CN108781175A - 用于消息交换题绪的自动建议 - Google Patents

Abstract

一种用于从消息交换题绪识别实体并且生成针对于所述实体的建议—诸如对于用户对所述实体采取动作的建议—的系统和方法。建议应用从消息交换题绪接收至少一条电子消息，从所述电子消息识别可为可动作的实体，确定所述实体的场境指示符，基于所述场境指示符来确定所述实体是否为可动作的，并且响应于所述实体为可动作的，向所述消息交换题绪的参与者提供针对于所述实体的建议。

Description

用于消息交换题绪的自动建议

背景技术

移动设备正明显地赶超桌面得到用户注意。用户在其移动设备上将其大量时间或者也许其大部分时间花在聊天上。同时，随着用户的联系人列表在社交网络中变得越来越大或者甚至无法管理，用户越来越担心隐私并且开始将越来越多的信息共享转移到聊天对话。因而，我们所关心的更多信息现在包含在我们的对话中。需要一种用于以更直观且有效的方式处置对话的方法。

用户每天共享许多信息，例如，时间、位置、地方、人物、事件、视频。然而，他们所共享的大多数信息是静态的。用户需要去别的地方得到更多信息或完成动作。例如，用户正在谈论去影剧院看电影，但需要查看所述影剧院的网站来订票。

用户通过键入(这可能在移动设备的触摸屏上特别困难)或通过从用户找到回答的其它地方复制粘贴来回复消息。上两者都无法为用户回复提供良好体验。

用户无法追踪他们在对话中共享的事物。对话可能无法容易地搜索，例如，用户可能需要从大量搜索结果上下滚动来找出用户真正想要的一条信息。

另外，无法容易地从对话中进行了解，例如，判定场境(context)或情感。也不存在从对话将信息馈送到不同应用。

发明内容

本公开涉及用于从消息交换题绪(message excheange thread)(本文中还称为“对话”)识别实体并且生成建议以供经由参与者的计算设备呈现给所述对话的参与者的系统和方法，其中所述建议是用于参与者对所述实体采取动作的建议。在一些实施方式中，实体是单一的、定义明确的且可区别的事物或概念。例如，实体可为人员、地点、物品、想法或其任何组合。

在一些实施方式中，所述建议基于从消息交换题绪的一个或多个消息识别实体来针对于实体。在那些实施方式中的一些实施方式中，还确定实体的一个或多个场境指示符，利用所述场境指示符来确定所述实体是否为可动作的，并且仅当确定所述实体为可动作时提供所述建议以用于向参与者呈现。可通过确定所述实体是否在消息交换题绪的场境中位于用户将要对所述实体采取动作之处来确定所述实体为可动作的。可利用各种场境指示符，诸如基于在消息交换题绪本身外部的内容(例如，先前消息交换题绪中的参与者的先前电子消息)的场境指示符、基于(所述消息交换题绪和/或先前消息交换题绪的)消息的自然语言处理的场境指示符、基于消息交换题绪的对话流的场境指示符、以基于(所述消息交换题绪和/或先前消息交换题绪)的消息所确定的情感为基础的场境指示符等。本文中更详细地描述额外和替选场境指示符。仅当(基于场境指示符)确定所述实体为可动作时来提供建议可防止参与者被不相关建议分心和/或可通过不传输不相关建议和/或不提供不相关建议用于呈现来节省各种计算资源。例如，可仅在建议被确定为场境相关时提供该建议，这在与不管场境相关性来提供建议进行比较时可导致减少建议提供并且相应地节省计算资源。另外，根据本文所述的技术的提供建议的一些实施方式可对具有低灵巧性的用户或者以其它方式在向设备做出用户输入方面有困难的用户特别有益。对于至少这些用户，将可选建议并入到消息交换题绪中可增大设备的可靠性和使用速度，例如，通过挽救用户由于低灵活性而犯错。

在一些实施方式中，所述建议是可选建议。在那些实施方式中的一些实施方式中，响应于对话的参与者对所述建议的选择，可将所述建议(和/或相关内容)并入到对话的转录中和/或可执行针对于所述实体的基于计算机的动作(例如，在所述消息交换题绪内和/或与所述消息交换题绪分开)。例如，可首先将所述建议提供作为非静态图形元素以用于呈现给参与者中的一个或多个，并且仅在参与者中的一个或多个选择所述建议后才将所述建议(和/或相关内容)静态地并入到对话的转录中。例如，一旦被静态地并入，所述建议便可形成转录的一部分，并且即使在已经提交另外消息用于包括在对话的转录中之后，仍继续在对话中查看(例如，通过滚动)。另外，例如，一旦被静态地并入，所述建议可与对话相关联地建立索引，从而使得参与者能够在将来基于所述建议来搜索所述对话。在建议为可选的一些实施方式中，可包括肯定界面元素和否定界面元素。响应于选择肯定界面元素，可将所述建议并入到转录中，并且响应于选择否定界面元素，可丢弃所述建议而不将所述建议静态并入到转录中。

在一些实施方式中，在持续进行的消息交换题绪期间提供场境相关建议可使得参与者能够以简单方式(例如，经由单击(one-tap)和/或其它单选界面动作)将所述建议(或相关内容)添加到消息交换题绪。另外或替选地，场境相关建议可向参与者提供针对于场境相关实体的内容，而不需要参与者从渲染所述消息交换题绪的应用切换到另一个应用以便获取这样的内容。例如，提供建议用于经由消息交换客户端呈现和/或将基于所述建议的内容并入(例如，响应于用户选择所述建议)到消息交换题绪的转录中可避免需要从消息交换客户端切换以获取这样的内容。这可减少对原本将在切换到另一个应用以满足信息需要中所消耗的某些计算资源的使用。例如，切换到另一个应用可经由应用的启动和/或显现而需要使用处理器、存储器和/或电池资源。另外，切换到另一个应用以获得内容来代替在消息交换题绪中获得所述内容可增大参与者需要花在获得所述内容上的时间量，这可导致获得所述内容的计算资源消耗的对应增大。

此外，在向参与者呈现是否将建议静态地并入到对话的转录中的选项的实施方式中，可向参与者呈现场境相关建议，但仍允许参与者控制那些建议是否形成对话的一部分。这可减轻渲染消息交换题绪的用户界面的杂乱和/或可减少各个计算资源的使用(例如，减小索引或以其它方式存储消息交换题绪的转录所需要的存储空间，因为所有建议均不被自动存储)。

在一些实施方式中，提供一个或多个处理器所实现的方法，并且所述方法包括接收第一用户所提交的电子消息以用于在消息交换题绪的转录中显示。响应于第一用户经由第一用户的客户端设备提供的用户界面输入来提交所述电子消息。所述消息交换题绪至少在第一用户与第二用户之间经由第一用户的第一消息交换客户端和第二用户的第二消息交换客户端进行。所述方法进一步包括：从电子消息识别实体，确定所述实体的场境指示符，并且基于所述场境指示符来确定所述实体是否为可动作的。所述方法进一步包括响应于确定所述实体为可动作的：提供针对于所述实体的建议以用于经由第一消息交换客户端和第二消息交换客户端中的至少一个呈现。

这些和其它实施方式可任选地包括一个或多个以下特征。

在一些实施方式中，响应于确定所述实体为可动作的，提供所述建议以用于经由第二消息交换客户端向第二用户呈现，而不提供给第一用户。在那些实施方式中的一些实施方式中，所述方法进一步包括：经由第二消息交换客户端接收第二用户对所述建议的肯定选择；以及响应于所述肯定选择，提供基于所述建议的内容以用于经由第一消息交换客户端向第一用户呈现。在那些实施方式的一些版本中，基于所述建议的所述内容是所述建议本身。这些实施方式中的一些实施方式因此仅首先向消息交换题绪的参与者子集呈现建议，并且响应于所述子集的参与者对所述建议的肯定选择而进一步仅将基于该建议的内容呈现给不属于所述子集的其他参与者。这可通过在未提供肯定选择的情形中避免提供建议和/或内容来避免不属于所述子集的其他参与者的客户端设备的各个计算资源的消耗。

在一些实施方式中，响应于确定所述实体为可动作的，提供所述建议以用于呈现而不将所述建议并入到消息交换题绪的转录中。在那些实施方式中的一些实施方式中，所述方法进一步包括：接收对所述建议的肯定选择；以及响应于所述肯定选择，将基于所述建议的内容并入到消息交换题绪的转录中。这些实施方式中的一些实施方式因此仅响应于对建议的肯定选择而将基于建议的内容并入到消息交换题绪的转录中。这可避免消耗各个计算资源，诸如存储转录所需要的资源和/或提供和/或渲染消息交换题绪中的内容所需要的资源。

在一些实施方式中，响应于确定所述实体为可动作的，提供所述建议以用于呈现而不将所述建议并入在消息交换题绪的转录中，并且所述建议包括肯定界面元素和否定界面元素。在那些实施方式中的一些实施方式中，所述方法进一步包括：监视对肯定界面元素或否定界面元素的选择；以及仅响应于对肯定界面元素的选择而将基于所述建议的内容并入到消息交换题绪的转录中。这些实施方式中的一些实施方式因此仅响应于对建议的肯定选择而将基于建议的内容并入到消息交换题绪的转录中。这可避免消耗各个计算资源，诸如存储转录所需要的资源和/或提供和/或渲染消息交换题绪中的内容所需要的资源。

在一些实施方式中，所述方法进一步包括：响应于确定所述实体为可动作的：将所述实体传输到第三方服务器；以及响应于传输所述实体而从第三方服务器接收所述建议。

在一些实施方式中，确定场境指示符包括：基于涉及第一用户和第二用户中的至少一个的单独先前消息交换题绪来确定至少一个场境指示符。在那些实施方式中的一些实施方式中，所述至少一个场境指示符是基于第一用户和第二用户中的至少一个在先前消息交换题绪的一个或多个先前消息中表达的情感。在那些实施方式的一些版本中，所述情感针对于所述实体，并且确定所述至少一个场境指示符包括基于针对于所述实体的情感来确定所述至少一个场境指示符。

在一些实施方式中，确定所述场境指示符包括基于执行对第一用户或第二用户的先前消息的情感分析来确定至少一个场境指示符。所述先前消息在所述消息交换题绪中或在先前消息交换题绪中。在那些实施方式中的一些实施方式中，执行所述情感分析是至少部分地基于先前消息中所包括的非文本图形元素。在那些实施方式的一些版本中，所述先前消息在先前消息交换题绪中，并且所述至少一个场境指示符是基于先前消息中的针对于所述实体的情感来选择的。

在一些实施方式中，提供所述建议以用于向第二用户呈现，并且所述场境指示符是基于第一用户的先前消息。在那些实施方式中的一些实施方式中，所述先前消息是由第一用户在不涉及第二用户的先前消息交换题绪中提交的。

在一些实施方式中，所述方法进一步包括基于机器学习模型来对所述至少一个电子消息执行自然语言分析，并且从所述电子消息识别是可动作的实体以及确定所述实体的场境指示符是基于自然语言分析。

在一些实施方式中，所述方法进一步包括追踪来自所述消息交换题绪的每个参与者的对话流以创建追踪信息，并且基于所述追踪信息来生成场境指示符。

在一些实施方式中，所述方法进一步包括使用经过训练的机器学习模型和场境指示符来确定所述建议。在那些实施方式中的一些实施方式中，所述方法进一步包括：接收对针对所述实体提供的建议的用户反应；生成训练示例，其中训练示例输入是基于场境指示符并且其中训练示例输出是基于所述用户反应；以及在基于所述训练示例进一步训练所述经过训练的机器学习模型的基础上修正所述经过训练的机器学习模型。

在一些实施方式中，所述方法进一步包括在计算机可读介质中基于所述场境指示符来对所述消息交换题绪进行索引。

这些和其它方法的其它实施方式可包括对应系统、装置以及在计算机存储设备上编码的被配置为执行所述方法的动作的计算机程序。

一般来说，本公开中所描述的主题的其它实施方式可在以下方法中体现，所述方法包括使用一个或多个处理器从对话接收至少一条对话消息，使用一个或多个处理器从对话消息识别可为可动作的实体，使用一个或多个处理器确定所述实体的场境指示符，使用一个或多个处理器基于所述场境指示符确定所述实体是否为可动作的，并且响应于所述实体为可动作的，向用户提供建议以对所述实体采取动作。

这些和其它实施方式可各自任选地包括一个或多个以下特征。例如，所述特征可包括基于机器学习模型来对所述至少一条对话消息执行自然语言分析，并且其中从所述对话消息识别可为可动作的实体以及确定所述实体的场境指示符是基于所述分析。所述特征可包括追踪来自对话的每个参与者的对话流并且基于所述追踪信息来优化所述场境指示符。所述特征可包括基于机器学习模型和场境指示符来确定对于用户采取动作的建议。所述特征可包括从用户接收用于将所述实体标示为可动作的指示，将所述用户指示作为训练信号发送到机器学习模型，搜索与所述实体相关的信息，并且将所述信息提供给所述用户。所述特征可包括：从包括查询和文档检索的多种来源接收数据；从所述数据提取特征；基于所提取的特征来生成机器学习模型；接收用户动作，所述用户动作包括对针对所述实体提供的建议的反应；以及基于所述用户动作来训练机器学习模块。所述特征可包括：将实体信息馈送到应用，所述实体信息包括对话的参与者；应用生成建议以及将所述建议提供给对话的参与者。所述特征可包括：在所述对话中检测对于用户的问题，所述问题与所述实体相关；确定对所述问题的潜在用户回复；以及将所述潜在用户回复以单击形式提供给用户。所述特征可包括基于所述场境指示符来组织所述至少一个对话以及对所述至少一个对话进行索引。

这些和其它方法的其它实施方式可包括对应系统、装置以及在计算机存储设备上编码的被配置为执行所述方法的动作的计算机程序。

以上和/或其它实施方式中的一些实施方式可在许多方面中为有利的。例如，可基于随时间流逝进行学习来理解对话的语义并且从实时对话导出含义的机器学习模型来生成建议，并且因此，建议是有效率且准确的。还可基于包括情感分析的场境分析和对话流来生成建议。在适当场境条件下生成适当建议，并且因此，建议是智能的。例如，不会向悲伤用户发送庆祝消息。此外，建议可提供丰富场境和可供用户直接用于完成动作的接下来的步骤。另外，在一处的其它服务可为对话的所有参与者提供重要建议和更新。另外，组织和摘要机制可允许用户容易地回顾对话中所共享的一串有意义信息。

