CN110169021B - 用于过滤多条消息的方法和设备 - Google Patents
用于过滤多条消息的方法和设备 Download PDFInfo
- Publication number
- CN110169021B CN110169021B CN201780077980.7A CN201780077980A CN110169021B CN 110169021 B CN110169021 B CN 110169021B CN 201780077980 A CN201780077980 A CN 201780077980A CN 110169021 B CN110169021 B CN 110169021B
- Authority
- CN
- China
- Prior art keywords
- messages
- data
- message
- importance
- electronic device
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 21
- 238000004458 analytical method Methods 0.000 description 93
- 238000007405 data analysis Methods 0.000 description 71
- 238000012545 processing Methods 0.000 description 45
- 230000014509 gene expression Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 24
- 238000013473 artificial intelligence Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012517 data analytics Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 244000038280 herbivores Species 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000282994 Cervidae Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 241000590419 Polygonia interrogationis Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 244000240602 cacao Species 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- -1 electric Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- H04L51/212—Monitoring or handling of messages using filtering or selective blocking
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/50—Business processes related to the communications industry
-
- 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
- H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages
-
- 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
- H04L51/42—Mailbox-related aspects, e.g. synchronisation of mailboxes
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Information Transfer Between Computers (AREA)
- Operations Research (AREA)
- Machine Translation (AREA)
Abstract
公开了一种用于过滤多条消息的电子设备及其方法。该方法包括:显示多条消息中的至少一些;接收请求过滤多条消息的输入;响应于输入,基于多条消息中的每一条的重要性而从多条消息之中获取具有满足用户的过滤请求的重要性的一条或多条消息;以及显示一条或多条获取的消息。
Description
技术领域
本公开总体上涉及一种用于过滤多条消息并且在屏幕上显示至少一条消息的方法和设备。
本公开总体上还涉及一种利用机器学习算法来模拟人脑的诸如识别、判定等功能的AI(人工智能)系统,以及其应用。
背景技术
随着技术的发展,已经出现用于提高用户的便利性的各种应用。
具体地,通讯应用可以在用户与第三方之间提供使用消息的实时聊天功能。通讯应用的示例可以包括用于每个制造商的各种通讯应用,诸如ChatONTM、Kakao TalkTM、LineTM、WhatsAppTM、TalkOnTM等等。
通讯应用可以具有聊天室功能,其中用户辨别出第三方并进行聊天。
用户已经与第三方交谈的消息历史可以显示在聊天室中。在这种情况下,随着用户与第三方之间的聊天增加,聊天室中的消息历史的量可以累积并增加。
此外,最近在各种领域使用实施类似人类水平的智力的人工智能系统。不同于现有的基于规则的智能系统,人工智能系统是机器本身学习、判定并变得智能的系统。由于人工智能系统可以具有改进的识别率并且在使用时更准确地理解用户的趣味,因此现有的基于规则的智能系统越来越多地被基于深度学习的人工智能系统代替。
人工智能技术包括例如机器学习(例如,深度学习)和利用机器学习的元素技术。
机器学习是自身地分类/学习输入数据的特性的算法技术,并且元素技术作为利用诸如深度学习等机器学习算法来模拟人脑的诸如识别、判定等功能的技术,包括诸如语言理解、视觉理解、推断/预测、知识表达、动作控制等技术领域。
应用人工智能技术的各种领域包括以下。语言理解是识别和应用/处理人类的语言/字符的技术,并且包括自然语言处理、机器翻译、对话系统、查询和应答、语音识别/合成等等。视觉理解是将对象识别和处理为人类视觉的技术,并且包括对象识别、对象跟踪、图像搜索、人类识别、场景理解、空间理解、图像改进等等。推断/预测是判定信息并且逻辑地推断和预测信息的技术,并且包括基于知识/概率的推断、优化预测、基于偏好的计划、推荐等等。知识表达是使用知识数据对人类的经验信息执行自动化处理的技术,并且包括知识建构(数据生成/分类)、知识管理(数据利用)等等。动作控制是用于控制车辆的自动驾驶和机器人的运动的技术,并且包括运动控制(导航、碰撞、驾驶)、操纵控制(行为控制)等等。
发明内容
技术问题
本公开的示例实施例解决上述缺点和上文未描述的其他缺点。
当通过通讯应用等显示用户已经与第三方交谈的消息历史时,用户可能感觉难以检索具体消息,因为消息历史的量很大。
例如,当用户在滚动屏幕的同时检索期望的消息时,用户可能会在检索消息时遇到困难,因为例如像“:):):)”等对聊天背景来说不重要的聊天消息显示在屏幕上。
问题解决方案
因此,本公开的示例方面是通过过滤消息并将其提供给用户来快速地检索用户期望的消息。
另外,由本公开解决的技术问题不限于上述技术问题,并且本领域技术人员从以下描述中可以清楚地理解未提及的其他技术问题。
根据本公开的示例方面,一种由电子设备过滤多条消息的方法包括以下操作:显示多条消息中的至少一些;接收请求过滤多条消息的输入;响应于输入,基于多条消息中的每一条的重要性而从多条消息之中获取具有满足过滤请求的重要性的一条或多条消息;以及显示一条或多条获取的消息。
根据本公开的另一示例方面,一种用于过滤多条消息的电子设备包括:显示器,其被配置成显示多条消息中的至少一些;输入单元,其包括被配置成接收请求过滤多条消息的输入的输入电路;以及处理器,其被配置成:响应于输入,基于多条消息中的每一条的重要性而从多条消息之中获取具有满足过滤请求的重要性的一条或多条消息;以及执行控制,使得显示器显示一条或多条获取的消息。
根据本公开的另一示例方面,提供了一种非暂时性计算机可读介质,其中存储用于过滤多条消息的程序,该程序在由处理器执行时使得电子设备:显示多条消息中的至少一些;接收请求过滤多条消息的输入;响应于输入,基于多条消息中的每一条的重要性而从多条消息之中获取具有满足过滤请求的重要性的一条或多条消息;以及显示一条或多条获取的消息。
有益效果
根据本公开的示例实施例,由于基于多条消息中的每一条的重要性而过滤和显示满足用户的过滤请求的一条或多条消息,因此用户可以快速地发现用户想要检索的消息。
此外,由于基于与过滤级别对应的多条消息中的每一条的重要性来选择性地过滤多条消息,因此用户可以将消息概述为整体或有效地检索具体消息。
因此,由于改进了使用消息应用的可用性,因此可提高使用电子设备的用户的满意度。
因此,在本公开的示例实施例的详细描述中直接地或隐含地公开可由本公开的示例实施例获取或预测的效果。例如,根据本公开的示例实施例预测的各种效果将在下文描述的详细描述中公开。
附图说明
从以下结合附图的详细描述中本公开的上述和/或其他方面、特征和伴随的优点将更显而易见且容易理解,在附图中,相同的附图标记指代相同的元件,并且其中:
图1A和图1B是示出根据本公开的示例实施例的过滤消息的电子设备的使用示例的图;
图2是示出根据本公开的示例实施例的示例电子设备的框图;
图3是示出根据本公开的示例实施例的确定消息的重要性的示例消息分析引擎的框图;
图4A是示出根据本公开的示例实施例的消息分析引擎的示例消息预处理过程的图;
图4B是示出根据本公开的示例实施例的消息分析引擎的分数计算器中的计算消息的分数的示例过程的图;
图4C是示出根据本公开的示例实施例的消息分析引擎的重要性确定器中的确定消息的重要性的示例过程的图;
图5A、图5B、图6A、图6B、图7A和图7B是示出根据本公开的另一示例实施例的过滤消息的电子设备的使用示例的图;
图8、图9和图10是示出根据本公开的示例实施例的电子设备的示例操作的流程图;
图11是示出根据本公开的示例实施例的电子设备的示例配置的框图;
图12、图13、图14和图15是示出根据本公开的各种示例实施例的通过学习算法来建构数据分析模型以识别数据的示例实施例的图;
图16是示出根据本公开的各种示例实施例的使用数据分析模型的电子设备的示例操作的流程图;以及
图17和图18是示出根据本公开的各种示例实施例的使用数据分析模型的示例网络系统的流程图。
具体实施方式
在下文,将参考附图描述本公开的各种示例实施例。然而,应理解,本公开中提及的技术不限于具体示例实施例,而是包括根据本公开的示例实施例的所有更改、等效物和/或替代。贯穿附图,类似的部件可以由类似的附图标记指代。
在本公开中,表达“具有”、“可以具有”、“包括”、“可以包括”等等指示存在对应特征(例如,数值、功能、操作、诸如部分的部件等等),且不排除存在额外特征。
在本公开中,表达“A或B”、“A和/或B中的至少一者”、“A和/或B中的一者或多者”等等可以包括列举在一起的条目的所有可能组合。例如,“A或B”、“A和B中的至少一者”或“A或B中的至少一者”可以指示以下全部:1)包括至少一个A的情况,2)包括至少一个B的情况,或3)包括至少一个A和至少一个B两者的情况。
