用于推送语句的方法和装置
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于推送语句的方法和装置。
背景技术
目前,一些诸如搜索应用、输入法应用等各类应用,一般具有输入建议功能,即用户向输入框输入文字时,可以通过使用用户当前输入的内容作为前缀,去补全用户后续即将输入的内容,以达到辅助用户输入的目的。当用户输入的内容中存在漏输缺失时,用户通常会将光标调整到漏输位置手动进行补齐。
发明内容
本公开的实施例提出了用于推送语句的方法和装置。
第一方面,本公开的实施例提供了一种用于推送语句的方法,该方法包括:获取用户利用终端输入的输入语句;从输入语句中确定至少一个目标位置,其中,目标位置为用于插入词语的位置;对于至少一个目标位置中的目标位置,根据该目标位置,从输入语句中确定插入用语句;基于所确定的插入用语句,确定至少一个待插入该目标位置的候选词语;对于所确定的至少一个候选词语中的候选词语,将该候选词语插入该目标位置,得到候选语句;将所得到的候选语句发送到用户的终端以显示。
在一些实施例中,从输入语句中确定至少一个目标位置,包括:对输入语句进行分词,得到词语序列;将词语序列中的位于首位的词语之前的位置,位于末位词语之后的位置,以及在词语序列包括至少两个词语的情况下的相邻词语之间的位置确定为候选位置;从所确定的候选位置中,确定至少一个目标位置。
在一些实施例中,从所确定的候选位置中,确定至少一个目标位置,包括:将词语序列输入预先训练的位置估计模型,得到所确定的候选位置中的每个候选位置对应的概率值,其中,概率值用于表征向候选位置插入词语的概率;从所确定的概率值中,按照由大到小的顺序选择至少一个概率值,以及将至少一个概率值分别对应的候选位置确定为目标位置。
在一些实施例中,位置估计模型预先通过如下步骤训练得到:获取第一训练样本集合,其中,第一训练样本包括样本词语序列和对样本词语序列中的候选位置标注的位置标注信息;利用机器学习方法,将第一训练样本集合中的第一训练样本包括的样本词语序列作为初始模型的输入,将输入的样本词语序列包括的词语分别对应的位置标注信息作为初始模型的期望输出,对初始模型进行训练,得到位置估计模型。
在一些实施例中,从输入语句中确定至少一个目标位置,包括:响应于确定针对输入语句的光标移动操作结束,将光标当前所在的位置确定为目标位置。
在一些实施例中,基于所确定的插入用语句,确定至少一个待插入该目标位置的候选词语,包括:响应于确定插入用语句包括前缀语句和后缀语句,利用预设的词语插入模型,确定待插入前缀语句与后缀语句之间的词语作为候选词语;响应于确定插入用语句只包括前缀语句,利用词语插入模型,确定至少一个待插入前缀语句之后的词语作为候选词语;响应于确定插入用语句只包括后缀语句,利用词语插入模型,确定至少一个待插入后缀语句之前的词语作为候选词语。
在一些实施例中,词语插入模型为预先构建的双向字典树,其中,双向字典树包括前向字典树和后向字典树,前向字典树用于根据前缀语句确定待插入前缀语句之后的词语,后向字典树用于根据后缀语句确定待插入后缀语句之前的词语;以及确定待插入前缀语句与后缀语句之间的词语作为候选词语,包括:确定待插入前缀语句之后的词语组成的第一词语集合,以及确定待插入后缀语句之前的词语组成的第二词语集合;确定第一词语集合与第二词语集合的交集包括的词语作为候选词语。
在一些实施例中,双向字典树预先按照如下步骤构建:获取历史输入语句集合;对于历史输入语句集合中的历史输入语句,对该历史输入语句进行分词,得到历史输入词语序列;利用所得到的历史输入词语序列,构建双向字典树,其中,双向字典树包括节点,节点对应于历史输入词语序列中的词语。
在一些实施例中,词语插入模型为预先训练的神经网络模型,其中,神经网络模型包括前缀神经网络模型、后缀神经网络模型和数据处理层,前缀神经网络模型用于确定输入的前缀语句的特征数据,后缀神经网络模型用于确定输入的后缀语句的特征数据,数据处理层用于对所确定的特征数据进行处理,得到待插入目标位置的候选词语。
在一些实施例中,神经网络模型预先按照如下步骤构建:获取第二训练样本集合,其中,第二训练样本包括样本前缀语句和样本后缀语句,以及预设的用于插入样本前缀语句与样本后缀语句之间的样本插入词语;利用机器学习方法,将第二训练样本集合中的第二训练样本包括的样本前缀语句输入前缀神经网络模型,得到第一特征数据,将与输入的样本前缀语句对应的样本后缀语句输入后缀神经网络模型,得到第二特征数据;将第一特征数据和第二特征数据作为数据处理层的输入,将与输入的样本前缀语句和样本后缀语句对应的样本插入词语作为数据处理层的期望输出,训练得到神经网络模型。
第二方面,本公开的实施例提供了一种用于推送语句的装置,该装置包括:获取单元,被配置成获取用户利用终端输入的输入语句;确定单元,被配置成从输入语句中确定至少一个目标位置,其中,目标位置为用于插入词语的位置;生成单元,被配置成对于至少一个目标位置中的目标位置,根据该目标位置,从输入语句中确定插入用语句;基于所确定的插入用语句,确定至少一个待插入该目标位置的候选词语;对于所确定的至少一个候选词语中的候选词语,将该候选词语插入该目标位置,得到候选语句;发送单元,被配置成将所得到的候选语句发送到用户的终端以显示。
第三方面,本公开的实施例提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的用于推送语句的方法和装置,通过从用户输入的输入语句中确定至少一个目标位置,再确定各个目标位置分别对应的插入用语句,然后基于所确定的插入用语句,确定各目标位置分别对应的候选词语,将候选词语插入到对应的目标位置,生成候选语句,最后将所得到的候选语句发送到用户的终端以显示,从而实现了自动向用户输入的语句中插入词语,相比于现有技术中,通常将用户输入的语句作为前缀以补齐语句,本公开的实施例可以向用户输入的语句中插入词语,从而丰富了插入词语的方式,通过将生成的候选语句发送到用户的终端显示,可以使用户的终端上显示的候选语句更加丰富,有助于用户从候选语句中选择其希望输入的语句,从而节约了用户手动插入词语所耗费的时间。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的实施例的用于推送语句的方法的一个实施例的流程图;
图3是根据本公开的实施例的用于推送语句的方法的一个应用场景的示意图;
图4是根据本公开的实施例的用于推送语句的方法的又一个实施例的流程图;
图5是根据本公开的实施例的用于推送语句的方法的前向字典树和后向字典树的示例性示意图;
图6是根据本公开的实施例的用于推送语句的装置的一个实施例的结构示意图;
图7是适于用来实现本公开的实施例的服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关公开,而非对该公开的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关公开相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的实施例的用于推送语句的方法或用于推送语句的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种具有显示屏的电子设备。例如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。当终端设备101、102、103为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的候选语句提供支持的后台语句推送服务器。后台语句推送服务器可以对用户利用终端设备输入的输入语句进行处理,并将处理结果(例如候选语句)反馈给终端设备。
需要说明的是,本公开的实施例所提供的用于推送语句的方法一般由服务器105执行,相应地,用于推送语句的装置一般设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的用于推送语句的方法的一个实施例的流程200。该用于推送语句的方法,包括以下步骤:
步骤201,获取用户利用终端输入的输入语句。
在本实施例中,用于推送语句的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其输入语句的终端(例如图1所示的终端设备)获取用户输入的输入语句。通常,用户使用的终端上可以安装有可以输入语句的应用(例如浏览器应用、即时通讯工具等),上述执行主体可以为该应用提供内容支持,该应用可以包括文本输入框(例如搜索栏、聊天窗口上的文字输入栏等),当用户向该文本输入框中输入语句时,上述执行主体可以实时获取用户输入的输入语句。
步骤202,从输入语句中确定至少一个目标位置。
在本实施例中,上述执行主体可以从输入语句中确定至少一个目标位置。其中,目标位置为用于插入词语的位置。具体地,上述执行主体可以按照各种方法从输入语句中确定至少一个目标位置。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤从输入语句中确定至少一个目标位置:
响应于确定针对输入语句的光标移动操作结束,将光标当前所在的位置确定为目标位置。其中,光标移动操作可以是用户利用鼠标、键盘、触控屏等设备,将光标在输入语句包括的文字间移动的操作。通常,用户的终端可以根据光标在输入语句中的各个位置的停留时间,确定光标移动操作是否结束。作为示例,当光标在某个位置的停留时间大于等于预设的时长时,用户的终端向上述执行主体发送用于表征光标移动操作结束以及光标当前所在的位置的信息。上述执行主体可以响应于接收到的上述信息,确定光标移动操作结束,并根据上述信息确定光标当前所在的位置。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤从输入语句中确定至少一个目标位置:
首先,对输入语句进行分词,得到词语序列。具体地,上述执行主体可以利用现有的各种分词方法(例如基于词典的分词方法、基于统计的分词方法、基于语义的分词方法等),对输入语句进行分词。
然后,将词语序列中的位于首位词语之前的位置,位于末位词语之后的位置,以及在词语序列包括至少两个词语的情况下的相邻词语之间的位置确定为候选位置。作为示例,假设输入语句为“怎样知识图谱”,对该输入语句进行分词,得到词语序列“怎样,知识,图谱”,候选位置用符号“/”表征,则包括候选位置的输入语句表征为“/怎样/知识/图谱/”。
最后,从所确定的候选位置中,确定至少一个目标位置。作为示例,上述执行主体可以从所确定的候选位置中,随机选择至少一个(例如预设数量个)目标位置。或者,将每个候选位置均确定为目标位置。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤从所确定的候选位置中,确定至少一个目标位置:
首先,将词语序列输入预先训练的位置估计模型,得到所确定的候选位置中的每个候选位置对应的概率值。其中,概率值用于表征向候选位置插入词语的概率。位置估计模型用于表征词语序列与候选位置的概率值的对应关系。
通常,位置估计模型可以包括特征提取部分和分类部分。其中,特征提取部分用于提取词语序列的特征(例如词性、词频等特征),生成特征数据(例如特征向量、特征矩阵等形式的数据)。分类部分用于对特征数据进行分析,确定各个候选位置分别对应的概率值。这里,概率值用于表征向候选位置插入词语的概率,即概率值用于表征候选位置所属的类别(即该类别下的候选位置可插入词语)的概率。上述特征提取部分可以包括但不限于以下至少一种模型:N-Gram模型、RNN(Recurrent Neural Network,循环神经网络)模型。需要说明的是,通常,当使用N-Gram模型时,可以采用二元模型和/或三元模型,得到特征数据,当同时使用二元模型和三元模型时,可以利用分类部分分别对二元模型输出的特征数据和三元模型输出的特征数据进行分类,每个候选位置可以对应于两个概率值,取两个概率值中的最大值作为最终得到的候选位置对应的概率值。上述分类部分可以包括但不限于以下至少一种用于分类的模型:支持向量机、随机森林等。
然后,从所确定的概率值中,按照由大到小的顺序选择至少一个概率值,以及将至少一个概率值分别对应的候选位置确定为目标位置。具体地,上述执行主体可以从所确定的概率值中,选择预设数量个(例如2个)概率值。应当理解,当候选位置的数量小于等于预设数量时,可以确定所有的候选位置作为目标位置。
在本实施例的一些可选的实现方式中,位置估计模型可以由上述执行主体或其他电子设备预先通过如下步骤训练得到:
首先,获取第一训练样本集合。具体地,用于训练位置估计模型的执行主体可以从远程或从本地获取第一训练样本集合。其中,第一训练样本包括样本词语序列和对样本词语序列中的候选位置标注的位置标注信息。
作为示例,样本词语序列可以是用于训练位置估计模型的执行主体对预设的语句进行分词,并将所得到的词语序列中的某个词语删除后所得到的词语序列。例如,对于词语序列“如何,构建,知识,图谱”,将其中的词语“构建”删除后所得到的词语序列“如何,知识,图谱”确定为样本词语序列。
位置标注信息可以用于表征需插入词语的位置。例如,上述样本词语序列“如何,知识,图谱”包括四个候选位置,分别用A-D表征,其在样本词语序列中的位置如下“A如何B知识C图谱D”,则候选位置B对应的位置标注信息可以为数字1,其他候选位置对应的位置标注信息可以为数字0。
然后,利用机器学习方法,将第一训练样本集合中的第一训练样本包括的样本词语序列作为初始模型的输入,将输入的样本词语序列包括的词语分别对应的位置标注信息作为初始模型的期望输出,对初始模型进行训练,得到位置估计模型。
具体地,用于训练位置估计模型的执行主体可以利用机器学习方法,将第一训练样本集合中的第一训练样本包括的样本词语序列作为输入,将与输入的样本词语序列对应的位置标注信息作为期望输出,对初始模型(例如包括用于提取文本特征的N-Gram模型等,和用于对用于表征文本特征的特征数据进行分类的支持向量机等)进行训练,针对每次训练输入的样本词语序列,可以得到实际输出。其中,实际输出是初始模型实际输出的每个候选位置的概率值。然后,用于训练位置估计模型的执行主体可以采用梯度下降法和反向传播法,基于实际输出和期望输出,调整初始模型的参数,将每次调整参数后得到的模型作为下次训练的初始模型,并在满足预设的训练结束条件的情况下,结束训练,从而训练得到位置估计模型。需要说明的是,这里预设的训练结束条件可以包括但不限于以下至少一项:训练时间超过预设时长;训练次数超过预设次数;利用预设的损失函数(例如交叉熵损失函数)计算所得的损失值小于预设损失值阈值。
步骤203,对于至少一个目标位置中的目标位置,根据该目标位置,从输入语句中确定插入用语句;基于所确定的插入用语句,确定至少一个待插入该目标位置的候选词语;对于所确定的至少一个候选词语中的候选词语,将该候选词语插入该目标位置,得到候选语句。
在本实施例中,对于至少一个目标位置中的目标位置,上述执行主体可以执行如下步骤:
步骤2031,根据该目标位置,从输入语句中确定插入用语句。
其中,插入用语句是确定向输入语句中插入的候选词语所使用的语句。具体地,插入用语句可以包括前缀语句和/或后缀语句。作为示例,假设目标位置位于词语序列中的两个相邻的词语之间,则目标位置之前的词语序列组成的语句为前缀语句,目标位置之后的词语序列组成的语句为后缀语句。例如,假设词语序列为“如何,知识,图谱”,如果目标位置为词语“如何”和“知识”之间的位置,则“如何”为前缀语句,“知识图谱”为后缀语句。再例如,如果目标位置为词语“如何”之前的位置,则插入用语句只包括后缀语句“如何知识图谱”。
步骤2032,基于所确定的插入用语句,确定至少一个待插入该目标位置的候选词语。
具体地,上述执行主体可以基于所确定的插入用语句,利用各种方法确定至少一个待插入该目标位置的候选词语。作为示例,上述执行主体可以利用预设的、用于表征插入用语句和候选词语的对应关系的对应关系表,确定至少一个待插入该目标位置的候选词语。上述对应关系表可以是技术人员预先对大量的插入用语句(例如包括前缀语句和后缀语句),以及插入用语句对应的至少一个候选词语进行统计而设置的。上述执行主体可以将所确定的插入用语句分别与该对应关系表中的每个插入用语句进行比较(例如确定语句之间的相似度),将与所确定的插入用语句匹配(例如当相似度大于等于预设的相似度阈值时,确定两个语句匹配)的插入用语句对应的至少一个候选词语确定为待插入目标位置的候选词语。
步骤2033,对于所确定的至少一个候选词语中的候选词语,将该候选词语插入该目标位置,得到候选语句。
具体地,对于所确定的至少一个候选词语中的候选词语,上述执行主体可以将该候选词语插入该目标位置,得到候选语句。作为示例,假设用户输入的输入语句为“如何知识图谱”,目标位置位于词语“如何”和“知识”之间,所确定的候选词语包括“构建”和“建立”,则候选语句可以包括“如何构建知识图谱”和“如何建立知识图谱”。
步骤204,将所得到的候选语句发送到用户的终端以显示。
在本实施例中,上述执行主体可以将所得到的候选语句发送到用户的终端以显示。通常,所得到的候选语句可以以列表的形式在用户的终端上显示,用户可以选择(例如通过点击的方式选择或利用方向键选择)候选语句,从而将上述输入语句替换为用户选择的候选语句。上述列表包括的候选语句可以按照预设的排列顺序进行排列,例如,按照候选语句的输入热度(例如过去一个月内,用户输入候选语句进行搜索的次数,或者浏览包括候选语句的文章的用户数)排序,或者随机排序。通常,上述排列顺序可以由排列顺序信息表征,例如排列顺序信息可以为数字,数字1用于表征按照输入热度排序,数字2用于表征随机排序。上述执行主体可以将排列顺序信息发送到用户的终端,以使用户的终端按照排列顺序信息指示的排列顺序显示候选语句。
继续参见图3,图3是根据本实施例的用于推送语句的方法的应用场景的一个示意图。在图3的应用场景中,服务器301首先从用户使用的终端302获取用户输入到终端302上显示的搜索栏中的输入语句303(例如“如何知识图谱”)。然后,服务器301从输入语句303中确定目标位置(例如词语“如何”和“知识”之间的位置)。例如,服务器301可以对输入语句303进行分词,得到词语序列“如何,知识,图谱”,再将词语“如何”之前的位置,“图谱”之后的位置,以及相邻词语之间的位置确定为候选位置,最后将词语序列输入预先训练的位置估计模型,得到每个候选位置对应的概率值,将其中最大的概率值对应的候选位置确定为目标位置。
然后,服务器301根据目标位置,从输入语句中确定插入用语句。其中,插入用语句包括前缀语句“如何”(即图中的3031)和后缀语句“知识图谱”(即图中的3032)。
接着,服务器301基于所确定的插入用语句,确定待插入目标位置的候选词语304(例如词语“构建”)。例如,服务器301将前缀语句3031和后缀语句3032输入预先训练的神经网络模型,得到候选词语304。
随后,服务器301将候选词语304插入目标位置,得到候选语句305(例如“如何构建知识图谱”)。
最后,服务器301将所得到的候选语句305发送到终端302以显示,用户可以点击显示的候选语句305,以将输入语句303替换为候选语句305。
本公开的上述实施例提供的方法,通过从用户输入的输入语句中确定至少一个目标位置,再确定各个目标位置分别对应的插入用语句,然后基于所确定的插入用语句,确定各目标位置分别对应的候选词语,将候选词语插入到对应的目标位置,生成候选语句,最后将所得到的候选语句发送到用户的终端以显示,从而实现了自动向用户输入的语句中插入词语,相比于现有技术中,通常将用户输入的语句作为前缀以补齐语句,本公开的实施例可以向用户输入的语句中插入词语,从而丰富了插入词语的方式,通过将生成的候选语句发送到用户的终端显示,可以使用户的终端上显示的候选语句更加丰富,有助于用户从候选语句中选择其希望输入的语句,从而节约了用户手动插入词语所耗费的时间。
进一步参考图4,其示出了用于推送语句的方法的又一个实施例的流程400。该用于推送语句的方法的流程400,包括以下步骤:
步骤401,获取用户利用终端输入的输入语句。
在本实施例中,步骤401与图2对应实施例中的步骤201基本一致,这里不再赘述。
步骤402,从输入语句中确定至少一个目标位置,其中,目标位置为用于插入词语的位置。
在本实施例中,步骤402与图2对应实施例中的步骤202基本一致,这里不再赘述。
步骤403,对于至少一个目标位置中的目标位置,根据该目标位置,从输入语句中确定插入用语句;响应于确定插入用语句包括前缀语句和后缀语句,利用预设的词语插入模型,确定待插入前缀语句与后缀语句之间的词语作为候选词语;响应于确定插入用语句只包括前缀语句,利用词语插入模型,确定至少一个待插入前缀语句之后的词语作为候选词语;响应于确定插入用语句只包括后缀语句,利用词语插入模型,确定至少一个待插入后缀语句之前的词语作为候选词语;对于所确定的至少一个候选词语中的候选词语,将该候选词语插入该目标位置,得到候选语句。
在本实施例中,对于至少一个目标位置中的目标位置,用于推送语句的方法的执行主体(例如图1所示的服务器)可以执行如下步骤:
步骤4031,根据该目标位置,从输入语句中确定插入用语句。
具体地,步骤4031与图2对应实施例中的步骤2031基本一致,这里不再赘述。
步骤4032,响应于确定插入用语句包括前缀语句和后缀语句,利用预设的词语插入模型,确定待插入前缀语句与后缀语句之间的词语作为候选词语。
具体地,插入用语句可以包括前缀语句和/或后缀语句。当上述执行主体确定插入用语句包括前缀语句和后缀语句(即目标位置处于相邻的两个词语之间)时,可以利用预设的词语插入模型,确定待插入前缀语句与后缀语句之间的词语作为候选词语。
上述词语插入模型用于表征插入语语句和候选词语的对应关系。词语插入模型可以是各种形式的模型。
在本实施例的一些可选的实现方式中,词语插入模型为预先构建的双向字典树(Trie树)。其中,双向字典树包括前向字典树和后向字典树,前向字典树用于根据前缀语句确定待插入前缀语句之后的词语,后向字典树用于根据后缀语句确定待插入后缀语句之前的词语。如图5所示,其示出了前向字典树和后向字典树的示例性示意图。在图5中,前向字典树501包括节点A-H,后向字典树502包括节点A′-H′,其中,前向字典树501和后向字典树502包括的节点分别对应于不同的词语,各个节点之间的连线用于表征节点对应的词语的排序顺序。假设前缀语句包括的词语分别对应于节点A、C、F,则可以确定节点H对应的词语为待插入节点F对应的词语之后的词语。假设后缀语句包括的词语分别对应于节点A′、C′、E′,则可以确定节点H′对应的词语为待插入节点E′对应的词语之前的词语。由于双向字典树的构建过程简单,利用双向字典树确定候选词语的过程无需大量计算,因此,利用双向字典树可以提高确定候选词语的效率。
上述执行主体可以利用上述双向字典树,按照如下步骤确定待插入前缀语句与后缀语句之间的词语作为候选词语:
首先,确定待插入前缀语句之后的词语组成的第一词语集合,以及确定待插入后缀语句之前的词语组成的第二词语集合。具体地,上述执行主体可以利用上述前向字典树确定待插入前缀语句之后的词语组成的第一词语集合,以及利用上述后向字典树确定待插入后缀语句之前的词语组成的第二词语集合。
然后,确定第一词语集合与第二词语集合的交集包括的词语作为候选词语。作为示例,假设前缀语句为“如何”,后缀语句为“知识图谱”,第一词语集合包括词语“看待”、“构建”、“删除”,第二词语集合包括词语“构建”、“建立”、“生成”,则候选词语为“构建”。
在本实施例的一些可选的实现方式中,上述双向字典树预先按照如下步骤构建:
首先,获取历史输入语句集合。具体地,用于构建双向字典树的执行主体可以从远程或从本地获取历史输入语句集合。其中,历史输入语句可以是目标用户群(例如使用某搜索类应用的用户群)包括的用户在历史时间段(例如过去一月、一年等时间段)输入的输入语句的集合。
然后,对于历史输入语句集合中的历史输入语句,对该历史输入语句进行分词,得到历史输入词语序列。具体地,用于构建双向字典树的执行主体可以利用现有的分词方法对历史输入语句进行分词,得到历史输入词语序列。
最后,利用所得到的历史输入词语序列,构建双向字典树。其中,双向字典树包括节点,节点对应于历史输入词语序列中的词语。通常,节点可以用各种形式的结构体表征,例如,对于一个节点,该节点可以对应于一个结构体,结构体中可以包括对应的词语和用于表征与该节点连接的其他节点的指针。
在本实施例的一些可选的实现方式中,词语插入模型为预先训练的神经网络模型。其中,神经网络模型包括前缀神经网络模型、后缀神经网络模型和数据处理层,前缀神经网络模型用于确定输入的前缀语句的特征数据,后缀神经网络模型用于确定输入的后缀语句的特征数据,数据处理层用于对所确定的特征数据进行处理,得到待插入目标位置的候选词语。由于神经网络模型是预先利用大量的训练样本进行训练得到的模型,因此,神经网络模型可以更准确地确定候选词语。
具体地,上述前缀神经网络模型和后缀神经网络模型可以分别包括但不限于以下至少一种:LSTM(Long Short-Term Memory,长短期记忆网络)模型、RNN模型。前缀神经网络模型和后缀神经网络模型输出的特征数据可以为诸如特征向量或特征矩阵的形式。上述数据处理层可以包括用于分类的分类器(例如softmax分类函数,支持向量机等),用于对特征数据进行分类。该分类器可以输出至少一个候选词语和每个候选词语对应的概率值,其中,概率值用于表征将与概率值对应的候选词语插入目标位置的概率。即,每个候选词语可以用于表征一个类别,则概率值可以用于表征输入的插入用语句属于候选词语表征的类别的概率。上述执行主体可以从所得到的候选词语中,按照对应的概率值由大到小的顺序,选择至少一个(例如预设数量个)候选词语作为待插入目标位置的候选词语。
实践中,当插入用语句包括前缀语句和后缀语句时,可以将前缀语句和后缀语句分别输入前缀神经网络模型和后缀神经网络模型,前缀神经网络模型输出第一特征数据,后缀神经网络模型输出第二特征数据。数据处理层可以将第一特征数据和第二特征数据拼接(例如当第一特征数据和第二特征数据为特征向量时,可以将第一特征数据和第二特征数据串接为一个向量;或者可以取第一特征数据和第二特征数据中,相同位置的元素的最大值,组成新的特征向量作为拼接后的特征数据),对拼接后的特征数据进行分析,得到至少一个候选词语和每个候选词语对应的概率值。
当插入用语句只包括前缀语句或后缀语句(即目标位置处于词语序列中位于首位的词语之前,或处于末位词语之后)时,可以将前缀语句输入前缀神经网络模型,或将后缀语句输入后缀神经网络模型,数据处理层对前缀神经网络模型输出的第一特征数据,或后缀神经网络模型输出的第二特征数据进行处理,得到至少一个候选词语和每个候选词语对应的概率值。
在本实施例的一些可选的实现方式中,神经网络模型可以预先由上述执行主体或其他电子设备按照如下步骤构建:
首先,获取第二训练样本集合。具体地,用于训练神经网络模型的执行主体可以从远程或从本地获取第二训练样本集合。其中,第二训练样本包括样本前缀语句和样本后缀语句,以及预设的用于插入样本前缀语句与样本后缀语句之间的样本插入词语。作为示例,某个样本前缀语句为“如何”,其对应的样本后缀语句为“知识图谱”,其对应的样本插入词语为“构建”。
然后,利用机器学习方法,将第二训练样本集合中的第二训练样本包括的样本前缀语句输入前缀神经网络模型,得到第一特征数据,将与输入的样本前缀语句对应的样本后缀语句输入后缀神经网络模型,得到第二特征数据;将第一特征数据和第二特征数据作为数据处理层的输入,将与输入的样本前缀语句和样本后缀语句对应的样本插入词语作为数据处理层的期望输出,训练得到神经网络模型。
具体地,用于训练神经网络模型的执行主体可以利用机器学习方法,将第二训练样本集合中的第二训练样本包括的样本前缀语句输入初始模型包括的前缀神经网络模型,得到第一特征数据,将与样本前缀语句对应的样本后缀语句输入初始模型包括的后缀神经网络模型,得到第二特征数据,将第一特征数据和第二特征数据作为数据处理层的输入,将与输入的样本前缀语句和样本后缀语句对应的样本插入词语作为数据处理层的期望输出,对初始模型进行训练,针对每次训练输入的样本前缀语句和样本后缀语句,可以得到实际输出。其中,实际输出(例如为与样本插入词语对应的概率值)用于表征实际插入样本前缀语句和样本后缀语句之间的词语。然后,用于训练神经网络模型的执行主体可以采用梯度下降法和反向传播法,基于实际输出和期望输出(例如期望输出可以对应于概率值100%),调整初始模型的参数,将每次调整参数后得到的模型作为下次训练的初始模型,并在满足预设的训练结束条件的情况下,结束训练,从而训练得到神经网络模型。需要说明的是,这里预设的训练结束条件可以包括但不限于以下至少一项:训练时间超过预设时长;训练次数超过预设次数;利用预设的损失函数(例如交叉熵损失函数)计算所得的损失值小于预设损失值阈值。
步骤4033,响应于确定插入用语句只包括前缀语句,利用词语插入模型,确定至少一个待插入前缀语句之后的词语作为候选词语。
作为示例,当词语插入模型为双向字典树时,可以利用双向字典树包括的前向字典树,确定待插入前缀语句之后的候选词语。当词语插入模型为神经网络模型时,可以将前缀语句输入神经网络模型,神经网络模型包括的前缀神经网络模型确定前缀语句的特征数据,神经网络模型包括的数据处理层对所确定的特征数据进行处理,得到待插入前缀语句之后的候选词语。
步骤4034,响应于确定插入用语句只包括后缀语句,利用词语插入模型,确定至少一个待插入后缀语句之前的词语作为候选词语。
作为示例,当词语插入模型为双向字典树时,可以利用双向字典树包括的后向字典树,确定待插入后缀语句之前的候选词语。当词语插入模型为神经网络模型时,可以将后缀语句输入神经网络模型,神经网络模型包括的后缀神经网络模型确定后缀语句的特征数据,神经网络模型包括的数据处理层对所确定的特征数据进行处理,得到待插入后缀语句之前的候选词语。
步骤4035,对于所确定的至少一个候选词语中的候选词语,将该候选词语插入该目标位置,得到候选语句。
具体地,步骤4035与图2对应实施例中的步骤2033基本一致,这里不再赘述。
步骤404,将所得到的候选语句发送到用户的终端以显示。
在本实施例中,步骤404与图2对应实施例中的步骤204基本一致,这里不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于推送语句的方法的流程400突出了使用词语插入模型确定候选词语的步骤。由此,本实施例描述的方案可以更准确地确定候选词语,从而进一步提高生成候选语句的准确性,使用户的终端上显示的候选语句更有针对性,用户从候选语句中选择其希望输入的语句的可能性进一步增大,从而可以进一步节约用户手动插入词语所耗费的时间。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种用于推送语句的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于推送语句的装置600包括:获取单元601,被配置成获取用户利用终端输入的输入语句;确定单元602,被配置成从输入语句中确定至少一个目标位置,其中,目标位置为用于插入词语的位置;生成单元603,被配置成对于至少一个目标位置中的目标位置,根据该目标位置,从输入语句中确定插入用语句;基于所确定的插入用语句,确定至少一个待插入该目标位置的候选词语;对于所确定的至少一个候选词语中的候选词语,将该候选词语插入该目标位置,得到候选语句;发送单元604,被配置成将所得到的候选语句发送到用户的终端以显示。
在本实施例中,获取单元601可以通过有线连接方式或者无线连接方式从用户利用其输入语句的终端(例如图1所示的终端设备)获取用户输入的输入语句。通常,用户使用的终端上可以安装有可以输入语句的应用(例如浏览器应用、即时通讯工具等),上述获取单元601可以为该应用提供内容支持,该应用可以包括文本输入框(例如搜索栏、聊天窗口上的文字输入栏等),当用户向该文本输入框中输入语句时,上述获取单元601可以获取用户输入的输入语句。
在本实施例中,确定单元602可以从输入语句中确定至少一个目标位置。其中,目标位置为用于插入词语的位置。具体地,上述确定单元602可以按照各种方法从输入语句中确定至少一个目标位置。具体可以参考下述可选的实现方式。
在本实施例中,对于至少一个目标位置中的目标位置,上述生成单元603可以执行如下步骤:
步骤6031,根据该目标位置,从输入语句中确定插入用语句。
具体地,插入用语句可以包括前缀语句和/或后缀语句。作为示例,假设目标位置位于词语序列中的两个相邻的词语之间,则目标位置之前的词语序列组成的语句为前缀语句,目标位置之后的词语序列组成的语句为后缀语句。例如,假设词语序列为“如何,知识,图谱”,如果目标位置为词语“如何”和“知识”之间的位置,则“如何”为前缀语句,“知识图谱”为后缀语句。再例如,如果目标位置为词语“如何”之前的位置,则插入用语句只包括后缀语句“如何知识图谱”。
步骤6032,基于所确定的插入用语句,确定至少一个待插入该目标位置的候选词语。
具体地,上述生成单元603可以基于所确定的插入用语句,利用各种方法确定至少一个待插入该目标位置的候选词语。作为示例,上述生成单元603可以利用预设的、用于表征插入用语句和候选词语的对应关系的对应关系表,确定至少一个待插入该目标位置的候选词语。上述对应关系表可以是技术人员预先对大量的插入用语句(例如包括前缀语句和后缀语句),以及插入用语句对应的至少一个候选词语进行统计而设置的。上述生成单元603可以将所确定的插入用语句分别与该对应关系表中的每个插入用语句进行比较(例如确定语句之间的相似度),将与所确定的插入用语句匹配(例如当相似度大于等于预设的相似度阈值时,确定两个语句匹配)的插入用语句对应的至少一个候选词语确定为待插入目标位置的候选词语。
步骤6033,对于所确定的至少一个候选词语中的候选词语,将该候选词语插入该目标位置,得到候选语句。
具体地,对于所确定的至少一个候选词语中的候选词语,上述生成单元603可以将该候选词语插入该目标位置,得到候选语句。作为示例,假设用户输入的输入语句为“如何知识图谱”,目标位置位于词语“如何”和“知识”之间,所确定的候选词语包括“构建”和“建立”,则候选语句可以包括“如何构建知识图谱”和“如何建立知识图谱”。
在本实施例中,发送单元604可以将所得到的候选语句发送到用户的终端以显示。通常,所得到的候选语句可以以列表的形式在用户的终端上显示,用户可以选择(例如通过点击的方式选择或利用方向键选择)候选语句,从而将上述输入语句替换为用户选择的候选语句。上述列表包括的候选语句可以按照预设的排列顺序进行排列,例如,按照候选语句的输入热度(例如过去一个月内,用户输入候选语句进行搜索的次数,或者浏览包括候选语句的文章的用户数)排序,或者随机排序。通常,上述排列顺序可以由排列顺序信息表征,例如排列顺序信息可以为数字,数字1用于表征按照输入热度排序,数字2用于表征随机排序。上述发送单元604可以将排列顺序信息发送到用户的终端,以使用户的终端按照排列顺序信息指示的排列顺序显示候选语句。
在本实施例的一些可选的实现方式中,确定单元602可以包括:分词模块(图中未示出),被配置成对输入语句进行分词,得到词语序列;第一确定模块(图中未示出),被配置成将词语序列中的位于首位的词语之前的位置,位于末位词语之后的位置,以及在词语序列包括至少两个词语的情况下的相邻词语之间的位置确定为候选位置;第二确定模块(图中未示出),被配置成从所确定的候选位置中,确定至少一个目标位置。
在本实施例的一些可选的实现方式中,第二确定模块可以包括:生成子模块(图中未示出),被配置成将词语序列输入预先训练的位置估计模型,得到所确定的候选位置中的每个候选位置对应的概率值,其中,概率值用于表征向候选位置插入词语的概率;第一确定子模块(图中未示出),被配置成从所确定的概率值中,按照由大到小的顺序选择至少一个概率值,以及将至少一个概率值分别对应的候选位置确定为目标位置。
在本实施例的一些可选的实现方式中,位置估计模型可以预先通过如下步骤训练得到:获取第一训练样本集合,其中,第一训练样本包括样本词语序列和对样本词语序列中的候选位置标注的位置标注信息;利用机器学习方法,将第一训练样本集合中的第一训练样本包括的样本词语序列作为初始模型的输入,将输入的样本词语序列包括的词语分别对应的位置标注信息作为初始模型的期望输出,对初始模型进行训练,得到位置估计模型。
在本实施例的一些可选的实现方式中,确定单元602可以进一步被配置成:响应于确定针对输入语句的光标移动操作结束,将光标当前所在的位置确定为目标位置。
在本实施例的一些可选的实现方式中,生成单元603可以包括:第三确定模块(图中未示出),被配置成响应于确定插入用语句包括前缀语句和后缀语句,利用预设的词语插入模型,确定待插入前缀语句与后缀语句之间的词语作为候选词语;第四确定模块(图中未示出),被配置成响应于确定插入用语句只包括前缀语句,利用词语插入模型,确定至少一个待插入前缀语句之后的词语作为候选词语;第五确定模块(图中未示出),被配置成响应于确定插入用语句只包括后缀语句,利用词语插入模型,确定至少一个待插入后缀语句之前的词语作为候选词语。
在本实施例的一些可选的实现方式中,词语插入模型为预先构建的双向字典树,其中,双向字典树包括前向字典树和后向字典树,前向字典树用于根据前缀语句确定待插入前缀语句之后的词语,后向字典树用于根据后缀语句确定待插入后缀语句之前的词语;以及第三确定模块包括:第二确定子模块(图中未示出),被配置成确定待插入前缀语句之后的词语组成的第一词语集合,以及确定待插入后缀语句之前的词语组成的第二词语集合;第三确定子模块(图中未示出),被配置成确定第一词语集合与第二词语集合的交集包括的词语作为候选词语。
在本实施例的一些可选的实现方式中,双向字典树可以预先按照如下步骤构建:获取历史输入语句集合;对于历史输入语句集合中的历史输入语句,对该历史输入语句进行分词,得到历史输入词语序列;利用所得到的历史输入词语序列,构建双向字典树,其中,双向字典树包括节点,节点对应于历史输入词语序列中的词语。
在本实施例的一些可选的实现方式中,词语插入模型为预先训练的神经网络模型,其中,神经网络模型包括前缀神经网络模型、后缀神经网络模型和数据处理层,前缀神经网络模型用于确定输入的前缀语句的特征数据,后缀神经网络模型用于确定输入的后缀语句的特征数据,数据处理层用于对所确定的特征数据进行处理,得到待插入目标位置的候选词语。
在本实施例的一些可选的实现方式中,神经网络模型可以预先按照如下步骤构建:获取第二训练样本集合,其中,第二训练样本包括样本前缀语句和样本后缀语句,以及预设的用于插入样本前缀语句与样本后缀语句之间的样本插入词语;利用机器学习方法,将第二训练样本集合中的第二训练样本包括的样本前缀语句输入前缀神经网络模型,得到第一特征数据,将与输入的样本前缀语句对应的样本后缀语句输入后缀神经网络模型,得到第二特征数据;将第一特征数据和第二特征数据作为数据处理层的输入,将与输入的样本前缀语句和样本后缀语句对应的样本插入词语作为数据处理层的期望输出,训练得到神经网络模型。
本公开的上述实施例提供的装置,通过从用户输入的输入语句中确定至少一个目标位置,再确定各个目标位置分别对应的插入用语句,然后基于所确定的插入用语句,确定各目标位置分别对应的候选词语,将候选词语插入到对应的目标位置,生成候选语句,最后将所得到的候选语句发送到用户的终端以显示,从而实现了自动向用户输入的语句中插入词语,相比于现有技术中,通常将用户输入的语句作为前缀以补齐语句,本公开的实施例可以向用户输入的语句中插入词语,从而丰富了插入词语的方式,通过将生成的候选语句发送到用户的终端显示,可以使用户的终端上显示的候选语句更加丰富,有助于用户从候选语句中选择其希望输入的语句,从而节约了用户手动插入词语所耗费的时间。
下面参考图7,其示出了适于用来实现本公开的实施例的服务器700的结构示意图。图7示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,服务器700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有服务器700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许服务器700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的服务器700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开的实施例中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述服务器中所包含的;也可以是单独存在,而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该服务器执行时,使得该服务器:获取用户利用终端输入的输入语句;从输入语句中确定至少一个目标位置,其中,目标位置为用于插入词语的位置;对于至少一个目标位置中的目标位置,根据该目标位置,从输入语句中确定插入用语句;基于所确定的插入用语句,确定至少一个待插入该目标位置的候选词语;对于所确定的至少一个候选词语中的候选词语,将该候选词语插入该目标位置,得到候选语句;将所得到的候选语句发送到用户的终端以显示。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、确定单元、生成单元和发送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取用户利用终端输入的输入语句的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。