CN111797875A - 场景建模方法、装置、存储介质及电子设备 - Google Patents

Abstract

本申请实施例提供一种场景建模方法、装置、存储介质及电子设备，所述场景建模方法包括：获取当前场景的感知数据；根据所述感知数据获取所述当前场景的多个特征；对所述多个特征进行值填充，以得到多个特征键值对；根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。本申请实施例提供的场景建模方法中，电子设备可以对当前场景的多个特征进行值填充，并对填充得到的多个特征键值对进行训练，以得到当前场景的场景模型。从而，电子设备可以根据得到的场景模型来查询用户的状态，便于电子设备进行智能化的操作，从而可以提高电子设备的智能化程度。

Description

场景建模方法、装置、存储介质及电子设备

技术领域

本申请涉及电子技术领域，特别涉及一种场景建模方法、装置、存储介质及电子设备。

背景技术

随着电子技术的发展，诸如智能手机等电子设备能够为用户提供的服务越来越多。例如，电子设备可以为用户提供社交服务、导航服务、旅游推荐服务等。为了能够给用户提供针对性、个性化的服务，电子设备需要对用户所处的场景进行识别。

发明内容

本申请实施例提供一种场景建模方法、装置、存储介质及电子设备，可以提高电子设备的智能化程度。

本申请实施例提供一种场景建模方法，包括：

获取当前场景的感知数据；

根据所述感知数据获取所述当前场景的多个特征；

对所述多个特征进行值填充，以得到多个特征键值对，每一所述特征键值对包括特征以及与所述特征对应的特征值；

根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。

本申请实施例还提供一种场景建模装置，包括：

第一获取模块，用于获取当前场景的感知数据；

第二获取模块，用于根据所述感知数据获取所述当前场景的多个特征；

值填充模块，用于对所述多个特征进行值填充，以得到多个特征键值对，每一所述特征键值对包括特征以及与所述特征对应的特征值；

建模模块，用于根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。

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，使得所述计算机执行上述场景建模方法。

本申请实施例还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行上述场景建模方法。

本申请实施例提供的场景建模方法，包括：获取当前场景的感知数据；根据所述感知数据获取所述当前场景的多个特征；对所述多个特征进行值填充，以得到多个特征键值对，每一所述特征键值对包括特征以及与所述特征对应的特征值；根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。所述场景建模方法中，电子设备可以对当前场景的多个特征进行值填充，并对填充得到的多个特征键值对进行训练，以得到当前场景的场景模型。从而，电子设备可以根据得到的场景模型来查询用户的状态，便于电子设备进行智能化的操作，从而可以提高电子设备的智能化程度。

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场景建模方法的应用场景示意图。

图2为本申请实施例提供的场景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场景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场景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场景建模方法的第四种流程示意图。

图6为本申请实施例提供的场景建模方法的第五种流程示意图。

图7为本申请实施例提供的场景建模方法的第六种流程示意图。

图8为本申请实施例提供的场景建模方法的第七种流程示意图。

图9为本申请实施例提供的场景建模装置的第一种结构示意图。

图10为本申请实施例提供的场景建模装置的第二种结构示意图。

图11为本申请实施例提供的电子设备的第一种结构示意图。

图12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场景建模方法的应用场景示意图。所述场景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场景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，所述信息感知层包括的传感器可以不限于上述列出的传感器，还可以包括未列出的传感器。

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、快速自动关键词提取算法、递归神经网络、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场景建模方法，所述场景建模方法可以应用于电子设备中。所述电子设备可以为智能手机、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、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、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场景建模方法的第一种流程示意图。

其中，所述场景建模方法包括以下步骤：

110，获取当前场景的感知数据。

电子设备可以获取当前场景的感知数据。所述当前场景为电子设备当前所处环境的场景，也即所述电子设备的用户当前所处环境的场景。所述感知数据可以包括任意的数据。例如，所述感知数据可以包括环境温度、环境光强度、图像数据、音频数据、电子设备上显示的文本数据等多种数据。

