CN108829863B - 信息预测方法、装置、存储介质及终端 - Google Patents
信息预测方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN108829863B CN108829863B CN201810653128.6A CN201810653128A CN108829863B CN 108829863 B CN108829863 B CN 108829863B CN 201810653128 A CN201810653128 A CN 201810653128A CN 108829863 B CN108829863 B CN 108829863B
- Authority
- CN
- China
- Prior art keywords
- information
- red packet
- packet information
- red
- text interaction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003993 interaction Effects 0.000 claims abstract description 148
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000010801 machine learning Methods 0.000 claims abstract description 34
- 230000002452 interceptive effect Effects 0.000 claims description 63
- 230000015654 memory Effects 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000002609 medium Substances 0.000 description 12
- 230000014509 gene expression Effects 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
- G06Q20/105—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems involving programming of a portable memory device, e.g. IC cards, "electronic purses"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- User Interface Of Digital Computer (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例公开了信息预测方法、装置、存储介质及终端。该信息预测方法包括:基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型;获取预设应用程序对应的当前文本交互信息;将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息。本申请实施例通过采用上述技术方案,可以通过预先训练的红包信息预测模型,可以准确、快速地预测出是否即将出现红包信息,从而有利于进一步提高抢红包的速度。
Description
技术领域
本申请实施例涉及通信技术领域,尤其涉及信息预测方法、装置、存储介质及终端。
背景技术
目前,诸如智能手机、平板电脑以及笔记本电脑等终端已成为人们日常生活中必不可少的电子设备。随着终端设备不断地智能化,多数终端设备中都装载有操作系统,使得终端设备能够安装丰富多样的应用程序,满足用户不同的需求。
随着移动互联网以及移动支付的快速发展和普及,终端设备中越来越多的应用程序开发了电子红包功能,尤其是在QQ、微信等即时通讯聊天的社交应用。用户可以在用户群以及其他多用户交互的场景中共同获取红包信息,然后点击红包信息来获取红包。然而,领取红包的速度直接影响用户领取红包的结果,而领取红包的结果直接影响用户体验。
发明内容
本申请实施例提供信息预测方法、装置、存储介质及终端,可以准确、快速地预测出是否即将出现红包信息。
第一方面,本申请实施例提供了一种信息预测方法,包括:
基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型;
获取预设应用程序对应的当前文本交互信息;
将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息。
第二方面,本申请实施例提供了一种信息预测装置,包括:
模型生成模块,用于基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型;
交互信息获取模块,用于获取预设应用程序对应的当前文本交互信息;
红包信息预测模块,用于将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例第一方面所述的信息预测方法。
第四方面,本申请实施例提供了一种终端,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例第一方面所述的信息预测方法。
本申请实施例中提供的信息预测方案,基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型,获取预设应用程序对应的当前文本交互信息,并将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息。通过采用上述技术方案,可以通过预先训练的红包信息预测模型,可以准确、快速地预测出是否即将出现红包信息,从而有利于进一步提高抢红包的速度。
附图说明
