本申请实施例涉及计算机技术领域，具体涉及用于识别应用的使用场景的方法和装置。
背景技术
现有的应用一般有至少一种使用场景。以导航应用为例，导航应用的使用场景大体可分为两种，一种是在车上，例如用户在车上使用导航应用进行导航；另一种是不在车上，例如用户在室内或其它场所使用导航应用进行路线查询等。通过对应用当前的使用场景进行识别，可以将所得的识别结果应用于信息推送和/或用户画像生成等应用场景。
技术实现要素：
本申请实施例提出了用于识别应用的使用场景的方法和装置。
第一方面，本申请实施例提供了一种用于识别应用的使用场景的方法，该方法包括：响应于检测到目标应用的归属于预设类别的子应用被运行，对周围环境中的语音信息进行采集；对采集到的语音信息进行特征提取，将提取出的特征信息输入预先训练的场景识别模型，得到识别结果，其中，上述识别结果包括上述语音信息是在预设场景下采集的概率，上述场景识别模型用于表征特征信息与识别结果之间的对应关系；基于上述概率，确定上述目标应用当前的使用场景是否为上述预设场景。
在一些实施例中，上述方法还包括：生成用于提示上述目标应用的使用场景是否为上述预设场景的提示信息，以及输出上述提示信息。
在一些实施例中，上述输出上述提示信息，包括：将上述提示信息输出至对上述目标应用提供支持的服务端。
在一些实施例中，上述基于上述概率，确定上述目标应用当前的使用场景是否为上述预设场景，包括：确定上述概率是否大于概率阈值；若上述概率大于上述概率阈值，则确定上述目标应用当前的使用场景是上述预设场景。
在一些实施例中，上述基于上述概率，确定上述目标应用当前的使用场景是否为上述预设场景，还包括：若上述概率不大于上述概率阈值，则确定上述目标应用当前的使用场景不是上述预设场景。
在一些实施例中，上述对采集到的语音信息进行特征提取，包括：采用快速傅里叶变换算法提取出上述语音信息的频谱，将上述频谱作为上述特征信息。
在一些实施例中，上述场景识别模型是通过对预设的深度神经网络进行以下训练操作训练得到的：获取预设的训练样本集合，其中，训练样本包括语音信息和标注信息，上述标注信息用于指示所对应的语音信息是否为在上述预设场景下采集的语音信息；对于上述训练样本集合中的训练样本，对该训练样本中的语音信息进行特征提取，将提取出的特征信息输入上述深度神经网络，得到该训练样本中的语音信息是在上述预设场景下采集的概率，确定该概率与该训练样本中的标注信息之间的差异，基于上述差异调整上述深度神经网络的参数。
第二方面，本申请实施例提供了一种用于识别应用的使用场景的装置，该装置包括：采集单元，被配置成响应于检测到目标应用的归属于预设类别的子应用被运行，对周围环境中的语音信息进行采集；识别单元，被配置成对采集到的语音信息进行特征提取，将提取出的特征信息输入预先训练的场景识别模型，得到识别结果，其中，上述识别结果包括上述语音信息是在预设场景下采集的概率，上述场景识别模型用于表征特征信息与识别结果之间的对应关系；确定单元，被配置成基于上述概率，确定上述目标应用当前的使用场景是否为上述预设场景。
在一些实施例中，上述装置还包括：输出单元，被配置成生成用于提示上述目标应用的使用场景是否为上述预设场景的提示信息，以及输出上述提示信息。
在一些实施例中，上述输出单元进一步被配置成：将上述提示信息输出至对上述目标应用提供支持的服务端。
在一些实施例中，上述确定单元包括：确定子单元，被配置成确定上述概率是否大于概率阈值；第一处理子单元，被配置成若上述概率大于上述概率阈值，则确定上述目标应用当前的使用场景是上述预设场景。
在一些实施例中，上述确定单元还包括：第二处理子单元，被配置成若上述概率不大于上述概率阈值，则确定上述目标应用当前的使用场景不是上述预设场景。
在一些实施例中，上述识别单元进一步被配置成：采用快速傅里叶变换算法提取出上述语音信息的频谱，将上述频谱作为上述特征信息。
