近日，IDC发布《中国可穿戴设备市场季度跟踪报告，2021年第二季度》报告显示，2021年第二季度中国可穿戴设备市场出货量为3,614万台，同比增长33.7%。
本季出货量还是以耳戴设备贡献为主，其次是智能手表、智能手环，出货量分别是1,996万台、966万台、641万台。其中，成年人、儿童手表均出现上涨趋势，智能手环的市场份额被智能手表挤出，出货量同比下降5.0%。
关于智能手表市场的发展趋势，IDC认为，在今年下半年，中高端市场将迎来迎来丰富的传感器技术和功能， 健康 监测功能将在传感器技术的升级之下迎来更加广阔的应用场景。市场将从“逐量时代”进入结构化调整期，更加注重产品体验和用户转化。
从2013年果壳电子发布第一款智能手表至今，这8年的时间里，智能手表经历了智能化、医疗化的发展趋势。在市场需求的推动下，智能手表将迎来新的市场转向。旭日大数据认为，未来智能手表一定是消费者的智能“管家”，可分为六大类： 健康 管家、移动管家、物联网管家、医疗管家、饮食管家、购物管家。例如当医疗管家真正实现的时候，智能手表自动监测到用户的心跳、房颤等功能不正常的时候，可以通过智能手表将最近一周的监测记录发送到后台，再让医生为用户做出诊断。
“智能管家”或许是一个巨大的消费市场，但是可以肯定的是，强大的智能管家背后是丰富的传感器技术，包括运动传感器，血糖、血压、心电体温等生物传感器，以及位置传感器等。从目前智能手表的形态来看，主要还是以消费级为主，血糖、心电等对技术要求较高的医疗级产品形态尚未真正进入市场，消费者还处于习惯培养阶段。
就在医疗级产品还未真正进入市场之前，传感器厂商、终端厂商早已嗅到市场最新动态，三星在今年八月推出新生物传感器和5nm的Exynos W920 处理器，首次搭载在Galaxy Watch4 系列上，可测量多项 健康 指标，国内厂商贝特莱也针对智能穿戴产品推出具备强大抗干扰能力的的BL7XX3系列触控芯片，可降低41dB的噪声，同时减少对其他芯片的干扰。
在终端市场，国内已有多家厂商取得突破，率先推出无创血糖监测智能手表、额温智能手表等医疗级的产品。例如舒糖讯息发布了Glutrac睿糖血糖手表，基于ppg信号进行无创血糖监测；友宏医疗推出了额温智能手表……
沃特沃德王声平认为，智能手表的难点和突破点有三个方面，一是医疗 健康 ，二是空间和待机时间，三是研发和生产门槛高，包括产品研发、认证、生产。电子发烧友网发现，目前国内进军医疗级智能穿戴市场正处于百家争鸣的阶段，不少厂家已进入产品注册认证、生产许可认证阶段。这也可以说明，医疗级市场正处于蓄力期，一旦产品认证等通过之后，将迎来爆发期。
尽管不少人看好医疗级智能穿戴市场，但也有另一种声音。在终端市场，业内人士指出，医疗级认证时认证的是技术而不是终端，认证方式主要是通过论文形式与第三方医疗类产品测试机构等进行临床试验，不少消费者对产品性能的准确性还是存在担忧，用户习惯的培养或许需要比预期更长的时间。
医疗级产品真正进入市场，面临着多方面的挑战，但在这之前，传感器技术的迭代是重要发展重要阶段。正如IDC提到的，谁能够在手表传感技术上率先取得突破，并成功产品化推广的厂商将在市场竞争中占得先机，也有利于通过强化产品的技术领先性而建立起竞争壁垒。
智能手机把人类碎片化时间充分利用了起来，对个人对企业都带来了价值，但更碎片化的时间手机做不到，更深层次的个人需求，手机也做不到。智能手表由于具备了离人体更近，佩戴时间更长这两大特征，更加符合人们的使用习惯，作为人体最重要的数据采集终端，这就是智能手表任何一个单一功能的实现，都不是最专业、最高效的前提下，用户和资本依然充满期待的原因。
智能手机不能满足更个性化的需求
从马斯洛的5个需求层次来看，过去的工业时代，更多的是满足人类生理和安全的需求。到了互联网和移动互联网时代，人类的社交和尊重需求开始被满足，智能手机成为重要的终端和入口，智能手机把人类碎片化时间充分利用了起来，对个人对企业都带来了价值，但更碎片化的时间手机做不到，更深层次的个人需求，手机也做不到。随着物联网技术的发展，二八理论和长尾理论很难再继续起作用，因为每个人的需求都能够被针对性的满足。智能手表由于具备了离人体更近，佩戴时间更长这两大特征，更加符合人们的使用习惯，也将为人类带来更大价值。
人类的手腕一直以来都占据着非常关键的位置，智能手表作为人体最重要的数据采集终端，这就是智能手表任何一个单一功能的实现，都不是最专业、最高效的前提下，用户和资本依然充满期待的原因。未来，每台设备都具有数据采集价值的时候，将产生全新的商业模式和商业环境，必将诞生新的伟大的企业。
物联网思维模式带来的商业变革