图1为本申请实施例提供的一种信息预测方法的流程示意图;
图2为本申请实施例提供的另一种信息预测方法的流程示意图;
图3为本申请实施例提供的又一种信息预测方法的流程示意图;
图4为本申请实施例提供的一种信息预测装置的结构示意图;
图5为本申请实施例提供的一种终端的结构示意图;
图6为本申请实施例提供的另一种终端的结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本申请的技术方案。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1为本申请实施例提供的信息预测方法的流程示意图,该方法可以由信息预测装置执行,其中该装置可由软件和/或硬件实现,一般可集成在终端中。如图1所示,该方法包括:
步骤101、基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型。
示例性的,本申请实施例中的终端可包括手机、平板电脑、笔记本电脑以及智能家电等终端设备。终端中装载有操作系统。
在本申请实施例中,预设机器学习模型可以包括循环神经网络模型(Recurrentneural networks,RNN)、长短期记忆(Long Short-Term Memory,LSTM)网络、门限循环单元及简单循环单元等机器学习模型中的任意一种。红包信息预测模型可以是基于不同的文本交互信息样本对预设机器学习模型进行训练生成的。其中,不同的文本交互信息样本可以包括获取的不同用户群体的不同群组的聊天记录,并从所述聊天记录中提取的文本交互信息。可以理解的是,不同群组的聊天记录,也即群信息对应的信息内容可以包括图片,表情、文本、网址及红包信息,因此,从不同群组的聊天记录中提取只包含文本信息的文本交互信息作为文本交互信息样本。示例性的,收集500个用户的微信聊天记录中的文本交互信息2万份,并将这2万份文本交互信息作为训练红包信息预测模型的文本交互信息样本。红包信息预测模型可以是对即将出现红包信息对应的文本交互信息样本呈现的规律生成的,例如,出现红包信息对应的文本交互信息中会出现大于预设数量(如N)个“红”关键字。可以理解的是,红包信息出现前的文本交互信息与没有红包信息对应的文本交互信息呈现的特征规律不同,因此,可将不同的文本交互信息样本作为训练样本集,对该训练样本集进行学习,生成红包信息预测模型。其中,红包信息预测模型可以理解为在输入文本交互信息后,可快速预测出是否即将出现红包信息的学习模型。
需要说明的是,可以是在终端侧对不同的文本交互信息样本进行训练,生成红包信息预测模型,也可以在服务器侧对不同的文本交互信息样本进行训练,生成红包信息预测模型。当红包信息预测模型是在服务器侧训练生成时,终端可以直接从服务器侧调用训练好的红包信息预测模型。
步骤102、获取预设应用程序对应的当前文本交互信息。
在本申请实施例中,预设应用程序可以包括终端中已安装的选定的某一类型或具备某一功能的应用。例如,预设应用程序可以包括微信、支付宝及QQ等具有抢/发电子红包功能的APP。在预设应用程序中包含有大量的群组,在各个群组中会存在大量的各式各样的信息,也即群信息,其中,群信息对应的信息内容可以包括图片信息,表情信息、文本信息、网址信息及红包信息。预设应用程序对应的当前文本交互信息可以理解为从预设应用程序对应的当前群信息中提取的只包含文本信息的文本交互信息。其中,当前文本交互信息可以只包含刚刚接收到的一条文本信息,也可以包含预设数量的文本交互信息,还可以包括从当前时刻向前追溯预设时长的文本交互信息,当然,还可以包括预设应用程序对应的所有的文本交互信息。甚至,当前文本交互信息还可以为空,即当预设应用程序对应的群信息中不包含文本信息,如群信息只涉及表情信息或图片信息时,获取的当前交互信息为空;又如,当预设应用程序对应的群组中还没开始进行群信息交互时,预设应用程序对应的当前文本交互信息也为空。需要说明的是,本申请实施例对当前文本交互信息包含的具体文本信息的数量不做限定。
可选的,获取预设应用程序对应的当前文本交互信息,可以包括:当检测到红包信息预测事件被触发时,获取预设应用程序对应的当前文本交互信息。示例性的,红包信息预测事件的触发条件可以根据实际情况设置,本申请实施例不作具体限定。例如,可以在检测到用户的动作满足预设条件(如进入终端的中预设应用程序、用户输入预设滑动手势,如用户输入“$”标识符等)时,触发红包信息预测事件;或者可以在检测到用户触发某一物理按键时,触发红包信息预测事件。当红包信息预测事件被触发后,系统可以通过读取标志位或接收触发指令等方式检测到红包信息预测事件已被触发,具体的检测方式本申请实施例也不做限定。
步骤103、将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息。
在本申请实施例中,将步骤102获取的预设应用程序对应的当前文本交互信息输入至红包信息预测模型中,以预测是否即将出现红包信息。可以理解的是,将当前文本交互信息输入至红包信息预测模型后,红包信息预测模型对当前文本交互信息进行分析,并根据分析结果预测是否即将出现红包信息。示例性的,当红包信息预测模型的输出结果为“0”时,则确定不会即将出现红包信息;当红包信息预测模型的输出结果为“1”时,则确定即将出现红包信息。或者,当红包信息预测模型的输出结果为“1”时,则确定不会即将出现红包信息;当红包信息预测模型的输出结果为“0”时,则确定即将出现红包信息。当然,也可以为当红包信息预测模型的输出结果为“否”时,则确定不会即将出现红包信息;当红包信息预测模型的输出结果为“是”时,则确定即将出现红包信息。本申请实施例对红包信息预测模型输出结果的表现形式不做限定。
本申请实施例中提供的信息预测方法,基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型,获取预设应用程序对应的当前文本交互信息,并将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息。通过采用上述技术方案,可以通过预先训练的红包信息预测模型,可以准确、快速地预测出是否即将出现红包信息,从而有利于进一步提高抢红包的速度。
在一些实施例中,所述不同的文本交互信息样本包括:第一文本交互信息样本和第二文本交互信息样本,所述第一文本交互信息样本包括以红包信息出现时刻为起始时刻向前追溯预设时长的文本交互信息,所述第二文本交互信息样本包括无红包信息的交互记录中所述预设时长的文本交互信息;基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型,包括:基于第一样本标记对第一文本交互信息样本进行标记,并基于第二样本标记对第二文本交互信息样本进行标记,得到训练样本集;基于所述训练样本集对预设机器学习模型进行训练,生成红包信息预测模型。这样设置的好处在于,可以丰富红包信息预测模型的训练样本集,并基于不同的样本标记对第一文本交互信息样本和第二文本交互信息样本进行标记,可以有效提高红包信息预测模型训练的精度,及对是否即将出现红包信息的预测的准确性。
在本申请实施例中,将以红包信息出现时刻为起始时刻向前追溯预设时长的文本交互信息作为第一文本交互信息样本,将无红包信息的交互记录中预设时长的文本交互信息作为第二文本交互信息样本。示例性的,收集500个用户的微信聊天记录2万份,对于这2万份微信聊天记录,对于存在红包信息的聊天记录,提取红包信息出现前的20分钟内的文本交互信息作为第一文本交互信息样本,而对于无红包信息的聊天记录,提取任意20分钟内的文本交互信息作为第二文本交互信息样本。其中,这2万条文本交互信息样本中可以包含1万条第一文本交互信息样本和1万条第二文本交互信息样本;也可以包含1.5万条第一文本交互信息样本和0.5万条第二文本交互信息样本。需要说明的是,本申请实施例对第一文本交互信息样本和第二文本交互信息样本的具体数量不做限定。
示例性的,将“1”作为第一样本标记,即用“1”对第一文本交互信息样本进行标记,也即将第一文本交互信息样本标记为“1”;将“0”作为第二样本标记,即用“0”对第二文本交互信息样本进行标记,也即将第二文本交互信息样本标记为“0”。可选的,也可以将“0”作为第一样本标记,即用“0”对第一文本交互信息样本进行标记,也即将第一文本交互信息样本标记为“0”;将“1”作为第二样本标记,即用“1”对第二文本交互信息样本进行标记,也即将第二文本交互信息样本标记为“1”。需要说明的是,本申请实施例对第一样本标记及第二样本标记的具体表现形式不作限定。可以理解的是,将标记后的第一文本交互信息样本和标记后的第二文本交互信息样本作为训练样本集,利用该训练样本集对预设机器学习模型进行训练,生成红包信息预测模型。
在一些实施例中,基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型,包括:基于分词算法对不同的文本交互信息样本进行分词,并基于词向量模型将分词后的文本交互信息样本转换为词向量序列;基于所述词向量序列对所述预设机器学习模型进行训练,生成红包信息预测模型。这样设置的好处在于,可以有效降低红包信息预测模型训练过程中的处理的数据量,能够大大提高红包信息预测模型的训练速度。
在本申请实施例中,不同的文本交互信息样本中包含有若干个长短不一的句子,为了便于分析句子之间的特征规律,通常需要对不同的文本交互信息样本进行分词,即将长短不一的句子分词若干个字或词语。其中,分词算法可以包括基于字符串匹配的分词算法、基于理解的分词算法以及基于统计的分词算法。需要说明的是,本申请实施例对具体的分词算法不做限定。基于分词算法对不同的文本交互信息样本进行分词后,基于词向量模型将分词后的文本交互信息样本转换为词向量序列。其中,词向量模型又可以称为word2vec算法,其中,word2vec算法可以包括CBoW模型和Skip-gram模型。通过分词算法和词向量模型可以将文本交互信息样本转换为用独热码(One-Hot Encoder)表示的稠密向量,也即词向量序列。其中,词向量序列不仅可以表示出文本交互信息间的独立性,还可以表征出文本交互信息间的关联性。将不同文本交互信息样本对应的词向量序列作为训练样本集,并基于该词向量序列对预设机器学习模型进行训练,生成红包信息预测模型。
在一些实施例中,在预测是否即将出现红包信息之后,还包括:当预测出即将出现红包信息时,通过预设方式对用户进行提示,和/或对系统资源进行优化以提升所述系统资源对红包信息的响应速度。这样设置的好处在于,可以有效提高抢红包的速度,进一步提升用户体验。
在本申请实施例中,当预测出即将出现红包信息时,可以通过预设方式对用户进行提示,和/或对系统资源进行优化以提升所述系统资源对所述红包信息的响应速度。示例性的,通过预设方式对用户进行提示,可以包括:将所述红包信息对应的交互界面显示为预设颜色;或者,通过语音播报的形式对用户进行提示;或者,在预设窗口以文字的形式对用户进行提示。这样可以及时提醒用户即将出现红包信息,使用户做好抢红包的准备,提高用户抢中红包的概率。当然,还可以将终端设置为预设的震动方式来提醒用户,尤其是针对用户走神或忙于其他事务时的情形,可以有效避免用户错失红包的情况发生。示例性的,对系统资源进行优化可以包括:提升CPU或GPU对应的性能参数,其中,所述性能参数包括核心数及运行频率;或者,提升网络资源对应的运行速度。这样可以有效缩短用户抢红包的操作时间,提高终端对红包信息的处理速度,可以有效提升用户抢中红包的概率。
在一些实施例中,当预测出即将出现红包信息时,对系统资源进行优化以提升所述系统资源对红包信息的响应速度,包括:当预测出即将出现红包信息时,获取红包信息预测时刻对应的时间信息;当所述时间信息满足预设时间条件时,对系统资源进行优化以提升所述系统资源对所述红包信息的响应速度。可以理解的是,如果每当预测出即将出现红包信息时,就对系统资源进行优化,这样虽然可以提升抢中红包的概率,同时,也会大大增加终端的功耗,影响用户对终端正常使用时长。尤其是,在日常生活中,即使有红包信息,红包信息对应的红包金额也较小,会严重影响用户体验。因此,当预测出即将出现红包信息时,获取红包信息预测时刻对应的时间信息,当时间信息满足预设条件时,对系统资源进行优化。其中,时间信息可以以时间戳的形式体现,可以包括具体的时间点信息,还可以包括具体的日期类别,如具体的年月日,具体是否为工作日或是节假日。例如,当确定群信息接收时刻为节假日,如除夕时,可以对系统资源进行优化以提升所述系统资源对红包信息的响应速度。可以理解的是,一般在节假日和一些特殊的日期,经常会出现收发红包的高峰期,而且红包金额通常较大,如在除夕0点,此时,对系统资源进行优化,可以大大提升用户体验。这样设置的好处在于,可以有针对性的系统资源进行优化,既可以提升用户抢中红包的概率,又可以适当降低终端功耗,提升用户体验。
可选的,在对系统资源进行优化之后,还包括:在以红包信息预测时刻为起始时刻的预设时长之后,将系统资源恢复至优化前的状态。这样可以有效降低终端功耗。
在一些实施例中,在将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息之后,还包括:若预测出即将出现红包信息,则当接收到所述预设应用程序对应的群信息时,获取群信息对应的交互界面图像;将所述群信息对应的交互界面图像输入至红包信息判断模型中,确定所述群信息是否为红包信息;其中,所述红包信息判断模型基于对不同群信息对应的交互界面图像进行训练生成。这样设置的好处在于,当接收到新的群信息时,可再次通过红包信息判断模型进一步确认该群信息是否为红包信息,既可以验证红包信息预测模型对红包信息预测的是否准确,还可以进一步提高新接收的群信息为红包信息时,红包信息的响应速度及用户抢中红包的概率。
在本申请实施例中,若预测出即将出现红包信息,则当接收到预设应用程序对应的群信息时,对群信息对应的交互界面进行截图,将截图获取的图像作为群信息对应的交互界面图像。其中,所述群信息对应的交互界面图像中可以仅包括当前这一条新接收的群信息,也可以包括所述当前接收的群信息及在当前接收的这条群信息之前的交互信息,交互信息可以包括图片信息、表情信息、文字信息、网址信息及红包信息中的至少一个。并将获取的群信息对应的交互界面图像输入至红包信息判断模型中,以确定所述群信息是否为红包信息。可以理解的是,将群信对应的交互界面图像输入至红包信息判断模型后,红包信息判断模型对群信息对应的交互界面图像进行分析,根据分析结果确定所述群信息是否为红包信息。示例性的,当红包信息判断模型的输出结果为“0”时,则确定所述群信息不是红包信息;当红包信息判断模型的输出结果为“1”时,则确定所述群信息为红包信息。或者,当红包信息判断模型的输出结果为“1”时,则确定所述群信息不是红包信息;当红包信息判断模型的输出结果为“0”时,则确定所述群信息为红包信息。当然,也可以为当红包信息判断模型的输出结果为“否”时,则确定所述群信息不是红包信息;当红包信息判断模型的输出结果为“是”时,则确定所述群信息为红包信息。本申请实施例对红包信息判断模型输出结果的表现形式不做限定。
其中,红包信息判断模型可以是基于不同群信息对应的交互界面图像对预设机器学习模型进行训练生成的。其中,群信息对应的交互界面图像可以包括对群信息所对应的界面进行截图所得到的图像。群信息对应的信息内容可以包括图片,表情、文字、网址及红包信息,因此,群信息对应的交互界面图像中可以包括图片、表情、文字、网址及红包信息中的至少一个。可以理解的是,群信息不同,群信息对应的交互界面图像也不同。红包信息判断模型可以是对红包信息在群信息对应的交互界面图像中呈现的规律生成的,可以理解的是,红包信息前后的群信息内容不同,红包信息在交互界面图像中的位置不同,交互界面图像呈现的规律不同,因此,可将不同群信息对应的交互界面图像作为训练样本集,对该训练样本集进行学习,生成红包信息判断模型。其中,红包信息判断模型可以理解为在输入群信息对应的交互界面图像后,可快速判断群信是否为红包信息的学习模型。在本申请实施例中,红包信息判断模型对应的预设机器学习模型可以包括卷积神经网络模型、决策树模型及随机森林模型等机器学习模型中的任意一种,本申请实施例对此不作限定。
在一些实施例中,在预测是否即将出现红包信息之后,还包括:监测在预测出是否即将出现红包信息之后的预设时间段内是否出现红包信息;将所述监测结果对应的文本交互信息发送至所述红包信息预测模型进行训练。可以理解的是,监测在预测出即将出现红包信息之后的预设时间段内,如5分钟内,是否出现红包信息。若监测到预测出即将出现红包信息之后的预设时间段内确实出现了红包信息,表示红包信息预测模型的预测结果正确,可以将监测结果标记为“1”;相反的,若监测到预测出即将出现红包信息之后的预设时间段内未出现红包信息,表示红包信息预测模型的预测结果错误,可以将监测结果标记为“0”。将监测结果对应的文本交互信息作为一文本交互信息样本,输入至红包信息预测模型进行训练,此时,可将监测结果作为样本标记,对红包信息预测模型的网络参数进行调整。这样设置的好处在于,通过对预测出是否即将出现红包信息之后的预设时间段内是否出现红包信息进行监测,并监测结果对应的文本交互信息发送至红包信息预测模型进行训练,可以根据是否出现红包信息的真实的监测结果对应的文本交互信息调整红包信息预测模型的网络参数,能够及时降低对即将出现红包信息进行错误预测的情况发生的概率。
图2为本申请实施例提供的信息预测方法的流程示意图。如图2所示,该方法包括:
步骤201、获取第一文本交互信息样本和第二文本交互信息样本。
其中,第一文本交互信息样本包括以红包信息出现时刻为起始时刻向前追溯预设时长的文本交互信息,第二文本交互信息样本包括无红包信息的交互记录中预设时长的文本交互信息。
步骤202、基于第一样本标记对第一文本交互信息样本进行标记,并基于第二样本标记对第二文本交互信息样本进行标记,得到训练样本集。
步骤203、基于训练样本集对预设机器学习模型进行训练,生成红包信息预测模型。
步骤204、获取预设应用程序对应的当前文本交互信息。
步骤205、将当前文本交互信息输入至红包信息预测模型中,预测是否即将出现红包信息。
步骤206、当预测出即将出现红包信息时,通过预设方式对用户进行提示,并获取红包信息预测时刻对应的时间信息。
步骤207、当时间信息满足预设时间条件时,对系统资源进行优化以提升系统资源对红包信息的响应速度。
步骤208、监测在预测出是否即将出现红包信息之后的预设时间段内是否出现红包信息。
步骤209、将监测结果对应的文本交互信息发送至红包信息预测模型进行训练。
本申请实施例提供的信息预测方法,基于第一样本标记对第一文本交互信息样本进行标记,并基于第二样本标记对第二文本交互信息样本进行标记,得到训练样本集,并基于训练样本集对预设机器学习模型进行训练,生成红包信息预测模型,将获取的预设应用程序对应的当前文本交互信息输入至红包信息预测模型中,预测是否即将出现红包信息,可以准确、快速地预测出是否即将出现红包信息。并在预测出即将出现红包信息时,通过预设方式对用户进行提示,并在红包信息预测时刻对应的时间信息满足预设时间条件时,对系统资源进行优化以提升系统资源对红包信息的响应速度,可以大大提高用户抢中红包的概率,提升用户体验。
图3为本申请实施例提供的信息预测方法的流程示意图。如图3所示,该方法包括:
步骤301、基于分词算法对不同的文本交互信息样本进行分词,并基于词向量模型将分词后的文本交互信息样本转换为词向量序列。
步骤302、基于词向量序列对预设机器学习模型进行训练,生成红包信息预测模型。
步骤303、当检测到红包信息预测事件被触发时,获取预设应用程序对应的当前文本交互信息。
步骤304、将当前文本交互信息输入至红包信息预测模型中,预测是否即将出现红包信息。
步骤305、若预测出即将出现红包信息,则当接收到预设应用程序对应的群信息时,获取群信息对应的交互界面图像。
步骤306、将群信息对应的交互界面图像输入至红包信息判断模型中,确定群信息是否为红包信息。
其中,红包信息判断模型基于对不同群信息对应的交互界面图像进行训练生成。
步骤307、当确定群信息为红包信息时,通过预设方式对用户进行提示,并获取群信息接收时刻对应的时间信息。
步骤308、当时间信息满足预设时间条件时,对系统资源进行优化以提升系统资源对红包信息的响应速度。
本申请实施例提供的信息预测方法,基于分词算法对不同的文本交互信息样本进行分词,并基于词向量模型将分词后的文本交互信息样本转换为词向量序列,并基于词向量序列对预设机器学习模型进行训练,生成红包信息预测模型,可以有效降低红包信息预测模型训练过程中的处理的数据量,能够大大提高红包信息预测模型的训练速度。若预测出即将出现红包信息,则当接收到预设应用程序对应的群信息时,则将群信息对应的交互界面图像输入至红包信息判断模型中,确定群信息是否为红包信息;其中,红包信息判断模型基于对不同群信息对应的交互界面图像进行训练生成,这样能够当接收到新的群信息时,再次通过红包信息判断模型进一步确认该群信息是否为红包信息,既可以验证红包信息预测模型对红包信息预测的是否准确,还可以进一步提高新接收的群信息为红包信息时,红包信息的响应速度及用户抢中红包的概率。
图4为本申请实施例提供的一种信息预测装置的结构示意图,该装置可由软件和/或硬件实现,一般集成在终端中,可通过执行信息预测方法来对是否即将出现红包信息进行预测。如图4所示,该装置包括:
模型生成模块401,用于基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型;
交互信息获取模块402,用于获取预设应用程序对应的当前文本交互信息;
红包信息预测模块403,用于将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息。
本申请实施例中提供的信息预测装置,基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型,获取预设应用程序对应的当前文本交互信息,并将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息。通过采用上述技术方案,可以通过预先训练的红包信息预测模型,可以准确、快速地预测出是否即将出现红包信息,从而有利于进一步提高抢红包的速度。
可选的,所述不同的文本交互信息样本包括:第一文本交互信息样本和第二文本交互信息样本,所述第一文本交互信息样本包括以红包信息出现时刻为起始时刻向前追溯预设时长的文本交互信息,所述第二文本交互信息样本包括无红包信息的交互记录中所述预设时长的文本交互信息;
所述模型生成模块,用于:
基于第一样本标记对第一文本交互信息样本进行标记,并基于第二样本标记对第二文本交互信息样本进行标记,得到训练样本集;
基于所述训练样本集对预设机器学习模型进行训练,生成红包信息预测模型。
可选的,所述模型生成模块,用于:
基于分词算法对不同的文本交互信息样本进行分词,并基于词向量模型将分词后的文本交互信息样本转换为词向量序列;
基于所述词向量序列对所述预设机器学习模型进行训练,生成红包信息预测模型。
可选的,该装置还包括:
优化模块,用于在预测是否即将出现红包信息之后,当预测出即将出现红包信息时,通过预设方式对用户进行提示,和/或对系统资源进行优化以提升所述系统资源对红包信息的响应速度。
可选的,当预测出即将出现红包信息时,对系统资源进行优化以提升所述系统资源对红包信息的响应速度,包括:
当预测出即将出现红包信息时,获取红包信息预测时刻对应的时间信息;
当所述时间信息满足预设时间条件时,对系统资源进行优化以提升所述系统资源对所述红包信息的响应速度。
可选的,该装置还包括:
界面图像获取模块,用于在将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息之后,若预测出即将出现红包信息,则当接收到所述预设应用程序对应的群信息时,获取群信息对应的交互界面图像;
红包信息判断模块,用于将所述群信息对应的交互界面图像输入至红包信息判断模型中,确定所述群信息是否为红包信息;其中,所述红包信息判断模型基于对不同群信息对应的交互界面图像进行训练生成。
