CN110457694A - 消息提醒方法及装置、场景类型识别提醒方法及装置 - Google Patents
消息提醒方法及装置、场景类型识别提醒方法及装置 Download PDFInfo
- Publication number
- CN110457694A CN110457694A CN201910690698.7A CN201910690698A CN110457694A CN 110457694 A CN110457694 A CN 110457694A CN 201910690698 A CN201910690698 A CN 201910690698A CN 110457694 A CN110457694 A CN 110457694A
- Authority
- CN
- China
- Prior art keywords
- message
- processed
- participle
- scene type
- index information
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
- G06F9/453—Help systems
Abstract
本公开提供一种消息提醒方法及装置、场景类型识别方法及装置;涉及通信技术领域。所述消息提醒方法包括:对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型;根据所述待处理消息的场景类型识别结果执行提醒动作。本公开可以在识别用户关注的消息的同时,避免消息明文的泄露。
Description
技术领域
本公开涉及通信技术领域,具体而言,涉及一种消息提醒方法、消息提醒装置、场景类型识别提醒方法、场景类型识别提醒装置、电子设备以及计算机可读存储介质。
背景技术
随着科学技术和信息技术的进步,特别是计算机技术和网络技术的不断发展,出现了越来越多的用于发送和接收互联网消息的应用程序。
部分用户而言,经常需要通过这些应用程序获取特定场景类型的消息,如商机信息。举例而言,部分用户为了获取商机信息,会加入大量的群组。但由于群组消息众多,又很容易错过关键的商机信息。
对此,一种方案是在服务器对消息明文直接进行语义识别,以判断其是否为用户所关注的消息。但是,在服务器获取消息明文不符合用户保护隐私的需求。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例的目的在于提供一种消息提醒方法、消息提醒装置、场景类型识别提醒方法、场景类型识别提醒装置、电子设备以及计算机可读存储介质,进而可以在识别用户关注的消息的同时,避免消息明文的泄露。
根据本公开的一个方面,提供一种消息提醒方法,包括:
对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型;
根据所述待处理消息的场景类型识别结果执行提醒动作。
在本公开的一种示例性实施例中,基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息,包括:
对每一所述分词,根据该所述分词的权重值以及哈希值计算该所述分词的分词加权值;
根据各所述分词的分词加权值计算所述待处理消息的加权值;
对所述待处理消息的加权值进行降维计算,得到所述待处理消息的索引信息。
在本公开的一种示例性实施例中,所述确定所述待处理消息的场景类型,包括:
计算所述待处理消息的索引信息与各预设索引信息的相似度;其中,所述模型包括多个所述预设索引信息以及对应的场景类型;
将相似度最高的所述预设索引信息对应的场景类型作为所述待处理消息的场景类型。
在本公开的一种示例性实施例中,计算所述待处理消息的索引信息与各所述预设索引信息的相似度,包括:
计算所述待处理消息的索引信息与各所述预设索引信息之间的海明距离,并根据所述海明距离确定所述相似度。
在本公开的一种示例性实施例中,所述方法还包括:
获取多条训练数据,所述训练数据包括样本索引信息以及所述样本索引信息对应的场景类型;
根据所述训练数据对所述模型进行训练。
在本公开的一种示例性实施例中,所述获取多条训练数据,包括:
对样本消息进行分词得到多个样本分词,并确定各所述样本分词的权重值以及哈希值;
基于各所述样本分词的权重值以及哈希值确定所述样本消息的样本索引信息;
根据接收到的标注信息,确定所述样本索引信息对应的场景类型。
在本公开的一种示例性实施例中,所述确定各所述分词的权重值以及哈希值,包括:
基于预设的分词权重表为各所述分词分配权重值,并通过哈希算法计算各所述分词的哈希值。
在本公开的一种示例性实施例中,所述确定各所述分词的权重值,还包括:
计算多个指定关键词的所述哈希值,得到多个对比哈希值;
如果一所述分词的哈希值与一所述对比哈希值相同,则提高为该所述分词分配的权重值。
在本公开的一种示例性实施例中,基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型,包括:
将所述待处理消息的索引信息发送至服务器端;以及
接收所述服务器端基于所述待处理消息的索引信息用所述模型确定的所述待处理消息的场景类型。
在本公开的一种示例性实施例中,所述待处理消息为一终端设备接收到的消息;所述根据所述待处理消息的场景类型识别结果执行提醒动作包括:
在所述待处理消息的场景类型为目标场景类型时,在所述终端设备执行提醒动作。
在本公开的一种示例性实施例中,所述待处理消息为一终端设备的待发送消息;所述根据所述待处理消息的场景类型识别结果执行提醒动作包括:
在所述待处理消息的场景类型为目标场景类型时,在接收所述待处理消息的另一终端设备执行提醒动作。
在本公开的一种示例性实施例中,所述方法还包括:
根据接收到的设置操作,预先配置所述目标场景类型。
根据本公开的一个方面,提供一种场景类别识别方法,包括:
对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型。
在本公开的一种示例性实施例中,基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息,包括:
对每一所述分词,根据该所述分词的权重值以及哈希值计算该所述分词的分词加权值;
根据各所述分词的分词加权值计算所述待处理消息的加权值;
对所述待处理消息的加权值进行降维计算,得到所述待处理消息的索引信息。
在本公开的一种示例性实施例中,所述确定所述待处理消息的场景类型,包括:
计算所述待处理消息的索引信息与各预设索引信息的相似度;其中,所述模型包括多个所述预设索引信息以及对应的场景类型;
将相似度最高的所述预设索引信息对应的场景类型作为所述待处理消息的场景类型。
在本公开的一种示例性实施例中,计算所述待处理消息的索引信息与各所述预设索引信息的相似度,包括:
计算所述待处理消息的索引信息与各所述预设索引信息之间的海明距离,并根据所述海明距离确定所述相似度。
在本公开的一种示例性实施例中,所述方法还包括:
获取多条训练数据,所述训练数据包括样本索引信息以及所述样本索引信息对应的场景类型;
根据所述训练数据对所述模型进行训练。
在本公开的一种示例性实施例中,所述获取多条训练数据,包括:
对样本消息进行分词得到多个样本分词,并确定各所述样本分词的权重值以及哈希值;
基于各所述样本分词的权重值以及哈希值确定所述样本消息的样本索引信息;
根据接收到的标注信息,确定所述样本索引信息对应的场景类型。
在本公开的一种示例性实施例中,所述确定各所述分词的权重值以及哈希值,包括:
基于预设的分词权重表为各所述分词分配权重值,并通过哈希算法计算各所述分词的哈希值。
在本公开的一种示例性实施例中,所述确定各所述分词的权重值,还包括:
计算多个指定关键词的所述哈希值,得到多个对比哈希值;
如果一所述分词的哈希值与一所述对比哈希值相同,则提高为该所述分词分配的权重值。
