車聯(lián)網(wǎng)云平臺場景化的千人千面智能服務(wù)，通過對多源實時數(shù)據(jù)進(jìn)行動態(tài)場景識別，并結(jié)合云端的強化學(xué)習(xí)算法，增強了多場景識別的準(zhǔn)確性，解決了當(dāng)前生態(tài)使用場景個性化缺失、識別準(zhǔn)確率低的問題。同時，為了確保在生態(tài)提供方變更接口后，不至于影響到系統(tǒng)的正常使用，我們還提出了服務(wù)自適應(yīng)動態(tài)適配技術(shù)，實現(xiàn)了基本無需人工干預(yù)的生態(tài)接口自適應(yīng)，減少了后續(xù)的運維成本，另外，云端的模型還能夠根據(jù)用戶行為數(shù)據(jù)來對模型自身進(jìn)行反向調(diào)優(yōu)，實現(xiàn)算法的不斷演進(jìn)和優(yōu)化，進(jìn)一步提高模型的準(zhǔn)確性，為客戶帶來優(yōu)質(zhì)的智能服務(wù)體驗。
一、實施背景
新四化，是在黨的十八大報告中提出的：“堅持走中國特色新型工業(yè)化、信息化、城鎮(zhèn)化、農(nóng)業(yè)現(xiàn)代化道路，推動信息化和工業(yè)化深度融合、工業(yè)化和城鎮(zhèn)化良性互動、城鎮(zhèn)化和農(nóng)業(yè)現(xiàn)代化相互協(xié)調(diào)，促進(jìn)工業(yè)化、信息化、城鎮(zhèn)化、農(nóng)業(yè)現(xiàn)代化同步發(fā)展。”在政府的政策指導(dǎo)下，在汽車領(lǐng)域有了“汽車新四化”是電動化、網(wǎng)聯(lián)化、智能化、共享化。電氣化是指新能源動力系統(tǒng)領(lǐng)域；智能是指無人駕駛或駕駛員輔助的電子系統(tǒng)；聯(lián)網(wǎng)是指車聯(lián)網(wǎng)的布局；共享是指汽車共享和移動出行。
汽車數(shù)字化、智能化是國家堅定不移的戰(zhàn)略發(fā)展方向之一，而汽車座艙服務(wù)單一，缺乏多元化、場景化、智能化問題：包括用戶請求是多元和不斷在變化，以及生態(tài)服務(wù)接入困難更新慢；業(yè)務(wù)服務(wù)非常割裂、碎片化，缺乏場景聯(lián)動問題；當(dāng)前指令式服務(wù)，缺乏場景主動感知、缺少服務(wù)預(yù)測、缺少基于實時場景的智能服務(wù)等問題，很難滿足車主用戶對智能汽車的訴求。
二、實施目標(biāo)
首先，通過車聯(lián)網(wǎng)云平臺場景化的千人千面智能服務(wù)實現(xiàn)千人千面?zhèn)€性化場景識別和多場景識別準(zhǔn)確性，目標(biāo)實現(xiàn)場景識別精度提升。其次，解決了生態(tài)服務(wù)資源多接入復(fù)雜、使用不便問題，實現(xiàn)服務(wù)接口動態(tài)自適應(yīng)配置，形成生態(tài)統(tǒng)一形式的接口，此外，基于場景感知的算法模型智能適配技術(shù)，目標(biāo)實現(xiàn)基于場景的個性化服務(wù)推薦。最后，解決了模型評估單一、不準(zhǔn)確的問題，目標(biāo)實現(xiàn)模型評估的準(zhǔn)確性提升。在線算法優(yōu)化演進(jìn)技術(shù)解決了目前離線調(diào)優(yōu)模型時效率低、實時性差的問題，通過在線模型優(yōu)化演進(jìn)技術(shù)實現(xiàn)模型在線升級進(jìn)化，進(jìn)而提升車聯(lián)網(wǎng)平臺平臺服務(wù)推薦的質(zhì)量和智能化進(jìn)步，車聯(lián)網(wǎng)云平臺場景化的千人千面智能服務(wù)為車主用戶提供更加優(yōu)質(zhì)智能服務(wù)。
三、建設(shè)內(nèi)容
聯(lián)網(wǎng)云平臺場景化的千人千面智能服務(wù)主要實現(xiàn)了3個技術(shù)內(nèi)容創(chuàng)新：
場景端云融合識別技術(shù)、服務(wù)自適應(yīng)動態(tài)適配技術(shù)、服務(wù)的算法優(yōu)化演進(jìn)技術(shù)。
1、場景端云融合識別技術(shù)
在場景識別方面，開發(fā)了個人場景優(yōu)先度矩陣技術(shù)，實現(xiàn)了人、車、環(huán)境與時空場景進(jìn)行信息增益算法分析獲取人與場景的優(yōu)先度矩陣，而場景間采用關(guān)聯(lián)算法分析，獲取場景間的關(guān)聯(lián)度矩陣，綜合構(gòu)建出個人場景優(yōu)先度矩陣，實現(xiàn)千人千面的場景化能力。此外，我們通過基于強化學(xué)習(xí)的場景融合技術(shù)，強化學(xué)習(xí)通過評估網(wǎng)絡(luò)模型和行動網(wǎng)絡(luò)模型獲得用戶當(dāng)前最優(yōu)場景，提升了場景識別的準(zhǔn)確率，參見圖1。
圖1.場景端云融合識別技術(shù)
個人場景優(yōu)先度矩陣技術(shù)，實現(xiàn)了人、車、環(huán)境與時空場景進(jìn)行信息增益算法分析獲取人與場景的優(yōu)先度矩陣，充分獲取用戶與時空場景真實的數(shù)字空間中關(guān)聯(lián)，此外，通過個人場景間的關(guān)聯(lián)度分析獲取個人場景間的關(guān)聯(lián)度，進(jìn)而保證了場景間的時序和前后關(guān)聯(lián)。進(jìn)而解決了之前產(chǎn)品的場景單一、個性化不足而且場景識別精度不足問題。
根據(jù)我們的研究，我們實現(xiàn)人、車、環(huán)境與時空場景的信息增益：
1)人與場景的信息增益算法分析
信息增益算法用于選擇劃分的特征。信息增益越大，說明劃分效果越好。
信息熵描述了事件的不確定性，熵越大，含有的信息量就越大，如果某個事件有n個結(jié)果，每個結(jié)果的概率為pn。那么這個事件的熵H(p)的定義為：
2）基于強化學(xué)習(xí)算法的場景融合技術(shù)
強化學(xué)習(xí)是智能體（agent）以“試錯”的方式進(jìn)行學(xué)習(xí)，通過與環(huán)境進(jìn)行交互獲得的獎賞指導(dǎo)行為，目標(biāo)是使智能體獲得最大的獎賞。強化學(xué)習(xí)由狀態(tài)（state），行為（action）和回報（reward）組成。在場景融合技術(shù)中，人稱為agent，時間和場景稱為state，人在當(dāng)前state去往下一個state的過程稱為action，某個state下執(zhí)行哪個action用q-value函數(shù)評估。執(zhí)行action后對目標(biāo)的達(dá)成程度用reward評估，q-value或reward越高，表示效果越好。在一個指定的state下，行動網(wǎng)絡(luò)用于選擇action，評估網(wǎng)絡(luò)用于評估選擇的action的好壞。行動網(wǎng)絡(luò)用Q-learning實現(xiàn)。
2、服務(wù)自適應(yīng)動態(tài)適配技術(shù)
在服務(wù)推薦方面，構(gòu)建服務(wù)自適應(yīng)動態(tài)適配技術(shù)實現(xiàn)了自適應(yīng)服務(wù)接口變化的動態(tài)適配技術(shù)和基于場景感知的動態(tài)適配技術(shù)，不僅能夠屏蔽進(jìn)化前后應(yīng)用程序接口調(diào)用的差異，同時能根據(jù)場景不同自動匹配合適的生態(tài)服務(wù)，提升了服務(wù)內(nèi)容推薦的智能化、個性化，參見圖2。
圖2.服務(wù)自適應(yīng)動態(tài)適配技術(shù)
基于場景的生態(tài)服務(wù)推薦模型（Service Recommendation Based on Scenario Recog‐nition，SRBSR）?；趫鼍暗纳鷳B(tài)服務(wù)推薦模型旨在通過準(zhǔn)確識別用戶及場景需求，自動地為用戶推薦可能滿足特定場景下的需求服務(wù)列表，從而幫助用戶快速使用生態(tài)服務(wù)。
3、服務(wù)的算法優(yōu)化演進(jìn)技術(shù)
在服務(wù)的算法優(yōu)化演進(jìn)方面，開發(fā)了多模態(tài)反饋評估技術(shù)，對多模態(tài)信息進(jìn)行用戶行為、情緒識別、語意識別等多維度多評估模型的綜合模型評估，構(gòu)建了情感評估模型（滿意度、興趣度、信任度）和表象評估模型（參與度、接收度、準(zhǔn)確度）解決行為評估的數(shù)據(jù)少、準(zhǔn)確性差的問題，生成有效的模型質(zhì)量指標(biāo)表，此外，開發(fā)了在線模型優(yōu)化演進(jìn)技術(shù)，基于模型質(zhì)量指標(biāo)表對模型自動進(jìn)行參數(shù)優(yōu)化和特征優(yōu)化，實現(xiàn)服務(wù)的算法模型自動優(yōu)化。
1）多模態(tài)反饋評估技術(shù)
算法服務(wù)質(zhì)量的提升來源于算法模型不斷優(yōu)化迭代，現(xiàn)如今算法模型很多采用離線單獨訓(xùn)練，這樣優(yōu)化迭代周期比較長，難以滿足智能服務(wù)的需求，我們采用多模態(tài)反饋評估技術(shù)采用情緒評估模型包括信任度、滿意度、興趣度的度量，表象評價模型采用參與度、接受度、準(zhǔn)確度的度量，算法評估精度。
