CN117395339A - 一种联系人的推荐方法、装置、电子设备及存储介质 - Google Patents
一种联系人的推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117395339A CN117395339A CN202311384763.6A CN202311384763A CN117395339A CN 117395339 A CN117395339 A CN 117395339A CN 202311384763 A CN202311384763 A CN 202311384763A CN 117395339 A CN117395339 A CN 117395339A
- Authority
- CN
- China
- Prior art keywords
- contact
- call
- current
- information
- telephone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000007613 environmental effect Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 48
- 230000002787 reinforcement Effects 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 29
- 230000004044 response Effects 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 22
- 230000006399 behavior Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000005236 sound signal Effects 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008451 emotion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/26—Devices for calling a subscriber
- H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
- H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
- H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
- H04M1/27453—Directories allowing storage of additional subscriber data, e.g. metadata
- H04M1/2746—Sorting, e.g. according to history or frequency of use
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/26—Devices for calling a subscriber
- H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
- H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
- H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
- H04M1/27467—Methods of retrieving data
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Library & Information Science (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请实施例提出了一种联系人的推荐方法、装置、电子设备及存储介质,能够在用户试图拨打电话时,根据用户当前的环境信息和设备状态信息对通讯录联系人进行智能推荐,从而使用户能快速找到最有可能呼叫的联系人,简化用户拨号时的操作流程。其中,联系人的推荐方法包括:响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息;将当前环境信息、当前设备状态信息输入联系人推荐模型,得到每个联系人电话的呼叫概率值;基于每个呼叫概率值的大小,将对应的联系人电话从大到小进行排序,得到推荐联系人列表;输出推荐联系人列表。
Description
【技术领域】
本申请实施例涉及机器学习技术领域,尤其涉及一种联系人的推荐方法、装置、电子设备及存储介质。
【背景技术】
在日常生活中,用户往往需要在繁忙时接打电话,而在拨打电话时,现有的拨号机制使得用户必须先按动拨号盘输入号码,或者从联系人列表中查找出联系人号码,总体操作较为繁琐,用户的使用体验不佳。
【发明内容】
本申请实施例提供了一种联系人的推荐方法、装置、电子设备及存储介质,能够在用户试图拨打电话时,根据用户当前的环境信息和设备状态信息对通讯录联系人进行智能推荐,从而使用户能快速找到最有可能呼叫的联系人,简化用户拨号时的操作流程。
第一方面,本申请实施例提供了一种联系人的推荐方法,应用于终端侧,所述终端侧存储有基于强化学习生成的联系人推荐模型以及对应的知识库,所述知识库至少包括多个联系人电话,所述方法包括:
响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息;
将所述当前环境信息、所述当前设备状态信息输入所述联系人推荐模型,得到每个所述联系人电话的呼叫概率值;
基于每个所述呼叫概率值的大小,将对应的所述联系人电话从大到小进行排序,得到推荐联系人列表;
输出所述推荐联系人列表。
本申请实施例中,通过在用户试图拨通电话或查找联系人时,基于强化学习生成的联系人推荐模型对当前环境信息、当前设备状态信息进行计算,得到在当前的通话场景下用户呼叫每个联系人电话的呼叫概率值,并基于该呼叫概率值从大到小的顺序将对应的联系人电话依次排序为推荐联系人列表,从而使用户能快速找到最有可能呼叫的联系人,简化用户拨号时的操作流程。
可选的,所述终端侧当中还存在未接来电通知,在响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息之前,所述方法还包括:
获取所述未接来电通知对应的未接来电电话;
响应于多个所述联系人电话中,存在目标联系人电话与所述未接来电电话一致,生成与所述目标联系人电话对应的未接来电标识;
将所述当前环境信息、所述当前设备状态信息输入所述联系人推荐模型,得到每个所述联系人电话的呼叫概率值,包括:
将所述当前环境信息、所述当前设备状态信息、所述目标联系人电话以及对应的所述未接来电标识输入所述联系人推荐模型,得到每个所述联系人电话的呼叫概率值,其中,所述目标联系人电话对应的呼叫概率值大于设定比例的其他所述联系人电话对应的呼叫概率值。
本申请实施例中,通过对多个联系人电话中存在未接来电通知的目标联系人电话分配对应的未接来电标识,并将目标联系人电话、对应的未接来电标识一起输入联系人推荐模型,使联系人推荐模型根据未接来电标识在计算过程中相应提升目标联系人电话的呼叫概率值,从而实现在存在未接来电通知时,自动提升对应的目标联系人电话在推荐联系人列表中排名的效果。
可选的,所述知识库至少包括多条历史通话记录,所述历史通话记录至少包括所述联系人电话,以及与所述联系人电话对应的历史环境信息、历史设备状态信息与历史通话密切度信息,将所述当前环境信息、所述当前设备状态信息、所述目标联系人电话以及对应的所述未接来电标识输入所述联系人推荐模型,得到每个所述联系人电话的呼叫概率值,包括:
将所述当前环境信息、所述当前设备状态信息、所述目标联系人电话以及对应的所述未接来电标识输入所述联系人推荐模型;
基于所述联系人推荐模型,根据所述当前环境信息、所述历史环境信息、所述当前设备状态信息、所述历史设备状态信息、所述历史通话密切度信息,以及所述目标联系人电话和对应的所述未接来电标识,得到每个所述联系人电话的呼叫概率值。
本申请实施例中,通过将当前环境信息、当前设备状态信息,以及目标联系人电话和对应的未接来电标识共同输入联系人推荐模型来计算对应的呼叫概率值,从而实现基于知识库中的历史通话记录与当前环境信息、当前设备状态信息之间的关联程度,为用户更加准确地推荐联系人电话的效果。
可选的,所述联系人推荐模型包括:
相关度评估器,用于计算每条所述历史环境信息与所述当前环境信息的环境相关度,以及所述历史设备状态信息与所述当前设备状态信息的设备状态相关度;
概率预测器,用于根据每个所述联系人电话对应的所述历史通话密切度信息、所述环境相关度与所述设备状态相关度,以及所述目标联系人电话与对应的所述未接来电标识,预测并输出对应的所述呼叫概率值。
本申请实施例中,联系人推荐模型中通过相关度评估器计算历史信息与当前信息之间的环境相关度、设备状态相关度,评估用户当前所处状态与历史通话时所处状态之间的近似程度;概率预测器则被用于根据历史通话密切度信息、环境相关度、设备状态相关度与未接来电标识,综合预测每个联系人电话对应的呼叫概率值;从而,通过对联系人推荐模型的内部结构、具体输入参数和输出结果进行划分,增强联系人推荐模型的可解释性。
可选的,在输出所述推荐联系人列表之后,所述方法还包括:
响应于用户的电话呼出操作,获取所述电话呼出操作对应的当前去电电话;
响应于所述当前去电电话与所述呼叫概率值最高的所述联系人电话的号码不一致,根据所述当前去电电话、所述当前环境信息与所述当前设备状态信息,生成为新增的所述历史通话记录并保存至所述知识库;
将新增的所述历史通话记录作为样本数据,对所述联系人推荐模型进行更新。
本申请实施例中,通过在检测到有电话拨出时,根据呼出的当前去电电话和对应的当前环境信息、当前设备状态信息,生成新增的历史通话记录并保存,对联系人推荐模型的知识库进行更新,随后再基于新增的历史通话记录更新联系人推荐模型本身的内部参数,校准联系人电话的推荐模式,使神经网络模型能够根据用户通话次数的累积不断更新模型,提升后续过程中联系人推荐的精准度。
可选的,响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息之前,所述方法还包括:
获取所述终端侧中存储的全部所述历史通话记录;
将每条所述历史通话记录中的所述历史环境信息、所述历史设备状态信息与所述历史通话密切度信息,以及所述目标联系人电话和对应的所述未接来电标识作为训练数据,依次输入初始强化学习模型;
响应于所述初始强化学习模型的输出结果中,与输入的所述训练数据对应的所述联系人电话具有最高的所述呼叫概率值,为所述初始强化学习模型输入正向奖励,直至得到所述联系人推荐模型;或者,
响应于所述输出结果中,与输入的所述训练数据对应的所述联系人电话不具有最高的所述呼叫概率值,为所述初始强化学习模型输入负向奖励,直至得到所述联系人推荐模型。
本申请实施例中,通过将终端侧中每个联系人电话对应的历史通话记录中的信息作为训练数据,并校验初始强化学习模型输出的呼叫概率值中与输入数据对应的联系人电话是否具有最高呼叫概率值,具有最高呼叫概率值则输入正向奖励,否则输入负向奖励;从而利用用户的历史通话行为,让初始强化学习模型初步习得联系人电话的呼叫概率值与对应的历史环境信息、历史设备状态信息、历史通话密切度信息之间的关系特征,获得具有个性化推荐能力的联系人推荐模型。
可选的,所述终端侧为移动终端,所述当前环境信息至少包括当前时间、当前位置坐标、当前天气类型;
所述当前设备状态信息至少包括应用运行记录、本地文字消息记录、当前终端网络状态与当前电池剩余电量。
本申请实施例中,通过将可能影响用户通话行为的时间、位置、天气等当前环境信息,以及终端侧中应用运行情况、本地文字消息(如短信、邮件)等的收发情况、网络信号强弱与电池的剩余电量等当前设备状态信息作为预测用户即将呼叫的联系人电话的参考信息,从而在全面考虑用户所处场景的前提下,实现更加精准与个性化的联系人电话推荐。
可选的,所述终端侧为车载终端,所述当前环境信息至少包括当前时间、当前位置坐标、当前天气信息,以及当前车辆导航路线、当前车辆坡度值和当前车辆剩余续驶里程;
所述当前设备状态信息至少包括应用运行记录、本地文字消息记录、终端网络状态、当前电池剩余电量,以及当前车辆速度、当前车辆加速度、当前车辆航向角和当前车辆故障状态。
本申请实施例中,当终端侧为车载终端时,额外将车辆的导航路线、剩余续驶里程、所处坡度值等可基于联网、传感器等采集的环境信息,以及车辆速度、车辆加速度、车辆航向角、车辆故障状态等通过车辆控制系统可以获知的设备状态信息,作为计算推荐联系人列表的重要参考因素,从而将车辆驾驶场景对用户通话行为的影响也加入联系人推荐模型的预测过程中去,增加联系人智能推荐的适用范围,同时大大降低用户在驾驶车辆时因拨打电话导致安全事故的风险。
第二方面,本申请实施例提供了一种联系人的推荐装置,设置于终端侧,所述终端侧存有基于强化学习生成的联系人推荐模型及对应的知识库,所述知识库中至少存有多个联系人电话,所述装置包括:
获取单元,用于响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息;
概率预测单元,用于将所述当前环境信息、所述当前设备状态信息输入所述联系人推荐模型,得到每个所述联系人电话的呼叫概率值;
排序单元,用于基于每个所述呼叫概率值的大小,将对应的所述联系人电话从大到小进行排序,得到推荐联系人列表;
输出单元,用于输出所述推荐联系人列表。
可选的,所述终端侧当中还存在未接来电通知,在响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息之前,所述装置还包括:
所述获取单元,还用于获取所述未接来电通知对应的未接来电电话;
未接来电标识单元,用于响应于多个所述联系人电话中,存在目标联系人电话与所述未接来电电话一致,生成与所述目标联系人电话对应的未接来电标识;
所述概率预测单元具体用于:
将所述当前环境信息、所述当前设备状态信息、所述目标联系人电话以及对应的所述未接来电标识输入所述联系人推荐模型,得到每个所述联系人电话的呼叫概率值,其中,所述目标联系人电话对应的呼叫概率值大于设定比例的其他所述联系人电话对应的呼叫概率值。
可选的,所述知识库至少包括多条历史通话记录,所述历史通话记录至少包括所述联系人电话,以及与所述联系人电话对应的历史环境信息、历史设备状态信息与历史通话密切度信息,所述概率预测单元具体用于:
将所述当前环境信息、所述当前设备状态信息、所述目标联系人电话以及对应的所述未接来电标识输入所述联系人推荐模型;
基于所述联系人推荐模型,根据所述当前环境信息、所述历史环境信息、所述当前设备状态信息、所述历史设备状态信息、所述历史通话密切度信息,以及所述目标联系人电话和对应的所述未接来电标识,得到每个所述联系人电话的呼叫概率值。
可选的,所述联系人推荐模型包括:
相关度评估器,用于计算每条所述历史环境信息与所述当前环境信息的环境相关度,以及所述历史设备状态信息与所述当前设备状态信息的设备状态相关度;
概率预测器,用于根据每个所述联系人电话对应的所述历史通话密切度信息、所述环境相关度与所述设备状态相关度,以及所述目标联系人电话与对应的所述未接来电标识,预测并输出对应的所述呼叫概率值。
可选的,在输出所述推荐联系人列表之后,所述装置还包括:
所述获取单元,还用于响应于用户的电话呼出操作,获取所述电话呼出操作对应的当前去电电话;
通话记录生成单元,用于响应于所述当前去电电话与所述呼叫概率值最高的所述联系人电话的号码不一致,根据所述当前去电电话、所述当前环境信息与所述当前设备状态信息,生成为新增的所述历史通话记录并保存至所述知识库;
更新单元,用于将新增的所述历史通话记录作为样本数据,对所述联系人推荐模型进行更新。
可选的,响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息之前,所述装置还包括:
所述获取单元,还用于获取所述终端侧中存储的全部所述历史通话记录;
训练单元,用于将每条所述历史通话记录中的所述历史环境信息、所述历史设备状态信息与所述历史通话密切度信息,以及所述目标联系人电话和对应的所述未接来电标识作为训练数据,依次输入初始强化学习模型;
所述训练单元,还用于响应于所述初始强化学习模型的输出结果中,与输入的所述训练数据对应的所述联系人电话具有最高的所述呼叫概率值,为所述初始强化学习模型输入正向奖励,直至得到所述联系人推荐模型;或者,
所述训练单元,还用于响应于所述输出结果中,与输入的所述训练数据对应的所述联系人电话不具有最高的所述呼叫概率值,为所述初始强化学习模型输入负向奖励,直至得到所述联系人推荐模型。
可选的,所述终端侧为移动终端,所述当前环境信息至少包括当前时间、当前位置坐标、当前天气类型;
所述当前设备状态信息至少包括应用运行记录、本地文字消息记录、当前终端网络状态与当前电池剩余电量。
可选的,所述终端侧为车载终端,所述当前环境信息至少包括当前时间、当前位置坐标、当前天气信息,以及当前车辆导航路线、当前车辆坡度值和当前车辆剩余续驶里程;
所述当前设备状态信息至少包括应用运行记录、本地文字消息记录、终端网络状态、当前电池剩余电量,以及当前车辆速度、当前车辆加速度、当前车辆航向角和当前车辆故障状态。
第三方面,本申请实施例提供了一种电子设备,所述电子设备包括至少一个处理器以及与所述至少一个处理器连接的存储器,所述至少一个处理器用于执行存储器中存储的计算机程序时实现如第一方面所述方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
应当理解的是,本申请实施例的第二至第四方面与本申请实施例的第一方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
【附图说明】
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种联系人推荐方法的流程示意图;
图2为本申请实施例提供的一种基于未接来电的联系人推荐方法的流程示意图;
图3为本申请实施例提供的一种基于历史通话记录的联系人推荐方法的流程示意图;
图4为本申请实施例提供的一种联系人推荐模型的内部结构示意图;
图5为本申请实施例提供的一种联系人推荐模型的训练方法的流程示意图;
图6为本申请实施例提供的一种联系人推荐模型与对应知识库的更新方法的流程示意图;
图7为本申请实施例提供的一种联系人推荐装置的结构示意图;
图8为本申请实施例提供的一种电子设备的结构示意图。
【具体实施方式】
为了更好的理解本说明书的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本说明书保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
经本申请发明人研究发现,在日常生活中,用户往往需要在繁忙时接打电话,而在拨打电话时,现有的拨号机制使得用户必须先按动拨号盘输入号码,或者从联系人列表中查找出联系人号码,总体操作较为繁琐,用户的使用体验不佳。
鉴于此,本申请实施例提供了一种联系人的推荐方法,能够在用户试图拨打电话时,根据用户当前的环境信息和设备状态信息对通讯录联系人进行智能排序,自动推荐最可能拨打的联系人号码,从而减少拨打电话的操作步骤,提升用户使用体验。
应理解的是,本申请实施例中所提及的终端侧,其类型包括但不限于桌上型计算机、笔记本电脑、掌上电脑、手机、苹果电脑、智能手表、平板电脑等移动终端,以及车载电脑、云端服务器等其它计算设备。
下面结合附图,对本申请实施例所提供的方案进行介绍:
请参见图1,是本申请实施例提供的一种联系人推荐方法的流程示意图,终端侧存储有基于强化学习生成的联系人推荐模型以及对应的知识库,知识库至少包括多个联系人电话,该方法的步骤如下:
步骤101:响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息。
本申请实施例中,当终端侧检测到用户以任意形式开启联系人页面或拨号页面时,就会触发终端侧中部署的联系人推荐功能,收集终端侧的当前环境信息、当前设备信息,作为衡量每个联系人电话与当前所处场景之间的关联度、进行联系人排序的参考信息。
其中,当前环境信息是指可以由终端侧通过硬件传感器、软件进程或联网查询获取到的,任何能侧面反映当前用户通话时所处环境的信息;而当前设备状态信息则是指终端侧可以从内部硬件或软件系统中检测到的、任何能代表当前用户通话时的终端设备状态的信息。
作为一种可能的实施方式,在终端侧为移动终端时,当前环境信息至少包括当前时间、当前位置坐标、当前天气类型;
当前设备状态信息至少包括应用运行记录、本地文字消息记录、当前终端网络状态与当前电池剩余电量。
应理解,本申请实施例中,当终端侧为移动终端(如电脑、手机、平板电脑)时,终端侧获取到的当前时间、当前位置坐标和当前天气类型等当前环境信息,对用户将要拨打的联系人电话具有一定的影响。
例如,在用户处于工作时间且位于公司所在地址时,与用户的同事、领导等联系人通话的概率较高;而在用户处于下班时间且位于家附近时,与家人、朋友等联系人通话的概率较高;当用户在外地出差,且正处于雨天、大风等恶劣天气时,可能存在不方便与客户见面的情况,因此与常联系客户之间通话的概率会相应提高。
类似的,终端侧统计到的应用运行记录、本地文字消息记录、当前终端网络状态等当前设备状态信息,可以直接反映用户对移动终端的操作状态,以及移动终端当前的运行状态。这些状态在不同情况下,均有可能影响到用户接下来的通话行为,因此同样可以纳入到当前设备状态信息的采集范围中。
例如,当移动终端中开启的软件为工作软件,且用户正频繁通过工作软件的聊天窗口、邮箱和短信发送文本消息时,证明用户可能正处于工作繁忙状态,因此其可能联系的对象为同事、客户或领导的概率较高;而当移动终端的网络不佳,且终端的电池电量较低时,用户可能会更倾向于通过电话联系熟悉的人以交代重要事项,避免事情延误,此时可能联系的对象为朋友、亲人、合作对象等人的概率更高。
其中,当前环境信息中所包括的当前时间,可以是本地系统时间或联网查询得到的实时时间;当前位置坐标则可以是通过全球卫星定位系统确定的经纬度坐标,也可以是由其它定位方式(如基于蓝牙、蜂窝移动网络、WiFi等通信方式,通过三角定位法、邻近探测法、多边定位法、指纹定位法等定位方法)确定的相对位置坐标;而当前天气类型,则可以通过联网查询天气预报数据的方式进行获取。
而对于当前设备状态信息中所包括的应用运行记录,可以通过读取本地的系统应用运行日志、监控终端内一段时间的应用启动记录等方式来获取,本地文字消息、当前终端网络状态与电池剩余电量等则均可以通过向终端系统所提供的应用程序接口发送请求、扫描系统本地文件等方式获取。
作为一种可能的实施方式,在终端侧为车载终端时,当前环境信息至少包括当前时间、当前位置坐标、当前天气信息,以及当前车辆导航路线、当前车辆坡度值和当前车辆剩余续驶里程。
当前设备状态信息至少包括应用运行记录、本地文字消息记录、终端网络状态、当前电池剩余电量,以及当前车辆速度、当前车辆加速度、当前车辆航向角和当前车辆故障状态。
本申请实施例中,由于绝大部分车载终端与移动终端一样具有电话呼叫的功能,这些车载终端在插入电话卡,或通过蓝牙信号、蜂窝移动信号等网络信号连接至移动终端之后,即可如同移动终端一样正常接打电话。
因此,当终端侧为车载终端时,该车载终端所获取的当前环境信息中同样可以包括前述的当前时间、当前位置坐标、当前天气类型等信息,而当前设备状态信息也同样可以包括前述的应用运行记录、本地文字消息记录、当前终端网络状态与当前电池剩余电量等信息。
而在此基础上,由于用户在驾驶车辆时,其驾驶行为和道路交通状况同样可能影响用户在接下来的通话行为。例如,所选择路线较易拥堵,可能导致用户在等待时间中向家人、朋友等频繁拨打电话;又或者,当前车辆处于速度为零的停车状态、且车辆的发动机或变速箱出现故障,可能使用户立刻拨打拖车厂、维修店等专业机构的电话。
故而,除了原有的信息种类外,还可以额外在当前环境信息中引入当前车辆导航路线、当前车辆坡度值、当前车辆剩余续驶里程等信息。
其中,当前车辆导航路线、当前车辆坡度值可以通过车辆的导航系统获取;而当前车辆剩余续驶里程则可以通过车辆电源管理系统(Battery Management System,简称BMS)或车辆的中央控制系统获取。
类似的,当前设备状态信息也同样可以在包含原有信息种类的基础上,引入额外的当前车辆速度、当前车辆加速度、当前车辆航向角、当前车辆故障状态等信息。
其中,当前车辆速度可以通过车辆的变速箱转速计、轮轴转速计获得,当前车辆加速度可以通过惯性导航系统(包括加速度计与陀螺仪)获得,而当前车辆航向角同样可以通过惯性导航系统,或者其它车辆本地传感器取得。
通过采集上述信息,可以在用户驾驶车辆时增加参考数据的来源,为车载终端针对性地增加联系人推荐的准确度,使联系人推荐方法的适用范围扩大。进而,可以使得用户在驾驶车辆时,只需要简单操作即可拨打想要查找的联系人电话,降低因为拨打电话导致注意力分散、引发安全事故的风险。
步骤102:将当前环境信息、当前设备状态信息输入联系人推荐模型,得到每个联系人电话的呼叫概率值。
本申请实施例中,由于用户的通话行为往往是具有习惯性、规律性的,在处于相似的场景时可能联系的对象往往较为固定。因此,联系人推荐模型对每个联系人电话的呼叫概率值的计算思路,是基于以往所学习的“联系人电话与用户所处通话环境的关系规律”来衡量每个联系人电话与当前所处通话环境之间的关联度,进而预测每个联系人电话在当前场景下被呼叫的可能性。
其中,联系人推荐模型可以是任何基于强化学习方式训练完成的机器学习模型,包括但不限于决策树模型、贝叶斯网络模型、支持向量机模型、隐马尔可夫模型与神经网络模型等。
并且,联系人推荐模型的知识库至少包括全部存储于终端侧中的联系人电话,实现这种效果的方法可以是:1、联系人推荐模型的知识库本身,即是终端侧中通讯录进程用于储存联系人电话的数据库;2、联系人推荐模型的知识库被设置于终端侧本地,但知识库与通讯录进程的数据库并不实时互通,而是在每次通话前对通讯录进程的数据库的数据进行读取,并将读取到的全部数据同步至知识库中;3、联系人推荐模型与对应的知识库均被设置于网络服务器中,且通讯录进程所保存的全部联系人电话也都会上传至位于该网络服务器中的知识库内,供联系人推荐模型进行实时计算。
而当联系人推荐模型的知识库中存有全部联系人电话,且通过接收输入的当前环境信息、当前设备状态信息来计算每个联系人电话对应的呼叫概率值时,其输出的结果格式可以是“联系人电话+呼叫概率值”,也可以是“联系人姓名+联系人电话+呼叫概率值”;又或者,为了满足更加个性化的联系人推荐需要,也可以是其它同时包含联系人电话、对应的呼叫概率值和更多的联系人相关信息,并且方便后续联系人排序步骤的任意格式。
例如,联系人推荐模型的输出结果可以是“138****4892-0.91”、“138****4892-呼叫概率0.91”等只包含联系人电话和呼叫概率值的基本格式,也可以是“李四-138****4892-呼叫概率0.91”、“李四-138****4892-呼叫概率0.91-最近联系时间2010/10/20”等包含更多联系人信息的格式,从而方便在不同使用场景下的其它拓展需求。
应理解,联系人推荐模型所输出的呼叫概率值的数据表示方式,既可以采取基于小数(如0.75)或百分数(如75%)进行表示的数据形式,也可以为了方便后续计算,采取基于分数(如3/4)、整数(如75或750)等数据形式进行表示。
而在根据当前设备信息、当前环境状态信息来评估用户当前场景、进而计算每个联系人电话对应的呼叫概率值的基础上,还可以进一步考虑未接来电在用户通话行为中的影响,使存在未接来电通知的联系人电话号码对应的呼叫概率值相应增加。
图2是本申请实施例提供的一种基于未接来电的联系人推荐方法的流程示意图,作为一种可能的实施方式,终端侧当中还存在未接来电通知,在步骤101之前,还可以进一步执行步骤105至106。
步骤105:获取未接来电通知对应的未接来电电话。
本申请实施例中,由于用户在发现终端侧中存在未接来电通知时,回拨未接来电对应的号码的可能性较高,因此,需要将未接来电对通话行为的影响纳入到呼叫概率值的计算过程中。作为这一方案的前提条件,可以以一定时间周期循环检测终端的系统通知中是否存在未接来电通知,并在存在未接来电通知时读取该未接来电通知对应的未接来电电话,从而为后续的联系人推荐过程提供必要的判断指标。
在一些实施例中,根据终端侧提醒用户存在未接来电的方式不同,还可以通过读取终端的短信记录、读取终端内置的语音助手所发送的通知记录、读取通讯录列表中与每个联系人电话对应的未接来电信息等方式,获知终端侧中存在用户未读的未接来电通知,并获取该未接来电通知对应的未接来电电话。
步骤106:响应于多个联系人电话中,存在目标联系人电话与未接来电电话一致,生成与目标联系人电话对应的未接来电标识。
在获取到未接来电电话之后,便可以将未接来电电话与终端侧中保存的所有联系人电话进行比对,查找是否存在与未接来电电话一致的目标联系人电话,若不存在,则执行常规的联系人推荐流程;若存在,则生成一个与目标联系人电话对应的未接来电标识。
其中,该未接来电标识可以是“0”与“1”这样的简单形式,也可以是“Not_Call_Returned”或“123456”这样更加复杂的文本或数字编码形式,用以在输入后告知联系人推荐模型该目标联系人电话存在未接来电,应适当调整该目标联系人电话对应的呼叫概率值。
在一些实施例中,还可以进一步将未接来电标识设置为在某个设定区间内变化的数值,且该数值的大小和目标联系人电话对应的最近未接来电时间距离当前时间的远近之间为正相关关系(即最近未接来电时间越近,未接来电标识的数值越大)。从而,针对时间远近不同的目标联系人电话,分配大小不同的未接来电标识。
而在该前提下,未接来电标识的一种具体生成方式,可以是通过简单的预设函数关系或更加复杂的预设算法,根据最近未接来电时间与当前时间之间的时差,生成一个对应的数值作为未接来电标识。
例如,对于两个联系人电话“130****0000”和“131****1111”,第一个联系人电话“130****0000”对应的最近未接来电时间距离当前时间仅相差1小时,而第二个联系人电话“131****1111”对应的最近未接来电时间距离当前时间相差有48小时,并且未接来电标识的取值范围统一设定为[0,1],则为联系人电话“130****0000”分配的未接来电标识可以是“0.98”,为联系人电话“131****1111”分配的未接来电标识则可以是“0.21”。从而,第一个联系人电话与第二个联系人电话的未接来电标识具有不同的大小,在输入联系人推荐模型计算的过程中,所得出的呼叫概率值的大小也会存在相应变化,使联系人电话“130****0000”在推荐联系人列表中的排名在“131****1111”之前。
同时,步骤102还可以通过进一步执行子步骤1021来实现:
步骤1021:将当前环境信息、当前设备状态信息、目标联系人电话以及对应的未接来电标识输入联系人推荐模型,得到每个联系人电话的呼叫概率值,其中,目标联系人电话对应的呼叫概率值大于设定比例的其他联系人电话对应的呼叫概率值。
本申请实施例中,基于前文已经阐释过的原因,联系人电话是否存在对应的未接来电通知这一影响因素,可以纳入对应的呼叫概率值的计算过程中。
而在考虑未接来电的情况下,一种具体的呼叫概率值计算方式是在以当前环境信息、当前设备状态信息作为输入数据的基础上,额外将目标联系人电话与对应的未接来电标识输入到联系人推荐模型中,使得联系人推荐模型知晓存在一个或多个目标联系人电话有对应的未接来电标识,并对这些目标联系人电话对应的呼叫概率值进行一定限度的提升,使该呼叫概率值显著大于目标联系人电话不存在对应未接来电标识时的呼叫概率值,同时还大于设定比例的其它联系人电话的呼叫概率值(如大于75%比例或99%比例的其它联系人电话的呼叫概率值)。
进而,在推荐联系人列表的生成过程中,可以实现将对应的目标联系人电话在推荐联系人列表中排在设定比例(例如75%或99%)的其它联系人电话之前(如在前1/4的位置或前1%的位置),方便用户选择此电话进行回电的效果。
在一些实施例中,通过对联系人推荐模型的训练,可以使得联系人推荐模型在接收到输入的目标联系人电话与对应的未接来电标识时,自动将目标联系人电话的呼叫概率值输出为最大值,使其在推荐联系人列表中排名最前。
例如,当目标联系人电话“130****0000”与对应的未接来电标识“Not_Call_Returned”被输入联系人推荐模型时,联系人推荐模型会在计算呼叫概率值的过程中,将未接来电标识对应的目标联系人电话“130****0000”在未接来电方面的特征参数设置为“1”,其余联系人电话在未接来电方面的特征参数则默认为“0”。并且,基于这一维度的特征参数适当增加该联系人电话“130****0000”对应的呼叫概率值,使其从原本的呼叫概率值“0.51”增大为“0.91”,高于其不存在对应未接来电标识时的呼叫概率值,以及设定比例的其它联系人电话的呼叫概率值。
应理解,以上示例仅为在了解联系人推荐模型内部结构的情况下,一种便于理解的、基于未接来电的呼叫概率值计算过程。事实上,根据所使用场景、所支持终端以及所使用训练方式的不同,联系人推荐模型的内部计算过程可能更加复杂。
但所有联系人推荐模型都应遵循相同的规律,即对于同一个目标联系人电话,在存在对应的未接来电标识时,联系人推荐模型所输出的对应的呼叫概率值要显著高于不存在对应的未接来电标识时所输出的呼叫概率值。
同时还应理解的是,通过将目标联系人电话与未接来电标识输入联系人推荐模型,从而稳定提升目标联系人电话对应的呼叫概率值这一过程,可以基于足够的训练数据与模型训练次数,不断纠正未接来电标识与呼叫概率值之间的关系来实现。
例如,对于一个联系人推荐模型,在经过一定程度的训练后,未接来电标识对于呼叫概率值的提升幅度可以被稳定在[0.5,0.7]之内,使目标联系人电话存在未接来电标识时,对应的呼叫概率值可以较为直观地提升为全部呼叫概率值中的较大值。
又或者,未接来电标识在所有输入数据中,对于基于注意力机制的联系人推荐模型具有较高或最高的注意力分数,这一注意力分数基于关注度函数将目标联系人电话、对应的未接来电标识与其它输入数据进行比较后计算生成,使联系人推荐模型重视对于目标联系人电话和对应的未接来电标识的处理。
进而,使目标联系人电话存在未接来电标识时,呼叫概率值会被稳定提升至[0.80,1]之间,并基于当前环境信息、当前设备状态信息进一步调整呼叫概率值的具体数值。
而在考虑未接来电对于呼叫概率值的影响这一基础上,还可以额外考虑用户的历史通话行为对于呼叫概率值的影响,从而提升联系人推荐的准确性。
图3是本申请实施例提供的一种基于历史通话记录的联系人推荐方法的流程示意图。作为一种可能的实施方式,知识库至少包括多条历史通话记录,历史通话记录至少包括联系人电话,以及与联系人电话对应的历史环境信息、历史设备状态信息与历史通话密切度信息,步骤1021可以通过子步骤201至202来进一步实现:
步骤201:将当前环境信息、当前设备状态信息、目标联系人电话以及对应的未接来电标识输入联系人推荐模型。
本申请实施例中,为了得出准确的呼叫概率值,首先,将前文中提到的当前环境信息、当前设备状态信息、目标联系人电话及对应的未接来电标识输入联系人推荐模型,为下一步预测与输出数据做准备。
同时,在联系人推荐模型的知识库中可以存有用于推荐联系人电话的历史通话记录,其中历史通话记录所包含的历史环境信息与历史设备状态信息,均为在历史通话记录对应的通话时间所保存的环境信息与设备状态信息。
而所包含的历史通话密切度信息则可以为一个对应的通话密切度评分,该通话密切度评分与历史通话记录对应,并且在历史通话记录对应的通话时间段内产生,用以记录用户与所呼叫的联系人电话在本次通话中的关系密切程度。具体来说,通话密切度评分的来源可以有以下两种:
1、基于预设的文本分析算法,分析用户在与联系人电话通话过程中的聊天内容,并根据聊天文本的情感、词频等特征(可以包括积极情感词频和消极情感词频等)与聊天文本的总长度等指标,计算出本次通话的通话密切度评分。
2、基于预设的评分规则,根据全部联系人电话的总平均通话时长、通话中关键词平均词频等指标设定一个通话密切度基准线,并根据当前通话的通话时长和通话中关键词词频与该通话密切度基准线之间的差异,具体计算密切度分数。通话时长和通话中关键词词频越接近基准线,当前通话的密切度分数越高。
在一些实施例中,还可以直接针对每个联系人电话生成一条专属的历史通话密切度信息,其中包括与该联系人电话对应的通话频率、通话总次数、平均通话时长、最近通话时间、通话时间方差等指标,用以侧面反映用户与该联系人电话的通话密切度。显然,当历史通话密切度信息包括上述内容时,可以通过对每条联系人电话对应的全部历史通话记录进行分析,来生成或更新对应的历史通话密切度信息。
步骤202:基于联系人推荐模型,根据当前环境信息、历史环境信息、当前设备状态信息、历史设备状态信息、历史通话密切度信息,以及目标联系人电话和对应的未接来电标识,得到每个联系人电话的呼叫概率值。
本申请实施例中,当联系人推荐模型获取到当前环境信息、当前设备状态信息、目标联系人电话与对应的未接来电标识这些必要的输入参数后,就可以读取知识库中存储的历史环境信息、历史设备状态信息与历史通话密切度信息,并通过综合考虑用户的历史通话记录和当前的通话场景,更准确地计算出每个联系人电话的呼叫概率值。
图4是本申请实施例提供的一种联系人推荐模型的内部结构示意图。作为一种可能的实施方式,联系人推荐模型包括:
相关度评估器,用于计算每条历史环境信息与当前环境信息的环境相关度,以及历史设备状态信息与当前设备状态信息的设备状态相关度。
本申请实施例中,相关度评估器的主要用途是利用输入数据和数据库中的历史通话记录进行比较,得出每个联系人电话对应的全部历史通话记录与当前的通话场景之间的相关度。
具体来说,这一计算过程包括:根据历史环境信息与当前环境信息计算对应的环境相关度,以及根据历史设备状态信息与当前设备状态信息计算对应的设备状态相关度。而计算相关度的具体流程根据联系人推荐模型内部的层与层间结构不同,可能存在不同的输出格式,例如输出为“0.5”、“12”等简单的数值格式,或者输出为皮尔逊相关系数、斯皮尔曼秩相关系数、肯德尔等级相关系数等复杂的数据格式。
概率预测器,用于根据每个联系人电话对应的历史通话密切度信息、环境相关度与设备状态相关度,以及目标联系人电话与对应的未接来电标识,预测并输出对应的呼叫概率值。
本申请实施例中,在相关度评估器输出了环境相关度与设备状态相关度之后,还需要考虑前述的目标联系人电话和对应的未接来电标识对呼叫概率值的影响,以及历史通话密切度信息对呼叫概率值的影响。
由于在经过足量训练后,联系人推荐模型的概率预测器已经掌握了联系人电话的呼叫概率值与各项指标之间的关联程度规律;因此,基于该关联程度规律,即可综合计算环境相关度、设备状态相关度等参数,预测对应的联系人电话的呼叫概率值。
而对于如何使联系人推荐模型习得呼叫概率值与各项指标之间的关联程度规律,一种较为可行的方式是以终端侧中已经存在的多条历史通话记录作为训练样本数据,通过强化学习的方式训练出最终的联系人推荐模型。
图5是本申请实施例提供的一种联系人推荐模型的训练方法的流程示意图,作为一种可能的实施方式,在执行步骤101之前,还可以进一步执行步骤107至110。
步骤107:获取终端侧中存储的全部历史通话记录。
本申请实施例中,由于终端侧在配置联系人推荐模型进行联系人推荐前,可能已经进行过一定次数的通话,并在本地或云端存有一定数量的历史通话记录。此时,只需要采集包含联系人电话、历史环境信息、历史设备状态信息与历史通话密切度信息的全部历史通话记录,作为训练联系人推荐模型需要使用的训练数据即可。
在一些实施例中,历史通话记录中并不全都包含、或是全都不包含历史环境信息与历史设备状态信息等必要参数。此时,可以通过访问网络服务器、下载预先标注好的预训练数据集,该预训练数据集中包括多个已标注的历史通话记录(这些通话记录的来源可以是人工设定的,或是从其它终端侧中上传的)。
进而,可以通过下载的预训练数据集,在终端侧存有的历史通话记录不足以作为训练数据进行训练时,实现等效的模型训练效果,使联系人推荐模型同样习得呼叫概率值与历史环境信息、历史设备状态信息之间的关联程度规律。
步骤108:将每条历史通话记录中的历史环境信息、历史设备状态信息与历史通话密切度信息,以及目标联系人电话和对应的未接来电标识作为训练数据,依次输入初始强化学习模型。
在通过上述步骤得到了多条历史通话记录后,便可以将历史通话记录中的历史环境信息、历史设备状态信息等数据作为训练数据输入模型中,以得到初始强化学习模型针对每个联系人电话的排序结果。
应理解,初始强化学习模型在配置至终端侧时,该初始强化学习模型的知识库至少包括全部联系人电话,并在进行正式的训练之前先基于一部分历史通话记录对该初始强化学习模型进行一段时间的监督学习,使其初步习得“输入环境信息与设备状态信息后,对应输出每个联系人电话的呼叫概率值”这一基本运算规律,以使其能够适应接下来的强化学习过程。
步骤109:响应于初始强化学习模型的输出结果中,与输入的训练数据对应的联系人电话具有最高的呼叫概率值,为初始强化学习模型输入正向奖励,直至得到联系人推荐模型。或者,
步骤110:响应于输出结果中,与输入的训练数据对应的联系人电话不具有最高的呼叫概率值,为初始强化学习模型输入负向奖励,直至得到联系人推荐模型。
本申请实施例中,由于每轮训练的输入数据为单条历史通话记录中的历史环境信息、历史设备状态信息、历史通话密切度信息,以及目标联系人电话和对应的未接来电标识,上述这些数据对输出的呼叫概率值均存在一定的影响。
因此,一种可行的训练方式是将这些数据输入后,获取初始强化学习模型输出的每个联系人电话的呼叫概率值,并判断这些呼叫概率值中的最大值所对应的联系人电话,与输入数据所对应的联系人电话是否一致。如果一致,则意味着以初始强化学习模型当前的模型结构,能够较为正确地预测用户拨打联系人电话的行为,为模型输入正向奖励;如果不一致,则意味着当前的模型结构无法正确预测用户最可能拨打的联系人电话,需要让初始强化模型重新优化结构,因此为模型输入负向奖励。
通过上述训练方式,可以不断根据历史通话记录验证当前的初始强化学习模型是否具有准确的呼叫概率值计算能力,并在呼叫概率值的计算准确度逐步稳定、达到预期后,得到训练完成后的联系人推荐模型。
而在联系人推荐模型输出呼叫概率值后,由于所输出的呼叫概率值仅为用来表示概率的数值,而并非一个完整的推荐联系人列表,因此还需要在联系人推荐模型输出呼叫概率值后,基于全部呼叫概率值进行一次对联系人电话的先后排序,得到推荐联系人列表,才可以实现针对用户拨号或查找联系人的操作,自动推荐联系人的预期效果。
步骤103:基于每个呼叫概率值的大小,将对应的联系人电话从大到小进行排序,得到推荐联系人列表。
本申请实施例中,由于联系人推荐模型已经输出了每个联系人电话对应的呼叫概率值,且每个呼叫概率值都是基于用户历史通话记录和当前所处场景之间的关系、是否存在未接来电、过往的通话密切度等标准综合计算的,可以较为精准地代表用户接下来拨打对应的联系人电话的概率。
因此,可以通过一个预设的后置规则或后置处理器,对联系人推荐模型的输出结果进行排序处理,生成推荐联系人列表。
具体来说,该预设的后置规则或后置处理器可以直接按照呼叫概率值从大到小的顺序,将对应的联系人电话进行排序。其中呼叫概率值较大的联系人电话排名靠前,呼叫概率值较小的则排名靠后。
从而,在推荐联系人列表输出后,呼叫概率最高的联系人电话可以被置于用户容易找到、容易选中的位置,节省用户自行检索联系人、手动翻找联系人列表之类的非必要操作。
在一些实施例中,推荐联系人列表具有预设的联系人电话数量限制,从而在基于预设的后置规则或后置处理器进行排序时,可以筛选出呼叫概率值较大的设定数量个联系人电话进行排序,节省计算时间,降低生成推荐联系人列表所需的硬件内存消耗。
在一些实施例中,对于不存在对应历史通话记录的其它联系人电话,同样可以被选入推荐联系人列表,且这些没有对应历史通话记录的联系人电话会被基于预设的排序规则,排列在全部具有对应呼叫概率值的联系人电话后面。其中,预设的排序规则既可以是按照联系人电话的数字组成方式进行排序,也可以是按照与联系人电话对应的联系人名称首字母(或联系人名称的拼音首字母),基于首字母先后顺序进行排序。
而在输出对应的推荐联系人列表之后,若用户产生了通话行为,则还可以基于最新的通话行为,对当前终端侧中的联系人推荐模型和对应知识库进行更新。
图6是本申请实施例提供的一种联系人推荐模型与对应知识库的更新方法的流程示意图。作为一种可能的实施方式,在步骤103之后,还可以进一步执行步骤111至113。
步骤111:响应于用户的电话呼出操作,获取电话呼出操作对应的当前去电电话。
本申请实施例中,在用户产生新的电话呼出操作时,可认为存在根据用户最新的通话行为来对联系人推荐模型的预测准确度进行优化的必要。因此,先获取对应的当前去电电话,来为下一步对联系人推荐模型与对应知识库的更新提供必要的准备数据。
步骤112:响应于当前去电电话与呼叫概率值最高的联系人电话的号码不一致,根据当前去电电话、当前环境信息与当前设备状态信息,生成为新增的历史通话记录并保存至知识库。
而在获取当前去电电话后,就可以判断当前去电电话是否与最新生成的推荐联系人列表中呼叫概率值最高的联系人电话一致。若一致,则认为当前联系人推荐模型的推荐准确性已经较高,不需要进行任何更新或优化;若不一致,则可以直接将当前去电电话、当前环境信息与当前设备状态信息一起生成为历史通话记录并保存至知识库中,完成知识库的更新。
在一些实施例中,当用户通话完成时,还可以基于前文描述过的用于生成密切度评分的算法,计算出用户本次通话的密切度评分,并与当前去电电话、当前环境信息、当前设备状态信息共同生成为新增的历史通话记录。从而使得本次新增的历史通话记录中同样包括历史通话密切度信息。
步骤113:将新增的历史通话记录作为样本数据,对联系人推荐模型进行更新。
在基于用户拨打的当前去电电话、当前环境信息和当前设备状态信息对联系人推荐模型的知识库进行更新后,还需要基于新生成的历史通话记录,对联系人推荐模型本身进行更新。
具体来说,对于联系人推荐模型的更新,一般需要通过预设的优化算法来实现。这些优化算法可以包括:批量梯度下降算法、随机梯度下降算法、小批量梯度下降算法、动量梯度下降算法、自适应学习率优化算法。
以批量梯度下降算法对联系人推荐模型的更新为例,其具体更新过程可以包括以下步骤:
(1)计算知识库中每个历史通话记录对应的损失函数值。
(2)计算该损失函数值相对于每个模型参数的梯度。
(3)使用学习率与梯度,更新每个参数以缩小损失函数值。
(4)重复上述步骤直至损失函数值收敛至最小值,或更新动作的轮数超过设定轮数。
在一些实施例中,还可以通过增量学习的方式对联系人推荐模型进行更新。具体来说,这种方法首先需要在最初训练初始强化学习模型时,将多条历史通话记录划分为训练集、验证集和测试集分别输入初始强化学习模型,直至准确度较高的联系人推荐模型被训练完成。
随后,当新的历史通话记录被添加至知识库中时,使用增量式学习、在线学习或批量学习的方法来对新增的历史通话记录进行具体学习。其中,联系人推荐模型会使用遗忘策略来对历史数据进行重采样或选择性遗忘(例如遗忘那些间隔过久的历史通话记录),以平衡知识库中新旧历史通话记录对模型参数的影响。
最后,使用验证集的数据进行评估和优化,筛选出联系人推荐模型的最佳版本,并使用测试集验证增量学习后的联系人推荐模型的泛化能力。
步骤104:输出推荐联系人列表。
本申请实施例中,在推荐联系人列表的生成步骤全部完成后,即可将推荐联系人列表输出至终端侧,进而通过终端侧的可视化界面或语音助手等形式呈现推荐联系人列表,供用户查看与选择。
请参见图7,基于相同的发明构思,本申请实施例还提供了一种联系人推荐装置,该装置设置于终端侧,终端侧存有基于强化学习生成的联系人推荐模型及对应的知识库,知识库中至少存有多个联系人电话,该装置包括:
获取单元301,用于响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息;
概率预测单元302,用于将当前环境信息、当前设备状态信息输入联系人推荐模型,得到每个联系人电话的呼叫概率值;
排序单元303,用于基于每个呼叫概率值的大小,将对应的联系人电话从大到小进行排序,得到推荐联系人列表;
输出单元304,用于输出推荐联系人列表。
可选的,终端侧当中还存在未接来电通知,在响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息之前,装置还包括:
获取单元301,还用于获取未接来电通知对应的未接来电电话;
未接来电标识单元,用于响应于多个联系人电话中,存在目标联系人电话与未接来电电话一致,生成与目标联系人电话对应的未接来电标识;
概率预测单元302具体用于:
将当前环境信息、当前设备状态信息、目标联系人电话以及对应的未接来电标识输入联系人推荐模型,得到每个联系人电话的呼叫概率值,其中,目标联系人电话对应的呼叫概率值大于设定比例的其他联系人电话对应的呼叫概率值。
可选的,知识库至少包括多条历史通话记录,历史通话记录至少包括联系人电话,以及与联系人电话对应的历史环境信息、历史设备状态信息与历史通话密切度信息,概率预测单元302具体用于:
将当前环境信息、当前设备状态信息、目标联系人电话以及对应的未接来电标识输入联系人推荐模型;
基于联系人推荐模型,根据当前环境信息、历史环境信息、当前设备状态信息、历史设备状态信息、历史通话密切度信息,以及目标联系人电话和对应的未接来电标识,得到每个联系人电话的呼叫概率值。
可选的,联系人推荐模型包括:
相关度评估器,用于计算每条历史环境信息与当前环境信息的环境相关度,以及历史设备状态信息与当前设备状态信息的设备状态相关度;
概率预测器,用于根据每个联系人电话对应的历史通话密切度信息、环境相关度与设备状态相关度,以及目标联系人电话与对应的未接来电标识,预测并输出对应的呼叫概率值。
可选的,在输出推荐联系人列表之后,装置还包括:
获取单元301,还用于响应于用户的电话呼出操作,获取电话呼出操作对应的当前去电电话;
通话记录生成单元,用于响应于当前去电电话与呼叫概率值最高的联系人电话的号码不一致,根据当前去电电话、当前环境信息与当前设备状态信息,生成为新增的历史通话记录并保存至知识库;
更新单元,用于将新增的历史通话记录作为样本数据,对联系人推荐模型进行更新。
可选的,响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息之前,装置还包括:
获取单元301,还用于获取终端侧中存储的全部历史通话记录;
训练单元,用于将每条历史通话记录中的历史环境信息、历史设备状态信息与历史通话密切度信息,以及目标联系人电话和对应的未接来电标识作为训练数据,依次输入初始强化学习模型;
训练单元,还用于响应于初始强化学习模型的输出结果中,与输入的训练数据对应的联系人电话具有最高的呼叫概率值,为初始强化学习模型输入正向奖励,直至得到联系人推荐模型;或者,
训练单元,还用于响应于输出结果中,与输入的训练数据对应的联系人电话不具有最高的呼叫概率值,为初始强化学习模型输入负向奖励,直至得到联系人推荐模型。
可选的,终端侧为用户的移动终端,当前环境信息至少包括当前时间、当前位置坐标、当前天气类型;
当前设备状态信息至少包括应用运行记录、本地文字消息记录、当前终端网络状态与当前电池剩余电量。
可选的,终端侧为车载终端,当前环境信息至少还包括当前车辆导航路线、当前车辆坡度值、当前车辆剩余续驶里程;
当前设备状态信息至少还包括当前车辆速度、当前车辆加速度、当前车辆航向角、当前车辆故障状态。
请参见图8,基于同一发明构思,本申请实施例还提供了一种电子设备400,该电子设备400可以包括至少一个处理器,该至少一个处理器用于执行存储器中存储的计算机程序,实现本申请实施例提供的如图1-图3、图5、图6所示的联系人推荐方法的步骤。
可选的,上述处理器具体可以是中央处理器、特定ASIC,可以是一个或多个用于控制程序执行的集成电路。
可选的,该电子设备400还可以包括与至少一个处理器连接的存储器,存储器可以包括ROM、RAM和磁盘存储器。存储器用于存储处理器运行时所需的数据,即存储有可被至少一个处理器执行的指令,至少一个处理器通过执行存储器存储的指令,执行如图1-图3、图5、图6所示的方法。其中,存储器的数量为一个或多个。
其中,获取单元301、概率预测单元302、排序单元303所对应的实体设备均可以是前述的处理器。该电子设备可以用于执行图1-图3、图5、图6所示的实施例所提供的方法。因此关于该电子设备中各功能模块所能够实现的功能,可参考图1-图3、图5、图6所示的实施例中的相应描述,不多赘述。
其中,上述电子设备400可以为智能手机、平板电脑等智能电子设备,本实施例对上述电子设备的形式不作限定。