在本公开的一种示例性实施例中,基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型,包括:
将所述待处理消息的索引信息发送至服务器端;以及
接收所述服务器端基于所述待处理消息的索引信息用所述模型确定的所述待处理消息的场景类型。
根据本公开的一个方面,提供一种消息提醒装置,包括:
哈希运算模块,用于对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
索引生成模块,用于基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
场景确定模块,基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型;
消息提醒模块,用于根据所述待处理消息的场景类型识别结果执行提醒动作。
在本公开的一种示例性实施例中,所述索引生成模块通过下述步骤确定所述待处理消息的索引信息:对每一所述分词,根据该所述分词的权重值以及哈希值计算该所述分词的分词加权值;根据各所述分词的分词加权值计算所述待处理消息的加权值;对所述待处理消息的加权值进行降维计算,得到所述待处理消息的索引信息。
在本公开的一种示例性实施例中,所述场景确定模块通过下述步骤确定所述待处理消息的场景类型:计算所述待处理消息的索引信息与各预设索引信息的相似度;其中,所述模型包括多个所述预设索引信息以及对应的场景类型;将相似度最高的所述预设索引信息对应的场景类型作为所述待处理消息的场景类型。
在本公开的一种示例性实施例中,所述场景确定模块通过计算所述待处理消息的索引信息与各所述预设索引信息之间的海明距离,并根据所述海明距离确定所述相似度。
在本公开的一种示例性实施例中,所述装置还包括:
模型训练模块,用于获取多条训练数据,并根据所述训练数据对所述模型进行训练;其中,所述训练数据包括样本索引信息以及所述样本索引信息对应的场景类型。
在本公开的一种示例性实施例中,所述模型训练模块通过下述步骤获取多条训练数据:对样本消息进行分词得到多个样本分词,并确定各所述样本分词的权重值以及哈希值;基于各所述样本分词的权重值以及哈希值确定所述样本消息的样本索引信息;根据接收到的标注信息,确定所述样本索引信息对应的场景类型。
在本公开的一种示例性实施例中,所述哈希运算模块通过下述步骤确定各所述分词的权重值以及哈希值:基于预设的分词权重表为各所述分词分配权重值,并通过哈希算法计算各所述分词的哈希值。
在本公开的一种示例性实施例中,所述哈希运算模块通过下述步骤确定各所述分词的权重值:计算多个指定关键词的所述哈希值,得到多个对比哈希值;如果一所述分词的哈希值与一所述对比哈希值相同,则提高为该所述分词分配的权重值。
在本公开的一种示例性实施例中,所述场景确定模块用于将所述待处理消息的索引信息发送至服务器端;以及,用于接收所述服务器端基于所述待处理消息的索引信息用所述模型确定的所述待处理消息的场景类型。
在本公开的一种示例性实施例中,所述待处理消息为一终端设备接收到的消息;所述消息提醒模块在所述待处理消息的场景类型为目标场景类型时,在所述终端设备执行提醒动作。
在本公开的一种示例性实施例中,所述待处理消息为一终端设备的待发送消息;所述消息提醒模块在所述待处理消息的场景类型为目标场景类型时,在接收所述待处理消息的另一终端设备执行提醒动作。
在本公开的一种示例性实施例中,所述装置还包括:
目标场景配置模块,用于根据接收到的设置操作,预先配置所述目标场景类型。
根据本公开的一个方面,提供一种场景类别识别装置,包括:
哈希运算模块,用于对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
索引生成模块,用于基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
场景确定模块,基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型。
在本公开的一种示例性实施例中,所述索引生成模块通过下述步骤确定所述待处理消息的索引信息:对每一所述分词,根据该所述分词的权重值以及哈希值计算该所述分词的分词加权值;根据各所述分词的分词加权值计算所述待处理消息的加权值;对所述待处理消息的加权值进行降维计算,得到所述待处理消息的索引信息。
在本公开的一种示例性实施例中,所述场景确定模块通过下述步骤确定所述待处理消息的场景类型:计算所述待处理消息的索引信息与各预设索引信息的相似度;其中,所述模型包括多个所述预设索引信息以及对应的场景类型;将相似度最高的所述预设索引信息对应的场景类型作为所述待处理消息的场景类型。
在本公开的一种示例性实施例中,所述场景确定模块通过计算所述待处理消息的索引信息与各所述预设索引信息之间的海明距离,并根据所述海明距离确定所述相似度。
在本公开的一种示例性实施例中,所述装置还包括:
模型训练模块,用于获取多条训练数据,并根据所述训练数据对所述模型进行训练;其中,所述训练数据包括样本索引信息以及所述样本索引信息对应的场景类型。
在本公开的一种示例性实施例中,所述模型训练模块通过下述步骤获取多条训练数据:对样本消息进行分词得到多个样本分词,并确定各所述样本分词的权重值以及哈希值;基于各所述样本分词的权重值以及哈希值确定所述样本消息的样本索引信息;根据接收到的标注信息,确定所述样本索引信息对应的场景类型。
在本公开的一种示例性实施例中,所述哈希运算模块通过下述步骤确定各所述分词的权重值以及哈希值:基于预设的分词权重表为各所述分词分配权重值,并通过哈希算法计算各所述分词的哈希值。
在本公开的一种示例性实施例中,所述哈希运算模块通过下述步骤确定各所述分词的权重值:计算多个指定关键词的所述哈希值,得到多个对比哈希值;如果一所述分词的哈希值与一所述对比哈希值相同,则提高为该所述分词分配的权重值。
在本公开的一种示例性实施例中,所述场景确定模块用于将所述待处理消息的索引信息发送至服务器端;以及,用于接收所述服务器端基于所述待处理消息的索引信息用所述模型确定的所述待处理消息的场景类型。
根据本公开的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本公开示例性实施例可以具有以下部分或全部有益效果:
在公开示例实施方式所提供的消息提醒方法中,对待处理消息进行分词并确定各分词的权重值以及哈希值,并基于各分词的权重值以及哈希值确定待处理消息的索引信息;进而,可以基于索引信息确定待处理消息的场景类型,并根据待处理消息的场景类型识别结果执行提醒动作。一方面,通过对待处理消息进行转换后使用索引信息表示,不但实现了待处理消息的脱敏,而且保留了待处理消息的内在语义,进而,无论在客户端还是在服务器端基于索引信息确定待处理消息的场景类型,均可以保证待处理消息的明文信息不会泄露。另一方面,本示例实施方式中,可以根据待处理消息的场景类型识别结果,对用户进行提醒,防止用户错过关键内容;同时,使得用户可以无需关注大量无用消息,进而提高了通信效率,优化了用户体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了可以应用本公开实施例的一种消息提醒方法及装置的示例性系统架构的示意图;
图2示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图;
图3示意性示出了根据本公开的一个实施例的消息提醒方法的流程图;
图4示意性示出了本公开的一个实施例中确定待处理消息索引信息的过程的流程图;
图5示意性示出了本公开的一个实施例中确定待处理消息场景类型的过程的流程图;
图6示意性示出了本公开的一个实施例中对模型进行训练的过程的流程图;
图7示意性示出了本公开的一个实施例中获取训练数据过程的流程图;
图8示意性示出了本公开的一个实施例中应用场景的示意图;
图9示意性示出了根据本公开的一个实施例的消息提醒方法的流程图;
