CN111314540A - 一种通信录搜索方法、装置、设备和可读存储介质 - Google Patents

Abstract

本发明公开了一种通信录搜索方法、装置、设备和可读存储介质，涉及计算机系统领域，方法包括如下步骤：接收输入信息；提取所述输入信息对应所有联系人的属性值；将所述属性值代入预设学习模型计算，并根据计算结果按顺序展示联系人信息。本发明通过训练预设学习模型学习用户选择联系人的概率，并通过预设学习模型计算用户选择输入信息对应联系人的概率，按照联系人被选择概率的高低进行排序进行搜索结果展示，提供了一种更为方便、高效的通信录搜索方法。

Description

一种通信录搜索方法、装置、设备和可读存储介质

技术领域

本发明涉及计算机系统领域，尤其是一种通信录搜索方法、装置、设备和可读存储介质。

背景技术

现有的手机通信录查询大都支持T9输入法搜索，即根据用户输入的数字去搜索通话记录里的号码，同时自动把数字转换成T9键盘对应的英文字母进行拼音搜索，查找出联系人中与之名字的首字母或者全拼部分匹配的联系人姓名，搜索结果一般按照首字母匹配、姓名全拼匹配和数字匹配进行排序，而并非是按照最常使用的联系人进行展现，使用并不方便，因此，有必要发明一种方法以解决上述问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种高效的一种通信录搜索方法。

本发明所采用的技术方案是：

第一方面，本发明提供一种通信录搜索方法，包括如下步骤：

一种通信录搜索方法，其特征在于，包括如下步骤：

接收输入信息；

提取所述输入信息对应所有联系人的属性值；

将所述属性值代入预设学习模型计算，并根据计算结果按顺序展示联系人信息。

进一步地，所述属性值包括：骚扰数据属性值、企业数据属性值、通话数据属性值和行为数据属性值；

所述步骤将所述属性值代入预设学习模型计算，并根据计算结果按顺序展示联系人信息具体为：

将所述属性值带入线性回归模型，计算所述输入信息对应的各联系人被选择的概率值。

根据所述概率值从高到低的顺序展示联系人信息。

进一步地，所述步骤将所述属性值带入线性回归模型，计算所述输入信息对应的各联系人被选择的概率值前还包括训练所述线性回归模型，具体为：将历史通话选择数据的属性值带入线性回归模型f(x)＝a1·X1+a2·X2+a3·X3+a4·X4中，其中骚扰数据属性值为X1、企业数据属性值为X2、通话数据属性值为X3和行为数据属性值为X4，a1、a2、a3、a4分别为骚扰数据特征值X1、企业数据特征值X2、通话数据特征值X3和行为数据特征值X4的属性系数，采用Sigmoid函数

拟合联系人被选择的概率，其中z＝f(x),采用损失函数

优化拟合结果，计算a1、a2、a3、a4的值。

进一步地，所述输入信息对应各联系人包括T9输入法中与输入信息对应的所有候选组合。

进一步地，一种通信录搜索方法还包括，更新预设学习模型，具体包括如下步骤：

Step1：统计输入信息和最终选择的联系人，

Step2：预设时间后，采用所述统计输入信息和最终选择的联系人信息训练预设学习模型并作为新的预设学习模型。

进一步地，所述骚扰数据属性值可通过运营商和/或安全软件的中查询，所述企业数据属性值可根据企业通信录查询。

第二方面，本发明提供一种高效的一种通信录搜索装置，包括：

信息接收模块，用于接收输入信息；

排序模块，用于根据输入信息将通讯录中的联系人进行排序；

结果展示模块，用于展示通信录中的联系人。

进一步地，还包括预设学习模型训练模块，用于利用接收的输入信息和实际选择的联系人信息，训练所述预设学习模型。

第三方面，本发明提供一种高效的一种通信录搜索设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。

第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的方法。

本发明的有益效果是：

本发明通过训练预设学习模型学习用户选择联系人的概率，并通过预设学习模型计算用户选择输入信息对应联系人的概率，按照联系人被选择概率的高低进行排序进行搜索结果展示，提供了一种更为高效的通信录搜索方法。