本公开中所使用的表达“第一”、“第二”等可以指示各种部件而与部件的顺序和/或重要性无关、将用来区分一个部件与其他部件,且不限制对应的部件。
当提及任何部件(例如,第一部件)与另一部件(例如,第二部件)(可操作地或通信地)联接/联接到另一部件或连接到另一部件时,应理解,任何部件直接联接到另一部件或者可以通过其他部件(例如,第三部件)联接到另一部件。另一方面,当提及任何部件(例如,第一部件)“直接联接”或“直接连接”到另一部件(例如,第二部件)时,应理解,在任何部件与另一部件之间不存在其他部件(例如,第三部件)。
本公开中使用的表达“被配置成(或被设置成)”可以根据情况而与“适合于”、“有能力”、“被设计成”、“适于”、“被用来”或“能够”互换地使用。在硬件中,术语“被配置成(或被设置成)”可能未必表明“专门设计成”。相反,表达“被配置成……的设备”可以指设备可以与其他设备或部件一起“做”或“执行”的情形。例如,“被配置为(被设置为)执行A、B和C的处理器”可以指,例如但不限于,用于执行对应操作的专用处理器(例如,嵌入式处理器),或者可以通过执行存储在存储器设备中的一个或多个软件程序来执行对应操作的通用处理器(例如,中央处理单元(CPU)或应用处理器(AP))。
本公开中使用的术语可以用来描述具体示例实施例而不是限制其他示例实施例的范围。除非上下文另有明确指出,否则单数形式可以包括复数形式。本公开中使用的术语(包括技术术语和科学术语)具有与本公开涉及的领域的技术人员通常理解的那些含义相同的含义。除非本公开中明确地定义,否则本公开中使用的术语之中的由综合词典定义的术语可以被解释为与相关技术的上下文内的含义相同或类似,并且不被解释为具有理想或过度形式化的含义。在一些情况下,即使在本公开中定义术语的情况下,术语也不应被解释为排除本公开的示例实施例。
根据本公开的各种示例实施例的电子设备可以包括例如以下至少一者:智能电话、平板PC、移动电话、图像电话、电子书阅读器、台式PC、膝上型PC、上网本计算机、工作站、服务器、PDA、便携式多媒体播放器(PMP)、MP3播放器、媒体装置、相机或可佩戴装置等等,但不限于此。可佩戴装置可以包括以下至少一者:饰品型(例如,手表、戒指、手镯、背带、项链、眼镜、隐形眼镜或头戴式装置(HMD))、织物或服装集成型(例如,电子服装)、身体附着型(例如,护皮垫或纹身)或生物植入型电路等等,但不限于此。在一些示例实施例中,电子设备可以包括例如以下至少一者:电视机、数字视频盘(DVD)播放器、音响、冰箱、空调、清洁器、烤箱、电烤箱、洗衣机、空气净化器、机顶盒、家庭自动化控制面板、安全控制面板、媒体盒子(例如,三星HomeSyncTM、AppleTVTM或Google TVTM)、游戏机(例如,XboxTM、PlayStationTM)、电子词典、电子钥匙、摄像机或电子相框等等,但不限于此。
根据另一示例实施例,电子设备可以包括以下至少一者:各种医疗装置(例如,各种便携式医疗测量装置(血糖仪、心率计、血压计、体温测量仪器等等)、磁共振血管造影(MRA)、磁共振成像(MRI)、计算机断层摄影(CT)、射线照片、超声装置等等)、导航装置、卫星导航系统(GNSS(全球导航卫星系统))、事件数据记录器(EDR)、飞行数据记录器(FDR)、车载信息娱乐装置、用于船舶的电子设备(例如,用于船舶的导航装置、回转罗盘等等)、航空电子设备、安全装置、用于车辆的头部单元、工业或家用机器人、无人机、金融机构的自动提款机(ATM)、商店的销售点(POS),或者物联网装置(例如,电灯泡、各种传感器、洒水器装置、火警报警器、恒温器、路灯、烤面包机、健身设备、热水箱、加热器、锅炉等)等等,但不限于此。
根据一些示例实施例,电子设备可以包括家具、建筑物/结构或车辆的一部分、电子板、电子签名接收装置、投影仪,或者各种测量装置(例如,水、电、气或无线电波测量仪器)等等,但不限于此。在各种示例实施例中,电子设备可以是柔性的,或者可以是上述各种装置中的两者或更多者的组合。根据本公开的示例实施例的电子设备不限于上述装置。
在本公开中,术语“用户”可以指代使用电子设备的人或者使用电子设备的设备(例如,人工智能电子设备)。
图1A和图1B是示出根据本公开的示例实施例的过滤消息的电子设备的使用示例的图。
参考图1A,电子设备100可以在屏幕上显示多条消息中的至少一些103。
在这种情况下,多条消息可以是用户和第三方在聊天室中已经与彼此交谈的消息,并且多条消息中的一些或全部可以显示在电子设备100的屏幕上。
电子设备100可以提供用于过滤多条消息的过滤UI 101。
在这种情况下,电子设备100可以接收输入,例如,请求过滤多条消息的用户输入。例如,电子设备100可以接收选择过滤UI 101的用户的触摸输入。
响应于用户的输入,电子设备100可以过滤多条消息。例如,电子设备100可以根据预定过滤级别来过滤多条消息。过滤级别也可以由用户预先确定,或者也可以由电子设备100的制造商、或者执行根据本公开的操作的应用的制造商或开发人员预先确定。
电子设备100可以基于多条消息中的每一条的重要性而从多条消息之中获取具有满足用户的过滤请求的重要性的一条或多条消息。为此,电子设备100可以通过将多条消息中的每一条应用于如例如下文更详细地描述的消息分析引擎来确定每一条消息的重要性。另外,电子设备100可以通过基于多条消息中的每一条的确定的重要性而获取具有满足用户的过滤请求的重要性的一条或多条消息来过滤多条消息。
在这种情况下,电子设备100可以计算多条消息中的每一条的分数。另外,电子设备100可以基于多条消息中的每一条的计算的分数而确定多条消息中的每一条的重要性。
如图1B所示,电子设备100可以在屏幕上显示一条或多条经过滤消息105。
图2是示出根据本公开的示例实施例的示例电子设备100的框图。
图2是示出根据本公开的各种示例实施例的电子设备100的示例配置的框图。图2的电子设备100可以包括下文描述的图11的电子设备100的全部或一部分。
参考图2,电子设备100可以包括处理器(例如,包括处理电路)210、显示器220、用户输入单元(例如,包括输入电路)230以及存储器240。图2所示的部件被示为实施本公开的示例实施例,并且电子设备100中还可以包括对本领域的技术人员来说显而易见的级别的适当硬件/软件部件。
显示器220可以提供显示区域,视觉信息显示在该显示区域上。显示器220可以包括下文描述的图11的显示器1130的全部或一部分,并且此处没有提供显示器220的详细示例,因为将参考图11的显示器1130进行描述。
用户输入单元230可以包括各种输入电路,并且接收操作电子设备100的用户输入并将输入信息传输到处理器210。用户输入单元230可以包括下文更详细地描述的图11的用户输入单元1180的全部或一部分,并且此处省略了用户输入单元230的详细示例,因为将参考图11的用户输入单元1180进行描述。
存储器240可以存储与电子设备100的一个或多个其他部件相关联的指令或数据。存储器240可以包括下文更详细地描述的图11的存储器1150的全部或一部分,并且此处没有提供存储器240的详细示例,因为将参考图11进行描述。
例如,根据本公开,存储器240可以存储多条消息或多条消息的链接地址中的至少一些。根据本公开,存储器240还可以存储多条消息中的每一条的重要性。根据本公开,存储器240还可以存储下文更详细地描述的一般模型数据库(DB)。
处理器210可以包括各种处理电路,并且电连接到显示器220、存储器240和用户输入单元230以控制电子设备100的一般操作和功能。处理器210可以包括下文更详细地描述的图11的处理器1190的全部或一部分,并且此处将不提供处理器210的详细示例,因为将参考图11的处理器1190进行描述。
根据各种示例实施例,显示器220可以显示多条消息中的至少一些。此处,多条消息可以包括用户已经与第三方交谈的聊天室中的全部消息、关于具体内容的全部评论,或者存储在电子邮件收件箱中的全部电子邮件。用户输入单元230可以接收请求过滤多条消息的用户输入。响应于接收到的用户输入,处理器210可以基于多条消息中的每一条的重要性而获取多条消息之中的具有满足用户的过滤请求的重要性的一条或多条消息。另外,处理器210可以控制显示器220来显示一条或多条获取的消息。
在这种情况下,处理器210可以计算(确定)多条消息中的每一条的消息分数。消息分数可以,例如但不限于,基于以下至少一者来计算:多条消息中包括的具体字词的数量、多条消息的数量、多条消息中包括的具体字词的多个类型中的每个类型的权重、多条消息中包括的具体字词的出现频率,以及多条消息中的每一条的提供时间。另外,处理器210可以基于多条消息中的每一条的计算的分数而确定多条消息中的每一条的重要性。多条消息中的每一条的重要性可以基于多条消息中的每一条的分数、分数的排名、分数的百分数、排名的百分数等等来确定。
根据各种示例实施例,用户输入单元230可以接收选择多条消息的过滤级别的用户输入。在这种情况下,处理器210可以基于多条消息中的每一条的重要性而获取多条消息之中的具有满足所选择的过滤级别的重要性的一条或多条消息。例如,处理器210可以基于多条消息中的每一条的重要性而获取多条消息之中的具有大于或等于所选择的过滤级别的重要性的一条或多条消息。
根据各种示例实施例,显示器220可以,例如但不限于,显示过滤条和位于过滤条上的指示器。在这种情况下,用户输入单元230可以接收移动位于过滤条上的指示器的位置的用户输入。响应于接收到的用户输入,处理器210可以基于多条消息中的每一条的重要性而获取多条消息之中的具有满足与指示器的位置对应的过滤级别的重要性的一条或多条消息。
根据各种示例实施例,显示器220可以,例如但不限于,显示对应于多个过滤级别中的每一者的多个按钮。在这种情况下,用户输入单元230可以接收选择多个按钮中的一个按钮的用户输入。响应于接收到的用户输入,处理器210可以基于多条消息中的每一条的重要性而获取多条消息之中的具有满足与所选择的一个按钮对应的过滤级别的重要性的一条或多条消息。
图3是示出根据本公开的示例实施例的确定消息的重要性的示例消息分析引擎的框图。
图3的消息分析引擎300也可以被称为自然语言处理(NLP)模块或自然语言处理引擎。
消息分析引擎300可以被包括在根据本公开的电子设备中,或者在通过有线或无线网络连接到根据本公开的电子设备100的外部装置中。在这种情况下,外部装置可以是上述电子设备中的一者,并且通常可以是服务器。在这种情况下,外部装置可以是包括多个服务器的云。
此外,消息分析引擎300可以在软件模块中实施或者制造成硬件芯片的形式,并且也可以安装在电子设备或服务器中。此外,消息分析引擎300还可以制造成专用硬件芯片的形式或者制造成现有通用处理器(例如,中央处理单元(CPU)或应用处理器)或图形专用处理器(例如,图形处理单元(GPU))的一部分,并且也可以安装在上述电子设备中。
在消息分析引擎300被实施在软件模块(或包括指令的程序模块)中的情况下,软件模块可以存储在非暂时性计算机可读介质中。由于下文将描述非暂时性计算机可读介质的详细示例,因此此处将不提供其详细描述。
消息分析引擎300可以接收多条消息301并且输出多条消息中的每一条的重要性302。