其中，电子设备可以通过上述全景感知架构中的信息感知层来采集当前场景的感知数据。例如，电子设备可以通过温度传感器来检测环境温度，通过光线传感器来检测环境光强度，通过摄像头来获取周围环境中的图像数据，通过麦克风获取周围环境中的音频数据，通过显示控制电路来获取电子设备上显示的文本数据。

120，根据所述感知数据获取所述当前场景的多个特征。

电子设备获取到当前场景的感知数据后，可以根据所述感知数据获取所述当前场景的多个特征。所述多个特征可以用于反映当前场景的情况。其中，所述多个特征可以包括任意的实体对象、虚拟对象、概念名称等等。例如，所述多个特征可以包括人、动物、建筑物、手机、游戏、小说、会议、温度、环境光强度等等。

在一些实施例中，电子设备获取到当前场景的多个特征后，可以通过所述多个特征构建当前场景的特征向量，通过所述特征向量对当前场景进行量化，以通过所述特征向量表示当前场景。

130，对所述多个特征进行值填充，以得到多个特征键值对，每一所述特征键值对包括特征以及与所述特征对应的特征值。

电子设备获取到当前场景的多个特征后，可以对所述多个特征进行值填充，也即对每一特征进行赋值，使得每一个所述特征都具有一个对应的特征值，以得到多个特征键值对。其中，每一所述特征键值对包括特征以及与所述特征对应的特征值。

其中，每一所述特征可以作为非关系型数据库中的key，所述特征对应的特征值可以作为非关系型数据库中的value。所述特征键值对即为key-value所形成的数据对。

需要说明的是，电子设备对每一所述特征进行值填充时，为特征填充的特征值可以为具体的数值，也可以为一个向量。

140，根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。

电子设备得到多个特征键值对后，即可根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。所述场景模型可以用于表示当前的场景。

随后，电子设备即可根据所述场景模型为用户提供个性化的服务。例如，当用户开启了驾驶模式时，电子设备可以根据所述场景模型查询用户在驾驶模式下的状态，例如确定用户是否在等待红绿灯，并根据确定出的结果进行相应的决策。

例如，在一些实施例中，电子设备可以通过信息感知层获取当前场景的感知数据，并通过特征抽取层根据所述感知数据获取所述当前场景的多个特征。可以理解的，在特征抽取层根据所述感知数据抽取当前场景的多个特征之前，还可以通过数据处理层对所述感知数据进行处理，例如进行数据清理、数据变换等处理。随后，特征抽取层根据数据处理层处理后的感知数据获取当前场景的多个特征。

随后，电子设备可以通过特征抽取层对所述多个特征进行值填充，以得到多个特征键值对，并通过情景建模层根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。

本申请实施例中，电子设备可以对当前场景的多个特征进行值填充，并对填充得到的多个特征键值对进行训练，以得到当前场景的场景模型。从而，电子设备可以根据得到的场景模型来查询用户的状态，便于电子设备进行智能化的操作，从而可以提高电子设备的智能化程度。

在一些实施例中，参考图3，图3为本申请实施例提供的场景建模方法的第二种流程示意图。

其中，步骤130、对所述多个特征进行值填充，以得到多个特征键值对，包括以下步骤：

131，根据每一所述特征以及预设映射关系获取每一所述特征对应的特征值，其中所述预设映射关系包括预设特征与预设特征值之间的对应关系；

132，通过每一所述特征对应的特征值对所述多个特征进行值填充，以得到多个特征键值对。

电子设备中可以预先设置预设映射关系。所述预设映射关系包括预设特征与预设特征值之间的对应关系。

电子设备对多个特征进行值填充时，可以根据每一所述特征以及所述预设映射关系获取每一所述特征对应的特征值。其中，电子设备可以将每一所述特征与所述预设映射关系进行匹配，以查询所述预设映射关系中与所述特征相同的预设特征对应的预设特征值。

随后，电子设备通过每一所述特征对应的特征值对所述多个特征进行值填充，以得到多个特征键值对。例如，电子设备查询到每一个特征对应的特征值后，即可将所述特征对应的特征值填充到所述特征对应的value位置。