然而，应当理解，以上特征和优点不是详尽的，并且设想到许多额外特征和优点且其落在本公开的范围内。此外，应当理解，本公开中所使用的语言主要是出于可读性和指导性目的来选择的，而不是为了限制本文所公开的主题的范围。

附图说明

在附图图式中通过示例而非作为限制来图示说明书，其中相似的附图标记用于指代相似元素。

图1是示出用于从对话识别实体并且生成对于用户对实体采取动作的建议的示例系统的框图。

图2是示出示例建议应用的框图。

图3是用于从对话识别实体并且生成对于用户对实体采取动作的建议的示例方法的流程图。

图4是用于从对话识别实体并且生成对于用户对实体采取动作的建议的特定示例方法的流程图。

图5是用于从对话手动确定可动作实体的示例方法的流程图。

图6是用于生成并更新机器学习模型的示例方法的流程图。

图7是用于从第一应用将实体信息馈送到第二应用以生成建议的示例方法的流程图。

图8是用于预测对话中的潜在用户回复的示例方法的流程图。

图9是用于响应于搜索请求而选择性地检索对话和/或对话消息的示例方法的流程图。

图10包括示出建议的示例对话界面的图形表示。

图11A是示出第一应用所生成的对话的示例对话界面的图形表示。

图11B是示出第二应用所生成的建议的示例对话界面的图形表示。

图12是示出单击回复的示例对话界面的图形表示。

图13是示出对话报告的示例对话界面的图形表示。

图14是示出对话摘要的示例对话界面的图形表示。

图15包括示出建议的并列呈现的示例对话界面的图形表示。

具体实施方式

本发明公开用于自动建议生成的系统、方法和界面。在一些实施方式中，用于自动建议生成的系统、方法和界面是基于对话分析。当用户在对话中发送消息时，分析所述消息以确定用户可对之采取动作的一个或多个实体。然后分析所述对话或甚至涉及所述用户和/或所述对话的其他参与者的其它对话的其它消息以确定场境指示符。基于所述场境指示符生成建议。例如，如果两个用户想要在商店见面，则可建议地图和日历以将所述用户引导到所述商店并且设定见面时间。基于场境指示符，地图可仅指示去往靠近两个用户的特定商店的指引，并且日历可突出显示两个用户的可用时间。在一些情况下，所述建议提供所述动作的接下来步骤。

建议生成过程在许多方面中为自动的。例如，本公开的实施方式确定是否要生成建议以及：何时何处在对话中插入所述建议；和/或何时向一个或多个参与者推荐所述建议以用于潜在插入于所述对话中。例如，对于从用户A到用户B的问题“meet at coffeehouse？(在咖啡屋见面？)”，如果用户B对所述问题回答“great！(太棒了！)”，则可向所述两个用户中的一者或两者建议包括所述咖啡屋的地图，而如果用户B回答“I'd like to go,but…(我想去，但……)”，则将不向所述两个用户中的任一者提供地图建议。在一些实施方式中，可向所述用户中的每一者提供建议地图的不同版本，诸如具有从第一用户的当前位置到咖啡屋的路线指引的提供给第一用户的第一版本以及具有从第二用户的当前位置到咖啡屋的路线指引的提供给第二用户的第二版本。本公开的实施方式还基于场境指示符来确定什么建议是恰当的和/或何时提供所述建议是恰当的。例如，如果用户刚刚接收到坏消息(例如，如基于对所述用户的另一个对话的分析来确定)，则可确定不适合在所述对话中向用户提供庆祝建议。作为另一个示例，如果确定用户讨厌某事物(例如，基于用户在所述对话和/或先前对话中关于这样的事物所表达的情感)，则可确定不适合在所述对话中向用户提供这样的事物的建议。

尽管现在在客户端-服务器系统的场境中描述本公开的系统、方法和界面，但应当理解，所述系统、方法和界面可应用于通过网络可操作地连接的除了单个客户端-服务器系统之外的系统。例如，客户端设备、第三方服务器、电子邮件服务器和/或存储建议应用的服务器可提供本文所述的一些或所有功能性，并且可采用服务器集群以便提供这样的功能性。作为额外示例，客户端硬件可为移动电话或平板设备。

现在转向附图，图1示出用于从对话识别实体并且生成对于用户对所述实体采取动作的建议的系统100的框图。所示出的系统100包括用户104a、104n访问的客户端设备102a、102n、服务器106、电子邮件服务器108、第三方服务器110和搜索服务器112。在所示出的示例中，这些实体经由网络114以通信方式耦合。在图1和剩余图式中，字母跟在附图标记之后(例如，“102a”)是对具有那个特定附图标记的元素的引用。文中没有跟随字母的附图标记(例如，“102”)是对具有那个附图标记的元素的不同实例的一般参考。虽然仅示出两个客户端设备102a、102n，但本领域的普通技术人员将认识到，任意数目的客户端设备102n是可用于任意数目的用户104n。

网络114可为常规类型，有线的或无线的，并且可具有许多不同配置，包括星形配置、令牌环配置或其它配置。此外，网络114可包括局域网(LAN)、广域网(WAN)(例如，互联网)和/或多个设备可跨其进行通信的其它互连数据路径。在一些情况下，网络114可为对等网络。网络114还可耦合到或包括电信网络的若干部分以用于以多种不同通信协议发送数据。在一些其它情况下，网络114包括蓝牙通信网络或蜂窝式通信网络以用于发送和接收数据，包括经由短消息收发服务(SMS)、多媒体消息收发服务(MMS)、超文本传送协议(HTTP)、直接数据连接、无线应用协议(WAP)、电子邮件等。虽然图1示出一个网络114耦合到客户端设备102a、102n、电子邮件服务器108、第三方服务器110和搜索服务器112，但实际上，一个或多个网络114可连接到这些实体。

借助于示例示例使用图1中的客户端设备102a、102n。虽然仅示出两个客户端设备102，但本公开适用于具有任何数目的客户端设备102的系统架构。在所示出的实施方式中，用户104a、104n分别经由信号线116a、116n与客户端设备102a、102n交互。客户端设备102a、102n分别经由信号线120a、120n以通信方式耦合到网络114，并且与服务器106、电子邮件服务器108、第三方服务器110和搜索服务器112交换信息。例如，客户端设备102a将对话消息(本文中还称为“电子消息”)发送到服务器106。服务器106处理对话消息并且基于该对话消息来生成建议。在一些情况下，服务器106接收一个或多个对话消息并且基于所述一个或多个对话消息来生成建议。在其它情况下，服务器106还使用其它输入(例如，先前用户活动、用户简档信息等)来生成建议。在使用用户的任何简档信息或个人信息之前获得核准。客户端设备102a在没有非意图延迟的情况下从服务器106接收建议。例如，客户端设备102在发送消息“has John’s flight landed？(John的航班已经着陆？)”之后立刻接收到包括到达时间和航班状态的建议。在一些情况下，延迟可为期望的，例如，当建议在所述对话中在将来时间处最佳适配时或当服务器106等待更多对话消息来获得场境并确认发送建议时。例如，当客户端设备102a向客户端设备102n发送消息“let’s grab coffee(我们去喝杯咖啡吧)”时，服务器106可在生成和/或提供建议之前等待来自客户端设备102n的消息(例如，“Ihate coffee(我讨厌咖啡)”)，而非立即建议咖啡店地图。

在一些情况下，客户端设备102可为包括存储器和处理器的任何计算设备。例如，客户端设备102可为膝上型计算机、台式计算机、平板计算机、移动电话、个人数字助理、移动电子邮件设备、便携式游戏机、便携式音乐播放器、具有嵌入在其中或耦合到其的一个或多个处理器的电视机、或能够接入网络114的任何其它电子设备等。

服务器106可为包括处理器、存储器和网络通信能力的硬件服务器。服务器106经由信号线122以通信方式耦合到网络114。在一些情况下，服务器106经由网络114向客户端设备102、电子邮件服务器108、第三方服务器110和搜索服务器112中的一个或多个发送数据并且从其接收数据。服务器106任选地包括社交网络应用124。

社交网络可为用户可通过共同特征连接的网络。共同特征可包括关系/联系(connection)，例如，朋友、家庭、工作、兴趣等。共同特征可由一个或多个社交网络系统提供，包括明确定义的关系以及由与其他在线用户的社交联系暗示的关系，其中所述关系形成社交图谱。在一些示例中，社交图谱可反映这些用户的映射以及其可如何相关。服务器106中的社交网络应用124通过处置用户的注册、内容(例如，帖子、评论、照片、链接、签到等)的发布、托管多用户通信会话、群组管理、管理不同共享级别、更新社交图谱等来管理社交网络。社交网络应用124通过接收诸如用户名和密码等信息来注册用户并且生成与所述用户相关联并且存储为社交图谱的一部分的用户简档。在一些情况下，用户简档包括关于用户的额外信息，包括兴趣(例如，足球、阅读、食物、订阅等)、活动(例如，搜索历史、指示赞成、帖子、评论、多用户通信会话等)、群体特征资料(例如，年龄、民族、位置等)以及简档评级和声誉(例如，智商评级、幽默评级等)。系统100可包括多个服务器106，其包括传统社交网络服务器、电子邮件服务器、微博服务器、博客服务器、论坛服务器、消息服务器等。

此外，服务器106和社交网络应用124可表示一个社交网络。可存在耦合到网络114的多个社交网络，其各自具有其自己的服务器、应用和社交图谱。例如，第一社交网络可更针对于企业联网，第二社交网络可更针对于或集中于学术，并且第三社交网络可更针对于本地商业。

电子邮件服务器108可为包括处理器、存储器和网络通信能力的硬件服务器。电子邮件服务器108经由信号线126以通信方式耦合到网络114。在一些情况下，电子邮件服务器108与服务器106交换用户数据，使得服务器106可基于用户数据来生成用于对话消息中的实体的建议。例如，当用户在对话中谈论买玩具时，服务器106可与电子邮件服务器108通信以得到用户的购买历史(例如，来自电子邮件中的玩具的购买收据)，并且至少部分地基于购买历史来确定建议。在使用所述用户的任何购买历史或其它个人信息之前获得核准。

第三方服务器110可为包括处理器、存储器和网络通信能力的计算设备。第三方服务器110经由信号线128耦合到网络114。第三方服务器110经由网络114向系统100的客户端设备102、服务器106和搜索服务器112发送数据并且从其接收数据。第三方服务器110可存储不同应用。例如，服务器106可从存储在第三方服务器110上的对话应用接收对话消息。在另一个示例中，服务器106将实体信息馈送到存储在第三方服务器110上的应用(例如，经由第三方服务器110的应用编程接口(API))，使得应用可基于实体信息来生成建议。可提供多个第三方服务器，并且服务器106可基于各种因素来选择适当的第三方服务器(用于提供实体信息以及接收响应性建议)。例如，实体的语义类型和/或与对话中的实体相关联提到的动作可用于选择给定第三方服务器来代替其它可用第三方服务器。例如，第三方服务器110可提供用于餐厅预约的建议，并且可基于实体为“餐厅”语义类型和/或基于与所述实体相关联提到的“预约”、“预定”和/或其它“预订”词项来被选择。此外，在一些实施方式中，本文所述的场境指示符可用于确定实体是否为可动作的，并且服务器106可仅在确定实体为可动作时任选地向第三方服务器提供实体信息。这可通过在实体不被认为可动作时防止向第三方服务器传输实体的实体信息来减小网络流量。

搜索服务器112可为包括处理器、存储器和网络通信能力的计算设备。搜索服务器112经由信号线130耦合到网络114。搜索服务器112包括响应于来自用户的搜索请求来向用户提供搜索结果的搜索引擎。在一些情况下，服务器106与搜索服务器112通信以搜索与实体相关的信息并且基于搜索服务器112响应于所述搜索所返回的信息来生成用于对所述实体采取动作的建议。

在一些情况下，服务器106包括建议应用132b。在其它情况下，建议应用132b可额外或替选地存储在客户端设备102上。例如，建议应用132b可为瘦客户端应用，其包括客户端设备102上的建议应用132b的一部分和服务器106上的建议应用132b的一部分，以从对话识别实体并且生成对于用户对所述实体采取动作的建议。

建议应用132b从对话接收至少一条对话消息并且从对话消息识别实体。实体可为对话消息的一部分，例如，对话消息中的人员或对象。在一些情况下，建议应用132b基于分析对话消息的语法成分来解析对话消息并且从所解析的对话消息识别一个或多个实体。例如，建议应用132b基于解析消息来识别到消息“great weather！(好天气！)”包括“great(好)”、“weather(天气)”和“！”，并且从所述消息确定第一实体“great”和第二实体“weather”。

在一些实施方式中，建议应用132b将所述分析进一步延伸到整个对话或甚至其它对话(例如，先前对话、来自第三方应用的对话)以确定场境指示符。例如，从消息“wouldyou like to meet at ABC coffee store？(您愿意在ABC咖啡店见面吗？)”和用户简档信息，建议应用132b确定实体“ABC coffee store”在用户办公室附近。在使用用户的任何简档信息或个人信息之前获得核准。其它场境指示符包括情感指示符、对话流、消息的时态、消息的新近性、发送消息的日和/或时间、与实体相关联的日和/或时间、对话元数据等。

在一些实施方式中，建议应用132b进一步基于确定实体是否处于用户打算对所述实体采取动作的对话场境中来确定实体是否为可动作的。例如，建议应用132b确定消息“Ilike A(我喜欢A)”中的A实体为不可动作的，但确定消息“I am going to buy A(我将要购买A)”中的A实体为可动作的。建议应用132b基于包括对话流、时态、情感指示符(例如，基于表情符号)、消息中所使用的动词、是否在消息中问问题、对话元数据等的场境指示符来确定实体是否为可动作的。如果用户A问用户B“meet at XYZ？(在XYZ处见面？)”，则建议应用132b将仅在对话流中接收到用户B的肯定回答之后确定位置“XYZ”为可动作的。

在一些实施方式中，建议应用132b基于场境指示符来生成用于可动作实体的建议。例如，建议应用132b在第二用户邀请第一用户吃晚饭时使用来自第一用户的消息“Ihate A restaurant(我讨厌A餐厅)”、“I like B restaurant(我喜欢B餐厅)”、“Crestaurant is ok(C餐厅还可以)”作为场境指示符来确定建议B。例如，基于相对于消息中的那些实体中的每一者表达的对应情感，所述建议可针对于B餐厅和/或C餐厅，而不是A餐厅。如本文所述，所述消息可来自第二用户邀请第一用户吃晚饭的对话和/或可来自其它对话，所述其它对话可包括或不包括第二用户。另外，并且也如本文描述，可提供基于第一用户的消息来确定的建议B以用于向第一用户和/或第二用户呈现(如果获得适当核准)。换言之，在一些实施方式中，可基于第一用户的消息来生成建议B，并且提供所述建议B以用于向第二用户呈现。在那些实施方式中的一些实施方式中，可仅在确定第一用户的消息来自还包括第二用户的对话的情况下将基于第一用户的消息的建议提供给第二用户。在一些其它实施方式中，即使第一用户的消息中的一个或多个来自不包括第二用户的对话，也可将基于第一用户的消息的建议提供给第二用户。

另外，在一些实施方式中，建议应用132b可将实体信息馈送到单独应用(例如，由第三方服务器110托管的应用)，并且作为响应，从单独应用得到建议。将实体信息馈送到单独应用可包括：利用一个或多个网络并且任选地利用单独应用的API来将实体信息传输到单独应用。响应于馈送实体信息来接收建议可包括响应于传输实体信息来经由一个或多个网络接收建议，并且可任选地利用API(例如，传输实体信息所利用的相同API)。

作为一个示例，如果用户在与其他用户的对话中提到天气，则天气服务可向用户发送每小时天气报告。例如，每小时天气报告可并入到对话的转录中以供所有用户查看和/或可经由除了用于参与所述对话的消息交换客户端/应用之外的单独应用提供给用户。以此方式，建议应用132b将用户与单独应用进行连接而无需用户在客户端设备上手动安装所述单独应用，并且在用于向对话的所有参与者呈现之处(例如，在对话的转录中)提供重要建议。在一些情况下，建议应用132b额外或替选地预测用户回答对话中的问题的可能回复，并且因此节省用户时间。在其它情况下，建议应用132b额外或替选地组织对话的信息，使得用户可容易地回询所述对话中的其想要的任何信息。本文中进一步详细论述建议应用132b的各个实施方式，例如，参考图2。

现在参看图2，更详细地示出建议应用132b的示例。图2是根据一些实施方式的计算设备200的框图，所述计算设备200包括处理器202、存储器204、通信单元208、存储210和建议应用132b。在一些情况下，计算设备200是服务器106。在其它情况下，所述计算设备是客户端设备102。在另外其它情况下，所述计算设备是分布式计算设备，诸如在服务器106和客户端设备102两者上操作的分布式计算设备。计算设备200的组件在图2中示出为通过总线206以通信方式耦合。

处理器202包括算术逻辑单元、微处理器、通用控制器或某种其它处理器阵列中的一些或全部以执行计算且向显示设备提供电子显示信号。处理器202耦合到总线206以用于与其它组件通信。处理器202处理数据信号并且可包括各种计算架构，包括复杂指令集计算机(CISC)架构、精简指令集计算机(RISC)架构或实施指令集组合的架构。虽然图2包括单个处理器，但可包括多个处理器。处理能力可限于支持图像的显示以及图像的捕获和传输。处理能力可能足以执行更复杂的任务，包括各种类型的特征提取和取样。本领域的技术人员将明白，其它处理器、操作系统、传感器、显示器和物理配置也是可能的。

存储器204存储可由处理器202执行的指令和/或数据。存储器204耦合到总线206以用于与其它组件通信。所述指令和/或数据可包括用于执行本文所述的任何和/或所有技术的代码。存储器204可为动态随机存取存储器(DRAM)设备、静态随机存取存储器(SRAM)设备、闪存存储器或本领域已知的某种其它存储器设备。在一些情况下，存储器204还包括非易失性存储器或类似的持久存储和介质，例如，硬盘驱动器、软盘驱动器、CD-ROM设备、DVD-ROM设备、DVD-RAM设备、DVD-RW设备、闪存存储器设备或用于更持久地存储信息的本领域已知的某种其它大容量存储。

通信单元208向客户端设备102、服务器106、电子邮件服务器108、第三方服务器110和搜索服务器112中的至少一者传输数据并且从其接收数据。通信单元208耦合到总线206。例如，通信单元208从客户端设备102接收包括对话消息的数据并且将数据传输到服务器106。服务器106使用存储在服务器106上的建议应用132b基于对话消息生成建议，并且将所述建议传输到客户端设备102。

在一些情况下，通信单元208包括用于直接物理连接到客户端设备206或另一个通信信道的端口。例如，通信单元208包括用于与客户端设备206的有线通信的RJ45端口或类似端口。在其它情况下，通信单元208包括用于使用一种或多种无线通信方法(诸如IEEE1502.11、IEEE 1502.16、)或另一种合适无线通信方法与客户端设备206或任何其它通信信道交换数据的无线收发器(未示出)。

在一些其它情况下，通信单元208包括蜂窝式通信收发器以用于通过蜂窝式通信网络诸如经由短消息服务(SMS)、多媒体消息服务(MMS)、超文本传送协议(HTTP)、直接数据连接、无线应用协议(WAP)、电子邮件或另一种合适类型的电子通信发送和接收数据。在又一种情况下，通信单元208包括有线端口和无线收发器。通信单元208还提供去往网络114的其它常规连接以用于使用标准网络协议(诸如TCP/IP、HTTP、HTTPS和SMTP)分发文件和/或媒体对象，如本领域的技术人员将理解。

存储210是存储用于提供本文所述的功能性的数据的非暂时性存储器。存储210耦合到总线206。存储210可为动态随机存取存储器(DRAM)设备、静态随机存取存储器(SRAM)设备、闪存存储器或某些其它存储器设备。在一些情况下，存储210还包括非易失性存储器或类似持久存储和介质，包括硬盘驱动器、软盘驱动器、CD-ROM设备、DVD-ROM设备、DVD-RAM设备、DVD-RW设备、闪存存储器设备或用于更持久地存储信息的某种其它大容量存储。

在一些情况下，存储210存储与社交网络中的用户相关联的社交网络简档、对话中的对话消息、从所述对话识别的可动作实体、从所述对话和/或其它对话确定的场境指示符、基于所述对话的可动作实体来生成的建议等。

在一些情况下，建议应用132b包括控制器220、对话管理模块222、模型构建器224、对话分析器226、确定引擎228、建议生成器230和用户界面引擎236。

控制器220可为用于接收数据并且将数据传输到适当组件的代码和例程。在一些情况下，控制器220可为能够由处理器202执行以提供用于接收和传输数据的下文所述的功能性的一组指令。在其它情况下，控制器220可存储在计算设备200的存储器204中并且可由处理器202访问和执行。在一些情况下，控制器220可适于与处理器202和计算设备200的其它组件协作和通信。

在一些情况下，控制器220经由通信单元208接收数据并且将数据传输到建议应用132的适当模块。例如，控制器220经由通信单元208从客户端设备102接收用户信息并且将用户信息传输到模型构建器224以构建并更新机器学习模型。在另一个示例中，控制器220从对话分析器226接收对话中的实体的场境指示符并且从确定引擎228接收对所述实体为可动作的确定，并且将可动作实体的场境指示符传输到建议生成器230以生成对于用户对所述实体采取动作的建议。

对话管理模块222可为用于生成并管理对话会话的代码和例程。在一些情况下，对话管理模块222可为能够由处理器202执行以提供用于生成并管理对话会话的下文所述的功能性的一组指令。在其它情况下，对话管理模块222可存储在计算设备200的存储器204中并且可由处理器202访问和执行。在一些情况下，对话管理模块222可适于与处理器202和计算设备200的其它组件协作和通信。

在一些情况下，对话管理模块222生成对话会话并且指令用户界面引擎236生成图形数据以用于在对话界面中显示对话会话。对话会话或对话是包括视频会议、音频会议和即时消息收发中的至少一者的多用户通信会话。对话包括至少一条对话消息。对话消息可包括视频消息、音频消息、文本消息、照片、超链接等。在一些情况下，对话管理模块222通过与客户端设备102的音频和视频捕获设备交互以获得用户104的实时音频-视频同步通信数据流来生成对话。例如，对话管理模块222与控制客户端设备102中所包括的麦克风和视频相机(例如，网络相机或前置相机)的功能性的存储在客户端设备102上的软件驱动器对接，并且基于客户端设备102所捕获的音频-视频数据来生成对话。所述音频-视频数据可使用各种音频和视频编解码器来编码。在其它情况下，对话管理模块222生成允许参与所述对话的用户彼此共享文档、便签簿和/或计算设备屏幕的对话。

在一些情况下，对话管理模块222接收建议生成器230基于对话的对话消息来自动生成的建议，并且与用户界面引擎236通信以生成用于显示所述建议连同所述对话中的对话消息的图形数据。在其它情况下，对话管理模块222在对话中提供一个或多个应用或服务并且指令用户界面引擎236在对话界面中生成一个或多个工具以供用户与所述一个或多个应用或服务交互。例如，对话管理模块222指令用户界面引擎236在对话界面中生成搜索框以供用户基于话题、时间等来搜索对话。

在一些情况下，对话管理模块222还经由通信单元208与其它服务器(例如，第三方服务器110)通信以接收来自其它对话的对话消息。其它对话可由其它服务器上的其它应用生成。对话管理模块222将对话消息转发到建议应用132b的其它组件(例如，224至236)以生成建议。在一些情况下，对话管理模块222还将所述对话消息存储在存储210中。

模型构建器224可为用于生成和/或更新机器学习模型的代码和例程。在一些情况下，模型构建器224可为能够由处理器202执行以提供用于生成和/或更新机器学习模型的下文所述的功能性的一组指令。在其它情况下，模型构建器224可存储在计算设备200的存储器204中并且可由处理器202访问和执行。在一些情况下，模型构建器224可适于与处理器202和计算设备200的其它组件协作和通信。

模型构建器224接收来自由对话管理模块222生成和接收的对话的信息，从所述信息提取特征，并且基于所提取的特征来生成模型。所述模型包括与用户相关的项目，诸如位置、兴趣列表等。兴趣可从用户对其喜欢什么的指示而变得明确。兴趣还可为从用户活动推断的信息。例如，如果用户在若干对话中谈论徒步旅行装备，则模型构建器224推断出用户对户外活动感兴趣。在一些情况下，模型构建器224还从多种来源(例如，包括查询、文档检索、用户交互、电子邮件等)接收用户信息，并且基于所述信息来构建模型。例如，模型构建器224将用户的搜索历史包括到所述模型中。在另一个示例中，在接收到针对查询所返回的一批文档和与每个文档相关联的排名后，模型构建器224将所述模型构建为包括所述排名以示出文档与查询之间的相关性。

在一些情况下，模型构建器224生成所述模型来包括用户统计资料和用户行为模式数据，例如，用户参加对话的频繁程度、用户在对话中与谁谈得最多、用户喜欢在什么时间与别人对话、用户是否喜欢在对话中共享照片、用户喜欢共享什么种类的照片等。在其它情况下，模型构建器224将所述模型生成为包括用于做出关于用户动作的预测的一系列权重和乘数。在一些情况下，模型构建器224基于用户之间的社交关系来确定权重和乘数。例如，模型构建器224从对话管理模块222接收对话消息。所述对话消息包括在对话中提出的问题以及第一用户和第二用户对所述问题的回复。模型构建器224与社交网络应用124通信以基于社交网络应用124所管理的社交图谱来确定第一用户是第三用户的亲密朋友并且第二用户私下里不知道第三用户。模型构建器224向第一用户指派比第二用户高的权重。稍后，当使用所述模型来基于类似用户的动作预测用户的行为时，第一用户的回复将在预测第三用户对所述问题的潜在回答中被更大加权。在其它情况下，模型构建器224基于对话消息的新近性来确定权重和乘数。例如，如果用户在上个月的对话中谈论游戏A并且在这个月的对话中谈论游戏B，则当预测用户将要订阅哪个游戏论坛时，模型构建器224针对游戏B确定比游戏A高的权重。在一些其它情况下，模型构建器224基于包括用户参加对话的频繁程度、用户喜欢在什么时间与别人进行对话等的其它因素来确定权重和乘数。

在一些情况下，模型构建器224生成模型并且基于所述模型将用户映射到一个或多个类别。所述类别可为对话分析器226所识别的实体，如下文所述。例如，模型构建器224确定用户喜欢打篮球，并且将用户分类为类别“运动员”和类别“篮球”。或者，模型构建器224将每天与其他用户谈论的用户分类为类别“健谈者”。

在一些实施方式中，模型构建器224生成机器学习模型。模型构建器224从包括至少一个对话的多种来源收集数据并且使用机器学习算法来从所收集的数据学习某些性质。机器学习算法可包括但不限于回归技术、基于示例的算法、决策树、贝叶斯算法、核方法、聚类方法、关联规则学习、人工神经网络等。模型构建器224随时间流逝训练模型以理解对话的语义并从实时对话导出含义。随着模型演化，使用所述模型做出建议、行为预测等的效率和准确性得到改善。

模型构建器224使用用户动作作为训练信号来训练所述模型。在一些情况下，模型构建器224追踪先前对话中的用户的动作并且训练所述模型从那些用户动作进行学习。例如，模型构建器224学习到用户从未使用购买工具购买在对话界面中所提供的任何东西，或者从两个用户之间的先前对话学习到两个用户总是选择特定咖啡屋作为其见面点。在其它情况下，模型构建器224追踪用户的非聊天动作并且训练所述模型从所述非聊天动作进行学习。例如，模型构建器224从用户的购买历史学习用户喜爱的巧克力品牌。基于模型学习到的内容，可为用户做出建议。例如，当用户在对话中谈论飞去佛罗里达度假时，可向用户做出航班行程(例如，时间和航线)的建议，因为模型构建器224从用户的先前动作学习到用户喜欢这条航线并且经常乘坐那个时间附近的航班。在一些情况下，模型构建器224接收对在对话中提供给用户的建议的用户反应并且进而使用所述反应(和来自所述对话的其它数据)作为训练信号来训练所述模型(例如，使用所述反应来生成用于通过进一步训练来优化所述模型的训练示例)。继续以上示例，如果所述用户丢弃所述航班行程建议或在对话中明确声明不喜欢所述航线(例如，通过书写“I do not like this airline(我不喜欢这条航线)”)，则模型构建器224可将这个否定反应作为信号来训练所述模型。因而，将来可向用户建议不同航线。

在一些情况下，模型构建器224在接收到请求时更新所述模型。例如，建议生成器230在使用所述模型生成建议时请求模型构建器224更新模型。在其它情况下，模型构建器224周期性地(每小时一次、每天一次、每周一次等)和/或非周期性地从多种来源接收数据和/或非周期性数据以用于更新所述模型并且相应地更新所述模型。在一些其它情况下，一旦接收到对话中的用户动作、非聊天动作或用户反应，模型构建器224便更新所述模型。