可选的,该装置还包括:
信息监测模块,用于在预测是否即将出现红包信息之后,监测在预测出是否即将出现红包信息之后的预设时间段内是否出现红包信息;
信息发送模块,用于将监测结果对应的文本交互信息发送至所述红包信息预测模型进行训练。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行信息预测方法,该方法包括:
基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型;
获取预设应用程序对应的当前文本交互信息;
将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDRRAM、SRAM、EDORAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的信息预测操作,还可以执行本申请任意实施例所提供的信息预测方法中的相关操作。
本申请实施例提供了一种终端,该终端中可集成本申请实施例提供的信息预测装置。图5为本申请实施例提供的一种终端的结构示意图。终端500可以包括:存储器501,处理器502及存储在存储器上并可在处理器运行的计算机程序,所述处理器502执行所述计算机程序时实现如本申请实施例所述的信息预测方法。
本申请实施例提供的终端,可以通过预先训练的红包信息预测模型,可以准确、快速地预测出是否即将出现红包信息,从而有利于进一步提高抢红包的速度。
图6为本申请实施例提供的另一种终端的结构示意图,该终端可以包括:壳体(图中未示出)、存储器601、中央处理器(central processing unit,CPU)602(又称处理器,以下简称CPU)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部;所述CPU602和所述存储器601设置在所述电路板上;所述电源电路,用于为所述终端的各个电路或器件供电;所述存储器601,用于存储可执行程序代码;所述CPU602通过读取所述存储器601中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序,以实现以下步骤:
基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型;
获取预设应用程序对应的当前文本交互信息;
将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息。
所述终端还包括:外设接口603、RF(Radio Frequency,射频)电路605、音频电路606、扬声器611、电源管理芯片608、输入/输出(I/O)子系统609、其他输入/控制设备610、触摸屏612、其他输入/控制设备610以及外部端口604,这些部件通过一个或多个通信总线或信号线607来通信。
应该理解的是,图示终端600仅仅是终端的一个范例,并且终端600可以具有比图中所示出的更多的或者更少的部件,可以组合两个或更多的部件,或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的用于信息预测的终端进行详细的描述,该终端以手机为例。
存储器601,所述存储器601可以被CPU602、外设接口603等访问,所述存储器601可以包括高速随机存取存储器,还可以包括非易失性存储器,例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口603,所述外设接口603可以将设备的输入和输出外设连接到CPU602和存储器601。
I/O子系统609,所述I/O子系统609可以将设备上的输入输出外设,例如触摸屏612和其他输入/控制设备610,连接到外设接口603。I/O子系统609可以包括显示控制器6091和用于控制其他输入/控制设备610的一个或多个输入控制器6092。其中,一个或多个输入控制器6092从其他输入/控制设备610接收电信号或者向其他输入/控制设备610发送电信号,其他输入/控制设备610可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是,输入控制器6092可以与以下任一个连接:键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触摸屏612,所述触摸屏612是用户终端与用户之间的输入接口和输出接口,将可视输出显示给用户,可视输出可以包括图形、文本、图标、视频等。
I/O子系统609中的显示控制器6091从触摸屏612接收电信号或者向触摸屏612发送电信号。触摸屏612检测触摸屏上的接触,显示控制器6091将检测到的接触转换为与显示在触摸屏612上的用户界面对象的交互,即实现人机交互,显示在触摸屏612上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是,设备还可以包括光鼠,光鼠是不显示可视输出的触摸敏感表面,或者是由触摸屏形成的触摸敏感表面的延伸。
RF电路605,主要用于建立手机与无线网络(即网络侧)的通信,实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地,RF电路605接收并发送RF信号,RF信号也称为电磁信号,RF电路605将电信号转换为电磁信号或将电磁信号转换为电信号,并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路605可以包括用于执行这些功能的已知电路,其包括但不限于天线系统、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder,编译码器)芯片组、用户标识模块(Subscriber Identity Module,SIM)等等。
音频电路606,主要用于从外设接口603接收音频数据,将该音频数据转换为电信号,并且将该电信号发送给扬声器611。
扬声器611,用于将手机通过RF电路605从无线网络接收的语音信号,还原为声音并向用户播放该声音。
电源管理芯片608,用于为CPU602、I/O子系统及外设接口所连接的硬件进行供电及电源管理。
上述实施例中提供的信息预测装置、存储介质及终端可执行本申请任意实施例所提供的信息预测方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的信息预测方法。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (9)
1.一种信息预测方法,其特征在于,包括:
基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型;
获取预设应用程序对应的当前文本交互信息;
将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息;
若预测出即将出现红包信息,则当接收到所述预设应用程序对应的群信息时,获取群信息对应的交互界面图像;
将所述群信息对应的交互界面图像输入至红包信息判断模型中,确定所述群信息是否为红包信息;其中,所述红包信息判断模型基于对不同群信息对应的交互界面图像进行训练生成。
2.根据权利要求1所述的方法,其特征在于,所述不同的文本交互信息样本包括:第一文本交互信息样本和第二文本交互信息样本,所述第一文本交互信息样本包括以红包信息出现时刻为起始时刻向前追溯预设时长的文本交互信息,所述第二文本交互信息样本包括无红包信息的交互记录中所述预设时长的文本交互信息;
基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型,包括:
基于第一样本标记对第一文本交互信息样本进行标记,并基于第二样本标记对第二文本交互信息样本进行标记,得到训练样本集;
基于所述训练样本集对预设机器学习模型进行训练,生成红包信息预测模型。
3.根据权利要求1所述的方法,其特征在于,基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型,包括:
基于分词算法对不同的文本交互信息样本进行分词,并基于词向量模型将分词后的文本交互信息样本转换为词向量序列;
基于所述词向量序列对所述预设机器学习模型进行训练,生成红包信息预测模型。
4.根据权利要求1所述的方法,其特征在于,在预测是否即将出现红包信息之后,还包括:
当预测出即将出现红包信息时,通过预设方式对用户进行提示,和/或对系统资源进行优化以提升所述系统资源对红包信息的响应速度。
5.根据权利要求4所述的方法,其特征在于,当预测出即将出现红包信息时,对系统资源进行优化以提升所述系统资源对红包信息的响应速度,包括:
当预测出即将出现红包信息时,获取红包信息预测时刻对应的时间信息;
当所述时间信息满足预设时间条件时,对系统资源进行优化以提升所述系统资源对所述红包信息的响应速度。
6.根据权利要求1所述的方法,其特征在于,在预测是否即将出现红包信息之后,还包括:
监测在预测出是否即将出现红包信息之后的预设时间段内是否出现红包信息;
将监测结果对应的文本交互信息发送至所述红包信息预测模型进行训练。
7.一种信息预测装置,其特征在于,包括:
模型生成模块,用于基于不同的文本交互信息样本对预设机器学习模型进行训练,生成红包信息预测模型;
交互信息获取模块,用于获取预设应用程序对应的当前文本交互信息;
红包信息预测模块,用于将所述当前文本交互信息输入至所述红包信息预测模型中,预测是否即将出现红包信息;
界面图像获取模块,用于若预测出即将出现红包信息,则当接收到所述预设应用程序对应的群信息时,获取群信息对应的交互界面图像;
红包信息判断模块,用于将所述群信息对应的交互界面图像输入至红包信息判断模型中,确定所述群信息是否为红包信息;其中,所述红包信息判断模型基于对不同群信息对应的交互界面图像进行训练生成。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的信息预测方法。
9.一种终端,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-6任一所述的信息预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810653128.6A CN108829863B (zh) | 2018-06-22 | 2018-06-22 | 信息预测方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810653128.6A CN108829863B (zh) | 2018-06-22 | 2018-06-22 | 信息预测方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108829863A CN108829863A (zh) | 2018-11-16 |
CN108829863B true CN108829863B (zh) | 2021-07-30 |
Family
ID=64137915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810653128.6A Expired - Fee Related CN108829863B (zh) | 2018-06-22 | 2018-06-22 | 信息预测方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829863B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951428A (zh) * | 2014-03-26 | 2015-09-30 | 阿里巴巴集团控股有限公司 | 用户意图识别方法及装置 |
CN106383654A (zh) * | 2016-09-12 | 2017-02-08 | 广东欧珀移动通信有限公司 | 触摸屏参数的调整方法及移动终端 |
CN106453839A (zh) * | 2016-09-12 | 2017-02-22 | 广东欧珀移动通信有限公司 | 天线的调整方法及移动终端 |
CN106657566A (zh) * | 2016-09-12 | 2017-05-10 | 广东欧珀移动通信有限公司 | 物理按键的调整方法及移动终端 |
CN108076224A (zh) * | 2017-12-21 | 2018-05-25 | 广东欧珀移动通信有限公司 | 应用程序控制方法、装置及存储介质和移动终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130232263A1 (en) * | 2009-12-18 | 2013-09-05 | Morningside Analytics | System and method for classifying a contagious phenomenon propagating on a network |
-
2018
- 2018-06-22 CN CN201810653128.6A patent/CN108829863B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951428A (zh) * | 2014-03-26 | 2015-09-30 | 阿里巴巴集团控股有限公司 | 用户意图识别方法及装置 |
CN106383654A (zh) * | 2016-09-12 | 2017-02-08 | 广东欧珀移动通信有限公司 | 触摸屏参数的调整方法及移动终端 |
CN106453839A (zh) * | 2016-09-12 | 2017-02-22 | 广东欧珀移动通信有限公司 | 天线的调整方法及移动终端 |
CN106657566A (zh) * | 2016-09-12 | 2017-05-10 | 广东欧珀移动通信有限公司 | 物理按键的调整方法及移动终端 |
CN108076224A (zh) * | 2017-12-21 | 2018-05-25 | 广东欧珀移动通信有限公司 | 应用程序控制方法、装置及存储介质和移动终端 |
Also Published As
Publication number | Publication date |
---|---|
CN108829863A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11429880B2 (en) | Methods and systems for preloading applications and generating prediction models | |
CN109947496B (zh) | 应用程序预加载方法、装置、存储介质及移动终端 | |
CN109947497B (zh) | 应用程序预加载方法、装置、存储介质及移动终端 | |
EP3575961B1 (en) | Method and apparatus for updating application prediction model, storage medium, and terminal | |
CN108537207B (zh) | 唇语识别方法、装置、存储介质及移动终端 | |
WO2019206213A1 (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
US20190370603A1 (en) | Method and apparatus for establishing an application prediction model, storage medium and terminal | |
CN112041791B (zh) | 一种显示输入法虚拟键盘的方法及终端 | |
CN108763579B (zh) | 搜索内容推荐方法、装置、终端设备及存储介质 | |
CN108363593A (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN107944259A (zh) | 应用启动的管控方法、装置及存储介质和移动终端 | |
CN108958828B (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN108829456A (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN108921530B (zh) | 信息判断方法、装置、存储介质及终端 | |
CN110069769B (zh) | 应用标签生成方法、装置及存储设备 | |
CN109543014B (zh) | 人机对话方法、装置、终端及服务器 | |
CN111918386B (zh) | 定位方法、装置、存储介质及电子设备 | |
CN112597361A (zh) | 一种排序处理方法、装置、电子设备及存储介质 | |
CN115408696A (zh) | 应用识别方法及电子设备 | |
CN108829863B (zh) | 信息预测方法、装置、存储介质及终端 | |
WO2020124454A1 (zh) | 字体切换方法及相关产品 | |
CN114430504B (zh) | 一种媒体内容的推荐方法以及相关装置 | |
CN112764603B (zh) | 消息显示方法、装置和电子设备 | |
CN113468260B (zh) | 一种数据分析方法、装置、电子设备及存储介质 | |
CN108537086A (zh) | 信息显示方法、装置、存储介质及移动终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210730 |