基于深度学习的智能家居用户操控习惯挖掘与推荐方法与流程

本发明涉及智能家居的技术领域，尤其涉及到基于深度学习的智能家居用户操控习惯挖掘与推荐方法。

背景技术：

智能家居是在互联网影响之下物联化的体现，其通过物联网技术将家中的各种设备(如音视频设备、照明系统、窗帘控制、空调控制、安防系统、数字影院系统、影音服务器、影柜系统、网络家电等)连接到一起，提供家电控制、照明控制、电话远程控制、室内外遥控、防盗报警、环境监测、暖通控制、红外转发以及可编程定时控制等多种功能和手段。而智能家居操控行为推荐更为用户控制自己需要的设备带来方便。

智能家居操控行为推荐，针对用户的历史行为数据提取用户一整天的操控行为特征，并形成符合用户操控习惯的推荐方案给予用户推荐。传统的基于关联规则算法产生的行为推荐方案，主要有以下缺点：

①传统推荐方法所产生的智能家居操控行为推荐方案不具备时间连贯性，无法一次性生成用户一整天的操控习惯，不具备智能产生情景推荐方案的功能。

②传统的智能家居算法绝大部分仅根据用户数据的某一个或多个特征元素(如时间)进行聚类推荐，无法挖掘用户所有的特征元素之间的潜在关系。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种具备时间连贯性、能一次性生成用户一整天的操控习惯、具备智能产生情景推荐方案、能挖掘用户所有的特征元素之间的潜在关系的基于深度学习的智能家居用户操控行为习惯挖掘与推荐方法。

为实现上述目的，本发明所提供的技术方案为：

基于深度学习的智能家居用户操控习惯挖掘与推荐方法，包括以下步骤：

s1：结合无线或有线网络进行用户行为习惯数据的采集；

s2：数据读取及数据预处理，形成用户的操控记录矩阵；

s3：进行gan网络对抗训练生成用户一天的操控习惯的特征矩阵；

s4：根据用户设备的操控状态的取值范围进行特征值规范化，形成最终的智能家居操控行为推荐方案。

进一步地，所述步骤s2具体过程如下：

s2-1：数据读取：提供在线以及离线入口，在线入口支持直接从数据库读取相应数据后进行后续处理，离线入口则支持输入符合主流规范的csv文件；

s2-2：用户操控记录矩阵的形成：根据用户记录产生的日期进行数据分割与填充，假设有n天的记录则将形成n个用户操控记录矩阵。

进一步地，所述形成用户操控记录矩阵的具体步骤如下：

a1：根据用户操控记录的产生时间进行时间节点的聚类，形成k个用户最常操控家居设备的频繁操控时间节点；

a2：针对步骤a1所产生的k个用户最常操控家居设备的频繁操控时间节点、用户所拥有的m个智能家居设备以及用户某一天中的所有操控记录形成一个k行m列的用户操控记录矩阵：若第i个频繁操控时间节点时的前后20分钟共40分钟内，第j个智能家居设备的操控记录不为空，则将用户操控记录矩阵的第i行第j列的数据更改为当前频繁操控时间节点得该记录中的该智能家居设备的操控状态；反之则将用户操控记录矩阵的第i行第j列的数据置为0；直至所有频繁操控时间节点和所有智能家居设备的操控记录均被遍历为止；

a3：按用户操控记录的产生日期的不同依照步骤a2生成n个不同日期所对应的n个k行m列的用户操控记录矩阵，并将其按照日期不同保存为n个.csv文件进行备份。

进一步地，所述步骤a1形成k个用户最常操控家居设备的频繁操控时间节点的具体步骤如下：

a1-1：随机选择k个频繁操控时间节点；

a1-2：对每个用户操控记录的生成时间，分别与k个频繁操控时间节点比较，如果该记录的生成时间与第i个频繁操控时间节点的余弦相似度最大，则将该记录就标记为i；

a1-3：对所有标记为i的用户操控记录的生成时间重新计算平均操作时间并将平均操作时间更新为第i个频繁操控时间节点；

a1-4：重复步骤a1-2和a1-3，直到k个频繁操控时间节点的变化小于给定阈值；

a1-5：形成k个用户最常操控家居设备的频繁操控时间节点。

进一步地，所述gan网络由生成模型g和判别模型d两部分组成；生成模型g以隐变量n为输入，生成尽量与训练数据相似的样本；而判别模型d为二分类器，目的是区分由g生成的样本及训练数据中的真实样本；