2）在線模型優(yōu)化演進(jìn)技術(shù)
目前離線調(diào)優(yōu)模型時效率低、實時性差的問題，通過在線模型優(yōu)化演進(jìn)技術(shù)實現(xiàn)模型在線升級進(jìn)化，主要實現(xiàn)方法基于模型質(zhì)量指標(biāo)表對模型自動進(jìn)行參數(shù)優(yōu)化和特征優(yōu)化，實現(xiàn)服務(wù)的算法模型自動優(yōu)化，進(jìn)而提升車聯(lián)網(wǎng)平臺平臺服務(wù)推薦的質(zhì)量和智能化進(jìn)步。
①遞歸特征消除
特征子集的選擇應(yīng)該建立在當(dāng)前特征子集上的性能和一個標(biāo)準(zhǔn)模型的性能之間的差異基礎(chǔ)上，而且還受許多參數(shù)如特征子集大小、迭代步長等的限制。所以，遞歸特征消除法是一種探索性的、啟發(fā)式的方法，其結(jié)果可能會受到參數(shù)的選擇和模型集成方式的影響。
遞歸特征消除法有兩種實現(xiàn)方式，分別是“遞歸式”和“迭代式”。遞歸式特征消除法是一種通過不斷地削減當(dāng)前特征集合，來評估和選擇重要特征的方法。具體過程如下：
A.對原始特征集合進(jìn)行訓(xùn)練，并計算出每個特征的權(quán)重。
B.排除權(quán)重最小的若干個特征，得到一個新的、更小的特征集合，并重新訓(xùn)練模型。
C.重復(fù)上述過程，直到達(dá)到預(yù)設(shè)的特征數(shù)量、特征重要性排名、或者其他終止條件為止。
②參數(shù)尋優(yōu)算法
傳統(tǒng)的參數(shù)調(diào)優(yōu)方式是GridSearch，用窮舉的方式對搜索空間的每個超參數(shù)進(jìn)行組合，缺點是一旦參數(shù)很多，計算代價非常大。目前較流行的是TPE（Tree-structured Parzen Estimator）調(diào)參，是一種基于樹結(jié)構(gòu)的貝葉斯優(yōu)化算法，可以理解為在圖結(jié)構(gòu)的參數(shù)空間上不斷尋找目標(biāo)函數(shù)最優(yōu)解的問題。TPE調(diào)參的具體過程如下：
A.定義超參數(shù)搜索空間，如學(xué)習(xí)率、樹的深度等。
B.構(gòu)建推薦器樹和評估器樹，以實現(xiàn)對超參數(shù)的優(yōu)化。推薦器樹使用條件概率分布來生成候選超參數(shù)配置。對于每個超參數(shù)，推薦器樹計算一個條件概率分布函數(shù)P(x|y)，其中x是超參數(shù)取值，y是該配置對應(yīng)的性能指標(biāo)。
車聯(lián)網(wǎng)云平臺場景化千人千面智能服務(wù)，憑借著個人場景優(yōu)先度矩陣技術(shù)提升了千人千面的個人場景識別的精度，通過強化學(xué)習(xí)的場景融合技術(shù)解決多場景融合的場景質(zhì)量；服務(wù)自適應(yīng)動態(tài)適配技術(shù)很好完成了服務(wù)的動態(tài)適配和基于場景感知的動態(tài)適配服務(wù)的技術(shù)，保證的用戶當(dāng)前場景下服務(wù)推薦質(zhì)量；此外，服務(wù)的算法演進(jìn)技術(shù)實現(xiàn)算法在線不斷優(yōu)化升級，保證了我們智能系統(tǒng)服務(wù)質(zhì)量和滿足用戶智能服務(wù)要求，主要應(yīng)用項目有：東風(fēng)windlink，東風(fēng)嵐圖平臺，紅旗車聯(lián)網(wǎng)平臺、奔騰車聯(lián)網(wǎng)平臺等。
四、實施效果
車廠通過車聯(lián)網(wǎng)云平臺場景化的千人千面智能服務(wù)，有效提升了智能座艙服務(wù)質(zhì)量，具體實施效果如下：
1.通過場景融合技術(shù)實現(xiàn)千人千面?zhèn)€性化場景識別和多場景識別準(zhǔn)確性，實現(xiàn)場景識別精度提升，提升了30%準(zhǔn)確率。
2.接口進(jìn)化模式能適配90%接口更新，用MAP N指標(biāo)評估，匹配度較業(yè)內(nèi)常用算法提高了6.1%
3.通過多模態(tài)反饋評估技術(shù)解決了行為評估數(shù)據(jù)單一、準(zhǔn)確率低問題，在線模型優(yōu)化演進(jìn)技術(shù)實現(xiàn)模型在線優(yōu)化演進(jìn)保證快速優(yōu)化算法模型，保證模型質(zhì)量，提升服務(wù)的智能化。
4.車聯(lián)網(wǎng)云平臺場景化千人千面智能服務(wù)獲得相關(guān)發(fā)明26項，軟著4項；
產(chǎn)品服務(wù)5家主機廠，覆蓋近10個品牌，支撐了10多個項目，服務(wù)超過50萬+臺車。