CN111095208A - 用于提供对设备使用询问的响应的设备和方法 - Google Patents
用于提供对设备使用询问的响应的设备和方法 Download PDFInfo
- Publication number
- CN111095208A CN111095208A CN201880060228.6A CN201880060228A CN111095208A CN 111095208 A CN111095208 A CN 111095208A CN 201880060228 A CN201880060228 A CN 201880060228A CN 111095208 A CN111095208 A CN 111095208A
- Authority
- CN
- China
- Prior art keywords
- query
- user input
- detailed response
- information
- response operation
- 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
- 230000004044 response Effects 0.000 title claims abstract description 241
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012790 confirmation Methods 0.000 claims description 54
- 230000008030 elimination Effects 0.000 claims description 48
- 238000003379 elimination reaction Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 description 185
- 238000010586 diagram Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000003252 repetitive effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000007723 transport mechanism Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
- G06F3/044—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by capacitive means
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
-
- 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
- G06N3/09—Supervised learning
-
- 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
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- User Interface Of Digital Computer (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Telephone Function (AREA)
Abstract
提供了一种用于提供与设备使用询问相对应的响应操作的设备以及控制该设备的方法。控制用于提供与设备使用询问相对应的响应操作的设备的方法可以包括:接收与设备使用询问相对应的用户输入;通过分析接收到的与设备使用询问相对应的用户输入,对设备使用询问进行分类;提取与对设备使用询问进行分类的结果相对应的操作场景信息;以及基于操作场景信息执行设备的预设响应操作,其中,分类包括通过将设备使用询问的用户输入输入到预先生成的学习模型来对设备使用询问进行分类。
Description
技术领域
本公开涉及用于提供对用户的设备使用询问的响应的设备和方法。
背景技术
与现有的基于规则的智能系统不同,人工智能(artificial intelligence,AI)系统是配置为实现人类水平的智能的计算机系统,并通过自我训练和自发做出确定而变得更加智能。由于AI系统的识别率提高了,并且随着其被越来越多地使用,AI系统更准确地理解用户的口味,因此基于规则的智能系统正逐渐被基于深度学习的AI系统取代。
AI技术包括机器学习(例如,深度学习)和使用机器学习的基本技术(elementtechnology)。
机器学习是对输入数据的特性进行自我分类和学习的算法技术,并且基本技术是使用机器学习算法(诸如深度学习)的技术且包括诸如语言理解、视觉理解、推理/预测、知识表示、和运动控制等技术领域。
AI技术被应用到各种领域。例如,语言理解是用于识别和应用/处理人类语言/字符的技术,并且包括自然语言处理、机器翻译、对话系统、问答、和语音识别/合成。视觉理解是如由人类视觉系统执行的用于识别和处理对象的技术,并且包括对象识别、对象跟踪、图像搜索、人物识别、场景理解、空间理解、和图像增强。推理/预测是用于判断信息并对其进行逻辑推理和预测的技术,并且包括基于知识/概率的推理、优化预测、基于偏好的计划、和推荐。知识表示是将人类经验信息合并到知识数据中的自动化技术,并且包括知识构建(例如,数据生成/分类)和知识管理(例如,数据利用)。运动控制是用于控制自主车辆的自动驾驶和机器人的运动的技术,并且包括移动控制(例如,导航、碰撞避免、或驾驶)和操纵控制(例如,行为控制)。
由于多媒体技术和网络技术已经发展,用户可以通过使用设备来使用各种服务。然而,存在这样的情况,其中用户不知道由设备提供的功能,并且因此可能不使用由设备提供的功能。此外,当用户使用该设备时,可能会出现用户可能无法解决的各种问题。
因此,需要用于接收进行设备使用询问的用户输入以及用于提供与设备使用询问相对应的响应操作以满足针对用户输入的用户意图的技术。
发明内容
技术问题
提供了一种与设备使用询问的用户输入相对应的响应操作。
提供了一种与关于使用设备的方法的询问相对应的响应操作。
提供了一种与关于在设备中发生的问题的询问相对应的响应操作。
附加方面将部分地在下面的描述中被阐述,并且从描述中将部分地变得清楚,或者可以通过所呈现的实施例的实践来了解。
技术方案
根据本公开的一方面,一种设备包括:存储器,被配置为存储至少一个程序;用户输入接口,被配置为接收与设备使用询问相对应的用户输入;以及至少一个处理器,被配置为通过执行该至少一个程序来提供与设备使用询问相对应的响应操作,其中该至少一个程序包括用于以下操作的指令:通过分析接收到的与设备使用询问相对应的用户输入来对设备使用询问进行分类;提取与对设备使用询问进行分类的结果相对应的操作场景信息;并且基于操作场景信息执行设备的详细响应操作,其中分类包括通过将设备使用询问的用户输入输入到预先生成的学习模型来对设备使用询问进行分类。
提取操作场景信息可以包括:提取设备的规格信息并且提取设备的状态信息;并且基于所提取的设备规格信息和所提取的设备状态信息来提取操作场景信息。
所提取的操作场景信息可以包括关于详细响应操作的执行次序的信息,并且其中执行设备的详细响应操作可以包括根据执行次序执行详细响应操作。
设备使用询问可以被分类为与在所述设备中发生的问题相关的类别,其中所提取的操作场景信息包括用于设备的问题排除的详细响应操作,其中,执行设备的详细响应操作包括:确定用于设备的问题排除的推荐操作;并且输出用于建议所确定的推荐操作的建议消息。
执行设备的详细响应操作可以包括:输出用于检查通过执行推荐操作,在设备中发生的问题是否已经得到解决的确认消息;接收针对确认消息的用户输入;当接收到针对确认消息的用户输入时,确定用于问题排除的附加推荐操作;并且输出用于建议所确定的附加推荐操作的附加建议消息。
设备使用询问可以被分类为与在设备中发生的问题相关的类别,其中所提取的操作场景信息可以包括用于设备问题排除的详细响应操作,其中执行设备的详细响应操作可以包括:确定用于设备的问题排除的推荐操作;并且不管是否接收到用于执行所确定的推荐操作的用户输入,都执行所确定的推荐操作。
执行设备的详细响应操作可以包括:输出用于检查通过执行推荐操作在设备中发生的问题是否已经得到解决的确认消息;接收针对确认消息的用户输入;当接收到针对确认消息的用户输入时,确定用于问题排除的附加推荐操作;并且执行所确定的附加推荐操作。
设备使用询问可以被分类为与在设备中发生的问题相关的类别,其中所提取的操作场景信息可以包括用于设备问题排除的详细响应操作,其中执行设备的详细响应操作可以包括:确定用于设备的问题排除的推荐操作;并且输出用于接收用于执行所确定的推荐操作的用户输入的、设备的操作引导。
执行设备的详细响应操作可以包括:输出用于检查通过执行推荐操作在设备中发生的问题是否已经得到解决的确认消息;接收针对确认消息的用户输入;当接收到针对确认消息的用户输入时,确定用于问题排除的附加推荐操作;并且输出用于接收用于执行所确定的附加推荐操作的用户输入的、设备的附加操作引导。
设备使用询问可以被分类为与在设备中发生的问题相关的类别,其中执行设备的详细响应操作可以包括:输出用于检查通过执行推荐操作在设备中发生的问题是否已经得到解决的确认消息;接收针对确认消息的用户输入;基于针对确认消息的用户输入,对设备使用询问重新分类;重新提取与对设备使用询问重新分类的结果相对应的操作场景信息;以及基于重新提取的操作场景信息执行设备的详细响应操作。
根据本公开的另一方面,一种控制用于提供与设备使用询问相对应的响应操作的设备的方法包括:接收与设备使用询问相对应的用户输入;通过分析接收到的与设备使用询问相对应的用户输入,对设备使用询问进行分类;提取与对设备使用询问进行分类的结果相对应的操作场景信息;以及基于操作场景信息执行设备的详细响应操作,其中,分类包括通过将设备使用询问的用户输入输入到预先生成的学习模型来对设备使用询问进行分类。
提取操作场景信息可以包括:提取设备的规格信息并且提取设备的状态信息;并且基于所提取的设备规格信息和所提取的设备状态信息来提取操作场景信息。
所提取的操作场景信息可以包括关于详细响应操作的执行次序的信息,并且其中执行设备的详细响应操作可以包括根据执行次序执行详细响应操作。
设备使用询问可以被分类为与在所述设备中发生的问题相关的类别,其中所提取的操作场景信息包括用于设备的问题排除的详细响应操作,其中,执行设备的详细响应操作包括:确定用于设备的问题排除的推荐操作;并且输出用于建议所确定的推荐操作的建议消息。
执行设备的详细响应操作可以包括:输出用于检查通过执行推荐操作,在设备中发生的问题是否已经得到解决的确认消息;接收针对确认消息的用户输入;当接收到针对确认消息的用户输入时,确定用于问题排除的附加推荐操作;并且输出用于建议所确定的附加推荐操作的附加建议消息。
设备使用询问可以被分类为与在设备中发生的问题相关的类别,其中所提取的操作场景信息可以包括用于设备问题排除的详细响应操作,其中执行设备的详细响应操作可以包括:确定用于设备的问题排除的推荐操作;并且不管是否接收到用于执行所确定的推荐操作的用户输入,都执行所确定的推荐操作。
执行设备的详细响应操作可以包括:输出用于检查通过执行推荐操作在设备中发生的问题是否已经得到解决的确认消息;接收针对确认消息的用户输入;当接收到针对确认消息的用户输入时,确定用于问题排除的附加推荐操作;并且执行所确定的附加推荐操作。
设备使用询问可以被分类为与在设备中发生的问题相关的类别,其中所提取的操作场景信息可以包括用于设备问题排除的详细响应操作,其中执行设备的详细响应操作可以包括:确定用于设备的问题排除的推荐操作;并且输出用于接收用于执行所确定的推荐操作的用户输入的、设备的操作引导。
执行设备的详细响应操作可以包括:输出用于检查通过执行推荐操作在设备中发生的问题是否已经得到解决的确认消息;接收针对确认消息的用户输入;当接收到针对确认消息的用户输入时,确定用于问题排除的附加推荐操作;并且输出用于接收用于执行所确定的附加推荐操作的用户输入的、设备的附加操作引导。
设备使用询问可以被分类为与在设备中发生的问题相关的类别,其中执行设备的详细响应操作可以包括:输出用于检查通过执行推荐操作在设备中发生的问题是否已经得到解决的确认消息;接收针对确认消息的用户输入;基于针对确认消息的用户输入,对设备使用询问重新分类;重新提取与对设备使用询问重新分类的结果相对应的操作场景信息;以及基于重新提取的操作场景信息执行设备的详细响应操作。
根据本公开的另一方面,一种非暂时性计算机可读记录介质已经在其上记录了用于使处理器执行控制设备的方法的程序,该设备用于提供与设备使用询问相对应的响应操作,该方法包括:接收与设备使用询问相对应的用户输入;通过分析接收到的与设备使用询问相对应的用户输入,对设备使用询问进行分类;提取与对设备使用询问进行分类的结果相对应的操作场景信息;以及基于操作场景信息执行设备的详细响应操作,其中,分类包括通过将设备使用询问的用户输入输入到预先生成的学习模型来对设备使用询问进行分类。
提取操作场景信息可以包括:提取设备的规格信息并且提取设备的状态信息;并且基于所提取的设备规格信息和所提取的设备状态信息来提取操作场景信息。
所提取的操作场景信息可以包括关于详细响应操作的执行次序的信息,并且其中执行设备的详细响应操作可以包括根据执行次序执行详细响应操作。
设备使用询问可以被分类为与在所述设备中发生的问题相关的类别,其中所提取的操作场景信息包括用于设备的问题排除的详细响应操作,其中,执行设备的详细响应操作包括:确定用于设备的问题排除的推荐操作;并且输出用于建议所确定的推荐操作的建议消息。
附图说明
从下面结合附图的描述,本公开的某些实施例的以上和其他方面、特征和优点将变得更加清楚,其中:
图1是示出根据一个或多个实施例的、设备提供与设备使用询问相对应的响应操作的示例的图;
图2是根据一个或多个实施例的、设备通过其提供与设备使用询问相对应的响应操作的方法的流程图;
图3是示出根据一个或多个实施例的、设备通过学习模型学习以提供设备使用询问和响应操作的示例的图;
图4是根据一个或多个实施例的、设备通过其根据问题是否已经得到解决来执行附加推荐操作的方法的流程图;
图5是根据一个或多个实施例的、设备通过其根据问题是否已经得到解决来重新分类设备使用询问的方法的流程图;
图6是示出根据一个或多个实施例的设备使用询问的类别的表格;