在一些实施例中，上述场景识别模型是通过对预设的深度神经网络进行以下训练操作训练得到的：获取预设的训练样本集合，其中，训练样本包括语音信息和标注信息，上述标注信息用于指示所对应的语音信息是否为在上述预设场景下采集的语音信息；对于上述训练样本集合中的训练样本，对该训练样本中的语音信息进行特征提取，将提取出的特征信息输入上述深度神经网络，得到该训练样本中的语音信息是在上述预设场景下采集的概率，确定该概率与该训练样本中的标注信息之间的差异，基于上述差异调整上述深度神经网络的参数。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于识别应用的使用场景的方法和装置，通过响应于检测到目标应用的归属于预设类别的子应用被运行而对周围环境中的语音信息进行采集，而后对采集到的语音信息进行特征提取，将提取出的特征信息输入预先训练的场景识别模型，得到包括该语音信息是在预设场景下采集的概率的识别结果，以便基于该识别结果中的概率，确定目标应用当前的使用场景是否为该预设场景，实现了对目标应用当前的使用场景的识别。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于识别应用的使用场景的方法的一个实施例的流程图；
图3是根据本申请的用于识别应用的使用场景的方法的一个应用场景的示意图；
图4是根据本申请的用于识别应用的使用场景的方法的又一个实施例的流程图；
图5是根据本申请的用于识别应用的使用场景的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于识别应用的使用场景的方法或用于识别应用的使用场景的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101，网络102和语音采集装置103。网络102用以在终端设备101和语音采集装置103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101可以通过网络102与语音采集装置103进行交互，以从语音采集装置103获取所需的语音信息，并对该语音信息进行分析等处理。终端设备101上可以安装有各种通讯客户端应用，例如网页浏览器应用、能够提供语音服务的应用(例如导航应用、输入法应用、拍照类应用等)等。
终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
语音采集装置103例如可以是麦克风等。语音采集装置103可以用于进行语音信息采集，并将采集到的语音信息发送给终端设备101。
需要说明的是，本申请实施例所提供的用于识别应用的使用场景的方法一般由终端设备101执行。相应地，用于识别应用的使用场景的装置一般设置于终端设备101中。
应该理解，图1中的终端设备、网络和语音采集装置的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和语音采集装置。
继续参考图2，示出了根据本申请的用于识别应用的使用场景的方法的一个实施例的流程200。该用于识别应用的使用场景的方法的流程200，包括以下步骤：
步骤201，响应于检测到目标应用的归属于预设类别的子应用被运行，对周围环境中的语音信息进行采集。
在本实施例中，用于识别应用的使用场景的方法的执行主体(例如图1所示终端设备101)可以响应于检测到目标应用的归属于预设类别的子应用被运行而对周围环境中的语音信息进行采集。其中，目标应用可以是上述执行主体上已安装的包括归属于预设类别的子应用的应用。预设类别可以包括语音服务提供类等。语音服务提供类下的子应用可以是用于提供语音服务的子应用。
需要说明的是，上述执行主体可以实时或定时地检测目标应用的归属于预设类别的子应用是否被运行。而且，上述执行主体可以采用各种检测方法来检测该子应用是否被运行。
例如，子应用可以与进程标识相关联。当一个子应用被运行时，该子应用所关联的进程标识会被写入预设的进程标识列表。上述执行主体可以检测该进程标识列表中是否存在目标应用的归属于预设类别的子应用所关联的进程标识，若存在，则上述执行主体可以确定目标应用的归属于预设类别的子应用被运行。
再例如，子应用可以关联有进程运行状态，该进程运行状态可以是该子应用所关联的进程标识所指示的进程的运行状态。进程运行状态例如可以包括用于指示进程正在运行中的第一状态。上述执行主体可以检测目标应用的归属于预设类别的子应用所关联的进程运行状态是否为第一状态，若是，则上述执行主体可以确定该子应用被运行。
需要指出的是，上述执行主体在检测到目标应用的归属于预设类别的子应用被运行后，可以利用所连接的语音采集装置(例如图1所示的语音采集装置103)对周围环境中的语音信息进行采集。另外，采集到的语音信息的时长可以为指定时长(例如0.1或0.2秒等)。应该理解，指定时长是可以根据实际需要进行调整的，本实施例不对此方面内容做任何限定。
步骤202，对采集到的语音信息进行特征提取，将提取出的特征信息输入预先训练的场景识别模型，得到识别结果。