实例性的,图8以智能手机为例示出了电子设备400的结构示意图,如图8所示,电子设备400可以包括处理器410,外部存储器接口420,内部存储器421,通用串行总线(universal serial bus,USB)接口430,充电管理模块440,电源管理模块441,电池442,天线1,天线2,移动通信模块450,无线通信模块460,音频模块470,扬声器470A,受话器470B,麦克风470C,耳机接口470D,传感器模块480,按键490,马达491,指示器492,摄像头493,显示屏494,以及用户识别卡(subscriber identification module,SIM)卡接口495等。
可以理解的是,本申请实施例示意的结构并不构成对电子设备400的具体限定。在本申请另一些实施例中,电子设备400可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
处理器410可以包括一个或多个处理单元,例如:处理器410可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器410中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器410中的存储器为高速缓冲存储器。该存储器可以保存处理器410刚用过或循环使用的指令或数据。如果处理器410需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器410的等待时间,因而提高了系统的效率。
在一些实施例中,处理器410可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit,I2C)接口,集成电路内置音频(inter-integrated circuitsound,I2S)接口,脉冲编码调制(pulse code modulation,PCM)接口,通用异步收发传输器(universal asynchronous receiver/transmitter,UART)接口,移动产业处理器接口(mobile industry processor interface,MIPI),通用输入输出(general-purposeinput/output,GPIO)接口,用户标识模块(subscriber identity module,SIM)接口,和/或通用串行总线(universal serial bus,USB)接口等。
充电管理模块440用于从充电器接收充电输入。
电源管理模块441用于连接电池442,充电管理模块440与处理器410。
在一些实施例中,电子设备400的天线1和移动通信模块450耦合,天线2和无线通信模块460耦合,使得电子设备400可以通过无线通信技术与网络以及其他设备通信。所述无线通信技术可以包括全球移动通讯系统(global system for mobile communications,GSM),通用分组无线服务(general packet radio service,GPRS),码分多址接入(codedivision multiple access,CDMA),宽带码分多址(wideband code division multipleaccess,WCDMA),时分码分多址(time-division code division multiple access,TD-SCDMA),长期演进(long term evolution,LTE),BT,GNSS,WLAN,NFC,FM,和/或IR技术等。所述GNSS可以包括全球卫星定位系统(global positioning system,GPS),全球导航卫星系统(global navigation satellite system,GLONASS),北斗卫星导航系统(beidounavigation satellite system,BDS),准天顶卫星系统(quasi-zenith satellitesystem,QZSS)和/或星基增强系统(satellite based augmentation systems,SBAS)。
电子设备400通过GPU,显示屏494,以及应用处理器等实现显示功能。
显示屏494用于显示图像,视频等。显示屏494包括显示面板。
ISP用于处理摄像头493反馈的数据。
摄像头493用于捕获静态图像或视频。
数字信号处理器用于处理数字信号,除了可以处理数字图像信号,还可以处理其他数字信号。例如,当电子设备400在频点选择时,数字信号处理器用于对频点能量进行傅里叶变换等。
视频编解码器用于对数字视频压缩或解压缩。电子设备400可以支持一种或多种视频编解码器。这样,电子设备400可以播放或录制多种编码格式的视频,例如:动态图像专家组(moving picture experts group,MPEG)1,MPEG2,MPEG3,MPEG4等。
外部存储器接口420可以用于连接外部存储卡,例如Micro SD卡,实现扩展电子设备400的存储能力。外部存储卡通过外部存储器接口420与处理器410通信,实现数据存储功能。例如将音乐,视频等文件保存在外部存储卡中。
内部存储器421可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。内部存储器421可以包括存储程序区和存储数据区。其中,存储程序区可存储操作系统,至少一个功能所需的应用程序(比如声音播放功能,图像播放功能等)等。存储数据区可存储电子设备400使用过程中所创建的数据(比如音频数据,电话本等)等。此外,内部存储器421可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flash storage,UFS)等。处理器410通过运行存储在内部存储器421的指令,和/或存储在设置于处理器中的存储器的指令,执行电子设备400的各种功能应用以及数据处理。
电子设备400可以通过音频模块470,扬声器470A,受话器470B,麦克风470C,耳机接口470D,以及应用处理器等实现音频功能。例如音乐播放,录音等。
音频模块470用于将数字音频信息转换成模拟音频信号输出,也用于将模拟音频输入转换为数字音频信号。
扬声器470A,也称“喇叭”,用于将音频电信号转换为声音信号。
受话器470B,也称“听筒”,用于将音频电信号转换成声音信号。
麦克风470C,也称“话筒”,“传声器”,用于将声音信号转换为电信号。
耳机接口470D用于连接有线耳机。耳机接口470D可以是USB接口430,也可以是3.5mm的开放移动电子设备平台(open mobile terminal platform,OMTP)标准接口,美国蜂窝电信工业协会(cellular telecommunications industry association of the USA,CTIA)标准接口。
按键490包括开机键,音量键等。
马达491可以产生振动提示。
指示器492可以是指示灯,可以用于指示充电状态,电量变化,也可以用于指示消息,未接来电,通知等。
SIM卡接口495用于连接SIM卡。在一些实施例中,电子设备400采用eSIM,即:嵌入式SIM卡。eSIM卡可以嵌在电子设备400中,不能和电子设备400分离。
本申请实施例还提供一种计算机存储介质,其中,计算机存储介质存储有计算机指令,当计算机指令在计算机上运行时,使得计算机执行如图1-图3、图5、图6所述的方法。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (11)
1.一种联系人的推荐方法,其特征在于,应用于终端侧,所述终端侧存储有基于强化学习生成的联系人推荐模型以及对应的知识库,所述知识库至少包括多个联系人电话,所述方法包括:
响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息;
将所述当前环境信息、所述当前设备状态信息输入所述联系人推荐模型,得到每个所述联系人电话的呼叫概率值;
基于每个所述呼叫概率值的大小,将对应的所述联系人电话从大到小进行排序,得到推荐联系人列表;
输出所述推荐联系人列表。
2.根据权利要求1所述的方法,其特征在于,所述终端侧当中还存在未接来电通知,在响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息之前,所述方法还包括:
获取所述未接来电通知对应的未接来电电话;
响应于多个所述联系人电话中,存在目标联系人电话与所述未接来电电话一致,生成与所述目标联系人电话对应的未接来电标识;
将所述当前环境信息、所述当前设备状态信息输入所述联系人推荐模型,得到每个所述联系人电话的呼叫概率值,包括:
将所述当前环境信息、所述当前设备状态信息、所述目标联系人电话以及对应的所述未接来电标识输入所述联系人推荐模型,得到每个所述联系人电话的呼叫概率值,其中,所述目标联系人电话对应的呼叫概率值大于设定比例的其他所述联系人电话对应的呼叫概率值。
3.根据权利要求2所述的方法,其特征在于,所述知识库至少包括多条历史通话记录,所述历史通话记录至少包括所述联系人电话,以及与所述联系人电话对应的历史环境信息、历史设备状态信息与历史通话密切度信息,将所述当前环境信息、所述当前设备状态信息、所述目标联系人电话以及对应的所述未接来电标识输入所述联系人推荐模型,得到每个所述联系人电话的呼叫概率值,包括:
将所述当前环境信息、所述当前设备状态信息、所述目标联系人电话以及对应的所述未接来电标识输入所述联系人推荐模型;
基于所述联系人推荐模型,根据所述当前环境信息、所述历史环境信息、所述当前设备状态信息、所述历史设备状态信息、所述历史通话密切度信息,以及所述目标联系人电话和对应的所述未接来电标识,得到每个所述联系人电话的呼叫概率值。
4.根据权利要求3所述的方法,其特征在于,所述联系人推荐模型包括:
相关度评估器,用于计算每条所述历史环境信息与所述当前环境信息的环境相关度,以及所述历史设备状态信息与所述当前设备状态信息的设备状态相关度;
概率预测器,用于根据每个所述联系人电话对应的所述历史通话密切度信息、所述环境相关度与所述设备状态相关度,以及所述目标联系人电话与对应的所述未接来电标识,预测并输出对应的所述呼叫概率值。
5.根据权利要求4所述的方法,其特征在于,在输出所述推荐联系人列表之后,所述方法还包括:
响应于用户的电话呼出操作,获取所述电话呼出操作对应的当前去电电话;
响应于所述当前去电电话与所述呼叫概率值最高的所述联系人电话的号码不一致,根据所述当前去电电话、所述当前环境信息与所述当前设备状态信息,生成为新增的所述历史通话记录并保存至所述知识库;
将新增的所述历史通话记录作为样本数据,对所述联系人推荐模型进行更新。
6.根据权利要求5所述的方法,其特征在于,响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息之前,所述方法还包括:
获取所述终端侧中存储的全部所述历史通话记录;
将每条所述历史通话记录中的所述历史环境信息、所述历史设备状态信息与所述历史通话密切度信息,以及所述目标联系人电话和对应的所述未接来电标识作为训练数据,依次输入初始强化学习模型;
响应于所述初始强化学习模型的输出结果中,与输入的所述训练数据对应的所述联系人电话具有最高的所述呼叫概率值,为所述初始强化学习模型输入正向奖励,直至得到所述联系人推荐模型;或者,
响应于所述输出结果中,与输入的所述训练数据对应的所述联系人电话不具有最高的所述呼叫概率值,为所述初始强化学习模型输入负向奖励,直至得到所述联系人推荐模型。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述终端侧为移动终端,所述当前环境信息至少包括当前时间、当前位置坐标、当前天气类型;
所述当前设备状态信息至少包括应用运行记录、本地文字消息记录、当前终端网络状态与当前电池剩余电量。
8.根据权利要求1-6任一项所述的方法,其特征在于,所述终端侧为车载终端,所述当前环境信息至少包括当前时间、当前位置坐标、当前天气信息,以及当前车辆导航路线、当前车辆坡度值和当前车辆剩余续驶里程;
所述当前设备状态信息至少包括应用运行记录、本地文字消息记录、终端网络状态、当前电池剩余电量,以及当前车辆速度、当前车辆加速度、当前车辆航向角和当前车辆故障状态。
9.一种联系人的推荐装置,其特征在于,设置于终端侧,所述终端侧存有基于强化学习生成的联系人推荐模型及对应的知识库,所述知识库中至少存有多个联系人电话,所述装置包括:
获取单元,用于响应于联系人页面开启操作或拨号页面开启操作,获取当前环境信息与当前设备状态信息;
概率预测单元,用于将所述当前环境信息、所述当前设备状态信息输入所述联系人推荐模型,得到每个所述联系人电话的呼叫概率值;
排序单元,用于基于每个所述呼叫概率值的大小,将对应的所述联系人电话从大到小进行排序,得到推荐联系人列表;
输出单元,用于输出所述推荐联系人列表。
10.一种电子设备,其特征在于,所述电子设备包括至少一个处理器以及与所述至少一个处理器连接的存储器,所述至少一个处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7任一项所述方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311384763.6A CN117395339A (zh) | 2023-10-24 | 2023-10-24 | 一种联系人的推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311384763.6A CN117395339A (zh) | 2023-10-24 | 2023-10-24 | 一种联系人的推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117395339A true CN117395339A (zh) | 2024-01-12 |
Family
ID=89464482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311384763.6A Pending CN117395339A (zh) | 2023-10-24 | 2023-10-24 | 一种联系人的推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117395339A (zh) |
-
2023
- 2023-10-24 CN CN202311384763.6A patent/CN117395339A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112397062B (zh) | 语音交互方法、装置、终端及存储介质 | |
CN107274885B (zh) | 语音识别方法及相关产品 | |
US11274932B2 (en) | Navigation method, navigation device, and storage medium | |
US20240086476A1 (en) | Information recommendation method and related device | |
CN110225176B (zh) | 一种联系人的推荐方法及电子设备 | |
CN111724775A (zh) | 一种语音交互方法及电子设备 | |
EP2294836A2 (en) | User defined names for displaying monitored location | |
CN110929176B (zh) | 一种信息推荐方法、装置及电子设备 | |
CN109219953B (zh) | 一种闹钟提醒方法、电子设备及计算机可读存储介质 | |
CN109710796A (zh) | 基于语音的图片搜索方法、装置、存储介质及终端 | |
CN113826089A (zh) | 对聊天机器人中的自然理解系统的具有到期指标的上下文反馈 | |
US11874876B2 (en) | Electronic device and method for predicting an intention of a user | |
CN110720104A (zh) | 一种语音信息处理方法、装置及终端 | |
CN112417318A (zh) | 一种兴趣点的状态确定方法、装置、电子设备及介质 | |
CN112948763B (zh) | 件量预测方法、装置、电子设备及存储介质 | |
CN117395339A (zh) | 一种联系人的推荐方法、装置、电子设备及存储介质 | |
CN116049535B (zh) | 信息推荐方法、装置、终端装置及存储介质 | |
US20210284103A1 (en) | Information processing apparatus, system, and in-vehicle device | |
CN113033940B (zh) | 信息处理装置、信息处理方法以及系统 | |
CN116662990B (zh) | 恶意应用识别方法、电子设备、存储介质及程序产品 | |
CN104486512A (zh) | 呼叫检测方法及装置 | |
CN116761249B (zh) | 室内定位方法、指纹库的构建方法、电子设备及存储介质 | |
CN111382335B (zh) | 一种数据拉取方法、装置及存储介质 | |
US20240347071A1 (en) | Using machine learning to locate mobile device | |
US20220345566A1 (en) | Prediction-based control method using usage pattern and device thereof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |