CN109977409A - 一种基于用户聊天习惯的智能表情推荐方法和系统 - Google Patents

一种基于用户聊天习惯的智能表情推荐方法和系统 Download PDF

Info

Publication number
CN109977409A
CN109977409A CN201910243575.9A CN201910243575A CN109977409A CN 109977409 A CN109977409 A CN 109977409A CN 201910243575 A CN201910243575 A CN 201910243575A CN 109977409 A CN109977409 A CN 109977409A
Authority
CN
China
Prior art keywords
user
expression
corpus
chat
neural networks
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.)
Pending
Application number
CN201910243575.9A
Other languages
English (en)
Inventor
谢永红
孙振起
张德政
阿孜古丽
栗辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201910243575.9A priority Critical patent/CN109977409A/zh
Publication of CN109977409A publication Critical patent/CN109977409A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]
    • H04L51/046—Interoperability with other network applications or services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/21—Monitoring or handling of messages
    • H04L51/214—Monitoring or handling of messages using selective forwarding

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)

Abstract

本发明的实施例公开一种基于用户聊天习惯的智能表情推荐方法和装置，所述方法包括：获取用户在社交软件中输入的对话内容；根据用户表情包预测模型，获取所述对话内容对应的至少一个表情包；所述用户表情包预测模型为依据用户的聊天习惯建立，包含有用户聊天语料包库中用户聊天语料与表情包库中表情包之间的对应关系；将至少一个所述表情包推荐给用户，以供所述用户选择使用。