图10示意性示出了本公开的一个实施例中对模型进行更新的过程的流程图;
图11示意性示出了根据本公开的一个实施例的场景类型识别方法的流程图;
图12示意性示出了根据本公开的一个实施例的消息提醒装置的框图;
图13示意性示出了根据本公开的一个实施例的场景类别识别装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的一种消息提醒方法及装置、场景类型识别提醒方法及装置的示例性应用环境的系统架构的示意图。
如图1所示,系统架构100可以包括终端设备101、102、103中的一个或多个,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。终端设备101、102、103可以是具有显示屏的各种电子设备,包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。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。比如服务器105可以是多个服务器组成的服务器集群等。
本公开实施例所提供的消息提醒方法和场景类型识别提醒方法可以由终端设备101、102、103执行,相应的,消息提醒装置和场景类型识别提醒装置也可以设置于终端设备101、102、103中。本公开实施例所提供的消息提醒方法和场景类型识别提醒方法也可以由终端设备101、102、103与服务器105共同执行,相应地,消息提醒装置和场景类型识别提醒装置可以设置于终端设备101、102、103与服务器105中,本示例性实施例中对此不做特殊限定。举例而言,在一种示例性实施例中,可以是在终端设备101、102、103确定所述待处理消息的索引信息之后,将待处理消息的索引信息发送至服务器105,服务器105根据待处理消息的索引信息确定待处理消息的场景类型,并将确定的场景类型信息反馈至终端设备101、102、103。
图2示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图2示出的电子设备的计算机系统200仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图2所示,计算机系统200包括中央处理单元(CPU)201,其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有系统操作所需的各种程序和数据。CPU201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205:包括键盘、鼠标等的输入部分206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207;包括硬盘等的存储部分208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器210上,以便于从其上读出的计算机程序根据需要被安装入存储部分208。
特别地,根据本公开的实施例,下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部分209从网络上被下载和安装,和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时,执行本申请的方法和装置中限定的各种功能。在一些实施例中,计算机系统200还可以包括AI(ArtificialIntelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
以下对本公开实施例的技术方案进行详细阐述:
本示例实施方式提供了一种消息提醒方法。该消息提醒方法可以应用于上述终端设备101、102、103中的一个或多个,也可以同时应用于上述终端设备101、102、103中的一个或多个以及上述服务器105。参考图3所示,该消息提醒方法可以包括以下步骤:
步骤S310.对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
步骤S320.基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
步骤S330.基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型;
步骤S340.根据所述待处理消息的场景类型识别结果执行提醒动作。
在本示例实施方式所提供的消息提醒方法中,一方面,通过对待处理消息进行转换后使用索引信息表示,不但实现了待处理消息的脱敏,而且保留了待处理消息的内在语义,进而,无论在客户端还是在服务器端基于索引信息确定待处理消息的场景类型,均可以保证待处理消息的明文信息不会泄露。另一方面,本示例实施方式中,可以根据待处理消息的场景类型识别结果,对用户进行提醒,防止用户错过关键内容;同时,使得用户可以无需关注大量无用消息,提高了通信效率,优化了用户体验。
下面,在另一实施例中,对上述步骤进行更加详细的说明。
在步骤S310中,对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值。
本示例实施方式中,上述待处理消息至少包括文本消息,其可以是纯文本消息,也可以是图文混合的信息;待处理消息可以为终端设备收到的消息,也可以为用户编辑完成的待发送消息,本示例性实施例中对此不做特殊限定。本示例实施方式中可以预先在用户的终端设备配置分词模型;该分词模型例如可以为隐马尔科夫分词模型或者基于词典的分词模型等模型。进而,可以利用该分词模型对待处理消息进行分词得到多个分词。当然,在本公开的其他示例性实施例中,也可以通过其他方式对待处理消息进行分词,例如,以字或单词为单位进行分词等。
在得到待处理消息的分词之后,则可以基于预设的分词权重表为各所述分词分配权重值。以待处理消息T为例,通过上述分词处理之后,可以得到多个分词t1~tn,并通过上述分词权重表,获取各个分词的权重w1~wn;例如,第一个分词t1的权重值为w1=5,第2个分词t2的权重值为w2,第n个分词tn的权重值为wn等,进而可以得到n条(分词,权重值)数据。
本示例实施方式中,上述预设的分词权重表可以通过训练好的模型,如TF-IDF(Term Frequency–Inverse Document Frequency,词频-逆文档频率)模型或者其他模型计算获得;以TF-IDF模型为例,其主要思想是某个词或短语在某一场景类型的消息中出现的频率高,并且在其他场景类型的消息中很少出现,则认为此词或者短语具有很好的场景类型区分能力,适合用来分类,则可以为该词或短语分配较高的权重。上述模型例如可以基于包括样本消息及样本消息的场景类型的训练数据训练得到,本示例性实施例中对此不做特殊限定。
然后,可以通过哈希算法计算各所述分词的哈希值。本示例实施方式中,可以采用局部敏感哈希算法计算各所述分词的哈希值;基于局部敏感哈希算法,如果两个文本在原有的数据空间是相似的,那么分别经过哈希转换以后的它们也具有很高的相似度;相反,如果它们本身是不相似的,那么经过转换后它们应仍不具有相似性。本示例实施方式中,所述局部敏感哈希算法例如可以为simhash算法;例如,对于第1个分词,计算得到的哈希值为h1(如100101),对于第2个分词,计算得到的哈希值为h2,对于第n个分词,计算得到的哈希值为hn等,进而可以得到n条(哈希值,权重值)数据。本示例实施方式中,是以哈希值为6位进行的说明,但在本公开的其他示例性实施例中,其也可以为其他长度,例如128位等。
此外,在本公开的另一示例性实施例中,还可以对上述分词的权重值进行更新。举例而言,可以通过下述步骤对权重值进行更新:
首先,计算多个指定关键词的所述哈希值,得到多个对比哈希值。例如,在交易场景类型的消息中,通常会包含如“买”、“卖”、“收”、“求”、“要”等关键词。本示例实施方式中,可以将这些可能用于区分场景类型的关键词作为指定关键词,并通过上述方法计算这些指定关键词的哈希值作为对比哈希值,以便后续使用。
其次,如果一所述分词的哈希值与一所述对比哈希值相同,则提高为该所述分词分配的权重值。例如,在计算得到各个分词的哈希值之后,可以判断是否存在与上述对比哈希值一致的哈希值,如果某一所述分词的哈希值与一对比哈希值相同,则可以将该分词的权重值提高一定的倍数,例如提高到原值的100倍等;相应的,如果某一所述分词的哈希值与各对比哈希值均不相同,则不对该分词的权重值进行调整。
在步骤S320中,基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息。举例而言,参考图4所示,本示例实施方式中,可以通过下述步骤S410至步骤S430确定所述待处理消息的索引信息。
在步骤S410中,对每一所述分词,根据该所述分词的权重值以及哈希值计算该所述分词的分词加权值。举例而言,对于上述n条(哈希值,权重值)数据,可以将权重值作用于对应的哈希值,得到各分词的加权值。例如,对于第一个分词t1,其对应的权重值w1为5,哈希值h1为100101,则分词t1的分词加权值q1=w1*h1=[w1,-w1,-w1,w1,-w1,w1]=[5,-5,-5,5,-5,5],即哈希值中1表示对权重值取正值,0表示对权重值取负值;对于第二个分词t2,其分词加权值q2=w2*h2;针对第n个分词tn,其分词加权值qn=wn*hn等。
在步骤S420中,根据各所述分词的分词加权值计算所述待处理消息的加权值。本示例实施方式中,在得到各个分词的分词权重值q1~qn之后,可以对q1~qn进行位的纵向累加,得到待处理消息T的加权值Q;举例而言,Q=[∑(q1-1~qn-1),∑(q1-2~qn-2),∑(q1-3~qn-3),∑(q1-4~qn-4),∑(q1-5~qn-5),∑(q1-6~qn-6)]。其中,qi-j表示第i个q的第j位。例如,计算得到待处理消息T的加权值Q=[16,128,-42,-54,-38,95]。
在步骤S430中,对所述待处理消息的加权值进行降维计算,得到所述待处理消息的索引信息。本示例实施方式中,在得到待处理消息的加权值Q之后,可以将加权值Q中的正值归一化为1,负值归一化为0,从而实现降维。例如,上述Q=[16,128,-42,-54,-38,95]在降维之后为[110001],进而可以将降维得到[110001]作为待处理消息T的索引信息HT,即HT=[110001]。
本领域技术人员容易理解的是,上述确定待处理消息的索引信息的方法仅作为示例,在本公开的其他示例性实施例中,也可以通过其他方法确定待处理消息的索引信息,这同样属于本公开的保护范围。
在步骤S330中,基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型。举例而言,参考图5所示,本示例实施方式中,可以通过下述步骤确定所述待处理消息的场景类型。
在步骤S510中,计算所述待处理消息的索引信息与各预设索引信息的相似度;其中,所述模型包括多个所述预设索引信息以及对应的场景类型。参考图6所示,本示例实施方式中,可以首先通过如下步骤S610至步骤S620训练得到所述模型。其中:
在步骤S610中,获取多条训练数据,所述训练数据包括样本索引信息以及所述样本索引信息对应的场景类型。参考图7所示,本示例实施方式中,可以通过如下步骤S710至步骤S720获取多条训练数据。其中:
在步骤S710中,对样本消息进行分词得到多个样本分词,并确定各所述样本分词的权重值以及哈希值。所述样本消息可以是开发者选取的消息,也可以是用户自主选取的消息,本示例性实施例中对此不做特殊限定。以用户选取样本消息为例,用户可以选择编辑完成的待发送消息作为样本消息,也可以选择接收到的消息作为样本消息。本示例实施方式中,在用户选择样本消息之后,可以通过与上述步骤S310类似的方法对样本消息进行分词得到多个样本分词,并确定各所述样本分词的权重值以及哈希值,因此此处不再重复赘述。此外,在训练过程中,用户还可以对分词结果进行调整,以对分词模型进行优化,这同样属于本公开的保护范围。
在步骤S720中,基于各所述样本分词的权重值以及哈希值确定所述样本消息的样本索引信息。本示例实施方式中,可以通过与上述步骤S320类似的方法确定所述样本消息的样本索引信息,因此此处不再重复赘述。
在步骤S730中,根据接收到的标注信息,确定所述样本索引信息对应的场景类型。本示例实施方式中,开发者或者用户可以对样本索引信息对应的场景类型进行标注。例如,用户可以在终端设备对样本消息对应的场景类型进行标注并保存,从而获取上述训练数据。当然,在本公开的其他示例性实施例中,也可以通过其他方式,如通过对抗生成算法等方式,获取上述训练数据,本示例性实施例中对此不做特殊限定。
在步骤S620中,根据所述训练数据对所述模型进行训练。举例而言,本示例实施方式中,对于某一场景类型而言,可以将该场景类型的训练数据作为正样本,并将其他场景类型的训练数据作为负样本,输入至模型以对模型中的各所述预设索引信息进行更新优化,以最终得到足以区分各类场景类型的预设索引信息。
在获取上述模型之后,则可以计算所述待处理消息的索引信息与模型中各所述预设索引信息的相似度。举例而言,本示例实施方式中,可以计算所述待处理消息的索引信息与各所述预设索引信息之间的海明距离,并根据所述海明距离确定所述相似度。例如,假设一条所述预设索引信息为H1=[101010],所述待处理消息的索引信息HT=[110001],则两者之间的海明距离DT1=HT⊕H1=4;进而可以通过DT1=4表示两者之间的相似度。此外,在本公开的其他示例性实施例中,也可以通过计算欧式距离或者其他方式确定所述相似度,这同样属于本公开的保护范围。
在步骤S520中,将相似度最高的所述预设索引信息对应的场景类型作为所述待处理消息的场景类型。举例而言,本示例实施方式中,在分别计算待处理消息的索引信息与各所述预设索引信息之间的相似度之后,可以将其中相似度最高的所述预设索引信息对应的场景类型作为所述待处理消息的场景类型;例如,待处理消息的索引信息与预设索引信息H1的海明距离DT1=4、预设索引信息H1对应的场景类型为求购场景,待处理消息的索引信息与预设索引信息H2的海明距离DT2=3、预设索引信息H2对应的场景类型为其他场景,待处理消息的索引信息与预设索引信息H3的海明距离DT3=1、预设索引信息H3对应的场景类型为出售场景,则由于海明距离越小,表示的相似度值越大,因而可以确定所述待处理消息的场景类型为出售场景。
在步骤S340中,根据所述待处理消息的场景类型识别结果执行提醒动作。举例而言,本示例实施方式中,可以在所述待处理消息的场景类型为目标场景类型时,执行提醒动作;而在所述待处理消息的场景类型不是目标场景类型时,则可以不执行提醒动作。此外,如果目标场景类型存在多种,在所述待处理消息的场景类型为不同的目标场景类型时,可以对应执行不同的提醒动作。本示例实施方式中,可以根据接收到的设置操作,预先配置所述目标场景类型;例如,用户当前需要收购某些商品,则可以预先在终端设备将目标场景类型配置为收购某些商品的场景类型;当终端设备接收到此类场景类型的消息之后,则可以通过弹窗等方式提醒用户,同时,用户还可以通过点击上述弹窗进行建立会话或者添加好友等处理。
此外,根据上述待处理消息的来源的不同,提醒的终端也会有所不同;例如,当所述待处理消息为一终端设备接收到的消息,则可以在所述终端设备执行提醒动作。如果所述待处理消息为一终端设备的待发送消息,则可以在接收所述待处理消息的另一终端设备执行提醒动作。当然,在本公开的其他示例性实施例中,也可以通过其他方式进行提醒,举例而言,可以在终端设备显示所述待处理消息的场景类型识别结果实现提醒;例如,可以是终端设备在收到服务器反馈的场景类型识别结果之后,在终端设备显示待处理消息的场景类型;也可以是,在终端设备本地得到场景类型识别结果之后,在终端设备显示待处理消息的场景类型;显示的方式可以有多种,例如,可以直接显示场景类型,也可以根据场景类型的不同,对所述待处理消息添加不同的标识间接实现场景类型的显示;所述标识可以为颜色、字体、字符标记等等。再举例而言,还可以通过如声音、特定标识等其他方式进行提醒,本示例性实施例中对此不做特殊限定。
