[发明专利]用于在电子设备中提供个性化服务的方法和设备

说明书

提供一种用于在电子设备中提供个性化服务的方法和设备，所述方法包括：(A)采集用户行为数据；(B)根据所述用户行为数据确定用户身份；(C)向用户提供与所述用户身份匹配的个性化服务。根据所述方法和设备，能够根据获取的用户行为数据来区分不同的用户，从而有针对性且准确地为用户提供个性化的服务，改善了用户体验。

技术领域

本发明总体来说涉及人工智能领域，更具体地讲，涉及一种用于在电子设备中提供个性化服务的方法和设备。

背景技术

随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代进入了信息过载的时代，推荐系统应运而生。推荐系统可以向用户推荐感兴趣的视频，拓展其观影体验。

具体说来，现有的推荐系统的推荐方式及其缺点如下所述：

一、通过人脸识别技术来识别不同的用户，从而推荐与识别的用户感兴趣的服务(例如，视频、消息等)，然而，并非所有的电子设备都具备用于人脸识别的摄像头，因此，该方案不具有普遍适用性。

二、基于用户的历史操作记录统计每个用户的历史操作在划分时间段的所属兴趣点，从而给用户做出推荐，然而，这种方式会使得在在同一时间段的不同用户的兴趣点叠加在一起，导致推荐的准确度和用户体验都不高。

可以看出，现有的推荐系统无法准确地针对不同用户提供相应的推荐服务。

发明内容

本发明的示例性实施例在于提供一种推荐服务的方法和电子设备，其能够克服现有的推荐系统无法准确地针对不同用户提供相应的推荐服务的缺陷。

根据本发明的示例性实施例的一方面，提供一种用于在电子设备中提供个性化服务的方法，包括：(A)采集用户行为数据；(B)根据所述用户行为数据确定用户身份；(C)向用户提供与所述用户身份匹配的个性化服务。

可选地，步骤(B)包括：将所述用户行为数据输入到预先训练好的用户分类模型，通过所述用户分类模型确定用户身份，其中，所述用户分类模型通过以下方式训练：采集用户行为数据样本；从所述用户行为数据样本中提取用户行为特征向量；将所述用户行为特征向量输入到深度学习算法模型，以通过深度学习算法模型的运算处理，来得到至少一个用户行为特征向量模型；利用分类算法对所述至少一个用户行为特征向量模型进行分类评估，以得到用户分类模型。

可选地，利用分类算法对所述至少一个用户行为特征向量模型进行分类评估的步骤包括：向每个用户行为特征向量模型分配相应的权重比，并基于所述至少一个用户行为特征向量模型以及分配的权重比进行分类算法运算。

可选地，所述权重比分配的准确度随着训练用户分类模型的次数的增多而增大，其中，当存在与声纹相关的用户行为特征向量模型时，所述与声纹相关的用户行为特征向量模型的权重比为所有用户行为特征向量模型的权重比中最大的权重比。

可选地，步骤(B)还包括：当所述用户分类模型未确定出用户身份时，以相似特征向量模型的方差最小化为依据，基于所述用户行为数据，通过重新分配用户行为特征向量模型的权重比来重新训练所述用户分类模型。

可选地，步骤(C)还包括：设置电子设备的与所述用户身份匹配的输出参数。

可选地，所述输出参数包括以下项中的至少一项：输出音量、屏幕显示亮度、屏幕显示窗口的大小、显示字体、个性化主题。

可选地，所述用户行为数据包括以下项中的至少一项：用户操作数据、用户声音数据、用户习惯设置数据、用户历史观看数据；所述个性化服务包括以下项中的至少一项：播放视频、推送消息、播放语音、显示图片、播放音乐。

根据本发明示例性实施例的另一方面，提供一种用于在电子设备中提供个性化服务的设备，包括：采集单元，采集用户行为数据；处理单元，根据所述用户行为数据确定用户身份；输出单元，向用户提供与所述用户身份匹配的个性化服务。