Description

一种基于用户聊天习惯的智能表情推荐方法和系统
技术领域
本发明涉及社交软件领域，尤其涉及一种基于用户聊天习惯的智能表情推荐方法和系统。
背景技术
目前，用户在使用社交软件进行聊天时，需要手动选择表情，用户体验比较差。
发明内容
有鉴于此，本发明实施例提供一种基于用户聊天习惯的智能表情推荐方法和系统，能够提高用户的体验.。
一种基于用户聊天习惯的智能表情推荐方法，包括：
获取用户在社交软件中输入的对话内容；
根据用户表情包预测模型，获取所述对话内容对应的至少一个表情包；所述用户表情包预测模型为依据用户的聊天习惯建立，包含有用户聊天语料包库中用户聊天语料与表情包库中表情包之间的对应关系；
将至少一个所述表情包推荐给用户，以供所述用户选择使用。
所述获取用户在社交软件中输入的对话内容的步骤具体包括：
获取用户在社交软件中输入的当前对话内容以及前预定数量的聊天记录。
所述根据用户表情包预测模型，获取所述对话内容对应的至少一个表情包的步骤包括：
根据所述对话内容，对所述对话内容进行预处理，生成当前语料包；
通过用户表情包预测模型，生成所述当前聊天语料对应的至少一个表情包。
所述根据所述对话内容，对所述对话内容进行预处理，生成当前语料包的步骤包括：
去除所述对话内容的标点符号和空格符号；
对去除标点符号和空格符号的对话内容进行分词，生成第一语料包；
从第一语料包中，筛选出所述用户聊天语料包库中包含的语料，生成当前语料包。
所述方法还包括：
当所述用户聊天语料包库中的语料数量达到重新训练阈值时，则在原有模型参数的基础上，使用更新的语料，重新训练所述用户表情包预测模型。
所述获取用户在社交软件中输入的对话内容的步骤之前，所述方法还包括：
建立用户表情包预测模型；
建立所述用户表情包预测模型的步骤包括：
模型主体由四个单层神经网络组成，其中三个单层神经网络用于获取上下文语境中的紧邻的三个聊天句子的信息，剩余一个单层神经网络用于汇总这三个单层神经网络获取到的信息；
模型输出层为一个softmax层，用于将最后生成的上下文语境信息向量表达式转化为表情向量的概率分布，最终推荐的表情从所得概率分布中概率最大的几个表情中选出；
每个单层神经网络由数目固定的LSTM神经单元组成，其中三个单层神经网络的LSTM神经单元个数为n，n是规定的最大句子长度；剩余一个单层神经网络的LSTM神经单元个数为3；
其中三个单层神经网络，用于分别获取上下文语境中三个句子的信息，句子中的词向量信息由t表示，每个句子最后的信息分别用隐状态h1、h2和h3表示。
一种基于用户聊天习惯的智能表情推荐系统，包括：
第一获取模板，获取用户在社交软件中输入的对话内容；
第二获取模块，根据用户表情包预测模型，获取所述对话内容对应的至少一个表情包；所述用户表情包预测模型为依据用户的聊天习惯建立，包含有用户聊天语料包库中用户聊天语料与表情包库中表情包之间的对应关系；
推荐模块，将至少一个所述表情包推荐给用户，以供所述用户选择使用。
所述的系统，还包括：
重新训练模块，当所述用户聊天语料包库中的语料数量达到重新训练阈值时，则在原有模型参数的基础上，使用更新的语料，重新训练所述用户表情包预测模型。
所述的系统，还包括：
建立模型，建立用户表情包预测模型；具体为：
模型主体由四个单层神经网络组成，其中三个单层神经网络用于获取上下文语境中的紧邻的三个聊天句子的信息，剩余一个单层神经网络用于汇总这三个单层神经网络获取到的信息；
模型输出层为一个softmax层，用于将最后生成的上下文语境信息向量表达式转化为表情向量的概率分布，最终推荐的表情从所得概率分布中概率最大的几个表情中选出；
每个单层神经网络由数目固定的LSTM神经单元组成，其中三个单层神经网络的LSTM神经单元个数为n，n是规定的最大句子长度；剩余一个单层神经网络的LSTM神经单元个数为3；
其中三个单层神经网络，用于分别获取上下文语境中三个句子的信息，句子中的词向量信息由t表示，每个句子最后的信息分别用隐状态h1、h2和h3表示。
本发明中，能够根据的使用习惯进行语言推荐，提高了用户体验。
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简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。
图1为本发明的实施例基于用户聊天习惯的智能表情推荐方法的流程示意图；
图2为本发明的基于用户聊天习惯的智能表情推荐系统的链接示意图；
图3为本发明的表情推荐系统整体流程示意图：
图4为本发明的用户语料存储模块存储流程示意图：
图5为本发明中用户表情包预测模块训练流程示意图：
图6为本发明中用户表情包预测模块模型结构示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为本发明的实施例基于用户聊天习惯的智能表情推荐方法的流程示意图；图2为本发明的基于用户聊天习惯的智能表情推荐系统的链接示意图；图3为本发明的表情推荐系统整体流程示意图：图4为本发明的用户语料存储模块存储流程示意图：图5为本发明中用户表情包预测模块训练流程示意图：图6为本发明中用户表情包预测模块模型结构示意图。以下结合各图描述。
如图1所示，为本发明所述的一种基于用户聊天习惯的智能表情推荐方法，包括：
