CN109831572A - 聊天图片控制方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开一种聊天图片控制方法、装置、计算机设备及存储介质，包括：获取当前显示界面的聊天信息，聊天信息包括文字信息、图片信息或语音信息的一种或多种；识别聊天信息的第一关键字，并从预设数据库中匹配回复信息，以及该回复信息所映射的目标表情图片；当检测到聊天输入框有输入光标时，弹出目标表情图片供用户选择以便于回复上述聊天信息。本发明整个过程无需手动在表情库中查找图片，而是根据内容识别，自动弹出可以作为回复的图片，节省了消息回复图片查找的时间。使聊天回复更为便捷。

Description

聊天图片控制方法、装置、计算机设备及存储介质

技术领域

本发明涉及计算机应用技术领域，具体而言，本发明涉及一种聊天图片控制方法、装置、计算机设备及存储介质。

背景技术

移动终端上的即时通信(Instant Messaging，IM)工具迅速发展，为用户带来了比短信、彩信更便捷且丰富的沟通方式。在移动终端上的IM工具中，“魔法表情”、“表情符号emoji”或“趣味表情”等表情是一种重要的消息形态。

社交平台上表情符号的引入增加了趣味性和个性化展示，越来越受到用户的喜爱和追捧。但是表情符号太多且杂，在选取表情符号时，需要打开表情符号的显示界面，然后从收藏在本地的表情符号中翻页进行选取，操作复杂，速度太慢，不能给用户极致的体验。另外，在用户发文或者发朋友圈时，如果收藏的图片多，查找图片需要花费一定时间，影响用户的发文体验度。

发明内容

本发明的目的旨在至少能解决上述的技术缺陷之一，公开一种聊天图片控制方法、装置、计算机设备及存储介质，能够自动识别聊天信息中的语义，并根据语义从数据库中匹配对应的目标表情图片以进行回复，无需手动查找图片，使聊天更顺畅，操作更简便。

为了达到上述目的，本发明公开一种聊天图片控制方法，包括：

获取当前显示界面的聊天信息，所述聊天信息包括文字信息、图片信息或语音信息的一种或多种；

识别所述聊天信息的第一关键字，并从预设数据库中匹配回复信息，以及该回复信息所映射的目标表情图片；

当检测到聊天输入框有输入光标时，弹出所述目标表情图片供用户选择以便于回复上述聊天信息。

可选的，所述识别所述聊天信息的第一关键字的方法包括：

将所述聊天信息输入至第一神经网络模型中以识别所述聊天信息的类别；

选取与该类别对应的识别模型识别所述聊天信息的语义信息；

根据所识别的语义信息，提取该语义信息中的第一关键字或者该语义信息所映射的第一关键字。

可选的，所述从预设数据库中匹配回复信息，以及该回复信息所映射的目标表情图片的方法包括：

根据所述聊天信息提取的第一关键字，在预设数据库中匹配与所述第一关键字具有回复关系的第二关键字作为回复信息；

根据所述第二关键字获取与该第二关键字相映射的目标表情图片，所述目标表情图片包括一幅或多幅，且以视图方式依次排列。

可选的，所述目标表情图片的获取方法包括：

检测是否有针对表情图片的预设规则的操作，所述预设规则包括选择并保存、超过第一预设时间的长按以及所述表情图片的查看时间超过第二预设时间；

当有预设规则的操作时，将所述目标表情图片存入预设数据库中。

可选的，所述将所述目标表情图片存入预设数据库中的方法包括：

将所述目标表情图片输入至第二神经网络模型中以识别所述目标表情图片的语义信息；

根据所述语义信息匹配对应的第二关键字；

将所述目标表情图片存储在所述第二关键字所映射的存储区域。

可选的，在执行所述根据所述语义信息匹配对应的第二关键字步骤之前，还包括：

判断所述语义信息是否符合过滤规则；

当符合过滤规则，停止所述目标表情图片的匹配。

可选的，第二关键字所映射的目标表情图片中有多幅时，按照使用次数的多少排列显示，当使用次数一样时，按照所保存的时长依次排列显示。

另一方面，本申请还公开一种聊天图片控制装置，包括：

获取模块：被配置为执行获取当前显示界面的最新一条聊天信息，所述聊天信息包括文字信息、图片信息或语音信息的一种或多种；

处理模块：被配置为执行识别所述聊天信息的第一关键字，并从预设数据库中匹配回复信息，以及该回复信息所映射的目标表情图片；

执行模块：被配置为执行当检测到聊天输入框有输入光标时，弹出所述目标表情图片供用户选择以回复上述聊天信息。

可选的，还包括：

类别识别模块：被配置为执行将所述聊天信息输入至第一神经网络模型中以识别所述聊天信息的类别；

第一识别模块：被配置为执行选取与该类别对应的识别模型识别所述聊天信息的语义信息；

第一提取模块：被配置为执行根据所识别的语义信息，提取该语义信息中的第一关键字或者该语义信息所映射的第一关键字。

可选的，还包括：

第一匹配模块：被配置为执行根据所述聊天信息提取的第一关键字，在预设数据库中匹配与所述第一关键字具有回复关系的第二关键字作为回复信息；

目标表情图片获取模块：被配置为执行根据所述第二关键字获取与该第二关键字相映射的目标表情图片，所述目标表情图片包括一幅或多幅，且以视图方式依次排列。

可选的，还包括：

检测模块：被配置为执行检测是否有针对表情图片的预设规则的操作，所述预设规则包括选择并保存、超过第一预设时间的长按以及所述表情图片的查看时间超过第二预设时间；

第一存储模块：被配置为执行当有预设规则的操作时，将所述目标表情图片存入预设数据库中。

可选的，还包括：

第二识别模块：被配置为执行将所述目标表情图片输入至第二神经网络模型中以识别所述目标表情图片的语义信息；

第二匹配模型，被配置为执行根据所述语义信息匹配对应的第二关键字；

第二存储模块：被配置为执行将所述目标表情图片存储在所述第二关键字所映射的存储区域。

可选的，还包括：

判断模块：被配置为执行判断所述语义信息是否符合过滤规则；

当符合过滤规则，停止所述目标表情图片的匹配。

可选的，第二关键字所映射的目标表情图片中有多幅时，按照使用次数的多少排列显示，当使用次数一样时，按照所保存的时长依次排列显示。

另一方面本申请还公开一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述任意一项所述的聊天图片控制方法的步骤。

另一方面本申请还公开一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任意一项所述的聊天图片控制方法的步骤。

本发明的有益效果是：

本申请公开一种聊天图片控制方法、装置、计算机设备及存储介质，通过获取当前聊天信息，识别具体的语义信息，并根据语义信息从预设数据库中找到能够进行回复的目标表情图片，显示该目标表情图片供用户选择以进行回复，整个过程无需手动在表情库中查找图片，而是根据内容识别，自动弹出可以作为回复的图片，节省了消息回复图片查找的时间。使聊天回复更为便捷。且每一个目标表情图片根据语义信息存储在不同的位置，与对应的关键字匹配，根据查找关键字，则可找到该关键字表征的语义信息的目标表情图片，使目标表情图片查找也更为简单。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明聊天图片控制方法流程图；

图2为本发明识别第一关键字的方法流程图；

图3为本发明卷积神经网络模型的训练方法流程图；

图4为本发明匹配回复信息的方法流程图；

图5为本发明目标表情图片的获取方法流程图；

图6为本发明将目标表情图片存入预设数据库中的方法流程图；

图7为本发明匹配第二关键字的方法流程图；

图8为本发明一种聊天图片控制装置框图；

图9为本发明计算机设备基本结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

具体的，请参阅图1，本发明公开一种聊天图片控制方法，包括：

S1000、获取当前显示界面的聊天信息，所述聊天信息包括文字信息、图片信息或语音信息的一种或多种；

在及时通讯的聊天界面中，通常包括聊天显示框以及聊天输入框，聊天显示框显示他人发送过来的信息以及本地发过去的信息，聊天输入框用于本地输入聊天信息。在聊天显示框中的历史聊天信息包括文字信息、图片信息或语音信息中的一种或多种，图片信息包括静态图片或者动态图片。对于动态图片实际上是多张静态图片按照一定的顺序依次展示出来的。

当聊天信息为文字时，直接识别文字信息即可；当聊天信息为静态的图片信息时，对图片信息进行识别，当聊天信息为动态的图片信息时，则对每一帧图片分别进行识别，图片中的文字识别可通过OCR识别技术进行识别，具体方法为：

1)检测和提取图片中的文本区域，图片一般包括空白或者图案区域，还包括记载有考勤数据的文字区域，故第一步将文字区域提取出来，以便于后续的文字识别；

2)利用radon变换或hough变换等方法进行文本校正；

3)通过投影直方图分割出单行的文本的图片；图片中文字信息较多的时候，通常会有多行，通过此方法，可将文字的大致区域进行分割提取；

4)分割字符，获取单个文字；当获取了文字的大致区域，则可对每个文字的轮廓进行逐一提取，获取每个单独的文字；

5)识别语意，当识别出了文字的轮廓后，则可确定该文字具体含义，由于单个文字不具备特定的含义，故需要与前后的文字相结合，以获取具体的含义。

上述方法只能用于识别图片中的文字，但是不能识别图片中的图片具体的含义，因此，进一步的，本申请通过神经网络来对聊天信息进行识别。

神经网络在这里是指人工神经网络，其具有自学习功能。例如实现图片识别时，只需要先把许多不同的图片样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图片。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。另外，其具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。神经网络还具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。基于以上有点，本申请采用训练好的神经网络模型来识别文字信息、图片信息和语音信息。

S2000、识别所述聊天信息的第一关键字，并从预设数据库中匹配回复信息，以及该回复信息所映射的目标表情图片；

通过上述步骤S1000的相关介绍，通过神经网络模型可识别上述聊天信息的具体内容。进一步的，需要具体内容的识别包括识别所述聊天信息中是否包含第一关键字，请参阅图2，所述识别所述聊天信息的第一关键字的方法包括：

S2100、将所述聊天信息输入至第一神经网络模型中以识别所述聊天信息的类别；

将聊天信息输入到第一神经网络模型中，由第一神经网络模型来识别所述聊天信息的类别，比如判断出所述聊天信息的具体类别，是文字信息、静态图片信息、动态图片信息还是语音信息等。

本申请中公开的神经网络包括深度神经网络、卷积神经网络、循环神经网络、深度残差网络等，这些神经网络模型都是用与分析和处理上述的文字、图片和语音信息。上述的第一神经网络模型包括一种多功能的模型，比如同时可识别文字、图片和语音信息，也可以是多种不同功能的模型的组合，比如包括单独识别文字的神经网络模型、单独识别图片信息的神经网络模型和单独识别语音信息的神经网络模型的组合，且上述神经网络可以是深度神经网络、卷积神经网络、循环神经网络、深度残差网络等网络模型中的一种或多种。通过第一神经网络模型至少可识别出所述聊天信息中每一条信息的类别。

S2200、选取与该类别对应的识别模型识别所述聊天信息的语义信息；

由于上述第一神经网络模型可以是一种能够识别文字、图片和语音多功能的网络模型，也可以由多个不同功能的神经网络模型组合在一起，通过识别聊天信息中的类别，来选取对应该类别的识别模型进一步识别聊天信息的语义信息。

本申请以卷积神经网络识别图片信息为例进行说明，卷积神经网络是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图片处理。卷积神经网络包括卷积层和池化层。卷积神经网络(CNN)中卷积的目的在于将某些特征从图片中提取出来。卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。

卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于卷积神经网络的特征检测层通过训练数据进行学习，所以在使用卷积神经网络时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。

一幅彩色图片在计算机中的存储形式为一个三维的矩阵，三个维度分别是图片的宽、高和RGB(红绿蓝色彩值)值，而一幅灰度图片在计算机中的存储形式为一个二维矩阵，两个维度分别是图片的宽、高。无论是彩色图片的三维矩阵还是灰度图片的二维矩阵，矩阵中的每个元素取值范围为【0,255】，但是含义不同，彩色图片的三维矩阵可以拆分成R、G、B三个二维矩阵，矩阵中的元素分别代表图片相应位置的R、G、B亮度。灰度图片的二维矩阵中，元素则代表图片相应位置的灰度值。而二值图片可视为灰度图片的一个简化，它将灰度图片中所有高于某个阈值的原始转化为1，否则为0，故二值图片矩阵中的元素非0则1，二值图片足以描述图片的轮廓，二卷积操作的一个重要作用就是找到图片的边缘轮廓。

通过将图片转换成二值图片，再通过卷积核的过滤得到图片物体的边缘特征，再经过池化实现图片的降维以便于得到，明显的图片特征。通过模型训练，以识别出所述图片中图片特征。

本申请中，聊天信息包括文字信息和图片信息，图片信息中包括文字以及物体的轮廓，可通过卷积神经网络训练得到的神经网络模型获得，但是，还可以使用其他的神经网络，比如DNN(深层神经网络)、RNN(循环神经网络)等网络模型训练而成。无论何种神经网络进行训练，采用这种机器学习的模式来获取人像的方法的原理基本一致。

以卷积神经网络模型的训练方法为例，请参阅图3，卷积神经网络模型的训练物体轮廓的方法如下：

S2210、获取标记有分类判断信息的训练样本数据；

训练样本数据是整个训练集的构成单位，训练集是由若干个训练样本训练数据组成的。训练样本数据是由多种不同物体的数据以及对各种不同物体进行标记的分类判断信息组成的。分类判断信息是指人们根据输入卷积神经网络模型的训练方向，通过普适性的判断标准和事实状态对训练样本数据做出的人为的判断，也就是人们对卷积神经网络模型输出数值的期望目标。如，在一个训练样本数据中，人工识别出该图片信息数据中的物体与预存储的图片信息中的物体为同一个，则标定该物体分类判断信息为与预存储的目标物体图片相同。

S2220、将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的模型分类参照信息；

将训练样本集依次输入到卷积神经网络模型中，并获得卷积神经网络模型倒数第一个全连接层输出的模型分类参照信息。

模型分类参照信息是卷积神经网络模型根据输入的物体图片而输出的激励数据，在卷积神经网络模型未被训练至收敛之前，分类参照信息为离散性较大的数值，当卷积神经网络模型未被训练至收敛之后，分类参照信息为相对稳定的数据。

S2230、通过止损函数比对所述训练样本数据内不同样本的模型分类参照信息与所述分类判断信息是否一致；

止损函数是用于检测卷积神经网络模型中模型分类参照信息，与期望的分类判断信息是否具有一致性的检测函数。当卷积神经网络模型的输出结果与分类判断信息的期望结果不一致时，需要对卷积神经网络模型中的权重进行校正，以使卷积神经网络模型的输出结果与分类判断信息的期望结果相同。

S2240、当所述模型分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述卷积神经网络模型中的权重，至所述比对结果与所述分类判断信息一致时结束。

当卷积神经网络模型的输出结果与分类判断信息的期望结果不一致时，需要对卷积神经网络模型中的权重进行校正，以使卷积神经网络模型的输出结果与分类判断信息的期望结果相同。通过以上方法，则可识别出聊天信息中的文字信息，以及图片信息。

进一步的，语音信息的识别，也可通过神经网络来识别，与图片识别不同，语音信息的识别通过语音识别模型来识别具体的内容。语音识别使用神经网络构建，可使用的两种类型的神经网络，分别是多层感知器(MLP)和循环神经网路(RNN)，通过任意一种神经网络模型，可对语音语意进行识别。其中语音识别中需要对语言进行语法、语义分析以达到识别的目的。因此需要进行语言建模，语言建模能够有效地结合汉语语法和语义的知识，描述词之间的内在关系，从而提高识别率，减少搜索范围。语言模型分为三个层次：字典知识，语法知识，句法知识。对训练文本数据库进行语法、语义分析，经过基于统计模型训练得到语言模型。可采用以下两种语言建模方法：(1)基于规则模型；(2)基于统计模型。第一种基于规则的语言模型是在对汉语词汇系统按语法语义进行分类的基础上,通过确定自然语言的词法、句法及语义关系,试图达到同音词的大范围的基本唯一识别。其特点是适于处理封闭语料,能够反映语言的长距离约束关系和递归现象。另一种基于大规模语料库的统计语言模型，这种方法的特点是适合处理大规模真实语料，数据准备的一致性好，鲁棒性强。基于以上方法，可识别语音信息种的具体内容。

通过上述方法可识别聊天信息中的语义，一种实施例中，可识别图片信息中的文字，以及将识别的图片中的轮廓转换成文字表述出来，将识别的语音信息转化成文字，以便于识别出具体语义信息。转化的过程可通过上述的第一神经网络模型识别后同步转化。

S2300、根据所识别的语义信息，提取该语义信息中的第一关键字或者该语义信息所映射的第一关键字。

这里的第一关键字是最能表达该条聊天信息语义的关键字，第一关键字可以是一个字，也可以是多个字，比如其中一条聊天信息为“今天工作信息吗？”，则提取的第一关键字可以是“工作”，也可以是“工作”和“顺利”两个关键字。这是一种直接从语义信息中识别关键字的方法。

在另一实施例中，可从图片信息中找到所映射的第一关键字，比如当识别的图片信息为一片向日葵花园时，所映射的第一关键字可以为“花”。

当识别了第一关键字后，从预设数据库中匹配回复信息，以及该回复信息所映射的目标表情图片。预设数据库包括存储有与第一关键字具有回复关系的第二关键字的集合，还包括与第二关键字具有映射关系的目标表情图片。

其中，请参阅图4，所述从预设数据库中匹配回复信息，以及该回复信息所映射的目标表情图片的方法包括：

S2400、根据所述聊天信息提取的第一关键字，在预设数据库中匹配与所述第一关键字具有回复关系的第二关键字作为回复信息；

第一关键字时最能表达该条聊天信息语义的关键字，而第二关键字是最能与第一关键字具有回复关系的词，比如识别第一关键字是“花”时，与“花”具有映射关系的第二关键字是“感谢”，因此可将“感谢”作为回复信息。

S2500、根据所述第二关键字获取与该第二关键字相映射的目标表情图片，所述目标表情图片包括一幅或多幅，且以视图方式依次排列。

在预设数据库中，还包括与第二关键字具有映射关系的目标表情图片，因此可通过第二关键字显示目标表情图片。其中目标表情图片包括一幅或多幅，当有多幅图片时，将图片以视图方式依次排列，即分别将图片缩小到一定的比例，在当前图片显示页面上依次显示，当前图片显示页面可以同时显示多幅图片，比如以九宫格形式显示图片。

在一实施例中，第二关键字所映射的目标表情图片中有多幅时，按照使用次数的多少排列显示，当使用次数一样时，按照所保存的时长依次排列显示。

S3000、当检测到聊天输入框有输入光标时，弹出所述目标表情图片供用户选择以便于回复上述聊天信息。

通过步骤S2000识别了第一关键字后，则检测聊天输入框中是否由输入光标，当有输入光标时表示用户打算输入相关信息以进行发送，此时，弹出所述目标表情图片以供用户选择。比如，根据用户的历史操作，将某一第二关键字对应的目标表情图片中的图片以使用频率依次排列，用户选择第一张图片，则自动将该目标表情图片发送至聊天显示框中以进行回复。

在一实施例中，请参阅图5，所述目标表情图片的获取方法包括：

S2600、检测是否有针对表情图片的预设规则的操作，所述预设规则包括选择并保存、超过第一预设时间的长按以及所述表情图片的查看时间超过第二预设时间；

S2700、当有预设规则的操作时，将所述目标表情图片存入预设数据库中。

选择并保存表情图片表示在聊天显示框中，或者在平时的网页图片浏览过程中选择需要的图片，进行保存操作，需要说明的是，保存操作可以是本地保存，也可以是通过设置保存地址，将图片直接保存在预设数据库中。

超过第一预设时间的长按为识别当前浏览的图片的状态，这种操作适用于在触摸显示屏幕上，识别当前触摸位置是否在该图片显示位置，且时长是否操作第一预设时间，当满足条件，则可将该图片自动保存在预设的保存路径中，预设的保存路径可以是本地也可以是预设数据库中。

所述表情图片的查看时间操作第二预设时间表示当前的图片浏览的时间比较长，比如该图片浏览了30秒，表示用户对该图片可能比较感兴趣，因此自动将该图片保存在目标路径中。

上述的的目标路径为本地存储时，可通过导入的方式将图片存储在预设数据库中。通过这种方式，还可以再一次选择需要的图片进行存储，减少目标表情图片中的图片数量。

请参阅图6，所述将所述目标表情图片存入预设数据库中的方法包括：

S2710、将所述目标表情图片输入至第二神经网络模型中以识别所述目标表情图片的语义信息；

由于预设数据库中每一个目标表情图片都映射有第二关键字，因此需要对通过上述步骤S2700获取的目标表情图片后，对该图片信息语义识别，识别的方式依旧可以通过神经网络模型来识别，本申请中，将从聊天显示框或者浏览界面中获取的目标表情图片输入至第二神经网络模型中，第二神经网络模型的工作原理与上述第一神经网络模型类似，此处不赘述，通过这种方法则可识别所述目标表情图片的语义信息。

S2720、根据所述语义信息匹配对应的第二关键字；

与上述提取第一关键字的方法一样，可以同目标表情图片的语义信息中识别第二关键字，第一关键字与第二关键字的工作原理一样，只是所识别的图片的来源和目的不一样。上述的第二神经网络模型其实也可以直接用第一神经网络模型来识别。

S2730、将所述目标表情图片存储在所述第二关键字所映射的存储区域。

每一个第二关键字在预设的数据库中都存在唯一的存储区域，因此通过识别所述目标表情图片的第二关键字后，则可将该目标表情图片存储在第二关键字所映射的存储区域。

在一实施例中，由于目标表情图片的来源来自于网络，为了禁止某些可能引起不良效果的图片的传播，可以对欲存储的目标表情图片进行进一步筛选。因此，请参阅图7，在执行所述根据所述语义信息匹配对应的第二关键字步骤之前，还包括：

S2740、判断所述语义信息是否符合过滤规则；

过滤规则为设置好的禁止存储的规则，其过滤规则可以通过语义信息来识别，当通过神经网络模型识别了目标表情图片的语义信息后，则将该语义信息与预设的过滤规则的语义信息进行匹配，看是否符合条件，比如预设的过滤规则为过滤带有暴力的图片，并定义暴力的图片为有“带血、刀、人”的图片，当识别目标表情图片中含有这三个元素时，则表示满足过滤规则。

S2750、当符合过滤规则，停止所述目标表情图片的匹配。

当符合过滤规则，则停止对目标表情图片的进一步匹配，并将其删除。通过这种方法来维护聊天环境。

在另一方面，请参阅图8，本申请还公开一种聊天图片控制装置，包括：

获取模块1000：被配置为执行获取当前显示界面的最新一条聊天信息，所述聊天信息包括文字信息、图片信息或语音信息的一种或多种；

处理模块2000：被配置为执行识别所述聊天信息的第一关键字，并从预设数据库中匹配回复信息，以及该回复信息所映射的目标表情图片；

执行模块3000：被配置为执行当检测到聊天输入框有输入光标时，弹出所述目标表情图片供用户选择以回复上述聊天信息。

在一实施例中，还包括：

类别识别模块：被配置为执行将所述聊天信息输入至第一神经网络模型中以识别所述聊天信息的类别；

第一识别模块：被配置为执行选取与该类别对应的识别模型识别所述聊天信息的语义信息；

第一提取模块：被配置为执行根据所识别的语义信息，提取该语义信息中的第一关键字或者该语义信息所映射的第一关键字。

在一实施例中，还包括：

第一匹配模块：被配置为执行根据所述聊天信息提取的第一关键字，在预设数据库中匹配与所述第一关键字具有回复关系的第二关键字作为回复信息；

目标表情图片获取模块：被配置为执行根据所述第二关键字获取与该第二关键字相映射的目标表情图片，所述目标表情图片包括一幅或多幅，且以视图方式依次排列。

在一实施例中，还包括：

检测模块：被配置为执行检测是否有针对表情图片的预设规则的操作，所述预设规则包括选择并保存、超过第一预设时间的长按以及所述表情图片的查看时间超过第二预设时间；

第一存储模块：被配置为执行当有预设规则的操作时，将所述目标表情图片存入预设数据库中。

在一实施例中，还包括：

第二识别模块：被配置为执行将所述目标表情图片输入至第二神经网络模型中以识别所述目标表情图片的语义信息；

第二匹配模型，被配置为执行根据所述语义信息匹配对应的第二关键字；

第二存储模块：被配置为执行将所述目标表情图片存储在所述第二关键字所映射的存储区域。

在一实施例中，还包括：

判断模块：被配置为执行判断所述语义信息是否符合过滤规则；

当符合过滤规则，停止所述目标表情图片的匹配。

在一实施例中，第二关键字所映射的目标表情图片中有多幅时，按照使用次数的多少排列显示，当使用次数一样时，按照所保存的时长依次排列显示。

由于上述的聊天图片控制装置是聊天图片控制方法一一对应的模块，其功能一样，此处不再赘述。

本发明实施例提供计算机设备基本结构框图请参阅图9。

该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种聊天图片控制方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种聊天图片控制方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

计算机设备通过接收关联的客户端发送的提示行为的状态信息，即关联终端是否开启提示以及贷款人是否关闭该提示任务。通过验证上述任务条件是否达成，进而向关联终端发送对应的预设指令，以使关联终端能够根据该预设指令执行相应的操作，从而实现了对关联终端的有效监管。同时，在提示信息状态与预设的状态指令不相同时，服务器端控制关联终端持续进行响铃，以防止关联终端的提示任务在执行一段时间后自动终止的问题。

本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述聊天图片控制方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种聊天图片控制方法，其特征在于，包括：

获取当前显示界面的聊天信息，所述聊天信息包括文字信息、图片信息或语音信息的一种或多种；

识别所述聊天信息的第一关键字，并从预设数据库中匹配回复信息，以及该回复信息所映射的目标表情图片；

当检测到聊天输入框有输入光标时，弹出所述目标表情图片供用户选择以便于回复上述聊天信息。

2.根据权利要求1所述的聊天图片控制方法，其特征在于，所述识别所述聊天信息的第一关键字的方法包括：

将所述聊天信息输入至第一神经网络模型中以识别所述聊天信息的类别；

选取与该类别对应的识别模型识别所述聊天信息的语义信息；

根据所识别的语义信息，提取该语义信息中的第一关键字或者该语义信息所映射的第一关键字。

3.根据权利要求1所述的聊天图片控制方法，其特征在于，所述从预设数据库中匹配回复信息，以及该回复信息所映射的目标表情图片的方法包括：

根据所述聊天信息提取的第一关键字，在预设数据库中匹配与所述第一关键字具有回复关系的第二关键字作为回复信息；

根据所述第二关键字获取与该第二关键字相映射的目标表情图片，所述目标表情图片包括一幅或多幅，且以视图方式依次排列。

4.根据权利要求1所述的聊天图片控制方法，其特征在于，所述目标表情图片的获取方法包括：

检测是否有针对表情图片的预设规则的操作，所述预设规则包括选择并保存、超过第一预设时间的长按以及所述表情图片的查看时间超过第二预设时间；

当有预设规则的操作时，将所述目标表情图片存入预设数据库中。

5.根据权利要求4所述的聊天图片控制方法，其特征在于，所述将所述目标表情图片存入预设数据库中的方法包括：

将所述目标表情图片输入至第二神经网络模型中以识别所述目标表情图片的语义信息；

根据所述语义信息匹配对应的第二关键字；

将所述目标表情图片存储在所述第二关键字所映射的存储区域。

6.根据权利要求4所述的聊天图片控制方法，其特征在于，在执行所述根据所述语义信息匹配对应的第二关键字步骤之前，还包括：

判断所述语义信息是否符合过滤规则；

当符合过滤规则，停止所述目标表情图片的匹配。

7.根据权利要求3所述的聊天图片控制方法，其特征在于，第二关键字所映射的目标表情图片中有多幅时，按照使用次数的多少排列显示，当使用次数一样时，按照所保存的时长依次排列显示。

8.一种聊天图片控制装置，其特征在于，包括：

获取模块：被配置为执行获取当前显示界面的最新一条聊天信息，所述聊天信息包括文字信息、图片信息或语音信息的一种或多种；

处理模块：被配置为执行识别所述聊天信息的第一关键字，并从预设数据库中匹配回复信息，以及该回复信息所映射的目标表情图片；

执行模块：被配置为执行当检测到聊天输入框有输入光标时，弹出所述目标表情图片供用户选择以回复上述聊天信息。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述的聊天图片控制方法的步骤。

10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述的聊天图片控制方法的步骤。