图7是示出根据一个或多个实施例的、设备提供与关于使用设备的方法的询问相对应的回复的示例的视图;
图8A和图8B是示出根据一个或多个实施例的、设备执行与关于使用设备的方法的询问相对应的功能的示例的视图;
图9A至图9E是示出根据一个或多个实施例的、设备提供与关于使用设备的方法的询问相对应的操作引导的示例的视图;
图10是示出根据一个或多个实施例的、设备提供与关于在设备中发生的问题的询问相对应的回复的示例的视图;
图11A和图11B是示出根据一个或多个实施例的、设备执行与关于在设备中发生的问题的询问相对应的功能的示例的视图;
图12A至12F是示出根据一个或多个实施例的、设备提供与关于在设备中发生的问题的询问相对应的操作引导的示例的视图;
图13A和图13B是示出根据一个或多个实施例的、设备顺序地提供与关于在设备中发生的问题的询问相对应的回复的示例的视图;
图14至图14E是示出根据一个或多个实施例的、设备顺序地执行与关于在设备中发生的问题的询问相对应的功能的示例的视图;
图15A至图15J是示出根据一个或多个实施例的、设备顺序地提供与关于在设备中发生的问题的询问相对应的操作引导的示例的视图;
图16是示出根据一个或多个实施例的、设备通过与服务器互操作来提供对设备使用询问的用户输入的响应操作的示例的视图;
图17和图18是根据一个或多个实施例的设备的框图;
图19是根据一个或多个实施例的服务器的框图;
图20是根据一个或多个实施例的处理器的框图;
图21是根据一个或多个实施例的数据学习器的框图;
图22是根据一个或多个实施例的数据识别器的框图;和
图23是示出根据一个或多个实施例的、设备和服务器互操作以学习和识别数据的示例的框图。
具体实施方式
现在将参照附图更全面地描述本公开,以便本领域普通技术人员能够毫无困难地执行本公开。然而,本公开可以以许多不同的形式体现,并且不应该被解释为限于本文阐述的实施例。此外,附图中与详细描述无关的部分被省略,以确保本公开清楚。附图中相似的附图标记表示相似的元素。
可以在功能块组件和各种处理步骤方面描述本公开。这样的功能块可以由被配置为执行指定功能的任意数量的硬件和/或软件组件实现。例如,本公开的功能块可以由一个或多个微处理器或用于执行预定功能的电路组件来实现。此外,例如,本公开的功能块可以用任何编程或脚本语言来实施。功能块可以实施在一个或多个处理器上执行的算法中。此外,本公开可以采用用于电子配置、信号处理、以及/或数据处理的任何数量的传统技术。词语“机制”、“元件”、“装置”和“配置”被广泛使用,并且不限于机械或物理实施例。
在整个说明书中,应当理解,当一个元件被称为“连接”到另一个元件时,它可以“直接连接”到另一个元件,或者“电连接”到另一个元件,两个元件之间有插入元件。还应当理解,当部件“包括”或“包含”元件时,除非另有定义,该部件还可以包括其他元件(不排除其他元件)。
此外,在所呈现的各种附图中示出的连接线或连接器旨在表示各种元素之间的示例功能关系和/或物理或逻辑耦合。应当注意,在实际设备中可以存在许多替代或附加的功能关系、物理连接、或逻辑连接。
应当理解,尽管术语“第一”、“第二”等在本文可以用来描述各种元素,但是这些元素不应该被这些术语所限制。这些术语仅用于区分一个元素和另一个元素。
如本文所使用的,术语“和/或”包括相关联的列出的项目中的一个或多个的任意和全部组合。当诸如“...中的至少一个”的表达位于一列元素之后时,该表达修改整列元素,但不修改该列中的单独的元素。
现在将参考附图更全面地描述本公开,在附图中示出了本公开的实施例。
图1是示出根据一个或多个实施例的、设备1000提供与设备使用询问相对应的响应操作的示例的图。
参考图1,设备1000可以从用户接收设备使用询问的用户输入130。例如,用户可以输入他无法触摸键盘。设备1000可以通过分析接收到的设备使用询问的用户输入130来提供满足与用户使用询问相关的用户意图的响应操作140。例如,该设备可以向用户指示存在暂时的键盘错误或产品故障,并提供纠正错误的方法。
根据实施例,设备1000可以分析接收到的设备使用询问的用户输入130,并且可以对设备使用询问进行分类,以提供满足与设备使用询问相关的用户意图的响应。
根据实施例,设备1000可以通过将用户输入130输入到预先生成的学习模型110来对设备使用询问进行分类。例如,设备1000可以确定该设备使用询问是与关于使用设备使用询问的方法的询问相对应还是与关于解决在设备1000中发生的问题的方法的询问相对应。
根据实施例,设备1000可以提取与设备使用询问的分类结果相对应的操作场景信息120。操作场景信息120是指关于顺序地提供与设备使用询问相关的、设备1000的详细响应操作的场景的信息。
根据实施例,设备1000可以基于与设备使用询问的分类结果相对应的操作场景信息120来提供设备1000的响应操作140。设备1000可以基于包括在操作场景信息120中的关于详细响应操作的信息和关于详细响应操作的执行次序的次序信息来提供设备1000的响应操作140。
根据实施例,设备1000的响应操作140可以包括但不限于提供与设备使用询问的回复相对应的操作、设备1000通过其执行功能的操作、以及设备1000通过其向用户提供操作引导以执行功能的操作。
设备1000的示例可以是但不限于智能手机、平板个人计算机(personalcomputer,PC)、PC、智能电视(television,TV)、移动电话、个人数字助理(personaldigital assistant,PDA)、膝上型电脑、媒体播放器、微服务器、全球定位系统(globalpositioning system,GPS)设备、电子书终端、数字广播终端、导航系统、信息亭、MP3播放器、数码相机、家用电器、以及任何其他移动或非移动计算设备。此外,设备1000的示例可以包括具有通信功能和数据处理功能的可穿戴设备,诸如手表、眼镜、发带、或戒指。然而,本公开不限于此,并且设备1000可以是可以接收用户的设备使用询问的用户输入并且可以向用户提供与设备使用询问相对应的响应操作的任何类型的设备。
此外,设备1000可以通过网络与服务器2000和另一设备通信,以向用户提供与设备使用询问相对应的响应操作。在这种情况下,网络的示例可以包括局域网(local areanetwork,LAN)、广域网(wide area network,WAN)、增值网(value-added network,VAN)、移动无线电通信网、卫星通信网、及其组合。网络广义上是用于网络组件之间的平滑通信的数据通信网络,并且该网络的示例可以包括有线互联网、无线互联网、以及移动无线通信网络。无线通信的示例可以是,但不限于,Wi-Fi、蓝牙、蓝牙低能量、Zigbee、Wi-Fi直连(Wi-FiDirect,WFD)、超宽带(ultra-wideband,UWB)、红外数据协会(infrared dataassociation,IrDA)、以及近场通信(near-field communication,NFC)。
图2是根据一个或多个实施例的、设备1000提供与设备使用询问相对应的响应操作的方法的流程图。
在操作S210中,设备1000可以接收设备使用询问的用户输入130。
根据实施例,设备1000可以接收(但不限于)文本、语音、图像、视频、或其组合作为设备使用询问的用户输入130。
根据实施例,设备使用询问可以包括但不限于关于使用设备1000的方法的询问和关于解决在设备1000中发生的问题的方法的询问。
在操作S230中,设备1000可以通过使用学习模型110来对设备使用询问进行分类。
根据实施例,设备1000可以通过将接收到的设备使用询问的用户输入130输入到学习模型110来对设备使用询问进行分类。例如,设备1000可以通过将用户输入输入到预先生成的学习模型110,根据设备使用询问是关于使用设备1000的方法的询问还是关于解决在设备1000中发生的问题的方法的询问来对设备使用询问进行分类。
此外,设备1000可以根据指示设备使用询问与关于使用由设备1000执行的功能中的功能的方法的询问相对应的信息来对设备使用询问进行分类。设备1000可以根据指示设备使用询问与在由设备1000执行的功能中的功能中发生的问题相对应的信息来对设备使用询问进行分类。设备1000可以根据指示设备使用询问与在设备1000的硬件模块中的模块中发生的问题相对应的信息来对设备使用询问进行分类。
根据实施例,设备1000可以通过向学习模型110输入获取的设备1000的规格信息、设备1000的状态信息、设备1000的周围环境信息、使用设备1000的用户的状态信息、以及用户的设备使用历史信息中的任何一个或任意组合来对设备使用询问进行分类。
涉及指示设备1000的规格的信息的设备1000的规格信息可以包括但不限于关于设备1000的型号名称、产品名称、处理器、显示器、相机、存储器、通信网络、可测量的外部环境类型、以及设备1000的操作系统(operating system,OS)的信息。
设备1000的状态信息可以包括但不限于:关于设备1000的模式(例如,声音模式、振动模式、静音模式、省电模式、切断模式、多窗口模式或自动旋转模式)的信息、设备1000的位置信息、时间信息、通信模块的激活信息(例如,Wi-Fi开启、蓝牙关闭、GPS开启、或NFC开启)、设备1000的网络连接状态信息、以及关于由设备1000执行的应用的信息(例如,应用识别信息、应用类型、应用使用时间、或应用使用周期)。
设备1000的环境信息是指距离设备1000预定半径内的环境信息,该环境信息可以包括但不限于天气信息、温度信息、湿度信息、照度信息、噪声信息、以及声音信息。
涉及关于用户运动或生活模式的信息的用户的状态信息可以包括但不限于关于用户的行走状态、锻炼状态、驾驶状态、睡眠状态、以及情绪状态的信息。
涉及关于用户使用设备1000的事件的信息的用户的设备使用历史信息可以包括但不限于关于应用的执行、应用执行的功能、用户的电话对话、以及用户的文本消息的信息。
在操作S250中,设备1000可以提取操作场景信息以提供与设备使用询问相对应的响应操作。设备1000可以基于设备使用询问的分类结果提取用于提供预设响应操作的操作场景信息。
根据实施例,多条操作场景信息可以被设置为分别对应于多个分类结果。设备1000可以从分别与各种分类结果相对应的多条操作场景信息中提取与由用户输入的设备使用询问的分类结果相对应的操作场景信息120。
根据实施例,为了使设备1000提取与分类结果相对应的操作场景信息120,可以使用预先获取的设备1000的规格信息、设备1000的状态信息、使用设备1000的用户的状态信息、以及用户的设备使用历史信息中的任何一个或任意组合。
在操作S270中,设备1000可以执行与接收到的设备使用询问的用户输入相对应的详细响应操作。
根据实施例,设备1000可以基于提取的操作场景信息120执行与设备使用询问的用户输入相对应的详细响应操作。设备1000可以基于包括在所提取的操作场景信息120中的关于详细响应操作的信息和关于详细响应操作的执行次序的信息来执行详细响应操作。
根据实施例,详细响应操作可以包括但不限于输出与设备使用询问相对应的回复消息的功能、输出用于检查问题是否已经得到解决的确认消息的功能、接收针对输出的回复消息的用户输入的功能、以及接收针对输出的确认消息的用户输入的功能。
根据实施例,详细响应操作可以包括但不限于获取设备1000的规格信息、设备1000的状态信息、设备1000的周围环境信息、使用设备1000的用户的状态信息、以及用户的设备使用历史信息中的任何一个或任意组合的功能。
根据实施例,详细响应操作可以包括但不限于将所获取的设备1000的规格信息、设备1000的状态信息、设备1000的周围环境信息、使用设备1000的用户的状态信息、以及用户的设备使用历史信息与包括在提取的操作场景信息120中的设备1000的规格信息、设备1000的状态信息、设备1000的周围环境信息、使用设备1000的用户的状态信息、以及用户的设备使用历史信息进行比较。
根据实施例,作为详细响应操作,设备1000可以提供但不限于文本、语音、图像、视频、或其组合作为回复。例如,设备1000可以将与设备使用询问相对应的回复消息输出为文本、语音、或其组合。作为另一示例,设备1000可以将其中写有与设备使用询问相对应的回复的用户手册的一部分输出为图像。具体地,设备1000可以将其中写有使用电话应用的方法的用户手册的一部分输出为图像。作为另一示例,设备1000可以将与设备使用询问相对应的回复输出为视频。具体地,设备1000可以输出关于使用电话应用的方法的视频。
根据实施例,作为对关于使用由设备1000执行的功能的方法的询问的详细响应操作,设备1000可以执行该功能。例如,设备1000可以自动执行功能,诸如进行呼叫的功能、发送文本的功能、传送文件的功能、拍摄照片和视频的功能、观看照片和视频的功能、听音乐的功能、调节音量的功能、进行搜索的功能、连接到外围设备的功能、以及/或汇款的功能,这是由设备1000执行的功能。
根据实施例,作为对关于由设备1000执行的功能中发生的问题的询问的详细响应操作,设备1000可以执行用于问题排除的功能。例如,设备1000可以结束并重新执行与有问题的功能相关的过程。具体地,设备1000可以结束与执行电话应用的功能相关的过程,并且可以重新执行电话应用。
根据实施例,作为对关于设备1000的硬件模块中发生的问题的询问的详细响应操作,设备1000可以执行用于问题排除的功能。例如,设备1000可以执行用于解决设备1000的硬件模块中发生的问题的功能,该硬件模块诸如电池、显示器、电话、通信模块(诸如互联网或蓝牙)、音量控制器、相机或生物传感器。具体地,设备1000可以响应于表示“电池不会持续很长时间”的设备使用询问的用户输入而执行结束当前在后台运行的应用的功能。设备1000可以执行停止自动执行没有长时间使用历史的应用的功能、降低显示器亮度的功能、将显示器的分辨率改变为低分辨率的功能、限制处理器的处理速度的功能、或者限制在后台中使用网络的功能。
根据实施例,作为详细响应操作,设备1000可以向设备使用询问的用户提供操作引导。例如,作为对关于使用由设备1000执行的功能的方法的询问的详细响应操作,设备1000可以提供帮助用户执行功能的操作引导。作为另一示例,作为对关于在由设备1000执行的功能中发生的问题的询问的详细响应操作,设备1000可以提供帮助用户执行用于问题排除的功能的操作引导。作为另一示例,作为对关于在设备1000的硬件模块中发生的问题的询问的详细响应操作,设备1000可以提供帮助用户执行用于问题排除的功能的操作引导。
根据实施例,设备1000可以基于包括在提取的操作场景信息120中的关于详细响应操作的执行次序的信息,顺序地执行与设备使用询问的用户输入相对应的详细响应操作。