附图说明

图1是本发明中一种通信录搜索方法的一具体实施例的流程图；

图2是未使用本发明中的一种通信录搜索方法前用户输入信息查找到对应联系人的示意图；

图3是本发明中一种通信录搜索方法的一具体实施例的流程图；

图4是本发明中一种通信录搜索方法的一具体实施例中更新预设学习模型的流程图；

图5是使用本发明中的一种通信录搜索方法后用户输入信息查找到对应联系人的示意图；

图6是本发明中一种通信录搜索装置的结构框图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图1所示，图1示出了本发明一种通信录搜索方法的一具体实施例，具体包括如下步骤：

S1，接收输入信息，接收用户输入的查询信息；

S2，提取所述输入信息对应所有联系人的属性值；

所述属性值包括：骚扰数据属性值、企业数据属性值、通话数据属性值和行为数据属性值；

S4，将所述属性值代入预设学习模型计算，并根据计算结果按顺序展示联系人信息。

本实施例中所有联系人包括T9输入法中与输入信息对应的所有候选组合，具体的如图 2所示，如用户输入992，对应的联系人包括有手机通信录里的曾文超，其姓名的首字母组合zwc对应的数字为992(z(9)w(9)c(2))；姓名存储为“工商银行啊”的电话号码，行字为多音字，故其首字母为yha和yxa，其中yxa对应数字为992；江海街咨询处，咨询处zxc 对应字母为992；存储的号码为中包括992的刘强和许振生。

对每一条搜索结果，提取其骚扰数据属性值、企业数据属性值、通话数据属性值和行为数据属性值；

具体的，若所述联系人为骚扰号码，则其骚扰数据属性值为0，若为非骚扰号码，其骚扰数据属性值1；

企业数据属性值为1/x，其中x为企业通信录的树形结构中该联系人到用户的距离，即从树形组织结构中用户到另一企业同事经过的边的数量，0为非本企业的联系人号码，当该联系人为直属上级或直属下级时，x的值为1；

通话数据属性值，当通话超过10次时，取值为1，小于10次时，取值为：通话次数/10；

行为数据属性值，将对应的数字或者字母使用次数之和取对数作为行为数据的值。

将所述属性值代入预设学习模型计算，并根据计算结果按顺序展示联系人信息，预设学习模型接收输入信息和输入信息对应的所有联系人的数据，输出每个联系人被选择的概率值。

预设的学习模型可以存储在本地，也可以存储在互联网中。根据所述概率值的从高到低的顺序展示联系人的信息。

本实施例中，还包括步骤S3：训练所述线性回归模型，具体为：

将历史数据的属性值带入线性回归模型f(x)＝a1·X1+a2·X2+a3·X3+a4·X4中，其中骚扰数据属性值为X1、企业数据属性值为X2、通话数据属性值为X3和行为数据属性值为X4，a1、a2、a3、a4分别为骚扰数据特征值X1、企业数据特征值X2、通话数据特征值X3 和行为数据特征值X4的属性系数，采用Sigmoid函数

拟合联系人被选择的概率，其中z＝f(x),采用损失函数

优化拟合结果，计算a1、a2、a3、a4的值。

具体的，a1、a2、a3、a4求解方法可采用梯度下降方法或牛顿法。

训练预设学习模型完成后，通过预设学习模型预测各联系人被选择的概率。

如图3所示，因为用户一段时间内的最常用的联系人可能会发生变化，因此，本实施例中还包括步骤S5，更新预设学习模型，使得预设学习模型能够符合用户最新的使用习惯，具体包括如下步骤，如图4所示：

Step1：统计输入信息和最终选择的联系人，

Step2：预设时间后，采用所述统计输入信息和最终选择的联系人信息训练预设学习模型并作为新的预设学习模型。

通过定时更新预设学习模型，使得预设学习模型可以更加贴合用户的使用习惯，达到更好的搜索效果。

本实施例中输入信息对应所有联系人，不仅包括本地通信录中的联系人信息，还包括企业应用中和/或企业通信录中的联系人信息，从运营商和/或安全软件的中查询到的骚扰电话信息。

本实施例中一种通信录搜索方法的展现结果如图5所示，输入号码992后，曾文超排序到第一位，是字母搜索的结果，从本地联系人通信录中找到的联系人信息，郑文彬为企业联系人排在了第二位，从企业通信录应用中读取到的联系人信息，接下来是江海街咨询处和工商银行的联系信息，均是对应字母搜索的结果，数据来源于本地联系人通信录，刘强和许振生为本地联系人号码，是数据搜索结果，因为最近不常使用，所以排在后面，最后是之前拨打到本地但本机并未存储为联系人的号码和被安全软件运营商标记为骚扰电话的电话号码，排序结果符合用户的使用习惯，提高了用户的使用效率。

如图6所示，本发明还提出了一种通信录搜索装置，包括：

信息接收模块，用于接收输入信息，并提取所述输入信息对应的通信录中所有联系人的属性值；

排序模块，用于通过预设学习模型将通讯录中的联系人按照被选择的概率进行排序；

结果展示模块，用于展示通信录中的联系人。

本实施例中还包括预设学习模型训练模块，用于利用接收的输入信息和实际选择的联系人信息，训练所述预设学习模型。

本发明中还公开了一种通信录搜索设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。

本发明中还一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的方法。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种通信录搜索方法，其特征在于，包括如下步骤：

接收输入信息；

提取所述输入信息对应所有联系人的属性值；

将所述属性值代入预设学习模型计算，并根据计算结果按顺序展示联系人信息。

2.根据权利要求1所述的一种通信录搜索方法，其特征在于，所述属性值包括：骚扰数据属性值、企业数据属性值、通话数据属性值和行为数据属性值；

所述步骤将所述属性值代入预设学习模型计算，并根据计算结果按顺序展示联系人信息具体包括如下步骤：

将所述属性值带入线性回归模型，计算所述输入信息对应的各联系人被选择的概率值；

根据所述概率值从高到低的顺序展示联系人信息。

3.根据权利要求2所述的一种通信录搜索方法，其特征在于，所述步骤将所述属性值带入线性回归模型，计算所述输入信息对应的各联系人被选择的概率值前还包括训练所述线性回归模型，具体为：将历史通话选择数据的属性值带入线性回归模型f(x)＝a1·X1+a2·X2+a3·X3+a4·X4中，其中骚扰数据属性值为X1、企业数据属性值为X2、通话数据属性值为X3和行为数据属性值为X4，a1、a2、a3、a4分别为骚扰数据特征值X1、企业数据特征值X2、通话数据特征值X3和行为数据特征值X4的属性系数，采用Sigmoid函数

拟合联系人被选择的概率，其中z＝f(x),采用损失函数

优化拟合结果，计算a1、a2、a3、a4的值。

4.根据权利要求1所述的一种通信录搜索方法，其特征在于，所述输入信息对应所有联系人包括T9输入法中与输入信息对应的所有候选组合。

5.根据权利要求1所述的一种通信录搜索方法，其特征在于，还包括，更新预设学习模型，具体包括如下步骤：

Step1：统计输入信息和最终选择的联系人，

Step2：预设时间后，采用所述统计输入信息和最终选择的联系人信息训练预设学习模型并作为新的预设学习模型。

6.根据权利要求1所述的一种通信录搜索方法，其特征在于，所述骚扰数据属性值可通过运营商和/或安全软件中查询，所述企业数据属性值可根据企业通信录查询。

7.一种通信录搜索装置，其特征在于，包括：

信息接收模块，用于接收输入信息，并提取所述输入信息对应的通信录中所有联系人的属性值；

排序模块，用于通过预设学习模型将通讯录中的联系人按照被选择的概率进行排序；

结果展示模块，用于展示通信录中的联系人。

8.根据权利要求7所述的一种通信录搜索装置，其特征在于，还包括预设学习模型训练模块，用于利用接收的输入信息和实际选择的联系人信息，训练所述预设学习模型。

9.一种通信录搜索设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的方法。

Images