CN110874146A - 一种输入方法、装置及电子设备 - Google Patents

Abstract

本发明公开了一种输入方法、装置及电子设备。该输入方法包括：在输入法客户端安装根据大数据训练获得的深度学习模型即初始输入模型，在目标用户的使用过程中，通过目标用户的目标输入行为信息来对客户端上的目标深度学习模型进行强化学习，修正目标深度学习模型的参数，通过修正后的目标深度学习模型来向用户提供候选项序列，使得目标深度学习模型满足系统输入和用户个性化输入的需求，减少另建模型的开销，同时又可以采用同一维度的标准进行候选项排序后提供候选项序列，解决了现有技术中通过输入法系统模型和用户模型提供的候选项存在的候选项排序不准确的技术问题，提高了候选项排序的准确性。

Description

一种输入方法、装置及电子设备

技术领域

本发明涉及软件技术领域，特别涉及一种输入方法、装置及电子设备。

背景技术

随着科学技术的不断发展，输入法的不断完善，输入效率和准确率越来越高。为了进一步提高输入法的输入效率和准确率，通常都会针对用户的个性化输入习惯，提供个性化的候选项。

现有技术中，个性化候选项的提供是输入法在客户端根据用户的输入习惯单独维护一个用户模型，在用户输入过程中由输入法的系统模型和用户模型共同提供候选项，或者调整候选项排序。由于系统模型和用户模型属于两个不同维度的模型，两个模型产生的候选项往往是不可以比较的，候选项的排序存在不准确的问题。一般的，现有处理方法是，若出现用户模型提供的候选项则排序靠前，但这种做法很多时候是不准确的，例如：若用户输入“xiayu”，用户模型提供的候选项是“夏瑜”，系统模型提供的候选项是“下雨”，按照现有的方法“夏瑜”会排在“下雨”的前面，但很多时候用户实际想要输入的是“下雨”。

可见，现有技术中通过输入法系统模型和用户模型提供候选项时存在候选项排序不准确的技术问题。

发明内容

本发明实施例提供一种输入方法、装置及电子设备，用于实现输入法系统模型与用户模型的融合，解决现有技术中通过输入法系统模型和用户模型提供候选项存在的候选项排序不准确的技术问题。