步骤11，获取用户在社交软件中输入的对话内容；其中，具体包括：获取用户在社交软件中输入的当前对话内容以及前预定数量的聊天记录。
步骤12，根据用户表情包预测模型，获取所述对话内容对应的至少一个表情包；所述用户表情包预测模型为依据用户的聊天习惯建立，包含有用户聊天语料包库中用户聊天语料与表情包库中表情包之间的对应关系。步骤12包括：根据所述对话内容，对所述对话内容进行预处理，生成当前语料包；通过用户表情包预测模型，生成所述当前聊天语料对应的至少一个表情包。所述根据所述对话内容，对所述对话内容进行预处理，生成当前语料包的步骤包括：去除所述对话内容的特殊符号；对去除特殊符号的对话内容进行分词，生成第一语料包；从第一语料包中，筛选出所述用户聊天语料包库中包含的语料，生成当前语料包。特殊符号包括标点符号和空格。
步骤13，将至少一个所述表情包推荐给用户，以供所述用户选择使用。
所述方法还包括：
步骤14，当所述用户聊天语料包库中的语料数量达到重新训练阈值时，则在原有模型参数的基础上，使用更新的语料，重新训练所述用户表情包预测模型。
所述步骤11之前，所述方法还包括：
步骤10，建立用户表情包预测模型；
步骤10包括：
模型主体由四个单层神经网络组成，其中三个单层神经网络用于获取上下文语境中的紧邻的三个聊天句子的信息，剩余一个单层神经网络用于汇总这三个单层神经网络获取到的信息；
模型输出层为一个softmax层，用于将最后生成的上下文语境信息向量表达式转化为表情向量的概率分布，最终推荐的表情从所得概率分布中概率最大的几个表情中选出；
每个单层神经网络由数目固定的LSTM神经单元组成，其中三个单层神经网络的LSTM神经单元个数为n，n是规定的最大句子长度；剩余一个单层神经网络的LSTM神经单元个数为3；
其中三个单层神经网络，用于分别获取上下文语境中三个句子的信息，句子中的词向量信息由t表示，每个句子最后的信息分别用隐状态h1、h2和h3表示。
如图2所示，为本发明所述的一种基于用户聊天习惯的智能表情推荐系统，包括：
第一获取模板21，获取用户在社交软件中输入的对话内容；
第二获取模块22，根据用户表情包预测模型，获取所述对话内容对应的至少一个表情包；所述用户表情包预测模型为依据用户的聊天习惯建立，包含有用户聊天语料包库中用户聊天语料与表情包库中表情包之间的对应关系；
推荐模块23，将至少一个所述表情包推荐给用户，以供所述用户选择使用。
所述的系统，还包括：
重新训练模块24，当所述用户聊天语料包库中的语料数量达到重新训练阈值时，则在原有模型参数的基础上，使用更新的语料，重新训练所述用户表情包预测模型。
所述的系统，还包括：
建立模型25，建立用户表情包预测模型；具体为：
模型主体由四个单层神经网络组成，其中三个单层神经网络用于获取上下文语境中的紧邻的三个聊天句子的信息，剩余一个单层神经网络用于汇总这三个单层神经网络获取到的信息；
模型输出层为一个softmax层，用于将最后生成的上下文语境信息向量表达式转化为表情向量的概率分布，最终推荐的表情从所得概率分布中概率最大的几个表情中选出；
每个单层神经网络由数目固定的LSTM神经单元组成，其中三个单层神经网络的LSTM神经单元个数为n，n是规定的最大句子长度；剩余一个单层神经网络的LSTM神经单元个数为3；
其中三个单层神经网络，用于分别获取上下文语境中三个句子的信息，句子中的词向量信息由t表示，每个句子最后的信息分别用隐状态h1、h2和h3表示。
以下描述本发明的应用场景。
一种基于用户聊天习惯的智能表情推荐方法，包括：依据某一用户以往的聊天内容，系统不断学习更新该用户的表情包使用习惯；当用户聊天时，系统会依据该用户使用表情包的习惯，并根据当前聊天内容，生成一个或者多个表情，通过表情发送栏推荐给用户。
一种基于用户聊天习惯的智能表情推荐系统，用于聊天工具，包括：用户语料存储模块、用户表情包预测模块和表情包展示模块三部分组成。
用户语料存储模块，用于存储更新用户语料，实时更新用户聊天语料，删除用户旧的聊天记录并存入新的聊天记录；会根据每个用户的唯一id，存储并更新该用户的聊天语料；每个用户语料存储模块容量有限，新语料会不断覆盖旧语料。当用户语料存储模块更新的用户语料条数达到重新训练阈值时，用户表情包预测模块模型会在原有模型参数的基础上使用更新的语料重新训练模型。
用户表情包预测模块，通过机器学习模型学习用户表情包使用习惯，并生成一个或者多个表情，也就是说，通过不断更新训练，学习用户的聊天习惯，来预测用户最有可能使用的表情；
表情包展示模块，用来将生成的表情通过表情发送栏推荐给用户，即将户表情包预测模块实时生成的表情，通过表情发送栏推荐给用户。
所述系统还包括：语料预处理模块，将用户聊天语料进行预处理；
LSTM表情预测模型，结合用户聊天的上下文语境，实时生成一个或多个表情。
将用户语料存储模块中的数据预处理，包括数据筛选、去除特殊符号、中文分词、词向量表示。
在使用过程中，系统实时检测用户在社交软件输入对话内容，并将当前对话窗口输入内容和前两条聊天记录输入用户表情包预测模块；用户表情包预测模块根据输入信息生成一个或者多个表情；最后由表情包展示模块通过表情发送栏推荐给用户。
本发明的聊天工具表情推荐方法及系统基于人工智能模型，不断学习用户的表情包使用习惯，具有不断学习的功能，能够针对不同用户的个性化特点推荐表情，更加贴切、高效和智能。
为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
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，所述的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，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于用户聊天习惯的智能表情推荐方法，其特征在于，包括：
获取用户在社交软件中输入的对话内容；
根据用户表情包预测模型，获取所述对话内容对应的至少一个表情包；所述用户表情包预测模型为依据用户的聊天习惯建立，包含有用户聊天语料包库中用户聊天语料与表情包库中表情包之间的对应关系；
将至少一个所述表情包推荐给用户，以供所述用户选择使用。
2.根据权利要求1所述的方法，其特征在于，所述获取用户在社交软件中输入的对话内容的步骤具体包括：
获取用户在社交软件中输入的当前对话内容以及前预定数量的聊天记录。
3.根据权利要求1所述的方法，其特征在于，所述根据用户表情包预测模型，获取所述对话内容对应的至少一个表情包的步骤包括：
根据所述对话内容，对所述对话内容进行预处理，生成当前语料包；
通过用户表情包预测模型，生成所述当前聊天语料对应的至少一个表情包。
4.根据权利要求3所述的方法，其特征在于，所述根据所述对话内容，对所述对话内容进行预处理，生成当前语料包的步骤包括：
去除所述对话内容的标点符号和空格符号；
对去除标点符号和空格符号的对话内容进行分词，生成第一语料包；
从第一语料包中，筛选出所述用户聊天语料包库中包含的语料，生成当前语料包。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述用户聊天语料包库中的语料数量达到重新训练阈值时，则在原有模型参数的基础上，使用更新的语料，重新训练所述用户表情包预测模型。
6.根据权利要求1所述的方法，其特征在于，所述获取用户在社交软件中输入的对话内容的步骤之前，所述方法还包括：
建立用户表情包预测模型；
建立所述用户表情包预测模型的步骤包括：
模型主体由四个单层神经网络组成，其中三个单层神经网络用于获取上下文语境中的紧邻的三个聊天句子的信息，剩余一个单层神经网络用于汇总这三个单层神经网络获取到的信息；
模型输出层为一个softmax层，用于将最后生成的上下文语境信息向量表达式转化为表情向量的概率分布，最终推荐的表情从所得概率分布中概率最大的几个表情中选出；
每个单层神经网络由数目固定的LSTM神经单元组成，其中三个单层神经网络的LSTM神经单元个数为n，n是规定的最大句子长度；剩余一个单层神经网络的LSTM神经单元个数为3；
其中三个单层神经网络，用于分别获取上下文语境中三个句子的信息，句子中的词向量信息由t表示，每个句子最后的信息分别用隐状态h1、h2和h3表示。
7.一种基于用户聊天习惯的智能表情推荐系统，其特征在于，包括：
第一获取模板，获取用户在社交软件中输入的对话内容；
第二获取模块，根据用户表情包预测模型，获取所述对话内容对应的至少一个表情包；所述用户表情包预测模型为依据用户的聊天习惯建立，包含有用户聊天语料包库中用户聊天语料与表情包库中表情包之间的对应关系；
推荐模块，将至少一个所述表情包推荐给用户，以供所述用户选择使用。
8.根据权利要求7所述的系统，其特征在于，还包括：
重新训练模块，当所述用户聊天语料包库中的语料数量达到重新训练阈值时，则在原有模型参数的基础上，使用更新的语料，重新训练所述用户表情包预测模型。
9.根据权利要求7所述的系统，其特征在于，还包括：
建立模型，建立用户表情包预测模型；具体为：
模型主体由四个单层神经网络组成，其中三个单层神经网络用于获取上下文语境中的紧邻的三个聊天句子的信息，剩余一个单层神经网络用于汇总这三个单层神经网络获取到的信息；
模型输出层为一个softmax层，用于将最后生成的上下文语境信息向量表达式转化为表情向量的概率分布，最终推荐的表情从所得概率分布中概率最大的几个表情中选出；
每个单层神经网络由数目固定的LSTM神经单元组成，其中三个单层神经网络的LSTM神经单元个数为n，n是规定的最大句子长度；剩余一个单层神经网络的LSTM神经单元个数为3；
其中三个单层神经网络，用于分别获取上下文语境中三个句子的信息，句子中的词向量信息由t表示，每个句子最后的信息分别用隐状态h1、h2和h3表示。
CN201910243575.9A 2019-03-28 2019-03-28 一种基于用户聊天习惯的智能表情推荐方法和系统 Pending CN109977409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910243575.9A CN109977409A (zh) 2019-03-28 2019-03-28 一种基于用户聊天习惯的智能表情推荐方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910243575.9A CN109977409A (zh) 2019-03-28 2019-03-28 一种基于用户聊天习惯的智能表情推荐方法和系统

Publications (1)

Publication Number Publication Date
CN109977409A true CN109977409A (zh) 2019-07-05

Family

ID=67081309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910243575.9A Pending CN109977409A (zh) 2019-03-28 2019-03-28 一种基于用户聊天习惯的智能表情推荐方法和系统

Country Status (1)

Country Link
CN (1) CN109977409A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633361A (zh) * 2019-09-26 2019-12-31 联想(北京)有限公司 输入控制方法、装置和智能会话服务器
CN110717109A (zh) * 2019-09-30 2020-01-21 北京达佳互联信息技术有限公司 推荐数据的方法、装置、电子设备及存储介质
WO2021031701A1 (zh) * 2019-08-21 2021-02-25 维沃移动通信有限公司 显示控制方法及终端设备
CN113268663A (zh) * 2021-05-20 2021-08-17 吕奶凤 基于大数据的下载推荐系统及方法
CN114531406A (zh) * 2021-12-30 2022-05-24 北京达佳互联信息技术有限公司 界面展示方法、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104076944A (zh) * 2014-06-06 2014-10-01 北京搜狗科技发展有限公司 一种聊天表情输入的方法和装置
CN104933113A (zh) * 2014-06-06 2015-09-23 北京搜狗科技发展有限公司 一种基于语义理解的表情输入方法和装置
CN107423277A (zh) * 2016-02-16 2017-12-01 中兴通讯股份有限公司 一种表情输入方法、装置及终端
CN107729320A (zh) * 2017-10-19 2018-02-23 西北大学 一种基于时序分析用户会话情感趋势的表情符号推荐方法
CN108521366A (zh) * 2018-03-27 2018-09-11 联想(北京)有限公司 表情推送方法和电子设备
CN108733651A (zh) * 2018-05-17 2018-11-02 新华网股份有限公司 表情符号预测方法及模型构建方法、装置、终端
CN109034203A (zh) * 2018-06-29 2018-12-18 北京百度网讯科技有限公司 表情推荐模型的训练、表情推荐方法、装置、设备及介质
KR20190019465A (ko) * 2017-08-17 2019-02-27 한국과학기술원 대응 메시지 추천 시스템

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104076944A (zh) * 2014-06-06 2014-10-01 北京搜狗科技发展有限公司 一种聊天表情输入的方法和装置
CN104933113A (zh) * 2014-06-06 2015-09-23 北京搜狗科技发展有限公司 一种基于语义理解的表情输入方法和装置
CN107423277A (zh) * 2016-02-16 2017-12-01 中兴通讯股份有限公司 一种表情输入方法、装置及终端
KR20190019465A (ko) * 2017-08-17 2019-02-27 한국과학기술원 대응 메시지 추천 시스템
CN107729320A (zh) * 2017-10-19 2018-02-23 西北大学 一种基于时序分析用户会话情感趋势的表情符号推荐方法
CN108521366A (zh) * 2018-03-27 2018-09-11 联想(北京)有限公司 表情推送方法和电子设备
CN108733651A (zh) * 2018-05-17 2018-11-02 新华网股份有限公司 表情符号预测方法及模型构建方法、装置、终端
CN109034203A (zh) * 2018-06-29 2018-12-18 北京百度网讯科技有限公司 表情推荐模型的训练、表情推荐方法、装置、设备及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021031701A1 (zh) * 2019-08-21 2021-02-25 维沃移动通信有限公司 显示控制方法及终端设备
US11989390B2 (en) 2019-08-21 2024-05-21 Vivo Mobile Communication Co., Ltd. Display control method and terminal device
CN110633361A (zh) * 2019-09-26 2019-12-31 联想(北京)有限公司 输入控制方法、装置和智能会话服务器
CN110633361B (zh) * 2019-09-26 2023-05-02 联想(北京)有限公司 输入控制方法、装置和智能会话服务器
CN110717109A (zh) * 2019-09-30 2020-01-21 北京达佳互联信息技术有限公司 推荐数据的方法、装置、电子设备及存储介质
CN110717109B (zh) * 2019-09-30 2024-03-15 北京达佳互联信息技术有限公司 推荐数据的方法、装置、电子设备及存储介质
CN113268663A (zh) * 2021-05-20 2021-08-17 吕奶凤 基于大数据的下载推荐系统及方法
CN114531406A (zh) * 2021-12-30 2022-05-24 北京达佳互联信息技术有限公司 界面展示方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN109977409A (zh) 一种基于用户聊天习惯的智能表情推荐方法和系统
CN109145112B (zh) 一种基于全局信息注意力机制的商品评论分类方法
CN110929515B (zh) 基于协同注意力和自适应调整的阅读理解方法及系统
CN110674410B (zh) 用户画像构建、内容推荐方法、装置及设备
JP2022531855A (ja) テキストに基づくアバターの行動制御方法、デバイス及びコンピュータプログラム
CN107342078B (zh) 对话策略优化的冷启动系统和方法
CN107515855B (zh) 一种结合表情符的微博情感分析方法和系统
CN107203511A (zh) 一种基于神经网络概率消歧的网络文本命名实体识别方法
CN107562863A (zh) 聊天机器人回复自动生成方法及系统
CN105512349A (zh) 一种用于学习者自适应学习的问答方法及装置
DE112021004163T5 (de) Zuschneiden eines kommunikationsinhalts
US9129216B1 (en) System, method and apparatus for computer aided association of relevant images with text
CN108304376B (zh) 文本向量的确定方法、装置、存储介质及电子装置
CN106682387A (zh) 用于输出信息的方法和装置
CN107291701B (zh) 一种机器语言生成方法及装置
CN112115247A (zh) 一种基于长短时记忆信息的个性化对话生成方法和系统
CN114567815B (zh) 一种基于预训练的慕课自适应学习系统构建方法和装置
CN109816438A (zh) 信息推送方法及装置
CN110321918A (zh) 基于微博的舆论机器人系统情感分析和图像标注的方法
CN108491515A (zh) 一种用于校园心理咨询的句对匹配度预测方法
CN108874789B (zh) 语句的生成方法、装置、存储介质和电子装置
CN117235354A (zh) 一种基于多模态大模型的用户个性化服务策略及系统
CN117556802B (zh) 一种基于大语言模型的用户画像方法、装置、设备及介质
CN117453885A (zh) 提问信息处理方法、装置、设备、存储介质及产品
CN117057430B (zh) 基于规则累积的模型推理方法、装置及电子设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190705