对话分析器226可为用于分析对话以从对话消息识别用户可对之采取动作的实体并且在所述对话中确定所述实体的场境指示符的代码和例程。在一些情况下，对话分析器226可为能够由处理器202执行以提供用于分析对话以从对话消息识别用户可对之采取动作的实体并且在所述对话中确定所述实体的场境指示符的下文所述的功能性的一组指令。在其它情况下，对话分析器226可存储在计算设备200的存储器204中并且可由处理器202访问和执行。在一些情况下，对话分析器226可适于与处理器202和计算设备200的其它组件协作和通信。

对话分析器226基于模型构建器224所生成的机器学习模型来处理从对话管理模块222接收的对话的一条或多条对话消息。在一些情况下，对话分析器226使用自然语言处理(NLP)技术分析每条对话消息。在一些情况下，对话分析器226解析所述对话消息并且对所解析的对话消息实施NLP实体提取以获得实体。所述实体可为对话消息的一部分，例如，所述对话中的人员或对象，并且所述实体可处于各种粒度水平(例如，餐厅、意大利餐厅、特定意大利餐厅)。在一些情况下，NLP实体提取是基于在机器学习模型中工作的文本语义标注(SAFT)库。例如，模型构建器224接收航班号，将标注器构建到所述模型中以基于航班号的一般格式来在对话中辨识航班号，并且训练所述标注器。当在对话消息中提到这个航班号时，对话分析器226与模型构建器224通信以使用标注器来确定所述对话消息中的一个实体是所述航班号。在另一个示例中，对话分析器226从对话消息解析并提取实体“beautiful(漂亮的)”、“weather(天气)”和“Store A(商店A)”。对话分析器226接着使用SAFT库基于语言语义分析来确定“beautiful”是形容词，“weather”是名词，并且“商店A”是位置和名词。对话分析器226所识别的实体可为可动作或不可动作的，这取决于用户是否可对其采取动作。参考确定引擎228更详细地描述对实体是可动作还是不可动作的确定。

结合识别实体(例如，之前、之后和/或期间)，对话分析器226在所述对话中确定所述实体的场境指示符。例如，对于位置实体，对话分析器226确定何时在所述对话中提到所述位置、谁在所述对话中提到所述位置、所述对话的哪些内容包括所述位置、哪个种类的内容在所述对话中跟随在所述位置之后和/或其它场境指示符。在一些情况下，对话分析器226分析多个对话(例如，先前对话、其它应用所生成的对话)以确定对话中的实体的场境指示符。

在某些实施方式中，对话分析器226执行NLP以确定对话中的实体的场境指示符。在那些实施方式中的一些实施方式中，所述NLP是基于模型构建器224所生成的机器学习模型并且可在许多方面中比常规NLP更复杂。在一些情况下，对话分析器226结合对话中的一个或多个用户的用户信息基于模式匹配来执行NLP。例如，对话分析器226可基于模式匹配来从对话消息检测到短语“Basil Thai restaurant(Basil Thai餐厅)”，并且基于一个或多个用户的用户信息将那个短语匹配到名为“Basil Thai”的一个或多个特定餐厅(例如，最靠近用户的位置的“Basil Thai”餐厅)。作为另一个示例，对话分析器226可结合用户信息基于模式匹配来从对话消息检测在用户A附近的特定“Coffee house(咖啡屋)”。在一些实施方式中，使用用户信息来选择一个或多个特定实体可导致改善的建议。例如，在没有用户信息的情况下，基于“Basil Thai restaurant”，可识别到3家名为“Basil Thai”的餐厅，并且如果在对话中向参与者建议行车指引，则所述建议可包括去往所有三家“Basil Thairestaurant”的三个地图。参与者接着必须选择哪个地图是相关且准确的。另一方面，在利用用户信息的情况下，可提供仅一条去往“Basil Thai restaurant”的相关且准确的行车路线指引(例如，对所述对话的所有参与者最方便的餐厅和/或参与者最常去的餐厅)。

在其它情况下，对话分析器226额外或替选地通过对对话消息执行情感分析并且使对话消息与权重相关联来确定场境指示符。例如，对话分析器226从用户A接收到消息“Ihate coffee(我讨厌咖啡)”、“tea is ok(茶可以)”和“coke is my favorite(可乐是我的最爱)”，并且将最赞同到最不赞同情感权重分别关联到包括可乐、茶和咖啡的消息。所述权重指示用户A的饮料口味。换言之，所述权重可各自指示用户A相对于对应于实体“咖啡”、“茶”和“可乐”的每个“饮料”实体的情感。所述消息可来自将在其中提供建议的当前对话和/或来自包括所述用户的先前对话(具有或没有当前对话的其他参与者)。在一些情况下，对话分析器226指派正数以指示肯定情感，指派负数以指示否定情感，并且指派零以指示不关心。对话分析器226可使用数字量值作为情感的权重或强度，并且可将情感指派给对应实体。对于以上示例，对话分析器226分别向包括可乐、茶和咖啡的消息加权+2、+1和-2。在一些情况下，对话分析器226从对话消息中所包括的表情符号和/或其它非文本元素确定情感并且向所述情感指派权重。例如，对话分析器226可从消息“mom is coming(妈妈来了)”确定用户是快乐且兴奋的(例如，基于存在表情符号以及那个符号被指派给快乐情感)，并且可从消息“I wish mom is still here(我希望妈妈还在这里)”确定用户是不高兴的(例如，基于存在表情符号以及那个符号被指派给悲伤情感)。对话分析器226可使每条消息与正数(或其它量度)或负数(或其它量度)相关联以指示用户有多快乐。在一些情况下，对话分析器226可基于对话消息的权重和数目来确定整体情感。这样的信息成为场境指示符并且有助于生成建议。例如，如果用户说“I wish mom is still here”、“Amy is not heretoo(Amy也不在这里)”和“I should go see a movie(我该去看电影)”，对话分析器226确定总体上用户是不高兴的。因而，可建议喜剧电影代替悲剧电影来使用户高兴起来。因此，对对话的情感分析使得建议更明智。

在某些示例中，对话分析器226通过采用一条以上对话消息用于分析来确定场境指示符。可生成标准和常规对话语义，例如，响应于对话中的询问“Who is the presidentof the USA？(美国总统是谁？)”而生成“Barack Obama”，并且响应于所述对话中的询问“Who is the wife of Barack Obama？(Barack Obama的妻子是谁？)”而生成“MichelleObama”。稍后，当在所述对话中提到“他”和“她”时，对话分析器226使用共指消解用“BarackObama”指代他并且用“Michelle Obama”指代她。在一些实施方式中，对话NLP可类似于常规对话语义学。常规对话语义学和对话NLP两者可基于对各个消息的语义分析。对话分析器226可进一步分析对话中的毗连和/或不毗连消息而不是仅分析单条消息。在一些情况下，对话分析器226分析多条对话消息以追踪来自对话的每个参与者的对话流。对话分析器226追踪用户以查看对话的可能参与者并且确定对话流，即，哪个参与者以什么次序发送哪条消息。对话分析器226基于追踪信息来优化场境指示符。例如，对话分析器226可分析对话的两条毗连消息“would you like to meet？(您愿意见面吗？)”和“how about ABC？(ABC怎么样？)”。对话分析器226追踪对话的参与者，并且确定第一参与者发送第一消息并且第二参与者发送第二消息。另外，对话分析器226确定第二参与者提议位置实体“ABC”以对来自第一参与者的问题做出响应。在其它情况下，对话分析器226基于从多个对话追踪的信息来优化场境指示符。对话分析器226可基于已经在多个对话中出现的共同词项来优化场境指示符。例如，对话分析器226从用户A今天在与用户B谈话时发送的消息“do you want to gohiking？(您想要去徒步旅行吗？)”识别到实体“hiking”。对话分析器226追踪对话流并且确定在先前对话中来自用户B的消息“I prefer fishing to hiking(比起徒步旅行，我更喜欢钓鱼)”应当用作用于实体“hiking”的场境指示符。对话分析器226可基于在多个对话中出现的术语概念聚类来优化场境指示符。例如，对话分析器226确定来自多个对话的包括“mountain bike(山地自行车)”、“backpack(背包)”、“comping(露营)”的消息可用作用于在持续进行的对话中接收到的消息“do you want to go hiking”的场境指示符，因为词项“mountain bike”、“backpack”、“comping”和“hiking”可基于概念聚类来分类为集群“户外活动”。

在一些情况下，对话分析器226还分析对话以确定时态(例如，对话消息是否为过去时态)、新近性(例如，对话消息是否为新的，如何加权新或旧对话消息)等。对话分析器226进一步收集包括用户简档信息(例如，年龄、性别)、对话元数据(例如，对话的开始时间和结束时间、对话的参与者、与每条对话消息相关联的时间戳)的数据，并且使用所收集的数据作为场境指示符。在使用用户的任何简档信息或个人信息之前获得核准。

确定引擎228可为用于确定实体是否为可动作的代码和例程。在一些情况下，确定引擎228可为能够由处理器202执行以提供用于确定实体是否为可动作的本文所述的功能性的一组指令。在其它情况下，确定引擎228可存储在计算设备200的存储器204中并且可由处理器202访问和执行。在一些情况下，确定引擎228可适于与处理器202和计算设备200的其它组件协作和通信。

对话分析器226从对话的对话消息识别实体并且确定所述对话中的所述实体的场境指示符，而确定引擎228确定所确定的实体是否为可动作的。如果用户很可能对实体采取动作，则所述实体为可动作的。当实体在用户很可能对所述实体采取动作的对话场境中时，确定引擎228确定所述实体是可动作实体。如本文所述，用户是否很可能对实体采取动作由确定引擎228利用各种技术中的一个或多个来确定并且是基于本文所述的一个或多个场境参数。在一些情况下，确定引擎228检测一个或多个动作动词、一个或多个动词的主语和/或宾语以及相关联场境，并且基于所检测到的信息来确定可动作实体。动作动词是表达身体或精神动作的动词，诸如走、读、想要、思考等。例如，如果对话分析器226从对话中的用户A与用户B之间的消息“meet at supermarket C(在超市C处见面)”识别到位置实体“supermarket C”，则确定引擎228可检测到动作动词“meet”、动词“meet”的宾语“supermarket C”，并且确定这个位置实体“supermarket C”为可动作的，因为用户A和B可在所述地点处见面。然而，如果对话分析器226因为用户A在所述对话中评论“supermarketC is super good(超市C是超级好的)”而识别到位置实体“supermarket C”，则确定引擎228未能检测到动作动词和相关联宾语/主语。因而，确定引擎228可能不确定位置实体“supermarket C”是可动作的，因为没有检测到动作。每当实体出现在对话中时，确定引擎228就将所述实体分类为可动作的或不可动作的。当实体被分类为可动作的时，确定引擎228突出显示或以其它方式标注所述可动作实体以供一个或多个其它组件使用，如本文所述。

在一些情况下，对话分析器226分析所述对话中的所有对话消息以确定从所述对话的对话消息识别的实体的场境指示符。确定引擎228基于所述场境指示符来确定所述实体是否为可动作的。在一些情况下，确定引擎228基于对话流来确定实体是否为可动作的。例如，用户A输入问题“meet at ABC？(在ABC处见面？)”。在某些示例中，确定引擎228可能不确定位置“ABC”是否为可动作的，直到在对话流中接收到用户B的回答。如果用户B说“Sure”，则确定引擎228接着确定“ABC”为可动作的。否则，确定引擎可确定“ABC”为不可动作的。在另一个示例中，如果对话流包括来自用户A的第一消息“where would you like tomeet？(您想要在哪里见面？)”、来自用户B的第二消息“how about ABC？(ABC怎么样？)”、来自用户A的第三消息“I like DEF better(我更喜欢DEF)”以及来自用户B的第四消息“DEFis good(DEF很好)”，则确定引擎228可确定“DEF”而非“ABC”作为可动作实体。在其它情况下，确定引擎228基于消息的时态来确定实体是否为可动作的。例如，确定引擎228可确定消息“I used to take1234to New York(我过去经常乘坐1234去纽约)”中的航班号1234为不可动作的，因为所述消息为过去时态。在一些其它情况下，确定引擎228基于情感指示符来确定实体是否为可动作的。例如，确定引擎228基于来自用户A的消息“want pasta fordinner？(晚饭想吃意大利面吗？)”和来自用户B的消息“I hate pasta(我讨厌意大利面)”来确定“pasta”为不可动作的。然而，确定引擎228仍可确定“dinner”为可动作的。仍可向用户A提供给予更多细节或完成动作的建议(例如，披萨餐厅)。确定引擎228还基于对话分析器226所确定的其它场境指示符来确定实体是否为可动作的。

确定引擎228基于场境指示符来确定实体是否为可动作的，这使本公开不同于一些方法并且可因此为有利的。例如，常规方法可基于Alice与她的朋友之间的先前对话来确定今天是Alice的生日，并且自动向她发送“Happy Birthday(生日快乐)”消息和有趣的视频剪辑来庆祝她的生日。本公开的实施方式仅在场境条件被确定为适当的情况下向Alice发送这样的自动庆祝消息。如果Alice在几小时之前说“my house was bum down(我的房子被烧毁了)”，则确定引擎228决定不向Alice发送任何庆祝消息，因为所述消息可对于Alice来说仅仅是烦人的垃圾信息。作为另一个示例，如果用户A在先前对话中提供消息“I loveCoffee Shop A(我爱咖啡店A)”，接着在当前对话中向用户B提供消息“(Want to grabsome coffee)想要去喝点咖啡”，则可向用户B提供针对于“Coffee Shoop A(咖啡店A)”的建议以供并入在当前对话中。可基于用户A针对“Coffee Shoop A”的肯定情感的先前表达来提供所述建议，并且即使用户B不涉及在先前对话中，仍可任选地提供所述建议。

在一些实施方式中，除了基于对话中的场境指示符来自动确定可动作实体之外，确定引擎228还允许用户手动确定哪个实体为可动作的。即使确定引擎228未检测到实体为可动作的，确定引擎228也允许用户使得所述实体为可动作的。因而，对话中的任何消息可为可动作的。在一些情况下，确定引擎228从用户接收指示以将对话消息中的实体标示为可动作的，并且向用户返回与所述实体相关的信息。例如，用户在对话消息中提到“panda(熊猫)”。所述用户(或另一个用户)确定这个词是所述消息中的最重要实体，并且指示这个词是可动作的(例如，通过经由用户界面输入(诸如“轻击”或其它方式选择所述词)来标记所述词)。响应于接收到这个指示，确定引擎228与其它服务器或应用(例如，搜索服务器112和/或第三方服务器110)通信以向所述用户检索与“panda”相关的信息(例如，来自搜索服务器112的第一搜索结果)。在一些情况下，响应于接收到对用户想要对实体采取动作的指示，确定引擎228还将所述指示作为训练信号发送到模型构建器224以基于所述指示来训练机器学习模型。例如，模型构建器224可基于所述指示来生成肯定训练示例，其中训练示例输出指示可动作实体并且训练示例输入是基于在其中做出所述指示的消息、作为所述指示的焦点的词、和/或与所述对话相关联的场境指示符。模型构建器224可通过基于肯定训练示例进一步训练所述模型来优化机器学习模型。

建议生成器230可为用于生成对于用户对实体采取动作的建议的代码和例程。在一些情况下，建议生成器230可为能够由处理器202执行以提供用于生成对于用户对实体采取动作的建议的本文所述的功能性的一组指令。在其它情况下，建议生成器230可存储在计算设备200的存储器204中并且可由处理器202访问和执行。在一些情况下，建议生成器230可适于与处理器202和计算设备200的其它组件协作和通信。

响应于从确定引擎228接收到可动作实体，建议生成器230生成对于所述可动作实体的建议以提供更丰富场境和接下来的步骤。所述建议是对使得实体对于用户更为可动作或为用户完成动作有用的信息。例如，当用户建议在餐厅处见面时，建议生成器230可提供关于所述餐厅的更多细节并且提供订位。当用户谈论看电影时，建议生成器230可提供放映时间或指向电影媒体流的链接。当用户提到来自网站的视频剪辑时，建议生成器230可将其调出以供用户在所述对话中播放。在一些情况下，建议生成器230生成实时建议。例如，当用户正在谈论在餐厅吃午饭时，建议生成器230实时生成地图以指引用户去往所述餐厅。

在一些情况下，建议生成器230指令用户界面引擎236将至少一个建议工具并入到对话界面中。建议生成器230使用建议工具来显示建议并且接收与所述建议的用户交互。例如，建议生成器230指令用户界面引擎236生成至少一个建议工具以显示地图以供用户查看和选择，显示日历以供用户查看和安排行程，找出并共享联系人信息，共享文件，设置提醒，显示视频或发起视频呼叫，共享标贴，显示天气信息，显示体育比分，显示产品或服务(例如，服装、电影、医疗服务)购买信息，显示航班信息，提供交通数据，提供本地事件信息，提供本地商户信息(例如，餐厅、电影院)，共享用户状态(例如，开车、骑车、跑步)，找出并共享产品(例如，移动应用、游戏)，为产品或服务支付或接收支付等等。本领域的技术人员将认识到其它类型的建议也为可能的。

在一些实施方式中，建议生成器230所提供的建议是可选建议。在那些实施方式中的一些实施方式中，响应于所述对话的参与者选择所述建议，建议生成器可将所述建议(和/或相关内容)并入到所述对话的转录中。例如，响应于对所述建议的选择，建议生成器230可致使其(和/或相关内容)为所述对话的所有参与者静态地显示在转录中。例如，所述建议可首先被提供到用户界面引擎236以用于在其对应对话界面中作为非静态图形元素向接收者中的一个或多个呈现(例如，在所述界面中呈现，而不完全并入在转录中)。接着，响应于参与者中的一个或多个选择所述建议，可将所述建议(和/或相关内容)静态地并入到所述对话的转录中。在建议为可选的一些实施方式中，其可包括肯定界面元素和否定界面元素。响应于选择肯定界面元素，可将所述建议并入在转录中，并且响应于选择否定界面元素，可丢弃所述建议而不将所述建议静态并入到转录中。

在一些情况下，建议生成器230基于来自模型构建器224的机器学习模型从用户动作学习到的内容来生成建议。在一些情况下，模型构建器224训练机器学习模型以从用户的非聊天动作学习，并且建议生成器230基于所述机器学习模型来生成建议。例如，如果用户谈论下周末乘坐航班去拉斯维加斯，则确定引擎228确定可动作实体“flight(航班)”，并且建议生成器230基于在机器学习模型中学习到的用户先前购买历史来提供航班行程(例如，时间和航线)的建议。在其它情况下，模型构建器224训练机器学习模型以从用户对先前建议的反应学习，并且建议生成器230基于机器学习模型来生成建议。建议生成器230可与用户界面引擎236通信以基于对在对话界面中所提供的先前建议工具采取的用户动作来在对话界面中定制新建议工具。例如，模型构建器224训练机器学习模型以学习到用户从未使用先前在向所述用户显示的对话界面中提供的购买工具做出任何购买。因而，建议生成器230确定不再在所述对话界面中并入购买工具。类似地，建议生成器230过去经常向用户提供交通地图工具和公共运输工具。建议生成器230从机器学习模型学习到所述用户总是与公共运输工具交互，并且因此确定将来仅向所述用户生成并提供公共运输工具。在另一个示例中，用户A和用户B总是讨论或选择咖啡屋作为见面点。当用户A问用户B“meet today？(今天见面？)”时，建议生成器230生成地图建议并且指示用户界面引擎236包括地图工具并在地图工具中突出显示附近的咖啡屋。

在其它情况下，建议生成器230基于从对话分析器226确定的对话分析(例如，NLP)和场境指示符来生成建议。建议生成器230基于情感分析来生成建议。例如，用户A问“Coffee house,8am tomorrow(咖啡屋，明天8am？)”，并且用户B回答“really？early birdon Sunday？(真的？星期天还早起？)”。当建议生成器230针对可动作实体“Coffee house”生成地图和日历时，建议生成器230可基于情感分析来在日历上突出显示中午附近的可用时间。建议生成器230基于在对话中传达的用户信息来生成建议。例如，如果用户A说“let’smeet tomorrow(我们明天见面吧)”并且用户B说“"great！I'll be in San Francisco(太好了！我将在旧金山)”，则建议生成器230可向用户A和B提供旧金山的地图，即使当所述对话发生时用户均不在旧金山。建议生成器230基于用户简档信息来生成建议。在使用用户的任何简档信息或个人信息之前获得核准。

在一些情况下，建议生成器230通过将数据从搜索引擎和/或其它应用拉到对话中来生成建议。例如，建议生成器230在对话中从地图服务接收在某个位置周围的地图数据并且针对所述可动作位置实体生成地图建议。图10中描绘包括建议的示例对话界面。在其它情况下，代替其自己生成对于用户对实体采取动作的建议，建议生成器230将所述实体信息馈送到其它应用和服务。其它应用和服务可自己任选地直接提供对于用户对所述实体采取动作的建议。例如，如果在对话中提到航班号，则建议生成器230通知第三方服务器在所述对话中向一个或多个参与者提供航班馈送(例如，延误信息)(例如，通过将那些航班馈送并入到所述对话的转录中和/或经由通过另一个应用提供的通知)。如果用户在所述对话中提到所述用户喜欢的朋友，则建议生成器230与广告应用通信以使用这个信息来将所述用户作为广告的目标。如果用户在所述对话中提到体育赛事，则建议生成器230与第三方服务通信以向用户提供所述体育赛事的体育比分。图11A和11B中描绘包括不同应用所提供的建议的示例对话界面。

在一些情况下，实体信息包括从中识别所述实体的所述对话的参与者。当建议生成器230将所述实体信息馈送到其它服务中时，其它服务可向所述对话的所述参与者的全部(或子集)提供建议。例如，如果用户A在与用户B和用户C的对话中提到天气，则天气服务可在从建议生成器230接收到“weather”的实体信息之后向用户A、B和C发送每小时天气报告。在其它情况下，在建议生成器230将实体信息馈送到其它服务中时，建议生成器230还与对话管理模块222和用户界面引擎236通信以在对话界面中发起实况对话。其它服务在实况对话中提供对于用户对所述实体采取动作的建议。在以上示例中，其它服务可在其它服务所提供的界面中或在对话管理模块222和用户界面引擎236所提供的实况对话中提供每小时天气报告。

通过理解对话的场境并且连接用户与其它服务，建议生成器230可向用户提供更智能、更相关、更可搜索的建议，并且因此是更有用且有效的。建议生成器230进一步采取步骤并且大胆进入个人协助空间。代替接收用户问题“can you recommend me of a showthis weekend in San Francisco？can you book a flight to Seattle on Tuesdaymorning？(您能向我推荐旧金山这周末的演出吗？您能预定星期二早上去西雅图的航班吗？)”并且基于多个应用、搜索、比较和填表来回答所述问题，建议生成器230为用户问问题并且代表他们回答所述问题。随着聊天正成为用户的智能电话上的跳转(go to)应用，并入有其它模块和引擎的建议生成器230现在通过从聊天提取信息并且提供相关更新来很好地适应这个区域。明确地说，建议生成器230与其它服务通信以针对所有参与者在一个地方提供重要更新。建议生成器230将用户与其它服务连接还可驱使更多用户接受其它服务，因为其将不需要用户针对另一个服务下载单独的移动应用。此外，建议生成器230向开发者提供用于构建不同类型的服务的组件，所述服务包括理解用户的对话并将其转变为动作，例如语音命令和穿戴装备。

在一些情况下，建议生成器230包括响应预测器232和报告模块234。

响应预测器232可为用于在对话中检测对于用户的问题并且确定对所述问题的潜在用户回复的代码和例程。在一些情况下，响应预测器232可为能够由处理器202执行以提供用于在对话中检测对于用户的问题并且确定对所述问题的潜在用户回复的下文所述的功能性的一组指令。在其它情况下，响应预测器232可存储在计算设备200的存储器204中并且可由处理器202访问和执行。在一些情况下，响应预测器232可适于与处理器202和计算设备200的其它组件协作和通信。

用户通过键入(这可能在客户端设备的触摸屏上特别困难)或通过从用户找到回答的其它地方复制粘贴来回复问题。响应预测器232预测用户的潜在回答并且向用户供应接下来的回复，这比键入或复制粘贴更好。例如，当在对话中问用户其航班将何时着陆时，响应预测器232可使得航班信息可用作为用于可动作实体“flight”的回复。

在一些情况下，响应预测器232基于来自对话分析器226的场境指示符和对话分析以及来自模型构建器224的机器学习模型来预测用户将想要如何回复问题。例如，响应预测器232基于机器学习模型已经从对话历史学习到的内容来确定用户往往会如何回复某个类型的问题，并且接着为用户提供一个或多个潜在回复。如果响应预测器232从机器学习模型学习到30％的时间人们对问题做出响应A并且70％的时间人们对问题做出响应B，则响应预测器232可为将要回答相同问题的用户供应回答B。响应预测器232由于从对话分析器226接收的场境指示符和对话分析而处于特定优势。知道用户的位置、场境和其它个人信息使得响应预测器232能够更容易地和/或更准确地预测回复。例如，给定在先前对话中来自用户A的消息“I hate coffee”和“the tea house on the X street is the best(X街上的茶楼是最好的)”，当用户B问用户A“which is your favorite place for coffee or tea？(喝咖啡或茶，哪家是你最喜爱的地方？)”时，响应预测器232可容易地为用户A供应“the teahouse on the X street”的地址作为潜在回答。

在其它情况下，响应预测器232还基于问题类型来确定回答类型。响应预测器232基于来自对话分析器226的句子结构的理解来确定该类型的问题。例如，如果问题为“A orB？(A还是B？)”，则响应预测器232提供A和B作为潜在回答。或者，当问题为“do you like A？(您喜欢A吗？)”时，响应预测器232提供“yes(是)”和“no(否)”作为潜在回答。响应预测器232还基于对话分析器226所确定的其它场境指示符来确定问题类型。例如，问用户A“willyou be in Los Angeles tomorrow？(您明天将在洛杉矶吗？)”。如果先前对话显示用户A具有去洛杉矶的票，则响应预测器232将确定这为是或否问题并且为用户A提供“yes”或“no”作为潜在回答。然而，如果先前对话显示用户A已经订票但在几天后尚未接收到确认号码，则响应预测器232可不认为这为是或否问题而是改为提供“I don’t know(我不知道)”作为潜在回答。

在一些情况下，响应预测器232以单击形式和/或其它单选形式提供潜在用户回复。例如，假设问题是“can I send your contact info？(我能发送您的联系人信息吗？)”。所述问题包括可动作实体“contact info”。进一步假设先前对话包括“your(您的)”联系人信息。响应预测器232可提供单击联系人信息作为回答。响应预测器232基于对话的场境来提供的单击建议在许多方面(例如，时间、安全性)中对用户为便利的。例如，当用户A向用户B发送聊天对话时，响应预测器232可为用户B发送单击建议说“I am driving(我正在开车)”或甚至发送“I will be home in 20minutes(我将20分钟后到家)”以对用户A做出响应。当用户B正在飞行并且未开启手机时，响应预测器232仍可基于日历为用户B自动做出响应“I will be available four hours later(我将在四小时后有空)”。图10中描绘示出单击回复的示例界面。

报告模块234可为用于基于组织对话来生成与所述对话相关的一个或多个报告的代码和例程。在一些情况下，报告模块234可为能够由处理器202执行以提供用于基于组织对话来生成与所述对话相关的一个或多个报告的下文所述的功能性的一组指令。在其它情况下，报告模块234可存储在计算设备200的存储器204中并且可由处理器202访问和执行。在一些情况下，报告模块234可适于与处理器202和计算设备200的其它组件协作和通信。

用户无法追踪他们在对话中共享的事物。对话可能无法容易地搜索，例如，用户可能需要从大量搜索结果上下滚动来找出用户真正想要的一条信息。报告模块234跨对话聚合信息，组织对话，并且使得所述对话可容易地通过话题、对象和/或其它元数据来搜索。

报告模块234接收对话以及对话分析器226从所述对话确定的场境指示符，并且基于所述场境指示符来组织所述对话。在一些情况下，报告模块234基于内容来组织所述对话。例如，报告模块234组织所述对话以找出谈论电影或提到位置的对话。在其它情况下，报告模块234基于时间线来组织所述对话。例如，报告模块234以时间降序来组织提到位置的对话。在其它情况下，报告模块234基于对话流来组织所述对话。例如，报告模块234从所述对话检索包括位置的对话消息，使每条消息与发送所述消息的特定用户相关联，并且以时间降序排列所述对话消息。在另一个示例中，如果用户说“click the search box(点击搜索框)”，则报告模块234可确定所述对话流中的下一条消息将是用户在所述搜索框中指定的词并且以这个次序组织对话。在其它情况下，报告模块234基于情感和/或其它特征来组织所述对话。例如，报告模块234基于将人们分类为电子书读者或纸质书读者来组织对话。本领域的技术人员在受益于本公开之后将理解报告模块234可基于其它场境指示符来组织对话。

在一些情况下，报告模块234还标记重要消息(例如，可动作实体)以供稍后跟踪。标签可为旗标、星号等。当用户提到这个消息或搜索所述消息时，报告模块234可容易地检索到它。报告模块234通过标记所述消息来获得额外信息，例如，提到这条消息的频繁程度、用户何时提到这条消息等。

报告模块234基于组织所述对话来对所述对话进行索引(例如，在存储于存储210中的数据库中)。当报告模块234接收对所述对话的搜索请求时，报告模块234使用索引搜索所述对话，生成报告，并且将所述报告返回给用户。例如，响应于接收到针对谈论电影的对话的搜索请求，报告模块234搜索关于所述电影的对话内容。报告模块234基于以下来组织搜索结果：根据对话的时间线将对话排序、将对话中的每条对话消息与用户和时间相关联、突出显示重要实体(例如，电影名称、影剧院名称、演出时间等)并且基于索引提供对先前对话的回询。报告模块234基于组织所述对话来为用户生成报告。图13中描绘示出对话报告的示例对话界面。在一些情况下，报告模块234还通过组织并概述某个时间段内的会话来生成摘要。例如，报告模块234为用户生成摘要以示出用户在一个星期内参与多少对话、用户在那个星期内与谁谈话、用户在那个星期内谈论什么话题、用户在那个星期内共享多少照片等。图14中描绘示出对话摘要的示例对话界面。

报告模块234所做的不止是人员可以做的琐碎的对话搜索或简单的对话摘要。报告模块234可在不需要用户翻遍和/或滚动遍历对话的逐字转录的情况下为用户检索详情。报告模块234还为用户得到所述对话中所论述的话题的更新(例如，赛事比分或演出)。在一些实施方式中，报告模块234不仅提供搜索结果，因为用户可回顾基于事件、地方、人物来共享的一串有意义信息。报告模块234还允许用户与他们已经共享或讨论的事物集合(诸如他们已经在过去几个月中谈论的所有餐厅的列表)交互。另外，报告模块234提供用于从对话获得见解并且判定场境、情感和/或其它特征的方式。例如，报告模块234可得到有价值的见解来判定对某些品牌的情感并且识别热门话题。

用户界面引擎236可为用于生成显示对话的对话消息和建议的对话界面的代码和例程。在一些情况下，用户界面引擎236可为能够由处理器202执行以提供用于生成显示对话的对话消息和建议的用户界面的下文所述的功能性的一组指令。在其它情况下，用户界面引擎236可存储在计算设备200的存储器204中并且可由处理器202访问和执行。在一些情况下，用户界面引擎236可适于与处理器202和计算设备200的其它组件协作和通信。

在一些情况下，对话管理模块222指令用户界面引擎236生成用于在对话界面中显示对话和对话消息的图形数据。在其它情况下，建议生成器230生成用于对话中的可动作实体的建议。对话管理模块222指令用户界面引擎236生成用于在对话界面中显示所述建议连同对话消息的图形数据。在一些情况下，用户界面引擎236在对话界面中生成多个建议工具以用于显示一个或多个建议并且接收与所述建议的用户交互。

建议包括用户对实体采取动作的信息。在一些情况下，用户界面引擎236生成多个建议工具以用于与包括所述实体的消息并行地呈现所述建议。例如，用户界面引擎236在相同屏幕上连同消息“go skiing(去滑雪)”一起示出滑雪场的地图工具和雪场报告。用户可使用地图工具查看并选择地图。或者，用户界面引擎236可示出用于两个用户的两个日历工具连同讨论第二天见面的消息。用户可使用日历工具查看并排程日历。或者，用户界面引擎236可示出用于衣服和鞋子的不同购买工具连同讨论名人服装的消息。或者，用户界面引擎236可连同消息“meet for coffee next day？(第二天见面喝咖啡？)一起示出示出突出显示两个用户第二天有空的时间的日历工具并且突出显示在两个用户的地址附近的咖啡店的地图工具”。或者，用户界面引擎236可连同消息“go from A to B？(从A去往B？)”一起示出交通地图工具和公共运输工具。在一些情况下，如果建议工具无法放入屏幕(例如，智能电话的小屏幕)中，则用户界面引擎236将首先示出多个工具的工具选项。

在其它情况下，用户界面引擎236生成用于依次呈现一个或多个建议的多个建议工具。例如，在接收到消息“meet up for a meal(见面吃饭)”后，用户界面引擎236示出午饭或晚饭的选项。在用户选择午饭后，用户界面引擎236示出午饭营业的餐厅。或者，在接收到消息“meet for coffee next day”后，用户界面引擎236首先示出日历工具。当所有用户有空时，用户界面引擎236还可在日历上突出显示时间。一旦选好时间，用户界面引擎236便示出在那个时间营业的咖啡店的地图。或者，在接收到消息“buy skiing equipment inLos Angeles(在洛杉矶购买滑雪装备)”后，用户界面引擎236首先示出洛杉矶的体育商店的地图。在选好商店之后，用户界面引擎236示出用于那个商店中的装备的购买工具。图15中描绘示出建议的并列呈现的示例对话界面。

在以上和以下描述中，出于解释的目的，陈述许多特定细节以便提供说明书的透彻理解。然而，本领域的技术人员在受益于本公开之后将明白可在没有这些特定细节的情况下实践所述技术。在其它情况下，以框图形式示出结构和设备以便避免模糊所述描述。例如，上文在一些情况下参考用户界面和特定硬件描述说明书。然而，所述描述适用于可接收数据和命令的任何类型的计算设备以及提供服务的任何外围设备。

图3包括用于从对话识别实体并且生成对于用户对所述实体采取动作的建议的示例方法300的流程图。所述方法300从接收302对话中的至少一条对话消息来开始。对话消息可包括视频消息、音频消息、文本消息等。所述方法300接着从对话消息识别304可为可动作的实体并且确定306所述实体的场境指示符。所述实体可为对话消息中的人员、对话消息中的对象等。在一个示例中，上文参考图2进一步详细论述的对话分析器226可识别所述实体并且确定场境指示符。例如，对话分析器226可从对话消息识别位置实体并且确定所述位置实体的场境指示符。例如，对于所述位置实体，对话分析器226可基于何时提到所述位置、谁在所述对话中提到所述位置、所述对话的哪些内容致使感知到所述位置、哪个种类的内容在所述对话中跟随在所述位置之后、针对所述实体所表达的先前情感和/或先前对话中的相关实体等来确定场境指示符。

所述方法300接下来基于所述场境指示符来确定308所述实体是否为可动作的。在一个示例中，参考图2进一步详细论述的确定引擎228可确定可动作实体。例如，如果对话分析器226从所述对话中的用户A与用户B之间的消息“meet at supermarket C”识别到位置实体“supermarket C”，则确定引擎228可确定这个位置实体“supermarket C”为可动作的，因为用户A和B将在所述地点见面。如果确定引擎228确定所述实体为可动作的，则所述方法300移动到步骤310。否则，所述方法300结束。所述方法300向用户提供310建议以对所述实体采取动作。在一个示例中，上文参考图2进一步详细论述的建议生成器230可提供建议。例如，建议生成器230提供去往“supermarket C”的地图和公共运输工具以指引用户可如何到达“supermarket C”。在一些实施方式中，向所述对话的所有参与者提供所述建议。在一些其它实施方式中，向所述对话的参与者的子集提供所述建议。此外，在一些实施方式中，可首先向一个或多个参与者提供所述建议而不立即将所述建议并入到所述对话的转录中。在那些实施方式中的一些实施方式中，可仅响应于一个或多个(例如，至少阈值量的)提供针对于所述建议的“肯定”用户界面输入而将所述建议并入到所述转录中。

图4是用于从对话识别实体并且生成对于用户对所述实体采取动作的建议的特定示例方法400的流程图。所述方法400接收402对话中的至少一条对话消息。所述方法接着基于机器学习模型来对所述至少一条对话消息执行404自然语言分析(NLP)，并且基于所述分析来从对话消息识别406可为可动作的实体。例如，对话分析器226通过解析、提取和模式匹配来从对话消息确定实体“beautiful”、“weather”和”Store A”。对话分析器226接着使用SAFT库基于语言语义分析来确定“beautiful”是形容词，“weather”是名词，并且”Store A”是位置。对话分析器226所识别的实体可为可动作的或不可动作的，这取决于是否确定用户可对其采取动作。

接下来，所述方法400基于所述分析来确定408所述实体的场境指示符。例如，对话分析器226结合用户信息基于模式匹配来执行所述NLP。例如，对话分析器226可结合用户A的用户信息基于模式匹配来从对话消息检测在用户A附近的“Coffee house”代替城市中的任何任意“Coffee house”。对话分析器226可额外或替选地通过对对话消息执行情感分析并且使所述对话消息与权重相关联来确定场境指示符。例如，对话分析器226从用户A接收到消息“I hate coffee”、“tea is ok”和“coke is my favorite”，并且分别将最赞同到最不赞同的情感权重相关联到可乐、茶和咖啡。所述权重指示用户A的饮料口味。对话分析器226可额外和/或替选地分析对话以确定时态(例如，对话消息是否为过去时态)和/或对话消息的新近性(例如，对话消息是否为新的，如何加权新或旧的对话消息)；和/或收集用户简档信息(例如，年龄、性别)和/或对话元数据(例如，对话的开始时间和结束时间、对话的参与者、与每条对话消息相关联的时间戳)作为场境指示符。

所述方法400进一步追踪410来自所述对话的每个参与者的对话流并且基于追踪信息来优化412场境指示符。例如，对话分析器226追踪用户以查看对话的可能参与者并且确定哪个参与者以什么次序发送哪条消息。例如，对话分析器226从用户A今天在与用户B谈话时发送的消息“do you want to go hiking？”识别实体“hiking”。对话分析器226追踪对话流并且确定在先前对话中来自用户B的消息“I prefer fishing to hiking”应当用作用于实体“hiking”的场境指示符。

所述方法400基于场境指示符来确定414所述实体是否为可动作的。确定引擎228基于对话流来确定实体是否为可动作的。例如，用户A输入问题“meet at ABC？”。确定引擎228将不确定位置“ABC”是否为可动作的，直到在对话流中接收到用户B的回答。确定引擎228基于消息的时态来确定实体是否为可动作的。例如，确定引擎228可确定过去时态消息中的实体为不可动作的。确定引擎228还基于情感指示符和其它场境指示符来确定实体是否为可动作的。如果确定引擎228确定所述实体为可动作的，则所述方法400移动到步骤416。否则，所述方法400结束。

所述方法400基于机器学习模型和场境指示符来确定416对于用户对所述实体采取动作的建议。例如，如果用户谈论下周末乘坐航班去拉斯维加斯，则确定引擎228确定可动作实体“flight”，并且建议生成器230基于在机器学习模型中学习到的用户先前购买历史来提供航班行程(例如，时间和航线)的建议。所述方法400将所述建议提供418给用户以对所述实体采取动作。

图5是用于从对话手动确定可动作实体的示例方法的流程图500。所述方法500接收502对将对话消息中的实体标示为可动作的指示。在一些情况下，从用户接收对将对话消息中的实体标示为可动作的指示(例如，基于针对于所述对话消息中的与所述实体相对应的词项的用户界面输入)。所述方法500将用户指示以及任选地将额外数据(例如，对话消息、场境指示符)作为训练信号发送504到机器学习模型。所述方法500搜索506与所述实体相关的信息并且将所述信息提供508给所述用户。例如，用户确定“Green Park Museum(格林公园博物馆)”是消息中的最重要词并且通过标记所述词来指示这个词为可动作的。响应于接收到这个指示，确定引擎228搜索与“Green Park Museum”相关的信息并且向用户检索前五个结果。确定引擎228还发送所述指示作为训练信号以训练机器学习模型。

图6是用于生成并更新机器学习模型的示例方法的流程图600。在一个示例中，上文参考图2进一步详细论述的模型构建器224可生成并更新机器学习模型。所述方法600从包括查询和文档检索的多种来源接收602数据，从所述数据提取604特征，并且基于所提取的特征来生成606机器学习模型。例如，模型构建器224将用户的搜索历史包括到所述模型中。在另一个示例中，在接收到针对查询所返回的一批文档和与每个文档相关联的排名后，模型构建器224构建所述模型来包括所述排名以示出文档与查询之间的相关性。模型构建器224还可生成所述模型来包括用于做出关于用户动作的预测的用户统计资料、用户行为模式数据、一系列权重和乘数。模型构建器224生成机器学习模型并且随时间流逝训练所述模型以理解对话的语义并从实时对话导出含义。随着模型演化，使用所述模型做出建议、行为预测等的效率和准确性得到改善。

所述方法600接收608用户动作，所述用户动作包括对针对实体提供的建议的反应，并且基于所述用户动作来训练610机器学习模型。这可包括基于用户动作和其它相关联数据来生成训练示例，并且基于所述训练示例来训练所述机器学习模型。例如，模型构建器224学习到用户从未使用购买工具购买过对话界面中所提供的任何东西。在另一个示例中，模型构建器224接收关于航班行程建议的评论“I do not like this airline”。模型构建器224将这个否定反应作为信号来训练所述模型。因而，将来可向用户建议不同航线。

图7是用于从第一应用将实体信息馈送到第二应用以生成建议的示例方法的流程图700。所述方法700接收第一应用所托管的对话中的702至少一条对话消息并且确定704对话消息中的实体为可动作的。所述方法700将实体信息馈送706到第二应用，所述实体信息包括第一应用中的所述对话的参与者。接下来，所述方法移动到步骤708，在该处第二应用生成对于用户对所述实体采取动作的建议。例如，如果在对话中提到航班号，则建议生成器230通知第三方服务器向用户提供航班馈送(例如，延误信息)。如果用户在所述对话中提到所述用户喜欢的朋友，则建议生成器230与广告应用通信以使用这个信息来将所述用户作为广告的目标。所述方法700将所述建议提供710给第一应用中的所述对话的参与者。例如，如果用户A在与用户B和用户C的对话中提到天气，则天气服务可在从建议生成器230接收到“weather”的实体信息之后向用户A、B和C发送每小时天气报告。

图8是用于预测对话中的潜在用户回复的示例方法的流程图800。所述方法800接收对话802中的至少一条对话消息并且确定804对话消息中的实体为可动作的。所述方法800接着检测806所述对话中的对于用户的问题，所述问题与所述实体相关，并且确定808对所述问题的潜在用户回复。在一个示例中，下文参考图2进一步详细论述的响应预测器232可检测问题并且确定潜在用户回复。例如，如果响应预测器232学习到30％的时间人们对问题做出响应A并且70％的时间人们对问题做出响应B，则响应预测器232可为将要回答相同问题的用户供应回答B。响应预测器232还基于场境指示符(例如，用户的位置、场境和其它个人信息)来确定潜在回复。例如，给定在先前对话中来自用户A的消息“I hate coffee”和“the tea house on the X streetis the best”，当用户B问用户A“which is yourfavorite place for coffee or tea？”时，响应预测器232可容易地为用户A供应“the teahouse on the X street”的地址作为潜在回答。

所述方法800以单击形式向用户提供810潜在用户回复。例如，当用户A向用户B发送聊天对话时，响应预测器232可为用户B发送单击建议说“I am driving”或甚至发送“Iwill be home in 20minutes”以对用户A做出响应。响应于对所述单击建议的单击选择，可接着将所述建议并入到聊天对话的转录中。当用户B正在飞行并且未开启手机时，响应预测器232仍可基于日历为用户B自动做出响应“I will be available four hours later”。

图9是用于响应于搜索请求而选择性地检索对话和/或对话消息的示例方法的流程图900。所述方法900接收902至少一个对话并且从所述至少一个对话确定904场境指示符。所述方法900基于所述场境指示符来组织906所述至少一个对话并且对所述至少一个对话进行索引908。在一个示例中，上文参考图2进一步详细论述的报告模块234可对所述对话进行组织和进行索引。报告模块234可基于参与者身份、所述对话中提到的实体、对话消息的时间、其它对话内容等来组织所述对话。在一个示例中，报告模块234可以时间降序组织提到位置的对话。报告模块234还可基于对话流来组织所述对话。例如，如果用户说“I willsearch it(我将搜索其)”，则报告模块234可确定对话流中的下一条消息将是用户在搜索框中指定的词并且可以这个次序组织对话。报告模块234还可基于情感和其它场境指示符来对所述对话进行组织和进行索引。

所述方法900接收910针对所述至少一个对话的搜索请求并且基于对所述至少一个对话进行索引来检索912所述至少一个对话的一部分。例如，响应于接收到针对谈论电影的对话的搜索请求，报告模块234基于通过以下组织所述对话而为用户生成报告：搜索关于所述电影的对话内容、根据所述对话的时间线排列对话、使对话中的每条对话消息与用户和时间相关联、突出显示重要实体(例如，电影名称、影剧院名称、演出时间等)并且基于所述索引提供对先前对话的回询。

图10包括示出建议的示例对话界面的图形表示。在所示出的示例中，在Aaron的移动设备屏幕上显示对话界面1000、1050。Aaron从Bob接收到消息1002“Want to eat atPark Chow？(想要去Park Chow吃饭吗？)”。上文参考图1和2描述的建议应用132b确定位置“Park Chow”为可动作的。因此，可为Aaron和Bob生成建议以对所述位置采取动作。在这个示例中，建议应用132b为Aaron和/或Bob生成位置“Park Chow”的地图1004。Aaron和/或Bob可查看地图1004或使用共享按钮1006共享地图1004。在这个场景中，在Aaron发送消息1008“Sure”以对消息1002做出响应之前和之后两次显示地图1004。在不同场景中，只有Aaron肯定回答问题1002——例如，使用消息1008“Sure”来回答，确定引擎228才确定位置“ParkChow”为可动作的。因而，位置建议(例如，地图1004)可仅在Aaron发送消息1008之后显示一次。换言之，位置建议可不被并入到所述对话的转录中，直到Aaron经由与肯定交互元素“Sure”交互来发送所述消息1008。Aaron和Bob可替选地选择“Umm,nope(呃，不要)”选项1010以指示所述地图不是用户想要的建议或者所述地图是错误的或其它否定反应。在那些情形中，可丢弃所述建议而不静态实施到所述对话的转录中。在图10中，整个建议生成过程由建议应用132处理。

图11A是示出对话服务所生成的对话的示例对话界面的图形表示。在用户MelissaG.、Alice Z.、Chris B.之间的持续进行的对话在对话界面1100上显示。用户Melissa G.、Alice Z.、Chris B可在这个非限制性示例中为社交网络的成员。在社交网络中由第一应用(例如，建议应用132)生成并管理所述用户之间的对话会话。可在Melissa的计算机屏幕上显示对话界面1100。在这个示例中，所述用户谈论那晚的计划，Melissa表达对购物的兴趣并且陈述“Dress Factory is good.I am wondering if they have any discount rightnow(Dress Factory很好。我想知道现在他们有没有任何折扣。)”当建议应用132b识别到这条消息中的重要实体是“Dress Factory”和“discount”时，建议应用132b基于这些重要实体来生成建议。然而，代替如在图10中建议应用132b生成建议，建议应用132b将信息“DressFactory”和“discount”馈送到另一个服务(例如，第三方促销服务)以生成建议。

现在参看图11B，其为示出第三方促销服务所生成的建议的示例对话界面的图形表示。在所示出的示例中，在Melissa的移动设备屏幕上显示对话界面1150。对话界面1150包括建议1152“Dress Factory has20％off for dress and jewelry until May 30(在5月30日之前，Dress Factory对衣服和珠宝有20％折扣)”。促销服务在图11A中基于建议应用132b所识别的实体“Dress Factory”和“discount”生成建议1152(例如，在处置所述对话的单独服务器馈送那个信息之后)。在一个示例中，促销服务可在互联网上执行对所述实体的搜索以生成建议1152。建议生成器132b可接收所述建议1152并且接着将所述建议1152提供给图11A中的所述对话的参与者的全部或子集，例如，Melissa G、Alice Z.和/或ChrisB。图11B在Melissa的移动设备屏幕上显示建议1152，其与向Alice或Chris示出的建议相同。

图12是示出单击回复的示例对话界面的图形表示。在所示出的图12中，在Aaron的移动屏幕上显示对话界面1200。响应于从Bob接收到问题1202“when is mom’s flightgoing to land？(妈妈的航班将什么时候着陆？)”，建议应用132b可基于Aaron的先前用户动作(例如，购买历史)来预测来自Aaron的潜在响应，并且为Aaron生成单击回复1204。所述自动回复1004列举航班号、到达时间和航班状态。Aaron因此节省了向Bob输入回答的时间。类似地，当Bob发送另一个问题1206“will you pick her up at the airport？(您将在机场接她吗？)”时，建议应用132b确定这是一个是或否问题，并且生成单击自动回复1008以包括两个选项“yes”或“no”供Aaron选择。

图13是示出对话报告的示例对话界面的图形表示。所述对话界面1300包括搜索框1302，在该处用户可基于参与者名称、话题、时间、其组合等来搜索对话。在图13所示出的示例中，所述用户搜索关于电影“star wars(星球大战)”的对话。响应于来自所述用户的搜索请求，建议应用132b可生成报告。在某些示例中，所述报告可以对用户何时讨论所述话题和所述对话中的其他参与者的摘要1304(例如，Mellissa、Alice和Jenny在星期三的7:10到7:30pm之间讨论了“star wars”)来开始。所述报告还可以时间次序包括来自每个参与者的对话消息。所述报告还可突出显示所述用户所搜索的关键词“star wars”1306。另外，所述报告可突出显示某些实体(例如，演员“AA”1108和“BB”1310)，以使得用户能够检索关于实体的更多信息(例如，档案、照片)。每个突出显示的和识别的实体可与使得用户能够在互联网上针对所述实体执行搜索的超链接相关联。

图14是示出对话摘要的示例对话界面的图形表示。在所示出的示例中，对话界面1400包括建议应用132b为用户生成的对话摘要1402，其概述所述用户在一个星期期间参与的对话。所述对话摘要可包括两个示例性部分1402和1404。在第一部分1402中，所述摘要可包括所述用户在过去一个星期期间参与的对话的数目以及关于所述对话的一些基本信息，例如，日内时间、日期、其他参与者的身份等。第一部分1402还可包括每个对话的详情选项1406，其提供关于每个对话的进一步详情，包括来自每个参与者的对话消息、发送每条消息时的时间等。第二部分1404可包括关于在过去的星期中进行的对话的突出信息，包括例如在对话中所讨论的话题(任选地，描述每个话题在所述对话中的百分比的饼状图1408)、在对话中共享的视/听内容(任选地，用于播放所述内容的链接1410)、在两个对话中共享的照片1412。

图15包括示出建议的并列呈现的示例对话界面的图形表示。在所示出的图15中，在用户的移动屏幕上显示对话界面1500。响应于接收到消息1502“meet up for a meal？”，建议应用132b生成并显示用于“lunch(午饭)”、“dinner(晚饭)”、“brunch(早午饭)”等的选项1504。用户可选择首先向所述用户建议的所述选项1504中的一者并且触发生成第二建议。图15显示响应于接收到如选项1506中所示的用户选择而生成的对话界面1550。在用户在选项1506中选择午饭后，建议应用132b生成并显示午饭营业的某些餐厅。在某些实施方式中，建议应用132b可仅显示在所述对话中的所有参与者的某个距离范围内的那些餐厅。在一些示例中，餐厅信息1508可包括餐厅名称、餐厅类型、评论和价格。

在某些实施方式中，所显示的餐厅信息可为可选择的且可动作的。在一个示例中，用户可选择特定餐厅并且将其向所述对话中的其他参与者显示，例如，作为包括餐厅名称的消息、作为包括餐厅名称和适合所述对话的预填默认词(例如，“let’s meet at…(我们在……见面)”)的消息。在另一个示例中，用户可选择特定餐厅来在互联网上执行针对所述餐厅的搜索，从网站检索商家信息，检索餐厅位置的地图，等等。用户可接着选择向所述对话中的其他参与者显示所检索的信息，例如，通过将餐厅位置的地图插入到对话界面中。

说明书中的对“一些情况”或“实施例”的引用意味着结合所述实施例描述的特定特征、结构或特性包括在所述描述的至少一些情况下。在说明书中的各种地方中出现短语“在一些情况下”不一定全部指代相同实施例。

依据对计算机存储器内的数据位的算法和运算的符号表示呈现所述详细描述的一些部分。这些算法描述和表示是数据处理领域的技术人员用来最有效地将其工作的实质传达给本领域的其他技术人员的方式。此处并且通常将算法构想为导致所需结果的自相一致的步骤序列。所述步骤是需要物理量的物理操纵的操作。通常，虽然不一定，这些量采用能够存储、传送、组合、比较和以其它方式操纵的电信号或磁信号的形式。已经不时地证明将这些信号称为位、值、元素、符号、字符、词项、数字等为便利的，主要出于常见用法的原因。

然而，应当记住所有这些和相似术语应当与适当物理量相关联并且仅仅作为应用于这些量的便利标签。除非如从以下论述显而易见的另外地特殊陈述，否则应当了解，贯穿所述描述，利用诸如“处理”或“计算”或“运算”或“确定”或“显示”等术语的论述是指操纵计算机系统的寄存器和存储器内的被表示为物理(电子)量的数据并且将其变换为类似地表示为计算机系统存储器或寄存器或者其它这样的信息存储、传输或显示设备内的物理量的其它数据的计算机系统或类似电子计算设备的动作和过程。

说明书还涉及一种用于执行本文的操作的装置。这种装置可被专门构造用于所需要的目的，或者其可包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。这样的计算机程序可存储在非暂时性计算机可读存储介质中，诸如但不限于任何类型的磁盘(包括软盘、光盘、CD-ROM和磁盘)、只读存储器(ROM)、随机存取存储器(RAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、磁卡或光卡、包括USB密钥的闪存存储器以及非易失性存储器或适于存储电子指令的任何类型的介质，其各自耦合到计算机系统总线。

说明书可采用完全硬件实施例、完全软件实施例或含有硬件和软件元素两者的实施例的形式。在一些情况下，说明书以软件来实施，其包括但不限于固件、常驻软件、微码等。

此外，所述描述可采用能够从非暂时性计算机可用或计算机可读介质存取的计算机程序产品的形式，其提供程序代码以供计算机或任何指令执行系统使用或结合计算机或任何指令执行系统使用。出于这个描述的目的，非暂时性计算机可用或计算机可读介质可为能够包含、存储、传送、传播或传输所述程序以供指令执行系统、装置或设备使用或结合指令执行系统、装置或设备使用的任何装置。

适合于存储和/或执行程序代码的数据处理系统将包括通过系统总线直接或间接耦合到存储器元素的至少一个处理器。所述存储器元素可包括在程序代码的实际执行期间采用的本地存储器、大容量存储和高速缓存存储器，其提供至少一些程序代码的临时存储以便减少在执行期间必须从大容量存储检索代码的次数。

输入/输出或I/O设备(包括但不限于键盘、显示器、指示设备等)可直接或通过中间I/O控制器耦合到所述系统。

网络适配器还可耦合到所述系统以使得所述数据处理系统能够通过中间的专用或公用网络耦合到其它数据处理系统或远程打印机或社交网络数据存储区。调制解调器、电缆调制解调器和以太网卡仅仅是几种当前可用类型的网络适配器。

最后，本文所呈现的算法和显示不固有地与任何特定计算机或其它装置相关。各种通用系统可与根据本文教示的程序一起使用，或可证明构造较专门的装置以执行所需要的方法步骤是便利的。用于多种这些系统的所需结构将从以下描述呈现。另外，未参考任何特定编程语言描述所述说明书。将了解，多种编程语言可用于实施如本文所述的说明书的教示。

在本文所论述的系统收集关于用户的个人信息或可利用个人信息的情形下，可向用户提供机会来控制程序或特征是否收集用户信息(例如，关于用户的社交网络、社交动作或活动、职业、用户偏好或用户当前位置的信息)或控制是否和/或如何从内容服务器接收可与用户较相关的内容。另外，某些数据可在存储或使用之前以一种或多种方式进行处理，使得移除个人可识别信息。例如，用户的身份可被处理以使得无法针对用户确定个人识别信息，或者可在获得位置信息的情况下泛化用户的地理位置(诸如泛化为城市、邮政编码或州级)，使得无法确定用户的特定位置。因此，用户可对如何收集并且由所述系统的各种组件使用关于用户的信息加以控制。

已经出于说明和描述的目的来呈现对说明书的实施例的前述描述。其不希望是穷举的或将说明书限于所公开的精确形式。鉴于以上教示有可能做出许多修改和变型。希望本公开的范围不受这个具体实施方式限制，而是受本申请的权利要求书限制。如熟悉本领域的技术人员将理解，所述说明书可在不脱离其精神或基本特性的情况下以其它特定形式来体现。同样，所述模块、例程、特征、属性、方法和其它方面的特定命名和划分不是强制或重要的，并且实施所述说明书或其特征的机制可具有不同名称、划分和/或格式。此外，如相关领域的普通技术人员将明白，本公开的模块、例程、特征、属性、方法和其它方面可被实施为软件、硬件、固件或所述三者的任何组合。另外，在说明书的组件(其示例为模块)被实施为软件的任何情况下，所述组件便可被实施作为独立程序，作为较大程序的一部分，作为多个单独程序，作为静态或动态链接库，作为内核可加载模块，作为设备驱动程序，和/或以计算机编程领域的普通技术人员现在或将来知道的每种或任何其它方式来实施。另外，本公开决不限于呈任何特定编程语言或用于任何特定操作系统或环境的实施方式。因此，本公开意图说明而非限制所述说明书的范围，所述范围在所附权利要求书中陈述。

权利要求书(按照条约第19条的修改)

1.一种计算机实现的方法，包括：

使用一个或多个处理器接收由第一用户提交的电子消息以用于在消息交换题绪的转录中显示，

所述电子消息是响应于所述第一用户经由所述第一用户的客户端设备提供的用户界面输入而提交的，以及

所述消息交换题绪是至少在所述第一用户与第二用户之间经由所述第一用户的第一消息交换客户端和所述第二用户的第二消息交换客户端进行的；

使用所述处理器中的一个或多个从所述电子消息识别实体；

使用所述处理器中的一个或多个确定所述实体的场境指示符；

使用所述处理器中的一个或多个基于所述场境指示符来确定所述实体是否为可动作的；以及

响应于确定所述实体为可动作的：

提供针对于所述实体的建议以用于经由所述第一消息交换客户端和所述第二消息交换客户端呈现。

2.根据权利要求1所述的方法，进一步包括：

经由所述第二消息交换客户端接收所述第二用户对所述建议的肯定选择；以及

响应于所述肯定选择，提供基于所述建议的内容以用于经由所述第一消息交换客户端向所述第一用户呈现。

3.根据权利要求2所述的方法，其中，基于所述建议的所述内容是所述内容的基于所述第一用户的位置的第一版本，并且进一步包括：

响应于所述肯定选择，提供所述内容的基于所述第二用户的位置的第二版本以用于经由所述第二消息交换客户端向所述第二用户呈现。

4.根据权利要求1至3中的任一项所述的方法，其中，响应于确定所述实体为可动作的，所述建议被提供以用于呈现而不将所述建议并入到所述消息交换题绪的所述转录中，并且进一步包括：

接收对所述建议的肯定选择；以及

响应于所述肯定选择，将基于所述建议的内容并入到所述消息交换题绪的所述转录中。

5.根据权利要求1至3中的任一项所述的方法，其中，响应于确定所述实体为可动作的，所述建议被提供以用于呈现而不将所述建议并入到所述消息交换题绪的所述转录中，其中，所述建议包括肯定界面元素和否定界面元素，并且进一步包括：

监视对所述肯定界面元素或所述否定界面元素的选择；以及

仅响应于对所述肯定界面元素的选择而将基于所述建议的内容并入到所述消息交换题绪的所述转录中。

6.根据权利要求1至5中的任一项所述的方法，进一步包括：

响应于确定所述实体为可动作的：

将所述实体传输到第三方服务器；以及

响应于传输所述实体而从所述第三方服务器接收所述建议。

7.根据权利要求1至6中的任一项所述的方法，其中，确定所述场境指示符包括：基于涉及所述第一用户和所述第二用户中的至少一个的单独先前消息交换题绪来确定至少一个场境指示符。

8.根据权利要求7所述的方法，其中，所述至少一个场境指示符是基于所述第一用户和所述第二用户中的至少一个在所述先前消息交换题绪的一条或多条先前消息中表达的情感。

9.根据权利要求8所述的方法，其中，所述情感是针对于所述实体，并且其中，确定所述至少一个场境指示符包括：基于所述情感是针对所述实体来确定所述至少一个场境指示符。

10.根据权利要求1至6中的任一项所述的方法，其中，确定所述场境指示符包括：基于执行对所述第一用户或所述第二用户的先前消息的情感分析来确定至少一个场境指示符，所述先前消息是在所述消息交换题绪或先前消息交换题绪中。

11.根据权利要求9所述的方法，其中，执行所述情感分析是至少部分地基于所述先前消息中所包括的非文本图形元素。

12.根据权利要求11所述的方法，其中，所述先前消息是在所述先前消息交换题绪中，并且其中，所述至少一个场境指示符是基于所述情感是针对所述先前消息中的所述实体来选择的。

13.根据权利要求1至12中的任一项所述的方法，其中，所述场境指示符是基于所述第一用户的先前消息，所述先前消息是由所述第一用户在不涉及所述第二用户的先前消息交换题绪中提交的。

14.根据权利要求1至13中的任一项所述的方法，进一步包括：基于机器学习模型来对所述至少一条电子消息执行自然语言分析，并且其中，从所述电子消息识别是可动作的所述实体以及确定所述实体的所述场境指示符是基于所述自然语言分析。

15.根据权利要求1至14中的任一项所述的方法，进一步包括：

追踪来自所述消息交换题绪的每个参与者的对话流以创建追踪信息；以及

基于所述追踪信息来生成所述场境指示符。

16.根据权利要求1至15中的任一项所述的方法，进一步包括：

使用经过训练的机器学习模型和所述场境指示符来确定所述建议。

17.根据权利要求16所述的方法，进一步包括：

接收对针对所述实体提供的所述建议的用户反应；

生成训练示例，其中，训练示例输入是基于所述场境指示符并且其中训练示例输出是基于所述用户反应；以及

在基于所述训练示例进一步训练所述经过训练的机器学习模型的基础上，修正所述经过训练的机器学习模型。

18.根据权利要求1至17中的任一项所述的方法，进一步包括：

在计算机可读介质中基于所述场境指示符来对所述消息交换题绪进行索引。

19.一种包括非暂时性计算机可用介质的计算机程序产品，所述非暂时性计算机可用介质包括计算机可读程序，其中，所述计算机可读程序当在计算机上执行时使所述计算机：

接收由第一用户提交的电子消息以用于在消息交换题绪的转录中显示，

所述电子消息是响应于所述第一用户经由所述第一用户的客户端设备提供的用户界面输入而提交的，以及

所述消息交换题绪是至少在所述第一用户与第二用户之间经由所述第一用户的第一消息交换客户端和所述第二用户的第二消息交换客户端进行的；

从所述电子消息识别实体；

确定所述实体的场境指示符，其中，所述实体的所述场境指示符包括基于所述第一用户的先前消息的至少一个场境指示符，所述先前消息是由所述第一用户在不涉及所述第二用户的先前消息交换题绪中提交的；

基于所述场境指示符来确定所述实体是否为可动作的；以及

响应于确定所述实体为可动作的：

提供针对于所述实体的建议以用于经由所述第二消息交换客户端呈现。

20.一种系统，包括：

一个或多个处理器；以及

存储器，存储指令，所述指令在被执行时使所述系统：

接收由第一用户提交的电子消息以用于在消息交换题绪的转录中显示，

所述电子消息是响应于所述第一用户经由所述第一用户的客户端设备提供的用户界面输入而提交的，以及

所述消息交换题绪是至少在所述第一用户与第二用户之间经由所述第一用户的第一消息交换客户端和所述第二用户的第二消息交换客户端进行的；

从所述电子消息识别实体；

确定所述实体的场境指示符；

基于所述场境指示符来确定所述实体是否为可动作的；以及

响应于确定所述实体为可动作的：

提供针对于所述实体的建议以用于经由所述第一消息交换客户端和所述第二消息交换客户端中的至少一个呈现，其中，所述建议仅在确定所述实体为可动作时提供。

Claims (20)

1.一种计算机实现的方法，包括：

使用一个或多个处理器接收由第一用户提交的电子消息以用于在消息交换题绪的转录中显示，

所述电子消息是响应于所述第一用户经由所述第一用户的客户端设备提供的用户界面输入而提交的，以及

所述消息交换题绪是至少在所述第一用户与第二用户之间经由所述第一用户的第一消息交换客户端和所述第二用户的第二消息交换客户端进行的；

使用所述处理器中的一个或多个从所述电子消息识别实体；

使用所述处理器中的一个或多个确定所述实体的场境指示符；

使用所述处理器中的一个或多个基于所述场境指示符来确定所述实体是否为可动作的；以及

响应于确定所述实体为可动作的：

提供针对于所述实体的建议以用于经由所述第一消息交换客户端和所述第二消息交换客户端中的至少一个呈现。

2.根据权利要求1所述的方法，其中，响应于确定所述实体为可动作的，所述建议被提供以用于经由所述第二消息交换客户端向所述第二用户呈现，而不被提供给所述第一用户，并且进一步包括：

经由所述第二消息交换客户端接收所述第二用户对所述建议的肯定选择；以及

响应于所述肯定选择，提供基于所述建议的内容以用于经由所述第一消息交换客户端向所述第一用户呈现。

3.根据权利要求2所述的方法，其中，基于所述建议的所述内容是所述建议本身。

4.根据权利要求1至3中的任一项所述的方法，其中，响应于确定所述实体为可动作的，所述建议被提供以用于呈现而不将所述建议并入到所述消息交换题绪的所述转录中，并且所述方法进一步包括：

接收对所述建议的肯定选择；以及

响应于所述肯定选择，将基于所述建议的内容并入到所述消息交换题绪的所述转录中。

5.根据权利要求1至3中的任一项所述的方法，其中，响应于确定所述实体为可动作的，所述建议被提供以用于呈现而不将所述建议并入到所述消息交换题绪的所述转录中，其中，所述建议包括肯定界面元素和否定界面元素，并且进一步包括：

监视对所述肯定界面元素或所述否定界面元素的选择；以及

仅响应于对所述肯定界面元素的选择而将基于所述建议的内容并入到所述消息交换题绪的所述转录中。

6.根据权利要求1至5中的任一项所述的方法，进一步包括：

响应于确定所述实体为可动作的：

将所述实体传输到第三方服务器；以及

响应于传输所述实体而从所述第三方服务器接收所述建议。

7.根据权利要求1至6中的任一项所述的方法，其中，确定所述场境指示符包括：基于涉及所述第一用户和所述第二用户中的至少一个的单独先前消息交换题绪来确定至少一个场境指示符。

8.根据权利要求7所述的方法，其中，所述至少一个场境指示符是基于所述第一用户和所述第二用户中的至少一个在所述先前消息交换题绪的一条或多条先前消息中表达的情感。

9.根据权利要求8所述的方法，其中，所述情感是针对于所述实体，并且其中，确定所述至少一个场境指示符包括：基于针对于所述实体的所述情感来确定所述至少一个场境指示符。

10.根据权利要求1至6中的任一项所述的方法，其中，确定所述场境指示符包括：基于执行对所述第一用户或所述第二用户的先前消息的情感分析来确定至少一个场境指示符，所述先前消息是在所述消息交换题绪或先前消息交换题绪中。

11.根据权利要求9所述的方法，其中，执行所述情感分析是至少部分地基于所述先前消息中所包括的非文本图形元素。

12.根据权利要求11所述的方法，其中，所述先前消息是在所述先前消息交换题绪中，并且其中，所述至少一个场境指示符是基于所述情感是针对所述先前消息中的所述实体来选择的。

13.根据权利要求1至12中的任一项所述的方法，其中，所述建议被提供以用于向所述第二用户呈现，并且其中，所述场境指示符是基于所述第一用户的先前消息，所述先前消息是由所述第一用户在不涉及所述第二用户的先前消息交换题绪中提交的。

14.根据权利要求1至13中的任一项所述的方法，进一步包括：基于机器学习模型来对所述至少一条电子消息执行自然语言分析，并且其中，从所述电子消息识别可动作的所述实体以及确定所述实体的所述场境指示符是基于所述自然语言分析。

15.根据权利要求1至14中的任一项所述的方法，进一步包括：

追踪来自所述消息交换题绪的每个参与者的对话流以创建追踪信息；以及

基于所述追踪信息来生成所述场境指示符。

16.根据权利要求1至15中的任一项所述的方法，进一步包括：

使用经过训练的机器学习模型和所述场境指示符来确定所述建议。

17.根据权利要求16所述的方法，进一步包括：

接收对针对所述实体提供的所述建议的用户反应；

生成训练示例，其中，训练示例输入是基于所述场境指示符并且其中训练示例输出是基于所述用户反应；以及

在基于所述训练示例进一步训练经训练的机器学习模型的基础上修正所述经训练的机器学习模型。

18.根据权利要求1至17中的任一项所述的方法，进一步包括：

在计算机可读介质中基于所述场境指示符来对所述消息交换题绪进行索引。

19.一种包括非暂时性计算机可用介质的计算机程序产品，所述非暂时性计算机可用介质包括计算机可读程序，其中，所述计算机可读程序当在计算机上执行时使所述计算机：

接收由第一用户提交的电子消息以用于在消息交换题绪的转录中显示，

所述电子消息是响应于所述第一用户经由所述第一用户的客户端设备提供的用户界面输入而提交的，以及

所述消息交换题绪是至少在所述第一用户与第二用户之间经由所述第一用户的第一消息交换客户端和所述第二用户的第二消息交换客户端进行的；

从所述电子消息识别实体；

确定所述实体的场境指示符；

基于所述场境指示符来确定所述实体是否为可动作的；以及

响应于确定所述实体为可动作的：

提供针对于所述实体的建议以用于经由所述第一消息交换客户端和所述第二消息交换客户端中的至少一个呈现。

20.一种系统，包括：

一个或多个处理器；以及

存储器，存储指令，所述指令在被执行时使所述系统：

接收由第一用户提交的电子消息以用于在消息交换题绪的转录中显示，

所述电子消息是响应于所述第一用户经由所述第一用户的客户端设备提供的用户界面输入而提交的，以及

所述消息交换题绪是至少在所述第一用户与第二用户之间经由所述第一用户的第一消息交换客户端和所述第二用户的第二消息交换客户端进行的；

从所述电子消息识别实体；

确定所述实体的场境指示符；

基于所述场境指示符来确定所述实体是否为可动作的；以及

响应于确定所述实体为可动作的：

提供针对于所述实体的建议以用于经由所述第一消息交换客户端和所述第二消息交换客户端中的至少一个呈现。