CN109032374B - 一种用于输入法的候选展示方法、装置、介质及设备 - Google Patents
一种用于输入法的候选展示方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN109032374B CN109032374B CN201710432998.6A CN201710432998A CN109032374B CN 109032374 B CN109032374 B CN 109032374B CN 201710432998 A CN201710432998 A CN 201710432998A CN 109032374 B CN109032374 B CN 109032374B
- Authority
- CN
- China
- Prior art keywords
- candidate
- probability
- sequence
- input content
- candidate sequence
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
- G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
- G06F3/0233—Character input methods
- G06F3/0237—Character input methods using prediction or retrieval techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
Abstract
本发明公开一种用于输入法的候选展示方法、装置、介质及设备,该方法包括:获取输入内容;根据所述输入内容计算出第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;对所述第一候选序列和所述第二候选序列进行合并排序,生成待展示序列;输出所述待展示序列。本申请用于解决现有技术中在输入法中提供联想候选,仅能提高用户输入语句的效率,存在对用户的操作效率的整体提升效果较低的技术问题。实现了有效提高操作效率的技术效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种用于输入法的候选展示方法、装置、介质及设备。
背景技术
随着移动设备的不断普及,用户越来越多的使用移动设备来进行交流、阅读和撰写,就不可避免的需要在移动设备上进行文本编辑操作。
为了提高用户文本编辑的效率,输入法开发人员为用户提供了联想候选,即在用户输入输入内容后,预测出用户后续可能需要输入的联想语句序列,并将所述联想语句序列显示在输入法的候选展示条上,以供用户选择,从而实现快速输入完整语句。
然而,用户在设备上输入的目的有时候不仅是为了输入一段完整的语句,还会存在需要通过输入来获取其他信息的情况,而通过联想候选只能提高用户输入语句的效率,对用户的操作效率的整体提升效果甚微。
也就是说,现有技术在输入法中提供联想候选,仅能提高用户输入语句的效率,存在对用户的操作效率的整体提升效果较低的技术问题。
发明内容
本发明实施例提供一种用于输入法的候选展示方法、装置、介质及设备,用于解决现有技术中在输入法中提供联想候选,仅能提高用户输入语句的效率,存在对用户的操作效率的整体提升效果较低的技术问题。
第一方面,本发明实施例提供一种用于输入法的候选展示方法,包括:
获取输入内容;
根据所述输入内容得到第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;
对所述第一候选序列和所述第二候选序列进行合并排序,生成待展示序列;
输出所述待展示序列。
结合第一方面,在第一种可选的实施例中,所述方法还包括:根据所述输入内容计算出表征所述第一候选序列中每个元素与所述输入内容的相关度的第一候选概率和表征所述第二候选序列中每个元素与所述输入内容的相关度的第二候选概率;所述对所述第一候选序列和所述第二候选序列进行合并排序,包括:根据所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
结合第一方面的第一种可选的实施例,在第二种可选的实施例中,所述根据所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序,包括:将所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率映射到同一可比域,生成所述第一候选序列和所述第二候选序列中每个元素的映射后得分;根据所述映射后得分,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
结合第一方面的第二种可选的实施例,在第三种可选的实施例中,所述方法还包括:根据预存的历史选择数据,计算出第一选择概率和第二选择概率;其中,所述第一选择概率表征用户输入所述输入内容并选择所述第一候选序列的概率;所述第二选择概率表征用户输入所述输入内容并选择所述第二候选序列的概率;所述将所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率映射到同一可比域,生成所述第一候选序列和所述第二候选序列中每个元素的映射后得分,包括:根据所述第一选择概率,映射所述第一候选序列中每个元素的第一候选概率,生成所述第一候选序列中每个元素的映射后得分;根据所述第二选择概率,映射所述第二候选序列中每个元素的第二候选概率,生成所述第二候选序列中每个元素的映射后得分。
结合第一方面的第三种可选的实施例,在第四种可选的实施例中,所述根据所述第一选择概率,映射所述第一候选序列中每个元素的第一候选概率,生成所述第一候选序列中每个元素的映射后得分,包括:以所述第一候选序列中每个元素的第一候选概率与所述第一选择概率的乘积作为所述第一候选序列中每个元素的映射后得分;所述根据所述第二选择概率,映射所述第二候选序列中每个元素的第二候选概率,生成所述第二候选序列中每个元素的映射后得分,包括:以所述第二候选序列中每个元素的第二候选概率与所述第二选择概率的乘积作为所述第二候选序列中每个元素的映射后得分。
结合第一方面的第三种可选的实施例,在第五种可选的实施例中,所述第一选择概率与所述第二选择概率的和为1。
结合第一方面和第一方面的第一至第五种可选的实施例中的任一实施例,在第六种可选的实施例中,所述第一候选序列的计算方法包括:根据预存的历史语料,确定出与所述输入内容相关的联想候选集合;根据所述历史语料,统计出表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想语句集合进行排序,生成所述第一候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的联想候选集合和表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列。
结合第一方面和第一方面的第一至第五种可选的实施例中的任一实施例,在第七种可选的实施例中,所述第二候选序列的计算方法包括:根据预存的关键词词表,确定出所述输入内容中的关键词;根据预存的所述关键词的历史选择数据,确定出与所述关键词相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
第二方面,提供一种用于输入法的候选展示装置,包括:
第一获取模块,用于获取输入内容;
候选生成模块,用于根据所述输入内容得到第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;
合并模块,用于对所述第一候选序列和所述第二候选序列进行合并排序,生成待展示序列;
输出模块,用于输出所述待展示序列。
结合第二方面,在第一种可选的实施例中,所述装置还包括:第一计算模块,用于根据所述输入内容计算出表征所述第一候选序列中每个元素与所述输入内容的相关度的第一候选概率和表征所述第二候选序列中每个元素与所述输入内容的相关度的第二候选概率;所述合并模块还用于:根据所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
结合第二方面的第一种可选的实施例,在第二种可选的实施例中,所述合并模块还用于:将所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率映射到同一可比域,生成所述第一候选序列和所述第二候选序列中每个元素的映射后得分;根据所述映射后得分,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
结合第二方面的第二种可选的实施例,在第三种可选的实施例中,所述装置还包括:第二计算模块,用于根据预存的历史选择数据,计算出第一选择概率和第二选择概率;其中,所述第一选择概率表征用户输入所述输入内容并选择所述第一候选序列的概率;所述第二选择概率表征用户输入所述输入内容并选择所述第二候选序列的概率;所述合并模块还用于:根据所述第一选择概率,映射所述第一候选序列中每个元素的第一候选概率,生成所述第一候选序列中每个元素的映射后得分;根据所述第二选择概率,映射所述第二候选序列中每个元素的第二候选概率,生成所述第二候选序列中每个元素的映射后得分。
结合第二方面的第三种可选的实施例,在第四种可选的实施例中,所述合并模块还用于:以所述第一候选序列中每个元素的第一候选概率与所述第一选择概率的乘积作为所述第一候选序列中每个元素的映射后得分;以所述第二候选序列中每个元素的第二候选概率与所述第二选择概率的乘积作为所述第二候选序列中每个元素的映射后得分。
结合第二方面的第三种可选的实施例,在第五种可选的实施例中,所述第一选择概率与所述第二选择概率的和为1。
结合第二方面和第二方面的第一至第五种可选的实施例中的任一实施例,在第六种可选的实施例中,所述候选生成模块还用于:根据预存的历史语料,确定出与所述输入内容相关的联想候选集合;根据所述历史语料,统计出表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想语句集合进行排序,生成所述第一候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的联想候选集合和表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列。
结合第二方面和第二方面的第一至第五种可选的实施例中的任一实施例,在第七种可选的实施例中,所述候选生成模块还用于:根据预存的关键词词表,确定出所述输入内容中的关键词;根据预存的所述关键词的历史选择数据,确定出与所述关键词相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
第三方面,提供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以下步骤:
获取输入内容;
根据所述输入内容得到第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;
对所述第一候选序列和所述第二候选序列进行合并排序,生成待展示序列;
输出所述待展示序列。
结合第三方面,在第一种可选的实施例中,该程序被处理器执行时实现以下步骤:根据所述输入内容计算出表征所述第一候选序列中每个元素与所述输入内容的相关度的第一候选概率和表征所述第二候选序列中每个元素与所述输入内容的相关度的第二候选概率;根据所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
结合第三方面的第一种可选的实施例,在第二种可选的实施例中,该程序被处理器执行时实现以下步骤:将所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率映射到同一可比域,生成所述第一候选序列和所述第二候选序列中每个元素的映射后得分;根据所述映射后得分,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
结合第三方面的第二种可选的实施例,在第三种可选的实施例中,该程序被处理器执行时实现以下步骤:根据预存的历史选择数据,计算出第一选择概率和第二选择概率;其中,所述第一选择概率表征用户输入所述输入内容并选择所述第一候选序列的概率;所述第二选择概率表征用户输入所述输入内容并选择所述第二候选序列的概率;根据所述第一选择概率,映射所述第一候选序列中每个元素的第一候选概率,生成所述第一候选序列中每个元素的映射后得分;根据所述第二选择概率,映射所述第二候选序列中每个元素的第二候选概率,生成所述第二候选序列中每个元素的映射后得分。
结合第三方面的第三种可选的实施例,在第四种可选的实施例中,该程序被处理器执行时实现以下步骤:以所述第一候选序列中每个元素的第一候选概率与所述第一选择概率的乘积作为所述第一候选序列中每个元素的映射后得分;以所述第二候选序列中每个元素的第二候选概率与所述第二选择概率的乘积作为所述第二候选序列中每个元素的映射后得分。
结合第三方面的第三种可选的实施例,在第五种可选的实施例中,所述第一选择概率与所述第二选择概率的和为1。
结合第三方面和第三方面的第一至第五种可选的实施例中的任一实施例,在第六种可选的实施例中,该程序被处理器执行时实现以下步骤:根据预存的历史语料,确定出与所述输入内容相关的联想候选集合;根据所述历史语料,统计出表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想语句集合进行排序,生成所述第一候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的联想候选集合和表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列。
结合第三方面和第三方面的第一至第五种可选的实施例中的任一实施例,在第七种可选的实施例中,该程序被处理器执行时实现以下步骤:根据预存的关键词词表,确定出所述输入内容中的关键词;根据预存的所述关键词的历史选择数据,确定出与所述关键词相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
第四方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
获取输入内容;
根据所述输入内容得到第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;
对所述第一候选序列和所述第二候选序列进行合并排序,生成待展示序列;
输出所述待展示序列。
结合第四方面,在第一种可选的实施例中,所述处理器执行所述程序时还实现以下步骤:根据所述输入内容计算出表征所述第一候选序列中每个元素与所述输入内容的相关度的第一候选概率和表征所述第二候选序列中每个元素与所述输入内容的相关度的第二候选概率;根据所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
结合第四方面的第一种可选的实施例,在第二种可选的实施例中,所述处理器执行所述程序时还实现以下步骤:将所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率映射到同一可比域,生成所述第一候选序列和所述第二候选序列中每个元素的映射后得分;根据所述映射后得分,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
结合第四方面的第二种可选的实施例,在第三种可选的实施例中,所述处理器执行所述程序时还实现以下步骤:根据预存的历史选择数据,计算出第一选择概率和第二选择概率;其中,所述第一选择概率表征用户输入所述输入内容并选择所述第一候选序列的概率;所述第二选择概率表征用户输入所述输入内容并选择所述第二候选序列的概率;根据所述第一选择概率,映射所述第一候选序列中每个元素的第一候选概率,生成所述第一候选序列中每个元素的映射后得分;根据所述第二选择概率,映射所述第二候选序列中每个元素的第二候选概率,生成所述第二候选序列中每个元素的映射后得分。
结合第四方面的第三种可选的实施例,在第四种可选的实施例中,所述处理器执行所述程序时还实现以下步骤:以所述第一候选序列中每个元素的第一候选概率与所述第一选择概率的乘积作为所述第一候选序列中每个元素的映射后得分;以所述第二候选序列中每个元素的第二候选概率与所述第二选择概率的乘积作为所述第二候选序列中每个元素的映射后得分。
结合第四方面的第三种可选的实施例,在第五种可选的实施例中,所述第一选择概率与所述第二选择概率的和为1。
结合第四方面和第四方面的第一至第五种可选的实施例中的任一实施例,在第六种可选的实施例中,所述处理器执行所述程序时还实现以下步骤:根据预存的历史语料,确定出与所述输入内容相关的联想候选集合;根据所述历史语料,统计出表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想语句集合进行排序,生成所述第一候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的联想候选集合和表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列。
结合第四方面和第四方面的第一至第五种可选的实施例中的任一实施例,在第七种可选的实施例中,所述处理器执行所述程序时还实现以下步骤:根据预存的关键词词表,确定出所述输入内容中的关键词;根据预存的所述关键词的历史选择数据,确定出与所述关键词相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法、装置、介质及设备,在通过输入法获取输入内容后,不仅计算出所述输入内容的联想语句的序列,还计算出所述输入内容对应的服务信息的序列,并将计算出的两个序列的元素进行合并排序来生成待展示序列,以通过展示所述待展示序列,使用户不仅可以选择联想语句来加快语句输入效率,还可以根据需要选择需要的服务信息来直接快速获取所需服务,有效提高了操作效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明实施例中用于输入法的候选展示方法的流程图;
图2为本发明实施例中用于输入法的候选展示装置的结构示意图;
图3为本发明实施例中用于输入法的候选展示的电子设备800的框图。
具体实施方式
本申请实施例提供一种用于输入法的候选展示方法、装置及电子设备,用于解决现有技术中在输入法中提供联想候选,仅能提高用户输入语句的效率,存在对用户的操作效率的整体提升效果较低的技术问题。实现了有效提高操作效率的技术效果。
本申请实施例中的技术方案,总体思路如下:
在获取输入内容后,不仅计算出所述输入内容的联想语句序列,即第一候选序列,还计算出所述输入内容对应的服务信息序列,即第二候选序列,并将计算出的两个序列的元素进行合并排序来生成待展示序列,以通过输出展示所述待展示序列,使用户在输入时既可以选择联想语句来加快文本输入效率,也可以直接选择需要的服务信息来快速获取所需服务,有效提高了操作效率。
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
实施例一
本实施例提供了一种用于输入法的候选展示方法,如图1所示,该方法包括:
步骤S101,获取输入内容;
步骤S102,根据所述输入内容计算出第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;
步骤S103,对所述第一候选序列和所述第二候选序列进行合并排序,生成待展示序列;
步骤S104,输出所述待展示序列。
在具体实施过程中,所述方法可以应用于客户端,也可以应用于服务器端或云端,所述客户端例如为:手机、平板电脑、笔记本电脑、一体机或台式机等等,在此不作限制,也不再一一列举。
下面,结合图1对本实施例提供的方法的具体实现步骤进行详细说明。
首先,执行步骤S101,获取输入内容。
在本申请实施例中,获取所述输入内容的方法可以有多种,举例来说:可以是获取用户在输入法应用中输入的文本,例如,用户通过实体键盘、虚拟键盘、手写设备或触控屏等输入装置,在输入法应用中输入文本,以获取用户输入的文本作为所述输入内容;还可以是语音解析获取所述输入内容,例如,用户通过麦克风输入一段语音,电子设备通过语音分析算法将该段语音转换为文本,以转换后的文本作为所述输入内容;还可以是用户在聊天软件中收到对端用户发送的输入内容;还可以是通过光学字符识别(Optical CharacterRecognition,OCR)获取的输入内容,在此不作限制,也不再一一列举。
当然,在具体实施过程中,获取所述输入内容的方法不限于以上所举的例子,根据用户习惯和设备硬件的不同,可以有不同的获取所述输入内容的方法,在此不作限制,并不再一一列举。
在具体实施过程中,所述输入内容可以包括以下一种或多种字符的组合:汉字、英文字母、数字、标点符号、表情符号、图片、颜文字或数学符号。
当然,在具体实施过程中,所述输入内容也可以包括罗马字符等,在此不作限制。
然后,执行步骤S102,根据所述输入内容计算出第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列。
在本申请实施例中,所述第一候选序列为联想候选,即为用户在输入所述输入内容后,预测出的用户接下来需要输入的联想候选的序列。所述第一候选序列的展示能够方便用户直接选择输入后续意图输入的语句内容,提高文本输入效率。
例如,用户输入“肯德基”后,用户可能会继续输入“优惠券”或“套餐”等内容,即“优惠券”和“套餐”均为输入内容“肯德基”的联想语句,属于输入内容“肯德基”的第一候选序列。
在具体实施过程中,所述第一候选序列的计算方法较多,下面列举两种为例:
第一种,根据历史语料计算。
即根据预存的历史语料,确定出与所述输入内容相关的联想语句集合;根据所述历史语料,统计出表征所述联想语句集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想语句集合进行排序,生成所述第一候选序列。
具体来讲,所述联想语句集合的确定方法可以为:从网络或本地文件中预先收集存储多份历史语料,并统计存储的历史语料中存在的二元关系,所述二元关系为两个词在同一份语料上共同出现的情况,所述二元关系还可以包括词语的先后顺序关系,然后,将统计出的有二元关系的词整理成表。当用户输入所述输入内容后,先对所述输入内容进行分词,然后将所述输入内容的末尾词作为左元,通过查表确定出与所述末尾词存在二元关系的至少一个右元,所述至少一个右元即为用户紧接可能会输入的内容,也即是所述输入内容的联想语句集合。
当然,在具体实施过程中,不限于统计二元关系,也可以通过统计更高元关系来确定所述联想语句,在此不作限制。
在确定了所述联想语句集合后,根据所述历史语料统计出所述联想语句集合中每个元素相对于所述输入内容的第一候选概率,其中,某元素的所述第一候选概率为用户在输入所述输入内容后,会继续输入该元素的概率。
在本申请实施例中,可以采用语言模型来计算所述第一候选概率,具体来讲,语言模型为用来计算一个句子的概率的模型,即P(W1,W2,...Wk)。利用语言模型,可以确定哪个词序列的可能性更大,即更通顺,更符合语言习惯,或者给定若干个词,可以通过语言模型预测下一个最可能出现的词语。
高元关系语言模型计算公式如下:
P(S)=P(W1,W2,...,Wk)=p(W1)P(W2|W1)...P(Wk|W1,W2,...,Wk-1)
其中,P(S)为所述第一候选概率,W1,W2,...Wk分别为一个句子依语序分成的k个分词,P(W1)是指W1位于句首的概率,P(W2|W1)是指W2位于W1后的概率,P(Wk|W1,W2,...Wk-1)是指Wk位于W1,W2,...Wk-1后的概率。
二元关系的语言模型计算公式如下:
P(S)=P(W1)*P(W2|W1)...P(Wk|Wk-1)
其中,P(S)为所述第一候选概率,P(W1)是指W1位于句首的概率,P(W2|W1)是指W2位于W1后的概率,P(Wk|Wk-1)是指Wk位于Wk-1后的概率。
其中,P(W1)、P(W2|W1)、P(Wk|W1,W2,...Wk-1)和P(Wk|Wk-1)等均是通过对历史语料的统计得出。
举例来说,用户输入“去肯德基”,将其分词为“去”和“肯德基”,通过查询根据历史语料统计出的二元或多元关系的词表可知,以“肯德基”为左元的右元有“代金券”、“鸡腿堡”和“吃饭”等,将查询出的右元作为所述联想语句集合,采用P(S)=P(去)*P(肯德基|去)*P(Wk|肯德基,去)来计算出联想语句集合中每个元素的第一候选概率,其中,Wk为需计算第一候选概率的右元,例如,“代金券”的第一候选概率等于P(去)*P(肯德基|去)*P(代金券|肯德基,去)。假设计算出“代金券”的第一候选概率为0.35,“鸡腿堡”的第一候选概率为0.42,“吃饭”的第一候选概率为0.67,则按第一候选概率由大至小的顺序排列出所述第一候选序列为:“吃饭”、“鸡腿堡”、“代金券”。
当然,在具体实施过程中,所述第一候选概率的计算不限于上述语言模型,也可以仅考虑与末尾词的多元关系,即根据P(S)=P(Wk|Wk-1)的公式来计算所述第一候选概率,其中,Wk-1为所述末尾词,Wk为需计算第一候选概率的右元,在此不作限制。
第二种,采用深度学习模型计算。
即将所述输入内容输入深度学习模型,计算出与所述输入内容相关的联想语句集合和表征所述联想语句集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想语句集合进行排序,生成所述第一候选序列。
具体来讲,考虑到用户输入文本时,一般是通过一个个的片段序列来输入,故可以从全网或本地文件中预先整理出用户输入的语料序列,将整理出的语料序列输入深度学习模型来进行训练,具体以语料中的序列片段为其上文片段的联想结果来进行训练。当用户输入所述输入内容后,将所述输入内容输入训练好的深度学习模型中,模型计算后输出多个可能的下文联想结果,即输出所述联想语句集合,并计算出所述联想语句集合中每个元素的第一候选概率,从而排序生成所述第一候选序列。
当然,在具体实施过程中,所述第一候选概率的计算方法不限于上述采用语言模型或通过深度学习模型来计算,例如,还可以基于词向量来计算,具体来讲,可以先整理出语料序列,把词片段作为目标,结合该词片段的上文来输入向量模型,以进行词向量训练。在需要计算某元素的第一候选概率时,将所述输入内容的各个分词的向量之和累加作为上文向量,再将上文向量与该元素的向量表示进行夹角余弦值计算,夹角的余弦值即为该元素相对于所述输入内容的第一候选概率,夹角余弦值越大,说明此元素为即将输入的联想词的可能性越大。
当然,除了上述两种方法外,还可以大数据分析等方法来计算所述第一候选序列,在此不作限制,也不再一一列举。
在本申请实施例中,所述第二候选序列为泛灵犀候选,即为用户在输入所述输入内容后,可能意图使用的服务信息的序列。所述第二候选序列的展示能够通过将相应服务信息直接返回用户,满足用户的服务需求,减少用户获取服务所需的操作,提高操作效率。
例如,用户输入“肯德基”后,用户可能是意图获取“肯德基相关餐厅地址信息”、“肯德基打折信息”或“肯德基团购信息”服务,即“肯德基相关餐厅地址信息”、“肯德基打折信息”和“肯德基团购信息”均为所述输入内容“肯德基”的服务信息,属于输入内容“肯德基”的第二候选序列。
在具体实施过程中,所述第二候选序列的计算方法较多,下面列举两种为例:
第一种,根据预存的关键词词表计算。
即根据预存的关键词词表,确定出所述输入内容中的关键词;根据预存的所述关键词的历史选择数据,确定出与所述关键词相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
具体来讲,首先需要建立关键词表,所述关键词词表可以是根据全网用户输入的历史语料或本地文件中统计出的词表,一般设置所述关键词为实体词,如“快乐大本营”、“海底捞”、“肯德基”或“成都”等,故可以预先整理百科实体词表为关键词表。
然后,在用户输入所述输入内容时,对所述输入内容分词,并查询所述关键词词表,当确定所述输入内容命中所述词表中的关键词时,根据之前用户输入该关键词并选择服务的历史选择数据,计算出该关键词的服务信息集合及该关键词与所述服务信息集合中各服务信息的关联概率。具体计算公式为:Px=关键词在该类服务环境的输入次数/关键词的总输入次数,其中,Px为每个关键词与该服务类型的关联概率,例如:A与餐饮类的关联概率=A在餐饮类应用环境下的输入次数/A的所有输入次数。
当然,关联概率的计算公式也可以为:Px=关键词在该类服务环境的输入频率/关键词的总输入频率,在此不作限制。
当然,在具体实施过程中,也可以预先计算好关键词词表中,每个关键词与各类服务信息的关联概率,并统计得到数据表,当确定出输入内容中的关键词后,只需要查询所述数据表即可以获取所述关联概率。
再下来,根据所述关联概率计算出第二候选概率。在具体实施过程中,可以结合关键词的上下文,获取所述上下文与该服务类型的关联概率,以上下文与该服务类型的关联概率和关键词与该服务类型的关联概率的乘积作为所述第二候选概率。当然,也可以直接以关键词与该服务类型的关联概率作为所述第二候选概率,在此不作限制。
举例来说,用户输入“海底捞好吃”,将其分词为“海底捞”和“好吃”,再通过查询关键词词表,确定命中关键词“海底捞”。根据之前用户输入“海底捞”并选择服务的历史选择数据,确定关键词“海底捞”相关的服务信息有“海底捞打折信息”和“海底捞拉面视频信息”,通过公式Px=关键词在该类服务环境的输入次数/关键词的总输入次数,计算出“海底捞”选择餐饮类型服务的概率为0.6,选择视频类型服务的概率为0.3。再根据同样的公式或统计出出“好吃”与餐饮类型服务的关联概率为0.8,与视频类型服务的关联概率为0.1。则“海底捞好吃”的服务信息集合中,“海底捞打折信息”为餐饮类服务,其第二候选概率为0.6*0.8=0.48,“海底捞拉面视频信息”为视频类服务,其第二候选概率为0.3*0.1=0.03,则按照第二候选概率进行排序后,“海底捞好吃”的第二候选序列为:“海底捞打折信息”、“海底捞拉面视频信息”。
第二种,采用深度学习模型计算。
即将所述输入内容输入深度学习模型,计算出与所述输入内容相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
具体来讲,可以从全网或本地文件中预先收集用户输入的语料和对应选择的服务数据,将整理出的语料和对应的服务信息输入深度学习模型来进行训练,具体以对应的服务信息为输入语料的联想结果来进行训练。当用户输入所述输入内容后,将所述输入内容输入训练好的深度学习模型中,模型计算后输出多个可能的意图选择的服务信息,即输出所述服务信息集合,并计算出所述服务信息集合中每个元素的第二候选概率,从而排序生成所述第二候选序列。
当然,除了上述两种方法外,还可以大数据分析等方法来计算所述第二候选序列,在此不作限制,也不再一一列举。
接下来,执行步骤S103,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序,生成待展示序列。
在具体实施过程中,根据需要不同,可以设置不同的对两个序列的元素进行合并排序的方法,下面列举三种为例:
第一种,直接按照所述第一候选概率和所述第二候选概率进行排序。
即先根据所述输入内容计算出表征所述第一候选序列中每个元素与所述输入内容的相关度的第一候选概率和表征所述第二候选序列中每个元素与所述输入内容的相关度的第二候选概率;
再根据所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
所述第一候选概率和所述第二候选概率的计算方法在步骤S102中已作详细说明,为了说明书的简洁,在此不再累述。
举例来说,用户上屏输入“想去肯德基”,根据步骤S102所述的方法:
计算出第一候选序列:“吃饭”、“优惠券”、“麦当劳”,对应的第一候选概率分别为:“吃饭”为0.4,“优惠券”为0.25、“麦当劳”为0.2;
并计算出第二候选序列:“肯德基团购信息”、“肯德基餐厅位置信息”,对应的第二候选概率分别为:“肯德基餐厅位置信息”为0.5、“肯德基团购信息”为0.2;
按照第一候选概率和第二候选概率由大至小的方式合并排序,生成待展示序列:“肯德基餐厅位置信息”、“吃饭”、“优惠券”、“麦当劳”、“肯德基团购信息”。其中,“麦当劳”的第一候选概率与“肯德基团购信息”的第一候选概率相等,可以采用随机或按首字母顺序的方式进行排序。
第二种,将所述第一候选概率和所述第二候选概率映射到同一可比域,按映射后得分进行排序。
即先将所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率映射到同一可比域,生成所述第一候选序列和所述第二候选序列中每个元素的映射后得分;
再根据所述映射后得分,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
在本申请实施例中,可以先根据预存的历史选择数据,计算出所述输入内容选择所述第一候选序列的第一选择概率和所述输入内容选择所述第二候选序列的第二选择概率;再根据所述第一选择概率,映射所述第一候选序列中每个元素的第一候选概率,生成所述第一候选序列中每个元素的映射后得分;根据所述第二选择概率,映射所述第二候选序列中每个元素的第二候选概率,生成所述第二候选序列中每个元素的映射后得分。
具体来讲,所述第一选择概率为用户输入所述输入内容后选择联想候选语句的概率,所述第二选择概率为用户输入所述输入内容是意图获取服务信息的概率。
其中,所述第一选择概率和所述第二选择概率的计算可以通过机器学习模型来计算,即收集全网或局域网内用户输入内容和用户选择联想候选及服务信息的数据,将收集的信息输入机器学习模型,例如分类模型,进行训练。当用户输入输入内容后,将所述输入内容输入训练好的机器学习模型,即能输出该输入内容的所述第一选择概率和所述第二选择概率。
