基于卷积神经网络的即时通信连接策略推荐方法及系统技术方案

一种基于卷积神经网络的即时通信连接策略推荐方法及系统，包括：获取用户在预设时间段内针对可穿戴设备上目标即时通信功能的使用数据，使用数据至少包括使用频率；将使用数据输入用户分类模型；其中，该用户分类模型为卷积神经网络模型；基于用户分类模型的输出结果确定用户所属的目标用户类型，并向可穿戴设备推荐目标用户类型对应的即时通信连接策略，即时通信连接策略用于指示可穿戴设备进行即时通信连接的连接频率。实施本发明专利技术实施例，能够降低设备的电量损耗。

IM Connection Strategy Recommendation Method and System Based on Convolutional Neural Network

A recommendation method and system of instant messaging connection strategy based on convolutional neural network includes: acquiring user's data for target instant messaging function on wearable devices in a preset period of time, using data at least including usage frequency; inputting user's data into user classification model; among them, the user classification model is convolutional neural network model; and based on user classification. The output of the model determines the type of target user that the user belongs to, and recommends the corresponding instant messaging connection strategy to the wearable device. The instant messaging connection strategy is used to indicate the connection frequency of the wearable device for instant messaging connection. By implementing the embodiment of the present invention, the power consumption of the equipment can be reduced.

【技术实现步骤摘要】
基于卷积神经网络的即时通信连接策略推荐方法及系统
本专利技术涉及通信
，具体涉及一种基于卷积神经网络的即时通信连接策略推荐方法及系统。
技术介绍
即时通信(InstantMessaging，简称IM)是一种透过网络进行实时通信的系统，该实时通信系统允许两人或多人使用网络即时的传递文字消息、文件、语音与视频交流，并且该系统通常以网站、计算机软件或移动应用程序的方式提供服务。由于即时通信具有实时接收、发送信息的特性，即时通信功能在使用过程中需要网络处于持续连接状态。然而，在现实生活中，网络不稳定甚至连接中断的情况时有发生，使得即时通信功能出现无法及时接收、发送信息的故障，影响了人们通过即时通信功能进行沟通、交流的使用体验。目前，针对即时通信功能出现连接中断这一问题，主要采用的连接策略是按照时间递增的规律进行重连，即一旦即时通信连接中断，设备将按照时间递增的规律进行长时间、不间断地重连。可见，现有的即时通信连接策略，增加了设备的电量损耗。
技术实现思路
本专利技术实施例公开一种基于卷积神经网络的即时通信连接策略推荐方法及系统，能够降低设备的电量损耗。本专利技术实施例第一方面公开了一种基于卷积神经网络的即时通信连接策略推荐方法，所述方法包括：获取用户在预设时间段内针对可穿戴设备上目标即时通信功能的使用数据，所述使用数据至少包括使用频率；将所述使用数据输入用户分类模型；所述用户分类模型为卷积神经网络模型；基于所述用户分类模型的输出结果确定用户所属的目标用户类型，并向所述可穿戴设备推荐所述目标用户类型对应的即时通信连接策略，所述即时通信连接策略用于指示所述可穿戴设备进行即时通信连接的连接频率。作为一种可选的实施方式，在本专利技术实施例第一方面中，所述目标即时通信功能至少包括第一功能、第二功能和第三功能；所述将所述使用数据输入用户分类模型之前，所述方法还包括：确定预设数量的用户样本，并获取每个所述用户样本在预设天数中每天使用所述目标即时通信功能所产生的第一功能数据、第二功能数据以及第三功能数据；获取所述第一功能数据对应的第一预设超参数、所述第二功能数据对应的第二预设超参数以及所述第三功能数据对应的第三预设超参数；根据所述第一功能数据、所述第二功能数据、所述第三功能数据、所述第一预设超参数、所述第二预设超参数以及所述第三预设超参数确定一维向量，所述一维向量用于反映每个所述用户样本在所述预设天数中每天使用所述目标即时通信功能的使用情况；根据所述一维向量以及所述预设天数，确定以所述预设天数的数值作为维数的多维向量，所述多维向量用于反映每个所述用户样本在所述预设天数使用所述目标即时通信功能的使用情况；根据所有所述用户样本的所述多维向量确定初始神经网络模型的训练集；利用所述训练集训练所述初始神经网络模型，得到用户分类模型。作为一种可选的实施方式，在本专利技术实施例第一方面中，所述利用所述训练集训练所述初始初始神经网络模型，得到用户分类模型，包括：将所述训练集输入所述初始神经网络模型，以使所述训练集依次经过所述初始神经网络模型的卷积层的叠加卷积操作以及池化层的池化操作，得到第一特征向量样本；将所述第一特征向量样本输入所述初始神经网络模型的全连接层，得到第二特征向量样本；根据所述第二特征向量样本对所述初始神经网络模型的目标分类器进行训练，得到用户分类模型。作为一种可选的实施方式，在本专利技术实施例第一方面中，所述训练集为带标签的训练集，所述标签用于标注每个所述用户样本的实际分类值；所述实际分类值是根据所述用户样本实际使用所述目标即时通信功能的使用频率确定的。作为一种可选的实施方式，在本专利技术实施例第一方面中，所述根据所述第二特征向量样本对所述初始神经网络模型的目标分类器进行训练，得到用户分类模型，包括：将所述第二特征向量样本输入所述初始神经网络模型的目标分类器，得到输出分类值，并将所述输出分类值确定为预测分类值；将所述预测分类值与所述实际分类值进行比较，得到比较结果；根据所述比较结果更新所述初始神经网络模型的参数；判断所述初始神经网络模型的损失函数是否满足预设条件；所述损失函数用于反映所述初始神经网络模型的所述输出分类值与所述实际分类值之间的误差；当所述初始神经网络模型的损失函数满足预设条件时，将所述初始神经网络模型的当前参数确定为用户分类模型的参数，并根据所述参数得到所述用户分类模型。本专利技术实施例第二方面公开了一种可穿戴设备，包括：获取单元，用于获取用户在预设时间段内针对可穿戴设备上目标即时通信功能的使用数据，所述使用数据至少包括使用频率；输入单元，用于将所述使用数据输入用户分类模型；所述用户分类模型为卷积神经网络模型；确定单元，用于基于所述用户分类模型的输出结果确定用户所属的目标用户类型；推荐单元，用于向所述可穿戴设备推荐所述目标用户类型对应的即时通信连接策略，所述即时通信连接策略用于指示所述可穿戴设备进行即时通信连接的连接频率。作为一种可选的实施方式，在本专利技术实施例第二方面中，所述目标即时通信功能至少包括第一功能、第二功能和第三功能；所述确定单元，还用于在所述输入单元将所述使用数据输入用户分类模型之前，确定预设数量的用户样本；所述获取单元，还用于获取每个所述用户样本在预设天数中每天使用所述目标即时通信功能所产生的第一功能数据、第二功能数据以及第三功能数据，以及所述第一功能数据对应的第一预设超参数、所述第二功能数据对应的第二预设超参数以及所述第三功能数据对应的第三预设超参数；所述确定单元，还用于根据所述第一功能数据、所述第二功能数据、所述第三功能数据、所述第一预设超参数、所述第二预设超参数以及所述第三预设超参数确定一维向量，以及根据所述一维向量以及所述预设天数，确定以所述预设天数的数值作为维数的多维向量；其中，所述一维向量用于反映每个所述用户样本在所述预设天数中每天使用所述目标即时通信功能的使用情况；所述多维向量用于反映每个所述用户样本在所述预设天数使用所述目标即时通信功能的使用情况；所述确定单元，还用于根据所有所述用户样本的所述多维向量确定初始神经网络模型的训练集；训练单元，用于利用所述训练集训练所述初始神经网络模型，得到用户分类模型。作为一种可选的实施方式，在本专利技术实施例第二方面中，所述训练单元，包括：第一输入子单元，用于将所述训练集输入所述神经网络模型，以使所述训练集依次经过所述神经网络模型的卷积层的叠加卷积操作以及池化层的池化操作，得到第一特征向量样本；第二输入子单元，用于将所述第一特征向量样本输入所述神经网络模型的全连接层，得到第二特征向量样本；训练子单元，用于根据所述第二特征向量样本对所述神经网络模型的目标分类器进行训练，得到用户分类模型。作为一种可选的实施方式，在本专利技术实施例第二方面中，所述训练集为带标签的训练集，所述标签用于标注每个所述用户样本的实际分类值；所述实际分类值是根据所述用户样本实际使用所述目标即时通信功能的使用频率确定的。作为一种可选的实施方式，在本专利技术实施例第二方面中，所述训练子单元根据所述第二特征向量样本对所述神经网络模型的目标分类器进行训练，得到用户分类模型的方式具体为：将所述第二特征向量样本输入所述神经网络模型的目标分类器，得到输出分类值，并将所述输出分类值确定为预测分类值；将所述预测分类值与所述实本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的即时通信连接策略推荐方法，其特征在于，所述方法包括：获取用户在预设时间段内针对可穿戴设备上目标即时通信功能的使用数据，所述使用数据至少包括使用频率；将所述使用数据输入用户分类模型；所述用户分类模型为卷积神经网络模型；基于所述用户分类模型的输出结果确定用户所属的目标用户类型，并向所述可穿戴设备推荐所述目标用户类型对应的即时通信连接策略，所述即时通信连接策略用于指示所述可穿戴设备进行即时通信连接的连接频率。