gan网络的目标函数如下：

要让判别模型d越来越无法判断孰真孰假，即最大化判别误差；同时又不断地让假样本与真样本的差距越来越小，即最小化两者的差异；

优化网络参数即为迭代优化生成模型g和判别模型d：

(4)优化生成模型g，使其尽可能混淆判别模型d；

(5)优化判别模型d，使其尽可能分辨出假冒的东西；

(6)不断如此重复，当判别模型d无法分辨出真假的时候，认为由生成模型g生成的样本为真实样本；

从而使生成的特征矩阵涵盖了用户过去n天的操控记录的一些代表性的特征以及经常重现的一些潜在的特征即用户的操控习惯，所以最终输出的特征矩阵即代表了用户过去n天中所隐藏的操控习惯。

进一步地，所述步骤s4具体过程如下：

根据gan网络挖掘得到的用户潜在的操控习惯的特征矩阵后，通过数值型处理将可能具有小数数值的用户潜在的操控习惯的特征矩阵，再依照各智能家居设备的状态取值范围进行规范化，使得智能家居的控制中心能对相应的设备进行状态设定，即可完成根据用户过去n天的历史操控记录提取出用户一整天的操控行为特征，并形成符合用户操控习惯方案并进行推荐，实现智能家居设备操控的智能化。

进一步地，所述智能家居设备状态取值范围的规范化机制如下：若该智能家居设备的操控状态取值范围为整数，则将该特征值进行四舍五入取整处理；若该智能家居设备的操控状态取值范围为连续性区间内的某一保留有n位小数的浮点数，则仅对该特征值进行保留n位小数处理。

与现有技术相比，本方案原理和优点如下：

本方案将一堆用户行为习惯的操作数据进行预处理后，通过gan深度神经网络挖掘符合用户操控习惯的一整天的智能家居操控行为推荐方案。本方案能实现从用户历史操控数据中挖掘出用户一整天的操控习惯，而且形成高效，同时增强了智能家居操控行为推荐方案的可扩展性，填补了传统算法的不足。

附图说明

图1为本发明基于深度学习的智能家居用户操控习惯挖掘与推荐方法的流程框图；

图2为本发明基于深度学习的智能家居用户操控习惯挖掘与推荐方法中数据预处理的流程框图；

图3为本发明基于深度学习的智能家居用户操控习惯挖掘与推荐方法中形成用户操控记录矩阵的流程框图；

图4为本发明基于深度学习的智能家居用户操控习惯挖掘与推荐方法中gan深度神经网络的体系结构图；

图5为本发明基于深度学习的智能家居用户操控习惯挖掘与推荐方法中形成智能家居操控行为推荐方案的流程框图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

参见附图1所示，本实施例所述的基于深度学习的智能家居用户操控习惯挖掘与推荐方法，包括以下步骤：

s1：结合无线或有线网络进行用户行为习惯数据的采集；

s2：数据读取及数据预处理，形成用户的操控记录矩阵，具体过程如图2所示；即：

s2-1：数据读取：提供在线以及离线入口，在线入口支持直接从数据库读取相应数据后进行后续处理，离线入口则支持输入符合主流规范的csv文件；

s2-2：用户操控记录矩阵的形成：根据用户记录产生的日期进行数据分割与填充，假设有n天的记录则将形成n个用户操控记录矩阵。具体的步骤如图3所示：

a1：根据用户操控记录的产生时间进行时间节点的聚类，形成k个用户最常操控家居设备的频繁操控时间节点；本步骤由k-means算法实现时间节点的聚类：k-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。具体流程如下：

a1-1：随机选择k个频繁操控时间节点；

a1-2：对每个用户操控记录的生成时间，分别与k个频繁操控时间节点比较，如果该记录的生成时间与第i个频繁操控时间节点的余弦相似度最大，则将该记录就标记为i；

a1-3：对所有标记为i的用户操控记录的生成时间重新计算平均操作时间并将平均操作时间更新为第i个频繁操控时间节点；

a1-4：重复步骤a1-2和a1-3，直到k个频繁操控时间节点的变化小于给定阈值；

a1-5：形成k个用户最常操控家居设备的频繁操控时间节点。

a2：针对步骤a1所产生的k个用户最常操控家居设备的频繁操控时间节点、用户所拥有的m个智能家居设备以及用户某一天中的所有操控记录形成一个k行m列的用户操控记录矩阵：若第i个频繁操控时间节点时的前后20分钟共40分钟内，第j个智能家居设备的操控记录不为空，则将用户操控记录矩阵的第i行第j列的数据更改为当前频繁操控时间节点得该记录中的该智能家居设备的操控状态；反之则将用户操控记录矩阵的第i行第j列的数据置为0；直至所有频繁操控时间节点和所有智能家居设备的操控记录均被遍历为止；

