基于机器学习推送车内信息/娱乐服务的方法与流程

本发明涉及汽车行车服务，特别涉及基于机器学习推送车内信息/娱乐服务的方法。

背景技术：

近年，个性化的车内信息/娱乐服务也成为了诸多车辆销售的卖点。汽车厂商期望通过此技术向用户提供更符合其喜好的娱乐服务，例如向用户针对性地推送音乐。目前的个性化推送方法大致包括以下几种：1)基于用户对娱乐服务的使用记录，从使用记录中(例如选择频次)分析出用户的喜好，以针对性地推送；2)在用户被推送娱乐服务时对其进行面部表情识别，根据面部表情识别后分析获得的情绪反映来确定用户对被推送的娱乐服务的喜好，以针对性地推送。

对于基于使用记录的推送方法，由于其基础是历史信息，向用户推送的娱乐服务也只能是曾被用户使用过的历史服务或与历史服务有限相关的同类服务(例如喜好的音乐及同类型的音乐)，并且无法就所推送的服务进行即时调整。而对于基于面部表情识别的推送方法，其又非常依赖于当时所获取的面部图像以及面部表情识别算法的精准度，因而也较难全面识别用户喜好。

技术实现要素：

本发明解决的问题是提供一种基于机器学习推送车内信息/娱乐服务的方法，以提供更有效的个性化推送服务。

为了解决上述问题，本发明提供一种基于机器学习推送车内信息/娱乐服务的方法，包括：

收集用户在被推送车内信息/娱乐服务时的面部动作及肢体动作，以形成该用户针对该被推送的车内信息/娱乐服务的反应数据；

基于反应数据更新该用户的个人档案和针对该用户的推送策略；其中，该用户的个人档案包括该用户的各种面部动作及肢体动作代表的情绪数据、与情绪数据相关的关系数据；针对该用户的推送策略用以确定针对该用户的推送内容及推送方式，其至少包括该用户的个人档案中的关系数据在推送策略中的权重数据；所述更新包括更新个人档案中的关系数据及推送策略中的权重数据；采用机器学习的方式进行所述更新；

以及，以更新后的推送策略向用户推送车内信息/娱乐服务。

与现有技术相比，上述方案具有以下优点：通过建立并更新专属于用户的个人档案和推送策略，使得向用户推送车内信息/娱乐服务更有针对性。并且，采用机器学习的更新方式使得现场的反应数据能够不断的循环更新个人档案和推送策略，使得随着时间推移而推送的车内信息/娱乐服务越来越符合用户的喜好，使得车内信息/娱乐服务的推送更有效。

附图说明

图1是本发明基于机器学习推送车内信息/娱乐服务的方法的一种实施例的实现示意图。

具体实施方式

在下面的描述中，阐述了许多具体细节以便使所属技术领域的技术人员更全面地了解本发明。但是，对于所属技术领域内的技术人员明显的是，本发明的实现可不具有这些具体细节中的一些。此外，应当理解的是，本发明并不限于所介绍的特定实施例。相反，可以考虑用下面的特征和要素的任意组合来实施本发明，而无论它们是否涉及不同的实施例。因此，下面的方面、特征、实施例和优点仅作说明之用而不应被看作是权利要求的要素或限定，除非在权利要求中明确提出。

如背景技术中提及的，基于使用记录的推送方式对所推送的内容有较大限制，而基于表情识别结果的推送方式又过度依赖于表情识别的准确性，也较难全面识别用户喜好。本发明的发明人认为，用户在被推送某一车内信息/娱乐服务时，不仅其表情可能产生变化，其肢体动作也可能产生变化，例如顺着所喜欢的音乐的节奏打节拍；用户的声音也可能产生变化，例如对所感兴趣的视频进行评论等。因此，以用户在被推送车内信息/娱乐服务的反应数据作为基准数据会比单一的表情识别更能真实反映用户的喜好。并且，考虑到不同人表现同一反应的个体差异性，建立并更新专属于某一用户的个人档案和推送策略会使得该两项数据的更新更有针对性。另外，利用机器学习的方式快速更新个人档案和推送策略，也使得上述更新的效率更高且很适合于处理大量的数据。

