CN113746978A - 推荐联系人信息的装置和方法 - Google Patents

推荐联系人信息的装置和方法 Download PDF

Info

Publication number
CN113746978A
CN113746978A CN202110936092.4A CN202110936092A CN113746978A CN 113746978 A CN113746978 A CN 113746978A CN 202110936092 A CN202110936092 A CN 202110936092A CN 113746978 A CN113746978 A CN 113746978A
Authority
CN
China
Prior art keywords
contact
information
user
recommender
application
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.)
Pending
Application number
CN202110936092.4A
Other languages
English (en)
Inventor
黄陈煐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN113746978A publication Critical patent/CN113746978A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24575—Query processing with adaptation to user needs using context
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/26—Devices for calling a subscriber
    • H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
    • H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
    • H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
    • H04M1/27453—Directories allowing storage of additional subscriber data, e.g. metadata
    • H04M1/2746—Sorting, e.g. according to history or frequency of use
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • 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
    • G06N3/045—Combinations of 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/26—Devices for calling a subscriber
    • H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
    • H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
    • H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
    • H04M1/27467—Methods of retrieving data
    • H04M1/27475—Methods of retrieving data using interactive graphical means or pictorial representations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/26—Devices for calling a subscriber
    • H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
    • H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
    • H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
    • H04M1/275—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips implemented by means of portable electronic directories
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/42—Systems providing special services or facilities to subscribers
    • H04M3/487—Arrangements for providing information services, e.g. recorded voice services or time announcements
    • H04M3/493—Interactive information services, e.g. directory enquiries ; Arrangements therefor, e.g. interactive voice response [IVR] systems or voice portals
    • H04M3/4931—Directory assistance systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2201/00—Electronic components, circuits, software, systems or apparatus used in telephone systems
    • H04M2201/34—Microprocessors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2203/00—Aspects of automatic or semi-automatic exchanges
    • H04M2203/55—Aspects of automatic or semi-automatic exchanges related to network data storage and management
    • H04M2203/551—Call history
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2203/00—Aspects of automatic or semi-automatic exchanges
    • H04M2203/55—Aspects of automatic or semi-automatic exchanges related to network data storage and management
    • H04M2203/555—Statistics, e.g. about subscribers but not being call statistics
    • H04M2203/556—Statistical analysis and interpretation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2203/00—Aspects of automatic or semi-automatic exchanges
    • H04M2203/65—Aspects of automatic or semi-automatic exchanges related to applications where calls are combined with other types of communication
    • H04M2203/655—Combination of telephone service and social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Library & Information Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

提供了一种装置。该装置包括处理器和存储器，存储器被配置为储存可由处理器执行的指令。处理器被配置为执行指令以显示与正在由所述装置执行的应用相关的数据，从显示的数据中识别关键字和面部的至少一个，基于关键字和面部的至少一个以及关系图形为所述装置的用户确定至少一个推荐方，其中所述关系图形包括所述用户和其他用户之间的关系，搜索与推荐方对应的至少一个联系方法，识别与推荐方对应的所述至少一个联系方法的优先级，以及控制来根据联系方法的优先级显示至少一个联系方法。