进一步,考虑到用户可能进行的选择主要为联想候选和泛灵犀候选两种,故可以仅计算出所述第一选择概率,设置所述第二选择概率=1-所述第一选择概率;或仅计算出所述第二选择概率,设置所述第一选择概率=1-所述第二选择概率。
当然,在具体实施过程中,还可以采用大数据分析统计方法,或人工列表统计方法来计算所述第一选择概率或所述第二选择概率,在此不作限制。
在计算出所述第一选择概率和所述第二选择概率后,映射所述第一候选概率和所述第二候选概率的方法可以有多种,例如:
A、乘法映射。
即以所述第一候选序列中每个元素的第一候选概率乘以所述第一选择概率的乘积作为所述第一候选序列中每个元素的映射后得分;以所述第二候选序列中每个元素的第二候选概率乘以所述第二选择概率的乘积作为所述第二候选序列中每个元素的映射后得分。
举例来说,用户上屏输入“想去肯德基”,根据步骤S102所述的方法:
计算出第一候选序列:“吃饭”、“优惠券”、“麦当劳”,对应的第一候选概率分别为:“吃饭”为0.4,“优惠券”为0.25、“麦当劳”为0.2;
并计算出第二候选序列:“肯德基餐厅位置信息”、“肯德基团购信息”,对应的第二候选概率分别为:“肯德基餐厅位置信息”为0.5、“肯德基团购信息”为0.2;
按步骤S103所述方法计算出“想去肯德基”选择联想候选的概率为0.4,期望泛灵犀服务的概率为0.6,即第一选择概率为0.4,第二选择概率为0.6;
则采用乘法映射后,“吃饭”的映射后得分为0.4*0.4=0.16、“优惠券”的映射后得分为0.25*0.4=0.1、“麦当劳”的映射后得分为0.2*0.4=0.08、“肯德基团购信息”的映射后得分为0.2*0.6=0.12、“肯德基餐厅位置信息”的映射后得分为0.5*0.6=0.3;
按映射后得分对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序后,生成的待展示序列为:“肯德基餐厅位置信息”、“吃饭”、“肯德基团购信息”、“优惠券”、“麦当劳”。
B、加法映射。
即以所述第一候选序列中每个元素的第一候选概率加上所述第一选择概率的和作为所述第一候选序列中每个元素的映射后得分;以所述第二候选序列中每个元素的第二候选概率加上所述第二选择概率的和作为所述第二候选序列中每个元素的映射后得分。
举例来说,用户上屏输入“想去肯德基”:
计算出第一候选序列:“吃饭”、“优惠券”、“麦当劳”,对应的第一候选概率分别为:“吃饭”为0.4,“优惠券”为0.25、“麦当劳”为0.2;
并计算出第二候选序列:“肯德基餐厅位置信息”、“肯德基团购信息”,对应的第二候选概率分别为:“肯德基餐厅位置信息”为0.5、“肯德基团购信息”为0.2;
计算出“想去肯德基”的第一选择概率为0.4,第二选择概率为0.6;
则采用加法映射后,“吃饭”的映射后得分为0.4+0.4=0.8、“优惠券”的映射后得分为0.25+0.4=0.65、“麦当劳”的映射后得分为0.2+0.4=0.6、“肯德基团购信息”的映射后得分为0.2+0.6=0.8、“肯德基餐厅位置信息”的映射后得分为0.5+0.6=1.1;
按映射后得分对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序后,生成的待展示序列为:“肯德基餐厅位置信息”、“肯德基团购信息”、“吃饭”、“优惠券”、“麦当劳”。其中,因为“肯德基团购信息”和“吃饭”的映射后得分相同,可以采用随机或以选择概率为优先的方式来进行排序。
第三种,交替排序。
即按照第一候选序列和所述第一候选序列依次交替的方式排序。
举例来说,用户上屏输入“想去肯德基”,根据步骤S102所述的方法:
计算出第一候选序列:“吃饭”、“优惠券”、“麦当劳”;
并计算出第二候选序列:“肯德基团购信息”、“肯德基餐厅位置信息”;
交替合并排序,生成待展示序列:“吃饭”、“肯德基餐厅位置信息”、“优惠券”、“肯德基团购信息”、“麦当劳”。
当然,在具体实施过程中,不限于上述三种合并排序方法,还可以采用先后排序的方法,即将第一候选序列排在第二候选序列之后或将第二候选序列排在第一候选序列之后,在此不作限制,也不再一一列举。
最后,执行步骤S104,输出所述待展示序列。
在本申请实施例中,当所述方法应用于客户端时,所述输出所述待展示序列可以为,将所述待展示序列显示在输入法应用的显示界面上;当所述方法应用于服务器端或云端时,所述输出所述待展示序列可以为,将所述待展示序列发送至客户端,以将其显示在客户端输入法应用的显示界面上。
在具体实施过程中,输出所述待展示序列可以是输出全部的待展示序列;也可以是输出所述待展示序列中位于预设排名前的序列元素;还可以是输出所述待展示序列中位于预设百分比前的序列元素,在此不作限制,也不再一一列举。
具体来讲,采用本申请提供的方法,当用户输入内容后,如果同时存在联想语句候选和服务信息候选的话,能通过合并排序将两种候选结果同时展示在输入法候选框,避免输入法候选框只能展示一种候选的问题,以提升候选结果的丰富性,提供给用户多种类型的可选择结果,方便用户选择使用,提高用户操作效率。
基于同一发明构思,本申请还提供了实施例一的用于输入法的候选展示方法对应的装置,详见实施例二。
实施例二
本实施例提供一种用于输入法的候选展示装置,如图2所示,包括:
第一获取模块201,用于获取输入内容;
候选生成模块202,用于根据所述输入内容得到第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;
合并模块203,用于对所述第一候选序列和所述第二候选序列进行合并排序,生成待展示序列;
输出模块204,用于输出所述待展示序列。
可选的,所述装置还包括:
第一计算模块,用于根据所述输入内容计算出表征所述第一候选序列中每个元素与所述输入内容的相关度的第一候选概率和表征所述第二候选序列中每个元素与所述输入内容的相关度的第二候选概率;
所述合并模块203还用于:根据所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
可选的,所述合并模块203还用于:
将所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率映射到同一可比域,生成所述第一候选序列和所述第二候选序列中每个元素的映射后得分;根据所述映射后得分,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
可选的,所述装置还包括:
第二计算模块,用于根据预存的历史选择数据,计算出第一选择概率和第二选择概率;其中,所述第一选择概率表征用户输入所述输入内容并选择所述第一候选序列的概率;所述第二选择概率表征用户输入所述输入内容并选择所述第二候选序列的概率;
所述合并模块203还用于:根据所述第一选择概率,映射所述第一候选序列中每个元素的第一候选概率,生成所述第一候选序列中每个元素的映射后得分;根据所述第二选择概率,映射所述第二候选序列中每个元素的第二候选概率,生成所述第二候选序列中每个元素的映射后得分。
可选的,所述合并模块203还用于:以所述第一候选序列中每个元素的第一候选概率与所述第一选择概率的乘积作为所述第一候选序列中每个元素的映射后得分;以所述第二候选序列中每个元素的第二候选概率与所述第二选择概率的乘积作为所述第二候选序列中每个元素的映射后得分。
可选的,所述第一选择概率与所述第二选择概率的和为1。
可选的,所述候选生成模块202还用于:
根据预存的历史语料,确定出与所述输入内容相关的联想候选集合;根据所述历史语料,统计出表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想语句集合进行排序,生成所述第一候选序列;或者,
将所述输入内容输入深度学习模型,计算出与所述输入内容相关的联想候选集合和表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列。
可选的,所述候选生成模块202还用于:
根据预存的关键词词表,确定出所述输入内容中的关键词;根据预存的所述关键词的历史选择数据,确定出与所述关键词相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列;或者,
将所述输入内容输入深度学习模型,计算出与所述输入内容相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
由于本发明实施例二所介绍的装置,为实施本发明实施例一的方法所采用的装置,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。
基于同一发明构思,本申请还提供了实施例一的用于输入法的候选展示方法对应的存储介质,详见实施例三。
实施例三
本实施例提供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以下步骤:
获取输入内容;
根据所述输入内容得到第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;
对所述第一候选序列和所述第二候选序列进行合并排序,生成待展示序列;
输出所述待展示序列。
可选的,该程序被处理器执行时还实现以下步骤:根据所述输入内容计算出表征所述第一候选序列中每个元素与所述输入内容的相关度的第一候选概率和表征所述第二候选序列中每个元素与所述输入内容的相关度的第二候选概率;根据所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
可选的,该程序被处理器执行时还实现以下步骤:将所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率映射到同一可比域,生成所述第一候选序列和所述第二候选序列中每个元素的映射后得分;根据所述映射后得分,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
可选的,该程序被处理器执行时还实现以下步骤:根据预存的历史选择数据,计算出第一选择概率和第二选择概率;其中,所述第一选择概率表征用户输入所述输入内容并选择所述第一候选序列的概率;所述第二选择概率表征用户输入所述输入内容并选择所述第二候选序列的概率;根据所述第一选择概率,映射所述第一候选序列中每个元素的第一候选概率,生成所述第一候选序列中每个元素的映射后得分;根据所述第二选择概率,映射所述第二候选序列中每个元素的第二候选概率,生成所述第二候选序列中每个元素的映射后得分。
可选的,该程序被处理器执行时还实现以下步骤:以所述第一候选序列中每个元素的第一候选概率与所述第一选择概率的乘积作为所述第一候选序列中每个元素的映射后得分;以所述第二候选序列中每个元素的第二候选概率与所述第二选择概率的乘积作为所述第二候选序列中每个元素的映射后得分。
可选的,该程序被处理器执行时还实现以下步骤:所述第一选择概率与所述第二选择概率的和为1。
可选的,该程序被处理器执行时还实现以下步骤:根据预存的历史语料,确定出与所述输入内容相关的联想候选集合;根据所述历史语料,统计出表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想语句集合进行排序,生成所述第一候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的联想候选集合和表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列。
可选的,该程序被处理器执行时还实现以下步骤:根据预存的关键词词表,确定出所述输入内容中的关键词;根据预存的所述关键词的历史选择数据,确定出与所述关键词相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
由于本发明实施例三所介绍的存储介质,为实施本发明实施例一的方法对应的存储介质,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该存储介质的具体结构及变形,故而在此不再赘述。
基于同一发明构思,本申请还提供了实施例一的用于输入法的候选展示方法对应的电子设备,详见实施例四。
实施例四
本实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
获取输入内容;
根据所述输入内容得到第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;
对所述第一候选序列和所述第二候选序列进行合并排序,生成待展示序列;
输出所述待展示序列。
可选的,所述处理器执行所述程序时还实现以下步骤:根据所述输入内容计算出表征所述第一候选序列中每个元素与所述输入内容的相关度的第一候选概率和表征所述第二候选序列中每个元素与所述输入内容的相关度的第二候选概率;根据所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
可选的,所述处理器执行所述程序时还实现以下步骤:将所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率映射到同一可比域,生成所述第一候选序列和所述第二候选序列中每个元素的映射后得分;根据所述映射后得分,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
可选的,所述处理器执行所述程序时还实现以下步骤:根据预存的历史选择数据,计算出第一选择概率和第二选择概率;其中,所述第一选择概率表征用户输入所述输入内容并选择所述第一候选序列的概率;所述第二选择概率表征用户输入所述输入内容并选择所述第二候选序列的概率;根据所述第一选择概率,映射所述第一候选序列中每个元素的第一候选概率,生成所述第一候选序列中每个元素的映射后得分;根据所述第二选择概率,映射所述第二候选序列中每个元素的第二候选概率,生成所述第二候选序列中每个元素的映射后得分。
可选的,所述处理器执行所述程序时还实现以下步骤:以所述第一候选序列中每个元素的第一候选概率与所述第一选择概率的乘积作为所述第一候选序列中每个元素的映射后得分;以所述第二候选序列中每个元素的第二候选概率与所述第二选择概率的乘积作为所述第二候选序列中每个元素的映射后得分。
可选的,所述处理器执行所述程序时还实现以下步骤:所述第一选择概率与所述第二选择概率的和为1。
可选的,所述处理器执行所述程序时还实现以下步骤:根据预存的历史语料,确定出与所述输入内容相关的联想候选集合;根据所述历史语料,统计出表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想语句集合进行排序,生成所述第一候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的联想候选集合和表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列。
可选的,所述处理器执行所述程序时还实现以下步骤:根据预存的关键词词表,确定出所述输入内容中的关键词;根据预存的所述关键词的历史选择数据,确定出与所述关键词相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
由于本发明实施例四所介绍的电子设备,为实施本发明实施例一的方法所采用的电子设备,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该电子设备的具体结构及变形,故而在此不再赘述。凡是本发明实施例一的方法所采用的电子设备都属于本发明所欲保护的范围
关于上述实施例中的装置和电子设备,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图3是根据一示例性实施例示出的一种用于输入法的候选展示方法对应的电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图3,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理元件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理部件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信部件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信部件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由电子设备800的处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种用于输入法的候选展示方法,所述方法包括:
获取输入内容;
根据所述输入内容得到第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;
对所述第一候选序列和所述第二候选序列进行合并排序,生成待展示序列;
输出所述待展示序列。
可选的,该指令被处理器执行时还实现以下步骤:根据所述输入内容计算出表征所述第一候选序列中每个元素与所述输入内容的相关度的第一候选概率和表征所述第二候选序列中每个元素与所述输入内容的相关度的第二候选概率;根据所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
可选的,该指令被处理器执行时还实现以下步骤:将所述第一候选序列中每个元素的第一候选概率和所述第二候选序列中每个元素的第二候选概率映射到同一可比域,生成所述第一候选序列和所述第二候选序列中每个元素的映射后得分;根据所述映射后得分,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序。
可选的,该指令被处理器执行时还实现以下步骤:根据预存的历史选择数据,计算出第一选择概率和第二选择概率;其中,所述第一选择概率表征用户输入所述输入内容并选择所述第一候选序列的概率;所述第二选择概率表征用户输入所述输入内容并选择所述第二候选序列的概率;根据所述第一选择概率,映射所述第一候选序列中每个元素的第一候选概率,生成所述第一候选序列中每个元素的映射后得分;根据所述第二选择概率,映射所述第二候选序列中每个元素的第二候选概率,生成所述第二候选序列中每个元素的映射后得分。
可选的,该指令被处理器执行时还实现以下步骤:以所述第一候选序列中每个元素的第一候选概率与所述第一选择概率的乘积作为所述第一候选序列中每个元素的映射后得分;以所述第二候选序列中每个元素的第二候选概率与所述第二选择概率的乘积作为所述第二候选序列中每个元素的映射后得分。
可选的,该指令被处理器执行时还实现以下步骤:所述第一选择概率与所述第二选择概率的和为1。
可选的,该指令被处理器执行时还实现以下步骤:根据预存的历史语料,确定出与所述输入内容相关的联想候选集合;根据所述历史语料,统计出表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想语句集合进行排序,生成所述第一候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的联想候选集合和表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列。
可选的,该指令被处理器执行时还实现以下步骤:根据预存的关键词词表,确定出所述输入内容中的关键词;根据预存的所述关键词的历史选择数据,确定出与所述关键词相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列;或者,将所述输入内容输入深度学习模型,计算出与所述输入内容相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法、装置、介质及设备,在通过输入法获取输入内容后,不仅计算出所述输入内容的联想语句的序列,还计算出所述输入内容对应的服务信息的序列,并将计算出的两个序列的元素进行合并排序来生成待展示序列,以通过展示所述待展示序列,使用户不仅可以选择联想语句来加快语句输入效率,还可以根据需要选择需要的服务信息来直接快速获取所需服务,有效提高了操作效率。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品,该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种用于输入法的候选展示方法,其特征在于,包括:
获取输入内容;
根据所述输入内容得到第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;所述服务信息用于快速获取所需服务;所述第二候选序列为用户在输入所述输入内容后,可能意图使用的服务信息的序列,所述服务信息包括推荐的与所述输入内容相关的地址信息、打折信息、团购信息或者视频信息;
根据所述输入内容计算出表征所述第一候选序列中每个元素与所述输入内容的相关度的第一候选概率和表征所述第二候选序列中每个元素与所述输入内容的相关度的第二候选概率;
根据预存的历史选择数据,计算出第一选择概率和第二选择概率;其中,所述第一选择概率表征用户输入所述输入内容并选择所述第一候选序列的概率,所述第二选择概率表征用户输入所述输入内容并选择所述第二候选序列的概率;
以所述第一候选序列中每个元素的第一候选概率与所述第一选择概率的乘积作为所述第一候选序列中每个元素的映射后得分,以所述第二候选序列中每个元素的第二候选概率与所述第二选择概率的乘积作为所述第二候选序列中每个元素的映射后得分;或者,以所述第一候选序列中每个元素的第一候选概率加上所述第一选择概率的和作为所述第一候选序列中每个元素的映射后得分,以所述第二候选序列中每个元素的第二候选概率加上所述第二选择概率的和作为所述第二候选序列中每个元素的映射后得分;
根据所述映射后得分,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序,生成待展示序列;
输出所述待展示序列。
2.如权利要求1所述的方法,其特征在于,所述第一选择概率与所述第二选择概率的和为1。
3.如权利要求1-2任一所述的方法,其特征在于,所述第一候选序列的计算方法包括:
根据预存的历史语料,确定出与所述输入内容相关的联想候选集合;根据所述历史语料,统计出表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列;或者,
将所述输入内容输入深度学习模型,计算出与所述输入内容相关的联想候选集合和表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列。
4.如权利要求1-2任一所述的方法,其特征在于,所述第二候选序列的计算方法包括:
根据预存的关键词词表,确定出所述输入内容中的关键词;根据预存的所述关键词的历史选择数据,确定出与所述关键词相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列;或者,
将所述输入内容输入深度学习模型,计算出与所述输入内容相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
5.一种用于输入法的候选展示装置,其特征在于,包括:
第一获取模块,用于获取输入内容;
候选生成模块,用于根据所述输入内容得到第一候选序列和第二候选序列,其中,所述第一候选序列为与所述输入内容相关的联想候选的序列,所述第二候选序列为所述输入内容对应的服务信息的序列;所述服务信息用于快速获取所需服务;所述第二候选序列为用户在输入所述输入内容后,可能意图使用的服务信息的序列,所述服务信息包括推荐的与所述输入内容相关的地址信息、打折信息、团购信息或者视频信息;
第一计算模块,用于根据所述输入内容计算出表征所述第一候选序列中每个元素与所述输入内容的相关度的第一候选概率和表征所述第二候选序列中每个元素与所述输入内容的相关度的第二候选概率;
第二计算模块,用于根据预存的历史选择数据,计算出第一选择概率和第二选择概率;其中,所述第一选择概率表征用户输入所述输入内容并选择所述第一候选序列的概率,所述第二选择概率表征用户输入所述输入内容并选择所述第二候选序列的概率;
合并模块,用于以所述第一候选序列中每个元素的第一候选概率与所述第一选择概率的乘积作为所述第一候选序列中每个元素的映射后得分,以所述第二候选序列中每个元素的第二候选概率与所述第二选择概率的乘积作为所述第二候选序列中每个元素的映射后得分;或者,以所述第一候选序列中每个元素的第一候选概率加上所述第一选择概率的和作为所述第一候选序列中每个元素的映射后得分,以所述第二候选序列中每个元素的第二候选概率加上所述第二选择概率的和作为所述第二候选序列中每个元素的映射后得分;根据所述映射后得分,对所述第一候选序列中的元素和所述第二候选序列中的元素进行合并排序,生成待展示序列;
输出模块,用于输出所述待展示序列。
6.如权利要求5所述的装置,其特征在于,所述第一选择概率与所述第二选择概率的和为1。
7.如权利要求5-6任一所述的装置,其特征在于,所述候选生成模块还用于:
根据预存的历史语料,确定出与所述输入内容相关的联想候选集合;根据所述历史语料,统计出表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列;或者,
将所述输入内容输入深度学习模型,计算出与所述输入内容相关的联想候选集合和表征所述联想候选集合中每个元素与所述输入内容的相关性的第一候选概率;根据所述第一候选概率对所述联想候选集合进行排序,生成所述第一候选序列。
8.如权利要求5-6任一所述的装置,其特征在于,所述候选生成模块还用于:
根据预存的关键词词表,确定出所述输入内容中的关键词;根据预存的所述关键词的历史选择数据,确定出与所述关键词相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列;或者,
将所述输入内容输入深度学习模型,计算出与所述输入内容相关的服务信息集合和表征所述服务信息集合中每个元素与所述输入内容的相关性的第二候选概率;根据所述第二候选概率对所述服务信息集合进行排序,生成所述第二候选序列。
9.一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,所述程序被处理器执行时实现权利要求1-4中任一所述的步骤。
10.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-4中任一所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710432998.6A CN109032374B (zh) | 2017-06-09 | 2017-06-09 | 一种用于输入法的候选展示方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710432998.6A CN109032374B (zh) | 2017-06-09 | 2017-06-09 | 一种用于输入法的候选展示方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109032374A CN109032374A (zh) | 2018-12-18 |
CN109032374B true CN109032374B (zh) | 2023-06-20 |
Family
ID=64629788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710432998.6A Active CN109032374B (zh) | 2017-06-09 | 2017-06-09 | 一种用于输入法的候选展示方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109032374B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112987940B (zh) * | 2021-04-27 | 2021-08-27 | 广州智品网络科技有限公司 | 一种基于样本概率量化的输入方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1256841A (zh) * | 1997-04-14 | 2000-06-14 | 汤姆森消费电子有限公司 | 用于获取用户经过节目引导选择所请求的信息的系统 |
WO2000035091A1 (en) * | 1998-12-10 | 2000-06-15 | Eatoni Ergonomics, Inc. | Touch-typable devices based on ambiguous codes and methods to design such devices |
CN102439542A (zh) * | 2009-03-30 | 2012-05-02 | 触摸式有限公司 | 电子设备的文本输入系统及文本输入方法 |
CN102439540A (zh) * | 2009-03-19 | 2012-05-02 | 谷歌股份有限公司 | 输入法编辑器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902362B (zh) * | 2011-07-25 | 2017-10-31 | 深圳市世纪光速信息技术有限公司 | 文字输入方法及系统 |
CN104281649B (zh) * | 2014-09-09 | 2017-04-19 | 北京搜狗科技发展有限公司 | 一种输入方法、装置及电子设备 |
-
2017
- 2017-06-09 CN CN201710432998.6A patent/CN109032374B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1256841A (zh) * | 1997-04-14 | 2000-06-14 | 汤姆森消费电子有限公司 | 用于获取用户经过节目引导选择所请求的信息的系统 |
WO2000035091A1 (en) * | 1998-12-10 | 2000-06-15 | Eatoni Ergonomics, Inc. | Touch-typable devices based on ambiguous codes and methods to design such devices |
CN102439540A (zh) * | 2009-03-19 | 2012-05-02 | 谷歌股份有限公司 | 输入法编辑器 |
CN102439542A (zh) * | 2009-03-30 | 2012-05-02 | 触摸式有限公司 | 电子设备的文本输入系统及文本输入方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109032374A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247519B (zh) | 一种输入方法及装置 | |
EP3173948A1 (en) | Method and apparatus for recommendation of reference documents | |
CN107305438B (zh) | 候选项的排序方法和装置、用于候选项排序的装置 | |
KR20170032880A (ko) | 분류기 트레이닝, 타입 식별 방법 및 장치 | |
CN107315487B (zh) | 一种输入处理方法、装置及电子设备 | |
CN109582768B (zh) | 一种文本输入方法和装置 | |
CN109101505A (zh) | 一种推荐方法、推荐装置和用于推荐的装置 | |
CN109002184B (zh) | 一种输入法候选词的联想方法和装置 | |
CN110019885B (zh) | 一种表情数据推荐方法及装置 | |
CN111538830A (zh) | 法条检索方法、装置、计算机设备及存储介质 | |
CN107291260B (zh) | 一种信息输入方法和装置、及用于信息输入的装置 | |
CN113849723A (zh) | 搜索方法及搜索装置 | |
CN109032374B (zh) | 一种用于输入法的候选展示方法、装置、介质及设备 | |
CN109918565B (zh) | 一种搜索数据的处理方法、装置及电子设备 | |
CN111752436A (zh) | 一种推荐方法、装置和用于推荐的装置 | |
CN111240497A (zh) | 一种通过输入法进行输入的方法、装置和电子设备 | |
CN108073293B (zh) | 一种目标词组的确定方法和装置 | |
CN110020153B (zh) | 一种搜索方法及装置 | |
CN113589949A (zh) | 一种输入方法、装置和电子设备 | |
CN109426359B (zh) | 一种输入方法、装置以及机器可读介质 | |
CN109388252B (zh) | 一种输入方法及装置 | |
CN112987941B (zh) | 生成候选词的方法及装置 | |
CN111381685B (zh) | 一种句联想方法和装置 | |
CN109213799B (zh) | 一种细胞词库的推荐方法和装置 | |
CN109213332B (zh) | 一种表情图片的输入方法和装置 |
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 |