基于此，本发明基于机器学习推送车内信息/娱乐服务的方法包括：

收集用户在被推送车内信息/娱乐服务时的面部动作及肢体动作，以形成该用户针对该被推送的车内信息/娱乐服务的反应数据；

基于反应数据更新该用户的个人档案和针对该用户的推送策略；其中，该用户的个人档案包括该用户的各种面部动作及肢体动作代表的情绪数据、与情绪数据相关的关系数据；针对该用户的推送策略用以确定针对该用户的推送内容及推送方式，其至少包括该用户的个人档案中的关系数据在推送策略中的权重数据；所述更新包括更新个人档案中的关系数据及推送策略中的权重数据；采用机器学习的方式进行所述更新；

以及，以更新后的推送策略向用户推送车内信息/娱乐服务。

结合前述的说明可知，本发明的方法旨在通过收集及更新的动作来构建循环反馈。即，每一次获得的针对推送的用户反应数据都被用来提升推送的准确度。通过不断地循环反馈，就可不断地提升推送的准确度。

以下结合图1所示的实施例对本发明的方法作进一步说明。本实施例可应用于装配有摄像头及麦克风的车辆，而这也是目前很多车辆的标准配置。通过车内摄像头的拍摄，可以收集车内人员(驾驶员或乘客)的面部动作和肢体动作；通过车内麦克风，可以收集车内人员的声音。通过这三类数据的收集，可以获得车内人员对当前所推送的车内信息/娱乐服务的反应数据。此处所指的车内信息/娱乐服务可以是目前车辆通过自身存储或联网所获得的、与信息服务或娱乐服务相关的任意内容。例如，车内信息/娱乐服务可以包括：歌曲推送、天气提醒、导航路线规划、沿途/目的地购物信息、沿途/目的地优惠信息等。

对于收集车内人员的面部动作，具体包括识别面部特征点的位置及相互间的距离变化。对收集车内人员的肢体动作，具体包括：识别肢体动作的分类、识别肢体动作中两手间的距离、识别肢体动作的幅度。对于收集车内人员的声音，具体包括：识别音调和/或内容。上述三类识别出的信息会被用来确定车内人员对当前所推送的信息/娱乐服务的反应。

作为一种实现举例，可以将上述三类识别出的信息整体对应到某种反应类型上。具体地，可以先预先定义一些车内人员面临推送服务时的典型情绪类型，并将每一个情绪类型都各自对应到某种反应类型上。对于上述三类识别出的信息，先进行整体识别以确定所对应的情绪类型，并进而确定所对应的反应类型。例如，根据上述三类识别出的信息确定当前的情绪类型为“高兴”，而假设按预先定义，“高兴”的情绪类型对应“接受”的反应类型，则根据上述三类识别出的信息所确定的车内人员对当前所推送的信息/娱乐服务的反应就是“接受”。

考虑到车辆数据处理能力的差异，收集动作可以在车辆端进行，而依据所收集的数据形成反应数据既可以在车辆端进行(对于数据处理能力较强的车辆端)，也可以由车辆端将所收集数据发送至远程服务器端而在远程服务器端进行(对于数据处理能力较差的车辆端)。而更新动作则放在远程服务器端进行。

对于个人档案和推送策略，可以先由远程服务器端将从车辆收集到的上述三类信息先建立初始的个人档案数据库和推送策略数据库。具体地，建立多个初始的个人档案，每个个人档案专属于某一用户。每个个人档案中包括：面部动作、肢体动作及声音代表的情绪数据。对应上面的举例，面部动作、肢体动作及声音代表的情绪数据是指面部动作、肢体动作及声音整体对应的情绪类型。可知，每个个人档案中会包括某一用户的多种情绪类型。当然，个人档案中的多种情绪类型及其对应的面部动作、肢体动作及声音可以是建立时初始赋予的，也可以是后续更新中添加的，也可以是后续更新中予以调整的。

每个个人档案中还可以包括：将情绪数据与用户喜好关联起来的关系数据。例如，将摇滚类歌曲与“高兴”的情绪关联起来的关系数据，其实际指示出了用户喜欢摇滚类歌曲，又例如，将目的地购物优惠信息与“不耐烦”的情绪关联起来的关系数据，其实际指示出了用户不喜欢购物。

每个个人档案中还可以包括：将情绪数据与环境(天气、道路状况等)关联起来的关系数据。例如，将堵车与“生气”的情绪关联起来的关系数据，其实际指示出了用户不喜欢拥堵。

类似个人档案，建立多个初始的推送策略，每个推送策略专属于某一用户。每个推送策略中包括推送内容及推送方式。例如，在用户发车时向用户推送天气预报。具体而言，在推送策略中设置可以依据反应数据动态调整的用于确定推送内容及推送方式的权重数据，其中至少包括个人档案中的各类数据在确定推送内容及推送方式时各自的权重值。该权重值可以基于反应数据的而相应更新。

如前述的本发明的实现原理，所获得的车内人员对当前推送的信息/娱乐服务的反应数据会被用来更新个人档案和推送策略，并且是利用机器学习来更新。即，通过机器学习不断更新模型中的个人档案和推送策略，以使得最终获得的模型能够基于个人档案和推送策略向用户提供准确的信息/娱乐服务的推送。通常的机器学习过程中，会设立训练集以训练模型，并使用数据相对于训练集独立的测试集来测试模型的准确度。而本发明中，针对上述的模型，车内人员对当前推送的信息/娱乐服务的反应数据既被用来训练上述的模型，也被用来测试训练出的上述模型的准确度(通过后续推送时用户的反应来测试)，从而通过不断的循环更新来使得模型越来越准确。

依据本发明的实施例，可以将反应数据简单划分为“接受”和“不接受”两种，而此处的循环更新仅在获得“不接受”的反应数据时进行。即，当获得“接受”的反应数据时，代表当前所推送的信息/娱乐服务的内容及方式均符合某一用户当前的喜好，可以暂时不对其个人档案和推送策略进行调整。而当获得“不接受”的反应数据时，代表当前所推送的信息/娱乐服务的内容及方式中的一项或全部均不符合某一用户当前的喜好，需要对其个人档案和/或推送策略进行调整。考虑到某一用户的喜好在不同时期也会发生变化，本发明的上述更新方式也完全适用于这种情况。关于分别对应“接受”和“不接受”反应的情绪类型，通常可以将“高兴”情绪认为是“接受”，将例如“思考/犹豫”、“悲伤”、“吃惊”、“害怕”、“不耐烦/生气/愤怒”等情绪认为是“不接受”。

以初始推送策略是针对用户a在堵车时持续播放歌曲b为例，可以理解为：在初始专属于用户a的个人档案的关系数据中，歌曲b与用户a对应“接受”反应的情绪类型(例如高兴)关联。而且，在初始推送策略中，该关系数据的权重值较高。而在堵车时向用户a推送歌曲b时，若从车内摄像头及车内麦克风收集的用户a的表情、肢体动作及声音识别出用户a的情绪为“不耐烦”，则认为用户a对堵车时推送歌曲b“不接受”。在获得该“不接受”的反应数据时，对个人档案数据，可以形成关系数据以将堵车时播放歌曲b与“不耐烦”情绪关联起来，并将这个关系数据更新到用户a的个人档案中。对推送策略的更新，上述提及的歌曲b与“高兴”情绪关联的关系数据的权重值会相较初始值而降低。即，在堵车时向用户a推送歌曲b的倾向会降低。相应地，将堵车时播放歌曲b与“不耐烦”情绪关联起来的关系数据的权重值就会被添加且赋值较高。而就推送方式来说，例如，从持续推送调整为暂停。后续可继续依据反应对推送策略进行更新，例如暂停后再次推送歌曲b仍然收到“不接受”的反应时，可以将权重再次降低，调整为保留其他时间推送。而当后续仍然收到“不接受”的反应时，权重就会被降低到最低，即调整为歌曲b不再被推送。通过该推送策略的举例可知，通过让机器学习到每一次某个用户对当前推送的信息/娱乐服务的反应，使得机器对该用户的个人档案和推送策略持续更新，以获得越来越有针对性的推送信息/娱乐服务的模型。而由于是通过机器学习来快速更新，其也比以往通过人为定义情绪与推送策略的对应关系更有效率。

虽然本发明已以较佳实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内所作的各种更动与修改，均应纳入本发明的保护范围内，因此本发明的保护范围应当以权利要求所限定的范围为准。