一种确定控制方案的推荐概率的方法、装置及存储介质与流程

本公开涉及设备控制，提供了一种确定控制方案的推荐概率的方法、装置及存储介质。

背景技术：

1、目前，家庭场景下智能家居设备的控制方式主要包含两种：一种方案是明确意图的控制指令，如执行一种指令“打开空调”，或执行一种模式“睡眠模式”，另一种方案是模糊语义指令，如“家里有点冷”，或“我要睡觉了”。在上述第二种方案中，模糊语义指令并不是一种真正的设备控制指令，无法对设备直接进行控制。当用户说“家里有点冷”时，首先，需要判断用户的意图，然后，判断用户意图涉及到的设备，以及所有涉及设备的状态、设备当前的参数设置、设备的优先级等，最后，锁定设备后，再根据用户意图进行合理的参数设置。显然，在上述一系列的决策判断过程中，需要大量的逻辑判断，当判断条件细化时，逻辑判断就会大量增加。大量的逻辑判断耗时耗力，尤其是当需求迭代优化时，就需要频繁修改逻辑，这种决策方式是人工的、非智能的。

2、在知识泛滥和人工智能飞速发展的时代，如何利用已有知识，利用合理的算法进行智能决策，是大量学者和垂直领域厂商研究的方向。基于知识图谱的推荐算法将知识图谱作为辅助信息引入到推荐算法逐渐成为了研究热点。知识图谱中节点表示实体，有向边表示实体之间的关系，包含了用户和项目的信息和关联关系，可以更好的捕获用户偏好。但是，现有的知识图谱引入方式，包括基于嵌入的、基于路径的和基于传播的方式，作为辅助信息引入的关注点仅仅在于(实体，关系，实体)三元组，以及沿着关系的多个相关三元组的传播。

3、综上，当前基于知识图谱的推荐方案将知识图谱由(实体，关系，实体)形式的三元组数据进行嵌入，这样就会导致推荐概率的准确性较差。

技术实现思路

1、本公开实施例提供一种确定控制方案的推荐概率的方法、装置及存储介质，用以在考虑属性特征对实体的影响的基础上，提升控制方案的推荐概率的准确性。

2、本公开提供的具体技术方案如下：

3、第一方面，本公开实施例提供了一种确定控制方案的推荐概率的方法，包括：

4、从知识图谱中确定控制方案包括的各控制参数对应的实体，以及确定实体对应的各属性；

5、基于实体对应的各属性，确定各属性对实体的影响值，其中影响值表征各控制参数与推荐概率之间的相关程度；

6、基于各实体和与实体对应的影响值，确定控制方案的特征向量；

7、将特征向量和历史特征向量输入到预先训练好的深度学习模型中，得到控制方案的推荐概率，其中历史特征向量是由控制方案对应的智能家居设备已使用的控制方案确定的。

8、在一些可能的实施例中，通过以下方式建立知识图谱：

9、分别将家庭、家庭中的各智能家居设备和各参数的类型设置为实体，其中各参数是各智能家居设备具备的；

10、通过预设的从属关系建立各实体之间的连接；

11、针对任意一个实体，建立任意一个实体与任意一个实体具备的各属性之间的连接；

12、基于相连接的各实体和与各实体相连接的各属性，建立知识图谱。

13、在一些可能的实施例中，处理器执行从预先建立的知识图谱中确定控制方案包括的各控制参数对应的实体，以及，确定实体对应的各属性时，被配置为：

14、基于预设的控制参数与实体之间的匹配关系，从预先建立的知识图谱中分别查找与控制方案包括的各控制参数相匹配的实体；

15、将查找到的与各控制参数相匹配的实体，确定为各控制参数对应的实体；

16、将与各控制参数对应的实体相连接的各属性，确定为实体对应的各属性。

17、在一些可能的实施例中，处理器执行基于实体对应的各属性，确定各属性对实体的影响值时，被配置为：

18、基于属性注意力机制，将实体对应的各属性分别转化为自注意力向量；

19、将各自注意力向量与实体对应的实体嵌入向量进行点积相加运算，将点积相加运算得到的结果值确定为各属性对实体的影响值，其中实体嵌入向量为实体经距离模型计算得到的。

20、在一些可能的实施例中，处理器执行基于各实体和与实体对应的影响值，确定控制方案的特征向量时，被配置为：

21、将每个实体对应的实体嵌入向量和与实体对应的影响值相乘，得到影响矩阵；

22、将各影响矩阵进行叠加，并将叠加后的向量确定为控制方案的特征向量。

23、在一些可能的实施例中，处理器执行将特征向量和历史特征向量输入到预先训练好的深度学习模型中，得到控制方案的推荐概率时，被配置为：

24、将特征向量与历史特征向量进行级联，并将级联后的特征向量和历史特征向量输入到预先训练好的深度学习模型中进行学习，得到控制方案的推荐概率，其中深度学习模型是基于多个历史特征向量训练好的。

25、在一些可能的实施例中，知识图谱包括多个实体，各实体之间通过预设的从属关系相连接，各实体具备至少一个属性，各实体是基于家庭中各个智能家居设备和各个智能家居设备的参数确定的。

26、第二方面，本公开实施例还提供了一种确定控制方案的推荐概率的装置，包括：

27、第一确定单元，用于从知识图谱中确定控制方案包括的各控制参数对应的实体，以及确定实体对应的各属性；

28、第二确定单元，用于基于实体对应的各属性，确定各属性对实体的影响值，其中影响值表征各控制参数与推荐概率之间的相关程度；

29、第三确定单元，用于基于各实体和与实体对应的影响值，确定控制方案的特征向量；

30、推荐单元，用于将特征向量和历史特征向量输入到预先训练好的深度学习模型中，得到控制方案的推荐概率，其中历史特征向量是由控制方案对应的智能家居设备已使用的控制方案确定的。

31、第三方面，本公开实施例还提供了一种服务器，包括：

32、存储器，用于存储可执行指令；

33、处理器，用于读取并执行存储器中存储的可执行指令，以实现如下方法：

34、从知识图谱中确定控制方案包括的各控制参数对应的实体，以及确定实体对应的各属性；

35、基于实体对应的各属性，确定各属性对实体的影响值，其中影响值表征各控制参数与推荐概率之间的相关程度；

36、基于各实体和与实体对应的影响值，确定控制方案的特征向量；

37、将特征向量和历史特征向量输入到预先训练好的深度学习模型中，得到控制方案的推荐概率，其中历史特征向量是由控制方案对应的智能家居设备已使用的控制方案确定的。

38、在一些可能的实施例中，通过以下方式建立知识图谱：

39、分别将家庭、家庭中的各智能家居设备和各参数的类型设置为实体，其中各参数是各智能家居设备具备的；

40、通过预设的从属关系建立各实体之间的连接；

41、针对任意一个实体，建立任意一个实体与任意一个实体具备的各属性之间的连接；

42、基于相连接的各实体和与各实体相连接的各属性，建立知识图谱。

43、在一些可能的实施例中，从预先建立的知识图谱中确定控制方案包括的各控制参数对应的实体，以及，确定实体对应的各属性，包括：

44、基于预设的控制参数与实体之间的匹配关系，从预先建立的知识图谱中分别查找与控制方案包括的各控制参数相匹配的实体；

45、将查找到的与各控制参数相匹配的实体，确定为各控制参数对应的实体；

46、将与各控制参数对应的实体相连接的各属性，确定为实体对应的各属性。

47、在一些可能的实施例中，基于实体对应的各属性，确定各属性对实体的影响值，包括：

48、基于属性注意力机制，将实体对应的各属性分别转化为自注意力向量；

49、将各自注意力向量与实体对应的实体嵌入向量进行点积相加运算，将点积相加运算得到的结果值确定为各属性对实体的影响值，其中实体嵌入向量为实体经距离模型计算得到的。

50、在一些可能的实施例中，基于各实体和与实体对应的影响值，确定控制方案的特征向量，包括：

51、将每个实体对应的实体嵌入向量和与实体对应的影响值相乘，得到影响矩阵；

52、将各影响矩阵进行叠加，并将叠加后的向量确定为控制方案的特征向量。

53、在一些可能的实施例中，将特征向量和历史特征向量输入到预先训练好的深度学习模型中，得到控制方案的推荐概率，包括：

54、将特征向量与历史特征向量进行级联，并将级联后的特征向量和历史特征向量输入到预先训练好的深度学习模型中进行学习，得到控制方案的推荐概率，其中深度学习模型是基于多个历史特征向量训练好的。

55、在一些可能的实施例中，知识图谱包括多个实体，各实体之间通过预设的从属关系相连接，各实体具备至少一个属性，各实体是基于家庭中各个智能家居设备和各个智能家居设备的参数确定的。

56、第四方面，一种计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得所述处理器能够执行上述第一方面任一项所述的方法。

57、本公开有益效果如下：

58、综上所述，本公开实施例中，提供的一种确定控制方案的推荐概率的方法、装置及存储介质，该方法包括：从知识图谱中确定控制方案包括的各控制参数对应的实体，以及确定实体对应的各属性，基于实体对应的各属性，确定各属性对实体的影响值，该影响值表征各控制参数与推荐概率之间的相关程度，基于各实体和与实体对应的影响值，确定控制方案的特征向量，将特征向量和历史特征向量输入到预先训练好的深度学习模型中，得到控制方案的推荐概率，该历史特征向量是由控制方案对应的智能家居设备已使用的控制方案确定的，上述在知识图谱的实体中加入各属性，在计算控制方案的推荐概率时考虑了各个属性特征对实体的影响，提升了控制方案的推荐概率的准确性。

59、本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。