CN109951859B - 无线网络连接推荐方法、装置、电子设备及可读介质 - Google Patents

Abstract

本公开涉及一种无线网络连接推荐方法、装置、电子设备及计算机可读介质。该方法包括：根据用户指令获取多个无线网络的网络信息，所述网络信息包括网络标识和信号强度；基于所述网络标识确定所述多个无线网络的多个属性评分；基于所述信号强度确定所述多个无线网络的多个环境评分；通过所述多个属性评分与所述多个环境评分确定所述多个无线网络的多个连接质量评分；以及基于所述多个连接质量评分进行无线网络连接推荐。本公开涉及的无线网络连接推荐方法、装置、电子设备及计算机可读介质，能够为用户推荐成功率高、上网率高的可用无线网络资源。

Description

无线网络连接推荐方法、装置、电子设备及可读介质

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种无线网络连接推荐方法、装置、电子设备及计算机可读介质。

背景技术

随着网络资源的普及丰富，用户对网络的需求越来越多，无线网络由于在使用过程中不受空间地域的限制，有着广泛的用户需求空间。目前当用户在任何地点需要使用无线网络资源时，设备会检测并同时搜索到大量的无线网络资源。如何在大量的无线网络资源中快速准确地确定一个可用的无线网络资源，并且得到高质量的网络服务是当前亟待解决的问题。

因此，需要一种新的无线网络连接推荐方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种无线网络连接推荐方法、装置、电子设备及计算机可读介质，能够为用户推荐成功率高、上网率高的可用无线网络资源。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种无线网络连接推荐方法，该方法包括：根据用户指令获取多个无线网络的网络信息，所述网络信息包括网络标识和信号强度；基于所述网络标识确定所述多个无线网络的多个属性评分；基于所述信号强度确定所述多个无线网络的多个环境评分；通过所述多个属性评分与所述多个环境评分确定所述多个无线网络的多个连接质量评分；以及基于所述多个连接质量评分进行无线网络连接推荐。

在本公开的一种示例性实施例中，基于所述网络标识确定所述多个无线网络的多个属性评分包括：基于所述网络标识通过在线数据集确定所述多个无线网络的多个属性评分；以及基于所述网络标识通过离线数据集确定所述多个无线网络的多个属性评分。

在本公开的一种示例性实施例中，基于所述网络标识通过在线数据集确定所述多个无线网络的多个属性评分还包括：基于多个无线网络的网络信息与属性评分模型获取所述在线数据集。

在本公开的一种示例性实施例中，还包括：获取多个无线网络的基本属性日志和连接行为日志；基于所述连接行为日志将所述多个无线网络对应的基本属性日志分配到正样本集合与负样本集合中；以及通过所述正样本集合与所述负样本集合对机器学习模型进行训练以确定所述属性评分模型。

在本公开的一种示例性实施例中，基于所述连接行为日志将所述多个无线网络对应的基本属性日志分配到正样本集合与负样本集合中包括：获取所述连接行为日志中的连接成功率与上网率；以及通过所述连接成功率与所述上网率将所述多个无线网络对应的基本属性日志分配到正样本集合与负样本集合中。

在本公开的一种示例性实施例中，通过所述正样本集合与所述负样本集合对机器学习模型进行训练以确定所述属性评分模型包括：确定随机森林模型的模型结构与模型深度；将基尼系数作为所述随机森林模型的损失函数；以及所述正样本集合与所述负样本集合输入设置完毕的所述随机森林模型中进行训练以确定所述属性评分模型。

在本公开的一种示例性实施例中，基于多个无线网络的网络信息与属性评分模型获取所述在线数据集包括：由无线网络的基本属性日志和连接行为日志提取多维特征数据集合；将多个无线网络对应的多个所述多维特征数据集输入所述属性评分模型中，获取多个初始评分；将所述多个初始评分与预定评分区间进行对比以生成多个属性评分；以及通过多个无线网络的网络标识与其对应的属性评分生成所述在线数据集。