根据实施例,设备1000可以输出用于检查在设备1000中发生的问题是否已经得到解决的确认消息。设备1000可以基于针对确认消息的用户输入来确定并执行用于问题排除的附加推荐操作。作为与附加推荐操作相对应的详细响应操作,设备1000可以基于包括在操作场景信息120中的关于详细响应操作的执行次序的信息来执行尚未执行的详细响应操作。
根据实施例,设备1000可以输出用于检查在设备1000中发生的问题是否已经得到解决的确认消息。设备1000可以基于针对确认消息的用户输入来对设备使用询问进行重新分类。
图3是示出根据一个或多个实施例的、设备1000通过学习模型学习以提供设备使用询问和响应操作的示例的图。
参考图3,设备1000可以通过向学习模型310输入多个设备使用询问的多个用户输入和多个对应设备使用询问的分类结果作为学习数据,来执行对设备使用询问进行分类的学习。
根据实施例,设备1000可以通过向学习模型310输入设备1000的规格信息、设备1000的状态信息、设备1000的周围环境信息、使用设备1000的用户的状态信息、以及用户的设备使用历史信息中的任何一个或任意组合作为学习数据来执行对设备使用询问进行分类的学习。
根据实施例,可以根据基于预设标准的学习来确定如何对被接收作为用户输入的设备使用询问进行分类。例如,监督学习、无监督学习、以及强化学习可以用于对设备使用询问进行分类。可以根据深度神经网络技术来学习如何对被接收作为用户输入的设备使用询问进行分类。
根据实施例,设备1000可以基于输入到学习模型310的学习数据,将与多个用户输入相对应的设备使用询问分类成多个分级的类别。
根据实施例,设备1000可以生成包括关于多个用户输入和多个类别分类结果的信息的分类模型。设备1000可以将生成的分类模型应用于学习模型310。设备1000可以基于生成的分类模型所应用的学习模型310,对被接收作为用户输入的设备使用询问进行分类。
根据实施例,设备1000可以通过附加学习来精练生成的分类模型。例如,设备1000可以输出用于设备1000的响应操作的确认消息,并且可以基于针对确认消息的用户输入来精练分类模型。
图4是根据一个或多个实施例的、设备1000根据问题是否已经得到解决来执行附加推荐操作的方法的流程图。
在操作S430中,设备1000可以确定用于解决在设备1000中发生的问题的推荐操作。
根据实施例,当设备使用询问被分类为与在设备1000中发生的问题相关的询问时,设备1000可以将用于设备1000的问题排除的详细响应操作确定为推荐操作。例如,设备1000可以将提供回复的操作确定为用于设备1000的问题排除的推荐操作。设备1000可以将执行设备1000的功能的操作确定为推荐操作。设备1000可以将提供帮助用户使设备1000能够执行设备1000的功能的操作引导的操作确定作为推荐操作。
根据实施例,设备1000可以基于提取的操作场景信息120来确定用于设备1000的问题排除的推荐操作。设备1000可以基于包括在操作场景信息120中的关于详细响应操作的执行次序的信息来确定推荐操作。
具体地,当设备1000接收到表示“屏幕是黄色的”的设备使用询问的用户输入时,设备1000可以从包括在操作场景信息120中的停止执行蓝光过滤器的详细响应操作和调节显示器的色温的详细响应操作中,将停止执行蓝光过滤器的详细响应操作确定为推荐操作。
在操作S450中,设备1000可以执行所确定的推荐操作,以解决在设备1000中发生的问题。具体地,设备1000可以执行停止执行蓝光过滤器的功能。
在操作S470中,设备1000可以检查在设备1000中发生的问题是否已经得到解决。设备1000可以输出用于检查通过在操作S450中执行推荐操作在设备1000中发生的问题是否已经得到解决的确认消息,并且可以接收针对确认消息的用户输入。具体地,设备1000可以输出用于检查通过执行停止执行蓝光过滤器的功能问题是否已经得到解决的确认消息,并且可以接收针对确认消息的用户输入。
在操作S490,设备1000可以确定用于设备1000的问题排除的附加推荐操作。设备1000可以基于操作场景信息120来确定用于设备1000的问题排除的附加推荐操作。设备1000可以基于包括在操作场景信息120中的关于详细响应操作的执行次序的信息来确定附加推荐操作。具体地,设备1000可以基于包括在操作场景信息120中的关于执行次序的信息,将调节设备1000的显示器的色温的详细响应操作确定为附加推荐操作。
在操作S491中,设备1000可以执行所确定的附加推荐操作,以解决在设备1000中发生的问题。具体地,设备1000可以执行调节设备1000的显示器的色温的功能。
图5是根据一个或多个实施例的、设备1000根据问题是否已经得到解决来重新分类设备使用询问的方法的流程图。
在操作S530中,设备1000可以确定用于解决在设备1000中发生的问题的推荐操作。设备1000可以以类似于操作S430的方式来确定用于设备1000的问题排除的推荐操作,因此将不给出重复的解释。
在操作S550中,设备1000可以执行所确定的推荐操作,以解决在设备1000中发生的问题。设备1000可以以类似于操作S450的方式执行用于设备1000的问题排除的推荐操作,并且因此将不给出重复的解释。
在操作S570中,设备1000可以检查在设备1000中发生的问题是否已经得到解决。设备1000可以以类似于操作S470的方式检查在设备1000中发生的问题是否已经被解决,并且因此将不给出重复的解释。
在操作S590,设备1000可以对设备使用询问重新分类,以解决在设备1000中发生的问题。
具体地,当设备1000接收到表示“我无法经由蓝牙耳机听音乐”的设备使用询问的用户输入时,设备1000可以将设备使用询问分类为关于在蓝牙通信模块中发生的问题的询问。当即使响应于通过将设备使用询问分类为关于在蓝牙通信模块中发生的问题的询问而获取的结果设备1000执行了连接设备1000和蓝牙耳机的功能之后问题仍未得到解决时,设备1000可以将设备使用询问重新分类为关于音乐收听功能中的问题的询问。
设备1000可以以类似于操作S230的方式来对设备使用询问进行重新分类,并且因此将不给出重复的解释。
在操作S591中,设备1000可以基于重新分类结果来重新提取操作场景信息。
具体地,设备1000可以基于通过将设备使用询问重新分类为关于音乐收听功能中的问题的询问而获取的结果来重新提取操作场景信息120。重新提取的操作场景信息120可以包括关于检查音乐文件是否正常的详细响应操作和检查音乐回放应用是否正常运行的详细响应操作的信息。
设备1000可以以类似于操作S250的方式来重新提取与设备使用询问相对应的操作场景信息,并且因此将不给出重复的解释。
在操作S592中,设备1000可以基于重新提取的操作场景信息来执行详细响应操作。设备1000可以基于包括在重新提取的操作场景信息中的关于详细响应操作的信息来执行详细响应操作。
具体地,设备1000可以执行检查包括在操作场景信息120中的音乐文件是否正常的详细响应操作,以及检查音乐回放应用是否正常运行的详细响应操作。
设备1000可以以类似于操作S270的方式来基于重新提取的操作场景信息来执行详细响应操作,并且因此将不给出重复的解释。
图6是示出根据一个或多个实施例的设备使用询问的类别的表格。
参考图6,设备1000可以通过分析接收到的用户输入来对设备使用询问进行分类。设备1000可以将设备使用询问分类成多个类别。多个类别中的每一个可以是分级的。也就是说,多个类别中的每一个可以被重新分类成多个较低的类别。
根据实施例,设备使用询问可以被分类为第一类别,该第一类别包括关于使用设备1000的方法的询问和关于解决在设备1000中发生的问题的方法的询问。
根据实施例,关于解决在设备1000中发生的问题的方法的设备使用询问可以被分类为第二类别,该第二类别包括与执行设备1000的功能中的问题相关的询问和与在设备1000的硬件模块中发生的问题相关的询问。
根据实施例,与执行设备1000的功能中的问题相关的询问可以被分类为第三类别,该第三类别包括诸如进行呼叫的功能、发送文本的功能、传送文件的功能、拍摄照片和视频的功能、观看照片和视频的功能、听音乐的功能、进行搜索的功能、连接到外围设备的功能、以及汇款的功能的功能中的问题。
根据实施例,与在设备1000的硬件模块中发生的问题相关的询问可以被分类为第三类别,该第三类别包括在诸如电池、显示器、电话、诸如互联网或蓝牙的通信模块、音量控制器、相机和生物传感器的硬件模块中发生的问题。
根据实施例,关于使用由设备1000执行的功能的方法的询问可以被分类为第三类别,该第三类别包括诸如拨打电话的功能、发送文本的功能、传送文件的功能、拍摄照片和视频的功能、观看照片和视频的功能、听音乐的功能、进行搜索的功能、连接到外围设备的功能、以及汇款的功能的功能。
根据实施例,设备使用询问的类别中的每一个可以与至少一个操作场景相关。
具体地,表示“屏幕是黄色的”的设备使用询问可以被分类为第一类别的关于解决在设备中发生的问题的方法的询问,可以被分类为第二类别的关于在设备的硬件模块中发生的问题的询问,并且可以被分类为第三类别的关于在显示模块中发生的问题的询问。在这种情况下,被分类为关于在显示模块中发生的问题的询问的设备使用询问的类别可以与包括关于停止执行蓝光过滤器的详细响应操作和调节显示器色温的详细响应操作的信息的操作场景相关。
一个类别可以与多个操作场景相关,或者多个类别可以与相同的操作场景相关。
图7是示出根据一个或多个实施例的、设备1000提供与关于使用设备的方法的询问相对应的回复的示例的视图。
参考图7,设备1000可以接收表示“我想呼叫我妈妈”的设备使用询问的用户输入。设备1000可以接收但不限于文本、语音、图像、视频、或其组合作为设备使用询问的用户输入。
设备1000可以通过向学习模型输入表示“我想呼叫我妈妈”的设备使用询问的用户输入,将设备使用询问分类为关于使用设备1000的呼叫建立功能的方法的询问。
设备1000可以基于设备使用询问的分类结果提取用于提供回复的操作场景信息。提取的操作场景信息可以包括关于与设备1000的呼叫建立功能相关的详细响应操作的信息。例如,关于与呼叫建立功能相关的详细响应操作的信息可以包括关于在电话应用中选择联系人的详细响应操作、进行搜索的详细响应操作、输出搜索结果的详细响应操作、以及响应于用户输入进行呼叫的详细响应操作的信息。
设备1000可以基于提取的操作场景信息来将回复消息输出为文本,该回复消息表示“您可以通过执行电话应用>联系人>搜索妈妈>呼叫来呼叫您的妈妈”。设备1000可以将回复消息输出为语音。设备1000可以响应于接收到的用户输入将其中写有使用电话应用的方法的用户手册的一部分输出为图像。设备1000可以响应于接收到的用户输入,输出关于使用电话应用的方法的视频。
图8A和图8B是示出根据一个或多个实施例的、设备1000执行与关于使用设备1000的方法的询问相对应的功能的示例的视图。
参考图8A,设备1000可以接收表示“我想呼叫我妈妈”的设备使用询问的用户输入,并且可以通过将设备使用询问的用户输入输入到学习模型,来将设备使用询问分类为关于使用设备1000的呼叫建立功能的方法的询问。
设备1000可以基于设备使用询问的分类结果,来提取用于执行与设备使用询问相对应的功能的操作场景信息。提取的操作场景信息可以包括关于与设备1000的呼叫建立功能相关的详细响应操作的信息。例如,关于与呼叫建立功能相关的详细响应操作的信息可以包括关于向用户输出确认消息的详细响应操作、执行电话应用的详细响应操作、在电话应用中包括的联系人中进行搜索的详细响应操作、以及响应于搜索结果进行呼叫的详细响应操作的信息。
设备1000可以基于包括在操作场景信息中的关于详细响应操作的信息,来执行与关于使用设备1000的方法的询问相对应的功能。设备1000可以响应于用户输入输出表示“您想呼叫您的妈妈吗?”的确认消息。
参考图8B,设备1000可以基于针对确认消息的用户输入来执行电话应用。设备1000可以通过使用执行的电话应用来执行呼叫妈妈的功能。设备1000可以通过执行电话应用而不输出与用户输入相对应的确认消息来执行呼叫用户的妈妈的功能。
图9A至图9E是示出根据一个或多个实施例的、设备1000提供与关于使用设备1000的方法的询问相对应的操作引导的示例的视图。
参考图9A,设备1000可以接收表示“我想呼叫我妈妈”的设备使用询问的用户输入,并且可以通过将设备使用询问的用户输入输入到学习模型,来将设备使用询问分类为关于使用设备1000的呼叫建立功能的方法的询问。
设备1000可以基于设备使用询问的分类结果来提取用于提供操作引导的操作场景信息。提取的操作场景信息可以包括关于与设备1000的呼叫建立功能相关的详细响应操作的信息。例如,关于与呼叫建立功能相关的详细响应操作的信息可以包括:关于向用户输出确认消息的详细响应操作、在电话应用中选择联系人的详细响应操作、进行搜索的详细响应操作、输出搜索结果的详细响应操作、以及响应于用户输入进行呼叫的详细响应操作的信息,以及关于显示帮助用户执行详细响应操作的操作引导的详细响应操作的信息。显示操作引导可以包括在显示器上在建议操作周围显示框。
设备1000可以基于包括在操作场景信息中的关于详细响应操作的信息,提供与关于使用设备1000的方法的询问相对应的操作引导。设备1000可以响应于用户输入输出表示“您想呼叫您的妈妈吗?”的确认消息。设备1000可以基于针对确认消息的用户输入来提供帮助用户执行电话应用的操作引导。设备1000可以提供用于执行电话应用的操作引导,而不输出与用户输入相对应的确认消息。
参考图9B,设备1000可以在主屏幕上提供用于选择电话应用的操作引导951。设备1000可以基于与所提供的操作引导951相对应的用户输入来执行电话应用。
参考图9C,设备1000可以提供用于显示搜索框的操作引导953,使得用户可以在执行的电话应用中搜索他/她的妈妈。设备1000可以基于与所提供的操作引导953相对应的用户输入来执行搜索用户的妈妈的功能。
参考图9D,设备1000可以输出在搜索用户的妈妈之后获取的搜索结果。设备1000可以提供帮助用户从搜索结果中选择他/她的妈妈的操作引导955。
参考图9E,设备1000可以基于与所提供的操作引导955相对应的用户输入来执行呼叫用户的妈妈的功能。
图10是示出根据一个或多个实施例的、设备1000提供与关于在设备1000中发生的问题的询问相对应的回复的示例的视图。
参考图10,设备1000可以接收表示“音乐音量太低”的设备使用询问的用户输入。