a3：按用户操控记录的产生日期的不同依照步骤a2生成n个不同日期所对应的n个k行m列的用户操控记录矩阵，并将其按照日期不同保存为n个.csv文件进行备份。

s3：使用对抗生成网络(generativeadversarialnet，缩写gan)来进行智能家居用户操控习惯的挖掘，图4给出了本实施例所使用的gan网络的模型并据此展开详细的说明：

gan网络的原理：

生成式对抗网络由生成模型g和判别模型d两部分组成。生成模型g以隐变量n为输入，生成尽量与训练数据相似的样本。而判别模型d是一个二分类器，目的是区分由g生成的样本及训练数据中的真实样本，一般是将g生成的样本判别为0而将训练数据中的真实样本判别为1。整个网络的目的就是经过若干轮的生成与对抗判别后，让判别器无法识别出假样本即判别器输出接近0.5，此时说明生成模型生成的假样本已经跟绝大部分的真实样本所具有的代表性特征保持一致，已经到了“可以以假乱真”的地步，此时网络就会输出生成模型最后一轮所生成的假样本。在本实施例的背景下，即gan能够根据用户n天的操控记录生成一个涵盖过去n天的所有操控记录的代表性特征及用户最常重现的操控习惯的特征矩阵，并交给后续的特征值规范化机制进行处理后，便会生成符合用户操控习惯的一整天的推荐方案。在学习过程中，gan网络的目标函数为：

公式说明，算法要让判别器越来越无法判断孰真孰假，即最大化(max)判别误差；同时又不断地让假样本与真样本的差距越来越小，即最小化(min)两者的差异。总而言之，这其实是一种二者博弈的过程，将生成器看成是鹰品制造者，判别器看成是真品鉴别师，为了不让真品鉴别师鉴别出生产的鹰品，鹰品制造者必须将产品做得和真品足够相似，而真品鉴别师为了不让鹰品流入市场，只能不断提高自己辨别真假的能力，随着真品鉴别师的鉴别能力的提升，鹰品制造者无赖只能将产品做得与真品更加相似，如此反复，鹰品越来越像真品，真品鉴别师也练就火眼金睛，最终达到两者的均衡状态(判别模型输出约为0.5)。优化网络参数时一般是迭代优化生成模型g和判别模型d：

(1)优化生成模型g，使其尽可能混淆判别模型d。

(2)优化判别模型d，使其尽可能分辨出假冒的东西。

(3)不断如此重复，当判别模型d无法分辨出真假的时候，可以认为由生成模型g生成的样本就是真实样本。在本实施例的背景下就是说，生成的特征矩阵涵盖了用户过去n天的操控记录的一些代表性的特征以及经常重现的一些潜在的特征即用户的操控习惯，所以最终输出的特征矩阵就是代表了用户过去n天中所隐藏的操控习惯。

s4：如图5所示，根据gan网络挖掘得到的用户潜在的操控习惯的特征矩阵后，通过数值型处理将可能具有小数数值的用户潜在的操控习惯的特征矩阵，再依照各智能家居设备的状态取值范围进行规范化，使得智能家居的控制中心能对相应的设备进行状态设定，即可完成根据用户过去n天的历史操控记录提取出用户一整天的操控行为特征，并形成符合用户操控习惯方案并进行推荐，实现智能家居设备操控的智能化。

而智能家居设备状态取值范围的规范化机制如下：

若该智能家居设备的操控状态取值范围为整数，则将该特征值进行四舍五入取整处理；若该智能家居设备的操控状态取值范围为连续性区间内的某一保留有n位小数的浮点数，则仅对该特征值进行保留n位小数处理。

本实施例将一堆用户行为习惯的操作数据进行预处理后，通过gan深度神经网络挖掘符合用户操控习惯的一整天的智能家居操控行为推荐方案。本方案能实现从用户历史操控数据中挖掘出用户一整天的操控习惯，而且形成高效，同时增强了智能家居操控行为推荐方案的可扩展性，填补了传统算法的不足。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。