下面结合参考图8所示的具体场景对本示例实施方式中的消息提醒方法进行进一步的说明。
参考图8所示,在该应用场景中,包括设置在第一终端设备的客户端810以及设置在第二终端设备的客户端820,客户端主要用于发送消息、接收消息以及对接收到消息的场景类型进行展示。同时,客户端还可以对待处理消息进行转换,以获取待处理消息的索引信息并发送给模型服务器。此外,客户端还可以用于在用户接收到目标场景类型的消息时,对用户进行提醒以及在用户点击提醒消息之后,快速的添加好友或者发起会话。消息服务器830主要负责消息的中转,提供端到端的会话维持和消息转发;本示例实施方式中,消息服务器不对消息进行任何的解析和存储,从而可以避免涉及用户隐私。模型服务器840主要用于维护上述模型,并在接收到待处理消息的索引信息之后,根据模型确定待处理消息的场景类型并发送给接收待处理消息的客户端;此外,模型服务器840还可以接收客户端生成的训练数据,并基于训练数据对所述模型进行更新优化。
以上述客户端810为发送端,客户端820为接收端为例,参考图9所示,在步骤S910中,发送者可以在发送端编辑待发送消息。在步骤S920,提示用户是否需要对待发送消息进行结构化解析,如果用户选择结果为是,则可以转至步骤S930,如果用户选择结果为否,则可以转至步骤S940中。在步骤S930中,对待发送消息进行分词得到多个分词并确定各分词的权重值以及哈希值,接着,基于各分词的权重值以及哈希值确定待发送消息的索引信息并将确定的索引信息发送至上述模型服务器840,以供模型服务器840判断接待发送消息的场景类型。在步骤S940中,将待发送消息发送至消息服务器830。在步骤S950中,通过消息服务器将待发送消息发送至接收端。在步骤960中,接收端接收待发送消息,并且在模型服务器840确定待发送消息的场景类型为接收端设置的目标场景类型时,可以通过弹窗等方式提醒接收者,同时,接收者还可以通过点击上述弹窗与发送者建立会话或者将发送者添加为好友等。此外,在本公开的其他示例性实施例中,也可以如步骤970所示,即在接收端对接收到的消息进行分词得到多个分词并确定各分词的权重值以及哈希值,接着,基于各分词的权重值以及哈希值确定接收到的消息的索引信息并将确定的索引信息发送至上述模型服务器840,以供模型服务器840判断接收到的消息的场景类型。
此外,参考图10所示,用户还可以通过上传训练数据对模型服务器840的模型进行优化更新。例如,在步骤S1010中,获取用户选择的消息作为样本消息;在步骤S1020中,对样本消息进行分词得到多个样本分词;在步骤S1030中,用户可以对分词结果进行调整,以对分词模型进行优化,同时,基于优化后的分词计算样本消息对应的索引信息;在步骤1040中,用户对样本消息的场景类型进行指定;在步骤S1050中,将样本消息的索引信息以及对应的场景类型作为训练数据发送至模型服务器830。在步骤S1060中,模型服务器基于接收到训练数据定时或定量对模型进行更新,同时使得模型服务器压力可控;例如,可以周期性(如每天、每周等)的对模型进行更新,或者,可以每接收到预定数量(如100条、200条等)的训练数据后对模型进行更新。
在上述场景中,是发送端或者接收端将所述待处理消息的索引信息发送至服务器端,并接收所述服务器端基于待处理消息的索引信息用模型确定的所述待处理消息的场景类型。但在本公开的一些示例性实施例中,如果发送端或者接收端的计算能力足够,也可以在发送端或者接收端基于待处理消息的索引信息用模型确定所述待处理消息的场景类型;在这种方案中,消息处理均在客户端上完成,不存在网络传输的风险。在本公开的其他实施例中,也可以通过其他方式部署各个步骤对应的服务,本示例性实施例中对此不做特殊限定。
本示例实施方式的消息提醒方法中,对待处理消息进行分词并确定各分词的权重值以及哈希值,并基于各分词的权重值以及哈希值确定待处理消息的索引信息;进而,可以基于索引信息确定待处理消息的场景类型,便于在待处理消息的场景类型为目标场景类型时,执行提醒动作。一方面,通过对待处理消息进行转换后使用索引信息表示,不但实现了待处理消息的脱敏,而且保留了待处理消息的内在语义,进而,无论在客户端还是在服务器端基于索引信息确定待处理消息的场景类型,均可以保证待处理消息的明文信息不会泄露;而且,如果在客户端所在终端设备进行场景类型确定,则可以降低网络传输的风险;如果在服务器端进行场景类型确定,则可以降低对终端设备的性能要求。另一方面,本示例实施方式中,在接收到符合用户需求的目标场景类型的消息之后,可以对用户进行提醒,防止用户错过关键内容,辅助双方快速建立沟通的会话通道,促使用户进行有目标的交流,提高通信效率;同时,使得用户可以无需关注大量无用消息,提高用户的使用感受。再一方面,本示例实施方式中的模型训练便捷,可以应用于流行的机器学习框架之上,工程化简单。
本示例实施方式提供了一种场景类别识别方法。该场景类别识别方法可以应用于上述终端设备101、102、103中的一个或多个,也可以同时应用于上述终端设备101、102、103中的一个或多个以及上述服务器105。参考图11所示,该场景类别识别方法可以包括以下步骤:
步骤S1110.对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
步骤S1120.基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
步骤S1130.基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型。
本示例实施方式中,基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息,可以包括:对每一所述分词,根据该所述分词的权重值以及哈希值计算该所述分词的分词加权值;根据各所述分词的分词加权值计算所述待处理消息的加权值;对所述待处理消息的加权值进行降维计算,得到所述待处理消息的索引信息。
本示例实施方式中,所述确定所述待处理消息的场景类型,可以包括:计算所述待处理消息的索引信息与各预设索引信息的相似度;其中,所述模型包括多个所述预设索引信息以及对应的场景类型;将相似度最高的所述预设索引信息对应的场景类型作为所述待处理消息的场景类型。其中,计算所述待处理消息的索引信息与各所述预设索引信息的相似度,可以包括:计算所述待处理消息的索引信息与各所述预设索引信息之间的海明距离,并根据所述海明距离确定所述相似度。
本示例实施方式中,所述场景类型识别方法还可以包括:获取多条训练数据,所述训练数据包括样本索引信息以及所述样本索引信息对应的场景类型;根据所述训练数据对所述模型进行训练。其中,所述获取多条训练数据,可以包括:对样本消息进行分词得到多个样本分词,并确定各所述样本分词的权重值以及哈希值;基于各所述样本分词的权重值以及哈希值确定所述样本消息的样本索引信息;根据接收到的标注信息,确定所述样本索引信息对应的场景类型。
本示例实施方式中,所述确定各所述分词的权重值以及哈希值,可以包括:基于预设的分词权重表为各所述分词分配权重值,并通过哈希算法计算各所述分词的哈希值。此外,所述确定各所述分词的权重值,还可以包括:计算多个指定关键词的所述哈希值,得到多个对比哈希值;如果一所述分词的哈希值与一所述对比哈希值相同,则提高为该所述分词分配的权重值。
