一种基于虚拟化的室内定制家居效果图搭配生成云平台的制作方法

1.本发明属于智能家居云平台领域，更具体的，涉及一种基于虚拟化的室内定制家居效果图搭配生成云平台。


背景技术：

2.随着大数据的发展，各种各样的智能家居装置不断更新迭代。为了更方便的服务客户，智能家居云平台应运而生。
3.在相关技术中，智能家居云平台将客户的数据由客户端上传至服务端。服务端配置有数据库，用于保存客户端上传的数据。服务端同时设置多种接口，以满足客户的各种需求。
4.但是，上述云平台存在多种弊端。首先，由于客户端上传的数据过于庞大，使得数据库的存储与读取压力很大。此外，由于数据库的数据缺乏关联性，尤其是在存储的过程中，这导致后期通过数据分析客户的喜好非常耗时，且缺乏针对性的。


技术实现要素：

5.为解决现有技术中存在的不足，本发明的目的在于，解决云平台的数据库存储压力大以及客户需求喜好分析的问题，进而提出一种基于虚拟化的室内定制家居效果图搭配生成云平台。
6.本发明采用如下的技术方案。
7.一种基于虚拟化的室内定制家居效果图搭配生成云平台，包括：信息收集模块、逻辑处理模块与数据库；
8.信息收集模块设置在云平台的客户端中，用于收集用户的原始搭配数据，原始搭配数据包括多个字段；
9.逻辑处理模块设置在云平台的客户端中，包括：模板标记模块、历史数据获取模块与数据生成模块；
10.模板标记模块用于存储被用户标记为模板的原始搭配数据；
11.历史数据获取模块用于从服务端的数据库中获取该用户先前的所有标记为模板的二次搭配数据；
12.数据生成模块基于标记为模板的原始搭配数据，将未标记为模板的原始搭配数据进行简化得到关联的二次搭配数据，并一起上传给云平台的服务端；
13.数据库设置在云平台的服务端中，用于保存二次搭配数据。
14.本发明的有益效果在于，与现有技术相比，本发明具有以下优点：
15.(1)利用模板标记模块节约了云平台数据库的存储空间，同时方便了用户的操作。
16.(2)利用模板标记模块，极大的简化了后期用户偏好推荐算法的复杂度。
附图说明
17.图1本公开实施例提供的一种基于虚拟化的室内定制家居效果图搭配生成云平台。
18.图2本公开实施例提供的另一种基于虚拟化的室内定制家居效果图搭配生成云平台。
19.图3本公开实施例提供的一种基于虚拟化室内定制家具效果图搭配上传云平台的方法。
20.图4本公开实施例提供的一种生成二次搭配数据的方法。
具体实施方式
21.下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
22.在智能家居云平台的领域中，客户常有这样一种需求：利用apk客户端中可选择的二维或者三维模型，在模型中进行各种家居的搭配。例如，客户可以根据自己的喜好，选择不同颜色、尺寸、型号的沙发、酒柜、餐桌、椅子等在模型中自行搭配替换，从而生成家居效果图。在这种模式下，客户端会将客户每一次家居效果图的搭配数据上传给服务端。其中，搭配数据可以包括：沙发的型号、颜色、尺寸，橱柜的型号、颜色、尺寸，茶几的型号、颜色、尺寸等等。出于良好的居家体验需求，任何一个客户都会对各种家具精挑细选，反复权衡。但是，相关技术中，云平台将客户每一次的家居效果图的搭配数据存储到数据库，不仅仅造成存储空间的浪费(可能每一次搭配仅仅只有部分家居改变)，同时也对后期数据的提取分析不利。
23.本发明基于上述缺陷，本公开提出了一种基于虚拟化的室内定制家居效果图搭配生成云平台。该云平台包括：信息收集模块、逻辑处理模块与数据库。如图1所示。
24.信息收集模块设置在客户端中，用于收集客户的原始搭配数据。原始搭配数据包括多个字段，如表1所示。
25.在一些实施例中，信息收集模块分别在t1，t2，t3，t4时刻接收了如表1所示的原始搭配数据。客户首先在t1时刻对家居进行了第一次搭配，该第一次搭配可以是家具售卖人员推荐的一种搭配方案。紧接着，客户在t2时刻替换了沙发与酒柜，并生成了新的搭配效果图。然后，客户又在t3时刻替换了茶几的颜色，并再次生成了搭配效果图。再者，客户在t4时刻替换回了茶几的颜色。需要说明的是，为了叙述方便，本文中的“搭配效果图”与“原始搭配数据”是可以互换的概念。
26.表1
[0027][0028]
逻辑处理模块设置在客户端，用于将原始搭配数据进行处理后，上传给云平台的服务端。为了方便叙述，将处理后的原始搭配数据称作二次搭配数据。
[0029]
具体的，逻辑处理模块包括：模板标记模块、历史数据获取模块、数据生成模块与字段映射模块。相应的，客户端的界面提供模板标记按钮。
[0030]