在本公开的一种示例性实施例中，将所述多个初始评分与预定评分区间进行对比以生成多个属性评分之前还包括：将所述多个初始评分进行广义幂变换化处理，生成多个目标评分；计算所述多个目标评分的均值和方差；以及通过所述均值和所述方差生成所述预定评分区间。

在本公开的一种示例性实施例中，通过所述多个属性评分与所述多个环境评分确定所述多个无线网络的多个连接质量评分包括：基于历史属性评分和历史环境评分确定属性评分权重和环境评分权重；以及通过所述多个属性评分、所述属性评分权重和所述多个环境评分、所述环境评分权重确定所述多个无线网络的多个连接质量评分。

在本公开的一种示例性实施例中，基于历史属性评分和历史环境评分确定属性评分权重和环境评分权重包括：基于灰度测试方式和历史属性评分、历史环境评分确定属性评分权重和环境评分权重；以及基于逻辑回归方式和历史属性评分、历史环境评分确定属性评分权重和环境评分权重。

在本公开的一种示例性实施例中，提出一种无线网络连接推荐装置，该装置包括：网络信息模块，用于根据用户指令获取多个无线网络的网络信息，所述网络信息包括网络标识和信号强度；属性评分模块，用于基于所述网络标识确定所述多个无线网络的多个属性评分；环境评分模块，用于基于所述信号强度确定所述多个无线网络的多个环境评分；质量评分模块，用于通过所述多个属性评分与所述多个环境评分确定所述多个无线网络的多个连接质量评分；以及连接推荐模块，用于基于所述多个连接质量评分进行无线网络连接推荐。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的无线网络连接推荐方法、装置、电子设备及计算机可读介质，通过无线网络的属性评分与信号评分确定无线网络连接质量评分，并基于连接质量评分为用户进行网络推荐的方式，能够为用户推荐成功率高、上网率高的可用无线网络资源。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，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的附图。

图1是根据一示例性实施例示出的一种无线网络连接推荐方法及装置的系统场景框图。

图2是根据一示例性实施例示出的一种无线网络连接推荐方法及装置的应用场景框图。

图3是根据一示例性实施例示出的一种无线网络连接推荐方法的流程图。

图4是根据另一示例性实施例示出的一种无线网络连接推荐方法的流程图。

图5是根据另一示例性实施例示出的一种无线网络连接推荐方法的示意图。

图6是根据另一示例性实施例示出的一种无线网络连接推荐方法的流程图。

图7是根据一示例性实施例示出的一种无线网络连接推荐装置的框图。

图8是根据一示例性实施例示出的一种电子设备的框图。

图9是根据一示例性实施例示出的一种计算机可读存储介质示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

图1是根据一示例性实施例示出的一种无线网络连接推荐方法及装置的系统场景框图。

如图1所示，系统架构100可以包括用户设备101、102、103，网络104和服务器105、网络设备106、107、108。网络104用以在用户设备101、102、103和服务器105、网络设备106、107、108之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用用户设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。用户设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。更具体的，在本公开的实施例中，可通过一个预定的APP应用来辅助用户进行无线网络连接操作。

用户设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

网络设备106、107、108是可以提供无线网络连接的设备，用户通过用户设备101、102、103与网络设备106、107、108连接之后，即可通过网络设备106、107、108进行网络数据传输操作。

用户设备101、102、103可例如获取网络设备106、107、108的网络信息，所述网络信息包括网络标识和信号强度；用户设备101、102、103可例如基于所述网络标识确定网络设备106、107、108的多个属性评分；用户设备101、102、103可例如基于所述信号强度确定网络设备106、107、108的多个环境评分；用户设备101、102、103可例如通过所述多个属性评分与所述多个环境评分确定网络设备106、107、108的多个连接质量评分；用户设备101、102、103可例如基于所述多个连接质量评分进行无线网络连接推荐。

服务器105可以是提供各种服务的服务器，例如对用户通过用户设备101、102、103所提交的连接请求进行处理的后台服务器。服务器105可以对网络设备106、107、108的网络性能进行分析等处理，并将处理结果反馈给用户设备。

