本技术涉及深度学习与智能家居，特别是涉及一种基于深度学习的线下智能家居用户画像构建方法及系统。
背景技术：
1、目前线上环境中正在融合多领域技术，以提供更细致和个性化的服务。例如，社交媒体平台通过分析用户的浏览历史、点赞、评论等行为，构建用户画像以精准推荐内容，提升用户体验。同时，零售业也利用用户购物行为和偏好数据，采用数据分析和机器学习技术，为用户量身定制个性化的购物建议和促销活动。这一趋势体现了用户画像在多个行业中的广泛应用，为企业提供更智能、定制化的服务，同时也引发了对数据隐私和安全的关切。通过数据统计，协同推荐，深度学习的方式构建用户画像的方式已经趋于成熟，但是在线下环境中，特别是在智能家居的环境中，尽管目前智能家居的品类和智能程度正在逐步提高，但是大体上停留在允许用户在智能移动终端上编写符合自身操控习惯的智能家居设备控制指令，并通过互联网将自定义指令传输到智能家居系统的控制中心，实现基于环境感知的家居设备触发式智能监控功能，例如，用户可以根据个人需要，自定义指令：“当室内湿度低于70％时，请帮我打开空气加湿器”。
2、此外，还有研究通过分析智能家居数据并利用基于内容、协同过滤算法和机器学习算法进行服务推荐。近年来，一些方法开始考虑用户使用情况对用户的偏好、习惯、活跃时间、设备使用习惯等用户特征构建用户画像。
3、尽管上述方法在智能家居推荐方面取得了一定进展，但仍存在多项不足。首先，依赖于智能家居设备的传感器数据，但有些用户可能没有足够的智能设备或不使用传感器功能，导致数据的不完整性，并且部分用户可能对智能家居设备的使用并不频繁，使得获取用户行为数据变得更为困难。其次，基于用户历史数据获取完整的上下文信息可能受限于设备和环境的限制，因此有时无法全面了解用户的真实上下文，用户的上下文随时间变化，需要动态更新用户画像，但这可能增加系统的复杂性。最后，现有技术往往没有充分不同设备之间的关联性，只把设备当成了独立存在互不干扰的个体。
4、成熟的智能家居系统应该是具有自我学习能力的，能够从用户对智能家居设备的操控信息数据中，学习出用户对智能家居设备的操控习惯，并随着时间的推移逐渐演变为用户的“知心朋友”和“家居小管家”，为用户提供更智能化的家居推荐服务。因此，现有技术在准确性、适应性和预防性方面仍有很大的提升空间。
技术实现思路
1、为了解决上述技术问题，本发明提供一种基于深度学习的线下智能家居用户画像构建方法及系统，通过深度学习来处理用户数据，进行建模，并通过模型分析用户的家居使用数据及个性化需求，深度强化学习模型能够根据用户的反馈来不断进行学习，符合智能家居的智能性，并且通过多智能体模型，捕捉节点间的复杂关系，适合解决不同家居之间中的实体关联问题，实现对用户画像的全面评估，基于用户画像进行用户家居使用的推荐，可提升推荐的准确性和个性化程度，以满足用户的健康家居使用需求。
2、本发明采用如下技术方案：
3、第一方面，一种基于深度学习的线下智能家居用户画像构建方法，包括：
4、数据预处理步骤，基于多源传感器的数据，获得用户行为数据，对用户行为数据进行预处理后送入基本画像构建步骤；多源传感器包括智能家居设备，还包括可穿戴设备和/或被动设备；
5、基础画像构建步骤，将预处理后的用户行为数据送入包括全连接层、双塔结构和门控结构的标签分类器，预处理后的用户行为数据经全连接层处理后，输入双塔结构，双塔结构中两个transformer模块，分别提取时间特征和设备通道特征，最后通过门控输出用户的标签数据，获得用户基础画像；用户标签数据包括用户特征，分为静态特征和预测特征；
6、群体画像构建步骤，将用户行为数据和用户特征输入深度时间聚类模型，深度时间聚类模型对用户进行聚类分析，构建群体画像；
7、画像更新步骤，将单个智能家居设备的用户行为数据输入多智能体模型，多智能体模型首先通过卷积层提取不同参数之间的时空特征，然后通过informer网络来对未来某段时间内的数据进行预测，根据用户反馈计算出q值并优化网络参数，当前值网络计算的结果和q值存入记忆网络，一定时间步长后，将当前值网络的参数同步给目标值网络，通过目标值网络计算出结果，进行用户画像更新。
8、优选的，基于多源传感器的数据，获得用户行为数据，具体包括：
9、基于多源传感器的数据，结合定位技术，对于非结构化数据进行命名实体识别，对结构化的数据使用基于规则的方式，借助规则表达式抽取到各个时刻用户的行为，构建＜时间，地点，用户，行为，参数>五元组作为用户行为数据，对用户行为数据进行预处理后送入基本画像构建步骤。
10、优选的，静态特征包括了用户的个人基本信息，预测特征包括用户的行为习惯、设备习惯以及根据行为和设备习惯分析出的个人爱好。
11、优选的，所述深度时间聚类模型使用双向扩张递归深度时序聚类，进行高维聚类；以无监督的方式从高维用户行为数据中学习表征，将时间重建和k-means目标集成到了seq2seq模型中，生成特定于聚类的时间表示；基于假样本生成策略和辅助分类任务，将用户行为数据和用户特征输入所述深度时间聚类模型后，获得多种不同类的用户画像模型，构建出群体画像。
12、优选的，通过卷积层提取不同参数之间的时空特征，具体包括：
13、对于由c×t维度的设备数据组成的输入，使用多个卷积层处理数据，并应用非线性整流层，单个卷积操作公式表示如下：
14、
15、其中，c表示设备使用记录的维度，使用记录由<用户，设备，设备参数，时间>组成；t表示时间步长；pi表示执行卷积操作之后的输出，公式包含了一个卷积操作conv(·)，一个批标准化bn(·)，一个dropout(·)操作以及一个激活函数relu(·)；为了保证在运算之后每个卷积块的输出元素维度一致，使用填充的方式将原始输入数据进行不同程度的填0操作，确保经过不同大小卷积核计算之后仍能保持统一的大小；对于卷积操作首先进行转置，即变成了x＝input∈rt×c，接着在多核卷积部分选定一组具有不同时间跨度范围的卷积核k＝{k1，k2，k3...km}，对于每一个卷积核ki，卷积核权重为定义输出维度维度为do，经过上述计算之后，使用矩阵运算将中间维度消除，最终获得其中do＝c。
16、优选的，通过informer网络来对未来某段时间内的数据进行预测，根据用户反馈计算出q值，具体包括：
17、informer网络接收卷积层输出的结果和当前的环境状态数据，在t时刻输入的环境状态数据定义为，表示为t时刻过去步长为do家居设备使用记录；所述informer网络包括数据输入嵌入层、编码器和解码器；
18、嵌入层对输入数据inencoderindecoder进行位置信息嵌入和时间信息嵌入，得到适用于编码器和解码器的输入数据统一表示；inencoder数据经嵌入层输入到编码器，借助若干层多头概率稀疏自注意力机制和蒸馏机制进行特征提取和特征压缩，将处理果送入解码器；indecoder数据经嵌入层与编码器的处理结果一并输入到解码器，该数据经过多层自注意力机制的迭代计算，最终实现一步生成式序列预测，输出完整的预测结果；
19、定义编码器嵌入层的输入数据inencoder＝{en0，en1，...，enx，...，enx}t，enx是由t步长内的家居设备使用记录组成,即enx＝xt；定义解码器嵌入层的输入数据indecoder＝{de0，de1，…，dex，...，dex}t,dex由2个部分内容拼接而成,为开始字符序列，由，enx中截取的n条完整设备使用数据构成，为占位符序列，与预测目标形状相同，同时包含预测目标家居使用记录的时间印记；其中，n<t；
20、编码器内部由多头概率稀疏自注意力机制模块和自蒸馏模块组成，多头概率稀疏自注意力机制模块表示如下：
21、
22、其中，q,k,v为输入经过线性变换得到的3个同样大小的矩阵，q为经过概率稀疏化之后得到的矩阵；d为输入的特征维度；softmax为激活函数；
23、从u到u+1层的蒸馏机表示为：
24、xu+1＝maxpool(elu(conv1d([xu]ab)))
25、其中，u表示蒸馏层数；[xu]ab为注意力块；conv1d()为一维卷积；elu为激活函数；maxpool为增加1层最大池化层；
26、解码器接收来自数据嵌入层的数据，将其送入带掩码的多头概率稀疏注意力机制模块，然后，自注意力模块输出的结果和编码器输出的中间特征数据进行合并，输入到多头注意机制再次进行计算，预测下一个时间间隔的数据，并使用全连接层为每个动作输出一个q值。
27、优选的，所述目标值网络表示如下：
28、
29、其中，yi表示下个状态的最大期望q值；r表示当前时刻的奖励；γ表示损失率；θ-表示目标网络参数；表示当前时刻目标网络所得到的最大奖励值。
30、第二方面，一种基于深度学习的线下智能家居用户画像构建系统，包括：
31、数据预处理模块，用于基于多源传感器的数据，获得用户行为数据，对用户行为数据进行预处理后送入基本画像构建步骤；多源传感器至少包括智能家居设备；
32、基础画像构建模块，用于将预处理后的用户行为数据送入包括全连接层、双塔结构和门控结构的标签分类器，预处理后的用户行为数据经全连接层处理后，输入双塔结构，双塔结构中两个transformer模块，用于分别提取时间特征和设备通道特征，最后通过门控输出用户的标签数据，获得用户基础画像；用户标签数据包括用户特征，分为静态特征和预测特征；
