信息处理方法、装置、设备及存储介质与流程

1.本技术涉及智能后端云平台构建领域，具体涉及一种信息处理方法、装置、设备及存储介质。


背景技术：

2.随着各种智能烹饪电器的普及，各种基于视觉和语音交互的智能功能层出不穷，这些智能功能的实现需要在相应的任务上制作大量且多种类的样本-标签对数据集进行参数学习，以保证智能功能的实现。但这种对于学习数据类似于穷举式的操作使得已有模型在已经训练过的数据类别上能够表现的很好，而对于未进行参数学习、已学习过的数据分布差异较大、后台知识库中不包含的数据样本表现的很差，这就需要智能设备具备自我迭代优化的能力。对于各种已经上线设备的功能可依靠后台强大的云平台进行持续参数学习及更新，但需要有新种类数据样本以及精确的样本标签标注，前者能够通过搜集产品上线后未正确解决的样本获取，而后者的数据标注则需要大量人工来对这些困难样本进行标注然后才能进行智能功能的参数学习迭代，如何能够解决智能烹饪设备自学习迭代更新过程中的样本正确标签获取问题是目前云平台自学习的一大瓶颈问题。


技术实现要素：

3.有鉴于此，本发明的主要目的在于提供一种信息处理方法、信息处理方法、装置、设备及存储介质。
4.本技术实施例的技术方案是这样实现的：
5.本技术实施例提供了一种信息处理方法，所述方法应用于第一设备，所述方法包括：
6.确定处理异常的用户输入信息；
7.对所述处理异常的用户输入信息进行转化处理，得到与所述处理异常的用户输入信息相关的查询信息；
8.确定与所述查询信息匹配的至少一个查询结果；
9.接收第一查询结果；所述第一查询结果为所述至少一个查询结果中的任一查询结果；
10.将所述处理异常的用户输入信息和所述第一查询结果发送给第二设备；所述处理异常的用户输入信息和所述第一查询结果用于所述第二设备进行学习更新。
11.上述方案中，所述确定处理异常的用户输入信息，包括：
12.接收所述输入信息；
13.判断第一预设模型是否能正常处理所述输入信息；
14.在所述第一预设模型不能正常处理所述输入信息的情况下，确定所述输入信息为所述处理异常的用户输入信息。
15.上述方案中，所述输入信息包括语音信息和/或图片信息；所述在所述第一预设模
型不能正常处理所述输入信息的情况下，确定所述输入信息为所述处理异常的用户输入信息，包括：
16.在所述第一预设模型不能正常处理所述语音信息和/或图片信息的情况下，确定所述语音信息和/或图片信息为所述处理异常的用户输入信息。
17.上述方案中，所述对所述处理异常的用户输入信息进行转化处理，得到与所述处理异常的用户输入信息相关的查询信息，包括：
18.在所述语音信息为所述处理异常的用户输入信息的情况下，对所述语音信息进行信息补充，得到与所述语音信息相关的查询信息。
19.上述方案中，所述对所述处理异常的用户输入信息进行转化处理，得到与所述处理异常的用户输入信息相关的查询信息，包括：
20.在所述图片信息为所述处理异常的用户输入信息的情况下，对所述图片信息进行信息提取，得到与所述图片信息相关的查询信息。
21.上述方案中，所述确定与所述查询信息匹配的至少一个查询结果之后，所述方法还包括：
22.对所述至少一个查询结果进行排序，得到第一排序结果；
23.基于所述第一排序结果，确定至少一个备选查询结果。
24.上述方案中，所述方法还包括：
25.在所述用户没有对所述至少一个备选查询结果进行选择的情况下，基于所述第一排序结果，重新确定至少一个备选查询结果；所述重新确定的至少一个备选查询结果与所述至少一个备选查询结果不同。
26.上述方案中，所述方法还包括：
27.获取重新确定至少一个备选查询结果的次数；
28.在所述次数大于等于第一预设阈值的情况下，停止重新确定至少一个备选查询结果。
29.上述方案中，所述方法还包括：
30.基于预设方式对所述至少一个查询结果进行选择，得到第一查询结果。
31.上述方案中，所述方法还包括：
32.在所述用户没有对所述至少一个查询结果进行选择的情况下，将所述处理异常的用户输入信息发送给所述第二设备；所述处理异常的用户输入信息用于所述第二设备确定第二查询结果。
33.上述方案中，所述方法还包括：
34.在所述第一预设模型能正常处理所述输入信息的情况下，基于所述第一预设模型确定第三查询结果。
35.本技术实施例还提供了一种信息处理方法，所述方法应用于第二设备，所述方法包括：
36.接收第一设备发送的处理异常的用户输入信息和第一查询结果；
37.基于所述处理异常的用户输入信息和所述第一查询结果，对第二预设模型进行学习更新，得到更新后的第二预设模型；所述更新后的第二预设模型用于更新所述第一设备中的第一预设模型。
38.上述方案中，所述方法还包括：
39.接收所述第一设备发送的处理异常的用户输入信息；
40.基于所述处理异常的用户输入信息，确定与所述处理异常的用户输入信息匹配的第二查询结果；所述第二查询结果用于进行展示。
41.本技术实施例还提供了一种信息处理装置，所述信息处理装置设置在第一设备上，所述信息处理装置包括：
42.第一确定模块，用于确定处理异常的用户输入信息；
43.转化模块，用于对所述处理异常的用户输入信息进行转化处理，得到与所述处理异常的用户输入信息相关的查询信息；
44.第二确定模块，用于确定与所述查询信息匹配的至少一个查询结果；
45.第一接收模块，用于接收第一查询结果；所述第一查询结果为所述至少一个查询结果中的任一查询结果；
46.第一发送模块，用于将所述处理异常的用户输入信息和所述第一查询结果发送给第二设备；所述处理异常的用户输入信息和所述第一查询结果用于所述第二设备进行学习更新。
47.本技术实施例还提供了一种信息处理装置，所述信息处理装置设置在第二设备上，所述信息处理装置包括：
48.第二接收模块，用于接收第一设备发送的处理异常的用户输入信息和第一查询结果；
49.更新模块，用于基于所述处理异常的用户输入信息和所述第一查询结果，对第二预设模型进行学习更新，得到更新后的第二预设模型；所述更新后的第二预设模型用于更新所述第一设备中的第一预设模型。
50.本技术实施例还提供了一种第一设备，包括：第一处理器和用于存储能够在处理器上运行的计算机程序的第一存储器，
51.其中，所述第一处理器用于运行所述计算机程序时，执行上述第一设备侧任一方法的步骤。
52.本技术实施例还提供了一种第二设备，包括：第二处理器和用于存储能够在处理器上运行的计算机程序的第二存储器，
53.其中，所述第二处理器用于运行所述计算机程序时，执行上述第二设备侧任一方法的步骤。
54.本技术实施例还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一设备侧任一方法的步骤，或者实现上述第一设备侧任一方法的步骤。
55.本技术实施例提供的信息处理方法、信息处理方法、装置、设备及存储介质，第一设备确定处理异常的用户输入信息；对所述处理异常的用户输入信息进行转化处理，得到与所述处理异常的用户输入信息相关的查询信息；确定与所述查询信息匹配的至少一个查询结果；接收第一查询结果；所述第一查询结果为所述至少一个查询结果中的任一查询结果；将所述处理异常的用户输入信息和所述第一查询结果发送给第二设备；相应地，第二设备接收第一设备发送的处理异常的用户输入信息和第一查询结果；基于所述处理异常的用
户输入信息和所述第一查询结果，对第二预设模型进行学习更新，得到更新后的第二预设模型；所述更新后的第二预设模型用于更新所述第一设备中的第一预设模型。通过确定所述第一设备处理异常的用户输入信息，利用海量的互联网知识对用户输入信息进行匹配，返回至少一个查询结果供用户选择，一方面用户通过自主选择在至少一个查询结果中获得了正确答案；另一方面所述第一设备将所述处理异常的用户输入信息和所述正确答案作为已标注数据发送至第二设备，所述第二设备基于所述已标注数据对第二预设模型进行更新学习，得到更新后的第二预设模型，实现了对第二设备的第二预设模型进行实时迭代更新。
附图说明
56.图1为本技术实施例信息处理方法流程示意图；
57.图2为本技术实施例信息处理方法工作流程示意图；
58.图3为本技术实施例信息处理方法流程示意图；
59.图4为本技术实施例信息处理方法和信息处理方法流程示意图；
60.图5为本技术实施例信息处理装置结构示意图；
61.图6为本技术实施例信息处理装置结构示意图；
62.图7为本技术实施例信息处理和信息处理系统结构示意图；
63.图8为本技术实施例第一设备结构示意图；
64.图9为本技术实施例第二设备结构示意图。
具体实施方式
65.下面结合附图及实施例对本技术再作进一步详细的描述。
66.相关技术中，对于各种已经上线智能烹饪设备的智能功能，智能学习云平台自学习的解决方案大体可分为三种：
67.最为常见的就是采用人工标注的有监督学习方式，首先通过用户的智能产品使用收集当前不能正确完成功能的样本，然后后台云平台的样本达到一定数量或定期进行这些困难样本的处理，由后台的维护人员对这些数据进行整理、标注形成新的训练数据，接着讲这些新的训练数据加入有监督参数学习得到对新数据具有较强适应性的模型，最后将新模型重新部署上线，如此按周期重复进行即可完成智能功能的迭代更新。这类方式模型学习效果较好，但需要大量的人工参与，时间成本较高且无法完成实时的模型迭代更新。
68.由于许多智能功能的底层实现逻辑都可归并为样本分类问题，因此另一种解决方案是通过学习参数设置，使用无监督的方式进行学习(即在训练过程中不需要设置固定的标签)，通过类似聚类的方式直接将搜集的样本进行无监督学习，将相同种类的样本聚类学习在一起以识别相同种类和不同种类。该种方式省去了人工标注的时间及成本耗费也能够达到实时的更新，但由于没有标签的样本的分布学习任务较为困难，对于部分相似样本的区分较为困难，模型的鲁棒性和准确度相对较低。
69.第三种便是结合有监督和无监督方式的自学习平台，使用实际功能实现所采用的是有监督模型，能够达到较高的精度，当进行新样本数据处理时使用无监督方法对新样本进行分类整理，可省去大量的人工标注工作，但受限于无监督模型的实现精度，仍不能使模型的迭代更新达到十分可靠的工程化程度。
70.相关技术中，基于有监督模型的自学习云平台需要定期进行新样本整理标注及参数训练学习，成本及实践耗费较多，且无法实现实时迭代更新；对于基于无监督学习的自学习云平台及结合无监督和有监督的云平台受限于无监督模型的鲁棒性和模型精度，难以实现工程化的可靠度。
71.基于此，在本技术的各种实施例中，利用用户作为高级智能主体，用户虽不具有专业的标签标注能力，但却具有较为精确的正确标签判别能力的特点，在第一设备端设置推荐搜索和答案选择功能的用户交互界面，在第二设备端配备基于有监督学习的自学习云平台。通过结合互联网搜索推荐并展示给用户进行答案选择，形成样本对第二设备进行的实时迭代更新。
72.本技术实施例提供了一种信息处理方法，所述方法应用于第一设备，图1为本技术实施例信息处理方法流程示意图，如图1所示，所述方法包括：
73.步骤101：确定处理异常的用户输入信息；
74.步骤102：对所述处理异常的用户输入信息进行转化处理，得到与所述处理异常的用户输入信息相关的查询信息；
75.步骤103：确定与所述查询信息匹配的至少一个查询结果；
76.步骤104：接收第一查询结果；所述第一查询结果为所述至少一个查询结果中的任一查询结果；
77.步骤105：将所述处理异常的用户输入信息和所述第一查询结果发送给第二设备；所述处理异常的用户输入信息和所述第一查询结果用于所述第二设备进行学习更新。