服务器105可例如根据用户指令获取多个无线网络的网络信息，所述网络信息包括网络标识和信号强度；服务器105可例如基于所述网络标识确定网络设备106、107、108的多个属性评分；服务器105可例如基于所述信号强度确定网络设备106、107、108的多个环境评分；服务器105可例如通过所述多个属性评分与所述多个环境评分确定网络设备106、107、108的多个连接质量评分；服务器105可例如基于所述多个连接质量评分进行无线网络连接推荐。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的无线网络连接推荐方法可以由服务器105执行和/或用户设备101、102、103执行，相应地，无线网络连接推荐装置可以设置于服务器105/或用户设备101、102、103中。

根据本公开的无线网络连接推荐方法及装置，通过无线网络的属性评分与信号评分确定无线网络连接质量评分，并基于连接质量评分为用户进行网络推荐的方式，能够为用户推荐成功率高、上网率高的可用无线网络资源。

图2是根据一示例性实施例示出的一种无线网络连接推荐方法及装置的应用场景框图。在本公开的实施例中，可通过一个预定的APP应用来辅助用户进行无线网络(WiFi)连接操作。如图2所示，在用户想获得无线网络资源进行无线网络连接时，通过用户设备尝试使用预定的APP应用辅助连接网络。用户通过该APP应用请求无线网络连接，用户设备对多个无线网络设备进行识别。用户设备可根据当前自身设备的网络连接状态采用不同策略获取到多个无线网络设备的连接质量评分，并按照无线设备对应的连接质量分数等级进行排序展示给用户。

其中，在本公开实施例中，无线设备对应的连接质量可定义为每个无线设备对应的被用户尝试连接并连接成功的能力。

在进行无线网络连接推荐之后，用户可根据预定的APP提供的无线网络设备列表点击连接WiFi。本公开通过对无线网络设备连接质量进行评分，改变预定APP显示界面中无线网络设备列表的排列顺序，从而推荐给用户最好的可连接无线网络，提高用户的使用体验，从而增加用户的留存。

图3是根据一示例性实施例示出的一种无线网络连接推荐方法的流程图。无线网络连接推荐方法30至少包括步骤S302至S310。

如图3所示，在S302中，根据用户指令获取多个无线网络的网络信息，所述网络信息包括网络标识和信号强度。如图2所示，用户可例如在预定的APP上发送预定指令，预定指令可为向用户附近的无线网络设备请求无线网络连接。

在一个实施例中，可根据用户指令获取用户附近的多个无线网络的网络信息。其中网络信息中的网络标识可为无线设备的硬件编号，物理地址等等能唯一确定该无线设备的标识即可，网络信息中的信号强度为无线设备当前的无线信号强度。

在S304中，基于所述网络标识确定所述多个无线网络的多个属性评分。

在一个实施例中，基于所述网络标识确定所述多个无线网络的多个属性评分包括：基于所述网络标识通过在线数据集确定所述多个无线网络的多个属性评分。可例如，在用户设备有网络连接状态时，用户设备向后台服务器发起请求，通过服务器端的在线数据集得到多个无线网络对应的属性评分。

在一个实施例中，基于多个无线网络的网络信息与属性评分模型获取所述在线数据集包括：由无线网络的基本属性日志和连接行为日志提取多维特征数据集合；将多个无线网络对应的多个所述多维特征数据集输入所述属性评分模型中，获取多个初始评分；将所述多个初始评分与预定评分区间进行对比以生成多个属性评分；以及通过多个无线网络的网络标识与其对应的属性评分生成所述在线数据集。其中，在线数据集的获取过程将在图6对应的实施例中进行详细描述。

其中，还包括：基于多个无线网络的网络信息与属性评分模型获取所述在线数据集。其中，评分模型的获取过程将在图4对应的实施例中进行详细描述。

在一个实施例中，基于所述网络标识确定所述多个无线网络的多个属性评分包括：基于所述网络标识通过离线数据集确定所述多个无线网络的多个属性评分。可例如，在用户设备无网络连接状态时，可使用离线数据集进行识别，当前的多个无线网络设备与离线数据集内的无线网络设备进行匹配，匹配之后可使用离线包中后台给出的属性评分，匹配不上可将该无线设备设置默认分数值。

在本公开实施例中，在线数据集和离线数据集可为同一种方法下计算得到的无线网络属性评分；在线数据集包含离线数据集，离线数据集可例如为在线数据集中少量且出现频率比较高的无线网络属性评分等信息，它可固化在用户设备中。

更具体的，当用户为有网络连接状态时，用户设备可以通过网络连接到在线数据集，拿到无线网络的属性评分；当用户为无网连接状态时，用户设备连接不到在线数据集，只能从自身手机存储中匹配离线数据集，从而得到无线网络的属性评分。

在S306中，基于所述信号强度确定所述多个无线网络的多个环境评分。无线网络设备连接环境复杂多变，而无线网络设备连接质量主要受无线网络设备当前信号高低影响和其他瞬时变化。受限于当前日志表中无线网络设备瞬时信息采集限制和客户端反应速度要求等，采用了无线网络设备当前信号值作为无线网络设备连接环境特征，计算无线网络设备当前环境下的瞬时信号分数。可例如为：将无线网络设备瞬时信号值由0-100分均匀6等分，得到1-6分的信号分值，作为无线网络设备当前环境下的环境评分。

在S308中，通过所述多个属性评分与所述多个环境评分确定所述多个无线网络的多个连接质量评分。可例如，基于历史属性评分和历史环境评分确定属性评分权重和环境评分权重；以及通过所述多个属性评分、所述属性评分权重和所述多个环境评分、所述环境评分权重确定所述多个无线网络的多个连接质量评分。

在一个实施例中，基于历史属性评分和历史环境评分确定属性评分权重和环境评分权重包括：基于灰度测试方式和历史属性评分、历史环境评分确定属性评分权重和环境评分权重；以及基于逻辑回归方式和历史属性评分、历史环境评分确定属性评分权重和环境评分权重。

无线设备连接质量的好坏，除了受该无线网络设备长期自身属性的影响，还会受到当前连接环境的影响。因此，为了充分考虑这两方面的因素，在本公开中将后台的无线网络设备属性评分和无线网络设备环境评分相结合，给出最终的无线网络设备连接质量等级，在预定APP内进行推荐连接。

在一个实施例中，可根据经验，给出一组加权值分别对应后台服务器的属性评分和用户设备端接收到的多个无线网络设备的当前环境评分，然后进行大量的ABtest灰度测试，从而选出最优的加权比重。

在一个实施例中，还可通过逻辑回归模型进行权重的选择，从而给出最终的无线网络设备连接质量评分。

在一个实施例中，在用户设备部分无线网络设备的环境评分计算中，当其他瞬时环境特征，如当前路由请求访问等信息采集完成后，还可根据线上环境要求构建新模型进行评分。

在一个实施例中，更具体的，为属性评分分配的权重值为0.3-0.5，环境评分的权重值分配为0.5-0.7，进而计算连接质量评分。

在S310中，基于所述多个连接质量评分进行无线网络连接推荐。可按照多个无线网络设备对应的连接质量分由高到低的将多个无线网络设备依次排列，以进行连接推荐。

根据本公开的无线网络连接推荐方法，根据无线网络设备连接质量的特性，生成确定无线网络设备连接质量评分的算法，该算法可由后台服务器和用户设备端执行，后台服务器部分可根据无线网络设备长期属性特征构建的无线网络设备属性评分模型和属性评分与环境评分权重计算模型。

在用户设备端，可构建了一个小型的无线网络设备当前环境评分的计算模型。无线网络连接推荐方法综合考虑了无线网络设备长期的、静态的属性和连接特征以及当前连接下的瞬时环境特征，并采用最优加权比重得到最合理的无线网络设备连接质量分数等级，从而确定用户设备端无线网络设备列表的显示顺序，将计算得到的高质量的可连接无线网络设备优先展示。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图4是根据另一示例性实施例示出的一种无线网络连接推荐方法的流程图。图4所示的流程是对“基于多个无线网络的网络信息与属性评分模型获取所述在线数据集”的详细描述。

如图4所示，在S402中，获取多个无线网络的基本属性日志和连接行为日志。无线网络设备的属性评分模型可由以下步骤获取。首先，训练样本构建需要满足正负样本的可区分性、样本可训练容量以及样本行为特征的多样性和充分性等。为了实现上述特点，本公开获取多个无线网络的基本属性日志和连接行为日志，并对无线网络设备的连接行为日志进行了分析。

在S404中，基于所述连接行为日志将所述多个无线网络对应的基本属性日志分配到正样本集合与负样本集合中。可例如，获取所述连接行为日志中的连接成功率与上网率；以及通过所述连接成功率与所述上网率将所述多个无线网络对应的基本属性日志分配到正样本集合与负样本集合中。

在无线网络设备连接质量评分问题中，可将连接成功率高的无线网络设备作为正样本，连接成功率低的无线网络设备作为负样本。如图5中(a)所示，为了使正负样本更有区分性，更具代表性，可定义连接成功率大于0.9的为正样本，小于0.2的为负样本。同时，由于无线网络设备连接成功后并不一定可以上网，为了寻找更高质量的无线网络设备，本公开中还引入了上网率，如图2中(b)所示，将上网率高于0.7的无线网络设备认为是优质无线网络设备，上网率低于0.1的则认为是低质量无线网络设备，这种方式一方面增加了训练样本，另一方面也丰富了样本行为的多样性。

训练样本确定后，为了得到可以充分体现无线网络设备连接质量的特征，可从无线网络设备基本属性日志和无线网络设备连接行为日志中提取并转换得到共58维特征。在无线网络设备基本属性日志中，可提取无线网络设备固定不变的属性特征，如无线网络设备类型、商圈属性、信道属性和密码属性等。

其中，无线网络设备类型主要是指该无线网络设备是否属于认证型无线网络设备，开放型无线网络设备，私人无线网络设备，以及无线网络设备加密类型等。

其中，无线网络设备商圈属性主要包括无线网络设备所在城市、城市生活水平等级、是否为热门城市、是否为热门商圈等。无线网络设备信道属性主要是从信号和路由方面考虑，引入无线网络设备的信道信息和路由品牌、路由信号等信息。

其中，无线网络设备密码属性主要是无线网络设备密码个数、密码周变换率、密码月变换率、密码年变换率等。

在无线网络设备连接行为日志中，可从无线网络设备连接耗时和无线网络设备连接成功失败比率两方面着手。在连接耗时方面，除了提取无线网络设备连接耗时时间外，还可根据无线网络设备连接时间和无线网络设备基本性质对无线网络设备连接耗时进行打分，作为新的特征。在无线网络设备连接成功失败比率方面，可分别从品牌连接成功率、失败率；无线网络设备管家内连接成功率、失败率；大盘连接成功率、失败率；商圈连接成功率、失败率；周连接成功率、失败率；月连接成功率、失败率；以及小时级连接成功率评分等。

在一个实施例中，从无线网络设备连接行为日志和无线网络设备基本属性日志表中提取了充分表现无线网络设备连接质量的58维特征。这些长期属性值充分展现了无线网络设备的固定属性信息，从而对无线网络设备连接质量有一个全面的评价。

在S406中，通过所述正样本集合与所述负样本集合对机器学习模型进行训练以确定所述属性评分模型。可包括：确定随机森林模型的模型结构与模型深度；将基尼系数作为所述随机森林模型的损失函数；以及所述正样本集合与所述负样本集合输入设置完毕的所述随机森林模型中进行训练以确定所述属性评分模型。