本发明实施例提供一种输入方法，该方法应用于输入法客户端，所述输入法客户端安装有深度学习模型，所述深度学习模型由大数据训练获得，所述方法包括：

获得目标用户使用目标深度学习模型的过程中的目标输入行为信息；

基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数；

通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的候选项序列并展现。

可选的，所述通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的输入候选项并展现，包括：

获得所述目标用户输入的当前输入字符串；

将所述当前输入字符串输入修正后的所述目标深度学习模型进行字符转换和排序，获得所述候选项序列并展现。

可选的，所述目标输入行为信息包括每个输入行为对应的输入字符串及上屏选项；

所述基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数，包括：

将所述输入字符串作为所述目标深度学习模型的输入数据、所述上屏选项作为所述输入字符串的期待值，计算获得所述目标深度学习模型的损失值；

基于所述损失值，通过反向传播算法计算获得所述目标深度学习模型的梯度方向；

按照所述梯度方向修正所述目标深度学习模型的参数。

可选的，所述获得目标用户使用目标深度学习模型的过程中的目标输入行为信息，包括：

对所述目标用户使用所述目标深度学习模型的过程中的历史输入行为信息进行筛选，获得出现次数大于设定阈值的历史输入行为信息作为所述目标输入行为信息。

可选的，所述获得目标用户使用目标深度学习模型的过程中的目标输入行为信息，包括：

对所述目标用户使用所述目标深度学习模型的过程中的历史输入行为信息进行筛选，获得上屏选项不是排序前n位的历史输入行为信息作为所述目标输入行为信息，n≥1。

本发明实施例还提供一种输入装置，应用于输入法客户端，所述输入法客户端安装有深度学习模型，所述深度学习模型由大数据训练获得，所述装置包括：

获取单元，用于获得目标用户使用目标深度学习模型的过程中的目标输入行为信息；

修正单元，用于基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数；

转换单元，用于通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的候选项序列并展现。

可选的，所述转换单元具体用于：

获得所述目标用户输入的当前输入字符串；

将所述当前输入字符串输入修正后的所述目标深度学习模型进行字符转换和排序，获得所述候选项序列并展现。

可选的，所述目标输入行为信息包括每个输入行为对应的输入字符串及上屏选项；

所述修正单元用于：将所述输入字符串作为所述目标深度学习模型的输入数据、所述上屏选项作为所述输入字符串的期待值，计算获得所述目标深度学习模型的损失值；基于所述损失值，通过反向传播算法计算获得所述目标深度学习模型的梯度方向；按照所述梯度方向修正所述目标深度学习模型的参数。

可选的，所述获取单元用于：

对所述目标用户使用所述目标深度学习模型的过程中的历史输入行为信息进行筛选，获得出现次数大于设定阈值的历史输入行为信息作为所述目标输入行为信息。

可选的，所述获取单元还用于：

对所述目标用户使用所述目标深度学习模型的过程中的历史输入行为信息进行筛选，获得上屏选项不是排序前n位的历史输入行为信息作为所述目标输入行为信息，n≥1。

本发明实施例还提供一种电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获得目标用户使用目标深度学习模型的过程中的目标输入行为信息；

基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数；

通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的候选项序列并展现。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

获得目标用户使用目标深度学习模型的过程中的目标输入行为信息；

基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数；

通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的候选项序列并展现。

本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果：

本申请实施例提供一种输入方法，在输入法客户端安装根据大数据训练获得的深度学习模型作为初始输入模型，在目标用户的使用过程中，通过目标用户的目标输入行为信息来对客户端上的目标深度学习模型进行强化学习，修正目标深度学习模型的参数，通过修正后的目标深度学习模型来向用户提供候选项序列，使得目标深度学习模型满足系统输入和用户个性化输入的需求，减少另建模型的开销，同时又可以采用同一维度的标准进行候选项排序，解决了现有技术中通过输入法系统模型和用户模型提供的候选项存在的候选项排序不准确的技术问题，提高了候选项排序的准确性。

附图说明

图1为本申请实施例提供的一种输入方法的流程示意图；

图2为本申请实施例提供的一种个性化学习的装置的示意图；

图3为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

在本申请实施例提供的技术方案中，提供一种输入方法，通过一个统一的深度学习模型来提供标准候选项和用户个性化候选项，使得在相同维度下的两种候选项排序更准确，以解决现有技术中通过输入法系统模型和用户模型提供的候选项存在的候选项排序不准确的技术问题，提高候选项排序的准确性。

下面结合附图对本申请实施例技术方案的主要实现原理、具体实施方式及其对应能够达到的有益效果进行详细的阐述。

实施例

本申请实施例提供一种输入方法，应用于输入法客户端，在该输入法客户端安装有深度学习模型，该深度学习模型可以是神经网络(Recurrent Neural Network，RNN)、长短期记忆网络(Long Short-Term Memory，LSTM)、封闭复发单元(Gated Recurrent Unit，GRU)等。该深度学习模型由大数据训练获得，即由大量用户的输入数据训练获得，由此模型转换获得的候选项序列是满足所有用户的基本输入需求的，因此将其提供的候选项称为系统候选项或者标准候选项。为使得该模型在提供标准候选项的同时，又能根据每个用户的个人输入习惯进行个性化，本申请实施例提供的输入方法还对输入法客户端的深度学习模型进行强化学习，请参考图1，本申请实施例提供的输入方法还包括：

S110：获得目标用户使用目标深度学习模型的过程中的目标输入行为信息；

S120：基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数；

S130：通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的候选项序列并展现。

具体实施过程中，本实施例可以针对每一个用户执行上述输入方法，通常情况下一个账号可以被认为是一个用户，未进行账号登录的一个输入法客户端可以被认为是一个用户。本实施例将被执行上述输入方法的用户称为目标用户，目标用户在通过输入法进行输入时使用的深度学习模型称为目标深度学习模型，目标深度学习模型的初始状态为从输入法系统上下载的根据大数据训练获得的深度学习模型。

S110获得目标输入行为信息，可以通过记录目标用户的历史输入行为信息获得。每条历史输入行为信息可以包含用户的输入字符串、对该输入字符串提供的候选项序列、用户最终选择上屏的上屏选项、上屏选项在候选项序列中的排序等。进一步的，每条历史输入行为信息还可以包含当前输入行为对应的上文信息，参考上文信息来进行模型修正，可以提高模型修正的准确性。S110可以直接获取历史输入行为信息作为目标输入行为信息，也可以对历史输入行为信息进行筛选，将筛选获得的历史行为信息作为目标输入行为信息。具体的，可以选用如下一种或多种方式进行筛选：

方式一、对目标用户使用目标深度学习模型的过程中的历史输入行为信息进行筛选，获得出现次数大于设定阈值的历史输入行为信息作为目标输入行为信息。设定阈值可以根据个性化程度进行设定，可以设定为3、4、5等。当用户多次输入相同的字符串，对应选择的上屏选项均相同，那么表明用户针对该输入字符串选择该上屏选项的概率较高，可以认为是用户的一种输入习惯，为此，可以将该历史输入行为信息作为目标输入行为信息来对目标深度学习模型进行强化学习即个性化学习。例如：目标用户的历史输入行为信息中，输入“mt”时选择的上屏候选项“每天”的次数大于5，那么可以将该历史输入行为信息：输入“mt”选择“每天”上屏的信息作为目标输入行为信息，来对目标深度学习模型进行个性化学习，使得转换“mt”时，候选项“每天”的排序能够更靠前或者排在第一位。

方式二、对目标用户使用目标深度学习模型的过程中的历史输入行为信息进行筛选，获得上屏选项不是排序前n位的历史输入行为信息作为目标输入行为信息，n≥1。通常情况下，上屏候选项的排序越靠前，用户输入的效率越高，深度学习模型在进行字符串转换获得候选项时，会根据输入该字符串时用户选择该候选项上屏的概率大小来对候选项进行排序，概率越大排序越靠前。如果目标用户的某一输入行为个性化比较高，其能够在候选项中找到上屏选项的速率越低，例如：若目标用户习惯输入“mt”时选择“美团”上屏，若按照系统提供的初始深度学习模型来转换，其提供的候选项中前5位都没有“美团”，此时需要目标用户执行额外操作来使输入法展现更多候选项，然后从中找到“美团”上屏，针对这种用户选择上屏的候选项排序靠后的历史行为信息，可以将其作为目标输入行为信息，来对输入法客户端的目标深度学习模型进行个性化学习，使得后续目标深度学习能够将“mt”对应的候选项“美团”排序提前，提高目标用户的输入效率。

方式三、对目标用户使用目标深度学习模型的过程中的历史输入行为信息进行筛选，获得在输入过程中对输入字符串进行过修改并基于修改后的输入字符串选择上屏选项的历史输入行为信息作为目标输入行为信息。一般的，用户对输入字符串进行修改，其中一个原因就是因为在前输入的字符串对应的候选项没有用户想要上屏的候选项，而在前的输入字符串可能是用户的习惯性输入。例如：一个“h”与“f”不分的目标用户，在输入“feif”后未找到对应的上屏选项，然后将“feif”修改为“huih”后，选择“辉煌”上屏，那么可以将该历史输入行为数据作为目标输入行为输入来对目标深度学习模型进行个性化学习，即基于用户的修改行为发现用户的习惯性错输行为,通过用户的习惯性错输行为来训练目标深度学习模型,使得该目标深度学习模型能够更好的满足用户的个性化输入需求。

上述筛选方式还以进行组合筛选，使得获得的目标输入行为信息能够更为准确的表征目标用户的个性化输入习惯，进而提高目标深度学习模型强化学习的准确性。

在获得目标用户的目标输入行为信息之后，执行S120基于目标用户的目标输入行为信息，对目标深度学习模型进行强化学习，修正目标深度学习模型的参数。其中，S120可以在获得目标输入行为信息积累到一定的量时进行，避免因为少量数据中误操作数据造成强化学习的不准确。强化学习也可以选择在输入法客户端空闲的时候进行，避免对用户的输入过程造成负面影响。

使得目标输入行为信息对目标深度学习模型进行强化学习的具体步骤包括：

a、将目标输入行为信息中的输入字符串作为目标深度学习模型的输入数据、目标输入行为信息中的上屏选项作为所述输入字符串的期待值，计算获得目标深度学习模型的损失值。

具体的，将输入字符串作为目标深度学习模型的输入数据进行前向计算，通过前向计算获得候选项的“得分”及其排序，将“得分”输入损失函数与期待值进行比较，计算获的损失值。具体的计算过程与目标深度学习模型的训练过程相同，损失函数可以选择与目标深度学习模型的训练过程不同的函数，例如可以选用均方误差(error of meansquare)、最大似然误差(maximum likelihood estimate)、最大后验概率(maximumposterior probability)、交叉熵损失函数(cross entropy loss)等。

b、基于计算获得的损失值，通过反向传播算法计算获得目标深度学习模型的梯度方向。

c、按照获得的梯度方向修正目标深度学习模型的参数。

具体的，通过梯度方向来调整目标深度学习模型的每一个权值，向“得分”使损失值趋于0的趋势修正。在进行参数修正时，目标深度学习模型的学习率可以根据目标用户的使用频率等因素进行动态调整。

在完成目标深度学习模型的修正后，执行S130通过修正后的目标深度学习模型向目标用户提供输入过程所需的候选项序列。具体的，在目标用户的后续输入中，获得目标用户输入的当前输入字符串；将当前输入字符串输入修正后的目标深度学习模型进行字符转换和排序，获得候选项序列并展现。其中，当前输入字符串可以是目标用户输入的待转换字符串，也可以是用户上屏选项。以联想功能为例：用户初次安装输入法后，输入“我喜欢吃”后，通过初始目标深度学习系统模型给出“苹果”、“香蕉”、“火锅”等候选项，但这些候选项并不是目标用户想要的，目标用户自己输入“重庆小面”；目标用户数据累计一定量之后，使用目标用户数据(“我喜欢吃”，“重庆小面”)对模型进行强化学习，修正模型参数后，当用户输入“我喜欢吃”后，目标深度学习模型便可以提供“重庆小面”这个用户想要的候选项。

在上述实施例中，通过提供一种输入方法，基于大数据构建的深度学习模型利用用户数据进行强化学习修正模型参数后，基于修正后的深度学习模型来向用户提供输入候选项，使用用户个性化输入数据即目标输入行为数据对深度学习模型进行学习训练，使得输入法客户端即本地深度学习模型更加符合用户个人的输入习惯与语言特点，且输入法中的系统模型与用户模型统一为一个模型，所有的候选项均来自于同一个模型，其得分在一个维度，候选的排序更加简单、准确、合理。

针对上述实施例提供一种输入方法，本申请实施例还对应提供一种输入装置，应用于输入法客户端，所述输入法客户端安装有深度学习模型，所述深度学习模型由大数据训练获得，请参考图2，该装置包括：

获取单元21，用于获得目标用户使用目标深度学习模型的过程中的目标输入行为信息；

修正单元22，用于基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数；

转换单元23，用于通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的候选项序列并展现。

作为一种可选的实施方式，所述转换单元23提供候选项序列并展现的过程可以包括：获得所述目标用户输入的当前输入字符串；将所述当前输入字符串输入修正后的所述目标深度学习模型进行字符转换和排序，获得所述候选项序列并展现。

作为一种可选的实施方式，所述目标输入行为信息包括每个输入行为对应的输入字符串及上屏选项；

所述修正单元22在进行模型修正时，具体可以将所述输入字符串作为所述目标深度学习模型的输入数据、所述上屏选项作为所述输入字符串的期待值，计算获得所述目标深度学习模型的损失值；基于所述损失值，通过反向传播算法计算获得所述目标深度学习模型的梯度方向；按照所述梯度方向修正所述目标深度学习模型的参数。

作为一种可选的实施方式，所述获取单元21可以采用如下任一方式获取目标输入行为信息：

方式一、对所述目标用户使用所述目标深度学习模型的过程中的历史输入行为信息进行筛选，获得出现次数大于设定阈值的历史输入行为信息作为所述目标输入行为信息。

方式二、对所述目标用户使用所述目标深度学习模型的过程中的历史输入行为信息进行筛选，获得上屏选项不是排序前n位的历史输入行为信息作为所述目标输入行为信息，n≥1。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图3是根据一示例性实施例示出的一种用于实现输入方法的电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/展现(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理部件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个展现接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为展现和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于展现音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种输入方法，所述方法包括：获得目标用户使用目标深度学习模型的过程中的目标输入行为信息；基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数；通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的候选项序列并展现。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明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。本发明的范围仅由所附的权利要求来限制

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种输入方法，应用于输入法客户端，其特征在于，所述输入法客户端安装有深度学习模型，所述深度学习模型由大数据训练获得，所述方法包括：

获得目标用户使用目标深度学习模型的过程中的目标输入行为信息；

基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数；

通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的候选项序列并展现。

2.如权利要求1所述的方法，其特征在于，所述通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的输入候选项并展现，包括：

获得所述目标用户输入的当前输入字符串；

将所述当前输入字符串输入修正后的所述目标深度学习模型进行字符转换和排序，获得所述候选项序列并展现。

3.如权利要求1所述的方法，其特征在于，所述目标输入行为信息包括每个输入行为对应的输入字符串及上屏选项；

所述基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数，包括：

将所述输入字符串作为所述目标深度学习模型的输入数据、所述上屏选项作为所述输入字符串的期待值，计算获得所述目标深度学习模型的损失值；

基于所述损失值，通过反向传播算法计算获得所述目标深度学习模型的梯度方向；

按照所述梯度方向修正所述目标深度学习模型的参数。

4.如权利要求1～3任一所述的方法，其特征在于，所述获得目标用户使用目标深度学习模型的过程中的目标输入行为信息，包括：

对所述目标用户使用所述目标深度学习模型的过程中的历史输入行为信息进行筛选，获得出现次数大于设定阈值的历史输入行为信息作为所述目标输入行为信息。

5.如权利要求1～3任一所述的方法，其特征在于，所述获得目标用户使用目标深度学习模型的过程中的目标输入行为信息，包括：

对所述目标用户使用所述目标深度学习模型的过程中的历史输入行为信息进行筛选，获得上屏选项不是排序前n位的历史输入行为信息作为所述目标输入行为信息，n≥1。

6.一种输入装置，应用于输入法客户端，其特征在于，所述输入法客户端安装有深度学习模型，所述深度学习模型由大数据训练获得，所述装置包括：

获取单元，用于获得目标用户使用目标深度学习模型的过程中的目标输入行为信息；

修正单元，用于基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数；

转换单元，用于通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的候选项序列并展现。

7.如权利要求6所述的装置，其特征在于，所述转换单元具体用于：

获得所述目标用户输入的当前输入字符串；

将所述当前输入字符串输入修正后的所述目标深度学习模型进行字符转换和排序，获得所述候选项序列并展现。

8.如权利要求6所述的装置，其特征在于，所述目标输入行为信息包括每个输入行为对应的输入字符串及上屏选项；

所述修正单元用于：将所述输入字符串作为所述目标深度学习模型的输入数据、所述上屏选项作为所述输入字符串的期待值，计算获得所述目标深度学习模型的损失值；基于所述损失值，通过反向传播算法计算获得所述目标深度学习模型的梯度方向；按照所述梯度方向修正所述目标深度学习模型的参数。

9.一种电子设备，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获得目标用户使用目标深度学习模型的过程中的目标输入行为信息；

基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数；

通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的候选项序列并展现。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：

获得目标用户使用目标深度学习模型的过程中的目标输入行为信息；

基于所述目标用户的所述目标输入行为信息，对所述目标深度学习模型进行强化学习，修正所述目标深度学习模型的参数；

通过修正后的所述目标深度学习模型向所述目标用户提供输入过程所需的候选项序列并展现。

Images