当本示例实施方式中的场景类型识别方法同时应用于上述终端设备101、102、103中的一个或多个以及上述服务器105时,基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型,可以包括:将所述待处理消息的索引信息发送至服务器端;以及接收所述服务器端基于所述待处理消息的索引信息用所述模型确定的所述待处理消息的场景类型。
上述场景类型识别方法中各步骤或子步骤的具体细节已经在上述消息提醒方法中进行了详细的描述,因此此处不再重复赘述。
在本示例实施方式所提供的场景类别识别方法中,通过对待处理消息进行转换后使用索引信息表示,不但实现了待处理消息的脱敏,而且保留了待处理消息的内在语义,进而,无论在客户端还是在服务器端基于索引信息确定待处理消息的场景类型,均可以保证待处理消息的明文信息不会泄露。
应当注意,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
进一步的,本示例实施方式中,还提供了一种消息提醒装置。该消息提醒装置可以应用于终端设备,也可以同时应用于终端设备以及服务器。参考图12所示,该消息提醒装置1200可以包括哈希运算模块1210、索引生成模块1220、场景确定模块1230以及消息提醒模块1240。其中:
哈希运算模块1210可以用于对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
索引生成模块1220可以用于基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
场景确定模块1230可以用于基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型;
消息提醒模块1240可以用于根据所述待处理消息的场景类型识别结果执行提醒动作。
在本公开的一种示例性实施例中,所述索引生成模块1220通过下述步骤确定所述待处理消息的索引信息:对每一所述分词,根据该所述分词的权重值以及哈希值计算该所述分词的分词加权值;根据各所述分词的分词加权值计算所述待处理消息的加权值;对所述待处理消息的加权值进行降维计算,得到所述待处理消息的索引信息。
在本公开的一种示例性实施例中,所述场景确定模块1230通过下述步骤确定所述待处理消息的场景类型:计算所述待处理消息的索引信息与各预设索引信息的相似度;其中,所述模型包括多个所述预设索引信息以及对应的场景类型;将相似度最高的所述预设索引信息对应的场景类型作为所述待处理消息的场景类型。
在本公开的一种示例性实施例中,所述场景确定模块1230通过计算所述待处理消息的索引信息与各所述预设索引信息之间的海明距离,并根据所述海明距离确定所述相似度。
在本公开的一种示例性实施例中,所述装置还包括:
模型训练模块可以用于获取多条训练数据,并根据所述训练数据对所述模型进行训练;其中,所述训练数据包括样本索引信息以及所述样本索引信息对应的场景类型。
在本公开的一种示例性实施例中,所述模型训练模块通过下述步骤获取多条训练数据:对样本消息进行分词得到多个样本分词,并确定各所述样本分词的权重值以及哈希值;基于各所述样本分词的权重值以及哈希值确定所述样本消息的样本索引信息;根据接收到的标注信息,确定所述样本索引信息对应的场景类型。
在本公开的一种示例性实施例中,所述哈希运算模块1210通过下述步骤确定各所述分词的权重值以及哈希值:基于预设的分词权重表为各所述分词分配权重值,并通过哈希算法计算各所述分词的哈希值。
在本公开的一种示例性实施例中,所述哈希运算模块1210通过下述步骤确定各所述分词的权重值:计算多个指定关键词的所述哈希值,得到多个对比哈希值;如果一所述分词的哈希值与一所述对比哈希值相同,则提高为该所述分词分配的权重值。
在本公开的一种示例性实施例中,所述场景确定模块1230用于将所述待处理消息的索引信息发送至服务器端;以及可以用于接收所述服务器端基于待处理消息的索引信息用所述模型确定的所述待处理消息的场景类型。
在本公开的一种示例性实施例中,所述待处理消息为一终端设备接收到的消息;所述消息提醒模块1240在所述待处理消息的场景类型为目标场景类型时,在所述终端设备执行提醒动作。
在本公开的一种示例性实施例中,所述待处理消息为一终端设备的待发送消息;所述消息提醒模块1240在所述待处理消息的场景类型为目标场景类型时,在接收所述待处理消息的另一终端设备执行提醒动作。
在本公开的一种示例性实施例中,所述装置还包括:
目标场景配置模块可以用于根据接收到的设置操作,预先配置所述目标场景类型。
上述消息提醒装置中各模块或单元的具体细节已经在对应的消息提醒方法中进行了详细的描述,因此此处不再赘述。
进一步的,本示例实施方式中,还提供了一种场景类型识别装置。该场景类型识别装置可以应用于终端设备,也可以同时应用于终端设备以及服务器。参考图13所示,该场景类型识别装置1300可以包括哈希运算模块1310、索引生成模块1320以及场景确定模块1330。其中:
哈希运算模块1310可以用于对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
索引生成模块1320可以用于基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
场景确定模块1330可以用于基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型。
在本公开的一种示例性实施例中,所述索引生成模块1320通过下述步骤确定所述待处理消息的索引信息:对每一所述分词,根据该所述分词的权重值以及哈希值计算该所述分词的分词加权值;根据各所述分词的分词加权值计算所述待处理消息的加权值;对所述待处理消息的加权值进行降维计算,得到所述待处理消息的索引信息。
在本公开的一种示例性实施例中,所述场景确定模块1330通过下述步骤确定所述待处理消息的场景类型:计算所述待处理消息的索引信息与各预设索引信息的相似度;其中,所述模型包括多个所述预设索引信息以及对应的场景类型;将相似度最高的所述预设索引信息对应的场景类型作为所述待处理消息的场景类型。
在本公开的一种示例性实施例中,所述场景确定模块1330通过计算所述待处理消息的索引信息与各所述预设索引信息之间的海明距离,并根据所述海明距离确定所述相似度。
在本公开的一种示例性实施例中,所述装置还包括:
模型训练模块,可以用于获取多条训练数据,并根据所述训练数据对所述模型进行训练;其中,所述训练数据包括样本索引信息以及所述样本索引信息对应的场景类型。
在本公开的一种示例性实施例中,所述模型训练模块通过下述步骤获取多条训练数据:对样本消息进行分词得到多个样本分词,并确定各所述样本分词的权重值以及哈希值;基于各所述样本分词的权重值以及哈希值确定所述样本消息的样本索引信息;根据接收到的标注信息,确定所述样本索引信息对应的场景类型。
在本公开的一种示例性实施例中,所述哈希运算模块1310通过下述步骤确定各所述分词的权重值以及哈希值:基于预设的分词权重表为各所述分词分配权重值,并通过哈希算法计算各所述分词的哈希值。
在本公开的一种示例性实施例中,所述哈希运算模块1310通过下述步骤确定各所述分词的权重值:计算多个指定关键词的所述哈希值,得到多个对比哈希值;如果一所述分词的哈希值与一所述对比哈希值相同,则提高为该所述分词分配的权重值。
在本公开的一种示例性实施例中,所述场景确定模块1330用于将所述待处理消息的索引信息发送至服务器端;以及可以用于接收所述服务器端基于待处理消息的索引信息用所述模型确定的所述待处理消息的场景类型。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的方法。例如,所述的电子设备可以实现如图3~图11所示的各个步骤等。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
需要说明的是,本公开所示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存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储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。在本公开中,计算机可读存储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。而在本公开中,计算机可读的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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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,上述模块、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,框图或流程图中的每个方框、以及框图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。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (15)
1.一种消息提醒方法,其特征在于,包括:
对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型;
根据所述待处理消息的场景类型识别结果执行提醒动作。
2.根据权利要求1所述的消息提醒方法,其特征在于,基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息,包括:
对每一所述分词,根据该所述分词的权重值以及哈希值计算该所述分词的分词加权值;
根据各所述分词的分词加权值计算所述待处理消息的加权值;
对所述待处理消息的加权值进行降维计算,得到所述待处理消息的索引信息。
3.根据权利要求1所述的消息提醒方法,其特征在于,所述确定所述待处理消息的场景类型,包括:
计算所述待处理消息的索引信息与各预设索引信息的相似度;其中,所述模型包括多个所述预设索引信息以及对应的场景类型;
将相似度最高的所述预设索引信息对应的场景类型作为所述待处理消息的场景类型。
4.根据权利要求3所述的消息提醒方法,其特征在于,计算所述待处理消息的索引信息与各所述预设索引信息的相似度,包括:
计算所述待处理消息的索引信息与各所述预设索引信息之间的海明距离,并根据所述海明距离确定所述相似度。
5.根据权利要求3所述的消息提醒方法,其特征在于,所述方法还包括:
获取多条训练数据,所述训练数据包括样本索引信息以及所述样本索引信息对应的场景类型;
根据所述训练数据对所述模型进行训练。
6.根据权利要求5所述的消息提醒方法,其特征在于,所述获取多条训练数据,包括:
对样本消息进行分词得到多个样本分词,并确定各所述样本分词的权重值以及哈希值;
基于各所述样本分词的权重值以及哈希值确定所述样本消息的样本索引信息;
根据接收到的标注信息,确定所述样本索引信息对应的场景类型。
7.根据权利要求1所述的消息提醒方法,其特征在于,所述确定各所述分词的权重值以及哈希值,包括:
基于预设的分词权重表为各所述分词分配权重值,并通过哈希算法计算各所述分词的哈希值。
8.根据权利要求7所述的消息提醒方法,其特征在于,所述确定各所述分词的权重值,还包括:
计算多个指定关键词的所述哈希值,得到多个对比哈希值;
如果一所述分词的哈希值与一所述对比哈希值相同,则提高为该所述分词分配的权重值。
9.根据权利要求1所述的消息提醒方法,其特征在于,基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型,包括:
将所述待处理消息的索引信息发送至服务器端;以及
接收所述服务器端基于所述待处理消息的索引信息用所述模型确定的所述待处理消息的场景类型。
10.根据权利要求1所述的消息提醒方法,其特征在于,所述待处理消息为一终端设备接收到的消息;所述根据所述待处理消息的场景类型识别结果执行提醒动作包括:
在所述待处理消息的场景类型为目标场景类型时,在所述终端设备执行提醒动作。
11.根据权利要求1所述的消息提醒方法,其特征在于,所述待处理消息为一终端设备的待发送消息;所述根据所述待处理消息的场景类型识别结果执行提醒动作包括:
在所述待处理消息的场景类型为目标场景类型时,在接收所述待处理消息的另一终端设备执行提醒动作。
12.根据权利要求10或11所述的消息提醒方法,其特征在于,所述方法还包括:
根据接收到的设置操作,预先配置所述目标场景类型。
13.一种场景类别识别方法,其特征在于,包括:
对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型。
14.一种消息提醒装置,其特征在于,包括:
哈希运算模块,用于对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
索引生成模块,用于基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
场景确定模块,用于基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型;
消息提醒模块,用于根据所述待处理消息的场景类型识别结果。
15.一种场景类别识别装置,其特征在于,包括:
哈希运算模块,用于对待处理消息进行分词得到多个分词,并确定各所述分词的权重值以及哈希值;
索引生成模块,用于基于各所述分词的权重值以及哈希值确定所述待处理消息的索引信息;
场景确定模块,基于所述待处理消息的索引信息用模型进行场景类型的识别,以确定所述待处理消息的场景类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690698.7A CN110457694B (zh) | 2019-07-29 | 2019-07-29 | 消息提醒方法及装置、场景类型识别提醒方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690698.7A CN110457694B (zh) | 2019-07-29 | 2019-07-29 | 消息提醒方法及装置、场景类型识别提醒方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110457694A true CN110457694A (zh) | 2019-11-15 |
CN110457694B CN110457694B (zh) | 2023-09-22 |
Family
ID=68483970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910690698.7A Active CN110457694B (zh) | 2019-07-29 | 2019-07-29 | 消息提醒方法及装置、场景类型识别提醒方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110457694B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826006A (zh) * | 2019-11-22 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 基于隐私数据保护的异常采集行为识别方法和装置 |
CN111475851A (zh) * | 2020-01-16 | 2020-07-31 | 支付宝(杭州)信息技术有限公司 | 基于机器学习的隐私数据处理方法、装置及电子设备 |
CN111881330A (zh) * | 2020-08-05 | 2020-11-03 | 上海奥珩企业管理有限公司 | 居家服务场景自动还原方法及系统 |
CN114286173A (zh) * | 2021-01-14 | 2022-04-05 | 海信视像科技股份有限公司 | 一种显示设备及音画参数调节方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101227435A (zh) * | 2008-01-28 | 2008-07-23 | 浙江大学 | 基于Logistic回归的中文垃圾邮件过滤方法 |
WO2015032120A1 (zh) * | 2013-09-03 | 2015-03-12 | 盈世信息科技(北京)有限公司 | 一种基于短文本的垃圾邮件过滤方法及装置 |
CN105138647A (zh) * | 2015-08-26 | 2015-12-09 | 陕西师范大学 | 一种基于Simhash算法的旅游网络社区划分方法 |
CN106162584A (zh) * | 2015-01-27 | 2016-11-23 | 北京奇虎科技有限公司 | 识别垃圾短信的方法、客户端、云端服务器和系统 |
CN107515852A (zh) * | 2016-06-16 | 2017-12-26 | 阿里巴巴集团控股有限公司 | 特定类型信息识别方法及装置 |
CN108229910A (zh) * | 2017-12-14 | 2018-06-29 | 四川虹慧云商科技有限公司 | 一种居民上报事件的分类处理方法 |
-
2019
- 2019-07-29 CN CN201910690698.7A patent/CN110457694B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101227435A (zh) * | 2008-01-28 | 2008-07-23 | 浙江大学 | 基于Logistic回归的中文垃圾邮件过滤方法 |
WO2015032120A1 (zh) * | 2013-09-03 | 2015-03-12 | 盈世信息科技(北京)有限公司 | 一种基于短文本的垃圾邮件过滤方法及装置 |
CN106162584A (zh) * | 2015-01-27 | 2016-11-23 | 北京奇虎科技有限公司 | 识别垃圾短信的方法、客户端、云端服务器和系统 |
CN105138647A (zh) * | 2015-08-26 | 2015-12-09 | 陕西师范大学 | 一种基于Simhash算法的旅游网络社区划分方法 |
CN107515852A (zh) * | 2016-06-16 | 2017-12-26 | 阿里巴巴集团控股有限公司 | 特定类型信息识别方法及装置 |
CN108229910A (zh) * | 2017-12-14 | 2018-06-29 | 四川虹慧云商科技有限公司 | 一种居民上报事件的分类处理方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826006A (zh) * | 2019-11-22 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 基于隐私数据保护的异常采集行为识别方法和装置 |
CN110826006B (zh) * | 2019-11-22 | 2021-03-19 | 支付宝(杭州)信息技术有限公司 | 基于隐私数据保护的异常采集行为识别方法和装置 |
TWI743773B (zh) * | 2019-11-22 | 2021-10-21 | 大陸商支付寶(杭州)信息技術有限公司 | 基於隱私資料保護的異常採集行為識別方法和裝置 |
CN111475851A (zh) * | 2020-01-16 | 2020-07-31 | 支付宝(杭州)信息技术有限公司 | 基于机器学习的隐私数据处理方法、装置及电子设备 |
CN111881330A (zh) * | 2020-08-05 | 2020-11-03 | 上海奥珩企业管理有限公司 | 居家服务场景自动还原方法及系统 |
CN111881330B (zh) * | 2020-08-05 | 2023-10-27 | 颐家(上海)医疗养老服务有限公司 | 居家服务场景自动还原方法及系统 |
CN114286173A (zh) * | 2021-01-14 | 2022-04-05 | 海信视像科技股份有限公司 | 一种显示设备及音画参数调节方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110457694B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457694A (zh) | 消息提醒方法及装置、场景类型识别提醒方法及装置 | |
CN105654950B (zh) | 自适应语音反馈方法和装置 | |
CN105786793B (zh) | 解析口语文本信息的语义的方法和装置 | |
CN108701128A (zh) | 解释和解析条件自然语言查询 | |
CN110162767A (zh) | 文本纠错的方法和装置 | |
CN109063174A (zh) | 查询答案的生成方法及装置、计算机存储介质、电子设备 | |
CN107735804A (zh) | 不同标记集合的转移学习技术 | |
CN108986805B (zh) | 用于发送信息的方法和装置 | |
CN108171276A (zh) | 用于生成信息的方法和装置 | |
CN108628830A (zh) | 一种语义识别的方法和装置 | |
CN108629823A (zh) | 多视角图像的生成方法和装置 | |
CN109635094A (zh) | 用于生成答案的方法和装置 | |
CN107943895A (zh) | 信息推送方法和装置 | |
CN107798622B (zh) | 一种识别用户意图的方法和装置 | |
CN110175323A (zh) | 消息摘要的生成方法和装置 | |
CN111861596B (zh) | 一种文本分类方法和装置 | |
CN110162675A (zh) | 应答语句的生成方法、装置、计算机可读介质及电子设备 | |
CN109299477A (zh) | 用于生成文本标题的方法和装置 | |
CN111625645A (zh) | 文本生成模型的训练方法、装置和电子设备 | |
CN109284367A (zh) | 用于处理文本的方法和装置 | |
CN106681598A (zh) | 信息输入方法和装置 | |
CN109255036A (zh) | 用于输出信息的方法和装置 | |
CN112929253A (zh) | 一种虚拟形象交互方法和装置 | |
CN114357187A (zh) | 法规制度的搜索方法、装置、存储介质及计算机设备 | |
CN108804667A (zh) | 用于呈现信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210118 Address after: 5 / F, area C, 1801 Hongmei Road, Xuhui District, Shanghai, 201200 Applicant after: Tencent Technology (Shanghai) Co.,Ltd. Address before: 518000 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 Floors Applicant before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |