CN111814812B - 建模方法、装置、存储介质、电子设备及场景识别方法 - Google Patents

Abstract

本申请实施例公开了一种建模方法、装置、存储介质、电子设备及场景识别方法。方法包括：获取多个维度的数据；从多个维度的数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；构建多个参数本体与预设场景类别之间的第二关系；根据多个参数本体、预设场景类别、第一关系及第二关系进行模型训练，得到用于识别场景类别的场景识别模型。本方案能够全面地利用多维度信息，使得最终构建出的场景类别具有较强的鲁棒性和较高的准确度；与此同时，通过知识图谱技术构建的个性化全景视图识别模型，能够使得最终识别出的场景类别较好地反映出用户的偏好，使得最终识别的场景类别更个性化，有助于为用户提供更为个性化的智能服务。

Description

建模方法、装置、存储介质、电子设备及场景识别方法

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、电子设备及场景识别方法。

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、电子设备及场景识别方法，可以提高对分屏应用程序进行切换的效率。

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：设备所处的环境数据、设备运行数据、用户行为数据、以及用户画像数据；

从所述多个维度的数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；

构建所述多个参数本体与预设场景类别之间的第二关系；

根据所述多个参数本体、所述预设场景类别、第一关系及第二关系进行模型训练，得到用于识别场景类别的场景识别模型。

第二方面，本申请实施例还提供了一种场景识别方法，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识别模型对所述多个维度的数据进行处理，以识别当前场景类别，其中所述场景识别模型根据不同场景下多个维度的数据中的参考本体、各参数本体相互之间的第一关系、预设场景类别和多个参数本体与预设场景类别之间的第二关系，进行模型训练得到。

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：设备所处的环境数据、设备运行数据、用户行为数据、以及用户画像数据；

第一构建模块，用于从所述多个维度的数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；

第二构建模块，用于构建所述多个参数本体与预设场景类别之间的第二关系；

处理模块，用于根据所述多个参数本体、所述预设场景类别、第一关系及第二关系进行模型训练，得到用于识别场景类别的场景识别模型。

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或场景识别方法的步骤。

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或场景识别方法的步骤。

本申请实施例提供的建模方法，通过获取多个维度的数据；从多个维度的数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；构建多个参数本体与预设场景类别之间的第二关系；根据多个参数本体、预设场景类别、第一关系及第二关系进行模型训练，得到用于识别场景类别的场景识别模型。本方案能够全面地利用多维度信息，使得最终构建出的场景类别具有较强的鲁棒性和较高的准确度；与此同时，通过知识图谱技术构建的个性化全景视图识别模型，能够使得最终识别出的场景类别较好地反映出用户的偏好，使得最终识别的场景类别更个性化，有助于为用户提供更为个性化的智能服务。

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系统智能优化，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：设备所处的环境数据、设备运行数据、用户行为数据、以及用户画像数据。

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参数的数据信息。

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、声音等。设备运行数据为电子设备内部的运行数据，如中央处理器(CentralProcessing Unit，简称CPU)运行信息、电量信息、内存信息等。用户行为数据可以是用于描述用户行为习惯的数据，如音乐偏好习惯、应用使用习惯、屏幕操作习惯等等。用户画像数据，可以是用户画像基本数据，如性别、年龄、学历等。

在本申请实施例中，多个维度的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、社会情境数据等等。

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参数本体，并构建各参数本体相互之间的第一关系。

其中，参数本体是指具有实际含义的物质、及具有物理意义的概念等。

对于环境数据：环境就是一种本体，如温度、湿度、光照也可以是本体。另外，温度、湿度、光照又可以当做是环境的属性，因为可以用来刻画环境的某一个方面特性。如温度又可以包含一些属性，针对温度而言，有华氏度和摄氏度两种。

对于设备运行数据，本体主要针对设备内部的数据，如CPU、电量、时间等。另外，也可以通过传感器获得的数据，如光照、温度等。

对于用户行为数据：如歌曲、游戏、应用、新闻等可作为本体。而歌曲的属性常规的有类型、演唱者、时长等；游戏的属性常规的有类型、开发者、大小等；应用的属性可以有功能、开发者、大小、版本号等；新闻的属性有类别、字数、作者等。

对于用户画像数据：用户、地点、学历等可作为本体，而地点和学历也是用户的属性。则用户的主要属性有地点、学历、性别、爱好、年龄等；地点的属性有出身地、工作单位地址、住址等；学历的属性有学校、毕业时间、学历层次等。

实际应用中，抽取参数本体构建参数本体之间关系的方式可以有多种。在一些实施例中，可以根据已有的本体关系构建方式执行步骤“从所述全景数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系”，可以包括以下流程：

采用知识图谱技术从所述全景数据中抽取多个参数本体；

采用知识推理技术推断各参数本体之间的第一关系。

其中，知识图谱(Knowledge Graph)又称为科学知识图谱，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。

而知识推理技术主要解决在推理过程中前提与结论之间的逻辑关系，以及在非精确性推理中不确定性的传递问题。按照分类标准的不同，推理方法主要有以下三种分类方式：

从方式上分，可分为演绎推理和归纳推理；

从确定性上分，可分为精确推理和不精确推理；

从单调性上分，可分为单调推理和非单调推理。

本申请实施例中，采用知识推理技术推断各参数本体之间的关系的方式可以有多种。例如，可以通过本领域技术人员标记的方式认为标定两个参数本体之间的关系。

另外，还可以为基于特征向量的本体关系推断方式。也即，在一些实施例中，步骤“采用知识推理技术推断各参数本体之间的第一关系”，可以包括以下流程：

构建所述多个参数本体之间的二元组集合；

针对每个二元组集合构建一特征向量；

对所述特征向量进行分类处理，以确定所述二元组集合中两元素之间的第一关系。

具体实施时，可以构建一系列的参数本体之间的二元组集合。以用户画像数据为例，如包含的本体有用户、地点、学历，那么可以构建三个二元组出来，即{用户，地点}、{用户、学历}和{地点、学历}。

首先，针对每个二元组构建一个特征向量，该特征向量的构建方法可以是从大量的文本预料库中收集来的，主要用到自然语言处理的一些技术。接着，可以采用贝叶斯模型、深度神经网络等分类算法，对该特征向量进行分类。假设有两种关系类别：“平级”和“属于”，“平级”表示两者之间关系是对等、并列的，“属于”表示两者之间是隶属于的关系。那么从{用户，地点}、{用户、学历}和{地点、学历}这三个二元组来看，{用户，地点}的类别为“属于”，即地点属于用户一方面；{用户、学历}关系也是“属于”；而{地点、学历}这个是属于“平级”关系，因为两者是对等、并列的，不是从属关系。

130，构建多个参数本体与预设场景类别之间的第二关系。

具体的，可以收集大量的本体与类别的数据，并预先建立样本本体与样本类别之间的映射关系。然后，基于该映射关系，为每一参数本体匹配对应的对应的预设场景类别，并构建两者之间的关系。

140，根据对多个参数本体、预设场景类别、第一关系及第二关系进行模型训练，得到用于识别场景类别的场景识别模型。

在一些实施例中，该场景识别模型也可称为全景视图识别模型，适用于场景较为复杂、涉及数据维度较多的场景。

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。

在一些实施例中，还可以在上述场景识别模型中增加参数本体的属性，以了进一步丰富该场景识别模型。也即，在采用预设算法模型对所述多个参数本体、预设场景类别、第一关系及第二关系进行处理，以得到场景识别模型之前，还可以包括以下流程：

150，从多个维度的数据中抽取多个参数本体的属性；

160，构建属性与所属参数本体之间的第三关系。

其中，该属性为可以用于刻画参数本体的数据。例如，针对设备运行数据，所抽取的属性主要指代本地的属性，如CPU的核数、运行频率等。需要说明的是，上述属性与所属参数本体之间的第三关系为从属关系。

则继续参考图3，步骤“采用预设算法模型对多个参数本体、预设场景类别、第一关系及第二关系进行处理，得到用于识别场景类别的场景识别模型”，可以包括：

141，采用预设算法模型对多个参数本体、预设场景类别、属性、第一关系、第二关系及第三关系进行处理，得到用于识别场景类别的场景识别模型。

其中，该预设算法模型可以为随机游走模型。

具体的，在构建得到第一关系、第二关系及第三关系后，通过该随机游走模型对多个参数本体预设场景类别、第一关系及第二关系进行训练，从而得到参数本体之间、参数本体与场景类别之间、及场景类别与场景类别之间的关系网络，从而得到用于识别场景类别的场景识别模型。

实际应用中，参数本体之间的关系以及参数本体所拥有的属性，相当于一张关系图，节点就是参数本体和属性，边就是节点之间的关系。

在一些实施例中，可以人为标记部分场景类别和参数本体之间的关系，比如，办公类别的场景所用到的参数本体主要是办公室、办公类应用、光照等。

接下来将参数本体、属性、场景类别，以及所构建的关系联合起来，相当于有了一个更大的关系图，即图上的节点增加了场景类别，边增加了场景类别和本体之间的关系，从而丰富全景视图识别模型。

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4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“采用预设算法模型对多个参数本体、预设场景类别、属性、第一关系、第二关系及第三关系进行处理，得到用于识别场景类别的场景识别模型”，可以包括以下流程：

1411，按照预设规则，将多个参数本体、预设场景类别、属性、第一关系、第二关系及第三关系矩阵化处理，得到信息矩阵；

1412，采用预设算法模型对信息矩阵进行处理，得到用于识别场景类别的场景识别模型。

在一些实施例中，步骤“按照预设规则，将所述多个参数本体、预设场景类别、属性、第一关系、第二关系及第三关系矩阵化处理，得到信息矩阵”，可以包括以下流程：

将所述场景类别设置为矩阵的行，将参数本体及其属性设置为矩阵的列，将所述第一关系、第二关系、第三关系设置为矩阵的元素；或者，

将所述参数本体及其属性设置为矩阵的行，将所述场景类别设置为矩阵的列，将所述第一关系、第二关系、第三关系设置为矩阵的元素。

具体的，可将上述获取的关系图形式化为一个矩阵，矩阵的行为场景类别，矩阵的列为参数本体和属性，矩阵的元素为边的类型；或者，矩阵的行为参数本体和属性，矩阵的列为场景类别，矩阵的元素为边的类型。

具体的，可以采用随机游走模型对矩阵的元素进行学习和调整。基于上述获得的矩阵中存在大量的元素为0，即场景类别和矩阵的本体或属性之间不存在边，因此随机游走模型可采用随机梯度下降的学习方法会对矩阵中的元素进行学习和调整，直到收敛为止，以得到收敛后的矩阵。也即，在一些实施例中，步骤“采用预设算法模型对信息矩阵进行处理，以得到全景视图识别模型”，可以包括以下流程：

通过所述预设算法模型采用随机梯度下降的学习方法，对所述矩阵的元素进行迭代处理直至收敛，以得到用于识别场景类别的场景识别模型。

具体的，随机游走通过对一个关系图上节点之间边的关系进行迭代和学习，最终获得一个更为准确、衡量关系更为全面的新图。在获得的收敛后的矩阵，相当于是重新学习和构建了场景类别和参数本体或属性之间的关系。此时该收敛后的矩阵，可以认为是一种新的个性化的全景视图。

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，通过获取全景数据，所述全景数据至少包括：设备所处的环境数据、设备运行数据、用户行为数据、以及用户画像数据；从所述全景数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；构建所述多个参数本体与预设场景类别之间的第二关系；采用预设算法模型对所述多个参数本体、预设场景类别、第一关系及第二关系进行处理，以得到可识别场景类别的全景视图识别模型。本方案能够全面地利用多维度信息，使得最终构建出的场景类别具有较强的鲁棒性和较高的准确度。与此同时，通过知识图谱技术构建的个性化全景视图识别模型，能够使得最终识别出的场景类别较好地反映出用户的偏好，使得最终识别的场景类别更个性化，有助于为用户提供更为个性化的智能服务。

本申请实施例还提供一种场景识别方法，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识别模型对所述多个维度的数据进行处理，以识别当前场景类别，其中所述场景识别模型根据不同场景下多个维度的数据中的参考本体、各参数本体相互之间的第一关系、预设场景类别和多个参数本体与预设场景类别之间的第二关系，进行模型训练得到

在实际应用中，基于本申请实施例所提供的建模方法，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、用户行为数据、以及用户画像数据等。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多个参数本体，并构建各参数本体相互之间的第一关系、及多个参数本体与预设场景类别之间的第二关系等特征。情景建模层基于来自于特征抽取层的特征进行建模，利用得到的特征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识别模型。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、第一构建模块202、第二构建模块203、处理模块204，其中：

获取模块201，用于获取多个维度的数据，多个维度的至少包括：设备所处的环境数据、设备运行数据、用户行为数据、以及用户画像数据；

第一构建模块202，用于从多个维度的数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；

第二构建模块203，用于构建所述多个参数本体与预设场景类别之间的第二关系；

处理模块204，用于根据多个参数本体、预设场景类别、第一关系及第二关系进行模型训练，以得到用于识别场景类别的场景识别模型。

在一些实施例中，所述建模装置200，还可以包括：

第三构建模块，用于用于在根据多个参数本体、预设场景类别、第一关系及第二关系进行模型训练，得到用于识别场景类别的场景识别模型之前，从所述多个维度的数据中抽取多个参数本体的属性，并构建所述属性与所属参数本体之间的第三关系；

所述处理模块204，可以用于采用预设算法模型对所述多个参数本体、预设场景类别、属性、第一关系、第二关系及第三关系进行处理，以得到用于识别场景类别的场景识别模型。

在一些实施例中，所述处理模块205可以包括：

第一处理子模块，用于按照预设规则，将多个参数本体、预设场景类别、属性、第一关系、第二关系及第三关系矩阵化处理，得到信息矩阵；

第二处理子模块，用于采用预设算法模型对所述信息矩阵进行处理，以得到用于识别场景类别的场景识别模型。

在一些实施例中，所述第一处理子模块可以用于：

将所述场景类别设置为矩阵的行，将所述参数本体及其属性设置为矩阵的列，将所述第一关系、第二关系、第三关系设置为矩阵的元素；或者，

将所述参数本体及其属性设置为矩阵的行，将所述场景类别设置为矩阵的列，将所述第一关系、第二关系、第三关系设置为矩阵的元素。

在一些实施例中，所述第二处理子模块可以用于：

通过所述预设算法模型采用随机梯度下降的学习方法，对所述矩阵的元素进行迭代处理直至收敛，以得到用于识别场景类别的场景识别模型。

在一些实施例中，第一构建模块202可以用于：采用知识图谱技术从所述多个维度的数据中抽取多个参数本体；采用知识推理技术推断各参数本体之间的第一关系。

在一些实施例中，在采用知识推理技术推断各参数本体之间的第一关系时，第一构建模块202进一步可以用于：

构建多个参数本体之间的二元组集合；针对每个二元组集合构建一特征向量；对特征向量进行分类处理，以确定二元组集合中两元素之间的第一关系。

由上可知，本申请实施例提供的建模装置200，获取多个维度的数据；从多个维度的数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；构建多个参数本体与预设场景类别之间的第二关系；根据多个参数本体、预设场景类别、第一关系及第二关系进行处理模型训练，得到用于识别场景类别的场景识别模型。本方案能够全面地利用多维度信息，使得最终构建出的场景类别具有较强的鲁棒性和较高的准确度。与此同时，通过知识图谱技术构建的个性化全景视图识别模型，能够使得最终识别出的场景类别较好地反映出用户的偏好，使得最终识别的场景类别更个性化，有助于为用户提供更为个性化的智能服务。

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：设备所处的环境数据、设备运行数据、用户行为数据、以及用户画像数据；

从所述多个维度的数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；

构建多个参数本体与预设场景类别之间的第二关系；

根据多个参数本体、预设场景类别、第一关系及第二关系进行模型训练，得到用于识别场景类别的场景识别模型。

在一些实施例中，在采在根据所述多个参数本体、预设场景类别、第一关系及第二关系进行训练，得到用于识别场景类别的场景识别模型之前，处理器301执行以下步骤：

从所述多个维度的数据中抽取多个参数本体的属性；

构建所述属性与所属参数本体之间的第三关系；

在根据多个参数本体、预设场景类别、第一关系及第二关系进行训练，得到用于识别场景类别的场景识别模型时，处理器301执行以下步骤：

采用预设算法模型对所述多个参数本体、预设场景类别、属性、第一关系、第二关系及第三关系进行处理，以得到用于识别场景类别的场景识别模型。

在一些实施例中，在采用预设算法模型对所述多个参数本体、预设场景类别、属性、第一关系、第二关系及第三关系进行处理，以得到用于识别场景类别的场景识别模型时，处理器301还执行以下步骤：

按照预设规则，将所述多个参数本体、预设场景类别、属性、第一关系、第二关系及第三关系矩阵化处理，得到信息矩阵；

采用预设算法模型对所述信息矩阵进行处理，以得用于识别场景类别的场景识别模型。

在一些实施例中，在按照预设规则，将所述多个参数本体、预设场景类别、属性、第一关系、第二关系及第三关系矩阵化处理，得到信息矩阵时，处理器301执行以下步骤：

将所述场景类别设置为矩阵的行，将参数本体及其属性设置为矩阵的列，将所述第一关系、第二关系、第三关系设置为矩阵的元素；或者，

将所述参数本体及其属性设置为矩阵的行，将所述场景类别设置为矩阵的列，将所述第一关系、第二关系、第三关系设置为矩阵的元素。

在一些实施例中，采用预设算法模型对所述信息矩阵进行处理，以得到全景视图识别模型时，处理器301执行以下步骤：

通过预设算法模型采用随机梯度下降的学习方法，对所述矩阵的元素进行迭代处理直至收敛，得到用于识别场景类别的场景识别模型。

在一些实施例中，从所述全景数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系时，处理器301执行以下步骤：

采用知识图谱技术从所述全景数据中抽取多个参数本体；

采用知识推理技术推断各参数本体之间的第一关系。

在一些实施例中，采用知识推理技术推断各参数本体之间的第一关系时，处理器301执行以下步骤：

构建多个参数本体之间的二元组集合；

针对每个二元组集合构建一特征向量；

对特征向量进行分类处理，以确定所述二元组集合中两元素之间的第一关系。

在本实施例中，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识别模型对所述多个维度的数据进行处理，以识别当前场景类别，其中所述场景识别模型根据不同场景下多个维度的数据中的参考本体、各参数本体相互之间的第一关系、预设场景类别和多个参数本体与预设场景类别之间的第二关系，进行模型训练得到

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可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、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，该多个维度的数据至少包括：设备所处的环境数据、设备运行数据、用户行为数据、以及用户画像数据；从所多个维度的数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；构建多个参数本体与预设场景类别之间的第二关系；根据多个参数本体、预设场景类别、第一关系及第二关系进行模型训练，以得到场景识别模型。本方案能够全面地利用多维度信息，使得最终构建出的场景类别具有较强的鲁棒性和较高的准确度。与此同时，通过知识图谱技术构建的个性化全景视图识别模型，能够使得最终识别出的场景类别较好地反映出用户的偏好，使得最终识别的场景类别更个性化，有助于为用户提供更为个性化的智能服务。

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。

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：设备所处的环境数据、设备运行数据、用户行为数据、以及用户画像数据；

从所述多个维度的数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；

构建所述多个参数本体与预设场景类别之间的第二关系；

根据所述多个参数本体、所述预设场景类别、第一关系及第二关系进行模型训练，得到用于识别场景类别的场景识别模型。

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识别模型对所述多个维度的数据进行处理，以识别当前场景类别，其中所述场景识别模型根据不同场景下多个维度的数据中的参考本体、各参数本体相互之间的第一关系、预设场景类别和多个参数本体与预设场景类别之间的第二关系，进行模型训练得到

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、电子设备及场景识别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 (10)

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：设备所处的环境数据、设备运行数据、用户行为数据、以及用户画像数据；

从所述多个维度的数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；

构建所述多个参数本体与预设场景类别之间的第二关系；

从所述多个维度的数据中抽取多个参数本体的属性；

构建所述属性与所属参数本体之间的第三关系；

采用预设算法模型对所述多个参数本体、所述预设场景类别、所述属性、第一关系、第二关系及第三关系进行处理，得到用于识别场景类别的场景识别模型。

2.根据权利要求1所述的建模方法，其特征在于，所述采用预设算法模型对所述多个参数本体、所述预设场景类别、所述属性、第一关系、第二关系及第三关系进行处理，得到用于识别场景类别的场景识别模型，包括：

按照预设规则，将所述多个参数本体、所述预设场景类别、所述属性、第一关系、第二关系及第三关系矩阵化处理，得到信息矩阵；

采用预设算法模型对所述信息矩阵进行处理，得到用于识别场景类别的场景识别模型。

3.根据权利要求2所述的建模方法，其特征在于，所述按照预设规则，将所述多个参数本体、所述预设场景类别、所述属性、第一关系、第二关系及第三关系矩阵化处理，得到信息矩阵，包括：

将所述预设场景类别设置为矩阵的行，将所述参数本体及其属性设置为矩阵的列，将所述第一关系、第二关系、第三关系设置为矩阵的元素；或者，

将所述参数本体及其属性设置为矩阵的行，将所述预设场景类别设置为矩阵的列，将所述第一关系、第二关系、第三关系设置为矩阵的元素。

4.根据权利要求2所述的建模方法，其特征在于，所述采用预设算法模型对所述信息矩阵进行处理，得到用于识别场景类别的场景识别模型，包括：

通过所述预设算法模型采用随机梯度下降的学习方法，对所述矩阵的元素进行迭代处理直至收敛，得到用于识别场景类别的场景识别模型。

5.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参数本体，并构建各参数本体相互之间的第一关系，包括：

采用知识图谱技术从所述多个维度的数据中抽取多个参数本体；

采用知识推理技术推断各参数本体之间的第一关系。

6.根据权利要求5所述的建模方法，其特征在于，所述采用知识推理技术推断各参数本体之间的第一关系，包括：

构建所述多个参数本体之间的二元组集合；

针对每个二元组集合构建一特征向量；

对所述特征向量进行分类处理，以确定所述二元组集合中两元素之间的第一关系。

7.一种场景识别方法，其特征在于，所述场景识别方法包括：

获取当前场景中多个维度的数据，所述多个维度的数据至少包括：设备所处的环境数据、设备运行数据、用户行为数据、以及用户画像数据；

根据预先训练的场景识别模型对所述多个维度的数据进行处理，以识别当前场景类别，其中所述场景识别模型采用预设算法模型对不同场景下多个维度的数据中的参数本体、各参数本体相互之间的第一关系、预设场景类别、多个参数本体与预设场景类别之间的第二关系、多个维度的数据中的多个参数本体的属性和所述属性与所属参数本体之间的第三关系进行处理得到。

8.一种建模装置，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：设备所处的环境数据、设备运行数据、用户行为数据、以及用户画像数据；

第一构建模块，用于从所述多个维度的数据中抽取多个参数本体，并构建各参数本体相互之间的第一关系；

第二构建模块，用于构建所述多个参数本体与预设场景类别之间的第二关系；

第三构建模块，用于从所述多个维度的数据中抽取多个参数本体的属性，并构建所述属性与所属参数本体之间的第三关系；

处理模块，用于采用预设算法模型对所述多个参数本体、所述预设场景类别、所述属性、第一关系、第二关系及第三关系进行处理，得到用于识别场景类别的场景识别模型。

9.一种存储介质，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1-6任一项所述方法的步骤，或者用于执行如权利要求7所述的方法的步骤。

10.一种电子设备，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1-6任一项所述方法的步骤，或者用于执行如权利要求7所述的方法的步骤。