78.实际应用时，所述第一设备可以根据实际情况确定，在此不做限定。作为一种示例，所述第一设备可以是智能设备，所述智能设备可以是各种厨房智能烹饪设备，例如烤箱、集成灶、微波炉、蒸箱、自动炒菜机等。所述智能设备具备烹制知识问答的智能功能，所述智能功能可以是知识问答助手或菜谱搜索功能，也可以是食材或食物图像识别功能。
79.在步骤101中，所述第一设备可以包括用户交互模块，所述用户交互模块包括交互模组和控制模组，其中，所述交互模组包括信息采集单元，所述交互模组用于与所述用户进行多种形式的信息交互，所述交互模组包括信息采集单元，所述信息采集单元用于接收所述用户输入信息；所述控制模组包括中央控制单元，所述中央控制单元用于控制所述第一设备。所述确定处理异常的用户输入信息可以为，通过所述信息采集单元获取所述用户输入信息，通过所述中央控制单元确定处理异常的用户输入信息。
80.在步骤102中，对所述处理异常的用户输入信息进行转化处理，得到与所述处理异常的用户输入信息相关的查询信息可以是，对所述用户输入信息进行转化处理，增强搜索结果与所述用户输入信息相关性，得到与所述处理异常的用户输入信息相关的查询信息。
81.在步骤103中，所述第一设备可以包括搜索模块，所述确定与所述查询信息匹配的至少一个查询结果可以为，将所述查询信息输入至所述搜索模块；基于所述搜索模块，在互联网中进行搜索，得到查询结果；对所述查询信息和所述查询结果进行匹配，确定与所述查询信息匹配的至少一个查询结果。
82.在步骤104中，所述交互模组包括信息交互单元，所述信息交互单元用于将所述至少一个查询结果向所述用户进行展示。接收第一查询结果可以为，将所述至少一个查询结果展示给所述用户，利用所述用户作为高级智能主体对正确答案具有较强判别能力的特
点，以实现所述用户在所述至少一个查询结果选择第一查询结果，并将所述第一查询结果返回至所述第一设备，所述第一设备基于用户对所述至少一个查询结果的选择，接收第一查询结果。
83.在步骤105中，所述控制模组包括数据传输单元，所述数据传输单元用于与所述第二设备进行数据传输；所述将所述处理异常的用户输入信息和所述第一查询结果发送给第二设备可以为，通过所述数据传输单元，将所述处理异常的用户输入信息和所述第一查询结果发送给第二设备。
84.基于此，在一实施例中，所述确定处理异常的用户输入信息，包括：
85.接收所述输入信息；
86.判断第一预设模型是否能正常处理所述输入信息；
87.在所述第一预设模型不能正常处理所述输入信息的情况下，确定所述输入信息为所述处理异常的用户输入信息。
88.实际应用时，所述输入信息可以根据实际情况确定，在此不做限定。作为一种示例，所述输入信息可以是用户的输入信息，所述用户的输入信息可以是所述用户输入至所述第一设备的信息。所述接收所述输入信息可以是，通过所述信息采集单元接收所述用户的输入信息。所述控制模块存储有所述第一预设模型，所述第一预设模型可以根据实际情况确定，在此不做限定。作为一种示例，所述第一预设模型可以是本地模型，用于对所述输入信息进行处理，确定所述输入信息对应的查询信息。
89.所述判断第一预设模型是否能正常处理所述输入信息的方法可以根据实际情况确定，在此不做限定。作为一种示例，可以根据所述第一预设模型是否能够理解所述用户输入信息，判断所述第一预设模型是否能正常处理所述输入信息；其中，所述第一预设模型是否能够理解所述用户输入信息可以为，所述第一预设模型是否能够根据所述用户输入信息，输出得到与所述用户输入信息相对应的正确输出结果。
90.作为另一种示例，还可以根据所述第二设备的后台知识库中是否包含所述用户输入信息对应的查询结果，判断所述第一预设模型是否能正常处理所述输入信息。
91.在一些实施例中，在所述第一预设模型不能理解所述输入信息的情况下，确定所述输入信息为所述处理异常的用户输入信息，将所述处理异常的用户输入信息和所述第一查询结果作为困难样本；在所述第二设备的后台知识库中不包含所述用户输入信息对应的查询结果，确定所述输入信息为所述处理异常的用户输入信息，将所述处理异常的用户输入信息和所述第一查询结果作为新样本。
92.基于此，在一实施例中，所述输入信息包括语音信息和/或图片信息；所述在所述第一预设模型不能正常处理所述输入信息的情况下，确定所述输入信息为所述处理异常的用户输入信息，包括：
93.在所述第一预设模型不能正常处理所述语音信息和/或图片信息的情况下，确定所述语音信息和/或图片信息为所述处理异常的用户输入信息。
94.实际应用时，所述信息采集单元可以包括语音采集单元和图像采集单元。作为一种示例，所述语音采集单元可以是具备语音采集功能的麦克风，用于采集各种音频形式的问题或指令的用户信息输入；所述图像采集单元可以是具备图像采集功能的摄像头，用于采集各种需要进行处理的图像信息的用户信息输入。
95.基于此，在一实施例中，所述对所述处理异常的用户输入信息进行转化处理，得到与所述处理异常的用户输入信息相关的查询信息，包括：
96.在所述语音信息为所述处理异常的用户输入信息的情况下，对所述语音信息进行信息补充，得到与所述语音信息相关的查询信息。
97.实际应用时，所述对所述语音信息进行信息补充的方法可以根据实际情况确定，在此不做限定。作为一种示例，可以对所述语音信息进行问题信息的补充，所述问题信息可以是所述用户当前使用的功能。例如，在所述用户使用烤箱制作蛋糕的情况下，所述用户的语音信息为“没有低筋面粉怎么办？”，可以对所述语音信息进行问题信息的补充，得到“做蛋糕时没有低筋面粉怎么办？”的查询信息。
98.作为一种示例，还可以对所述语音信息中的文字描述转化为问题形式。例如，在所述用户使用烤箱制作蛋糕的情况下，所述用户的语音信息为“做蛋糕时没有低筋面粉”，可以对所述语音信息中的文字描述转化为问题形式，得到“做蛋糕时没有低筋面粉怎么办？”的查询信息。
99.基于此，在一实施例中，所述对所述处理异常的用户输入信息进行转化处理，得到与所述处理异常的用户输入信息相关的查询信息，包括：
100.在所述图片信息为所述处理异常的用户输入信息的情况下，对所述图片信息进行信息提取，得到与所述图片信息相关的查询信息。
101.实际应用时，所述对所述图片信息进行信息提取的方法可以根据实际情况确定，在此不做限定。作为一种示例，可以对所述图片信息进行颜色矫正、缩放和重点信息区域提取等处理。
102.在一些实施例中，所述搜索模块包括多种搜索形式的搜索接口，例如：以图搜图、以图搜字、以问搜答等形式，并调用现有成熟搜索推荐引擎进行相关内容的推荐搜索，主要用于对所述第一设备具备的智能功能不能正常处理的所述输入信息，或所述第二设备的后台知识库不包含所述用户输入信息对应的查询结果的情况下，进行互联网知识的精确搜索推荐。作为一种示例，在所述语音信息为所述处理异常的用户输入信息的情况下，所述搜索接口可以是百科知识问答或菜谱内容搜索接口；在所述图片信息为所述处理异常的用户输入信息的情况下，所述搜索接口可以是图像内容识别接口。
103.在一些实施例中，所述搜索模块可以不使用现有的成熟搜索引擎，而通过构建初召回、粗排、精排模块构建新的搜索引擎。
104.基于此，在一实施例中，所述确定与所述查询信息匹配的至少一个查询结果之后，所述方法还包括：
105.对所述至少一个查询结果进行排序，得到第一排序结果；
106.基于所述第一排序结果，确定至少一个备选查询结果。
107.实际应用时，所述对所述至少一个查询结果进行排序，得到第一排序结果可以为，基于所述至少一个查询结果与所述查询信息的相关性，对所述至少一个查询结果进行排序，得到第一排序结果。具体地，基于所述至少一个查询结果与所述查询信息的相关性由强至弱，对所述至少一个查询结果进行排序，得到第一排序结果。
108.所述基于所述第一排序结果，确定至少一个备选查询结果可以为，在所述第一排序结果中选择预设数量的查询结果，确定至少一个备选查询结果。所述预设数量可以根据
实际情况确定，在此不做限定。作为一种示例，所述预设数量可以是3个或3个以上，在所述第一排序结果中选择3个或3个以上查询结果，确定3个或3个以上备选查询结果。
109.在一些实施例中，所述基于用户对所述至少一个查询结果的选择，得到第一查询结果，包括：
110.基于用户对所述至少一个备选查询结果的选择，得到第一查询结果；
111.所述第一查询结果为所述至少一个备选查询结果中的任一备选查询结果。
112.实际应用时，所述信息交互单元可以包括视觉交互单元和语音播报单元。作为一种示例，所述视觉交互单元可以是具备视觉交互功能的显示屏幕，用于向所述用户展示所述至少一个备选查询结果；所述语音播报单元可以是具备语音播报功能的音响，用于向所述用户播报所述至少一个备选查询结果。
113.所述基于用户对所述至少一个备选查询结果的选择，得到第一查询结果可以为，将所述至少一个备选查询结果展示给所述用户，利用所述用户作为高级智能主体对正确答案具有较强判别能力的特点，以实现所述用户在所述至少一个备选查询结果选择正确查询结果，基于用户对所述至少一个备选查询结果的选择，确定第一查询结果。
114.基于此，在一实施例中，所述方法还包括：
115.在所述用户没有对所述至少一个备选查询结果进行选择的情况下，基于所述第一排序结果，重新确定至少一个备选查询结果；所述重新确定的至少一个备选查询结果与所述至少一个备选查询结果不同。
116.实际应用时，在所述用户没有对所述至少一个备选查询结果进行选择的情况下，基于所述第一排序结果，重新确定至少一个备选查询结果可以为，按照多轮选择方式和所述第一排序结果，确定第一轮中的至少一个备选查询结果；在所述用户没有对所述第一轮中的至少一个备选查询结果进行选择的情况下，按照多轮选择方式和所述第一排序结果，确定第二轮中的至少一个备选查询结果。其中，所述第一轮中的至少一个备选查询结果和所述第二轮中的至少一个备选查询结果不同。
117.基于此，在一实施例中，所述方法还包括：
118.获取重新确定至少一个备选查询结果的次数；
119.在所述次数大于等于第一预设阈值的情况下，停止重新确定至少一个备选查询结果。
120.实际应用时，获取重新确定至少一个备选查询结果的次数可以为，在所述用户没有对所述至少一个备选查询结果进行选择的情况下，对重新确定至少一个备选查询结果进行计数，获取所述对重新确定至少一个备选查询结果进行计数的次数。
121.所述第一预设阈值可以根据实际情况确定，在此不做限定。作为一种示例，所述第一预设阈值可以是最大选择论述，通过设置最大选择轮数可以防止至少一个备选查询结果中没有正确选项的情况。
122.基于此，在一实施例中，所述方法还包括：
123.基于预设方式对所述至少一个查询结果进行选择，得到第一查询结果。
124.实际应用时，所述预设方式可以根据实际情况确定，在此不做限定。作为一种示例，所述预设方式可以是通过算法学习，使用深度学习模型对所述至少一个查询结果进行选择，得到第一查询结果。所述使用深度学习模型对所述至少一个查询结果进行选择可以
是，在所述查询信息中提取关键词，基于所述关键词对所述至少一个查询结果进行选择。例如，在所述用户使用烤箱制作蛋糕的情况下，确定“做蛋糕时没有低筋面粉怎么办？”的查询信息，在所述查询信息中确定“没有低筋面粉”的关键词，基于所述关键词在所述至少一个查询结果中选择“用普通面粉与小麦粉4：1比例混合可代替低筋面粉”的第一查询结果。此时，确定与所述查询信息匹配的至少一个查询结果，可以不经过用户进行选择，直接通过预设方式得到第一查询结果。
125.基于此，在一实施例中，所述方法还包括：
126.在所述用户没有对所述至少一个查询结果进行选择的情况下，将所述处理异常的用户输入信息发送给所述第二设备；所述处理异常的用户输入信息用于所述第二设备确定第二查询结果。
127.实际应用时，所述用户没有对所述至少一个查询结果进行选择的情况可以根据实际情况确定，在此不做限定。作为一种示例，所述用户没有对所述至少一个查询结果进行选择的情况可以是，所述至少一个查询结果中不包含与所述用户输入信息相关的相关结果或正确结果，则确定用户没有对所述至少一个查询结果进行选择，此时，所述用户向所述第一设备传递没有对所述至少一个查询结果进行选择的信号，所述第一设备将所述处理异常的用户输入信息发送给所述第二设备。
128.基于此，在一实施例中，所述方法还包括：
129.在所述第一预设模型能正常处理所述输入信息的情况下，基于所述第一预设模型确定第三查询结果。
130.实际应用时，所述第一预设模型能正常处理所述输入信息的情况可以根据实际情况确定，在此不做限定。作为一种示例，所述第一预设模型能正常处理所述输入信息的情况可以是，所述第一预设模型的参数能够正确理解所述用户的输入信息意图，且所述第二设备的后台知识库中包含所述用户的输入信息意图和与所述用户的输入信息意图相对应的第三查询结果，则确定所述第一预设模型能正常处理所述输入信息。
131.在一些实施例中，图2为本技术实施例信息处理方法工作流程示意图，如图2所示，信息处理方法工作流程至少包括：获取所述用户输入请求信息，并判断所述第一设备的智能功能是否能够正确处理所述用户输入请求信息；将所述智能功能不能正确处理的所述用户输入请求信息经过处理，转化为精确查询请求；将不用的精确查询请求按照功能不同，从不同的搜索接口输入至搜索模块，并返回结果至所述用户；所述用户通过所述信息交互单元在所述返回结果中选择正确结果，其中，所述信息交互单元可以包括可视化交互界面；将所述用户选择的正确结果和所述精确查询请求作为困难样本或新样本，收集所述困难样本或新样本进行所述第二设备的第二预设模型及所述第二设备的后台知识库学习更新。重复进行上述过程，通过结合搜索引擎对当前智能功能难以解决的用户输入请求信息进行搜索，以及通过用户对视觉交互界面的搜索结果答案进行选择，来对当前第一预设模型难以处理的用户输入请求信息进行处理，并同时将原始请求及用户选择结果作为已标注数据，对云平台模型进行参数学习以及对后台知识库进行迭代更新，增强智能功能对新样本的适应能力，不断提升模型的泛化性和普适性。
132.相应地，本技术实施例还提供了一种信息处理方法，所述方法应用于第二设备，图3为本技术实施例信息处理方法流程示意图，如图3所示，所述方法包括：
133.步骤301：接收第一设备发送的处理异常的用户输入信息和第一查询结果；
134.步骤302：基于所述处理异常的用户输入信息和所述第一查询结果，对第二预设模型进行学习更新，得到更新后的第二预设模型；所述更新后的第二预设模型用于更新所述第一设备中的第一预设模型。
135.实际应用时，所述第二设备可以根据实际情况确定，在此不做限定。作为一种示例，所述第二设备可以是网络设备，所述网络设备可以是具有自学习功能的设备，例如，具有自学习功能的云平台。
136.在步骤301中，所述第二设备包括学习模块和储存模块，所述学习模块设置了针对多种智能任务的深度学习网络模型，用于接收所述处理异常的用户输入信息和所述第一查询结果，确定与所述处理异常的用户输入信息和所述第一查询结果相对应的深度学习模型，并对所述深度学习模型进行调整优化以适应新样本或困难样本；所述储存模块用于存储云平台模型、不同版本智能功能参数、样本数据库及后台知识库数据。
137.在步骤302中，所述基于所述处理异常的用户输入信息和所述第一查询结果，对第二预设模型进行学习更新，得到更新后的第二预设模型可以为，使用预设学习模型对所述处理异常的用户输入信息和所述第一查询结果进行学习，并对所述第二预设模型进行参数更新。其中，所述预设学习模型可以是具有信息学习功能的模型，可以根据实际情况确定，在此不做限定。作为一种示例，在所述语音信息为所述处理异常的用户输入信息的情况下，所述预设学习模型可以是文本理解模型；在所述图片信息为所述处理异常的用户输入信息的情况下，所述预设学习模型可以是图像识别模型。
138.在一些实施例中，将所述处理异常的用户输入信息和所述第一查询结果加入至所述第二设备的后台知识库，对所述第二设备的后台知识库进行更新。
139.其中，在一实施例中，所述方法还包括：
140.接收所述第一设备发送的处理异常的用户输入信息；
141.基于所述处理异常的用户输入信息，确定与所述处理异常的用户输入信息匹配的第二查询结果；所述第二查询结果用于进行展示。
142.实际应用时，所述基于所述处理异常的用户输入信息，确定与所述处理异常的用户输入信息匹配的第二查询结果可以是，基于预设处理方式和所述处理异常的用户输入信息，确定与所述处理异常的用户输入信息匹配的第二查询结果。所述预设处理方式可以根据实际情况确定，在此不做限定。作为一种示例，所述预设处理方式可以是人工处理方式。所述第二设备接收所述第一设备发送的处理异常的用户输入信息，基于人工处理方式和所述处理异常的用户输入信息，确定与所述处理异常的用户输入信息匹配的第二查询结果。
143.所述第二设备将所述第二查询结果发送至所述第一设备，通过所述第一设备对所述第二查询结果进行展示，向所述用户展示与所述处理异常的用户输入信息相匹配的第二查询结果，使所述用户获取与所述处理异常的用户输入信息相对应的正确结果。
144.为了理解本发明实施例，以下以所述第一设备是烤箱，所述第二设备是云平台为例进行说明。
145.图4为本技术实施例信息处理方法和信息处理方法流程示意图，如图4所示，所述信息处理方法和信息处理方法主要包括以下步骤：
146.第一步：烤箱获取用户输入信息，并判断烤箱的本地模型是否能够正确处理用户
输入信息。其中，所述烤箱通过交互模组中信息采集单元获取用户输入信息。
147.在用户在使用烤箱制作蛋糕，且使用烹制知识问答的智能功能的情况下，用户通过具备语音采集功能的麦克风输入“没有低筋面粉怎么办？”的问题，在烤箱的本地模型的参数能够正确理解用户的问题的意愿，且云平台的后台知识库中包含该问题和答案，即“问：没有低筋面粉，答：用普通面粉与小麦粉4：1比例混合可代替”，则返回与问题对应的答案，并通过具备语音播报功能的音响将答案进行播报。
148.第二步：烤箱将不能正常处理的用户输入信息转化成具有查询功能的查询信息。
149.在烤箱的本地模型不能理解用户的问题，或云平台的后台知识库不包含该问题和答案的情况下，对用户的问题进行信息的多样化转化处理，将用户的问题扩充为“做蛋糕时没有低筋面粉怎么办？”的查询语句，增强搜索结果与所述用户的问题的相关性。
150.第三步，烤箱将用户输入信息对应的查询信息从不同搜索接口输入至烤箱的搜索模块，从互联网获取用户输入信息的相关结果。
151.烤箱将“做蛋糕时没有低筋面粉怎么办？”的查询语句输入开源百科知识问答搜索接口，得到至少一个答案。
152.第四步，烤箱将从互联网中搜索得到的至少一个答案处理后送入信息交互单元供用户选择。
153.烤箱将从互联网中搜索得到的至少一个答案，根据与用户的问题的相关性进行排序，选择至少一个答案中的3个或3个以上答案作为备选选项，将3个或3个以上个答案显示在具备视觉交互功能的显示屏幕上以供用户选择。
154.在第一轮的3个或3个以上答案中没有用户认为正确的答案的情况下，可采用多轮选择的形式跳转至下3个或3个以上答案，并设置最大选择选择轮数以防止3个或3个以上答案中没有正确选项的情况。
155.第五步，用户判断至少一个答案中是否有正确结果或相关结果。
156.在推荐给用户的3个或3个以上答案中不包含问题相关答案或正确答案的情况下，则用户选择具备视觉交互功能的显示屏幕上的“没有合适答案”的按钮，此时，烤箱将“做蛋糕时没有低筋面粉怎么办？”的查询语句传递至云平台，由云平台对该查询语句进行人工处理得到正确答案，并返回至烤箱，由烤箱将正确答案展示在具备视觉交互功能的显示屏幕上，为用户提供正确答案。
157.在推荐给用户的3个或3个以上答案中包含“用普通面粉与小麦粉4：1比例混合可代替”的类似答案，则用户基于较为精确的正确标签判别能力勾选该答案，并点击“确认选择”按钮，则烤箱将问题和答案，即“问：没有低筋面粉，答：用普通面粉与小麦粉4：1比例混合可代替”传递回云平台。
158.第六步：云平台实时收集开箱发送的问题和答案，并通过有监督学习网络进行新样本训练学习，得到更新后的云平台模型，并使用云平台的云平台模型实时更新烤箱的本地模型，同时更新云平台的后台知识库。
159.云平台接收烤箱发送的问题和答案，即“问：没有低筋面粉，答：用普通面粉与小麦粉4：1比例混合可代替”后，使用文本理解模型对该问题和答案进行学习并对云平台的云平台模型进行参数更新，得到更新后的云平台模型，并使用云平台的云平台模型实时更新烤箱的本地模型，同时烤箱将该问题和答案加入云平台的后台知识库完成更新。
160.第七步，烤箱和云平台循环上述第一步至第六步，不断对云平台的云平台模型及云平台的后台知识库进行自学习更新。
161.本技术实施例提供的信息处理方法和信息处理方法，通过确定所述第一设备处理异常的用户输入信息，利用海量的互联网知识对用户输入信息进行匹配，返回至少一个查询结果供用户选择，一方面用户通过自主选择在至少一个查询结果中获得了正确答案；另一方面所述第一设备将所述处理异常的用户输入信息和所述正确答案作为已标注数据发送至第二设备，所述第二设备基于所述已标注数据对第二预设模型进行更新学习，得到更新后的第二预设模型，实现了对第二设备的第二预设模型进行实时迭代更新。
162.本技术的优点在于利用知识丰富且搜索推荐精准的搜索引擎弥补原始数据库知识量有限的缺点，利用用户作为高级智能主体对正确答案具有较强判别能力的特点，弥补传统数据库扩充需要进行二次人工数据标注，从而产生劳动力耗费的缺点；配合后台自学习云平台实现实时进行参数更新，以适应更广的知识面交互与更精确的交互效果。对于用户，本技术打破了传统固定功能适用情况有限且更新迭代缓慢使用体验较差的局面，通过搜索推荐的方式扩大了能帮用户解决问题的范围面，对于企业，本技术省去了数据精确标注的人工耗费且加快了功能迭代进程。
163.为了实现本技术实施例的信息处理方法，本技术实施例还提供了一种信息处理装置，所述信息处理装置设置在第一设备上，图5为本技术实施例信息处理装置结构示意图，如图5所示，所述信息处理装置500包括：
164.第一确定模块501，用于确定处理异常的用户输入信息；
165.转化模块502，用于对所述处理异常的用户输入信息进行转化处理，得到与所述处理异常的用户输入信息相关的查询信息；
166.第二确定模块503，用于确定与所述查询信息匹配的至少一个查询结果；
167.第一接收模块504，用于接收第一查询结果；所述第一查询结果为所述至少一个查询结果中的任一查询结果；
168.第一发送模块505，用于将所述处理异常的用户输入信息和所述第一查询结果发送给第二设备；所述处理异常的用户输入信息和所述第一查询结果用于所述第二设备进行学习更新。
169.其中，在一实施例中，所述第一确定模块501，还用于接收所述输入信息；判断第一预设模型是否能正常处理所述输入信息；在所述第一预设模型不能正常处理所述输入信息的情况下，确定所述输入信息为所述处理异常的用户输入信息。
170.其中，在一实施例中，所述输入信息包括语音信息和/或图片信息；所述第一确定模块501，还用于在所述第一预设模型不能正常处理所述语音信息和/或图片信息的情况下，确定所述语音信息和/或图片信息为所述处理异常的用户输入信息。
171.其中，在一实施例中，所述转化模块502，还用于在所述语音信息为所述处理异常的用户输入信息的情况下，对所述语音信息进行信息补充，得到与所述语音信息相关的查询信息。
172.其中，在一实施例中，所述转化模块502，还用于在所述图片信息为所述处理异常的用户输入信息的情况下，对所述图片信息进行信息提取，得到与所述图片信息相关的查询信息。
173.其中，在一实施例中，所述信息处理装置500还包括：排序模块和第三确定模块，
174.所述排序模块，用于对所述至少一个查询结果进行排序，得到第一排序结果；
175.所述第三确定模块，用于基于所述第一排序结果，确定至少一个备选查询结果。
176.其中，在一实施例中，所述信息处理装置500还包括：第四确定模块，用于在所述用户没有对所述至少一个备选查询结果进行选择的情况下，基于所述第一排序结果，重新确定至少一个备选查询结果；所述重新确定的至少一个备选查询结果与所述至少一个备选查询结果不同。
177.其中，在一实施例中，所述信息处理装置500还包括：获取模块和停止模块，
178.所述获取模块，用于获取重新确定至少一个备选查询结果的次数；
179.所述停止模块，用于在所述次数大于等于第一预设阈值的情况下，停止重新确定至少一个备选查询结果。
180.其中，在一实施例中，所述信息处理装置500还包括：选择模块，用于基于预设方式对所述至少一个查询结果进行选择，得到第一查询结果。
181.其中，在一实施例中，所述信息处理装置500还包括：第二发送模块，用于在所述用户没有对所述至少一个查询结果进行选择的情况下，将所述处理异常的用户输入信息发送给所述第二设备；所述处理异常的用户输入信息用于所述第二设备确定第二查询结果。
182.其中，在一实施例中，所述信息处理装置500还包括：第五确定模块，用于在所述第一预设模型能正常处理所述输入信息的情况下，基于所述第一预设模型确定第三查询结果。
183.需要说明的是：上述实施例提供的信息处理装置在进行信息处理时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的信息处理装置与信息处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
184.为了实现本技术实施例的信息处理方法，本技术实施例还提供了一种信息处理装置，所述信息处理装置设置在第二设备上，图6为本技术实施例信息处理装置结构示意图，如图6所示，所述信息处理装置600包括：
185.第二接收模块601，用于接收第一设备发送的处理异常的用户输入信息和第一查询结果；
186.更新模块602，用于基于所述处理异常的用户输入信息和所述第一查询结果，对第二预设模型进行学习更新，得到更新后的第二预设模型；所述更新后的第二预设模型用于更新所述第一设备中的第一预设模型。
187.其中，在一实施例中，所述信息处理装置600包括：第三接收模块和第六确定模块，
188.所述第三接收模块，用于接收所述第一设备发送的处理异常的用户输入信息；
189.所述第六确定模块，用于基于所述处理异常的用户输入信息，确定与所述处理异常的用户输入信息匹配的第二查询结果；所述第二查询结果用于进行展示。
190.在实际应用场景中，图7为本技术实施例信息处理和信息处理系统结构示意图，如图7所示，所述系统包括第一设备701和第二设备702。
191.所述第一设备701包括用户交互模块和搜索模块，所述用户交互模块包括交互模
组和控制模组。其中，所述交互模组包括信息采集单元和信息交互单元，所述信息采集单元用于获取所述用户输入信息；所述信息交互单元用于将所述至少一个查询结果向所述用户进行展示。所述控制模组包括中央控制单元和数据传输单元，所述中央控制单元用于确定处理异常的用户输入信息，所述数据传输单元用于与所述第二设备进行数据传输。其中，所述搜索模块用于从互联网中确定与所述查询信息匹配的至少一个查询结果。
192.所述第二设备702包括学习模块和储存模块，所述学习模块设置了针对多种智能任务的深度学习网络模型，用于接收所述处理异常的用户输入信息和所述第一查询结果，确定与所述处理异常的用户输入信息和所述第一查询结果相对应的深度学习模型，并对所述深度学习模型进行调整优化以适应新样本或困难样本；所述储存模块用于存储云平台模型、不同版本智能功能参数、样本数据库及后台知识库数据。
193.需要说明的是：上述实施例提供的信息处理装置在进行信息处理时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的信息处理装置与信息处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
194.基于上述程序模块的硬件实现，且为了实现本技术实施例第一设备侧的方法，本技术实施例还提供了一种第一设备，图8为本技术实施例第一设备结构示意图，如图8所示，该第一设备800包括：
195.第一通信接口801，能够与第二设备进行信息交互；
196.第一处理器802，与所述第一通信接口801连接，以实现与第二设备进行信息交互，用于运行计算机程序时，执行上述第一设备侧一个或多个技术方案提供的方法。而所述计算机程序存储在第一存储器803上。
197.具体地，所述第一处理器802，用于确定处理异常的用户输入信息；对所述处理异常的用户输入信息进行转化处理，得到与所述处理异常的用户输入信息相关的查询信息；从互联网中确定与所述查询信息匹配的至少一个查询结果；接收第一查询结果；所述第一查询结果为所述至少一个查询结果中的任一查询结果；
198.所述第一通信接口802，用于将所述处理异常的用户输入信息和所述第一查询结果发送给第二设备；所述处理异常的用户输入信息和所述第一查询结果用于所述第二设备进行学习更新。
199.需要说明的是：第一处理器802和第一通信接口801的具体处理过程可参照上述方法理解。
200.当然，实际应用时，第一设备800中的各个组件通过总线系统804耦合在一起。可理解，总线系统804用于实现这些组件之间的连接通信。总线系统704除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统804。
201.本技术实施例中的第一存储器803用于存储各种类型的数据以支持第一设备800的操作。这些数据的示例包括：用于在第一设备800上操作的任何计算机程序。
202.上述本技术实施例揭示的方法可以应用于所述第一处理器802中，或者由所述第一处理器802实现。所述第一处理器802可能是一种集成电路芯片，具有信号的处理能力。在
实现过程中，上述方法的各步骤可以通过所述第一处理器802中的硬件的集成逻辑电路或者软件形式的指令完成。上述的所述第一处理器802可以是通用处理器、数字信号处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。所述第一处理器802可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本技术实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于第一存储器803，所述第一处理器802读取第一存储器803中的信息，结合其硬件完成前述方法的步骤。
203.在示例性实施例中，第一设备800可以被一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、现场可编程门阵列(fpga，field-programmable gate array)、通用处理器、控制器、微控制器(mcu，micro controller unit)、微处理器(microprocessor)、或者其他电子元件实现，用于执行前述方法。
204.基于上述程序模块的硬件实现，且为了实现本技术实施例第二设备侧的方法，本技术实施例还提供了一种第二设备，图9为本技术实施例第二设备结构示意图，如图9所示，该第二设备900包括：
205.第二通信接口901，能够与第一设备进行信息交互；
206.第二处理器902，与所述第二通信接口901连接，以实现与第一设备进行信息交互，用于运行计算机程序时，执行上述第二设备侧一个或多个技术方案提供的方法。而所述计算机程序存储在第二存储器903上。
207.具体地，所述第二通信接口901，用于接收第一设备发送的处理异常的用户输入信息和第一查询结果；
208.所述第二处理器902，用于基于所述处理异常的用户输入信息和所述第一查询结果，对第二预设模型进行学习更新，得到更新后的第二预设模型；所述更新后的第二预设模型用于更新所述第一设备中的第一预设模型。
209.需要说明的是：第二通信接口901和第二处理器902的具体处理过程可参照上述方法理解。
210.当然，实际应用时，第二设备900中的各个组件通过总线系统904耦合在一起。可理解，总线系统904用于实现这些组件之间的连接通信。总线系统904除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图9中将各种总线都标为总线系统904。
211.本技术实施例中的第二存储器903用于存储各种类型的数据以支持接第二设备900操作。这些数据的示例包括：用于在第二设备900上操作的任何计算机程序。
212.上述本技术实施例揭示的方法可以应用于所述第二处理器902中，或者由所述第二处理器902实现。所述第二处理器902可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过所述第二处理器902中的硬件的集成逻辑电路或者软件形式的指令完成。上述的所述第二处理器902可以是通用处理器、dsp，或者其他可编
程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。所述第二处理器902可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本技术实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于第二存储器903，所述第二处理器902读取第二存储器903中的信息，结合其硬件完成前述方法的步骤。
213.在示例性实施例中，第二设备900可以被一个或多个asic、dsp、pld、cpld、fpga、通用处理器、控制器、mcu、microprocessor、或其他电子元件实现，用于执行前述方法。
214.可以理解，本技术实施例的存储器(第一存储器803、第二存储器903)可以是易失性存储器或者非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本技术实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
215.需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
216.另外，本技术实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
217.以上所述，仅为本技术的较佳实施例而已，并非用于限定本技术的保护范围。