消息分析引擎300可以包括预处理器(例如,包括处理电路和/或程序元件)310、分数计算器(例如,包括处理电路和/或程序元件)320,以及重要性确定器(例如,包括处理电路和/或程序元件)330。在本公开中,为便于解释,如上文根据功能或目的所述,尽管消息分析引擎300被分类成多个~单元或~模块,但应理解,多个~单元或~模块彼此组合以便在一个或两个~单元中实施,或者消息分析引擎可以分类成大量待实施的~单元。
预处理器310可以执行对多个接收到的消息的预处理。
预处理器310可以包括词素分析器(例如,包括处理电路和/或程序元件)311、实体提取器(例如,包括处理电路和/或程序元件)312、语句符号去除器(例如,包括处理电路和/或程序元件)313、类似术语提取器(例如,包括处理电路和/或程序元件)314,以及模板匹配器(例如,包括处理电路和/或程序元件)315。
词素分析器311可以确定消息中所包括的词素并且确定所确定的词素的语句成分。
例如,词素分析器311可以将“会议”、“尽快”、“参加”和“请”确定作为消息“请尽快参加会议”中所包括的词素。此外,作为所确定的词素的语句成分,词素分析器311可以将“会议”和“尽快”确定为副词、将“参加”确定为谓语并且将“请”确定为指示尊称的敬语。
此外,词素分析器311可以基于所确定的语句成分而确定接收到的消息的发送意图以及是否使用尊称。例如,词素分析器311可以将消息“请尽快参加会议”中所包括的动词确定为“参加”、将接收到的消息的发送意图确定为要求参加的意图,并且确定接收到的消息是用尊称表达的消息。
实体提取器312可以提取消息中所包括的命名实体的类型的字词。命名实体可以意指具有在文件中表示的唯一含义的名词或数字。命名实体可以广泛地分类成诸如名称、地点或组织名称等名称表达、诸如日期或时间等日期表达、诸如一笔钱或百分比等数值表达等等。实体提取器312可以识别消息中所包括的命名实体,并且确定所识别的命名实体的种类。例如,如果接收到消息“吉东(Gil-dong)先生,您想要在A餐厅用晚餐吗”,那么实体提取器312可以提取“吉东”和“A餐厅”作为命名实体的类型的字词。
语句符号去除器313可以去除消息中所包括的空白或语句符号。语句符号可以包括例如最终符号,诸如问号、句号、感叹号、结束符号等等,或者引号,诸如双引号等等。
例如,在语句符号中的一些被用作信息的情况下,语句符号去除器313可以仅保留一种语句符号,并去除其他种类的语句符号。例如,语句符号去除器313可以维持用作表示语句的字符的信息的语句符号,诸如问号或感叹号,并且去除与语句的特性具有很小关系的语句符号,诸如句号、逗号等等。
类似术语提取器314可以提取消息中所包括的字词中的类似字词。类似术语提取器314可以从一般模型数据库(DB)340中提取类似词语。一般模型DB 340可以,例如但不限于,是词典DB,并且可以提供到电子设备100和外部服务器(例如,词网服务器等等)中的至少一者。在这种情况下,作为类似字词,可以在与消息中所包括的字词相关的类似字词之中选择具有最高使用频率的字词。可以基于相似度来选择类似字词。例如,与消息中所包括的字词具有最高相似度的字词可以被选择作为类似字词。
模板匹配器315可以提取消息中所包括的字词之中的具有匹配到预先提供的模板的形式的字词。
例如,模板匹配器315可以提取具有匹配到作为电话号码模板的“000-000-0000”的形式的字词,作为电话号码类型的字词。模板匹配器315还可以提取具有匹配到“000-000000-000”的形式的字词作为账号类型的字词。用于每种类型的模板可以存储在一般模型DB 340中,并且模板匹配器315可以使用存储在一般模型DB 340中的模板来提取消息中所包括的字词。
图4A是示出根据本公开的示例实施例的消息分析引擎300的预处理器310的示例消息预处理过程的图。
在图4A中,数据集411可以包括多条消息。多条消息可以是用户与第三方在聊天室中已经交谈的消息。数据集411可以包括根据用户与第三方交谈的时间顺序的消息#1至消息#11。
在图4A中,预处理器310可以接收数据集411、处理接收到的数据集,并且提取多个字词413。
在这种情况下,预处理器310可以从多条消息中的每一条排除不重要的词素。不重要的词素可以是例如从属词素或形式化词素,并且可以包括用于帮助理解字词的词缀、用于修饰字词的后置词、表示时态或改变词类的性质的词尾等等。
此外,预处理器310可以从多条消息中提取具有匹配到模板的形式的字词。例如,预处理器310可以使用账号模板来提取具有匹配到账号模板的形式的字词413a。
消息分析引擎300的分数计算器320可以计算对其执行预处理的消息中的每一者的分数。
图4B是示出根据本公开的示例实施例的消息分析引擎300的分数计算器320中的计算消息的分数的示例过程的图。
在图4B中,<数学表达式1>421表示分数(sj),该表达式是计算多条消息中的第j条消息的分数的表达式。此处,多条消息可以是例如一个聊天室中所包括的全部消息。
在<数学表达式1>421中,|sj|表示第j条消息中所包括的字词的数量。在这种情况下,字词可以是作为预处理器310中执行预处理器的结果而得到的字词。
Count(wi,sj)可以表示第j条消息中所包括的字词wi的出现频率数。
|W|可以表示多条消息中所包括的所有字词的数量。
|S|可以表示多条消息的数量。
DF(wi)可以表示字词wi在多条消息之中的出现频率。也就是说,DF(wi)可以表示多条消息之中的包括字词wi的消息的数量。在这种情况下,DF(wi)也可以使用字词wi的出现频率的统计值。出现频率的统计值可以存储在一般模型DB 340中并且可以由分数计算器320获取。
Type(wi)可以表示字词wi的类型。
type_coeff(type(wi))可以表示字词wi的类型中的每种类型的权重值。
在这种情况下,字词的类型和每种类型的权重值还可以使用匹配表,如在图4B的表423中。
在表423的匹配表中,字词的类型可以由消息分析引擎300的预处理器310确定。替代地,字词中的每一者的类型可以存储在一般模型DB 340中,并且分数计算器320也可以使用一般模型DB 340来确定字词中的每一者的类型。
在表423的匹配表中,字词的类型可以包括例如:名词专有(NP),就是专有名词;命名实体(NE),就是作为专有名词的子集的实体名称;NUM_PHONE,就是电话号码;NUM_ACCOUNT,就是账号;日期时间(DATETIME),就是日期;以及预定义#1和预定义#2,就是预定的其他类型,并且匹配表的状态可以为权重值匹配到相应字词的类型中的每一者。在这种情况下,权重值匹配到字词的类型中的每一者的匹配表可以存储在一般模型DB 340中并且可以根据需要唤醒。
根据示例实施例,字词的类型也可以是通过聚集多个字词而获取的结果。例如,在字词“存款”、“账户”和“取钱”存在于多条消息中的情况下,相应字词可以被定义为与银行相关的一种类型的字词并且可以应用相同的权重值。
此外,也可以通过考虑类似术语和字词的类别来确定字词的类型。例如,作为类似术语的“书店”、“书局”等可以分组到对应于一种类型的字词的一组中,并且可以应用相同的权重值。替代地,作为食草动物的子类的“兔子”、“鹿”、“大象”、“河马”等可以分组到对应于与食草动物相关的一种类型的字词的组中,并且可以应用相同的权重值。
在这种情况下,也可以通过使用存储在一般模型DB 340中的类似术语词典或字词分类词典来确定将多个字词分组的参考。此外,将多个字词分组的参考还可以基于根据本公开累积的消息处理历史来确定,并且也可以基于已经学习过的第三方的消息处理历史来确定。
此外,也可以通过用户或者消息分析引擎300的制造商或管理员的设置来任意地确定字词中的每一者的类型。在这种情况下,具有低共同特征的字词可以任意地分组并且也可以被定义为一种类型的字词。
同样,在<数学表达式1>421中,可以通过框421a中示出的计算来计算消息中所包括的字词中的每一者的分数。通过∑表达(∑)将消息中所包括的字词的分数全部总计起来,并且作为将1/|sj|乘以总计结果的结果,可以得到消息中所包括的字词中的每一者的分数平均值。这可以是j消息的分数。
换句话说,可以基于以下至少一者来计算j消息的分数:多条消息中所包括的具体字词(字词wi)的数量、多条消息的数量、多条消息中所包括的具体字词(字词wi)的类型中的每一者的权重值,以及多条消息中所包括的具体字词(字词wi)的出现频率。
同时,计算消息的分数的方法不限于上述数学表达式,并且也可以基于各种方法来计算消息的分数。例如,在存在若干语句的情况下,可以使用计算语句的顺序的算法。作为示例,也可以使用算法TextRank来计算多条消息中的每一条的顺序,并且也可以通过机器学习算法输出多条消息中的每一条的分数。
作为详细示例,可以假设字词以及作为多条消息的预处理结果导出的字词中的每一者的出现频率是如下DF(文档频率)。
DF(文档频率)={你好(三次)、做(三次)、这次(一次)、星期五(一次)、会议(一次)、来(一次)、去(三次)、我(一次)、不(一次)、有趣(一次)、账户(两次)、号码(两次)、发送(两次)、存款(一次)、{账号}(一次)}
在这种情况下,作为字词中的每一者的出现频率,也可以使用多条消息的字词中的每一者的出现频率,以及基于用户先前与其他第三方使用的历史或与用户无关的第三方彼此交谈的历史而预先生成的字词中的每一者的出现频率。在这种情况下,预先生成的字词中的每一者的出现频率可以预先存储在一般模型DB 340中。
字词中的每一者的权重值可以根据字词的类型来确定。
例如,基于表423的匹配表,可以确定多条消息的一些字词的类型和根据字词的类型的权重值,如在下表1中。
[表1]
在详细示例中,当假设多条消息的数量为10并且多条消息中所包括的字词的数量为25时,|S|的值可以是为10并且|W|的值可以为25。
消息分析引擎300可以通过将上述值代入图4B的<数学表达式1>421中来确定消息中的每一者的分数。
例如,在多条消息中的第一条信息中所包括的字词是{你好}的情况下,Score(S1)的值,即代入<数学表达式1>421中的消息中的每一者的分数,可以是1×(1/log(25)×log(10/3)×0.5)=0.187。
此外,在多条消息中的第四条消息中所包括的字词是{这次、星期五、会议、做、来}的情况下,Score(S4)的值,即代入<数学表达式1>421中的消息中的每一者的分数,可以是(1/5)×((1/log(25)×log(10/1)×1.0)+(1/log(25)×log(10/1)×2.0)+(1/log(25)×log(10/1)×3.0)+(2/log(25)×log(10/1)×0.5)+(1/log(25)×log(10/1)×1.0))=1.145。
此外,在多条消息中的第九条消息中所包括的字词是{账户、号码、{账号}}的情况下,Score(S9)的值,即代入<数学表达式1>421中的消息中的每一者的分数,可以是(1/3)×((1/log(25)×log(10/2)×3.0)+(1/log(25)×log(10/2)×3.0)+(1/log(25)×log(10/1)×3.5))=1.835。
同时,分数计算器320还可以通过反映消息在生成该消息的时间上的重要性衰减来计算消息中的每一者的分数。例如,由于分数计算器320确定消息的重要性随消息的生成时间变长而降低,因此它可以反映时间因素,使得旧消息的分数值被计算为较低。
例如,图4B的<数学表达式1>421的虚线的框421a可以被反映时间因素的图4B的<数学表达式2>425替换。
<数学表达式2>425表示Score(wi,sj,t),即反映时间因素的消息中所包括的字词中的每一者的分数。
