System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及电数字数据处理领域,特别涉及一种基于用户行为预测的按键反馈方法、装置和存储介质。
技术介绍
1、随着计算机技术的飞速发展,个人电脑(计算机)作为最为常见的终端,不仅能够运行更多的应用程序,还能联网与服务器进行各种交互,例如网络游戏等。用户要完成电脑上的操作,通常情况下需要使用键盘。键盘是计算机中最常用的输入设备之一,主要用于输入命令、文本信息及进行控制等。键盘的出现极大地方便了人们的日常生活和工作,使得人们可以更加高效地使用计算机。
2、键盘包括按键、开关、键盘矩阵、扫描电路和编码器等基本部件,键盘的扫描电路会不断扫描这个键盘矩阵,检测哪些行列交点处于闭合状态即按键被按下。一旦检测到按键动作,编码器将该行列坐标转换为特定的键盘扫描码。当键盘发送扫描码到计算机时,操作系统的键盘驱动程序将扫描码翻译为相应的字符或指令。
3、现有的键盘在按键被按下时,给用户的反馈基本都是一样的,这在一些特定场景下给用户的体验并不是最佳的,或者,并不具有个性化的体验。
技术实现思路
1、本申请提供一种基于用户行为预测的按键反馈方法、装置和存储介质,可以在不同的用户使用键盘时能给用户带来个性化的击键体验。
2、一方面,本申请提供了一种基于用户行为预测的按键反馈方法,所述方法包括:
3、收集用户的击键序列数据,所述用户的击键序列数据包括用户敲击键盘的按键时得到的多个按键和用户的击键习惯量化值;
4、通过对所述多个按键中的每一个按键进行编码,
5、将所述用户的击键习惯量化值和所述每一个按键的特征向量作为输入数据对长短期记忆lstm模型进行训练,得到已训练lstm模型;
6、当所述用户对键盘的按键进行击键时,所述已训练lstm模型根据所述用户的即时击键行为预测所述用户的即将击键行为;
7、基于所述用户的即将击键行为,向所述键盘集成的硬件发送控制命令,以在所述即将击键行为付诸实施时提供相应的物理反馈。
8、另一方面,本申请提供了一种基于用户行为预测的按键反馈装置,所述装置包括:
9、记录模块,用于收集用户的击键序列数据,所述用户的击键序列数据包括用户敲击键盘的按键时得到的多个按键和用户的击键习惯量化值;
10、提取模块,用于通过对所述多个按键中的每一个按键进行编码,提取所述每一个按键的特征向量,所述特征向量中唯一一个不同于其他分量的特定分量对应于所述多个按键中的每一个按键;
11、训练模块,用于将所述用户的击键习惯量化值和所述每一个按键的特征向量作为输入数据对长短期记忆lstm模型进行训练,得到已训练lstm模型;
12、预测模块,用于当所述用户对键盘的按键进行击键时,所述已训练lstm模型根据所述用户的即时击键行为预测所述用户的即将击键行为;
13、反馈模块,用于基于所述用户的即将击键行为,向所述键盘集成的硬件发送控制命令,以在所述即将击键行为付诸实施时提供相应的物理反馈。
14、第三方面,本申请提供了一种设备,所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述基于用户行为预测的按键反馈方法的技术方案的步骤。
15、第四方面,本申请提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述基于用户行为预测的按键反馈方法的技术方案的步骤。
16、从上述本申请提供的技术方案可知,通过对多个按键中的每一个按键进行编码,提取每一个按键的特征向量,当用户对键盘的按键进行击键时,已训练lstm模型根据用户的即时击键行为预测用户的即将击键行为,然后,基于用户的即将击键行为,向键盘集成的硬件发送控制命令,以在即将击键行为付诸实施时提供相应的物理反馈。由于已训练lstm模型是由用户的击键习惯量化值和每一个按键的特征向量作为lstm模型的输入数据(或样本数据)训练所得,因此,在即将击键行为付诸实施时提供相应的物理反馈非常符合用户的击键习惯的反馈,给用户个性化的击键体验。
本文档来自技高网...【技术保护点】
1.一种基于用户行为预测的按键反馈方法,其特征在于,所述方法包括:
2.如权利要求1所述基于用户行为预测的按键反馈方法,其特征在于,所述通过对所述多个按键中的每一个按键进行编码,提取所述每一个按键的特征向量,包括:
3.如权利要求2所述基于用户行为预测的按键反馈方法,其特征在于,所述根据所述哈希函数、哈希表和每一个按键对应的值,计算所述每一个按键的在所述哈希表中的位置,包括:
4.如权利要求1所述基于用户行为预测的按键反馈方法,其特征在于,所述将所述用户的击键习惯量化值和所述每一个按键的特征向量作为输入数据对长短期记忆LSTM模型进行训练,得到已训练LSTM模型,包括:
5.如权利要求4所述基于用户行为预测的按键反馈方法,其特征在于,所述LSTM模型包括特征提取网络,所述根据所述扩增样本集,通过辅助模型组确定所述扩增样本集对应的权重组,包括:
6.如权利要求1所述基于用户行为预测的按键反馈方法,其特征在于,所述将所述用户的击键习惯量化值和所述每一个按键的特征向量作为输入数据对长短期记忆LSTM模型进行训练,得到已训练LS
7.如权利要求6所述基于用户行为预测的按键反馈方法,其特征在于,所述根据所述LSTM模型的损失函数和所述样本数据创建对抗性微摄动,包括:
8.一种基于用户行为预测的按键反馈装置,其特征在于,所述装置包括:
9.一种设备,所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述方法的步骤。
10.一种计算机存储介质,所述计算机存储介质存储有计算机程序,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至7任意一项所述方法的步骤。
...【技术特征摘要】
1.一种基于用户行为预测的按键反馈方法,其特征在于,所述方法包括:
2.如权利要求1所述基于用户行为预测的按键反馈方法,其特征在于,所述通过对所述多个按键中的每一个按键进行编码,提取所述每一个按键的特征向量,包括:
3.如权利要求2所述基于用户行为预测的按键反馈方法,其特征在于,所述根据所述哈希函数、哈希表和每一个按键对应的值,计算所述每一个按键的在所述哈希表中的位置,包括:
4.如权利要求1所述基于用户行为预测的按键反馈方法,其特征在于,所述将所述用户的击键习惯量化值和所述每一个按键的特征向量作为输入数据对长短期记忆lstm模型进行训练,得到已训练lstm模型,包括:
5.如权利要求4所述基于用户行为预测的按键反馈方法,其特征在于,所述lstm模型包括特征提取网络,所述根据所述扩增样本集,通过辅助模型组确定所述扩增样本集对应的权重组,包括:...
【专利技术属性】
技术研发人员:许仁松,
申请(专利权)人:渴创技术深圳有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。