用户输入可以是但不限于文本、语音、图像、视频、或其组合。设备1000可以通过用户输入界面接收文本。设备1000可以执行语音助理应用,并且可以通过控制所执行的语音助理应用来通过麦克风接收用户的语音输入。设备1000可以通过语音到文本(speech totext,STT)将作为设备使用询问的用户输入接收的语音转换成文本。示出在设备1000中发生的问题的、输入到设备1000的图像文件可以是由相机捕获的图像或在设备1000中生成的截屏。作为另一示例,设备1000可以接收视频文件作为设备使用询问的用户输入。设备1000可以接收指示与设备使用询问相关的视频文件的互联网地址作为用户输入。示出在设备1000中发生的问题的、输入到设备1000的视频文件可以是由相机捕获的视频。
设备1000可以通过将接收到的用户输入输入到学习模型,将设备使用询问分类为第一类别的关于解决在设备1000中发生的问题的方法的询问、分类为第二类别的关于在设备1000的硬件模块中发生的问题的询问、以及分类为第三类别的关于音量控制模块中发生的问题的询问。
设备1000可以基于设备使用询问的分类结果提取用于提供回复的操作场景信息。提取的操作场景信息可以包括关于与设备1000的音量控制模式相关的详细响应操作的信息。例如,关于与音量控制模式相关的详细响应操作的信息可以包括关于在设置应用中选择声音和振动类别的详细响应操作、在声音和振动类别中选择音量类别的详细响应操作、在音量类别中选择媒体音量的详细响应操作、以及根据媒体音量的状态栏调节媒体音量的详细响应操作的信息。
基于提取的操作场景信息,设备1000可以将回复消息输出为文本,该回复消息表示“进入应用>设置>声音和振动>音量>媒体,并向右移动媒体栏”。设备1000可以将回复消息输出为语音。设备1000可以响应于接收到的用户输入,将其中写有使用设置应用的方法的用户手册的一部分输出为图像。设备1000可以响应于接收到的用户输入,输出关于使用电话应用的方法的视频。
图11A和图11B是示出根据一个或多个实施例的、设备1000执行与关于在设备1000中发生的问题的询问相对应的功能的示例的视图。
参考图11A,设备1000可以接收表示“音乐音量太低”的设备使用询问的用户输入,并且可以通过将设备使用询问的用户输入输入到学习模型,来将设备使用询问分类为第一类别的关于解决在设备1000中发生的问题的方法的询问、分类为第二类别的关于在设备的硬件模块中发生的问题的询问、以及分类为第三类别的关于音量控制模块中发生的问题的询问。
设备1000可以基于设备使用询问的分类结果来提取用于执行功能的操作场景信息。提取的操作场景信息可以包括关于与设备1000的音量控制模式相关的详细响应操作的信息。例如,关于与音量控制模式相关的详细响应操作的信息可以包括关于向用户输出确认消息的详细响应操作、执行设置应用的详细响应操作、以及执行调节包括在设置应用中的媒体音量的功能的详细响应操作的信息。
设备1000可以基于包括在操作场景信息中的关于详细响应操作的信息,来执行与关于在设备1000中发生的问题的询问相对应的功能。设备1000可以响应于用户输入输出表示“您想要调高音乐音量吗?”的确认消息。
参考图11B,设备1000可以基于针对确认消息的用户输入来执行调节媒体音量的功能。设备1000可以执行调节媒体音量的功能,而不输出与用户输入相对应的确认消息。
图12A至12F是示出根据一个或多个实施例的、设备1000提供与关于在设备1000中发生的问题的询问相对应的操作引导的示例的视图。
参考图12A,设备1000可以接收表示“音乐音量太低”的设备使用询问的用户输入,并且可以通过将设备使用询问输入到学习模型,来将设备使用询问分类为第一类别的关于解决在设备1000中发生的问题的方法的询问、分类为第二类别的关于在设备1000的硬件模块中发生的问题的询问、以及分类为第三类别的关于音量控制模块中发生的问题的询问。
设备1000可以基于设备使用询问的分类结果,来提取用于提供操作引导的操作场景信息。提取的操作场景信息可以包括关于与设备1000的音量控制模式相关的详细响应操作的信息。例如,关于与音量控制模式相关的详细响应操作的信息可以包括:关于在设置应用中选择声音和振动类别的详细响应操作、在声音和振动类别中选择音量类别的详细响应操作、在音量类别中选择媒体音量的详细响应操作、以及通过移动媒体音量的状态栏来调节媒体音量的详细响应操作的信息,以及关于显示帮助用户执行详细响应操作的操作引导的详细响应操作的信息。
设备1000可以基于包括在操作场景信息中的关于详细响应操作的信息,来提供与关于使用设备1000的方法的询问相对应的操作引导。设备1000可以响应于用户输入输出表示“您想要调高音乐音量吗?”的确认消息。设备1000可以基于针对确认消息的用户输入来提供用于执行调节媒体音量的功能的操作引导。设备1000可以提供用于执行调节媒体音量的功能的操作引导,而不输出与用户输入相对应的确认消息。
参考图12B,设备1000可以在主屏幕上提供用于选择应用(Apps)的操作引导1211以用于选择设置应用。设备1000可以基于与所提供的操作引导1211相对应的用户输入来执行应用抽屉。
参考图12C,设备1000可以响应于接收到的用户输入来提供用于选择设置应用的操作引导1213。设备1000可以基于与所提供的操作引导1213相对应的用户输入来执行设置应用。
参考图12D,设备1000可以提供帮助用户在执行的设置应用中选择调节声音和振动的类别的操作引导1215。设备1000可以基于与所提供的操作引导1215相对应的用户输入来执行调节声音和振动的功能。
参考图12E,设备1000可以提供帮助用户在调节声音和振动的类别中选择调节音量的类别的操作引导1217。设备1000可以基于与所提供的操作引导1217相对应的用户输入来执行调节音量的功能。
参考图12F,设备1000可以执行显示用于调节音量的状态栏的功能。设备1000可以提供帮助用户从用于调节音量的多个状态栏中调节调节媒体音量的状态栏的操作引导1219。设备1000可以响应于与所提供的操作引导1219相对应的用户输入来执行调节媒体音量的功能。
图13A和图13B是示出根据一个或多个实施例的、设备1000顺序地提供与关于在设备1000中发生的问题的询问相对应的回复的示例的视图。
参考图13A和图13B,设备1000可以接收表示“屏幕是黄色的”的设备使用询问的用户输入,并且可以通过将设备使用询问的用户输入输入到学习模型,来将设备使用询问分类为第一类别的关于解决在设备1000中发生的问题的方法的询问、分类为第二类别的关于在设备1000的硬件模块中发生的问题的询问、以及分类为第三类别的关于在显示模块中发生的问题的询问。设备1000可以基于设备使用询问的分类结果提取用于提供回复的操作场景信息。
提取的操作场景信息120可以包括关于停止执行蓝光过滤器的详细响应操作和调节设备1000的显示器的色温的详细响应操作的信息。此外,提取的操作场景信息120可以包括关于停止执行蓝光过滤器的详细响应操作和调节设备1000的显示器的色温的详细响应操作的执行次序的信息。
设备1000可以将停止执行蓝光过滤器的详细响应操作确定为推荐操作,并且可以执行该推荐操作。
设备1000可以基于包括在提取的操作场景信息中的关于详细响应操作的信息和关于详细响应操作的次序的信息,顺序地提供与关于在设备1000的显示模块中发生的问题的询问相对应的回复。设备1000可以将表示“您打开了蓝光过滤器吗?您可以在“应用>设置>显示>蓝光过滤器”中进行检查。”的回复消息输出为文本。设备1000可以将回复消息输出为语音。设备1000可以响应于接收到的用户输入,将其中写有停止执行蓝光过滤器的方法的用户手册的一部分输出为图像。设备1000可以响应于接收到的用户输入,输出关于停止执行蓝光过滤器的方法的视频。
设备1000可以基于回复消息的用户输入来输出表示“关闭蓝光过滤器”的附加回复消息。设备1000可以基于针对附加回复消息的用户输入来输出表示“问题是否已经得到解决?”的确认消息,以检查问题是否已经得到解决。
参考图13B,设备1000可以基于针对确认消息的用户输入,输出表示“您在颜色优化中调节了屏幕颜色吗?您可以在应用>设置>显示>屏幕模式>颜色优化中检查。”的附加回复消息。设备1000可以基于针对附加回复消息的用户输入来输出表示“在全屏颜色优化中将屏幕颜色调节为冷色”的附加回复消息。设备1000可以将附加回复消息输出为文本或语音。设备1000可以将其中写有将屏幕颜色调节为冷颜色的方法的用户手册的一部分输出为图像。设备1000可以输出关于将屏幕颜色调节为冷色的方法的视频。
设备1000可以基于针对附加回复消息的用户输入来输出表示“问题已经得到解决?”的确认消息,以检查问题是否已经得到解决。
图14至图14E是示出根据一个或多个实施例的、设备1000顺序地执行与关于在设备1000中发生的问题的询问相对应的功能的示例的视图。
参考图14A,设备1000可以基于通过将设备使用询问分类为关于在显示模块中发生的问题的询问而获取的结果,来提取用于执行与在设备1000中发生的问题相对应的功能的操作场景信息。设备1000可以基于包括在操作场景信息中的关于详细响应操作的信息,来执行与在设备1000中发生的问题相对应的功能。例如,设备1000可以接收表示“屏幕是黄色的”的设备使用询问的用户输入。
参考图14B,设备1000可以响应于用户输入,执行停止执行蓝光过滤器的功能1411。
参考图14C,设备1000可以输出表示“问题已经得到解决?”的确认消息,以检查通过执行停止执行蓝光过滤器的功能1411问题是否已经得到解决。
参考图14D,设备1000可以基于针对确认消息的用户输入来执行在全屏颜色优化中将屏幕颜色调节为冷色的功能1413。
参考图14E,设备1000可以输出表示“问题已经得到解决?”的确认消息,以检查通过执行将屏幕颜色调节为冷色的功能1413问题是否已经得到解决。
图15A至图15J是示出根据一个或多个实施例的、设备1000顺序地提供与关于在设备1000中发生的问题的询问相对应的操作引导的示例的视图。
参考图15A,设备1000可以基于通过将设备使用询问分类为关于在显示模块中发生的问题的询问而获取的结果,来提取用于提供操作引导的操作场景信息。例如,设备1000可以接收表示“屏幕是黄色的”的设备使用询问的用户输入。设备1000可以提供帮助用户基于包括在操作场景信息中的关于详细响应操作的信息来执行与在设备1000中发生的问题相对应的功能的操作引导。
参考图15B,设备1000可以在主屏幕上提供用于选择应用的操作引导1511,以用于选择设置应用。设备1000可以基于与所提供的操作引导1511相对应的用户输入来执行应用抽屉。
参考图15C,设备1000可以响应于接收到的用户输入,提供选择设置应用的操作引导1512。设备1000可以基于与所提供的操作引导1512相对应的用户输入来执行设置应用。
参考图15D,设备1000可以提供帮助用户在执行的设置应用中选择调节显示的类别的操作引导1513。设备1000可以基于与所提供的操作引导1513相对应的用户输入来执行调节显示的功能。
参考图15E,设备1000可以提供通知用户关于在调节显示的类别中停止执行蓝光过滤器的功能的操作引导1514。设备1000可以基于与所提供的操作引导1514相对应的用户输入来执行停止执行蓝光过滤器的功能。
参考图15F,设备1000可以输出表示“问题已经得到解决?”的确认消息,以检查通过执行停止执行蓝光过滤器的功能问题是否已经得到解决。
参考图15G,设备1000可以提供帮助用户在调节显示的类别中选择优化屏幕的类别的操作引导1515。设备1000可以基于与所提供的操作引导1515相对应的用户输入来执行优化屏幕的功能。
参考图15H,设备1000可以提供帮助用户在优化屏幕的类别中选择优化颜色的功能的操作引导1516。设备1000可以基于与所提供的操作引导1516相对应的用户输入来执行优化颜色的功能。
参考图15I,设备1000可以提供通知用户关于在优化颜色的功能中将屏幕颜色调节为冷色的功能的操作引导1517。设备1000可以基于与所提供的操作引导1517相对应的用户输入来执行将屏幕颜色调节为冷色的功能。
参考图15J,设备1000可以输出表示“问题已经得到解决?”的确认消息,以检查通过执行将屏幕颜色调节为冷色的功能问题是否已经得到解决。
图16是示出根据一个或多个实施例的、设备1000通过与服务器2000互操作来提供对设备使用询问的用户输入的响应操作的示例的视图。
参考图16,设备1000可以通过网络连接到服务器2000,并且可以通过使用根据由服务器2000预设的标准学习的数据提供对用户的语音输入的回复消息。
在这种情况下,服务器2000可以执行由图1至15J的设备1000执行的对设备使用查询进行分类以满足与设备使用查询相关的用户意图的功能、提取用于提供与分类结果相对应的响应操作的操作场景信息的功能、以及确定用于解决在设备1000中发生的问题的推荐操作的功能中的至少一个功能。
在这种情况下,设备1000和服务器2000可以发送/接收用于执行其功能的数据。例如,设备1000可以向服务器2000提供用于由服务器2000执行的功能的数据,并且设备1000可以从服务器2000接收根据由服务器2000执行的功能生成的结果数据。此外,服务器2000可以向设备1000提供用于由设备1000执行的功能的数据,并且服务器2000可以从设备1000接收根据由设备1000执行的功能生成的结果数据。
此外,服务器2000可以管理用于对设备使用询问进行分类的数据、用于提取用于提供与分类结果相对应的响应操作的操作场景信息的数据、以及用于确定用于解决在设备1000中发生的问题的推荐操作的数据中的至少一种数据。
图17和图18是根据一个或多个实施例的设备1000的框图。
如图17所示,根据一个或多个实施例的设备1000可以包括用户输入接口1100、显示器1210、处理器1300、以及通信器1500。然而,图17所示的所有元件都不是设备1000的必要元件。设备1000可以包括比图17所示的元件更多或更少的元件。
例如,如图18所示,除了用户输入接口1100、输出接口1200、处理器1300和通信器1500之外,根据一个或多个实施例的设备1000可以包括传感器1400、音频/视频(audio/video,A/V)输入接口1600、以及存储器1700。
用户输入接口1100是用户通过其输入用于控制设备1000的数据的单元。用户输入接口1100的示例可以包括但不限于键盘、圆顶开关、触摸板(例如,接触式电容方法、压力式电阻薄膜方法、红外感测方法、表面超声波传输方法、整体张力测量方法、或压电效应方法)、滚轮、以及壶开关。
用户输入接口1100可以请求对用户输入的回复消息,并且可以接收用于执行与回复消息相关的操作的用户输入。
输出接口1200可以输出音频信号、视频信号、或振动信号,并且可以包括显示器1210、声音输出接口1220和振动马达1230。
显示器1210显示并输出由设备1000处理的信息。例如,显示器1210可以显示用于请求对用户输入的回复消息以及执行与回复消息相关的操作的用户界面。
声音输出接口1220可以包括扬声器,并且输出从通信器1500接收的或者存储在存储器1700中的音频数据。此外,声音输出接口1220输出与由设备1000执行的功能相关的声音信号(例如,呼叫信号接收声音、消息接收声音、或通知声音)。
处理器1300通常控制设备1000的整体操作。例如,处理器1300可以通过执行存储在存储器1700中的程序来控制用户输入接口1100、输出接口1200、传感器1400、通信器1500、以及A/V输入接口1600。此外,处理器1300可以通过执行存储在存储器1700中的程序来执行图1至图16的设备1000的功能。
详细地,处理器1300可以控制用户输入接口1100接收用户的文本、图像、以及视频输入。处理器1300可以控制麦克风1620接收用户的语音输入。处理器1300可以执行基于用户输入执行设备1000的操作的应用,并且可以通过执行的应用来控制接收用户输入。例如,处理器1300可以执行语音助理应用,并且可以通过控制执行的语音助理应用来控制通过麦克风1620接收用户的语音输入。
处理器1300可以通过将接收到的设备使用询问的用户输入应用于学习模型来对设备使用询问进行分类。处理器1300可以通过将接收到的设备使用询问的用户输入输入到预先生成的学习模型来对设备使用询问进行分类。例如,处理器1300可以通过将用户输入输入到预先生成的学习模型,来确定设备使用询问是关于使用设备1000的方法的询问还是关于解决在设备1000中发生的问题的方法的询问。详细地,处理器1300可以根据指示设备使用询问与关于使用由设备1000执行的功能中的哪个功能的方法的询问相对应的信息,来对设备使用询问进行分类。处理器1300可以根据指示设备使用询问与在由设备1000执行的功能中的哪个功能中发生的问题相对应的信息,来对设备使用询问进行分类。处理器1300可以根据指示设备使用询问与在设备1000的硬件模块中的哪个模块中发生的问题相对应的信息,来对设备使用询问进行分类。
根据实施例,处理器1300可以通过使用设备1000的规格信息、设备1000的状态信息、使用设备1000的用户的状态信息、以及用户的设备使用历史信息中的任何一个或任意组合来分析用户输入,从而对设备使用询问进行分类。
处理器1300可以控制将由设备1000执行的、与接收到的设备使用询问的用户输入相对应的详细响应操作。例如,处理器1300可以基于提取的操作场景信息来控制将由设备1000执行的详细响应操作。处理器1300可以基于包括在提取的操作场景信息中的关于详细响应操作的信息和关于详细响应操作的执行次序的信息中的任意一个或任意组合,来控制将由设备1000执行的详细响应操作。
处理器1300可以控制设备1000提供回复,作为详细响应操作。处理器1300可以控制设备1000执行设备1000的功能,作为详细响应操作。处理器1300可以控制显示器1210输出用于执行设备1000的功能的操作引导,作为详细响应操作。
根据实施例,处理器1300可以控制显示器1210将与设备使用询问相对应的回复消息输出为文本。作为另一示例,处理器1300可以控制显示器1210将与设备使用询问相对应的回复输出为图像或视频。作为另一示例,处理器1300可以控制声音输出接口1220将与设备使用询问相对应的回复输出为声音。
根据实施例,针对在由设备1000执行的功能中发生的问题的询问,处理器1300可以控制设备1000执行用于解决问题的功能。例如,针对在由设备1000执行的功能(诸如进行呼叫的功能、发送文本的功能、传送文件的功能、拍摄照片和视频的功能、观看照片和视频的功能、听音乐的功能、进行搜索的功能、连接到外围设备的功能、或汇款的功能)中发生的问题的询问,处理器1300可以控制设备1000结束与由设备1000执行的功能相关的过程,并重新执行有问题的功能。
根据实施例,针对关于在设备1000的硬件模块中发生的问题的询问,处理器1300可以控制设备1000执行用于问题排除的功能。例如,处理器1300可以控制设备1000执行解决设备1000的硬件模块中发生的问题的功能,该硬件模块诸如电池、显示器、电话、通信模块(诸如互联网或蓝牙)、音量控制器、相机、或生物传感器。
根据实施例,针对关于使用由设备1000执行的功能的方法的询问,处理器1300可以控制显示器1210输出帮助用户执行功能的操作引导。例如,处理器1300可以控制显示器1210输出帮助用户使用由设备1000执行的功能(诸如进行呼叫的功能、发送文本的功能、传送文件的功能、拍摄照片和视频的功能、观看照片和视频的功能、听音乐的功能、进行搜索的功能、连接到外围设备的功能、或者汇款的功能)的操作引导。
根据实施例,针对关于在由设备1000执行的功能中发生的问题的询问,处理器1300可以控制显示器1210输出帮助用户执行用于问题排除的功能的操作引导,作为详细响应操作。例如,针对在由设备1000执行的功能(诸如进行呼叫的功能、发送文本的功能、传送文件的功能、拍摄照片和视频的功能、观看照片和视频的功能、听音乐的功能、进行搜索的功能、连接到外围设备的功能、或汇款的功能)中发生的问题的询问,处理器1300可以控制显示器1210输出帮助用户使用用于问题排除的功能的操作引导。
根据实施例,针对关于在设备1000的硬件模块中发生的问题的询问,处理器1300可以控制显示器1210输出帮助用户使用用于问题排除的功能的操作引导。例如,处理器1300可以控制显示器1210输出帮助用户使用用于解决在设备1000的硬件模块中发生的问题的功能的操作引导,该硬件模块诸如电池、显示器、电话、通信模块(诸如互联网或蓝牙)、音量控制器、相机、或生物传感器。
根据实施例,处理器1300可以基于包括在提取的操作场景信息中的关于详细响应操作的执行次序的信息,来控制设备1000顺序地执行与用户输入相对应的详细响应操作。
根据实施例,处理器1300可以控制显示器1210输出用于检查在设备1000中发生的问题是否已经得到解决的确认消息。处理器1300可以控制通过用户输入接口1100接收针对确认消息的用户输入。处理器1300可以基于针对确认消息的用户输入来确定用于解决问题的附加推荐操作。处理器1300可以控制设备1000执行与所确定的附加推荐操作相对应的详细响应操作。例如,处理器1300可以基于包括在操作场景信息中的关于详细响应操作的执行次序的信息来控制设备1000执行尚未执行的详细响应操作。
此外,处理器1300可以通过使用存储在存储器1700或服务器2000中的数据识别模型来对设备使用询问进行分类,并可以提供与分类结果相对应的响应操作,这将参考图20至图23进行更详细的描述。
此外,处理器1300可以有效地学习用于通过使用存储在存储器1700或服务器2000中的数据识别模型来对设备使用询问进行分类并提供与分类结果相对应的响应操作的标准,并且可以向用户提供满足用户意图的服务。
传感器1400可以检测设备1000的状态或设备1000周围的状态,并且可以向处理器1300发送关于状态的信息。传感器1400可用于生成设备1000的部分规格信息、设备1000的状态信息、设备1000的周围环境信息、用户的状态信息、以及用户的设备使用历史信息。
传感器1400可以包括但不限于地磁传感器1410、加速度传感器1420、温度/湿度传感器1430、红外传感器1440、陀螺仪传感器1450、定位传感器(例如,GPS)1460、大气压力传感器1470、接近传感器1480、以及RGB传感器(例如,照度传感器)1490中的任何一个或任意组合。本领域的普通技术人员将从它们的名称中直观地得出传感器的功能,因此将不给出其详细解释。
通信器1500可以包括一个或多个元件,设备1000通过这些元件与另一设备和服务器2000通信。其他设备可以是但不限于计算设备或感测设备,例如设备1000。例如,通信器1500可以包括短程通信器1510、移动通信器1520、以及广播接收器1530。
短程通信器1510的示例可以包括但不限于蓝牙通信器、蓝牙低能量(Bluetoothlow energy,BLE)通信器、近场通信器、WLAN(Wi-Fi)通信器、Zigbee通信器、红外数据协会(IrDA)通信器、Wi-Fi直连(WFD)通信器、超宽带(UWB)通信器、以及蚂蚁+通信器。
移动通信器1520经由移动通信网络向基站、外部终端、以及服务器中的任意一个或任意组合发送无线信号,或从其接收无线信号。无线信号的示例可以包括语音呼叫信号、视频呼叫信号、以及根据文本/多媒体消息发送/接收的各种数据中的任何一种。
广播接收器1530通过广播信道从外部接收广播信号和/或广播相关信息。广播信道的示例可以包括卫星信道和地面信道。根据实施例,设备1000可以不包括广播接收器1530。
此外,通信器1500可以向服务器2000和其他设备发送或从其接收用于请求对用户的语音输入的回复消息并且执行与回复消息相关的操作的信息。
用于接收音频信号输入或视频信号输入的A/V输入接口1600可以包括相机1610和麦克风1620。相机1610可以通过在视频呼叫模式或成像模式下使用图像传感器来获取图像帧,诸如静止图像或运动图像。通过图像传感器捕获的图像可以由处理器1300或附加的图像处理器处理。由相机1610捕获的图像可以用作用户的上下文信息。
麦克风1620接收外部声音信号,并将该外部声音信号处理成电语音数据。例如,麦克风1620可以从外部设备或用户接收声音信号。麦克风1620可以接收用户的语音输入。麦克风1620可以使用各种噪声去除算法中的任何一种来去除在接收外部声音信号时出现的噪声。
存储器1700可以存储用于处理和控制处理器1300的程序,并且可以存储输入到设备1000或从设备1000输出的数据。
存储器1700可以包括闪存类型、硬盘类型、多媒体卡微型、卡型存储器(例如,SD或XD存储器)、随机存取存储器(random-access memory,RAM)、静态随机存取存储器(staticrandom-access memory,SRAM)、只读存储器(read-only memory,ROM)、电可擦除可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、可编程只读存储器(programmable read-only memory,PROM)、磁存储器、磁盘、以及光盘中的至少一种类型的存储介质。
存储在存储器1700中的程序可以根据存储器1700的功能被分类为多个模块。例如,存储器1700可以包括用户界面(user interface,UI)模块1710、触摸屏模块1720、以及通知模块1730。
用户界面模块1710可以提供根据应用与设备1000互操作的专用UI或图形用户界面(graphical user interface,GUI)。触摸屏模块1720可以检测用户在触摸屏上的触摸手势,并且可以将关于触摸手势的信息发送到处理器1300。根据一个或多个实施例的触摸屏模块1720可以识别和分析触摸代码。触摸屏模块1720可以被配置为包括控制器的独立硬件。
通知模块1730可以生成用于通知在设备1000中发生的事件的信号。在设备1000中发生的事件的示例可以包括呼叫信号接收、消息接收、按键信号输入、以及日程通知。通知模块1730可以通过显示器1210将通知信号输出为视频信号,可以通过声音输出接口1220将通知信号输出为音频信号,或者可以通过振动马达1230将通知信号输出为振动信号。
图19是根据一个或多个实施例的服务器2000的框图。
参考图19,根据一个或多个实施例的服务器2000可以包括通信器2500、DB 2700、以及处理器2300。
通信器2500可以包括用于与设备1000通信的一个或多个元件。
DB 2700可以存储用于认证基于车牌号的支付的数据。
处理器2300通常控制服务器2000的整体操作。例如,处理器2300可以通过执行存储在服务器2000的DB 2700中的程序来控制DB 2700和通信器2500。处理器2300可以通过执行存储在DB 2700中的程序来执行图1至图15J的设备1000的一些操作。
处理器2300可以执行由图1至图15J的设备1000执行的对设备使用查询进行分类的功能、提取用于提供与分类结果相对应的响应操作的操作场景信息的功能、以及确定用于解决在设备1000中发生的问题的推荐操作的功能中的任何一个或任意组合。
此外,处理器2300可以管理用于对设备使用询问进行分类的数据、用于提取用于提供与分类结果相对应的响应操作的操作场景信息的数据、以及用于确定用于解决在设备1000中发生的问题的推荐操作的数据中的任何一个或任意组合。
图20是根据一个或多个实施例的处理器1300的框图。
参考图20,根据一个或多个实施例的处理器1300可以包括数据学习器1310和数据识别器1320。
数据学习器1310可以学习用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的标准。数据学习器1310可以学习关于要使用哪些数据以便对设备使用询问进行分类并提供与分类结果相对应的响应操作的标准。此外,数据学习器1310可以学习关于如何对设备使用询问进行分类以及如何提供与分类结果相对应的响应操作的标准。数据学习器1310可以获取用于学习的数据,并且可以通过将获取的数据应用于将在以下描述的数据识别模型来学习用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的标准。
数据识别器1320可以基于数据对设备使用询问进行分类,并且可以提供与分类结果相对应的响应操作。数据识别器1320可以通过使用训练的数据识别模型根据预定数据对设备使用询问进行分类,并且可以提供与分类结果相对应的响应操作。数据识别器1320可以获取根据通过学习预设的标准的预定数据,并且可以通过使用获取的预定数据作为输入值来使用数据识别模型。此外,在这种情况下,数据识别器1320可以基于预定数据对设备使用询问进行分类,并且可以提供与分类结果相对应的响应操作。此外,由数据识别模型通过使用获取的预定数据作为输入值输出的结果值可以用于精练数据识别模型。
数据学习器1310和数据识别器1320中的一个或两个可以被制造为至少一个硬件芯片,并且可以被安装在电子装置上。例如,数据学习器1310和数据识别器1320中的一个或两个可以被制造为用于人工智能(AI)的专用硬件芯片,或者可以被制造为现有通用处理器(例如,中央处理单元(central processing unit,CPU)或应用处理器)或图形处理器(例如,图形处理单元(graphics processing unit,GPU))的一部分,并且可以被安装在各种电子装置中的任何一个上。
在这种情况下,数据学习器1310和数据识别器1320可以安装在一个电子装置上,或者可以分离地安装在电子装置上。例如,数据学习器1310和数据识别器1320中的一个可以包括在电子装置中,而剩余的一个可以包括在服务器中。此外,由数据学习器1310建立的模型信息可以被提供给数据识别器1320,并且输入到数据识别器1320的数据可以作为附加学习数据通过有线或无线方式被提供给数据学习器1310。
数据学习器1310和数据识别器1320中的一个或两个可以被实施为软件模块。当数据学习器1310和数据识别器1320中的一个或两个被实施为软件模块(或包括指令的程序模块)时,软件模块可以存储在非暂时性计算机可读记录介质中。此外,在这种情况下,至少一个软件模块可以由OS或预定应用提供。或者,至少一个软件模块的一部分可以由OS提供,而剩余部分可以由预定应用提供。
图21是根据一个或多个实施例的数据学习器1310的框图。
参考图21,根据一个或多个实施例的数据学习器1310可以包括数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习器1310-4、以及模型评估器1310-5。
数据获取器1310-1可以获取用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的数据。数据获取器1310-1可以获取例如预定设备使用询问的用户输入、预定设备使用询问的分类结果、设备1000的规格信息、设备1000的状态信息、设备1000的周围环境信息、使用设备1000的用户的状态信息、以及用户的设备使用历史信息。
预处理器1310-2可以预处理所获取的数据,使得所获取的数据被用于学习对设备使用询问进行分类并提供与分类结果相对应的响应操作。预处理器1310-2可以将获取的数据处理成预设格式,使得以下将描述的模型学习器1310-4可以将获取的数据用于学习对设备使用询问进行分类并提供与分类结果相对应的响应操作。
学习数据选择器1310-3可以从多条预处理数据中选择用于学习的数据。所选择的数据可以被提供给模型学习器1310-4。学习数据选择器1310-3可以根据用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的预设标准,来从多条预处理数据中选择用于学习的数据。此外,学习数据选择器1310-3可以根据由以下将描述的模型学习器1310-4通过学习而预设的标准来选择数据。
模型学习器1310-4可以学习关于如何基于学习数据对设备使用询问进行分类以及如何提供与分类结果相对应的响应操作的标准。此外,模型学习器1310-4可以学习关于要使用哪些学习数据以便对设备使用询问进行分类并提供与分类结果相对应的响应操作的标准。
此外,模型学习器1310-4可以通过使用学习数据来训练用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的数据识别模型。在这种情况下,数据识别模型可以是预先建立的模型。例如,数据识别模型可以是通过接收基本学习数据(例如,样本数据)预先建立的模型。
可以考虑应用识别模型的领域、学习目的、或设备1000的计算机性能来建立数据识别模型。数据识别模型可以是基于例如神经网络的模型。例如,诸如深度神经网络(deepneural network,DNN)、递归神经网络(recurrent neural network,RNN)、或双向递归深度神经网络(bidirectional recurrent deep neural network,BRDNN)的模型可以用作数据识别模型。
根据各种实施例,当存在预先建立的多个数据识别模型时,模型学习器1310-4可以将与输入学习数据和基本学习数据具有高度关系的数据识别模型确定为待训练的数据识别模型。在这种情况下,可以根据数据类型预先对基本学习数据进行分类,并且可以根据数据类型预先建立数据识别模型。例如,可以根据各种标准预先对基本学习数据进行分类,各种标准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、学习数据的种类、学习数据的生成器、以及学习数据中对象的类型。
此外,模型学习器1310-4可以通过使用包括例如误差反向传播或梯度下降的学习算法来训练数据识别模型。
此外,模型学习器1310-4可以通过使用例如学习数据作为输入值、通过监督学习来训练数据识别模型。此外,模型学习器1310-4可以通过无监督学习来训练数据识别模型,以在无监督的情况下,通过学习用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的数据类型,自行找到用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的标准。此外,模型学习器1310-4可以使用关于根据学习来对设备使用询问进行分类并提供与分类结果相对应的响应操作的结果是否正确的反馈、通过强化学习来训练数据识别模型。
此外,当训练数据识别模型时,模型学习器1310-4可以存储训练的数据识别模型。在这种情况下,模型学习器1310-4可以将训练的数据识别模型存储在包括数据识别器1320的电子装置的存储器中。或者,模型学习器1310-4可以将训练的数据识别模型存储在通过有线或无线网络连接到电子装置的服务器的存储器中。
在这种情况下,存储训练数据识别模型的存储器也可以存储例如与电子装置的至少另一元件相关的命令或数据。此外,存储器可以存储软件和/或程序。该程序可以包括例如内核、中间件、应用编程接口(application programming interface,API)、以及/或应用程序(或应用)。
当模型评估器1310-5向数据识别模型输入评估数据并且从评估数据输出的识别结果不满足预定标准时,模型评估器1310-5可以使模型学习器1310-4再次学习。在这种情况下,评估数据可以是用于评估数据识别模型的预设数据。
例如,从评估数据输出的、训练的数据识别模型的识别结果中,当不准确的识别结果的数量或比率超过预设阈值时,可以评估不满足预定标准。例如,当2%被定义为预定标准并且从1000条评估数据中的超过20条评估数据输出错误的识别结果时,模型评估器1310-5可以评估训练的数据识别模型不合适。
当存在多个训练数据识别模型时,模型评估器1310-5可以评估每个训练识别模型是否满足预定标准,并且可以确定满足预定标准的模型作为最终数据识别模型。在这种情况下,当多个模型满足预定标准时,模型评估器1310-5可以确定以评估分数的降序预设的模型中的一个或预定数量的模型作为最终数据识别模型。
数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习器1310-4、以及数据学习器1310中的模型评估器1310-5中的任意一个或任意组合可以被制造为至少一个硬件芯片,并且可以被安装在电子装置上。例如,数据学习器1310-4、预处理器1310-2、学习数据选择器1310-3、模型学习器1310-4、以及模型评估器1310-5中的任何一个或任何组合可以被制造为用于AI的专用硬件芯片,或者可以被制造为现有通用处理器(例如,CPU或应用处理器)或图形处理器(例如,GPU)的一部分,并且可以被安装在各种电子装置中的任何一个上。
此外,数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习器1310-4和模型评估器1310-5可以被安装在一个电子装置上,或者可以被分别分离地安装在电子装置上。例如,数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习器1310-4和模型评估器1310-5中的一些可以被包括在电子装置中,而剩余的可以被包括在服务器中。
此外,数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习器1310-4、以及模型评估器1310-5中的任意一个或任意组合可以被实施为软件模块。当数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习器1310-4、以及模型评估器1310-5中的任意一个或任意组合被实施为软件模块(或包括指令的程序模块)时,软件模块可以被存储在非暂时性计算机可读记录介质中。此外,在这种情况下,至少一个软件模块可以由OS或预定应用提供。或者,至少一个软件模块的一部分可以由OS提供,而剩余部分可以由预定应用提供。
处理器1300可以使用各种数据识别模型,并且可以有效地学习用于通过数据识别模型、通过使用各种方法中的任何一种来对设备使用询问进行分类,并且提供与分类结果相对应的响应操作的标准。
图22是根据一个或多个实施例的数据识别器1320的框图。
参考图22,根据一个或多个实施例的数据识别器1320可以包括数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4、以及模型精练器1320-5。
数据获取器1320-1可以获取用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的数据,并且预处理器1320-2可以预处理获取的数据,使得获取的用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的数据被使用。预处理器1320-2可以将获取的数据处理成预设格式,使得以下将描述的识别结果提供器1320-4可以使用获取的数据来对设备使用询问进行分类并提供与分类结果相对应的响应操作。例如,数据获取器1320-1可以获取用户对设备1000的语音输入。此外,数据获取器1320-1可以获取从外部设备接收的或由设备1000生成的设备1000的规格信息、设备1000的状态信息、使用设备1000的用户的状态信息、以及用户的设备使用历史信息中的任何一个或任意组合。
识别数据选择器1320-3可以从多条预处理数据中选择用于对设备使用询问进行分类的数据,并提供与分类结果相对应的响应操作。所选择的数据可以被提供给识别结果提供器1320-4。识别数据选择器1320-3可以根据用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的预设标准来选择一些或所有预处理数据。此外,识别数据选择器1320-3可以根据由如下描述的模型学习器1310-4通过学习而预设的标准来选择数据。
识别结果提供者1320-4可以通过将选择的数据应用于数据识别模型来对设备使用询问进行分类,并且可以提供与分类结果相对应的响应操作。识别结果提供器1320-4可以根据数据的识别目的来提供识别结果。识别结果提供器1320-4可以通过使用由识别数据选择器1320-3选择的数据,来将选择的数据应用于数据识别模型作为输入值。此外,识别结果可以由数据识别模型来确定。
模型精练器1320-5可以基于由识别结果提供器1320-4提供的对识别结果的评估来精练数据识别模型。例如,模型精练器1320-5可以向模型学习器1310-4提供由识别结果提供器1320-4提供的识别结果,使得模型学习器1310-4精练数据识别模型。
数据识别器1320中的数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4、以及模型精练器1320-5中的任何一个或任意组合可以被制造为至少一个硬件芯片,并且可以被安装在电子装置上。例如,数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4、以及模型精练器1320-5中的任意一个或任意组合可以被制造为用于AI的专用硬件芯片,或者可以被制造为现有通用处理器(例如,CPU或应用处理器)或图形处理器(例如,GPU)的一部分,并且可以被安装在各种电子装置中的任意一个上。
此外,数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4、以及模型精练器1320-5可以被安装在一个电子装置上,或者可以被分别分离地安装在电子装置上。例如,数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4、以及模型精练器1320-5中的一些可以被包括在电子装置中,而剩余的可以被包括在服务器中。
此外,数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4、以及模型精练器1320-5中的任何一个或任意组合可以被实施为软件模块。当数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4、以及模型精练器1320-5中的任意一个或任意组合被实施为软件模块(或包括指令的程序模块)时,软件模块可以存储在非暂时性计算机可读记录介质中。此外,在这种情况下,至少一个软件模块可以由OS或预定应用提供。或者,至少一个软件模块的一部分可以由OS提供,而剩余部分可以由预定应用提供。
此外,设备1000可以通过使用应用学习结果的数据识别模型向用户提供满足用户意图的服务。
图23是示出根据一个或多个实施例的、设备1000和服务器2000互操作以学习和识别数据的示例的框图。
参考图23,服务器2000可以包括数据获取器2310、预处理器2320、学习数据选择器2330、模型学习器2340、以及模型评估器2350中的任意一个或任意组合。服务器2000可以学习用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的标准,并且设备1000可以基于服务器2000的学习结果对设备使用询问进行分类,并且可以确定提供与分类结果相对应的响应操作。
在这种情况下,服务器2000的模型学习器2340可以执行图21的数据学习器1310的功能。服务器2000的模型学习器2340可以学习关于要使用哪些数据以便对设备使用询问进行分类并提供与分类结果相对应的响应操作的标准。此外,服务器2000的模型学习器2340可以学习关于如何通过使用数据对设备使用询问进行分类以及如何提供与分类结果相对应的响应操作的标准。模型学习器2340可以获取用于学习的数据,并且可以通过将获取的数据应用于将在以下描述的数据识别模型来学习用于对设备使用询问进行分类并提供与分类结果相对应的响应操作的标准。
此外,设备1000的识别结果提供者1320-4可以通过将由识别数据选择器1320-3选择的数据应用于由服务器2000生成的数据识别模型对设备使用询问进行分类,并且可以提供与分类结果相对应的响应操作。例如,识别结果提供者1320-4可以将由识别数据选择器1320-3选择的数据发送到服务器2000,并且服务器2000可以请求通过将识别数据选择器1320-3选择的数据应用于识别模型来对设备使用询问进行分类,并且提供与分类结果相对应的响应操作。此外,识别结果提供者1320-4可以从服务器2000接收关于对设备使用询问进行分类并提供与服务器2000的分类结果相对应的响应操作的方法的信息。
可选地,设备1000的识别结果提供者1320-4可以从服务器2000接收由服务器2000生成的识别模型,并且通过使用接收到的识别模型,可以对设备使用询问进行分类并且可以提供与分类结果相对应的响应操作。在这种情况下,设备1000的识别结果提供者1320-4通过将由识别数据选择器1320-3选择的数据应用于从服务器2000接收的数据识别模型,可以对设备使用询问进行分类并且可以提供与分类结果相对应的响应操作。
此外,设备1000和服务器2000可以通过角色的划分有效地执行用于数据识别模型的学习和数据识别的工作。因此,可以有效地执行数据处理以提供满足用户意图的服务,并且可以有效地保护用户的隐私。
一个或多个实施例可以被实施为包括诸如计算机可执行程序模块的计算机可读指令的记录介质。计算机可读介质可以是计算机可访问的任意可用介质,其示例包括所有易失性和非易失性介质以及可分离和不可分离介质。此外,计算机可读记录介质的示例可以包括计算机存储介质和通信介质。计算机存储介质的示例包括所有易失性和非易失性介质以及可分离和不可分离介质,它们已经通过任意方法或技术实施,用于存储诸如计算机可读指令、数据结构、程序模块、以及其他数据的信息。通信介质通常包括计算机可读指令、数据结构、程序模块、调制数据信号的其他数据、或另一传输机制,并且另一传输机制的示例包括任意信息传输介质。
此外,本文使用的术语“单元”可以是诸如处理器的硬件组件、电路、以及/或在诸如处理器的硬件组件中执行的软件组件。
尽管已经参照本公开的实施例具体示出和描述了本公开,但是本领域普通技术人员将理解,可以在形式和细节上进行各种改变,而不脱离由所附权利要求限定的本公开的精神和范围。因此,应当理解,上述实施例不限制本公开的范围。例如,以单一类型描述的每个组件可以以分布式方式执行,并且以分布式描述的组件也可以以集成形式执行。
本公开的范围由权利要求而不是由本公开的详细描述来指示,并且应当理解,权利要求和从权利要求的概念得出的所有修改或修改的形式都包括在本公开的范围内。
Claims (15)
1.一种设备,包括:
存储器,存储至少一个程序;
用户输入接口,被配置为接收与设备使用询问相对应的用户输入;以及
至少一个处理器,被配置为通过执行所述至少一个程序来提供与所述设备使用询问相对应的响应操作,
其中,所述至少一个程序包括指令以用于:
通过分析接收到的与所述设备使用询问相对应的用户输入,对所述设备使用询问进行分类;
提取与对所述设备使用询问进行分类的结果相对应的操作场景信息;以及
基于所述操作场景信息执行所述设备的详细响应操作,
其中,所述分类包括通过将所述设备使用询问的所述用户输入输入到预先生成的学习模型来对所述设备使用询问进行分类,以及
所述详细响应操作包括与根据所述学习模型的分类结果相对应的、所述设备的多个操作。
2.根据权利要求1所述的设备,其中,提取所述操作场景信息包括:
提取所述设备的规格信息并且提取所述设备的状态信息;以及
基于所提取的所述设备的规格信息和所提取的所述设备的状态信息来提取所述操作场景信息。
3.根据权利要求1所述的设备,其中,所提取的操作场景信息包括关于所述详细响应操作的执行次序的信息,以及
其中,执行所述设备的所述详细响应操作包括根据所述执行次序执行所述详细响应操作。
4.根据权利要求3所述的设备,其中,所述设备使用询问被分类为与在所述设备中发生的问题相关的类别,
其中,所提取的操作场景信息包括用于所述设备的问题排除的详细响应操作,
其中,执行所述设备的所述详细响应操作包括:
确定用于所述设备的问题排除的推荐操作;以及
输出用于建议所确定的推荐操作的建议消息。
5.根据权利要求3所述的设备,其中,所述设备使用询问被分类为与在所述设备中发生的问题相关的类别,
其中,所提取的操作场景信息包括用于所述设备的问题排除的详细响应操作,
其中,执行所述设备的所述详细响应操作包括:
确定用于所述设备的问题排除的推荐操作;以及
不管是否接收到用于执行所确定的推荐操作的用户输入,都执行所确定的推荐操作。
6.根据权利要求3所述的设备,其中,所述设备使用询问被分类为与在所述设备中发生的问题相关的类别,
其中,所提取的操作场景信息包括用于所述设备的问题排除的详细响应操作,
其中,执行所述设备的所述详细响应操作包括:
确定用于所述设备的问题排除的推荐操作;以及
输出用于接收用于执行所确定的推荐操作的用户输入的、所述设备的操作引导。
7.根据权利要求3所述的设备,其中,所述设备使用询问被分类为与在所述设备中发生的问题相关的类别,
其中,执行所述设备的所述详细响应操作包括:
输出用于检查在所述设备中发生的问题是否已经通过执行所述设备的所述详细响应操作得到解决的确认消息;
接收针对所述确认消息的用户输入;
基于针对所述确认消息的所述用户输入,对所述设备使用询问重新分类;
重新提取与对所述设备使用询问重新分类的结果相对应的操作场景信息;以及
基于重新提取的操作场景信息来执行所述设备的所述详细响应操作。
8.一种控制用于提供与设备使用询问相对应的响应操作的设备的方法,所述方法包括:
接收与所述设备使用询问相对应的用户输入;
通过分析接收到的与所述设备使用询问相对应的用户输入,对所述设备使用询问进行分类;
提取与对所述设备使用询问进行分类的结果相对应的操作场景信息;以及
基于所述操作场景信息执行所述设备的详细响应操作,
其中,所述分类包括通过将所述设备使用询问的所述用户输入输入到预先生成的学习模型来对所述设备使用询问进行分类,以及
所述详细响应操作包括与根据所述学习模型的分类结果相对应的、所述设备的多个操作。
9.根据权利要求8所述的方法,其中,提取所述操作场景信息包括:
提取所述设备的规格信息并且提取所述设备的状态信息;以及
基于所提取的所述设备的规格信息和所提取的所述设备的状态信息来提取所述操作场景信息。
10.根据权利要求8所述的方法,其中,所提取的操作场景信息包括关于所述详细响应操作的执行次序的信息,以及
其中,执行所述设备的所述详细响应操作包括根据所述执行次序执行所述详细响应操作。
11.根据权利要求10所述的方法,其中,所述设备使用询问被分类为与在所述设备中发生的问题相关的类别,
其中,所提取的操作场景信息包括用于所述设备的问题排除的详细响应操作,
其中,执行所述设备的所述详细响应操作包括:
确定用于所述设备的问题排除的推荐操作;以及
输出用于建议所确定的推荐操作的建议消息。
12.根据权利要求10所述的方法,其中,所述设备使用询问被分类为与在所述设备中发生的问题相关的类别,
其中,所提取的操作场景信息包括用于所述设备的问题排除的详细响应操作,
其中,所述执行所述设备的所述详细响应操作包括:
确定用于所述设备的问题排除的推荐操作;以及
不管是否接收到用于执行所确定的推荐操作的用户输入,都执行所确定的推荐操作。
13.根据权利要求10所述的方法,其中,所述设备使用询问被分类为与在所述设备中发生的问题相关的类别,
其中,所提取的操作场景信息包括用于所述设备的问题排除的详细响应操作,
其中,执行所述设备的所述详细响应操作包括:
确定用于所述设备的问题排除的推荐操作;以及
输出用于接收用于执行所确定的推荐操作的用户输入的、所述设备的操作引导。
14.根据权利要求10所述的方法,其中,所述设备使用询问被分类为与在所述设备中发生的问题相关的类别,
其中,执行所述设备的所述详细响应操作包括:
输出用于检查通过执行所述设备的所述详细响应操作在所述设备中发生的问题是否已经得到解决的确认消息;
接收针对所述确认消息的用户输入;
基于针对所述确认消息的所述用户输入,对所述设备使用询问重新分类;
重新提取与对所述设备使用询问重新分类的结果相对应的操作场景信息;以及
基于重新提取的操作场景信息来执行所述设备的所述详细响应操作。
15.一种计算机可读记录介质,其上记录有用于使处理器执行控制用于提供与设备使用询问相对应的响应操作的设备的方法的程序,所述方法包括:
接收与所述设备使用询问相对应的用户输入;
通过分析接收到的与所述设备使用询问相对应的用户输入,对所述设备使用询问进行分类;
提取与对所述设备使用询问进行分类的结果相对应的操作场景信息;以及
基于所述操作场景信息执行所述设备的详细响应操作,
其中,所述分类包括通过将所述设备使用询问的所述用户输入输入到预先生成的学习模型来对所述设备使用询问进行分类,以及
所述详细响应操作包括与根据所述学习模型的分类结果相对应的、所述设备的多个操作。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170120511A KR102423754B1 (ko) | 2017-09-19 | 2017-09-19 | 디바이스 사용 문의에 대한 응답을 제공하는 디바이스 및 방법 |
KR10-2017-0120511 | 2017-09-19 | ||
PCT/KR2018/010748 WO2019059579A1 (en) | 2017-09-19 | 2018-09-13 | DEVICE AND METHOD FOR PROVIDING AN ANSWER TO A DEVICE USE INTERROGATION |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111095208A true CN111095208A (zh) | 2020-05-01 |
CN111095208B CN111095208B (zh) | 2023-08-04 |
Family
ID=65720282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880060228.6A Active CN111095208B (zh) | 2017-09-19 | 2018-09-13 | 用于提供对设备使用询问的响应的设备和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11249871B2 (zh) |
EP (1) | EP3635545B1 (zh) |
KR (1) | KR102423754B1 (zh) |
CN (1) | CN111095208B (zh) |
WO (1) | WO2019059579A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190099169A (ko) * | 2019-08-06 | 2019-08-26 | 엘지전자 주식회사 | 인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법 |
CN111144571B (zh) * | 2019-12-20 | 2023-09-05 | 深圳市金溢科技股份有限公司 | 一种深度学习推理运算方法及中间件 |
CN112147910B (zh) * | 2020-09-14 | 2023-02-03 | 青岛海尔科技有限公司 | 执行能力的确定方法、装置、存储介质及电子装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1573783A (zh) * | 2003-06-20 | 2005-02-02 | 微软公司 | 外发垃圾邮件的阻止 |
EP1522920A2 (en) * | 2003-09-05 | 2005-04-13 | Samsung Electronics Co., Ltd. | Proactive user interface including emotional agent |
US20060173816A1 (en) * | 2004-09-30 | 2006-08-03 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Enhanced user assistance |
CN1816997A (zh) * | 2004-05-04 | 2006-08-09 | 捷讯研究有限公司 | 询问响应系统和方法 |
US20070094223A1 (en) * | 1998-05-28 | 2007-04-26 | Lawrence Au | Method and system for using contextual meaning in voice to text conversion |
CN103544143A (zh) * | 2012-07-17 | 2014-01-29 | 三星电子株式会社 | 用于推荐文本的方法和设备 |
CN103916709A (zh) * | 2013-01-07 | 2014-07-09 | 三星电子株式会社 | 服务器和用于控制服务器的方法 |
US20140272885A1 (en) * | 2013-03-15 | 2014-09-18 | International Business Machines Corporation | Learning model for dynamic component utilization in a question answering system |
WO2014193161A1 (ko) * | 2013-05-28 | 2014-12-04 | 삼성전자 주식회사 | 멀티미디어 콘텐츠 검색을 위한 사용자 인터페이스 방법 및 장치 |
US20150026146A1 (en) * | 2013-07-17 | 2015-01-22 | Daniel Ivan Mance | System and method for applying a set of actions to one or more objects and interacting with the results |
US20150277730A1 (en) * | 2014-03-26 | 2015-10-01 | Unanimous A.I. LLC | Methods and systems for real-time closed-loop collaborative intelligence |
CN105359136A (zh) * | 2013-06-04 | 2016-02-24 | 微软技术许可有限责任公司 | 响应式输入架构 |
US20160210023A1 (en) * | 2015-01-15 | 2016-07-21 | Samsung Electronics Co., Ltd. | Method and device for displaying response |
WO2017112496A1 (en) * | 2015-12-22 | 2017-06-29 | Microsoft Technology Licensing, Llc | Emotionally intelligent chat engine |
US20170243579A1 (en) * | 2016-02-19 | 2017-08-24 | Samsung Electronics Co., Ltd. | Electronic apparatus and service providing method thereof |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7406098B2 (en) | 1999-01-13 | 2008-07-29 | Qualcomm Incorporated | Resource allocation in a communication system supporting application flows having quality of service requirements |
US7831688B2 (en) * | 2000-06-06 | 2010-11-09 | Adobe Systems Incorporated | Method and system for providing electronic user assistance |
US8990688B2 (en) | 2003-09-05 | 2015-03-24 | Samsung Electronics Co., Ltd. | Proactive user interface including evolving agent |
US20090265629A1 (en) * | 2008-04-18 | 2009-10-22 | Samsung Electronics Co., Ltd | Systems and methods for extending assistance in a multi-function peripheral device |
US8639638B2 (en) | 2011-01-21 | 2014-01-28 | International Business Machines Corporation | Enabling a support service to provide automated problem resolution based on real time chat analytics |
US10079927B2 (en) | 2012-10-16 | 2018-09-18 | Carrier Iq, Inc. | Closed-loop self-care apparatus and messaging system for customer care of wireless services |
KR102298767B1 (ko) * | 2014-11-17 | 2021-09-06 | 삼성전자주식회사 | 음성 인식 시스템, 서버, 디스플레이 장치 및 그 제어 방법 |
US10262062B2 (en) * | 2015-12-21 | 2019-04-16 | Adobe Inc. | Natural language system question classifier, semantic representations, and logical form templates |
US11114095B2 (en) * | 2016-05-30 | 2021-09-07 | Sony Corporation | Information processing device |
US10216622B2 (en) * | 2016-09-01 | 2019-02-26 | International Business Machines Corporation | Diagnostic analysis and symptom matching |
US10380520B2 (en) * | 2017-03-13 | 2019-08-13 | Accenture Global Solutions Limited | Automated ticket resolution |
-
2017
- 2017-09-19 KR KR1020170120511A patent/KR102423754B1/ko active IP Right Grant
-
2018
- 2018-09-13 WO PCT/KR2018/010748 patent/WO2019059579A1/en unknown
- 2018-09-13 EP EP18859583.9A patent/EP3635545B1/en active Active
- 2018-09-13 CN CN201880060228.6A patent/CN111095208B/zh active Active
- 2018-09-14 US US16/131,738 patent/US11249871B2/en active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070094223A1 (en) * | 1998-05-28 | 2007-04-26 | Lawrence Au | Method and system for using contextual meaning in voice to text conversion |
CN1573783A (zh) * | 2003-06-20 | 2005-02-02 | 微软公司 | 外发垃圾邮件的阻止 |
EP1522920A2 (en) * | 2003-09-05 | 2005-04-13 | Samsung Electronics Co., Ltd. | Proactive user interface including emotional agent |
CN1816997A (zh) * | 2004-05-04 | 2006-08-09 | 捷讯研究有限公司 | 询问响应系统和方法 |
US20060173816A1 (en) * | 2004-09-30 | 2006-08-03 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Enhanced user assistance |
CN103544143A (zh) * | 2012-07-17 | 2014-01-29 | 三星电子株式会社 | 用于推荐文本的方法和设备 |
CN103916709A (zh) * | 2013-01-07 | 2014-07-09 | 三星电子株式会社 | 服务器和用于控制服务器的方法 |
US20140272885A1 (en) * | 2013-03-15 | 2014-09-18 | International Business Machines Corporation | Learning model for dynamic component utilization in a question answering system |
WO2014193161A1 (ko) * | 2013-05-28 | 2014-12-04 | 삼성전자 주식회사 | 멀티미디어 콘텐츠 검색을 위한 사용자 인터페이스 방법 및 장치 |
CN105359136A (zh) * | 2013-06-04 | 2016-02-24 | 微软技术许可有限责任公司 | 响应式输入架构 |
US20150026146A1 (en) * | 2013-07-17 | 2015-01-22 | Daniel Ivan Mance | System and method for applying a set of actions to one or more objects and interacting with the results |
US20150277730A1 (en) * | 2014-03-26 | 2015-10-01 | Unanimous A.I. LLC | Methods and systems for real-time closed-loop collaborative intelligence |
US20160210023A1 (en) * | 2015-01-15 | 2016-07-21 | Samsung Electronics Co., Ltd. | Method and device for displaying response |
WO2017112496A1 (en) * | 2015-12-22 | 2017-06-29 | Microsoft Technology Licensing, Llc | Emotionally intelligent chat engine |
US20170243579A1 (en) * | 2016-02-19 | 2017-08-24 | Samsung Electronics Co., Ltd. | Electronic apparatus and service providing method thereof |
Also Published As
Publication number | Publication date |
---|---|
EP3635545B1 (en) | 2023-08-30 |
US20190087293A1 (en) | 2019-03-21 |
KR102423754B1 (ko) | 2022-07-21 |
CN111095208B (zh) | 2023-08-04 |
KR20190032051A (ko) | 2019-03-27 |
US11249871B2 (en) | 2022-02-15 |
EP3635545A1 (en) | 2020-04-15 |
WO2019059579A1 (en) | 2019-03-28 |
EP3635545A4 (en) | 2020-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11031000B2 (en) | Method and device for transmitting and receiving audio data | |
US10631045B2 (en) | Method and apparatus for filtering video | |
US10970605B2 (en) | Electronic apparatus and method of operating the same | |
US20200118010A1 (en) | System and method for providing content based on knowledge graph | |
US20200242402A1 (en) | Method and apparatus for recognizing object | |
US11508364B2 (en) | Electronic device for outputting response to speech input by using application and operation method thereof | |
EP3690644B1 (en) | Electronic device and operation method therefor | |
KR20180055708A (ko) | 이미지를 처리하는 전자 장치 및 방법 | |
KR102420567B1 (ko) | 음성 인식 장치 및 방법 | |
US10382907B2 (en) | Device and method for providing notification message about call request | |
US20190066158A1 (en) | Method and electronic device for providing advertisement | |
US20180197094A1 (en) | Apparatus and method for processing content | |
US11895375B2 (en) | Display device and operation method thereof | |
KR102531654B1 (ko) | 음성 입력 인증 디바이스 및 그 방법 | |
US11210525B2 (en) | Method and terminal for providing content | |
CN111095208B (zh) | 用于提供对设备使用询问的响应的设备和方法 | |
KR20190062030A (ko) | 영상 표시 장치 및 그 동작 방법 | |
US20210004702A1 (en) | System and method for generating information for interaction with a user | |
US11961512B2 (en) | System and method for providing voice assistance service | |
KR20220036781A (ko) | 응답이 변화된 이유에 관한 정보를 제공하는 전자 장치 및 그 동작 방법 | |
KR20190046472A (ko) | 전자 장치에서 발생된 트러블에 관한 가이드 정보를 제공하는 전자 장치, 서버 및 그 동작 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 |