在一些实施例中，参考图4，图4为本申请实施例提供的场景建模方法的第三种流程示意图。

其中，步骤120、根据所述感知数据获取所述当前场景的多个特征，包括以下步骤：

121，根据所述感知数据的数据类型选择对应的特征提取模型；

122，通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征。

电子设备中可以预先设置多个特征提取模型，每一个特征提取模型都用于对一种类型的感知数据进行特征提取。例如，电子设备中可以预先设置循环神经网络模型、快速自动关键词提取(Rapid Automatic Keyword Extraction，RAKE)算法模型、卷积神经网络模型、递归神经网络模型、长短期记忆网络模型等。

其中，循环神经网络模型用于对传感器数据进行处理，以从传感器数据中提取特征，例如可以用于对温度传感器、加速度传感器等传感器检测到的数据进行处理。快速自动关键词提取算法模型用于对文本数据进行处理，以从文本数据中提取文本特征。卷积神经网络模型用于对图像数据进行处理，以从图像数据中提取图像特征。递归神经网络模型用于对音频数据进行处理，以从音频数据中提取音频特征。长短期记忆网络模型也可以用于对音频数据进行处理，以从音频数据中提取音频特征。

电子设备获取到当前场景的感知数据后，可以根据所述感知数据的数据类型选择对应的特征提取模型。当所述感知数据包括多种数据类型时，电子设备可以根据每一种数据类型选择一种对应的特征提取模型。

随后，电子设备通过选择的特征提取模型从所述感知数据中提取当前场景的多个特征。

在一些实施例中，参考图5，图5为本申请实施例提供的场景建模方法的第四种流程示意图。

其中，步骤122、通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征，包括以下步骤：

1221，通过循环神经网络模型从传感器数据中提取多个第一特征；

1222，通过K近邻算法对所述多个第一特征进行聚类，得到多个特征类，每一所述特征类包括多个第一特征；

1223，从所述多个特征类中的每一特征类提取一个第二特征，以得到多个第二特征。

其中，电子设备获取到的感知数据包括传感器数据。所述传感器数据即为电子设备的各个传感器所获取到的数据。电子设备可以通过循环神经网络模型从传感器数据中提取多个第一特征。其中，所述第一特征例如可以包括“温度”、“湿度”、“强度”、“速度”、“距离”、“角度”、“长度”、“方向”等特征。

随后，电子设备通过K近邻算法对所述多个第一特征进行聚类，得到多个特征类。其中，每一所述特征类包括多个第一特征。例如，某个特征类可以包括“温度”、“湿度”等特征，另一个特征类可以包括“角度”、“长度”、“方向”等特征。

电子设备得到多个特征类后，可以从所述多个特征类中的每一特征类提取一个第二特征，以得到多个第二特征。其中，第二特征可以是所述特征类中的多个第一特征的综合。例如，根据包括“温度”、“湿度”的特征类提取到的第二特征可以为“天气”。

随后，电子设备可以将得到的多个第二特征确定为当前场景的特征。

在一些实施例中，参考图6，图6为本申请实施例提供的场景建模方法的第五种流程示意图。

其中，步骤122、通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征，还包括以下步骤：

1224，通过快速自动关键词提取算法模型从所述文本数据中提取第三特征；

1225，通过卷积神经网络模型从所述图像数据中提取第四特征；

1226，通过递归神经网络模型或长短期记忆网络模型从所述音频数据中提取第五特征。

其中，电子设备获取到的感知数据还包括文本数据、图像数据、音频数据。电子设备针对文本数据选择的特征提取模型可以是快速自动关键词提取算法模型，针对图像数据选择的特征提取模型可以是卷积神经网络模型，针对音频数据选择的特征提取模型可以是递归神经网络模型或长短期记忆网络模型。

随后，电子设备通过快速自动关键词提取算法模型从所述文本数据中提取第三特征，通过卷积神经网络模型从所述图像数据中提取第四特征，通过递归神经网络模型或长短期记忆网络模型从所述音频数据中提取第五特征。

其中，所述第三特征、第四特征、第五特征均可以包括一个或多个特征。所述第三特征例如可以包括“小说”、“会议”、“出差”等特征。所述第四特征例如可以包括“风景”、“建筑物”、“人”、“曝光度”、“像素”等特征。所述第五特征例如可以包括“音乐”、“歌手”、“专辑”等特征。

随后，电子设备可以将提取到的第三特征、第四特征、第五特征也作为当前场景的特征。

在一些实施例中，参考图7，图7为本申请实施例提供的场景建模方法的第六种流程示意图。

其中，步骤122、通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征，还包括以下步骤：

1227，将所述多个第二特征、所述第三特征、所述第四特征、所述第五特征进行聚合，以得到所述当前场景的特征向量；

1228，将所述特征向量中的多个特征确定为所述当前场景的多个特征。

电子设备从传感器数据中获取到多个第二特征、从文本数据中获取到第三特征、从图像数据中获取到第四特征、从音频数据中获取到第五特征后，可以将所述多个第二特征、所述第三特征、所述第四特征、所述第五特征进行聚合，以得到所述当前场景的特征向量。

例如，所述多个第二特征包括特征A、B，所述第三特征包括特征C、D，所述第四特征包括特征E、F、G，所述第五特征包括特征H、I，那么聚合后得到的特征向量可以为P(A，B，C，D，E，F，G，H，I)。所述特征向量P即为当前场景的特征向量。

随后，电子设备将所述特征向量中的多个特征确定为所述当前场景的多个特征。

由于不同的数据类型中提取到的特征之间可能存在重合的情况，从而聚合后得到的特征向量中的特征存在一定的冗余度，可以便于得到多维的信息。

在一些实施例中，参考图8，图8为本申请实施例提供的场景建模方法的第七种流程示意图。

其中，步骤110、获取当前场景的感知数据之前，还包括以下步骤：

151，对多个预设特征中的每一预设特征设置一个对应的预设特征值；

152，根据所述多个预设特征以及每一所述预设特征对应的预设特征值建立预设特征与预设特征值之间的预设映射关系。

电子设备中可以预先设置预设特征与预设特征值之间的预设映射关系。其中，可以通过人为设定的方式对多个预设特征中的每一预设特征设置一个对应的预设特征值。随后，根据所述多个预设特征以及每一所述预设特征对应的预设特征值建立预设特征与预设特征值之间的预设映射关系。

例如，可以由本领域的技术专家先确定多个预设特征，然后为每一个预设特征设置一个预设特征值。随后，将所述多个预设特征、多个预设特征值以及每一预设特征与预设特征值之间的对应关系以数据库的形式存储，即可建立预设特征与预设特征值之间的预设映射关系。其中，所述预设特征值可以为具体的数值，也可以为向量。

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。此外，术语“多个”意为两个或两个以上，也即至少两个。

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，本申请实施例提供的场景建模方法，包括：获取当前场景的感知数据；根据所述感知数据获取所述当前场景的多个特征；对所述多个特征进行值填充，以得到多个特征键值对，每一所述特征键值对包括特征以及与所述特征对应的特征值；根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。所述场景建模方法中，电子设备可以对当前场景的多个特征进行值填充，并对填充得到的多个特征键值对进行训练，以得到当前场景的场景模型。从而，电子设备可以根据得到的场景模型来查询用户的状态，便于电子设备进行智能化的操作，从而可以提高电子设备的智能化程度。

本申请实施例还提供一种场景建模装置，所述场景建模装置可以集成在电子设备中。所述电子设备可以为智能手机、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、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。

参考图9，图9为本申请实施例提供的场景建模装置的第一种结构示意图。

其中，所述场景建模装置200包括：第一获取模块201、第二获取模块202、值填充模块203、建模模块204。

第一获取模块201，用于获取当前场景的感知数据。

第一获取模块201可以获取当前场景的感知数据。所述当前场景为电子设备当前所处环境的场景，也即所述电子设备的用户当前所处环境的场景。所述感知数据可以包括任意的数据。例如，所述感知数据可以包括环境温度、环境光强度、图像数据、音频数据、电子设备上显示的文本数据等多种数据。

其中，第一获取模块201可以通过电子设备的全景感知架构中的信息感知层来采集当前场景的感知数据。例如，可以通过温度传感器来检测环境温度，通过光线传感器来检测环境光强度，通过摄像头来获取周围环境中的图像数据，通过麦克风获取周围环境中的音频数据，通过显示控制电路来获取电子设备上显示的文本数据。