<数学表达式2>425中的Score(wi,sj)(其作为消息中所包括的字词中的每一者的分数)可以对应于<数学表达式1>421的框421a的计算结果。
t0表示包括多条消息的聊天室的开放时间或者多条消息之中的首先输入的消息的输入时间。
t现在表示包括字词的消息的提供时间。此处,消息的提供时间意指从用户输入消息的时间、从第三方传输消息的时间,或提供的消息被处理并显示在屏幕上的时间,并且包括根据处理消息的操作的若干秒的误差范围。
sqrt,作为计算平方根的公式,可以应用来将适度的时间因素反映到Score(wi,sj)。
图4C是示出根据本公开的示例实施例的消息分析引擎300的重要性确定器330中的确定消息的重要性的示例过程的图。
重要性确定器330可以通过使用由分数计算器320计算的消息中的每一者的分数来确定消息的重要性。
重要性确定器330可以基于消息中的每一者的分数而将消息的重要性表示为排名或百分数。
例如,在图4C的431中,多条消息431a可以包括消息#1至消息#10。
在这种情况下,多条消息431a中的每一者的重要性431b可以处于被分数计算器320计算的状态。
重要性确定器330可以基于由分数计算器320计算的多条消息431a中的每一者的分数431b来确定多条消息431a中的每一者的排名431c。在这种情况下,由于消息因具有更高分数而具有高重要性,因此它可以分配到较高的排名。
此外,重要性确定器330可以基于计算的分数或确定的排名431c而确定多条消息中的每一条的百分数431d。
百分数可以是表示多条消息中的具体消息的百分比的计算方法。
例如,在具体消息(例如,消息#7)431a-1的百分数为60%的情况下,这可以意味着重要性低于具体消息431a-1的消息占据多条全部消息431a的60%。替代地,可以意味着重要性高于具体消息431a-1的消息占据多条全部消息431a的40%。
根据各种示例实施例,消息分析引擎300可以使用先前建构的数据分析模型。此处,可以使用学习算法来生成先前建构的数据分析模型。在这种情况下,数据分析模型可以是例如基于神经网络的模型。例如,可以使用诸如线性回归、逻辑回归、DNN(深度神经网络)、CNN(卷积神经网络)、RNN(递归神经网络)和BRDNN(双向递归深度神经网络)的模型,但不具体地限于此。
在这种情况下,多条消息本身或由图3的预处理器310执行的多条消息的预处理结果或者由图3的分数计算器320执行的多条消息的分数可以是数据分析模型的输入值。作为过滤结果的多条消息中的每一条的重要性等等可以是数据分析模型的输出值。
下文将参考图12至图15更详细地描述使用数据分析模型来分析消息的重要性的示例实施例。
图5A和图5B是示出根据本公开的另一示例实施例的过滤消息的电子设备100的使用示例的图。
参考图5A,显示器220可以在屏幕上显示用户与第三方在聊天室中已经交谈的多条消息中的至少一些503。
在这种情况下,用户输入单元230可以接收选择用于过滤多条消息的过滤UI 501的用户输入。
响应于用户输入,如图5A所示,显示器220可以显示过滤条501a和位于过滤条501a上的指示器501b。
在这种情况下,指示器501b在过滤条501a上的位置可以对应于多个过滤级别中的一个级别。例如,多个过滤级别可以对应于由图3的重要性确定器330确定的百分数,并且与指示器501b在过滤条501a上的位置对应的一个级别可以对应于百分数的一个值。
例如,如图5A所示,在过滤条501a上的指示器501b位于过滤条501a的最低部分的情况下,对应于指示器501b的位置的过滤级别可以是0级。
具有满足0级的重要性的一条或多条消息可以是具有重要性0%或更多(其为百分数的一个值)的消息,作为对应于0级的重要性。在这种情况下,具有0%或更多百分数的重要性的消息可以是全部的多条消息。
处理器210可以控制显示器220,使得在屏幕上显示具有满足0级的重要性的一条或多条消息505。
同时,在不能将全部多条信息都显示在屏幕上的情况下,显示器220可以仅显示多条消息中的一些,并且可以响应于用户的输入(例如,触摸拖动手势等)而继续在屏幕上显示多条消息之中的没有显示在屏幕上的其他消息。
根据各种示例实施例,用户输入单元230可以接收将位于过滤条501a上的指示器501b的位置移动到另一位置的用户输入。
因此,如图5B所示,过滤条501a上的指示器501b可以向上移动。对应于移动后的指示器501b的位置的过滤级别可以是70级。
具有满足70级的重要性的一条或多条消息可以是具有作为对应于70级的重要性的70%或更多(其为百分数的一个值)重要性的消息。例如,对于图4C的消息,具有70%或更多重要性的消息可以是消息#9、消息#4和消息#8。
处理器210可以获取具有满足70级的重要性的一条或多条消息507,并且控制显示器220使得在屏幕上显示所获取的一条或多条消息507。
作为另一示例,用户输入单元230可以接收将位于过滤条501a上的指示器501b的位置移动到又一位置的用户输入。
因此,如图5B所示,过滤条501a上的指示器501b可以进一步向上移动。在这种情况下,对应于移动后的指示器501b的位置的过滤级别可以是90级。
具有满足90级的重要性的一条或多条消息可以是具有作为对应于90级的重要性的90%或更多(其为百分数的一个值)重要性的消息。例如,对于图4C的消息,具有90%或更多重要性的消息可以是消息#9。
处理器210可以获取具有满足90级的重要性的一条或多条消息509,并且控制显示器220使得在屏幕上显示所获取的一条或多条消息509。
图6A和图6B是示出根据本公开的另一示例实施例的过滤消息的电子设备100的使用示例的图。
参考图6A,显示器220可以在屏幕上显示从社交网络服务(SNS)服务提供的内容603的多条评论中的至少一些评论605。在这种情况下,内容可以包括例如图像、活动图像、文本或音频,但不限于此。此外,根据本公开,评论可以对应于消息。此外,根据本公开,针对内容603的全部多条评论可以是多条消息。
在这种情况下,用户输入单元230可以接收选择用于过滤多条评论的过滤UI 601的用户输入。
响应于用户输入,如图6B所示,显示器220可以提供多个过滤按钮(例如,星形或圆形的复选按钮)601a。在这种情况下,多个过滤按钮601a可以分别对应于多个预设过滤级别。
在这种情况下,用户输入单元230可以接收选择多个过滤按钮601a中的一个过滤按钮601a-1的用户输入。
响应于用户输入,处理器210可以获取具有满足对应于一个过滤按钮的过滤级别的重要性的一条或多条评论607,并且控制显示器220使得在屏幕上显示所获取的一条或多条评论607。
例如,当全部的多个过滤按钮601a都未被激活时,对应于过滤级别的评论可以是具有0%或更多百分数的重要性的评论,并且当激活全部的多个过滤按钮601a时,对应于过滤级别的评论可以是具有90%或更多百分数的重要性的评论。在这种情况下,对应于所选择的一个过滤按钮601a-1的过滤级别可以是具有60%或更多百分数的重要性的评论。
图7A和图7B是示出根据本公开的另一示例实施例的过滤消息的电子设备100的使用示例的图。
参考图7A,处理器210可以在屏幕上显示从电子邮箱提供的电子邮件中的至少一些703。在这种情况下,根据本公开,邮件的主体和标题中的至少一者可以对应于消息。此外,根据本公开,存储在电子邮箱中的全部的发送或接收的电子邮件可以是多条消息。根据本公开,存储在电子邮箱中的电子邮件之中的在预定时段期间发送或接收的电子邮件可以是多条消息。
在这种情况下,用户输入单元230可以接收选择用于过滤多个电子邮件的过滤UI701的用户输入。
响应于用户输入,如图7B所示,显示器220可以显示过滤条701a和位于过滤条701a上的指示器701b。
在这种情况下,电子设备100可以接收选择位于过滤条701a上的指示器701b的位置的用户输入。
响应于用户输入,处理器210可以获取具有满足对应于指示器701b的位置的过滤级别的重要性的一个或多个电子邮件705,并且控制显示器220使得在屏幕上显示所获取的一个或多个电子邮件705。
例如,当指示器701b位于过滤条701a的最左边部分时,对应于过滤级别的电子邮件可以是具有0%或更多百分数的重要性的电子邮件,并且当指示器701b位于过滤条701a的最右边部分时,对应于过滤级别的电子邮件可以是具有90%或更多百分数的重要性的电子邮件。在这种情况下,在图7B中,对应于所选择的指示器701b的位置的过滤级别可以是具有80%或更多百分数的重要性的电子邮件。
本公开呈现过滤条、指示器和多个过滤按钮作为用于过滤多条消息的UI,但UI不限于上述示例并且可以通过各种方式来实施用于过滤多条消息的UI。
因此,由于可以基于重要性来调整屏幕上显示的消息的数量,因此用户可以快速地检索期望的消息并且排除无意义的消息。也就是说,由于在过滤级别较高时仅显示具有高重要性的关键消息并且在过滤级别较低时同时显示具有低重要性的消息,因此用户可以从消息中快速地检索期望的信息。
图8是示出根据本公开的示例实施例的电子设备100的示例操作的流程图。
在图8中,电子设备100可以显示多条消息中的至少一些(801)。
电子设备100可以确定是否接收到请求过滤多条消息的用户输入(803)。
如果接收到用户输入(803中为是),则电子设备100可以基于多条消息中的每一条的重要性而从多条消息之中获取具有满足用户的过滤请求的重要性的一条或多条消息(805)。
电子设备100可以显示一条或多条所获取的消息(807)。
根据各种示例实施例,当电子设备100获取一条或多条消息时,电子设备100可以基于多条消息中的每一条的重要性而从多条消息之中获取具有满足所选择的过滤级别的重要性的一条或多条消息。
此外,当电子设备100获取一条或多条消息时,电子设备100可以基于多条消息中的每一条的重要性而从多条消息之中获取具有大于或等于所选择的过滤级别的重要性的一条或多条消息。
此外,当电子设备100获取一条或多条消息时,电子设备100可以计算多条消息中的每一条的消息分数。
此外,当电子设备100获取一条或多条消息时,电子设备100可以基于多条消息中的每一条的计算的分数而确定多条消息中的每一条的重要性。
图9是示出根据本公开的另一示例实施例的电子设备100的示例操作的流程图。
在图9中,电子设备100可以显示多条消息中的至少一些(901)。
此外,电子设备100可以显示过滤条和位于过滤条上的指示器(903)。在这种情况下,可以响应于请求过滤的用户输入而显示过滤条和指示器。
电子设备100可以确定是否接收到移动位于过滤条上的指示器的位置的用户输入(905)。
如果接收到用户输入(905中为是),则电子设备100可以基于多条消息中的每一条的重要性而从多条消息之中获取具有满足对应于指示器的位置的过滤级别的重要性的一条或多条消息(907)。
电子设备100可以显示一条或多条所获取的消息(909)。
图10是示出根据本公开的又一示例实施例的电子设备100的示例操作的流程图。
在图10中,电子设备100可以显示多条消息中的至少一些(1001)。
此外,电子设备100可以显示对应于多个过滤级别中的每一者的多个按钮(1003)。在这种情况下,可以响应于请求过滤的用户输入而显示多个按钮。
电子设备100可以确定是否接收到选择多个按钮中的一个按钮的用户输入(1005)。
如果接收到用户输入(1005中为是),则电子设备100可以基于多条消息中的每一条的重要性而从多条消息之中获取具有满足对应于一个所选择的按钮的过滤级别的重要性的一条或多条消息(1007)。
电子设备100可以显示一条或多条所获取的消息(1009)。