Description

推荐联系人信息的装置和方法
本申请为申请日为2018年12月21日、申请号为201880082700.6的发明名称为“推荐联系人信息的装置和方法”的申请案的分案申请。
技术领域
本公开涉及用于推荐联系人信息的方法和装置。更具体地，本公开涉及用于使用用户的当前上下文信息来推荐联系人信息的方法和装置以及联系方法。
背景技术
与现有的基于规则的智能系统不同，人工智能(AI)系统是一种能够实现人类智能水平并使机器能够自学习、自我确定并变得更加智能的计算机系统。使用的AI系统越多，辨识(recognition)率就越高，因此可以更准确地理解用户的偏好。因此，现有的基于规则的智能系统逐渐被基于深度学习的AI系统所取代。
AI技术由机器学习(深度学习)和使用机器学习的基本技术(elementtechniques)构成。
机器学习是用于输入数据的自我分类/学习特征的算法技术。基本技术是使用诸如深度学习的机器学习算法来模仿人类大脑的认知功能、确定功能等的技术，并且可以分类为多个技术领域，例如，包括语言理解、视觉理解、推断/预测、知识表示、操作控制等。
下文中将描述AI技术适用的各种领域。语言理解是一种识别和应用/处理人类语言/字符的技术，包括自然语言处理、机器翻译、对话系统、问答、语音辨识/合成等。视觉压缩是一种识别和处理在人类视角方面的对象，包括对象辨识、对象跟踪、视频搜索、人类辨识、场景理解、对空间的认识、视频增强等。推理/预测是一种判断和逻辑推理信息和进行预测的技术，包括知识/基于概率的推理、优化预测、基于偏好的计划、推荐等。知识表示是一种基于知识数据自动处理人类体验信息的技术，包括知识建立(数据创建/分类)、知识管理(数据利用)等。操作控制是用于控制车辆的自动驾驶和机器人的活动的技术，包括运动控制(导航、碰撞、驾驶)、操纵控制(行为控制)等。
随着通信技术的发展，已经向用户终端提供了与人通信的各种功能，因此不仅用于进行语音呼叫、发送文本消息等的联系人数量已经增加，而且通过信使、电子邮件，社交网络服务(SNS)等提供用于通信的联系人数量也已经增加。
以上信息仅作为背景信息提供，以帮助理解本公开。没有做出任何确定，也没有断言是否有任何上述内容可能适用于关于本公开的现有技术。
发明内容
技术问题
要记住用于各种类型的通信信道的大量联系人是很困难的。为了方便用户，每个通信信道程序提供以各种方式推荐联系人的功能。然而，在大多数现有的推荐联系人的方法中，仅基于呼叫的数量和每次呼叫的持续时间简单地推荐联系人。因此，越来越需要根据用户的上下文细分和推荐联系人。
解决方案
本发明提供了一种装置，包括处理器和存储器，存储器配置为储存可由处理器执行的指令。处理器配置为执行指令以基于正由装置执行的应用从显示的数据中提取上下文信息，从上下文信息中识别标识符，基于标识符和关系图形搜索与标识符相关的至少一个推荐联系人，识别至少一个推荐联系人的优先级，以及控制以根据优先级显示至少一个推荐联系人，其中关系图形通过将关于多个用户之间的通信的信息输入到用于确定多个用户之间的关联的第一训练模型而获得。
根据本公开的一个方面，提供了一种用于推荐联系人信息的装置。所述装置可以包括处理器和存储器，所述存储器被配置为储存所述处理器可执行的指令。其中，所述处理器被配置为执行指令以：显示与正在由所述装置执行的应用相关的数据，从显示的数据中识别关键字和面部的至少一个，基于关键字和面部的至少一个以及关系图形为所述装置的用户确定至少一个推荐方，其中所述关系图形包括所述用户和其他用户之间的关系，搜索与推荐方对应的至少一个联系方法，识别与推荐方对应的所述至少一个联系方法的优先级，以及控制来根据联系方法的优先级显示至少一个联系方法。
根据本公开的另一方面，提供了一种用于推荐联系人信息的方法。所述方法可以包括：显示与正在由装置执行的应用相关的数据；从显示的数据中识别关键字和面部的至少一个；基于关键字和面部的至少一个以及关系图形为所述装置的用户确定至少一个推荐方，其中所述关系图形包括所述用户和其他用户之间的关系；搜索与推荐方对应的至少一个联系方法；识别与推荐方对应的所述至少一个联系方法的优先级，以及根据联系方法的优先级显示至少一个联系方法。
根据本公开的另一方面，提供了一种计算机可读记录介质，其上记录有程序，用于在计算机上执行如上所述的用于推荐联系人信息的方法。
有益效果
本公开使得能够基于用户的上下文信息和与用户的关系提供用于推荐联系人的方法和装置。
附图说明
通过以下结合附图的描述，本公开的某些实施例的上述和其他方面、特征和优点将更加明显，在附图中：
图1是根据本公开实施例的由装置执行的推荐联系人的方法的概述图；
图2是根据本公开实施例的操作装置的方法的流程图；
图3是示出根据本公开实施例的通过使用标识符推荐联系人的方法的示意图，该方法由装置执行；
图4是示出根据本公开实施例的根据联系人之间的亲密度创建关系图形的方法的示意图；
图5是示出根据本公开实施例的通过使用用户关系图形从用户的邮件估计推荐联系人的方法的示意图，该方法由装置执行；
图6是示出根据本公开实施例的显示链接至所选择的推荐联系人的联系方法的方法的示意图，该方法由装置执行；
图7是示出根据本公开实施例的当没有与推荐联系人的连接时显示链接至推荐联系人的另一联系方法的方法的示意图；
图8是示出根据本公开实施例的推荐另一推荐联系人的方法的示意图；
图9是示出根据本公开实施例的基于日程信息和位置信息估计推荐联系人的方法的示意图；
图10是示出根据本公开实施例的在获得新的联系人之后创建地址簿的方法的示意图，该方法由装置执行；
图11是示出根据本公开实施例的基于用户关系图形更新地址簿的方法的图，该方法由装置执行；
图12是示出根据本公开实施例的基于日程信息和组信息的消息推荐的示意图，该推荐由装置执行；
图13是根据本公开实施例的装置的框图；
图14是根据本公开实施例的装置的详细框图；以及
图15是根据本公开实施例的处理器的框图。
贯穿所有附图，相同的附图标记将理解为指示相同的部件、组件和结构。
具体实施方式
本公开的各方面旨在至少解决上述问题和/或缺点，并提供至少下述优点。因此，本公开的一个方面是提供一种用于基于用户的上下文信息和与用户的关系来推荐联系人的方法和装置。
在下面的描述中将部分地阐述另外的方面，并且部分地将从描述中显而易见，或者可以通过所呈现的实施例的实践来学习。
根据本公开的一个方面，提供了一种装置。该装置包括处理器和存储器，存储器配置为储存可由处理器执行的指令。处理器配置为执行指令以：基于正由装置执行的应用从显示的数据中提取上下文信息，从上下文信息中识别标识符，基于标识符和关系图形搜索与标识符相关的至少一个推荐联系人，识别至少一个推荐联系人的优先级，以及控制以根据优先级显示至少一个推荐联系人，其中通过将关于多个用户之间的通信的信息输入到用于确定多个用户之间的关联的第一训练模型而获得关系图形。
根据本公开的另一方面，提供了一种方法。该方法包括：基于正由装置执行的应用从显示的数据中提取上下文信息，从上下文信息中识别标识符，基于标识符和关系图形搜索与标识符相关的至少一个推荐联系人，确定至少一个推荐联系人的优先级，以及根据优先级显示至少一个推荐联系人，其中通过将关于多个用户之间的通信的信息输入到用于确定多个用户之间的关联的训练模型而获得关系图形。
根据本公开的另一方面，提供了一种非暂时性计算机可读记录介质。该非暂时性计算机可读记录介质上记录有程序，该程序在由计算机执行时执行上述方法。
通过以下结合附图公开了本公开的各种实施例的详细描述，本公开的其他方面、优点和显著特征对于本领域技术人员将变得显而易见。
发明模式
提供参考附图的以下描述以帮助全面理解由权利要求及其等同物限定的本公开的各种实施例。以下描述包括各种具体细节以帮助理解，但这些仅被视为是示例性的。因此，本领域普通技术人员将认识到，在不背离本公开的范围和精神的情况下，可以对本文描述的各个实施例进行各种改变和修改。另外，为了清楚和简明，可以省略对公知功能和结构的描述。
在以下描述和权利要求中使用的术语和词语不限于书面含义，而是仅由发明人使用以使得能够清楚和一致地理解本公开。因此，对于本领域技术人员来说显而易见的是，提供本公开的各个实施例的以下描述仅用于说明目的，而不是为了限制由所附权利要求及其等同物限定的本公开的目的。
应理解，除非上下文另有明确规定，否则单数形式“一(a)”、“一个(an)”和“该(the)”包括复数指示物。因此，例如，对“一组件表面”的引用包括对一个或多个这样的表面的引用。
贯穿整个公开内容，应当理解，当一个元件称为“连接至”另一元件时，该元件可以直接连接至另一元件或者电连接至另一元件，同时在它们之间具有中间元件。还将理解，当在本说明书中使用时，术语“包括(comprise)”和/或“包括(comprising)”指定所述元件的存在，但不排除存在或添加一个或多个其他元件。如本文所使用的，术语“和/或”包括一个或多个关联列举项目的任何和所有组合。当诸如“至少一个”之类的表达位于元件列表之前时，修改整个元件列表而不修改列表的个别元件。
下文将参考附图更详细地描述实施例。
图1是根据本公开实施例的推荐联系人的方法的概述图，该方法由装置执行。
参考图1，在一个实施例中，装置10可以从正在装置10中执行的应用的上下文信息中识别至少一个标识符，例如第一标识符101、第二标识符102和第三标识符103。
在一个实施例中，标识符可以是通过面部辨识识别的文本关键字或面部特征点。装置10可以识别彼此相关的至少一个标识符和组标识符。
在一个实施例中，装置10可以通过使用语言处理算法提取在上下文信息中使用特定频率或更高频率的词语作为标识符。在这种情况下，标识符可以是关键字。
在一个实施例中，装置10可以通过维持两个或更多个词典之间的映射获得关键字，使得一个词典的词语或短语映射至另一词典的另一词语或短语。在一个实施例中，当一个词典中的词语或短语与另一词典中的词语或短语之间存在关联时，装置10可以通过使用映射获得彼此可互换的关键字。该关联可以表示与对应于一对数据的一对节点相关的方法。在各个实施例中，关联可以由具有分别作为主语(subject)和宾语(object)的一对数据或节点的谓词(predicate)来表示。在一个实施例中，两个或更多个词典之间的关联可以包括但不限于相同的关系或包含关系。例如，除非上下文另有要求，否则具有相同关系的词语“韩国”和“KR”可彼此互换。除非上下文另有要求，否则作为包含关系的词语“运动”和“篮球”是可互换的。词典可以是语言词典、搜索上下文词典、AdWords词典、用户意图映射或用户定义的词典。语言处理算法可以是例如神经语言编程算法、自然语言处理算法等，或者可以包括用于分析和处理人类语言的各种算法或其组合。在一个实施例中，装置10可以通过使用面部辨识算法从上下文信息中提取以特定频率或更高频率检测到的面部作为标识符。在这种情况下，标识符可以是面部特征点。
装置10可以通过使用与面部相对应的坐标信息检测面部区域上的特征点。例如，可以使用面部的眼睛、鼻子、嘴和耳朵的位置的坐标来检测面部区域上的特征点。在一个实施例中，面部辨识算法可以包括例如使用动态补偿模糊神经网络(DCFNN)和特征面线性行列式分析(LDA)的组合的算法，以及算法的组合。
在一个实施例中，装置10可以获得当前正在执行的应用的上下文信息。在一个实施例中，应用可以包括邮件、社交网络服务(SNS)、文本、相册、日记、新闻等，但是应用的类型不限于此。在一个实施例中，上下文信息可以包括应用中包括的照片、图片、文本、运动图片、动画等。可选地，在一个实施例中，上下文信息可以包括当前时间、应用的运行时间、应用的属性、应用的类型等。
在一个实施例中，装置10可以通过在装置10中执行应用从其上显示的数据获得上下文信息。在一个实施例中，装置10可以基于在其上显示的文本获得上下文信息。例如，装置10上显示的文本可以包括通过执行电子邮件应用在其上显示的电子邮件标题、电子邮件正文、发送者和推荐人(referrer)中的至少一个。在一个实施例中，装置10可以根据包括文本的字段通过使用不同的权重来获得上下文信息。例如，装置10可以通过向包括在电子邮件的标题中的文本分配最大权重并且向推荐人中包括的文本分配最小权重来获得上下文信息。可选地，装置10可以根据包括文本的字段通过将文本分类为不同的类别来获得上下文信息。例如，装置10可以通过将包括在电子邮件的标题中的文本分类为“目的”类别并且将发送者中包括的文本分类为“人”类别来获得上下文信息。
可选地，装置10可以基于在其上显示的图像来获得上下文信息。例如，装置10上显示的图像可以包括动态图像、静止图像和通过执行动态图片应用显示一定时间的代表图像中的至少一个。在一个实施例中，装置10可以根据包括图像的字段使用不同的权重来获得上下文信息。可选地，装置10可以根据包括图像的字段通过将文本分类为不同的类别来获得上下文信息。在一个实施例中，装置10可以分析上下文信息，提取至少一个标识符，例如，至少一个关键字和至少一个面部特征点，并通过使用提取的标识符识别上下文信息的趋势。例如，当第一标识符101是“母亲的面部”，第二标识符102是“家庭旅行”，第三标识符103是“欢乐”时，装置10可以识别出当前执行的上下文信息的趋势是“愉快的家庭旅行”。在一个实施例中，装置10可以基于多个标识符将多个标识符处理成表示时间序列操作的文本，以确定上下文信息的趋势。例如，装置10可以基于多个标识符生成诸如“用户已搜索了加拿大著名旅游地点”、“用户已搜索了加拿大的餐馆信息”、和“用户去和John以及Tom打篮球”的文本，并且基于所生成的文本识别上下文信息的趋势。
在一个实施例中，装置10可以搜索与标识符相关的推荐联系人。装置10可以搜索与多个标识符相关的多个推荐联系人。装置10可以使用基于深度神经网络技术的训练模型搜索与至少一个标识符相关的推荐联系人。
装置10可以搜索与一个标识符或标识符的组合相关的推荐联系人。例如，当第一标识符101是“母亲的面部”，第二标识符102是“家庭旅行”，并且第三标识符103是“欢乐”时，装置10可以搜索家庭联系人作为推荐联系人。
在一个实施例中，装置10可以识别搜索至少一个推荐联系人的优先级。在一个实施例中，考虑到与推荐联系人的联系频率、联系时间、联系方法、联系时段(period)等，装置10可以识别推荐联系人的优先级。
在一个实施例中，装置10可以在显示器的一部分上显示推荐联系人。在一个实施例中，装置10可以在弹出窗口中、在单独的窗口上或以消息的形式显示推荐联系人。
在一个实施例中，装置10可以在屏幕下端的弹出窗口104中显示推荐联系人。在一个实施例中，弹出窗口104可以包括推荐联系人的标识(ID)信息106，例如，储存的推荐联系人的姓名。在一个实施例中，弹出窗口104可以包括用于推荐联系人的联系方法的图标107。在一个实施例中，推荐联系人的详细信息105可以显示在弹出窗口104中。推荐联系人的详细信息105可以包括当联系方法是电话呼叫时的电话号码，并且可以包括当联系方法是SNS时的ID信息。
图2是根据本公开实施例的操作装置的方法的流程图。
参考图2，在操作201中，在一个实施例中，装置10可以从正在执行的应用的上下文信息中识别标识符。在一个实施例中，装置10可以通过使用语言处理算法或面部辨识算法识别上下文信息中的至少一个标识符。在一个实施例中，可以使用以一定频率或更高频率检测到的词语、同义词、类似词语等来识别标识符。
在操作202中，在一个实施例中，装置10可以搜索与标识符相关的至少一个联系人。在一个实施例中，装置10可以使用关于一定时间段使用的标识符的历史的信息基于标识符与多条联系人信息之间的关系的学习(图形学习)结果来获得人工智能(AI)训练模型。
例如，装置10可以将多个标识符处理成表示时间序列操作的文本。例如，装置10可以基于多个标识符创建诸如“用户已搜索了加拿大著名旅游地点”、“用户已搜索了加拿大的餐馆信息”、和“用户去和John以及Tom打篮球”的文本。
在一个实施例中，装置10可以通过使用关于用户与其他用户(例如，联系人所有者)之间的通信的信息来学习用户与其他用户之间的关系或者另一用户与其他用户之间的关系。关于通信的信息可以包括多个用户之间的联系频率、联系时间、联系地点、联系亲密度、共同兴趣、亲密度等。装置10可以通过将上述通信信息输入用于确定多个用户之间的关联的第一训练模型来训练，并且可以基于训练结果生成关系图形。
例如，装置10可以生成关系图形，该关系图形经过训练以将与旅行或外国相关的非常频繁地联系该用户的其他用户与“旅行”关系中的该用户进行匹配。可选地，装置10可以生成关系图形，该关系图形经过训练以将进行相同锻炼的非常频繁地联系该用户的其他用户与“锻炼”关系中的该用户或多个其他用户进行匹配。下文中将参考图4更详细地描述关系图形。
在一个实施例中，装置10可以通过使用AI训练模型识别标识符和关系图形之间的关联，并且基于所识别的关联搜索推荐联系人。在一个实施例中，可以学习AI训练模型以通过使用利用上述时间序列操作处理的文本识别标识符和关系图形之间的关联。
例如，当提取“加拿大”作为标识符时，装置10可以通过使用基于与“加拿大”与“旅行”一起使用的历史有关的信息训练的AI训练模型来识别与关系图形中的“旅行”关系中的用户匹配的其他用户的联系人作为推荐联系人。
当提取“John的面部”作为标识符时，装置10可以通过使用基于与“John的面部”与“Tom的面部”一起使用的历史有关的信息训练的AI训练模型来识别与关系图形中的友谊关系中的John匹配的Tom的联系人作为推荐联系人。然而，上述情况仅仅是示例，并且基于历史信息训练的AI训练模型和根据本公开的关系图形不限于此。
在一个实施例中，装置10可以通过使用获得的AI训练模型搜索至少一个推荐联系人。
在操作203中，在一个实施例中，装置10可以识别搜索的至少一个推荐联系人的优先级。在一个实施例中，装置10可以基于历史信息和当前信息识别至少一个推荐联系人的优先级，历史信息诸如与至少一个推荐联系人的联系次数、联系方法、联系时段和与标识符的关系，当前信息诸如当前时间、当前位置和关于当前正在使用的应用的信息。
在操作204中，在一个实施例中，装置10根据推荐联系人的优先级显示至少一个推荐联系人。在一个实施例中，装置10可以同时或顺序地显示多个推荐联系人。在一个实施例中，装置10可以同时显示链接至至少一个推荐联系人的至少一个连接方法，或者可以一次显示至少一个连接方法中之一。
图3是示出根据本公开实施例的通过使用标识符推荐联系人的方法的示意图，该方法由装置执行。
参考图3，在一个实施例中，装置10可以在上下文信息中识别第一标识符101、第二标识符102和第三标识符103。
在一个实施例中，装置10可以通过使用基于学习标识符与多条联系人信息之间的关系的结果获得的AI训练模型搜索至少一个推荐联系人(图形学习)。
在一个实施例中，装置10可以根据使用标识符的应用、持续时间、时间、频率和位置为所使用的联系人信息分配权重。此外，装置10可以基于所分配的权重识别至少一个推荐联系人。
在一个实施例中，装置10可以收集至少一个个人联系功能(诸如呼叫、文本消息、信使、电子邮件、SNS等)的使用的历史。在一个实施例中，使用历史可以包括使用每个功能进行联系时的日期和时间。另外，使用历史可以包括提供呼叫功能时的呼叫时间，并且可以包括当未提供呼叫功能时使用其余功能的联系细节。
在一个实施例中，装置10根据持续时间、时间和频率中的至少一个标准分析所收集的每个功能的使用历史来向所使用的联系人分配权重。例如，可以通过为在过去两天内使用的联系人分配权重2.0来选择最近几天经常使用的联系人，或可以通过为从下午6点到下午12点使用的联系人分配权重1.5来选择在用户主要与亲密联系人通信的时区中经常使用的联系人。
在一个实施例中，装置10可以向在呼叫功能之外的个人联系功能的使用历史中交换了表达预定情绪的词语或表情符号的联系人分配权重。例如，可以通过将权重2.0分配给包括词语“爱”或其表情符号的电子邮件联系历史来选择具有高亲密度的联系人。相反地，可以通过将权重0.1分配给包括词语“贷款”的电子邮件联系历史来选择使与贷款广告等相关的联系人具有较低的优先级。
在一个实施例中，装置10可以通过识别每个功能的联系人的优先级来选择至少一个联系人作为推荐联系人。
在一个实施例中，当选择对应于屏幕上显示的每个功能的推荐联系人之一时，装置10可以激活链接至所选联系人的联系方法。另外，装置10可以将权重分配给用户选择的推荐联系人，从而可以更频繁地推荐频繁选择的联系人。在一个实施例中，装置10可以将权重分配给选择次数大于或等于预定数量的联系人。因此，装置10可以实现更多地激活使用推荐联系人的效果。
在一个实施例中，装置10可以识别推荐联系人，包括推荐方302和联系方法303。在一个实施例中，推荐方302可以是标识信息，诸如与第一标识符101、第二标识符102和第三标识符103中的至少一个高度相关的人或公司。在一个实施例中，装置10可以识别用于识别从内部存储库、云或服务器接收的并且与多个标识符相关联的推荐联系人的标识名称。在一个实施例中，标识名称可以包括储存在装置10中的名称、通过网络搜索的公司名称、以及关于推荐方302通过SNS搜索的标识信息。
在一个实施例中，装置10可以搜索对应于推荐方302的至少一个联系人。在一个实施例中，对应于推荐方302的联系人可以包括SNS地址、可用电话号码、邮件地址、SNS ID等。在一个实施例中，装置10可以通过反映与至少一个标识符相关联地检测到的信息识别推荐方302的优先级。例如，当至少一个标识符(例如，第一标识符101、第二标识符102和第三标识符103)与家庭旅行相关时，可以给予家庭成员“母亲”的联系人优先级。
在一个实施例中，装置10可以识别对应于推荐方302的联系方法303的优先级。在一个实施例中，装置10可以通过反映与至少一个标识符相关联地检测到的信息识别联系方法303的优先级。在一个实施例中，装置10可以基于根据频繁使用的联系方法、最近使用的联系方法、联系人位置等分配的权重识别对应于推荐方302的联系方法303的优先级。例如，当电话呼叫经常使用作为推荐方302之一并且其优先级301是关于家庭旅行的数字1的“母亲”时，可以确定电话呼叫是链接至母亲的第一级(rank)联系方法304。类似地，文本消息可以确定为第二级联系方法305，并且SNS可以确定为第三级联系方法306。
图4是示出根据本公开实施例的根据联系人之间的亲密度创建关系图形的方法的示意图。
在一个实施例中，装置10可以基于与用户与其他用户之间的通信有关的信息学习用户与其他用户之间的关系。在一个实施例中，装置10可以通过使用与其他用户的联系频率、联系时间、联系位置、联系的亲密度、共同兴趣、亲密度等来学习该关系，并且可以基于学习该关系的结果创建关系图形。
在一个实施例中，装置10可以基于诸如预先储存的其他用户的姓名、联系人、其他用户所属的组、联系的频率等标记信息，将诸如通过SNS、邮件、电话呼叫等新公开的信息的未标记信息反映至初始图形中。
参考图4，圆形节点代表人。节点的位置和颜色可以是指示节点之间的相似性、兴趣、亲密度等的数据字段。在一个实施例中，节点可以包括多个图案，每个图案占据一定面积。图案的形状可以表示不同的数据字段，节点中的图案占据的面积可以表示数据字段的值之间的相对比率。在一个实施例中，例如，在图4的第一图形中，B1和B2在共同数据字段中具有共同的兴趣，即“加拿大”。在关系图形中，R1对数据字段即“旅行”感兴趣。
在一个实施例中，连接节点的每条线可以表示与节点相对应的用户之间的关系。连接节点的每条线的粗细(thickness)可以表示节点之间的关系的强度。关系的强度可以包括亲密度、相似性、每个节点是否属于公共组等等。例如，在图4的第一组中，B2与G3之间的关系的强度可以大于G3与G2之间的关系的强度。在图4的图形中，连接节点的每条线的粗细可以是指示基于包括在相应节点中的数据字段标准化的关系的强度的值。然而，每条线的粗细仅仅是示例，并且在图4的图形中，可以为数据字段之一提供连接节点的每条线。例如，B2和G3可以基于“旅行”数据字段通过具有第一粗细的线连接，并且可以基于“加拿大”数据字段通过具有第二粗细的线连接。可选地，连接节点的每条线可以表示指示关联以及值的字段。例如，指示由连接B2和G3的线表示的关联的字段可以包括相同的关系sameAs、成员资格关系类型、包含关系subClassOf等。
在一个实施例中，装置10可以使用基于预定义的人和通信信息获得的信息创建初始图形。在图4的第一图形中，G1、G2和G3尚未学习。
通过第一训练，装置10可以基于B1与G2之间的对话、消息或邮件的内容训练G2。参考图4的第二图形，注意到由于B1的影响，与加拿大相关的G2的相似度增加。同时，可以基于B2与R1之间的关系训练G3。由于G3与B2之间关系的强度大于G3与R1之间关系的强度，因此可以通过给加拿大分配比旅行更高的权重来训练G3。
参考图4的第三图形，通过第二训练，装置10可以基于与B1、B2、G1、G2、G3和R1的通信有关的信息学习关系图形。在一个实施例中，可以基于连接的强度和与装置10中的通信有关的信息训练G2和G3。在一个实施例中，通过第二训练，可以改变G2和G3中加拿大和旅行的兴趣的重要性。参考图4的第三图形，在G2的情况下创建与旅行相关的相似性，在G3的情况下，加拿大的兴趣的重要性变得高于旅行的兴趣的重要性。另外，G1经由G2连接至B1，因此加拿大的兴趣的重要性增加。
如上所述，B1、B2、G1、G2、G3和R1之间的关系图形可以通过使用从装置10收集的信息和从外部接收的信息的重复训练来训练。在一个实施例中，当用户通过使用装置10写入关于“前往加拿大旅行”的消息时，可以基于提取的标识符“加拿大”和“旅行”来搜索G2和G3作为推荐联系人。
图5是示出根据本公开实施例的通过使用用户关系图形从用户的邮件估计推荐联系人的方法的示意图，该方法由装置执行。
参考图5，在一个实施例中，装置10可以向用户Tom提供邮件服务。装置10可以显示2017年11月1日从正在旅行的Sunny处收到的邮件。在一个实施例中，装置10可以通过分析从Sunny处接收的邮件的内容识别标识符。例如，装置10可以分析包含在邮件中的文本，并识别诸如“加拿大”、“旅行”、“Jake”、“旅行社”、“回复”等的关键字作为标识符。
在一个实施例中，装置10可以基于至少一个标识符搜索推荐联系人。在一个实施例中，装置10可以通过使用基于亲密度和用户之间感兴趣的事项创建的用户关系图形搜索推荐联系人。
在一个实施例中，装置10可以通过使用关于Tom 501创建的用户关系图形搜索Sunny 502、Jake 503、Yoon 504、June 505和旅行社506。例如，Sunny502可以具有在加拿大的共同兴趣，并且可以具有与Jake 503旅行的共同兴趣。
在一个实施例中，每个用户节点的数据字段可以包括亲密度、联系频率、每个用户的位置、其他兴趣等。例如，装置10可以通过使用数据字段基于与其他用户联系、每个用户的标识信息、外部显示的状态信息等等内容识别每个用户的位置信息。
在一个实施例中，装置10可以识别适合于搜索到的联系人中的当前情况的推荐联系人。在一个实施例中，装置10可以基于当前地点和当前时间识别推荐联系人。装置10考虑的地点和时间可以包括与用户和联系所有者两者或每个相关的地点和时间。例如，考虑到Sunny 502在海外，装置10可以推荐在韩国的Yoon 504而不是Sunny 502。
可选地，装置10可以基于邮件的内容识别推荐联系人。例如，装置10可以基于从与Jake 503一起旅行的Sunny 502接收的邮件识别Jake 503的推荐，并且可以从寻找旅行社的Sunny 502接收的邮件中识别旅行社506的推荐。否则，装置10可以从正在请求回复的Sunny 502接收的邮件中识别Sunny502的推荐。可选地，装置10可以通过考虑邮件内容和位置信息识别推荐联系人。当确定用户将很快离开去加拿大时，装置10可以在推荐位于韩国的Yoon 504之前推荐居住在旅行目的地的加拿大的Jake 511。
在一个实施例中，装置10可以以弹出窗口510的形式在屏幕上显示所识别的推荐联系人。在一个实施例中，装置10可以同时显示多个推荐联系人。
在一个实施例中，装置10可以根据给定的优先级不同地显示推荐联系人的属性。装置10可以根据其优先级不同地显示推荐联系人的尺寸、颜色和变形程度。在一个实施例中，装置10可以显示处于第一级的Jake 511的尺寸大于其他联系人的尺寸，或者可以改变Jake 51的颜色以便可以突出显示Jake511。
在一个实施例中，装置10可以显示处于第一级的Jake 511、处于第二级的Sunny512以及处于第三级的Yoon 513，使得他们的联系方法链接到他们。例如，如果确定处于第二级的Sunny 512的联系方法是邮件，则当在弹出窗口510中选择Sunny 512时，装置10可以执行与邮件有关的应用。
图6是示出根据本公开实施例的显示链接至所选择的推荐联系人的联系方法的方法的示意图，该方法由装置执行。
参考图6，在一个实施例中，当用户选择多个推荐联系人中的一个时，装置10可以显示所选推荐联系人的联系方法。
在一个实施例中，装置10可以通过使用弹出窗口610显示Jake的联系人。在一个实施例中，装置10可以根据其优先级显示联系方法。
在一个实施例中，装置10可以基于对正在执行的应用与安装在装置10中的应用之间的关系学习的结果通过使用正在执行的应用的上下文信息来获得AI训练模型。在一个实施例中，应用的上下文信息可以包括应用的环境信息、应用的装置状态信息、应用的用户的状态信息和应用使用历史信息中的至少一个，但不限于此。应用的环境信息是关于应用执行期间一定半径范围内的环境的信息，可以包括但不限于，例如，天气信息、温度信息、湿度信息、照度信息、噪声信息、声音信息等。应用的装置状态信息可以包括但不限于在应用的执行期间的装置模式信息(例如，声音模式、振动模式、静音模式、省电模式、关机模式、多窗口模式、自动旋转模式等)、装置位置信息、装置时间信息、通信模块的激活信息(例如，Wi-Fi开启、蓝牙关闭、全球定位系统(GPS)开启、近场通信(NFC)开启等)、网络连接状态信息等等。用户的状态信息是关于用户的移动，生活模式等的信息，并且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、情绪状态等的信息。应用使用历史信息是关于用户使用应用历史的信息，并且可以包括但不限于在应用中执行的功能的历史、用户的呼叫历史、用户的文本消息历史等。
装置10可以基于对正在执行的应用与安装在其中的应用或在外部控制下在装置10中执行的应用之间的关系学习的结果，使用正在其中执行的应用的上下文信息来获得AI训练模型。在一个实施例中，在装置中安装或执行的应用可以是与另一用户的联系相关联的应用。例如，装置10可以使用AI训练模型训练为，当用户在户外使用SNS应用时，用户经由相同的SNS应用以高频率与其他用户通信。否则，装置10可以使用AI训练模型训练为，当用户在公司使用邮件服务器应用时，用户经由电话应用以高频率与其他用户通信。然而，上述情况仅仅是示例，并且使用本公开的AI训练模型进行训练的方法不限于此。
在一个实施例中，装置10可以通过使用正在执行的应用的上下文信息和关于多个用户之间的通信的信息，基于正在执行的应用、推荐联系人以及安装在装置10中的应用之间的关系获得AI训练模型。
在一个实施例中，装置10可以通过使用获得的AI训练模型识别要链接至至少一个推荐联系人的应用。例如，装置10可以由AI训练模型训练为，如果用户在公司使用邮件服务器应用，当推荐联系人是公司员工时，用户经由内部信使应用与公司员工通信。否则，装置10可以由AI训练模型训练为，如果用户在公司使用邮件服务器应用，则当推荐联系人是客户时，用户通过电话应用与客户通信。
在一个实施例中，装置10可以将多个联系方法链接至一个推荐联系人。多个联系方法可以包括多个应用。在一个实施例中，装置10可以基于用于与推荐联系人通信的应用的使用频率、执行时间、执行地点、执行时段和主要功能搜索多个应用。
在一个实施例中，装置10可以将关于多个用户之间的通信的信息应用于AI训练模型，以确定推荐联系人和安装在装置10中的应用之间的关系。装置10可以通过使用搜索到的推荐联系人和学习的AI训练模型搜索与搜索到的推荐联系人的相关联的多个应用。
例如，当推荐联系人是具有“商业”数据字段的用户时，装置10可以使用AI训练模型搜索电子邮件应用作为关联的应用。否则，当推荐联系人是具有“公司雇员”数据字段的用户时，装置10可以使用AI训练模型搜索内部信使应用作为关联的应用。
在一个实施例中，装置10可以识别多个应用的优先级。
如图6所示，在一个实施例中，装置10可以同时显示链接至所选推荐联系人的多个联系方法(例如，SNS联系方法611、电话联系方法612和邮件联系方法613)。装置10可以根据其优先级不同地设置多个联系方法的属性。例如，在当前情况下推荐用于与Jake通信的联系方法是SNS时，SNS联系方法611可以以大于电话联系方法612或邮件联系方法613的窗口的形式显示，或者可以以不同于SNS联系方法611和电话联系方法612的颜色显示颜色。可选地，装置10可以根据其优先级不同地显示多个联系方法的属性，诸如尺寸、颜色、形状、亮度或闪烁程度。
在一个实施例中，装置10可以执行用户从多个联系方法中选择的联系方法。例如，当用户选择SNS联系方法61时，可以执行用户和Jake最常使用的SNS应用。
图7是示出根据本公开实施例的当未连接至推荐联系人时显示链接至推荐联系人的另一联系方法的方法的示意图。
参考图7，在一个实施例中，装置10可以基于当前正在执行的应用的内容显示至少一个推荐联系人。
在一个实施例中，装置10可以显示与第一级应用链接的推荐联系人。装置10可以在屏幕的预定区域701上显示推荐联系人。在一个实施例中，预定区域701可以是屏幕的下部、上部、中部、左部或右部。
在一个实施例中，装置10可以显示链接至推荐联系人的应用的图标。例如，装置10可以在屏幕的预定区域701(即，下部)中显示推荐联系人的标识名称703、链接应用的图标702以及推荐联系人的电话号码704。
在一个实施例中，装置10可以执行链接至响应于用户输入而选择的推荐联系人的应用以选择推荐联系人。例如，当用户选择推荐联系人时，可以拨打对应于“母亲”的标识名称703的电话号码704。在这种情况下，可以使用装置10中提供的功能或电话应用拨打电话号码704。
在一个实施例中，当使用用于推荐联系人的第一级应用的通信失败时，装置10可以显示第二级应用。例如，当与母亲的电话连接失败时，邮件服务可以显示为第二级应用。可以在装置10的屏幕上显示第二级应用的图标705和邮件地址706以及推荐联系人的标识名称703。
可选地，一旦使用第一级应用的通信失败，装置10就可以执行第二级应用。例如，当与母亲的电话连接失败时，可以执行向母亲发送邮件的邮件服务。
图8是示出根据本公开实施例的推荐另一推荐联系人的方法的示意图。
参考图8，在一个实施例中，装置10可以在其屏幕的下部区域801上显示基于用户上下文推荐的联系人。推荐联系人可以包括作为用户的标识名称803的Jake和链接至推荐联系人的应用的图标802。
在一个实施例中，装置10可以接收请求另一推荐联系人的用户输入804。例如，可以接收指示触摸显示推荐联系人的屏幕的下部区域801的用户输入。作为另一示例，用户输入可以包括轻击、触摸和保持、双击、拖动、平移、轻拂、拖放等。可以由用户指定请求另一推荐联系人的用户输入。
在一个实施例中，响应于请求另一推荐联系人的用户输入804，装置10可以在其屏幕的下部区域801上显示另一推荐联系人。例如，装置10可以显示作为Kim的标识名称805、作为链接至推荐联系人的应用的图标807的邮件图标以及Kim的邮件地址806。
在一个实施例中，另一推荐联系人的优先级可以低于当前正在屏幕上显示的推荐联系人的优先级。
在一个实施例中，当显示推荐联系人时，装置10可以显示在推荐联系人中提供的广告产品的广告或优惠券。在一个实施例中，装置10可以提供推荐联系人的便利性，通过提供广告来增强生活的便利性，并增强选择推荐联系人的可能性。
图9是示出根据本公开实施例的基于日程信息和位置信息估计推荐联系人的方法的示意图。
参考图9，在一个实施例中，装置10可以经由网络5000使用服务器3000或SNS服务器4000识别推荐联系人。
装置10可以向服务器300提供与由装置10与其他人建立的通信有关的信息，并且从服务器3000接收推荐联系人列表并在其屏幕上显示该列表。
另外，装置10可以向服务器300提供与通信有关的信息，包括位置信息和时间信息，以及当前位置信息和用户的日程信息。
服务器300可以基于属于用户的装置10的日程信息、位置信息和时间信息创建推荐联系人的列表。可选地，服务器300可以基于装置10的用户的日程信息和用户的熟人创建推荐联系人的列表。在这种情况下，服务器300可以从装置10和SNS服务器4000中的至少一个接收用户的日程信息和用户的熟人的日程信息。
网络5000可以体现为有线网络，诸如局域网(LAN)、广域网(WAN)或增值网络(VAN)，或无线网络，诸如移动无线电通信网络或卫星通信网络。网络5000是具有用于允许图9中所示的网络组件以彼此顺利通信的全面含义的数据通信网络，网络5000包括有线互联网、无线互联网和移动无线通信网络。
图10是示出根据本公开实施例的在获得新的联系人之后创建地址簿的方法的示意图，该方法由装置执行。
参考图10，在一个实施例中，当通过与另一用户的通信获得新的联系人信息时，装置10可以基于新的联系人信息的亲密度、兴趣、日程等将新的联系人信息添加到地址簿。在一个实施例中，装置10可以基于与其他用户的关系创建、修改和删除地址簿组。
在一个实施例中，装置10可以获得新的联系人I和J。装置10可以基于用户关系图形识别联系人I和J的趋势、联系人I和J与用户之间的关系以及公共关系。例如，装置10可以识别联系人I和J是用户在旅行会议上遇到的的联系人。当预先储存在装置10中的地址簿组包括公司组1001、家庭组1002和朋友组1003时，可以创建旅行伙伴组1004以对联系人I和J进行分类。装置10可以添加联系人I和J到新创建的旅行伙伴组1004。
图11是示出根据本公开实施例的基于用户关系图形更新地址簿的方法的示意图，该方法由装置执行。
参考图11，在一个实施例中，装置10可以基于关于用户与其他用户之间的通信的信息更新用户关系图形。在一个实施例中，装置10可以基于更新的用户关系图形对地址簿进行分类。
在一个实施例中，装置10可以基于关于用户与联系人B 1101之间的通信的信息识别出与分类为属于公司组1001的联系人B 1101建立个人关系。装置10可以识别出联系人B1101类似于包括在朋友组1003中的用户。装置10可以将联系人B 1101从公司组1001移动到朋友组1003。用户可以识别属于装置10的地址簿中朋友组1003的联系人B 1102。
因此，在一个实施例中，可以基于关于用户与其他用户之间的通信的信息自动地安排地址簿。
图12是示出根据本公开实施例的基于日程信息和组信息的消息的推荐的示意图，该推荐由装置执行。
参考图12，在一个实施例中，装置10可以获得用户的日程信息，并基于所获得的日程信息识别链接至推荐联系人的应用。例如，装置10可以从用户的日程信息获得信息“2018.09.04H的生日”。装置10可以在2018年9月4日推荐H的联系，如1201所示。在这种情况下，装置10可以显示要向H发送SNS消息1203，反映了SNS是常用于与H通信的联系方法的事实。
在一个实施例中，装置10可以基于确定用于推荐联系人的亲密度提供其中预定音调、语法和句子结构的文档形式。例如，装置10可以在SNS消息1203中基于用户在与H的对话中经常称呼H“我亲爱的”的事实提供短语“我亲爱的”1204，并基于9月4日是H的生日这一事实提供短语“生日快乐”。
在一个实施例中，装置10可以基于地址簿的组属性提供预定的文档形式。例如，装置10可以获得日程信息“2018.09.24Chuseok(中秋节)”。在一个实施例中，装置10可以在2018年9月24日传送与每个组的中秋节问候有关的消息，如1202所示。在一个实施例中，装置10可以使用文本消息1205向公司组发送公共音调消息。在另一实施例中，装置10可以使用SNS消息1206而不是发送至公司组的文本消息1205向朋友组发送友好消息。
在一个实施例中，装置10可以基于日程信息自动地向推荐联系人发送推荐消息。
图13是根据本公开实施例的装置的框图。
图14是根据本公开实施例的装置的详细框图。
参考图13，在一个实施例中，装置10可以包括存储器1100、显示器1210和处理器1300。
然而，图13中示出的所有组件都不是装置10的必要组件。装置10还可以包括其他组件，以及图13中示出的组件，或可以仅包括图13中示出的一些组件。
参考图14，根据实施例的装置10还可以包括输出接口1200、通信单元1500、感测单元1400、音频/视频(A/V)输入接口1600和用户输入接口1700，以及存储器1100、显示器1210、相机1610和处理器1300。
存储器1100可以储存由处理器1300执行的用于处理和控制的程序，并且可以储存输入到装置10的图像或者从装置10输出的引导信息。此外，存储器1100可以储存用于确定是否输出引导信息的信息。
存储器1100可以包括闪存类型存储介质、硬盘类型存储介质、多媒体卡微型存储介质、卡型存储器(例如，SD或XD存储器等)、随机存取存储器(RAM)、静态RAM(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程ROM(PROM)、磁存储器、磁盘和光盘中的至少一种类型的存储介质。
储存在存储器1100中的程序可以根据其功能分类为多个模块，例如，用户界面(UI)模块1110、触摸屏模块1120、通知模块1130等。
UI模块1110可以提供以应用为单位链接至装置10的专用UI、图形用户界面(GUI)等。触摸屏模块1120可以感测用户的触摸屏上的触摸手势，并且将关于触摸手势的信息传送至处理器1300。在一个实施例中，触摸屏模块1120可以识别和分析触摸代码。触摸屏模块1120可以配置为包括控制器的单独硬件。
通知模块1130可以生成用于通知装置10中发生的事件的发生的信号。装置10中发生的事件的示例包括呼叫信号接收、消息接收、键信号输入、日程通知等。通知模块1130可以通过显示器1210以视频信号的形式输出通知信号，通过音频输出接口1220以音频信号的形式输出通知信号，或者通过振动马达1230以振动信号的形式输出通知信号。例如，通知模块1130可以基于估计的车道信息生成用于输出引导信息的信号。
输出接口1200可以输出音频信号、视频信号或振动信号。输出接口1200可以包括显示器1210、音频输出接口1220和振动马达1230。
显示器1210显示并输出由装置10处理的信息。详细地，显示器1210可以输出由相机1610捕获的图像。此外，显示器1210可以将由处理器1300创建的引导信息与捕获的图像组合，并输出组合的结果。
另外，显示器1210可以响应于用户输入显示用于执行操作的用户界面。
音频输出接口1220输出从通信单元1500接收或储存在存储器1100中的音频数据。此外，音频输出接口1220输出与由装置10执行的功能有关的声音信号(例如，呼叫信号接收声音、消息接收声音或通知声音)。例如，音频输出接口1220可以在处理器1300的控制下以声音信号的形式输出由通知模块1130以信号的形式生成的引导信息。
通常，处理器1300控制装置10的整体操作。例如，处理器1300可以执行储存在存储器1100中的程序，以全面控制用户输入接口1700、输出接口1200、感测单元1400、通信单元1500、A/V输入界面1600等。另外，处理器1300可以通过执行储存在存储器1100中的程序执行装置10的功能。
感测单元1400可以感测装置10的状态或装置10的周围环境的状态，并传送关于感测到的状态的信息至处理器1300。
感测单元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、位置传感器(例如，全球定位系统(GPS))1460、气压计传感器1470、接近传感器1480和红绿蓝(RGB)传感器1490中的至少一种。本领域普通技术人员可以从这些传感器的名称直观地推断出传感器的功能，因此在此不再详细描述。
在一个实施例中，感测单元1400可以测量从捕获图像识别的至少一个物体与车辆之间的距离。
通信单元1500可以包括配置为使装置10能够与另一装置(未示出)和服务器(未示出)通信的一个或多个组件。其他装置可以是类似于装置10的计算装置或传感装置，但不限于此。例如，通信单元1500可以包括短距离无线通信单元1510、移动通信单元1520和广播接收单元1530。
短距离无线通信单元1510的示例可以包括但不限于蓝牙通信单元、蓝牙低功耗(BLE)通信单元、近场通信单元、WLAN(Wi-Fi)通信单元、ZigBee通信单元、红外数据协会(IrDA)通信单元、Wi-Fi直连(WFD)通信单元、超宽带(UWB)通信单元、自适应网络技术(Ant+)通信单元等。例如，短距离无线通信单元1510可以通过短距离无线通信从包括在车辆中的导航装置接收车道号信息。
移动通信单元1520向移动通信网络中的基站、外部终端和服务器中的至少一个传送无线电信号或者从移动通信网络中的基站、外部终端和服务器中的至少一个接收无线电信号。这里，无线电信号可以理解为包括语音呼叫信号、视频呼叫信号或在传送和接收文本/多媒体消息时生成的各种类型的数据。
广播接收单元1530经由广播信道从外部接收广播信号和/或广播相关信息。广播信道可以包括卫星信道、地面信道。在一个实施例中，装置10可以不包括广播接收单元1530。
A/V输入接口1600配置为输入音频信号或视频信号，并且可以包括相机1610、麦克风1620等。相机1610可以通过视频通话模式或拍摄模式下的图像传感器获得视频帧，诸如静止图像或动态图像。经由图像传感器捕获的图像可以由处理器1300或另外的图像处理器(未示出)处理。
在一个实施例中，相机1610可以捕获车辆外部的图像。例如，相机1610可以在驾驶时捕获车辆前方的周围环境的图像，但是实施例不限于此。
麦克风1620接收外部音频信号并将音频信号转换为电子语音数据。例如，麦克风1620可以从外部装置或用户接收音频信号。麦克风1620可以使用各种噪声抑制算法去除在接收外部音频信号时生成的噪声。
用户输入接口1700可以理解为表示用户通过其输入用于控制装置10的数据的装置。用户输入接口1700的示例可以包括但不限于键盘、圆顶开关(dome switch)、触控面板(触控式电容式触控面板、压力式电阻式覆盖触控面板、红外线传感器式触控面板、表面声波传导触控面板、集成式张力测量触控面板、压电效应式触摸面板等)、转轮、转动开关等。
图15是根据本公开实施例的处理器的框图。
参考图15，在一个实施例中，处理器1300可以包括数据学习器1310和数据标识器1320。
数据学习器1310可以基于与用户和其他用户之间的通信相关的信息学习示出用户与其他用户之间的关系的图形。数据学习器1310可以学习要使用的数据类型，从而增加关系图形的准确度以及是否使用数据扩展关系图形。数据学习器1310可以获得要用于学习的数据，并且通过对将获得的数据应用于数据辨识模型(将在下面进行描述)的关系图形进行学习，学习用于形成适当的关系网络的标准。
在一个实施例中，当存在预先建立的多个数据辨识模型时，数据学习器1310可以将与输入训练数据和基本训练数据高度相关的数据辨识模型识别为待学习的数据辨识模型。在这种情况下，可以根据数据类型预先对基本训练数据进行分类，并且可以针对每种类型的数据预先建立数据辨识模型。例如，基本训练数据可以通过各种标准预先分类，诸如创建训练数据的地点、创建训练数据的时间、训练数据的大小、训练数据的种类、训练数据的创建者、训练数据中包括的对象的类型等。
数据标识器1320可以基于用户的关系图形，根据情况增加联系人推荐的准确性。基于通过使用所学习的数据辨识模型学习上下文标识符和多条联系人信息之间的关系的结果，数据标识器1320可以增加联系人推荐的准确性。数据标识器1320可以根据通过学习预定的标准获得数据，并使用所获得的数据作为输入值使用数据辨识模型，以提高联系推荐的准确性。使用所获得的数据作为输入值的数据辨识模型的结果值输出可以用于更新数据辨识模型。
数据学习器1310和数据标识器1320中的至少一个可以以至少一个硬件芯片的形式制造并安装在装置中。例如，数据学习器1310和数据标识器1320中的至少一个可以以用于人工智能(AI)的专用硬件芯片的形式制造，或者可以制造为现有通用处理器(例如，中央处理器(CPU)或应用处理器(AP))的一部分或专用图形处理器(例如，GPU)的一部分，然后安装在如上所述的各种类型的装置中。
在这种情况下，数据学习器1310和数据标识器1320可以安装在一个装置或不同装置中。例如，数据学习器1310和数据标识器1320中的一个可以包括在装置中，而另一个可以包括在服务器中。数据学习器1310和数据标识器1320可以通过有线或无线方式彼此连接，因此关于由数据学习器1310建立的模型的信息可以提供至数据标识器1320，并且输入数据标识器1320的数据可以作为另外的训练数据提供至数据学习器1310。数据学习器1310和数据标识器1320中的至少一个可以体现为软件模块。当在数据学习器1310和数据标识器1320中的一个可以体现为软件模块(或包括指令的程序模块)时，软件模块可以储存在非暂时性计算机可读记录介质中。在这种情况下，可以由操作系统(OS)或通过某个应用提供至少一个软件模块。可选地，至少一个软件模块的一部分可以由OS提供，而另一部分可以通过应用提供。
可以基于训练数据使用用于确定情况的数据辨识模型训练数据标识器1320。在这种情况下，数据辨识模型可以是预先构建的模型。例如，数据辨识模型可以是预先通过接收基本训练数据(例如，样本图像等)而构建的模型。数据辨识模型可以通过考虑识别模型的应用领域、学习目的或装置的计算机性能等来预先构建。数据辨识模型可以是例如基于神经网络的模型。例如，诸如深度神经网络(DNN)、递归神经网络(RNN)或双向递归深度神经网络(BRDNN)的模型可以用作数据辨识模型，但是实施例不限于此。
在各个实施例中，当存在多个预先构建的数据辨识模型时，数据学习器1310可以将与接收训练数据和基本训练数据高度相关的数据辨识模型识别为待学习的数据辨识模型。在这种情况下，可以根据数据类型预先对基本训练数据进行分类，并且可以根据数据类型预先构建数据辨识模型。例如，可以根据各种标准预先对基本训练数据进行分类，标准例如为创建训练数据的地点、创建训练数据的时间、训练数据的大小、训练数据的种类、训练数据的创建者以及训练数据中包括的对象类型。
实施例可以以储存可由计算机执行的指令的计算机可读记录介质的形式实现，诸如计算机可执行程序模块。计算机可读记录介质可以是计算机可访问的任何可用介质，并且其示例包括易失性记录介质、非易失性记录介质、可分离储存介质和不可分离记录介质。计算机可读记录介质的示例还可以包括计算机储存介质和通信介质。计算机可读记录介质的示例可以包括通过任何方法或技术制造的储存诸如计算机可读指令、数据结构、程序模块或其他数据的信息的易失性记录介质、非易失性记录介质、可分离记录介质以及不可分离记录介质。通常，通信介质的示例包括计算机可读指令、数据结构、程序模块或修改的数据信号的其他数据、其他传输机制或任何信息传输介质。
在本公开中，术语“单元”可以理解为表示诸如处理器或电路的硬件组件和/或可由诸如处理器的硬件组件执行的软件组件。
本文阐述的实施例旨在提供示例，并且对于本领域普通技术人员显而易见的是，在不背离本公开的技术构思和必不可少的特征的情况下，可以在实施例中容易地进行各种改变。因此，本文阐述的实施例应该仅认为是描述性的，而不是出于限制的目的。例如，本文描述为彼此分离的组件可以实现为彼此组合，类似地，本文描述为彼此组合的组件可以实现为彼此分离。
虽然已经参考本公开的各个实施例示出和描述了本公开，但是本领域技术人员将理解，在不背离由所附的权利要求及其等同物限定的本公开的精神和范围的情况下，可以在其中进行形式和细节上的各种改变。

Claims (15)

1.一种用于推荐联系人信息的装置，包括：
处理器；以及
存储器，被配置为储存所述处理器可执行的指令，其中，所述处理器被配置为执行指令以：
显示与正在由所述装置执行的应用相关的数据，
从显示的数据中识别关键字和面部的至少一个，
基于关键字和面部的至少一个以及关系图形为所述装置的用户确定至少一个推荐方，其中所述关系图形包括所述用户和其他用户之间的关系，
搜索与推荐方对应的至少一个联系方法，
识别与推荐方对应的所述至少一个联系方法的优先级，以及
控制来根据联系方法的优先级显示至少一个联系方法。
2.如权利要求1所述的装置，其中，联系人的联系方法包括如下中的一个：社交网络服务(SNS)联系方法、电话联系方法、邮件联系方法、文本消息联系方法和信使联系方法。
3.如权利要求1所述的装置，其中，所述处理器还配置为：
识别至少一个推荐方的优先级，以及
控制以根据推荐方的优先级显示至少一个推荐方。
4.如权利要求3所述的装置，其中，所述处理器还配置为：
控制以根据推荐方的优先级不同地显示推荐方的属性。
5.如权利要求1所述的装置，其中，所述处理器还配置为：通过将关于多个用户之间的通信的信息输入到用于确定所述多个用户之间的关联的第一训练模型而获得所述关系图形，
其中，所述关联由具有分别作为主语和宾语的一对数据或节点的谓词表示。
6.如权利要求5所述的装置，其中，所述处理器还配置为：
通过将关于所述多个用户之间的通信的信息应用于用于确定所述至少一个联系方法与所述装置中的应用之间的关系的第二训练模型来识别将哪个应用链接至所述至少一个联系方法。
7.如权利要求6所述的装置，其中，所述处理器还配置为执行链接至联系方法的应用，所述联系方法是响应于选择所述至少一个联系方法之一的用户输入而选择的。
8.一种用于推荐联系人信息的方法，包括：
显示与正在由装置执行的应用相关的数据；
从显示的数据中识别关键字和面部的至少一个；
基于关键字和面部的至少一个以及关系图形为所述装置的用户确定至少一个推荐方，其中所述关系图形包括所述用户和其他用户之间的关系；
搜索与推荐方对应的至少一个联系方法；
识别与推荐方对应的所述至少一个联系方法的优先级，以及
根据联系方法的优先级显示至少一个联系方法。
9.如权利要求8所述的方法，其中，联系人的联系方法包括如下中的一个：社交网络服务(SNS)联系方法、电话联系方法、邮件联系方法、文本消息联系方法和信使联系方法。
10.如权利要求8所述的方法，还包括：
识别至少一个推荐方的优先级；以及
其中显示至少一个联系方法包括根据推荐方的优先级显示至少一个推荐方。
11.如权利要求10所述的方法，其中，显示至少一个推荐方包括：根据推荐方的优先级不同地显示推荐方的属性。
12.如权利要求8所述的方法，还包括：
通过将关于多个用户之间的通信的信息输入到用于确定所述多个用户之间的关联的第一训练模型而获得所述关系图形，
其中，所述关联由具有分别作为主语和宾语的一对数据或节点的谓词表示。
13.如权利要求12所述的方法，还包括：
通过将关于所述多个用户之间的通信的信息应用于用于确定所述至少一个联系方法与所述装置中的应用之间的关系的第二训练模型来识别将哪个应用链接至所述至少一个联系方法。
14.如权利要求13所述的方法，还包括：
执行链接至联系方法的应用，所述联系方法是响应于选择所述至少一个联系方法之一的用户输入而选择的。
15.一种计算机可读记录介质，其上记录有程序，用于在计算机上执行如权利要求8到14中任何一个所述的方法。
CN202110936092.4A 2017-12-22 2018-12-21 推荐联系人信息的装置和方法 Pending CN113746978A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
KR20170178737 2017-12-22
KR10-2017-0178737 2017-12-22
KR1020180164959A KR102628042B1 (ko) 2017-12-22 2018-12-19 연락처 정보를 추천하는 방법 및 디바이스
KR10-2018-0164959 2018-12-19
CN201880082700.6A CN111512617B (zh) 2017-12-22 2018-12-21 推荐联系人信息的装置和方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201880082700.6A Division CN111512617B (zh) 2017-12-22 2018-12-21 推荐联系人信息的装置和方法

Publications (1)

Publication Number Publication Date
CN113746978A true CN113746978A (zh) 2021-12-03

Family

ID=67258649

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110936092.4A Pending CN113746978A (zh) 2017-12-22 2018-12-21 推荐联系人信息的装置和方法
CN201880082700.6A Active CN111512617B (zh) 2017-12-22 2018-12-21 推荐联系人信息的装置和方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201880082700.6A Active CN111512617B (zh) 2017-12-22 2018-12-21 推荐联系人信息的装置和方法

Country Status (3)

Country Link
EP (1) EP3652925A4 (zh)
KR (1) KR102628042B1 (zh)
CN (2) CN113746978A (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115293A (zh) * 2020-09-27 2020-12-22 广州三星通信技术研究有限公司 内容推荐方法及内容推荐装置
CN112286967A (zh) * 2020-10-23 2021-01-29 上海淇玥信息技术有限公司 一种基于联系人执行业务任务的方法、装置和电子设备
CN112311931B (zh) * 2020-10-23 2021-10-12 上海淇玥信息技术有限公司 一种在终端处理联系人信息的方法、装置和电子设备
KR102494367B1 (ko) * 2021-03-02 2023-02-06 황동하 수신자 지인의 번호가 표시되도록 선거 운동 메시지를 발송하는 장치, 방법 및 프로그램
CN113240408A (zh) * 2021-06-18 2021-08-10 中国银行股份有限公司 手机银行app推荐方法及装置
CN114925289B (zh) * 2022-05-23 2024-04-30 中国平安财产保险股份有限公司 员工推荐方法、装置、设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105493079A (zh) * 2013-07-02 2016-04-13 诺基亚技术有限公司 用于基于与内容的关联来提供与联系人的连接的装置和方法
CN106341507A (zh) * 2015-07-09 2017-01-18 中兴通讯股份有限公司 联系人获取方法、装置及用户终端

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6839665B1 (en) * 2000-06-27 2005-01-04 Text Analysis International, Inc. Automated generation of text analysis systems
US7596597B2 (en) * 2006-08-31 2009-09-29 Microsoft Corporation Recommending contacts in a social network
US8892605B2 (en) * 2010-12-03 2014-11-18 Relationship Capital Technologies, Inc. Systems and methods for managing social networks based upon predetermined objectives
CN102368800B (zh) * 2011-11-02 2017-05-24 中兴通讯股份有限公司 用于手机中构建通讯录的方法、装置及通信设备
US20140066044A1 (en) * 2012-02-21 2014-03-06 Manoj Ramnani Crowd-sourced contact information and updating system using artificial intelligence
US20130346347A1 (en) * 2012-06-22 2013-12-26 Google Inc. Method to Predict a Communicative Action that is Most Likely to be Executed Given a Context
US8959092B2 (en) * 2012-06-27 2015-02-17 Google Inc. Providing streams of filtered photographs for user consumption
US8719280B1 (en) * 2012-10-16 2014-05-06 Google Inc. Person-based information aggregation
KR102069867B1 (ko) * 2013-03-14 2020-01-23 삼성전자주식회사 상황인지에 기반하여 연락처를 제공하기 위한 방법 및 장치
CN103220466B (zh) * 2013-03-27 2016-08-24 华为终端有限公司 图片的输出方法及装置
CN104168351B (zh) * 2013-05-20 2017-09-15 北京三星通信技术研究有限公司 处理联系人信息的方法及装置
CN104182422B (zh) * 2013-05-28 2018-01-23 中国电信股份有限公司 统一通讯录信息处理方法和系统
CN104702759A (zh) * 2013-12-06 2015-06-10 中兴通讯股份有限公司 通讯录的设置方法及装置
CN109213882B (zh) * 2014-03-12 2020-07-24 华为技术有限公司 图片排序方法及终端
CN105069073B (zh) * 2015-07-30 2019-12-13 小米科技有限责任公司 联系人信息推荐方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105493079A (zh) * 2013-07-02 2016-04-13 诺基亚技术有限公司 用于基于与内容的关联来提供与联系人的连接的装置和方法
CN106341507A (zh) * 2015-07-09 2017-01-18 中兴通讯股份有限公司 联系人获取方法、装置及用户终端

Also Published As

Publication number Publication date
EP3652925A1 (en) 2020-05-20
CN111512617A (zh) 2020-08-07
KR102628042B1 (ko) 2024-01-23
CN111512617B (zh) 2021-09-03
KR20190076870A (ko) 2019-07-02
EP3652925A4 (en) 2020-05-20

Similar Documents

Publication Publication Date Title
CN111512617B (zh) 推荐联系人信息的装置和方法
US11823677B2 (en) Interaction with a portion of a content item through a virtual assistant
US10979373B2 (en) Suggested responses based on message stickers
US11521111B2 (en) Device and method for recommending contact information
US20170277993A1 (en) Virtual assistant escalation
US20190057298A1 (en) Mapping actions and objects to tasks
CN112805743A (zh) 用于基于知识图谱来提供内容的系统和方法
CN108241520B (zh) 提供用户的待办事项列表的系统和方法
CN110134806B (zh) 上下文用户简档照片选择的方法和系统
CN106845644B (zh) 一种通过相互关系学习用户及移动应用的联系的异构网络
US11475218B2 (en) Apparatus and method for providing sentence based on user input
EP3523710B1 (en) Apparatus and method for providing a sentence based on user input
CN110431514B (zh) 用于情境驱动智能的系统和方法
WO2019200584A1 (en) Generating response in conversation
US20140245140A1 (en) Virtual Assistant Transfer between Smart Devices
US20120011477A1 (en) User interfaces
CN111565143B (zh) 即时通信方法、设备及计算机可读存储介质
US20200005784A1 (en) Electronic device and operating method thereof for outputting response to user input, by using application
KR20180109499A (ko) 사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치
US20190251355A1 (en) