其特征在于,在“基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息,预测当前用户在当前环境信息下对所述智能家居设备的控制信息”的步骤之前,所述方法还包括:
基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息,建立控制信息与环境信息的知识图谱;
采用知识图谱推理算法对所述知识图谱进行训练,以确定控制信息与环境信息的推理模型;
“基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息,预测当前用户在当前环境信息下对所述智能家居设备的控制信息”的步骤具体包括:
采用所述控制信息与环境信息的推理模型预测所述当前用户在所述当前环境信息下对所述智能家居设备的控制信息。
3.根据权利要求2所述的智能家居设备的控制方法,其特征在于,“基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息,建立控制信息与环境信息的知识图谱”的步骤具体包括:
基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息以及每个用户的用户属性,建立用户属性、控制信息与环境信息的知识图谱;
“采用知识图谱推理算法对所述知识图谱进行训练,以确定控制信息与环境信息的推理模型”的步骤具体包括采用知识图谱推理算法对所述知识图谱进行训练,以确定用户属性、控制信息与环境信息的推理模型;
“采用所述控制信息与环境信息的推理模型预测所述当前用户在所述当前环境信息下对所述智能家居设备的控制信息”的步骤具体包括采用所述用户属性、控制信息与环境信息的推理模型并根据所述当前用户的用户属性,预测所述当前用户在所述当前环境信息下对所述智能家居设备的控制信息;
和/或,
所述知识图谱推理算法至少包括Translating Embedding算法。
4.根据权利要求1所述的智能家居设备的控制方法,其特征在于,所述方法还包括通过下列方式分别确定不同用户对所述智能家居设备进行控制时的环境类别、控制类别和用户类别:
获取不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息以及每个用户的用户属性;
分别对所述历史环境信息、所述历史控制信息与所述用户属性进行聚类分析,以分别确定不同用户对所述智能家居设备进行控制时的环境类别、控制类别和用户类别。
5.根据权利要求4所述的智能家居设备的控制方法,其特征在于,“分别对所述历史环境信息、所述历史控制信息与所述用户属性进行聚类分析,以分别确定不同用户对所述智能家居设备进行控制时的环境类别、控制类别和用户类别”的步骤具体包括:
基于不同用户在不同历史环境信息下对所述智能家居设备的历史控制信息以及每个用户的用户属性,建立用户属性、控制信息与环境信息的知识图谱;
对所述用户属性、控制信息与环境信息的知识图谱进行向量化表示,以分别确定所述历史环境信息的环境向量、所述历史控制信息的控制向量和所述用户属性的用户属性向量;
分别对所述环境向量、所述控制向量与所述用户属性向量进行聚类分析,以分别确定不同用户对所述智能家居设备进行控制时的环境类别、控制类别和用户类别。
6.根据权利要求1至5中任一项所述的智能家居设备的控制方法,其特征在于,所述历史环境信息与所述当前环境信息均至少包括环境属性信息和时空属性信息。
7.根据权利要求6所述的智能家居设备的控制方法,其特征在于,所述环境属性信息至少包括温度和/或湿度和/或光线亮度,所述时空属性信息至少包括时间信息和空间位置信息。
8.根据权利要求3至5中任一项所述的智能家居设备的控制方法,其特征在于,所述用户属性至少包括用户的年龄和/或性别。
9.一种计算机设备,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至8中任一项所述的智能家居设备的控制方法。
10.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的智能家居设备的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211317139.XA CN115877726A (zh) | 2022-10-26 | 2022-10-26 | 智能家居设备的控制方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211317139.XA CN115877726A (zh) | 2022-10-26 | 2022-10-26 | 智能家居设备的控制方法、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115877726A true CN115877726A (zh) | 2023-03-31 |
Family
ID=85758982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211317139.XA Pending CN115877726A (zh) | 2022-10-26 | 2022-10-26 | 智能家居设备的控制方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115877726A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708680A (zh) * | 2024-02-06 | 2024-03-15 | 青岛海尔科技有限公司 | 一种用于提升分类模型准确度的方法及装置、存储介质、电子装置 |
CN117706954A (zh) * | 2024-02-06 | 2024-03-15 | 青岛海尔科技有限公司 | 一种用于场景生成的方法及装置、存储介质、电子装置 |
-
2022
- 2022-10-26 CN CN202211317139.XA patent/CN115877726A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708680A (zh) * | 2024-02-06 | 2024-03-15 | 青岛海尔科技有限公司 | 一种用于提升分类模型准确度的方法及装置、存储介质、电子装置 |
CN117706954A (zh) * | 2024-02-06 | 2024-03-15 | 青岛海尔科技有限公司 | 一种用于场景生成的方法及装置、存储介质、电子装置 |
CN117706954B (zh) * | 2024-02-06 | 2024-05-24 | 青岛海尔科技有限公司 | 一种用于场景生成的方法及装置、存储介质、电子装置 |
CN117708680B (zh) * | 2024-02-06 | 2024-06-21 | 青岛海尔科技有限公司 | 一种用于提升分类模型准确度的方法及装置、存储介质、电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
CN115877726A (zh) | 智能家居设备的控制方法、计算机设备及存储介质 | |
CN111723292B (zh) | 基于图神经网络的推荐方法、***、电子设备及存储介质 | |
CN107967358A (zh) | 目标地点的推荐方法、装置、存储介质及移动终端 | |
CN111274501B (zh) | 推送信息的方法、***和非暂时性存储介质 | |
CN111708948A (zh) | 内容项推荐方法、装置、服务器及计算机可读存储介质 | |
CN114676689A (zh) | 语句文本的识别方法和装置、存储介质及电子装置 | |
CN114755931A (zh) | 控制指令的预测方法和装置、存储介质及电子装置 | |
CN115358395A (zh) | 知识图谱的更新方法和装置、存储介质及电子装置 | |
CN115047778A (zh) | 智能设备的控制方法和装置、存储介质和电子装置 | |
CN112070542A (zh) | 信息转化率预测方法、装置、设备及可读存储介质 | |
CN109903075B (zh) | 基于dnn的回归分布模型及其训练方法、电子设备 | |
CN114697150A (zh) | 命令的下发方法和装置、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 | |
CN117575008A (zh) | 训练样本生成方法、模型训练方法、知识问答方法及设备 | |
CN114915514B (zh) | 意图的处理方法和装置、存储介质及电子装置 | |
CN114925158A (zh) | 语句文本的意图识别方法和装置、存储介质及电子装置 | |
CN114861678A (zh) | 时间信息的确定方法和装置、存储介质及电子装置 | |
CN113703337A (zh) | 一种基于物联网的家电设备控制方法、***及存储介质 | |
CN113822429A (zh) | 针对推荐***的解释方法、装置、设备及可读存储介质 | |
CN114048377B (zh) | 题目推荐方法、装置、电子设备及存储介质 | |
CN113254811B (zh) | 一种基于大数据的兴趣地点推荐方法、***及存储介质 | |
CN117706954B (zh) | 一种用于场景生成的方法及装置、存储介质、电子装置 | |
CN116798052B (zh) | 文本识别模型的训练方法和装置、存储介质及电子设备 | |
CN112163709B (zh) | 用电提示方法和装置、存储介质、电子装置 |
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 |