图11是示出根据本公开的各种示例实施例的电子设备的示例配置的框图。
图11的电子设备1100可以是图1的电子设备100的示例,并且可以包括图1的电子设备100的部件。
如图11所示,电子设备1100可以包括以下至少一者:图像获取器(例如,包括图像获取电路)1110、图像处理器(例如,包括图像处理电路)1120、显示器1130、通信器(例如,包括通信电路)1140、存储器1150、音频处理器(例如,包括音频处理电路)1160、音频输出单元(例如,包括音频输出电路)1170、用户输入单元(例如,包括输入电路)1180,以及处理器(例如,包括处理电路)1190。同时,图11所示的电子设备1100的配置仅仅是示例,并且不一定限于上述框图。因此,取决于电子设备1100的种类或电子设备1100的目的,也可以省略、更改或添加图11所示的电子设备1100的配置中的一些。
图像获取器1110可以包括各种电路并且通过各种来源获取图像数据。例如,图像获取器1110可以从外部服务器接收图像数据并且从外部装置接收图像数据。图像获取器1110可以通过拍摄外部环境来获取图像数据。例如,图像获取器1110可以被实施为拍摄电子设备1100的外部环境的相机。通过图像获取器1110获取的图像数据可以由图像处理器1120处理。
图像处理器1120可以包括各种电路并且对从图像获取器1110接收的图像数据执行处理。图像处理器1120可以对图像数据执行各种图像处理,诸如解码、缩放、噪声滤波、帧率转换、分辨率转换等等。
显示器1130可以在显示区域上显示由图像处理器1120处理的图像数据。显示器1130还可以以柔性显示器形式联接到电子设备1100的前部区域、侧面区域和后部区域中的至少一者。通过使用像纸一样薄且柔性的基板,柔性显示器可以弯曲、折叠或卷起而不会损坏。
联接到触摸面板1181的显示器1130可以被实施为层状结构的触摸屏。触摸屏可以具有检测触摸输入的位置、被触摸的区域和触摸输入的压力的功能以及显示功能,并且还可以具有检测接近接触以及真实接触的功能。
通信器1140可以具有各种通信电路,并且根据各种类型的通信方案与各种类型的外部装置执行通信。通信器1140可以包括各种通信电路,例如但不限于,Wi-Fi芯片1141、蓝牙芯片1142、无线通信芯片1143和近场通信(NFC)芯片1144中的至少一者。处理器1190可以使用通信器1140来与外部服务器或各种外部装置执行通信。
存储器1150可以存储操作电子设备1100所必要的各种程序和数据。存储器1150可以被实施为非易失性存储器、易失性存储器、闪存存储器、硬盘驱动器(HDD)、固态驱动器(SSD)等等。存储器1150可以被处理器1190访问,其中可以由处理器1190执行对数据的读取/记录/编辑/删除/更新等。在本公开中,术语“存储器”可以包括存储器1150、处理器1190中的只读存储器(ROM)1192、随机存取存储器(RAM)1191,或者安装在电子设备1100中的存储卡(未示出)(例如,微型SD卡、记忆棒等)。
此外,存储器1150可以存储程序、数据等,以用于配置将要显示在显示器1130的显示区域上的各种屏幕。此外,根据本公开,存储器1150还可以存储数据分析模型。
音频处理器1160是包括用于对音频数据执行处理的各种电路的部件。音频处理器1160可以对音频数据执行各种处理,诸如解码、放大、噪声滤波等等。由音频处理器1160处理的音频数据可以输出到音频输出单元1170。
音频输出单元1170是包括各种电路并且输出各种警报声音或语音消息以及各种音频数据的部件,针对所述各种音频数据,由音频处理器1160执行各种处理任务,诸如解码、放大和噪声滤波。例如,音频输出单元1170可以被实施为扬声器,但仅仅是示例。例如,音频输出单元1170可以被实施为能够输出音频数据的输出终端。
用户输入单元1180可以包括各种输入电路,并且接收各种用户输入并将接收到的用户输入传输到处理器1190。用户输入单元1180可以包括各种输入电路,诸如,例如但不限于,触控面板1181、(数字)笔传感器1182或按键1183中的一者或多者。触控面板1181可以使用例如电容类型、电阻类型、红外线类型或超声波类型中的至少一者。此外,触控面板1181还可以包括控制电路。触控面板1181还可以包括触觉层以向用户提供触觉反应。(数字)笔传感器1182可以是,例如但不限于,触控面板的一部分,或者可以包括单独的识别片。按键1183可以包括,例如但不限于,物理按钮、光学按键或小键盘。
处理器1190(或控制器)可以包括各种处理电路并且使用存储在存储器1150中的各种程序来控制电子设备1100的整体操作。
处理器1190可以包括,例如但不限于,随机存取存储器(RAM)1191、只读存储器(ROM)1192、图形处理单元1194、主中央处理单元(CPU)1193、第一接口1195-1至第n接口1195-n,以及总线1196。此处,RAM 1191、ROM 1192、图形处理单元1193、主CPU 1194、第一接口1195-1至第n接口1195-n等等可以通过总线1196彼此连接。
根据各种示例实施例,显示器1130可以显示多条消息中的至少一些。用户输入单元1180可以接收请求过滤多条消息的用户输入。响应于接收到的用户输入,处理器1190可以基于多条消息中的每一条的重要性而获取多条消息之中的具有满足用户的过滤请求的重要性的一条或多条消息。另外,处理器1190可以控制显示器1130来显示一条或多条获取的消息。
在下文,将参考图12至图15更详细地描述使用数据分析模型来分析消息的重要性的示例实施例。
参考图12,根据一些示例实施例的处理器210可以包括数据学习器(例如,包括处理电路和/或程序元件)1210和数据分析器(例如,包括处理电路和/或程序元件)1220。
数据学习器1210可以生成或学习数据分析模型,使得数据分析模型具有用于预定情形判定(例如,消息的重要性分析等)的参考。数据学习器1210可以通过将学习数据应用于数据识别模型以确定预定情形来生成具有判定参考的数据识别模型。
作为示例,根据本公开的示例实施例的数据学习器1210可以获取消息的数据作为学习数据,并且可以使用所获取的数据来生成、学习或更新具有判定参考的数据识别模型。
消息的数据可以包括例如消息中所包括的文本、图像、活动图像和音频中的至少一者。此外,消息的数据可以是例如由电子设备100获取的消息本身、由图3的预处理器310对消息预处理的结果,或者由图3的分数计算器320得到的消息的分数。
数据分析器1220可以基于分析数据来确定情形。具体地,数据分析器1220可以通过使用经学习的数据分析模型将消息的数据用作分析数据来确定预定消息的重要性。
例如,数据分析器1220可以通过根据由学习预设的参考获取预定消息的数据并且将所获取的消息的数据作为输入值应用于数据分析模型来确定(或判断或估计)消息的重要性。此外,由数据分析模型通过将所获取的消息的数据作为输入值应用于数据分析模型而输出的结果值可以用来更新数据分析模型。例如,根据本公开的示例实施例的数据分析器1220可以通过将消息的数据(例如,文本、图像、活动图像、音频等)作为输入值应用于经学习的数据分析模型来获取通过确定电子设备100的情形而获取的确定结果(例如,消息的重要性)。
数据学习器1210的至少一部分和数据分析器1220的至少一部分可以在软件模块中实施或者制造成至少一个硬件芯片的形式,并且可以安装在电子设备中。例如,数据学习器1210和数据分析器1220中的至少一者还可以制造成用于人工智能(AI)的专用硬件芯片的形式,或者制造在常规通用处理器(例如,CPU或应用处理器)或图形专用处理器(例如,GPU)的一部分中,并且可以安装在上述各种电子设备中。此处,由于用于AI的专用硬件芯片(其为专用于概率操作的专用处理器)比常规通用处理器具有更高的并行处理性能,因此它可以快速地处理AI领域的操作任务,诸如机器学习。在数据学习器1210和数据分析器1220被实施在软件模块(或包括指令的程序模块)中的情况下,软件模块可以存储在非暂时性计算机可读介质中。在这种情况下,软件模块可以由操作系统(OS)提供,或者由预定应用提供。软件模块中的一些可以由操作系统(OS)提供,并且其剩余的一些可以由预定应用提供。
在这种情况下,数据学习器1210和数据分析器1220也可以安装在一个电子设备中,或者还可以各自安装在分隔开的电子设备中。例如,数据学习器1210和数据分析器1220中的一者可以被包括在电子设备100中,并且其另一者可以被包括在外部服务器中。此外,数据学习器1210和数据分析器1220还可以在有线或无线方案中将由数据学习器1210建构的模型信息提供到数据分析器1220,并且输入到数据分析器1220的数据也可以作为附加学习数据提供到数据学习器1210。
图13是示出根据本公开的一些示例实施例的数据学习器1210的示例的框图。
参考图13,根据一些示例实施例的数据学习器1210可以包括数据获取器(例如,包括处理电路和/或程序元件)1210-1和模型学习器(例如,包括处理电路和/或程序元件)1210-4。此外,数据学习器1210还可以选择性地包括以下至少一者:预处理器(例如,包括处理电路和/或程序元件)1210-2、学习数据选择器(例如,包括处理电路和/或程序元件)1210-3,以及模型评估器(例如,包括处理电路和/或程序元件)1210-5。
数据获取器1210-1可以获取学习情形判定所必要的学习数据。根据本公开的示例实施例,数据获取器1210-1可以获取消息的数据(例如,消息中包括的文本、图像、活动图像、音频等)作为学习数据。
学习数据也可以是由数据学习器1210或电子设备100的制造商收集或测试的消息的数据。学习数据还可以是由电子设备100接收到的消息的数据。
模型学习器1210-4可以使用学习数据来学习数据分析模型,使得数据分析模型具有关于如何判定预定情形的判定参考。例如,模型学习器1210-4可以通过监督式学习(即,将学习数据中的至少一些用作判定参考)来学习数据分析模型。模型学习器1210-4通过非监督式学习来学习数据分析模型,所述非监督式学习通过本身使用学习数据进行学习来发现用于判定情形的判定参考而无需任何监督。
此外,模型学习器1210-4还可以学习需要将学习数据用于情形判定的选择参考。例如,根据本公开的示例实施例的模型学习器1210-4可以通过将输入消息的数据用作学习数据来学习数据分析模型。在这种情况下,数据分析模型可以是先前建构的模型。例如,数据分析模型可以是先前通过接收基本学习数据(例如,样本消息等)来建构的模型。
可以通过考虑识别模型的应用领域、学习目的、装置的计算机性能等等来建构数据分析模型。数据分析模型可以是例如基于神经网络的模型。数据识别模型可以被设计成在计算机上模拟人类的大脑结构。数据识别模型可以包括具有模拟人类的神经网络的神经元的权重值的多个网络节点。多个网络节点可以各自形成连接关系,以便模拟通过突触来发射和接收信号的神经元的突触活动。数据识别模型可以包括例如神经网络模型或者从神经网络模型发展来的深度学习模型。深度学习模型中的多个网络节点可以在置于不同深度(或层)处的同时根据卷积连接关系来发射和接收数据。
例如,可以将诸如DNN(深度神经网络)、RNN(递归神经网络)和BRDNN(双向递归深度神经网络)等模型用作数据分析模型,但数据分析模型不限于此。
根据各种示例实施例,当存在先前建构的多个数据分析模型时,模型学习器1210-4可以将在输入学习数据与基本学习数据之间具有高相关性的分析模型确定为待学习的数据分析模型。在这种情况下,可以针对数据的每种类型将基本学习数据进预先分类,并且可以针对数据的每种类型预先建构数据分析模型。例如,基本学习数据可以基于各种参考而预先分类,诸如生成学习数据的区域、生成学习数据的时间、学习数据的大小、学习数据的类型、学习数据的发生器、学习数据中的对象种类等等。
此外,模型学习器1210-4可以使用学习算法来学习数据分析模型,所述学习算法包括例如误差反向传播或梯度下降。
一旦学习了数据分析模型,模型学习器1210-4就可以存储经学习的数据分析模型。在这种情况下,模型学习器1210-4可以将经学习的数据分析模型存储在电子设备100的存储器240中。模型学习器1210-4可以将经学习的数据分析模型存储在通过有线或无线网络连接到电子设备100的服务器的存储器中。
数据学习器1210还可以包括预处理器1210-2和学习数据选择器1210-3,以改进数据分析模型的分析结果或者节省生成数据分析模型所需的资源或时间。
预处理器1210-2可以对所获取的数据进行预处理,使得所获取的数据可以用于学习情形判定。预处理器1210-2可以将所获取的数据处理成预设格式,使得下文描述的模型学习器1210-4可以使用所获取的数据来学习情形判定。
根据本公开的示例实施例,预处理器1210-2可以对消息中所包括的文本数据执行预处理,诸如词素分析、实体提取、文字符号去除、类似术语提取和模板匹配。预处理器1210-2可以对应于例如图3的预处理器310的至少一部分。
学习数据选择器1210-3可以选择由数据获取器1210-1获取的数据或由预处理器1210-2预处理的数据之中的学习所必要的数据。所选择的学习数据可以提供到模型学习器1210-4。学习数据选择器1210-3可以根据预设的选择参考来选择所获取或经预处理的数据之中的学习所必要的学习数据。此外,学习数据选择器1210-3还可以根据由模型学习器1210-4的学习预设的选择参考来选择学习数据。
根据本公开的示例实施例,学习数据选择器1210-3可以仅选择从具体来源接收的消息的数据、在具体时段期间接收的消息的数据,或者由具体应用管理的消息的数据。学习数据选择器1210-3可以选择以下结果中的至少一者作为学习数据:词素分析、实体提取、文字符号去除、类似术语提取和模板匹配,所述结果是由预处理器1210-2执行的结果。
然而,学习数据选择器1210-3是可选的配置,并且也可以根据本公开的示例实施例而省略。
数据学习器1210还可以包括模型评估器1210-5,以改进数据识别模型的分析结果。
模型评估器1210-5可以将评估数据输入到数据分析模型,并且当从评估结果输出的分析结果不满足预定参考时,可以使模型学习器1210-4再次学习。在这种情况下,评估数据可以是用于评估数据分析模型的预定义数据。
例如,模型评估器1210-5可以评估:当在针对评估数据的经学习的数据分析模型的分析结果之中,分析结果不正确的评估数据数量或比率超过阈值时,评估结果不满足预定参考。例如,在预定参考被定义为2%的比率的情况下,当在总计1000个评估数据之中,经学习的数据分析模型输出超过20个评估数据的不正确分析结果时,模型评估器1210-5可以评估经学习的数据分析模型不合适。
同时,当存在多个经学习的数据分析模型时,模型评估器1210-5可以评估经学习的数据分析模型中的每一者是否满足预定参考,并且将满足预定参考的模型确定为最终数据分析模型。在这种情况下,当存在满足预定参考的多个模型时,模型评估器1210-5可以将任一个或按评估分数的降序预设的预定数量的模型确定为最终数据分析模型。
上述数据获取器1210-1、预处理器1210-2、学习数据选择器1210-3、模型学习器1210-4和模型评估器1210-5中的至少一者可以被实施在软件模块中或制造成至少一个硬件芯片的形式,并且可以安装在电子设备中。例如,数据获取器1210-1、预处理器1210-2、学习数据选择器1210-3、模型学习器1210-4和模型评估器1210-5中的至少一者还可以制造成用于人工智能(AI)的专用硬件芯片的形式,或者制造在常规通用处理器(例如,CPU或应用处理器)或图形专用处理器(例如,GPU)的一部分中,并且可以安装在上述各种电子设备中。
此外,数据获取器1210-1、预处理器1210-2、学习数据选择器1210-3、模型学习器1210-4和模型评估器1210-5也可以安装在一个电子设备中,或者还可以各自安装在单独的电子设备中。例如,数据获取器1210-1、预处理器1210-2、学习数据选择器1210-3、模型学习器1210-4和模型评估器1210-5中的一些可以被包括在电子设备中,并且其剩余部分可以被包括在服务器中。
此外,数据获取器1210-1、预处理器1210-2、学习数据选择器1210-3、模型学习器1210-4和模型评估器1210-5中的至少一者可以被实施在软件模块中。在数据获取器1210-1、预处理器1210-2、学习数据选择器1210-3、模型学习器1210-4和模型评估器1210-5中的至少一者被实施在软件模块(或包括指令的程序模块)的情况下,软件模块可以存储在非暂时性计算机可读介质中。此外,在这种情况下,至少一个软件模块可以由操作系统(OS)提供,或者由预定应用提供。至少一个软件模块的一部分可以由操作系统(OS)提供,并且其剩余的一些可以由预定应用提供。
图14是示出根据各种示例实施例的数据分析器1220的示例的框图。
参考图14,根据各种示例实施例的数据分析器1220可以包括数据获取器(例如,包括处理电路和/或程序元件)1220-1和分析结果提供器(例如,包括处理电路和/或程序元件)1220-4。此外,数据分析器1220还可以选择性地包括以下至少一者:预处理器(例如,包括处理电路和/或程序元件)1220-2、分析数据选择器(例如,包括处理电路和/或程序元件)1220-3,以及模型更新器(例如,包括处理电路和/或程序元件)1220-5。
数据获取器1220-1可以获取情形判定所必要的数据。
分析结果提供器1220-4可以通过将由数据获取器1220-1获取的数据作为输入值应用于经学习的数据分析模型来判定情形。分析结果提供器1220-4可以根据数据的分析目的来提供分析结果。分析结果提供器1220-4可以通过将由下文描述的预处理器1220-2或分析数据选择器1220-3选择的数据作为输入值应用于数据分析模型来获取分析结果。分析结果可以由数据分析模型确定。
根据本公开的示例实施例,分析结果提供器1220-4可以通过将由数据获取器1220-1获取的消息的数据应用于数据分析模型来获取消息的重要性。消息的数据可以包括例如消息中所包括的文本、图像、活动图像和音频中的至少一者。
在这种情况下,分析结果提供器1220-4可以通过将多条消息中的每一条的数据应用于数据分析模型来确定多条消息的重要性。分析结果提供器1220-4可以通过将多条消息中的每一条的数据应用于数据分析模型来确定多条消息的相对优先级。例如,分析结果提供器1220-4还可以将多条消息之间的排名或百分数确定为分析结果。
数据分析器1220还可以包括预处理器1220-2和分析数据选择器1220-3,以改进数据分析模型的分析结果或者节省用于提供分析结果的资源或时间。
预处理器1220-2可以对所获取的数据进行预处理,使得所获取的数据可以用于情形判定。预处理器1220-2可以将所获取的数据处理成预定义格式,使得分析结果提供器1220-4可以将所获取的数据用于情形判定。
例如,根据本公开的示例实施例,数据获取器1220-1可以获取消息的数据,并且预处理器1220-2可以将消息的数据预处理成预定义格式,如上所述。例如,预处理器1220-2可以对消息中所包括的文本数据执行预处理,诸如词素分析、实体提取、文字符号去除、类似术语提取和模板匹配。预处理器1220-2可以对应于例如图3的预处理器310的至少一部分。
分析数据选择器1220-3可以选择由数据获取器1220-1获取的数据或由预处理器1220-2预处理的数据之中的情形判定所必要的数据。所选择的数据可以提供到分析结果提供器1220-4。分析数据选择器1220-3可以根据情形判定的预设选择参考来选择所获取或经预处理的数据中的一些或全部。此外,分析数据选择器1220-3还可以根据由模型学习器1210-4的学习预设的选择参考来选择数据。
根据本公开的示例实施例,分析数据选择器1220-3可以仅选择从具体来源接收的消息的数据、在具体时段期间接收的消息的数据,或者由具体应用管理的消息的数据。分析数据选择器1220-3可以选择以下结果中的至少一者作为学习数据:词素分析、实体提取、文字符号去除、类似术语提取和模板匹配,所述结果是由预处理器1220-2执行的结果。
例如,分析数据选择器1220-3可以选择用户与第三方在具体聊天室中交谈过的消息中的每一者的数据作为情形判定(例如,消息的重要性)所必要的数据,如图1所示。
分析数据选择器1220-3可以选择具体内容的多条评论中的每一者的数据作为情形判定所必要的数据,如图6所示。
分析数据选择器1220-3可以选择具体应用(例如,电子邮件应用)的收件箱中所包括的电子邮件中的每一者的数据作为情形判定所必要的数据,如图7所示。此处,在预定时段期间发射或接收的电子邮件也可以被选择作为情形判定的数据。
模型更新器1220-5可以执行控制,使得基于由分析结果提供器1220-4提供的分析结果而更新数据分析模型。例如,模型更新器1220-5可以执行控制,使得模型学习器1210-4通过将由分析结果提供器1220-4提供的分析结果提供到模型学习器1210-4来更新数据分析模型。
上述数据分析器1220中的数据获取器1220-1、预处理器1210-2、分析数据选择器1220-3、分析结果提供器1220-4和模型更新器1220-5中的至少一者可以被实施在软件模块中或制造成至少一个硬件芯片的形式,并且可以安装在电子设备中。例如,数据获取器1220-1、预处理器1220-2、分析数据选择器1220-3、分析结果提供器1220-4和模型更新器1220-5中的至少一者还可以制造成用于人工智能(AI)的专用硬件芯片的形式,或者制造在常规通用处理器(例如,CPU或应用处理器)或图形专用处理器(例如,GPU)的一部分中,并且可以安装在上述各种电子设备中。
此外,数据获取器1220-1、预处理器1220-2、分析数据选择器1220-3、分析结果提供器1220-4和模型更新器1220-5也可以安装在一个电子设备中,或者还可以各自安装在单独的电子设备中。例如,数据获取器1220-1、预处理器1220-2、分析数据选择器1220-3、分析结果提供器1220-4和模型更新器1220-5中的一些可以被包括在电子设备中,并且其剩余部分可以被包括在服务器中。
此外,数据获取器1220-1、预处理器1220-2、分析数据选择器1220-3、分析结果提供器1220-4和模型更新器1220-5中的至少一者可以被实施在软件模块中。在数据获取器1220-1、预处理器1220-2、分析数据选择器1220-3、分析结果提供器1220-4和模型更新器1220-5中的至少一者被实施在软件模块(或包括指令的程序模块)中的情况下,软件模块可以存储在非暂时性计算机可读介质中。此外,在这种情况下,至少一个软件模块可以由操作系统(OS)提供,或者由预定应用提供。至少一个软件模块的一部分可以由操作系统(OS)提供,并且其剩余的一些可以由预定应用提供。
图15是示出根据一些示例实施例的其中电子设备100和服务器1500通过彼此接合来学习和识别数据的示例的图。
参考图15,服务器1500可以学习用于情形判定的参考,并且电子设备100可以基于服务器1500的学习结果而判定情形。服务器1500可以包括数据获取器1510-1、预处理器1510-2、学习数据选择器1510-3、模型学习器1510-4和模型评估器1510-5,它们可以具有与上文关于参考图13详细地论述的类似命名元件所描述的相同或相似功能。
在这种情况下,服务器1500的模型学习器1510-4可以执行图13所示的数据学习器1210的功能。服务器1500的模型学习器1510-4可以学习关于使用消息的哪些数据来判定预定情形和关于如何使用消息的数据来判定情形的参考。模型学习器1510-4可以通过获取将要用于学习的消息的数据并且将所获取的数据应用于下文描述的数据分析模型来学习用于判定消息的重要性的参考。
此外,电子设备100的分析结果提供器1220-4可以通过将由分析数据选择器1220-3选择的数据应用于由服务器1500生成的数据分析模型来确定消息的重要性。例如,分析结果提供器1220-4可以将由分析数据选择器1220-3选择的消息的数据传输到服务器1500,并且请求服务器1500通过将由分析数据选择器1220-3选择的数据应用于数据分析模型来确定消息的重要性。此外,分析结果提供器1220-4可以从服务器1500接收关于由服务器1500确定的消息的重要性的信息。例如,当分析数据选择器1220-3将消息的数据传输到服务器1500时,服务器1500可以通过将消息的数据应用于预先存储的数据分析模型以确定消息的重要性来将关于消息的重要性的信息传输到电子设备100。
电子设备100的分析结果提供器1220-4可以从服务器1500接收由服务器1500生成的分析模型,并且可以使用接收到的分析模型来判定情形。在这种情况下,电子设备100的分析结果提供器1220-4可以通过将由分析数据选择器1220-3选择的消息的数据应用于从服务器1500接收的数据分析模型来确定消息的重要性。
图16是示出根据各种示例实施例的使用数据分析模型的电子设备100的示例操作的流程图。
电子设备100可以显示多条消息中的至少一些(1601)。
电子设备100可以确定是否接收到请求过滤多条消息的用户输入(1603)。
如果接收到用户输入(1603中为是),则电子设备100可以通过将多条消息中的每一条的数据应用于数据分析模型来确定多条消息中的每一条的重要性(1605)。数据分析模型可以存储在电子设备100的存储器240中。此处,存储器240可以包括设置在电子设备100中的存储器或者安装在电子设备100中的存储卡。此外,消息的数据可以包括例如消息中所包括的文本、图像、活动图像和音频中的至少一者。此外,消息的数据也可以是经预处理或所选择的数据。例如,消息的数据可以是在图3的预处理器310中执行预处理的数据。
电子设备100可以基于多条消息中的每一条的确定的重要性而从多条消息之中获取具有满足用户的过滤请求的重要性的一条或多条消息(1607)。
电子设备100可以在屏幕上显示一条或多条所获取的消息(1609)。
根据各种示例实施例,电子设备100还可以通过在接收到请求过滤的用户输入之前预先将多条消息中的每一条的数据应用于数据分析模型来预先确定多条消息中的每一条的重要性。例如,电子设备100可以处于如下状态:它在执行操作(1601)或执行操作(1603)之前预先使用存储在存储器240中的数据分析模型来确定多条消息中的每一条的重要性。
在这种情况下,如果接收到请求过滤的用户输入,则电子设备100可以基于多条消息中的每一条的预定重要性而从多条消息之中获取具有满足用户的过滤请求的重要性的一条或多条消息,并且在屏幕上显示所获取的消息。
图17和图18是示出根据各种示例实施例的使用数据分析模型的示例网络系统的操作的流程图。
在图17和图18中,使用数据分析模型的网络系统可以包括第一部件1701、1801和第二部件1702、1802。
此处,第一部件1701、1801可以是电子设备100,并且第二部件1702、1802可以是其中存储数据分析模型的服务器1500。第一部件1701、1801可以是通用处理器,并且第二部件1702、1802可以是AI专用处理器。第一部件1701、1801可以是至少一个应用,并且第二部件1702、1802可以是操作系统(OS)。例如,第二部件1702、1802是比第一部件1701、1801更集成或专用、或不太延迟、或者具有显著的性能或更多资源的部件,并且可以是可以比第一部件1701、1801更快且更有效地处理生成、更新或应用数据识别模型所需的很多操作的部件。
在这种情况下,可以限定用于在第一部件1701与第二部件1702之间发射/接收数据的接口。
例如,可以限定将学习数据作为因数值(或参数值或传输值)应用于数据识别模型的应用程序接口(API)。API可以被限定为可以在任何一个协议(例如,电子设备100中限定的协议)中针对另一协议(例如,服务器1500中限定的协议)的任何处理而调用的子例程或功能的集合。也就是说,可以提供可以通过API在任何一个协议中执行另一协议的操作的环境。
根据示例实施例,在图17中,第一部件1701可以显示多条消息中的至少一些(1711)。
在这种情形下,电子设备100可以接收请求过滤多条消息的用户输入(1713)。
如果接收到用户输入,则第一部件1701可以将多条消息中的每一条的数据传输到第二部件1702(1715)。
第二部件1702可以通过将接收到的多条消息中的每一条的数据应用于第二部件1702的数据分析模型来确定多条消息中的每一条的重要性(1717)。
第二部件1702可以将接收到的多条消息中的每一条的重要性传输到第一部件1701(1719)。
第一部件1701可以基于接收到的多条消息中的每一条的重要性而从多条消息之中获取具有满足用户的过滤请求的重要性的一条或多条消息(1721)。
第一部件1701可以在屏幕上显示一条或多条所获取的消息(1723)。
根据各种示例实施例,第一部件1701还可以通过在接收到请求过滤的用户输入之前预先将多条消息中的每一条的数据应用于第二部件1702的数据分析模型来预先确定多条消息中的每一条的重要性。例如,第一部件1701可以在执行操作(1711)或执行操作(1713)之前将多条消息中的每一条的数据传输到第二部件1702,并且作为响应,接收并存储多条消息中的每一条的重要性。
在这种情况下,如果接收到请求过滤的用户输入,则第一部件1701可以基于多条消息中的每一条的预定重要性而从多条消息之中获取具有满足用户的过滤请求的重要性的一条或多条消息,并且在屏幕上显示所获取的消息。
根据另一示例实施例,在图18中,第一部件1801可以显示多条消息中的至少一些(1811)。
在这种情形下,第一部件1801可以接收请求过滤多条消息的用户输入(1813)。
如果接收到用户输入,则第一部件1801可以将多条消息中的每一条的数据和过滤级别(或过滤条件)传输到第二部件1802(1815)。过滤级别可以是例如由用户、电子设备100的制造商、或者执行根据本公开的操作的应用的制造商或开发人员先前存储的信息。如图5A和图5B所示,过滤级别可以是根据用户的操作的对应于指示器501b的位置的信息。
第二部件1802可以通过将接收到的多条消息中的每一条的数据和过滤级别应用于第二部件1802的数据分析模型来确定具有满足用户的过滤请求的重要性的一条或多条消息(1817)。
第二部件1802可以将一条或多条消息的确定数据传输到第一部件1801(1819)。此处,消息的数据可以是例如确定的数据本身或消息的识别信息。
作为对操作(1813)的用户输入的响应,第二部件1802可以在屏幕上显示对应于确定的消息的数据的消息(1821)。
上述装置100的部件的名称可以改变。此外,根据本公开的装置100可以被配置成包括上述部件中的一者或多者,并且可以省略一些部件或可以进一步包括其他部件。
本公开的各种示例实施例还可以以记录介质的形式实施,所述记录介质包括可以由计算机执行的指令,诸如由计算机执行的程序模块。计算机可读介质可以是可以由计算机访问的任何可用介质,并且包括易失性和非易失性介质、可移动和不可移动介质。此外,计算机可读介质可以包括计算机存储介质和通信介质两者。计算机存储介质包括由任何方法或技术实施的易失性和非易失性介质以及可移动和不可移动介质,以用于存储信息,诸如计算机可读指令、数据结构、程序模块或其他数据。通信介质包括经调制的数据信号的其他数据,诸如计算机可读指令、数据结构、程序模块或载波或者其他传输机构,并且包括任何信息传送介质。
此外,根据各种示例实施例的设备(例如,模块或其功能)或方法中的至少一些可以由存储在非暂时性计算机可读介质的指令以程序模块的形式实施。此处,程序可以存储在非暂时性计算机可读介质中并且由计算机读取和执行以实施本公开的示例实施例。非暂时性计算机可读介质可以指代例如半永久地存储数据并且能够被装置读取的介质,并且包括寄存器、高速缓存、缓冲器等等。
此外,根据所公开的示例实施例的方法可以被提供为计算机程序产品。
计算机程序产品可以包括软件(S/W)程序、存储有S/W程序的计算机可读介质,或在卖方与买方之间交易的产品。
例如,计算机程序产品可以包括电子地分布在电子设备或电子设备的制造商或电子市场(例如,谷歌商店、应用商店)上的S/W程序形式的产品(例如,可下载应用程序)。对于电子分布,S/W程序中的至少一部分可以存储在存储介质中,或者是临时生成的。在这种情况下,存储介质可以是制造商或电子市场的服务器或中继服务器的存储介质。
应理解,本公开的前述描述意图是说明性的,并且本领域技术人员将容易理解,在不脱离本公开的精神或基本特性的情况下,其他实施例是可能的。因此,应理解,上述示例实施例不是限制性的,而在所有方面都是示例。例如,可以分布和实施被描述为单个形式的每个部件,并且也可以以组合形式实施被描述为分布式的部件。
应理解,本公开的范围仅由所附权利要求及其等效物而不是上述详细描述限定,并且从权利要求的含义、范围和等效物中导出的修改或改变被包括在本公开的范围内。
Claims (9)
1.一种过滤电子设备的多条消息的方法,所述方法包括:
显示所述多条消息以及用户界面,所述用户界面包括过滤条和位于所述过滤条上的指示器,其中所述指示器在所述过滤条上的位置指示过滤级别;
基于用于移动位于所述过滤条上的所述指示器的位置的输入被接收,识别与所移动的指示器在所述过滤条上的位置相对应的过滤级别;
识别所述多条消息的重要性等级,其中基于以下项来识别相应消息的重要性等级:所述多条消息的数量、所述多条消息中包括的具体字词的出现频率数、包括在所述相应消息中的所述具体字词的出现频率数、来自所述多条消息之中的包括具体字词的消息的数量、以及生成所述相应消息的时间;
基于根据所识别的过滤级别选择的消息的数量和根据所述多条消息的所述重要性级别的所述多条消息的排序信息,从所述多条消息之中获取至少一条消息;以及
显示所获取的至少一条消息。
2.如权利要求1所述的方法,其中所述多条消息包括以下一者或多者:用户与第三方沟通过的聊天室中所包括的所有消息、关于具体内容的所有评论,以及存储在电子邮箱中的所有电子邮件。
3.如权利要求1所述的方法,还包括:显示对应于多个过滤级别的多个按钮,
其中所述输入包括:用于选择所述多个按钮中的一个按钮的输入,并且
其中获取包括:基于所述多条消息的重要性级别而从所述多条消息之中过滤具有满足与所选择的一个按钮对应的过滤级别的重要性级别的至少一条消息。
4.如权利要求1所述的方法,其中获取包括:计算所述多条消息的消息分数。
5.如权利要求4所述的方法,其中计算包括基于以下至少一者来计算所述消息分数:所述多条消息的数量、所述多条消息中包括的所述具体字词的类型的权重、以及所述多条消息提供时间。
6.如权利要求4所述的方法,其中获取包括:基于所述多条消息的消息分数的计算来确定所述多条消息的重要性级别。
7.如权利要求6所述的方法,其中确定包括:基于所述多条消息的排名信息和所述分数或所述排名的百分数来确定所述多条消息的重要性级别。
8.一种电子设备,配置成过滤多条消息,所述电子设备包括:
显示器;
输入单元,包括输入电路;以及
处理器,配置成:
控制所述显示器来显示所述多条消息以及用户界面,所述用户界面包括过滤条和位于所述过滤条上的指示器,其中所述指示器在所述过滤条上的位置指示过滤级别;
基于用于移动位于所述过滤条上的所述指示器的位置的输入被接收,识别与所移动的指示器在所述过滤条上的位置相对应的过滤级别;
识别所述多条消息的重要性等级,其中基于以下项来识别相应消息的重要性等级:所述多条消息的数量、所述多条消息中包括的具体字词的出现频率数、包括在所述相应消息中的所述具体字词的出现频率数、来自所述多条消息之中的包括具体字词的消息的数量、以及生成所述相应消息的时间;
基于根据所识别的过滤级别选择的消息的数量和根据所述多条消息的所述重要性级别的所述多条消息的排序信息,从所述多条消息之中获取至少一条消息;以及
控制所述显示器来显示所获取的至少一条消息。
9.如权利要求8所述的电子设备,其中所述多条消息包括以下一者或多者:用户与第三方沟通过的聊天室中所包括的所有消息、关于具体内容的所有评论,或者存储在电子邮件收件箱中的所有电子邮件。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20160145948 | 2016-11-03 | ||
KR10-2016-0145948 | 2016-11-03 | ||
KR1020170111660A KR102398386B1 (ko) | 2016-11-03 | 2017-09-01 | 복수 개의 메시지들을 필터링하는 방법 및 이를 위한 장치 |
KR10-2017-0111660 | 2017-09-01 | ||
PCT/KR2017/012282 WO2018084581A1 (en) | 2016-11-03 | 2017-11-01 | Method and apparatus for filtering a plurality of messages |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110169021A CN110169021A (zh) | 2019-08-23 |
CN110169021B true CN110169021B (zh) | 2021-10-22 |
Family
ID=62185572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780077980.7A Expired - Fee Related CN110169021B (zh) | 2016-11-03 | 2017-11-01 | 用于过滤多条消息的方法和设备 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3523932B1 (zh) |
KR (1) | KR102398386B1 (zh) |
CN (1) | CN110169021B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102424555B1 (ko) * | 2020-01-31 | 2022-07-26 | 플랫비 주식회사 | 주제별 키워드 검색 및 귓속말 메시지 서비스 프로그램 제어방법 및 이를 수행하기 위한 컴퓨터 프로그램 |
EP4102863A4 (en) * | 2020-03-09 | 2023-03-15 | Gamania Digital Entertainment Co., Ltd. | METHOD FOR HANDLING MESSAGES BASED ON TIME AND POSITION |
US20220045978A1 (en) * | 2020-08-06 | 2022-02-10 | Vocera Communications, Inc. | Prioritizing Communications On A Communication Device |
CN111984901A (zh) * | 2020-08-31 | 2020-11-24 | 上海博泰悦臻电子设备制造有限公司 | 一种消息推送方法及其相关产品 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3573688B2 (ja) * | 2000-06-28 | 2004-10-06 | 松下電器産業株式会社 | 類似文書検索装置及び関連キーワード抽出装置 |
JP4040441B2 (ja) * | 2002-12-04 | 2008-01-30 | トヨタ自動車株式会社 | 車両用通信装置 |
US8713027B2 (en) * | 2009-11-18 | 2014-04-29 | Qualcomm Incorporated | Methods and systems for managing electronic messages |
US20160142359A1 (en) * | 2014-11-17 | 2016-05-19 | Citrix Systems, Inc. | Item importance indication |
US20160212086A1 (en) * | 2015-01-20 | 2016-07-21 | Synchronoss Technologies, Inc. | Message processing, forwarding and filtering based on attribute values |
US20160299954A1 (en) * | 2015-04-08 | 2016-10-13 | Vinay BAWRI | Processing a search query and ranking results from a database system of a network communication software |
CN105915440A (zh) * | 2016-04-19 | 2016-08-31 | 乐视控股(北京)有限公司 | 邮件识别方法及装置 |
-
2017
- 2017-09-01 KR KR1020170111660A patent/KR102398386B1/ko active IP Right Grant
- 2017-11-01 EP EP17867205.1A patent/EP3523932B1/en active Active
- 2017-11-01 CN CN201780077980.7A patent/CN110169021B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
EP3523932A4 (en) | 2019-08-14 |
EP3523932A1 (en) | 2019-08-14 |
KR102398386B1 (ko) | 2022-05-16 |
KR20180049791A (ko) | 2018-05-11 |
EP3523932B1 (en) | 2024-01-10 |
CN110169021A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11574116B2 (en) | Apparatus and method for providing summarized information using an artificial intelligence model | |
US11671386B2 (en) | Electronic device and method for changing chatbot | |
US11115359B2 (en) | Method and apparatus for importance filtering a plurality of messages | |
US11954150B2 (en) | Electronic device and method for controlling the electronic device thereof | |
CN110169021B (zh) | 用于过滤多条消息的方法和设备 | |
US20200125967A1 (en) | Electronic device and method for controlling the electronic device | |
EP3523710B1 (en) | Apparatus and method for providing a sentence based on user input | |
US11475218B2 (en) | Apparatus and method for providing sentence based on user input | |
CN110692061A (zh) | 使用人工智能模型提供概述信息的装置和方法 | |
KR102449630B1 (ko) | 전자 장치 및 이의 제어 방법 | |
US11481811B2 (en) | Electronic device and method for controlling same | |
CN112424768A (zh) | 电子设备及其控制方法 | |
KR102586170B1 (ko) | 전자 장치 및 이의 검색 결과 제공 방법 | |
CN111902812A (zh) | 电子装置及其控制方法 | |
US11468270B2 (en) | Electronic device and feedback information acquisition method therefor | |
KR20200115695A (ko) | 전자 장치 및 이의 제어 방법 | |
US20220269935A1 (en) | Personalizing Digital Experiences Based On Predicted User Cognitive Style | |
KR20200044175A (ko) | 전자 장치 및 그의 비서 서비스 제공 방법 | |
US11531722B2 (en) | Electronic device and control method therefor | |
US20240144079A1 (en) | Systems and methods for digital image analysis | |
JP2021072119A (ja) | 情報検証方法およびシステム | |
KR20190032749A (ko) | 전자 장치 및 그의 제어 방법 |
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: 20211022 |
|
CF01 | Termination of patent right due to non-payment of annual fee |