传感器是物联网最基础最底层的部分，是一切物联网上层应用实现的基础。传感器的应用将是物联网与互联网最大的区别，导致互联网思维到了物联网时代不再适用。互联网思维本身是基于把终端连接到网络上，对互联网思维而言，终端就是入口，就是用户。互联网思维影响下的企业，会与用户终端的交互上下功夫，这就是传统的入口思维，流量思维。如UGC、参与感、粉丝经济、众筹经济等本质上都是互联网思维下的产物。准确的说，互联网是基于人的网络，信息某种意义上靠人来采集分析。
物联网技术最大的不同是信息传递方式的改变，需求表达这一过程将被弱化。物与物之间能交流，会通信是物联网的重要特征，这个过程不再需要有人参与其中。比如我手上戴的智能手表，不管我身在何处，只要我戴着他，他就会24小不间断的自动采集我身体的静默数据，包含睡眠检测、心率、血压、体温等多种维度测量我的健康指标。
如果在一个趋势范围内我的体温超出正常值，手表就会预警提示我去看医生，智能手表所连接的APP后台会利用AI算法，根据我的位置及就医偏好帮我预约适合我的的医生和医院，去医院的路上我就把我的近期身体存储在云端的数据选择性开放给我的医生，到了医院，医生不用望闻问切，不用各种验血、拍片就帮我拟定好了完整的医治方案及用药措施。这样的生活场景归功于传感器和机器智能，让更多人享受更好的体验，得到生活效率的提升。物联网的思维模式，由于信息传输通道的碎片化和多样化，新的商业模式将在此基础上产生。
论文：
题目:《A Contextualized Temporal Attention Mechanism for Sequential Recommendation》
地址：
序列推荐任务很少使用时间和上下文信息对h(h就是rnn，gru等序列建模网络输出的状态)进行加权，www这篇论文融合了上下文和时间信息的加权信号，一起看看吧，虽然笔者觉得这篇论文非常笨重。。
这篇论文的背景其实可以放在sequence recommendation任务中去看待，根据历史记录中用户的先后行为来预测用户的偏好对于现代推荐系统而言具有挑战性且至关重要。现有的大多数序列推荐算法都将重点放在顺序动作之间的传递结构上，但是在对历史事件对当前预测的影响进行建模时，很大程度上会忽略时间和上下文信息。
论文认为，过去事件对用户当前动作的影响应随时间推移以及在不同背景下发生变化。因此，我们提出了一个基于上下文和时间的注意机制，该机制可以学会权衡历史行为对行为的影响，不仅影响行为是什么，而且还影响行为发生的时间和方式。更具体地说，为了动态地校准自注意机制的相对输入依存关系，我们设计了多个参数化的核函数来学习各种时间动态，然后使用上下文信息来确定对每个输入遵循哪些weight kernel函数。
上面的说法可能有点晦涩难懂，下面结合一张图来描述一下
以上图中所示的在线购物场景为例：系统获得了一系列用户行为记录，并且需要推荐下一组商品。 我们应该注意，在此场景中，我们假设这些交互行为不是彼此独立的， 这更好地反映了推荐系统只能访问脱机数据和部分用户行为记录的情况。好了，接着看上图中的场景，用户在过去的一段时间内点击来网球拍，手机，运动鞋，智能手环，然后在昨天一直在浏览手机，那么这个时候我们需要预估用户的下一次点击，这个时候的用户正想买一个手表，那么这个时候系统是给用户推荐运动手表呢，还是推荐电子手表呢，因为用户过去的浏览有运动类的物品和智能设备的物品。
按照时间的分段性来看：长期的历史记录表明用户对购物体育相关产品感兴趣。 现在，用户正在寻找手表，该系统可以推荐一些运动手表。 从本质上讲，长期的用户历史记录通常可能会携带稀少但至关重要的用户偏好信息，影响着现在的意图，而最近的交互操作应该会更能代表用户在将来的意图。
按上下文细分：由于用户仔细浏览几个智能手机（比平均时间间隔短得多的时间间隔），因此可以认为这些物品跟当前用户的偏爱非常相关，因此智能手表可能比传统手表更受青睐。 通常，用户浏览日志的某些时间段可能看起来是异构的，这个时间段里面充满了用户的短期兴趣偏好，用户在这个时间点上会以重复的方式专注于一小部分同类物品。
很容易理解，时间因素可以理解为用户的长期兴趣偏好，即使在很遥远的历史，也会对现在的兴趣产生影响，上下文偏好可以理解为用户的短期兴趣偏好，也就是用户在近期浏览的物品表征了用户现在的短期意图。说白了就是对用户进行长短期兴趣建模。
本来不想说这三个问题的，无奈部分论文说的太抽象了，或许是越抽象越容易中稿？
说实话这篇论文在解释时间跟上下文关系的时候说的太晦涩难懂了，笔者看的也是很头疼，比如下面这段话：
首先，我们看第一个问题，我的理解就是用self-attention进行序列建模，第二个就是确定时间因素和上下文因素的影响，第三个就是综合考虑时间和上下文的影响。
还是直接看模型吧，扯一堆什么因果关系看得头大：
用户空间 U ，大小为U；物品空间 V ，大小为V。
用户的历史行为序列为{ },其中 ={( , ), ( , ) , ... },其中 用户u的交互时间， 代表交互的物品。
模型的输入为包括窗口大小为L的用户历史记录:{ ( ) i: 0 -> L},当前需要推荐的时间戳 ,输入序列的embedding X表示：
同时将输入序列的时间信息使用时间戳差来表示：
模型整体上分为三个部分：content-based attention，temporal kernels和contextualized mixture
三层模型可以表示为：
其中， 根据content X来计算每个输入的权重，输出权重序列α ∈ ； 将时间信息 T 通过K temporal kernels计算每个输入的temporal权重β ∈ ； 从 X 中提取context信息，并结合前两个阶段获得的α 和β 来计算得到最终的contextualized temporal权重γ ∈ 。
最终被推荐的物品的表示为：
其中，F-out是一个feed-forward层。
这里用到的是self-attention机制，具体的细节不在赘述，只需要知道结果输出就行：
其中 表示最后一个物品的输入embedding，其实就是用最后一个物品的embedding作为key，self-attention最后一层的状态 作为query来计算 的。
基于观察：用户随意浏览的物品对短期的影响会急剧下降，但是在长期来说仍有着重要的作用。用户仔细浏览过的物品对用户短期的兴趣有着重要的作用。
所以，文章提出了很多temporal kernels来建模这种时间变化，不同的kernel函数 : → 如下所示：
(1) = ,假设一个用户操作的影响会随着时间指数下降，但是永远不会消失。
(2) ,假设一个用户操作的影响会随着时间而减弱，最终可以忽略不计。
(3) -alT + b,假设一个用户操作的影响会随着时间线性下降，之后的softmax操作会将某个时间段内的影响置为0。
(4) 假设一个用户操作的影响不受时间影响。
根据K个kernal函数{ },我们可以将 T 转为K个temporal权重集合：
作为下一阶段的输入。
这一阶段的目标是基于提取到的context信息融合前两个阶段获得的content和temporal信息。
使用Bidirectional RNN结构来获得context信息。从输入序列embedding表示X中，我们可以计算得到循环隐藏层的状态：
其中，⊕是拼接操作，C_attr是可选择的context特征（可以是特定推荐系统中每个行为的属性，表示行为发生时的上下文），本文中只使用了Bi-RNN的输出作为context特征。
行为i的context特征需要映射为一个长度为K的权重向量，每一个元素 都是这个行为经过 后的结果，使用feed forwaed层Fγ将它们映射到概率空间 ，然后经过softmax操作得到概率分布：
最后将context和temporal信息进行融合：
其中， ,
其中，r是每一个item的分数，对于给定的用户，通过softmax层对item分数进行归一化，该层会在item表上产生概率分布，也就是进行多分类的意思。
其中Ns是根据频率进行负采样的负样本。
如果智能手表真的有这样的作用，肯定也会让智能手表的销量有着很大的提升。之所以会出现这种情况，可能是因为很多年轻人对自己的身材都不是很满意。但是他们又不想要运动或者是控制饮食，所以他们也会选择最简单的方式来控制体重。
大部分人之所以会佩戴这种手表，是因为觉得这些手表比较方便。尤其是运动之后，大家还可以通过手表来监测自己的身体情况。所以说智能手表有着非常大的作用，同时也受到了消费者的青睐。所以大家看到了这一项研究之后，都觉得非常惊喜，但是也有一些人觉得不敢相信。所以说智能手表如果真的可以减肥，信很多人都愿意主动去购买和佩戴。在这个过程当中，也可以提升智能手表的销售量。
但是也有一些人觉得智能手表的屏幕看起来特别小，所以在使用起来的时候并不是特别方便。尤其是在拨打电话或者是看微信的时候，也会影响大家的视力范围。出现了这样的情况之后，也有一些人觉得智能手表并不太实用。但是年轻人更喜欢佩戴智能手表，可能还是因为智能手表外观比较潮流和时尚。但是智能手表如果可以帮助减肥的情况下，也会让很多人喜欢上这种手表。因为年轻人比较忙碌，同时又有一些懒惰，所以他们也想要通过佩戴手表的方式来减肥。
但是也有一些人觉得，佩戴智能手表并不能减肥，只是会起到激励人心的作用。因为看到了手表上的数据之后，大家也会变得更有动力，尤其是在运动的时候，也会让他们变得更主动。每当看见了自己的步数之后，也会让大家觉得很有成就感。所以说在这个过程当中可以让大家爱上运动，同时也可以让大家找到运动的乐趣所在。但是不管怎么样，这些做法都是非常有利于人体健康的。