33、群体画像构建模块，用于将用户行为数据和用户特征输入深度时间聚类模型，深度时间聚类模型对用户进行聚类分析，构建群体画像；
34、画像更新模块，用于将单个智能家居设备的用户行为数据输入多智能体模型，多智能体模型首先通过卷积层提取不同参数之间的时空特征，然后通过informer网络来对未来某段时间内的数据进行预测，根据用户反馈计算出q值并优化网络参数，当前值网络计算的结果和q值存入记忆网络，一定时间步长后，将当前值网络的参数同步给目标值网络，通过目标值网络计算出结果，进行用户画像更新。
35、第三方面，一种计算机设备，包括处理器、存储器和通信接口，其中，所述存储器存储有计算机程序，所述计算机程序被配置由所述处理器执行，所述计算机程序包括用于执行基于深度学习的线下智能家居用户画像构建方法中的步骤的指令。
36、第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使得计算机执行以实现基于深度学习的线下智能家居用户画像构建方法。
37、本发明具有如下有益效果：
38、(1)本发明结合聚类、深度学习与强化学习，提出了基于深度学习的线下智能家居用户画像构建方法及系统，利用深度卷积神经网络(cnn)、全连接层(fc)以及informer模块和多智能体强化学习模型，对家庭设备使用数据进行深入分析，实现对用户个人需求的精确评估；与传统的用户画像构建方法相比，本发明通过卷积操作更有效地学习了用户生理数据的内在特性，并通过深度学习模型捕捉和理解这些数据的隐藏关联性，从而构建更加全面的用户画像，并进一步提高智能家居推荐建议的准确性；
39、(2)本发明通过基于值的多智能体强化学习模型，特别是在线下智能家居的应用上，极大地提高了算法利用结构化数据的能力，为用户画像后续的推荐决策过程提供了丰富且有价值的上下文信息。在用户画像的实现中，本技术方案通过融合多个模型的输出，增强了模型的鲁棒性和决策的准确性。综上所述，本发明在技术上实现了一种结构化和深度学习相结合的创新推荐方法，显著提升了推荐的精确度和效率。
40、为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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他附图。
1.一种基于深度学习的线下智能家居用户画像构建方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的线下智能家居用户画像构建方法，其特征在于，基于多源传感器的数据，获得用户行为数据，具体包括：
3.根据权利要求1所述的基于深度学习的线下智能家居用户画像构建方法，其特征在于，静态特征包括了用户的个人基本信息，预测特征包括用户的行为习惯、设备习惯以及根据行为和设备习惯分析出的个人爱好。
4.根据权利要求1所述的基于深度学习的线下智能家居用户画像构建方法，其特征在于，所述深度时间聚类模型使用双向扩张递归深度时序聚类，进行高维聚类；以无监督的方式从高维用户行为数据中学习表征，将时间重建和k-means目标集成到了seq2seq模型中，生成特定于聚类的时间表示；基于假样本生成策略和辅助分类任务，将用户行为数据和用户特征输入所述深度时间聚类模型后，获得多种不同类的用户画像模型，构建出群体画像。
5.根据权利要求1所述的基于深度学习的线下智能家居用户画像构建方法，其特征在于，通过卷积层提取不同参数之间的时空特征，具体包括：
6.根据权利要求5所述的基于深度学习的线下智能家居用户画像构建方法，其特征在于，通过informer网络来对未来某段时间内的数据进行预测，根据用户反馈计算出q值，具体包括：
7.根据权利要求6所述的基于深度学习的线下智能家居用户画像构建方法，其特征在于，所述目标值网络表示如下：
8.一种基于深度学习的线下智能家居用户画像构建系统，其特征在于，包括：
9.一种计算机设备，其特征在于，包括处理器、存储器和通信接口，其中，所述存储器存储有计算机程序，所述计算机程序被配置由所述处理器执行，所述计算机程序包括用于执行权利要求1-7中任一项方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，所述计算机程序使得计算机执行以实现权利要求1-7中任一项所述的方法。