第二获取模块202，用于根据所述感知数据获取所述当前场景的多个特征。

第一获取模块201获取到当前场景的感知数据后，第二获取模块202可以根据所述感知数据获取所述当前场景的多个特征。所述多个特征可以用于反映当前场景的情况。其中，所述多个特征可以包括任意的实体对象、虚拟对象、概念名称等等。例如，所述多个特征可以包括人、动物、建筑物、手机、游戏、小说、会议、温度、环境光强度等等。

在一些实施例中，第二获取模块202获取到当前场景的多个特征后，可以通过所述多个特征构建当前场景的特征向量，通过所述特征向量对当前场景进行量化，以通过所述特征向量表示当前场景。

值填充模块203，用于对所述多个特征进行值填充，以得到多个特征键值对，每一所述特征键值对包括特征以及与所述特征对应的特征值。

第二获取模块202获取到当前场景的多个特征后，值填充模块203可以对所述多个特征进行值填充，也即对每一特征进行赋值，使得每一个所述特征都具有一个对应的特征值，以得到多个特征键值对。其中，每一所述特征键值对包括特征以及与所述特征对应的特征值。

其中，每一所述特征可以作为非关系型数据库中的key，所述特征对应的特征值可以作为非关系型数据库中的value。所述特征键值对即为key-value所形成的数据对。

需要说明的是，值填充模块203对每一所述特征进行值填充时，为特征填充的特征值可以为具体的数值，也可以为一个向量。

建模模块204，用于根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。

值填充模块203得到多个特征键值对后，建模模块204即可根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。所述场景模型可以用于表示当前的场景。

随后，电子设备即可根据所述场景模型为用户提供个性化的服务。例如，当用户开启了驾驶模式时，电子设备可以根据所述场景模型查询用户在驾驶模式下的状态，例如确定用户是否在等待红绿灯，并根据确定出的结果进行相应的决策。

本申请实施例中，电子设备可以对当前场景的多个特征进行值填充，并对填充得到的多个特征键值对进行训练，以得到当前场景的场景模型。从而，电子设备可以根据得到的场景模型来查询用户的状态，便于电子设备进行智能化的操作，从而可以提高电子设备的智能化程度。

在一些实施例中，值填充模块203用于执行以下步骤：

根据每一所述特征以及预设映射关系获取每一所述特征对应的特征值，其中所述预设映射关系包括预设特征与预设特征值之间的对应关系；

通过每一所述特征对应的特征值对所述多个特征进行值填充，以得到多个特征键值对。

电子设备中可以预先设置预设映射关系。所述预设映射关系包括预设特征与预设特征值之间的对应关系。

值填充模块203对多个特征进行值填充时，可以根据每一所述特征以及所述预设映射关系获取每一所述特征对应的特征值。其中，值填充模块203可以将每一所述特征与所述预设映射关系进行匹配，以查询所述预设映射关系中与所述特征相同的预设特征对应的预设特征值。

随后，值填充模块203通过每一所述特征对应的特征值对所述多个特征进行值填充，以得到多个特征键值对。例如，值填充模块203查询到每一个特征对应的特征值后，即可将所述特征对应的特征值填充到所述特征对应的value位置。

在一些实施例中，第二获取模块202用于执行以下步骤：

根据所述感知数据的数据类型选择对应的特征提取模型；

通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征。

电子设备中可以预先设置多个特征提取模型，每一个特征提取模型都用于对一种类型的感知数据进行特征提取。例如，电子设备中可以预先设置循环神经网络模型、快速自动关键词提取(Rapid Automatic Keyword Extraction，RAKE)算法模型、卷积神经网络模型、递归神经网络模型、长短期记忆网络模型等。