模板标记模块用于存储被用户标记为模板的搭配效果图。在一些实施例中，客户端的界面提供模板标记按钮。用户可以点击模板标记按钮，将喜欢的搭配效果图标记为模板，从而可以快速的查看。例如，用户可以将t2时间的搭配效果图标记为模板，在这种情形下，用户不必每次重新搭配调整，只需要在该模板(即t2时间的搭配效果图)的基础上进行新的搭配调整即可。在另一些实施例中，逻辑处理模块还可以包括算法模块，算法模块可以使用深度学习算法将一些搭配效果图标记为模板。
[0031]
历史数据获取模块用于从服务端的数据库中获取该用户先前的所有标记为模板的二次搭配数据(其实也是原始搭配数据)。
[0032]
数据生成模块基于标记为模板的原始搭配数据，将未标记为模板的原始搭配数据进行简化得到关联的二次搭配数据，并一起上传给云平台的服务端。处理方式具体可以为：假如用户将t2时间的搭配效果图标记为模板，并在此基础上，生成了新的搭配效果图(即t3时间的搭配效果图)。那么二次搭配数据可以如表2所示。更广泛的，本段方法可以归纳为：将标记为模板的原始搭配数据作为第一数据(例如，t2时间的搭配效果图)，未标记为模板的原始搭配数据为第二数据(例如，t3时间的搭配效果图)；则第二数据简化得到的所述二次搭配数据(例如，如表2所示的t3时间的二次搭配数据)由字段“引用：第一数据的时间戳”(例如，表2中的“引用：t2”)，以及第二数据与第一数据不一样的字段组成(例如，“茶几颜色”字段为“黑色”)。
[0033]
可以理解的是，数据库中每一条数据的存储方式应当以元组的方式进行存储，这样就节约了t3时间的搭配效果图的除了“茶几颜色”选项外的其他选项的存储空间，而额外开销仅仅是新增一个“引用”字段。
[0034]
表2
[0035][0036]
需要说明的是，假如用户将t1时间的搭配效果图标记为模板，同时也将t4时间的搭配效果图也标记为模板，此时存在两个标记的模板。在此基础上，生成了t2时间的搭配效果图。由于t1时间的搭配效果图与t2时间的搭配效果图改变了5个选项，因此，数据生成模块处理原始搭配数据的方式还可以具体为：首先，计算t2时间的搭配效果图与每一个标记为模板的搭配效果图的相似度；然后，选择相似度最高(即差别较小)的模板作为t2时间的搭配效果图的模板。如表3所示。更广泛的，本段方法可以归纳为：将标记为模板的原始搭配数据包括：第一数据(例如，上述t1时间的搭配效果图)与第二数据(例如，上述t4时间的搭配效果图)，未标记为模板的原始搭配数据为第三数据(例如，上述t2时间的搭配效果图)；分别计算第三数据与第一数据的相似度以及第三数据与第二数据的相似度；若第三数据与第一数据的相似度高于第三数据与第二数据的相似度，则第三数据关联的二次搭配数据由字段“引用：第一数据的时间戳”，以及第三数据与第一数据不一样的字段组成；若第三数据与第一数据的相似度不高于第三数据与第二数据的相似度，则第三数据关联的二次搭配数据由字段“引用：第二数据的时间戳”(例如，如表3中的：“引用：t4”)，以及第三数据与第二数据不一样的字段组成(例如，如表3中的：“沙发颜色：黄色”)。
[0037]
也就是说，尽管从客户端的角度来讲，上述t2时间的搭配效果图是基于t1时间的搭配效果图生成的。但是传给服务端的二次搭配数据却是“引用”t4时间的搭配效果图。这么做的好处在于方便后期的用户偏好推荐算法。可以理解的是，上述t4时间可以大于t1时间，也可以小于t1时间。
[0038]
表3
[0039][0040]
具体的，本公开采用了如下相似度计算方案：
[0041]
(1)利用字段映射模块从服务端的数据库获取映射表，映射表中存储有多组预设的字段数值，每一个字段数值由一个抽象字段以及一个对应的数字向量组成。
[0042]
涉及色彩的抽象字段对应的数字向量为rgb数值。例如，黑色对应的三维数字向量就是(0，0，0)，白色对应的三维数字向量就是(255，255，255)。涉及型号的抽象字段对应的是由二级抽象字段对应的数字向量。例如，c1型号对应了2维数字向量(103，124)，由于c1型号是茶几的型号，而茶几的效果图搭配考虑的因素(除了颜色)通常仅仅为茶几的形状与茶几的茶几的大小。因此，在相关技术中，可以通过优化算法，通过学习大量的用户对各种型号的选择数据，将各个型号赋值为数字向量。
[0043]
(2)根据数字字段将搭配效果图转换为向量，并计算2个搭配效果图之间的相似
度。
[0044]
假设“s1型”、“蓝色”、“j1型”、“紫色”、“z1型”、“青色”对应的数值向量分别为(178)，(0，0，255)，(240，231)，(255，0，255)，(201，20，34，77)，(0，255，255)。那么，t1时间的搭配效果图可以用向量x1表示，x1＝(178，0，0，255，240，231，255，0，255，103，124，255，255，255，201，20，34，77，0，255，255)。同样的方法可以计算出t2时间的搭配效果图x2。更广泛的，本段方法可以归纳为：根据映射表，将二次搭配数据(例如，t1时间的搭配效果图)中的每一个字段转换为数字向量；依照二次搭配数据中字段的顺序(例如，按照表1中字段的顺序，分别是：沙发型号、沙发颜色、......、椅子颜色)，将该二次搭配数据的数字向量合并为一个向量(例如，x1)。
[0045]
可以理解的是，x1与x2的向量维度是一样的。最终，t1时间的搭配效果图与t2时间的搭配效果图的相似度o
x1x2
的计算公式如下所示：
[0046][0047]
其中，σ
x1
、σ
x2
分别为x1与x2的样本标准差。
[0048]
数据库在服务端中，可以是分布式存储，用于将处理后的搭配数据进行存储。
[0049]
更进一步的，服务端还包括：推荐模块与筛选模块，如图2所示。推荐模块用于推送智能家居云平台上其他用户的相似的搭配方案。筛选模块用于将相同二次搭配数据的用户进行筛选，在一些实施例中，往往只针对被标记为模板的二次搭配数据进行筛选。与之匹配的，上传给服务端的二次搭配数据中，每一条数据还要新增一个字段：引用数量。其中，没有被标记为模板的搭配效果图的二次搭配数据的引用数量为0，标记为模板的搭配效果图的二次搭配数据的引用数量为二次搭配数据中“引用”字段被引用的次数。
[0050]
在一些常见的用户偏好推荐算法中，可以将搭配效果图(或者是二次搭配数据)看作“商品”，将“引用数量”看作“商品的评分”。从而为用户推荐其他用户的搭配效果图。例如：智能家居云平台存储了用户y1、y2、y3、y4、y5的搭配效果图d1、d2、d3、d4，且用户yi的搭配效果图dj的“商品的评分”为g
ij
，其中，i＝1，2，3，4，5，j＝1，2，3，4。那么令gi＝(g
i1
，g
i2
，g
i3
，g
i4
)。则任意两个用户ys与y
t
之间的关联度t(ys，y
t
)由下式确定，其中，s，t＝1，2，3，4，5，且s≠t。
[0051][0052]
例如，当用户y1使用智能家居云平台时，智能家具云平台的服务端可以分别计算y1与y2、y1与y3、y1与y4、y1与y5的关联度，从t(y1，y2)、t(y1，y3)、t(y1，y4)、t(y1，y5)中选取关联度最大的值，例如是t(y1，y3)。则智能家居云平台可以将用户y3的其他的搭配效果图推荐给用户y1。
[0053]
根据用户偏好推荐算法，将引用数量字段作为对应的二次搭配数据的分值进行关联度计算，以选取关联度最大的其他用户，并将该最大的其他用户的其他的搭配效果图进行推荐。
[0054]
更进一步的，上传给服务端的二次搭配数据中，每一条数据还要新增一个字段：停留时长。停留时长用于记录客户从生成效果图开始到效果图结束的时长。效果图结束可以是用户进行新的搭配的时间点，也可以是用户关闭客户端的时间点。停留时长的意义在于，
停留时长可以结合上述“引用数量”一起看作“商品的评分”。在一些实施例中，可以将“停留时长”与“引用数量”的乘积作为“商品的评分”。更广泛的，本段方法可以归纳为：二次搭配数据还包括停留时长字段，停留时长用于记录客户从生成效果图开始到效果图结束的时长，将停留时长与引用数量的乘积作为对应的二次搭配数据的分值。
[0055]
与上述云平台系统相匹配的，本发明还公开了一种基于虚拟化室内定制家具效果图搭配上传云平台的方法，如图3所示，包括如下步骤：
[0056]
步骤s1，收集客户的多个原始搭配数据；
[0057]
步骤s2，将标记为模板的原始搭配数据作为二次搭配数据直接上传给服务端；
[0058]
步骤s3，从服务端的数据库中获取该用户先前的所有标记为模板的二次搭配数据；
[0059]
步骤s4，基于标记为模板的原始搭配数据，将未标记为模板的原始搭配数据进行简化得到关联的二次搭配数据，并上传给云平台的服务端进行保存。
[0060]
进一步的，步骤s1中，多个原始搭配数据包括：标记为模板的第一数据与第二数据，以及未标记为模板的第三数据；与之匹配的，如图4所示，步骤s4重基于标记为模板的原始搭配数据，将未标记为模板的原始搭配数据进行简化得到二次搭配数据具体包括：
[0061]
步骤s41，分别计算第三数据与第一数据的相似度以及第三数据与第二数据的相似度；
[0062]
步骤s42，若第三数据与第一数据的相似度高于第三数据与第二数据的相似度，则第三数据关联的二次搭配数据由字段“引用：第一数据的时间戳”，以及第三数据与第一数据不一样的字段组成；若第三数据与第一数据的相似度不高于第三数据与第二数据的相似度，则第三数据关联的二次搭配数据由字段“引用：第二数据的时间戳”，以及第三数据与第二数据不一样的字段组成。
[0063]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。