在本实施例中，上述执行主体可以对采集到的语音信息进行特征提取，将提取出的特征信息输入预先训练的场景识别模型，得到识别结果。其中，识别结果可以包括语音信息是在预设场景下采集的概率。预设场景例如可以包括车载场景等。车载场景也可称为“车内”或“车上”。
另外，场景识别模型可以用于表征特征信息与识别结果之间的对应关系。场景识别模型可以是技术人员基于大量统计计算而预先制定的、用于表征特征信息与识别结果之间的对应关系的对应关系表；也可以是使用朴素贝叶斯模型(naivebayesianmodel，nbm)、支持向量机(supportvectormachine，svm)、xgboost(extremegradientboosting)等用于分类的模型或使用分类函数(例如softmax函数等)等进行训练得到的。
在本实施例中，上述执行主体例如可以采用短时傅里叶变换(short-timefouriertransform，stft)算法对采集到的语音信息进行特征提取。其中，短时傅里叶变换是和傅里叶变换相关的一种数学变换，可以用以确定时变信号其局部区域正弦波的频率与相位。
在本实施例的一些可选的实现方式中，上述执行主体可以采用快速傅里叶变换(fastfouriertransform，fft)算法提取出采集到的语音信息的频谱，将该频谱作为特征信息。其中，该频谱可以是用向量表示的频谱。fft是离散傅里叶变换的快速算法，可以将语音信号变换到频域。另外，fft还可以将语音信号的频谱提取出来。
在本实施例的一些可选的实现方式中，上述场景识别模型可以是执行端(例如上述执行主体或与上述执行主体远程通信连接的服务器)通过对预设的深度神经网络进行训练操作训练得到的。该深度神经网络可以是未经训练或未训练完成的多层深度神经网络，例如7层深度神经网络。从第一层开始，该7层深度神经网络所包括的各层可以依次为输入层(用于进行一维卷积的卷积层)、全连接层、全连接层、全连接层、池化层、全连接层、输出层(用于进行分类的层)。
其中，上述训练操作可以包括：
首先，获取预设的训练样本集合。其中，上述执行端可以从本地或所连接的服务器获取该训练样本集合。训练样本可以包括语音信息和标注信息。标注信息可以用于指示所对应的语音信息是否为在上述预设场景下采集的语音信息。另外，标注信息可以用数字0或1表示。当标注信息为0时，可以表示该标注信息所对应的语音信息不是在上述预设场景下采集的语音信息。当标注信息为1时，可以表示该标注信息所对应的语音信息是在上述预设场景下采集的语音信息。
而后，对于上述训练样本集合中的训练样本，例如上述训练样本集合中的每个训练样本，上述执行端可以执行以下操作：
第一，对训练样本中的语音信息进行特征提取。这里，上述执行端例如可以采用如上述步骤202对采集到的语音信息进行特征提取时所采用的算法对训练样本中的语音信息进行特征提取。
第二，将提取出的特征信息输入上述深度神经网络，得到训练样本中的语音信息是在上述预设场景下采集的概率。
第三，确定训练样本中的语音信息是在上述预设场景下采集的概率与训练样本中的标注信息之间的差异。这里，上述执行端可以采用各种损失函数来确定差异，采用损失函数确定差异的方式是目前广泛研究和应用的公知技术，在此不再赘述。
第四，基于差异调整上述深度神经网络的参数。这里，上述执行端可以采用各种实现方式基于差异调整上述深度神经网络的参数。例如，可以采用bp(backpropagation，反向传播)算法或者sgd(stochasticgradientdescent，随机梯度下降)算法等来调整上述深度神经网络的参数。
实践中，当上述训练样本集合中的训练样本中的语音信息是在上述预设场景下采集的概率与该训练样本中的标注信息之间的差异满足预设的收敛条件时，上述深度神经网络训练完成。该收敛条件例如可以是训练样本中的语音信息是在上述预设场景下采集的概率与该训练样本中的标签信息之间的差异小于预设的阈值。
步骤203，基于识别结果中的概率，确定目标应用当前的使用场景是否为预设场景。
在本实施例中，上述执行主体可以基于在步骤202中所得的识别结果中的概率，确定目标应用当前的使用场景是否为预设场景。作为示例，上述执行主体可以将该概率与概率阈值进行比较，若该概率大于该概率阈值，上述执行主体可以确定目标应用的当前使用场景是上述预设场景。
在本实施例的一些可选的实现方式中，若识别结果中的概率不大于概率阈值，则上述执行主体可以确定目标应用当前的使用场景不是上述预设场景。
在本实施例的一些可选的实现方式中，上述执行主体可以生成用于提示目标应用的使用场景是否为预设场景的提示信息，以及输出该提示信息。例如，将该提示信息输出至所连接的信息推送系统和/或用户画像生成系统等。这样，可以扩展对目标应用当前的使用场景进行识别所得的识别结果的应用场景。
需要说明的是，若上述执行主体确定目标应用当前的使用场景是上述预设场景，则上述执行主体可以生成包括上述预设场景的名称或标识的提示信息，也可以生成包括数字1的提示信息。数字1可以用于表征目标应用当前的使用场景是上述预设场景。若上述执行主体确定目标应用当前的使用场景不是上述预设场景，则上述执行主体可以生成包括“非”和预设场景的名称的提示信息，例如，若预设场景的名称为“车载场景”，则提示信息可以包括“非车载场景”；或者上述执行主体可以生成包括数字0的提示信息。数字0可以用于表征目标应用当前的使用场景不是预设场景。
继续参见图3，图3是根据本实施例的用于识别应用的使用场景的方法的应用场景的一个示意图。在图3的应用场景中，用户可以持有与语音采集装置相连接的终端设备，该终端设备上可以安装有导航应用，该导航应用可以包括用于提供语音服务的子应用，该子应用可以响应于导航应用被启动而自动启动。另外，预设场景为车载场景。上述用户在驾车出行时，可以开启上述终端设备上的导航应用来进行导航。如标号301所示，响应于上述终端设备检测到上述子应用被运行，上述终端设备可以向上述语音采集装置发送语音信息采集指令。而后，如标号302所示，上述语音采集装置可以基于该语音信息采集指令，对周围环境中的语音信息进行采集，并将采集到的语音信息发送给上述终端设备。接着，如标号303所示，上述终端设备可以对采集到的语音信息进行特征提取，将提取出的特征信息输入预先训练的场景识别模型，得到识别结果，其中，该识别结果可以包括该语音信息是在车载场景下采集的概率。然后，如标号304所示，上述终端设备可以将该概率与概率阈值进行比较，确定该概率是否大于该概率阈值。最后，如标号305所示，响应于上述终端设备确定该概率大于该概率阈值，上述终端设备可以确定导航应用当前的使用场景是车载场景。
本申请的上述实施例提供的方法，通过响应于检测到目标应用的归属于预设类别的子应用被运行而对周围环境中的语音信息进行采集，而后对采集到的语音信息进行特征提取，将提取出的特征信息输入预先训练的场景识别模型，得到包括该语音信息是在预设场景下采集的概率的识别结果，以便基于该识别结果中的概率，确定目标应用当前的使用场景是否为该预设场景，实现了对目标应用当前的使用场景的识别。
进一步参考图4，其示出了用于识别应用的使用场景的方法的又一个实施例的流程400。该用于识别应用的使用场景的方法的流程400，包括以下步骤：
步骤401，响应于检测到目标应用的归属于预设类别的子应用被运行，对周围环境中的语音信息进行采集。
步骤402，对采集到的语音信息进行特征提取，将提取出的特征信息输入预先训练的场景识别模型，得到识别结果。
步骤403，基于识别结果中的概率，确定目标应用当前的使用场景是否为预设场景。
步骤404，生成用于提示目标应用的使用场景是否为预设场景的提示信息，以及将提示信息输出至对目标应用提供支持的服务端。
在本实施例中，针对步骤401-403的解释说明，可分别参看图2所示实施例中的步骤201-203的相关说明，在此不再赘述。
针对步骤404，用于识别应用的使用场景的方法的执行主体(例如图1所示的终端设备101)可以生成用于提示目标应用的使用场景是否为预设场景的提示信息。其中，若上述执行主体确定目标应用当前的使用场景是预设场景，则上述执行主体可以生成包括预设场景的名称或标识的提示信息，也可以生成包括数字1的提示信息。数字1可以用于表征目标应用当前的使用场景是预设场景。若上述执行主体确定目标应用当前的使用场景不是预设场景，则上述执行主体可以生成包括“非”和预设场景的名称的提示信息，例如，若预设场景的名称为“车载场景”，则提示信息可以包括“非车载场景”；或者上述执行主体可以生成包括数字0的提示信息。数字0可以用于表征目标应用当前的使用场景不是预设场景。
另外，上述执行主体还可以将所生成的提示信息输出至对目标应用提供支持的服务端。这样，该服务端可以基于目标应用当前的使用场景，向上述执行主体所归属的用户定制场景个性化的服务。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于识别应用的使用场景的方法的流程400突出了生成用于提示目标应用当前的使用场景是否为预设场景的提示信息以及将提示信息输出至对目标应用提供支持的服务端的步骤。由此，本实施例描述的方案不仅可以实现对目标应用当前的使用场景的识别，还可以实现富于针对性的信息推送。通过将所生成的提示信息推送给对目标应用提供支持的服务端，可以帮助该服务端给用户定制场景个性化的服务。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于识别应用的使用场景的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于识别应用的使用场景的装置500包括：采集单元501、识别单元502和确定单元503。其中，采集单元501可以被配置成响应于检测到目标应用的归属于预设类别的子应用被运行，对周围环境中的语音信息进行采集；识别单元502可以被配置成对采集到的语音信息进行特征提取，将提取出的特征信息输入预先训练的场景识别模型，得到识别结果，其中，识别结果可以包括该语音信息是在预设场景下采集的概率，场景识别模型可以用于表征特征信息与识别结果之间的对应关系；确定单元503可以被配置成基于该概率，确定目标应用当前的使用场景是否为预设场景。
在本实施例中，用于识别应用的使用场景的装置500中：采集单元501、识别单元502和确定单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述装置500还可以包括：输出单元(图中未示出)，被配置成生成用于提示目标应用的使用场景是否为预设场景的提示信息，以及输出提示信息。
在本实施例的一些可选的实现方式中，上述输出单元可以进一步被配置成：将提示信息输出至对目标应用提供支持的服务端。
在本实施例的一些可选的实现方式中，上述确定单元503可以包括：确定子单元(图中未示出)，被配置成确定上述概率是否大于概率阈值；第一处理子单元(图中未示出)，被配置成若上述概率大于上述概率阈值，则确定上述目标应用当前的使用场景是上述预设场景。
在本实施例的一些可选的实现方式中，上述确定单元503还可以包括：第二处理子单元(图中未示出)，被配置成若上述概率不大于上述概率阈值，则确定上述目标应用当前的使用场景不是上述预设场景。
在本实施例的一些可选的实现方式中，上述识别单元502可以进一步被配置成：采用快速傅里叶变换算法提取出上述语音信息的频谱，将上述频谱作为上述特征信息。
在本实施例的一些可选的实现方式中，上述场景识别模型可以是通过对预设的深度神经网络进行以下训练操作训练得到的：获取预设的训练样本集合，其中，训练样本可以包括语音信息和标注信息，标注信息可以用于指示所对应的语音信息是否为在上述预设场景下采集的语音信息；对于训练样本集合中的训练样本，对该训练样本中的语音信息进行特征提取，将提取出的特征信息输入上述深度神经网络，得到该训练样本中的语音信息是在上述预设场景下采集的概率，确定该概率与该训练样本中的标注信息之间的差异，基于该差异调整上述深度神经网络的参数。
本申请的上述实施例提供的装置，通过响应于检测到目标应用的归属于预设类别的子应用被运行而对周围环境中的语音信息进行采集，而后对采集到的语音信息进行特征提取，将提取出的特征信息输入预先训练的场景识别模型，得到包括该语音信息是在预设场景下采集的概率的识别结果，以便基于该识别结果中的概率，确定目标应用当前的使用场景是否为该预设场景，实现了对目标应用当前的使用场景的识别。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的终端设备101)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括采集单元、识别单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，采集单元还可以被描述为“对周围环境中的语音信息进行采集的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备包括：响应于检测到目标应用的归属于预设类别的子应用被运行，对周围环境中的语音信息进行采集；对采集到的语音信息进行特征提取，将提取出的特征信息输入预先训练的场景识别模型，得到识别结果，其中，识别结果可以包括该语音信息是在预设场景下采集的概率，场景识别模型可以用于表征特征信息与识别结果之间的对应关系；基于该概率，确定目标应用当前的使用场景是否为预设场景。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。