在一个实施例中，可例如通过机器学习模型中的随机森林进行数据训练，随机森林是机器学习中的一种常用方法，其在运算量没有显著增多的前提下提高了预测精度。同时，随机森林对多元线性不敏感，结果对缺失数据和非平衡的数据比较稳健，可以很好地预测多达几千个解释变量的作用，被誉为当前最好的算法之一。因此，本发明采用随机森林作为无线网络设备质量分数模型的基本分类模型，根据无线网络设备的静态属性进行分类。实验中，采用基尼系数作为损失函数，可构建100棵树，并设置树的最大深度为8。实验发现该模型可以很好的区分高低质量无线网络设备，准确率高达92％以上。也可采用其他的机器学习方法或者在随机森林算法中采用其他的参数设置进行数据训练，本申请不以此为限。

根据本公开的无线网络连接推荐方法，在机器学习过程中的正负样本构建过程中，引入无线网络设备上网率，增加优质无线网络设备的同时，扩大了劣质无线网络设备的定义，从而增加了训练样本且丰富了样本行为的多样性。

图6是根据另一示例性实施例示出的一种无线网络连接推荐方法的流程图。图6所示的流程是对“基于多个无线网络的网络信息与属性评分模型获取所述在线数据集”的详细描述。

在S602中，由无线网络的基本属性日志和连接行为日志提取多维特征数据集合。多维特征数据集合可例如为图4中列举的58维特征数据集合。

在S604中，将多个无线网络对应的多个所述多维特征数据集输入所述属性评分模型中，获取多个初始评分。

在S606中，将所述多个初始评分与预定评分区间进行对比以生成多个属性评分。

在S608中，通过多个无线网络的网络标识与其对应的属性评分生成所述在线数据集。

为了对无线网络设备连接质量有一个更精准的评分，可根据模型输出的概率进行评分划分。正态分布是自然界中最常见的分布，为了使评分更加合理，可使评分系统符合正态分布。Box-Cox变换是统计建模中常用的一种数据变换，常用于连续的响应变量不满足正态分布的情况。经过Box-Cox变换之后的数据，可以一定程度上减小不可观测的误差和预测变量的相关性。

在一个实施例中，可将属性评分模型的连续概率输出经过Box-Cox变换后离散化，利用正态分布的均值(μ)和方差(σ)，将经过Box-Cox变换后属性评分数值切分为6段：(-∞,μ+2σ]、(μ+2σ,μ+σ]、(μ+σ,μ]、(μ,μ+σ]、(μ+σ,μ+2σ]、(μ+2σ,+∞]可分别对应无线网络设备质量分数1-6分，从而对无线网络设备进行排序。

根据本公开的无线网络连接推荐方法，在预测概率离散化过程中，引入Box-Cox变换，将基于无线网络设备自身属性的二分类模型输出分布先转换成正态分布后，再进行分数分段，从而得到更合理的质量分数。

无线网络设备连接环境变化复杂多样，直接由无线网络设备自身属性结合构建模型的方式，容易引入噪声，降低无线网络设备自身属性对无线网络设备连接质量的影响，从而影响无线网络设备连接质量评分的准确性。

根据本公开的无线网络连接推荐方法，针对无线网络设备连接质量评分的算法，该算法将无线网络设备自身属性特征和连接环境特征分开，分别在后台服务器和用户设备端建立模型，后台服务器可用来计算无线网络设备长期的、静态的属性评分；用户设备端可用来计算无线网络设备当前环境下的环境评分。最终，将这两部分的评分进行加权平均，得到最合理的无线网络设备连接质量分数等级，并根据分数等级在预定APP内的对多个无线网络设备进行推荐。本公开的无线网络连接推荐方法不仅避免了连接环境可能引入的噪声问题，而且综合考虑了影响无线网络设备连接质量的所有因素，得到了一个合理的无线网络设备连接质量分数。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图7是根据一示例性实施例示出的一种无线网络连接推荐装置的框图。无线网络连接推荐装置70包括：网络信息模块702，属性评分模块704，环境评分模块706，质量评分模块708，以及连接推荐模块710。

网络信息模块702用于根据用户指令获取多个无线网络的网络信息，所述网络信息包括网络标识和信号强度；用户可例如在预定的APP上发送预定指令，预定指令可为向用户附近的无线网络设备请求无线网络连接。

属性评分模块704用于基于所述网络标识确定所述多个无线网络的多个属性评分；包括：基于所述网络标识通过在线数据集确定所述多个无线网络的多个属性评分；基于所述网络标识通过离线数据集确定所述多个无线网络的多个属性评分。

环境评分模块706用于基于所述信号强度确定所述多个无线网络的多个环境评分；无线网络设备连接环境复杂多变，而无线网络设备连接质量主要受无线网络设备当前信号高低影响和其他瞬时变化。受限于当前日志表中无线网络设备瞬时信息采集限制和客户端反应速度要求等，可采用了无线网络设备当前信号值作为无线网络设备连接环境特征，计算无线网络设备当前环境下的瞬时信号分数。可例如为：将无线网络设备瞬时信号值由0-100分均匀6等分，得到1-6分的信号分值，作为无线网络设备当前环境下的环境评分。

质量评分模块708用于通过所述多个属性评分与所述多个环境评分确定所述多个无线网络的多个连接质量评分；可例如，基于历史属性评分和历史环境评分确定属性评分权重和环境评分权重；以及通过所述多个属性评分、所述属性评分权重和所述多个环境评分、所述环境评分权重确定所述多个无线网络的多个连接质量评分。

连接推荐模块710用于基于所述多个连接质量评分进行无线网络连接推荐。可按照多个无线网络设备对应的连接质量分由高到低的将多个无线网络设备依次排列，以进行连接推荐。

根据本公开的无线网络连接推荐装置，根据无线网络设备连接质量的特性，生成确定无线网络设备连接质量评分的算法，该算法可由后台服务器和用户设备端执行，后台服务器部分可根据无线网络设备长期属性特征构建的无线网络设备属性评分模型和属性评分与环境评分权重计算模型。

在用户设备端，可构建了一个小型的无线网络设备当前环境评分的计算模型。无线网络连接推荐装置综合考虑了无线网络设备长期的、静态的属性和连接特征以及当前连接下的瞬时环境特征，并采用最优加权比重得到最合理的无线网络设备连接质量分数等级，从而确定用户设备端无线网络设备列表的显示顺序，将计算得到的高质量的可连接无线网络设备优先展示。

图8是根据一示例性实施例示出的一种电子设备的框图。

下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图3，图4，图6中所示的步骤。

所述存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

所述存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备800也可以与一个或多个外部设备800’(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器860可以通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。

图9示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。

参考图9所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：根据用户指令获取多个无线网络的网络信息，所述网络信息包括网络标识和信号强度；基于所述网络标识确定所述多个无线网络的多个属性评分；基于所述信号强度确定所述多个无线网络的多个环境评分；通过所述多个属性评分与所述多个环境评分确定所述多个无线网络的多个连接质量评分；以及基于所述多个连接质量评分进行无线网络连接推荐。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。

此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本公开可实施的范畴。

Claims (13)

1.一种无线网络连接推荐方法，其特征在于，包括：

根据用户指令获取多个无线网络的网络信息，所述网络信息包括网络标识和信号强度；

基于所述网络标识确定所述多个无线网络的多个属性评分；

基于所述信号强度确定所述多个无线网络的多个环境评分；

通过所述多个属性评分与所述多个环境评分确定所述多个无线网络的多个连接质量评分；以及

基于所述多个连接质量评分进行无线网络连接推荐；

所述属性评分的确定方法包括：

基于所述网络标识对属性评分模型的连续概率输出进行Box-Cox变换；

利用正态分布的均值和方差对经过Box-Cox变换后的数值切分为多个分数分段；

确定对应于所述分数分段的离散化的属性评分。

2.如权利要求1所述的方法，其特征在于，基于所述网络标识确定所述多个无线网络的多个属性评分包括：

基于所述网络标识通过在线数据集确定所述多个无线网络的多个属性评分；以及

基于所述网络标识通过离线数据集确定所述多个无线网络的多个属性评分。

3.如权利要求2所述的方法，其特征在于，基于所述网络标识通过在线数据集确定所述多个无线网络的多个属性评分还包括：

基于多个无线网络的网络信息与属性评分模型获取所述在线数据集。

4.如权利要求3所述的方法，其特征在于，还包括：

获取多个无线网络的基本属性日志和连接行为日志；

基于所述连接行为日志将所述多个无线网络对应的基本属性日志分配到正样本集合与负样本集合中；以及

通过所述正样本集合与所述负样本集合对机器学习模型进行训练以确定所述属性评分模型。

5.如权利要求4所述的方法，其特征在于，基于所述连接行为日志将所述多个无线网络对应的基本属性日志分配到正样本集合与负样本集合中包括：

获取所述连接行为日志中的连接成功率与上网率；以及

通过所述连接成功率与所述上网率将所述多个无线网络对应的基本属性日志分配到正样本集合与负样本集合中。

6.如权利要求4所述的方法，其特征在于，通过所述正样本集合与所述负样本集合对机器学习模型进行训练以确定所述属性评分模型包括：

确定随机森林模型的模型结构与模型深度；

将基尼系数作为所述随机森林模型的损失函数；以及

所述正样本集合与所述负样本集合输入设置完毕的所述随机森林模型中进行训练以确定所述属性评分模型。

7.如权利要求3所述的方法，其特征在于，基于多个无线网络的网络信息与属性评分模型获取所述在线数据集包括：

由无线网络的基本属性日志和连接行为日志提取多维特征数据集合；

将多个无线网络对应的多个所述多维特征数据集输入所述属性评分模型中，获取多个初始评分；

将所述多个初始评分与预定评分区间进行对比以生成多个属性评分；以及

通过多个无线网络的网络标识与其对应的属性评分生成所述在线数据集。

8.如权利要求7所述的方法，其特征在于，将所述多个初始评分与预定评分区间进行对比以生成多个属性评分之前还包括：

将所述多个初始评分进行广义幂变换化处理，生成多个目标评分；

计算所述多个目标评分的均值和方差；以及

通过所述均值和所述方差生成所述预定评分区间。

9.如权利要求1所述的方法，其特征在于，通过所述多个属性评分与所述多个环境评分确定所述多个无线网络的多个连接质量评分包括：

基于历史属性评分和历史环境评分确定属性评分权重和环境评分权重；以及

通过所述多个属性评分、所述属性评分权重和所述多个环境评分、所述环境评分权重确定所述多个无线网络的多个连接质量评分。

10.如权利要求9所述的方法，其特征在于，基于历史属性评分和历史环境评分确定属性评分权重和环境评分权重包括：

基于灰度测试方式和历史属性评分、历史环境评分确定属性评分权重和环境评分权重；以及

基于逻辑回归方式和历史属性评分、历史环境评分确定属性评分权重和环境评分权重。

11.一种无线网络连接推荐装置，其特征在于，包括：

网络信息模块，用于根据用户指令获取多个无线网络的网络信息，所述网络信息包括网络标识和信号强度；

属性评分模块，用于基于所述网络标识确定所述多个无线网络的多个属性评分；

环境评分模块，用于基于所述信号强度确定所述多个无线网络的多个环境评分；

质量评分模块，用于通过所述多个属性评分与所述多个环境评分确定所述多个无线网络的多个连接质量评分；以及

连接推荐模块，用于基于所述多个连接质量评分进行无线网络连接推荐；

所述属性评分模块还用于：

基于所述网络标识对属性评分模型的连续概率输出进行Box-Cox变换；

利用正态分布的均值和方差对经过Box-Cox变换后的数值切分为多个分数分段；

确定对应于所述分数分段的离散化的属性评分。

12.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。

13.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。

Images