其中，循环神经网络模型用于对传感器数据进行处理，以从传感器数据中提取特征，例如可以用于对温度传感器、加速度传感器等传感器检测到的数据进行处理。快速自动关键词提取算法模型用于对文本数据进行处理，以从文本数据中提取文本特征。卷积神经网络模型用于对图像数据进行处理，以从图像数据中提取图像特征。递归神经网络模型用于对音频数据进行处理，以从音频数据中提取音频特征。长短期记忆网络模型也可以用于对音频数据进行处理，以从音频数据中提取音频特征。

第一获取模块201获取到当前场景的感知数据后，第二获取模块202可以根据所述感知数据的数据类型选择对应的特征提取模型。当所述感知数据包括多种数据类型时，第二获取模块202可以根据每一种数据类型选择一种对应的特征提取模型。

随后，第二获取模块202通过选择的特征提取模型从所述感知数据中提取当前场景的多个特征。

在一些实施例中，通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征时，第二获取模块202用于执行以下步骤：

通过循环神经网络模型从传感器数据中提取多个第一特征；

通过K近邻算法对所述多个第一特征进行聚类，得到多个特征类，每一所述特征类包括多个第一特征；

从所述多个特征类中的每一特征类提取一个第二特征，以得到多个第二特征。

其中，第一获取模块201获取到的感知数据包括传感器数据。所述传感器数据即为电子设备的各个传感器所获取到的数据。第二获取模块202可以通过循环神经网络模型从传感器数据中提取多个第一特征。其中，所述第一特征例如可以包括“温度”、“湿度”、“强度”、“速度”、“距离”、“角度”、“长度”、“方向”等特征。

随后，第二获取模块202通过K近邻算法对所述多个第一特征进行聚类，得到多个特征类。其中，每一所述特征类包括多个第一特征。例如，某个特征类可以包括“温度”、“湿度”等特征，另一个特征类可以包括“角度”、“长度”、“方向”等特征。

得到多个特征类后，第二获取模块202可以从所述多个特征类中的每一特征类提取一个第二特征，以得到多个第二特征。其中，第二特征可以是所述特征类中的多个第一特征的综合。例如，根据包括“温度”、“湿度”的特征类提取到的第二特征可以为“天气”。

随后，第二获取模块202可以将得到的多个第二特征确定为当前场景的特征。

在一些实施例中，通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征时，第二获取模块202还用于执行以下步骤：

通过快速自动关键词提取算法模型从所述文本数据中提取第三特征；

通过卷积神经网络模型从所述图像数据中提取第四特征；

通过递归神经网络模型或长短期记忆网络模型从所述音频数据中提取第五特征。

其中，第一获取模块201获取到的感知数据还包括文本数据、图像数据、音频数据。第二获取模块202针对文本数据选择的特征提取模型可以是快速自动关键词提取算法模型，针对图像数据选择的特征提取模型可以是卷积神经网络模型，针对音频数据选择的特征提取模型可以是递归神经网络模型或长短期记忆网络模型。

随后，第二获取模块202通过快速自动关键词提取算法模型从所述文本数据中提取第三特征，通过卷积神经网络模型从所述图像数据中提取第四特征，通过递归神经网络模型或长短期记忆网络模型从所述音频数据中提取第五特征。

其中，所述第三特征、第四特征、第五特征均可以包括一个或多个特征。所述第三特征例如可以包括“小说”、“会议”、“出差”等特征。所述第四特征例如可以包括“风景”、“建筑物”、“人”、“曝光度”、“像素”等特征。所述第五特征例如可以包括“音乐”、“歌手”、“专辑”等特征。

随后，第二获取模块202可以将提取到的第三特征、第四特征、第五特征也作为当前场景的特征。

在一些实施例中，通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征时，第二获取模块202还用于执行以下步骤：

将所述多个第二特征、所述第三特征、所述第四特征、所述第五特征进行聚合，以得到所述当前场景的特征向量；

将所述特征向量中的多个特征确定为所述当前场景的多个特征。

第二获取模块202从传感器数据中获取到多个第二特征、从文本数据中获取到第三特征、从图像数据中获取到第四特征、从音频数据中获取到第五特征后，可以将所述多个第二特征、所述第三特征、所述第四特征、所述第五特征进行聚合，以得到所述当前场景的特征向量。

例如，所述多个第二特征包括特征A、B，所述第三特征包括特征C、D，所述第四特征包括特征E、F、G，所述第五特征包括特征H、I，那么聚合后得到的特征向量可以为P(A，B，C，D，E，F，G，H，I)。所述特征向量P即为当前场景的特征向量。

随后，第二获取模块202将所述特征向量中的多个特征确定为所述当前场景的多个特征。

由于不同的数据类型中提取到的特征之间可能存在重合的情况，从而聚合后得到的特征向量中的特征存在一定的冗余度，可以便于得到多维的信息。

在一些实施例中，参考图10，图10为本申请实施例提供的场景建模装置的第二种结构示意图。

其中，所述场景建模装置200还包括：关系建立模块205。所述关系建立模块205用于：

对多个预设特征中的每一预设特征设置一个对应的预设特征值；

根据所述多个预设特征以及每一所述预设特征对应的预设特征值建立预设特征与预设特征值之间的预设映射关系。

关系建立模块205可以预先在电子设备中设置预设特征与预设特征值之间的预设映射关系。其中，可以通过人为设定的方式对多个预设特征中的每一预设特征设置一个对应的预设特征值。随后，根据所述多个预设特征以及每一所述预设特征对应的预设特征值建立预设特征与预设特征值之间的预设映射关系。

例如，可以由本领域的技术专家先确定多个预设特征，然后为每一个预设特征设置一个预设特征值。随后，关系建立模块205将所述多个预设特征、多个预设特征值以及每一预设特征与预设特征值之间的对应关系以数据库的形式存储，即可建立预设特征与预设特征值之间的预设映射关系。其中，所述预设特征值可以为具体的数值，也可以为向量。

具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现。

由上可知，本申请实施例提供的场景建模装置200，包括：第一获取模块201，用于获取当前场景的感知数据；第二获取模块202，用于根据所述感知数据获取所述当前场景的多个特征；值填充模块203，用于对所述多个特征进行值填充，以得到多个特征键值对，每一所述特征键值对包括特征以及与所述特征对应的特征值；建模模块204，用于根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。所述场景建模装置可以对当前场景的多个特征进行值填充，并对填充得到的多个特征键值对进行训练，以得到当前场景的场景模型。从而，电子设备可以根据得到的场景模型来查询用户的状态，便于电子设备进行智能化的操作，从而可以提高电子设备的智能化程度。

本申请实施例还提供一种电子设备。所述电子设备可以为智能手机、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、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。

参考图11，图11为本申请实施例提供的电子设备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。其中，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：

获取当前场景的感知数据；

根据所述感知数据获取所述当前场景的多个特征；

对所述多个特征进行值填充，以得到多个特征键值对，每一所述特征键值对包括特征以及与所述特征对应的特征值；

根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。

在一些实施例中，对所述多个特征进行值填充，以得到多个特征键值对时，处理器301执行以下步骤：

根据每一所述特征以及预设映射关系获取每一所述特征对应的特征值，其中所述预设映射关系包括预设特征与预设特征值之间的对应关系；

通过每一所述特征对应的特征值对所述多个特征进行值填充，以得到多个特征键值对。

在一些实施例中，根据所述感知数据获取所述当前场景的多个特征时，处理器301执行以下步骤：

根据所述感知数据的数据类型选择对应的特征提取模型；

通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征。

在一些实施例中，所述感知数据包括传感器数据，通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征时，处理器301执行以下步骤：

通过循环神经网络模型从所述传感器数据中提取多个第一特征；

通过K近邻算法对所述多个第一特征进行聚类，得到多个特征类，每一所述特征类包括多个第一特征；

从所述多个特征类中的每一特征类提取一个第二特征，以得到多个第二特征。

在一些实施例中，所述感知数据还包括文本数据、图像数据、音频数据，通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征时，处理器301还执行以下步骤：

通过快速自动关键词提取算法模型从所述文本数据中提取第三特征；

通过卷积神经网络模型从所述图像数据中提取第四特征；

通过递归神经网络模型或长短期记忆网络模型从所述音频数据中提取第五特征。

在一些实施例中，通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征时，处理器301还执行以下步骤：

将所述多个第二特征、所述第三特征、所述第四特征、所述第五特征进行聚合，以得到所述当前场景的特征向量；

将所述特征向量中的多个特征确定为所述当前场景的多个特征。

在一些实施例中，获取当前场景的感知数据之前，处理器301还执行以下步骤：

对多个预设特征中的每一预设特征设置一个对应的预设特征值；

根据所述多个预设特征以及每一所述预设特征对应的预设特征值建立预设特征与预设特征值之间的预设映射关系。

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12，图12为本申请实施例提供的电子设备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12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：获取当前场景的感知数据；根据所述感知数据获取所述当前场景的多个特征；对所述多个特征进行值填充，以得到多个特征键值对，每一所述特征键值对包括特征以及与所述特征对应的特征值；根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。所述电子设备可以对当前场景的多个特征进行值填充，并对填充得到的多个特征键值对进行训练，以得到当前场景的场景模型。从而，电子设备可以根据得到的场景模型来查询用户的状态，便于电子设备进行智能化的操作，从而可以提高电子设备的智能化程度。

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场景建模方法。

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场景建模方法、装置、存储介质及电子设备进行了详细介绍。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)

1.一种场景建模方法，其特征在于，包括：

获取当前场景的感知数据；

根据所述感知数据获取所述当前场景的多个特征；

对所述多个特征进行值填充，以得到多个特征键值对，每一所述特征键值对包括特征以及与所述特征对应的特征值；

根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。

2.根据权利要求1所述的场景建模方法，其特征在于，所述对所述多个特征进行值填充，以得到多个特征键值对，包括：

根据每一所述特征以及预设映射关系获取每一所述特征对应的特征值，其中所述预设映射关系包括预设特征与预设特征值之间的对应关系；

通过每一所述特征对应的特征值对所述多个特征进行值填充，以得到多个特征键值对。

3.根据权利要求1所述的场景建模方法，其特征在于，所述根据所述感知数据获取所述当前场景的多个特征，包括：

根据所述感知数据的数据类型选择对应的特征提取模型；

通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征。

4.根据权利要求3所述的场景建模方法，其特征在于，所述感知数据包括传感器数据，所述通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征，包括：

通过循环神经网络模型从所述传感器数据中提取多个第一特征；

通过K近邻算法对所述多个第一特征进行聚类，得到多个特征类，每一所述特征类包括多个第一特征；

从所述多个特征类中的每一特征类提取一个第二特征，以得到多个第二特征。

5.根据权利要求4所述的场景建模方法，其特征在于，所述感知数据还包括文本数据、图像数据、音频数据，所述通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征，还包括：

通过快速自动关键词提取算法模型从所述文本数据中提取第三特征；

通过卷积神经网络模型从所述图像数据中提取第四特征；

通过递归神经网络模型或长短期记忆网络模型从所述音频数据中提取第五特征。

6.根据权利要求5所述的场景建模方法，其特征在于，所述通过所述特征提取模型从所述感知数据中提取所述当前场景的多个特征，还包括：

将所述多个第二特征、所述第三特征、所述第四特征、所述第五特征进行聚合，以得到所述当前场景的特征向量；

将所述特征向量中的多个特征确定为所述当前场景的多个特征。

7.根据权利要求1所述的场景建模方法，其特征在于，所述获取当前场景的感知数据之前，还包括：

对多个预设特征中的每一预设特征设置一个对应的预设特征值；

根据所述多个预设特征以及每一所述预设特征对应的预设特征值建立预设特征与预设特征值之间的预设映射关系。

8.一种场景建模装置，其特征在于，包括：

第一获取模块，用于获取当前场景的感知数据；

第二获取模块，用于根据所述感知数据获取所述当前场景的多个特征；

值填充模块，用于对所述多个特征进行值填充，以得到多个特征键值对，每一所述特征键值对包括特征以及与所述特征对应的特征值；

建模模块，用于根据概率图模型对所述多个特征键值对进行建模，以得到当前场景的场景模型。

9.一种存储介质，其特征在于，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，使得所述计算机执行权利要求1至7任一项所述的场景建模方法。

10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行权利要求1至7任一项所述的场景建模方法。

Images