【技术特征摘要】
1.一种基于卷积神经网络的即时通信连接策略推荐方法，其特征在于，所述方法包括：获取用户在预设时间段内针对可穿戴设备上目标即时通信功能的使用数据，所述使用数据至少包括使用频率；将所述使用数据输入用户分类模型；所述用户分类模型为卷积神经网络模型；基于所述用户分类模型的输出结果确定用户所属的目标用户类型，并向所述可穿戴设备推荐所述目标用户类型对应的即时通信连接策略，所述即时通信连接策略用于指示所述可穿戴设备进行即时通信连接的连接频率。2.根据权利要求1所述的方法，其特征在于，所述目标即时通信功能至少包括第一功能、第二功能和第三功能；所述将所述使用数据输入用户分类模型之前，所述方法还包括：确定预设数量的用户样本，并获取每个所述用户样本在预设天数中每天使用所述目标即时通信功能所产生的第一功能数据、第二功能数据以及第三功能数据；获取所述第一功能数据对应的第一预设超参数、所述第二功能数据对应的第二预设超参数以及所述第三功能数据对应的第三预设超参数；根据所述第一功能数据、所述第二功能数据、所述第三功能数据、所述第一预设超参数、所述第二预设超参数以及所述第三预设超参数确定一维向量，所述一维向量用于反映每个所述用户样本在所述预设天数中每天使用所述目标即时通信功能的使用情况；根据所述一维向量以及所述预设天数，确定以所述预设天数的数值作为维数的多维向量，所述多维向量用于反映每个所述用户样本在所述预设天数使用所述目标即时通信功能的使用情况；根据所有所述用户样本的所述多维向量确定初始神经网络模型的训练集；利用所述训练集训练所述初始神经网络模型，得到用户分类模型。3.根据权利要求2所述的方法，其特征在于，所述利用所述训练集训练所述初始初始神经网络模型，得到用户分类模型，包括：将所述训练集输入所述初始神经网络模型，以使所述训练集依次经过所述初始神经网络模型的卷积层的叠加卷积操作以及池化层的池化操作，得到第一特征向量样本；将所述第一特征向量样本输入所述初始神经网络模型的全连接层，得到第二特征向量样本；根据所述第二特征向量样本对所述初始神经网络模型的目标分类器进行训练，得到用户分类模型。4.根据权利要求3所述的方法，其特征在于，所述训练集为带标签的训练集，所述标签用于标注每个所述用户样本的实际分类值；所述实际分类值是根据所述用户样本实际使用所述目标即时通信功能的使用频率确定的。5.根据权利要求4所述的方法，其特征在于，所述根据所述第二特征向量样本对所述初始神经网络模型的目标分类器进行训练，得到用户分类模型，包括：将所述第二特征向量样本输入所述初始神经网络模型的目标分类器，得到输出分类值，并将所述输出分类值确定为预测分类值；将所述预测分类值与所述实际分类值进行比较，得到比较结果；根据所述比较结果更新所述初始神经网络模型的参数；判断所述初始神经网络模型的损失函数是否满足预设条件；所述损失函数用于反映所述初始神经网络模型的所述输出分类值与所述实际分类值之间的误差；当所述初始神经网络模型的损失函数满足预设条件时，将所述初始神经网络模型的当前参数确定为用户分类模型的参数，并根据所述参数得到所述用户分类模型。6.一种基于卷积神经网络的即时通信连接策略推荐系统，其特征在于，包括：获取单元...

【专利技术属性】
技术研发人员：汪天翔，
申请(专利权)人：广东小天才科技有限公司，
类型：发明
国别省市：广东,44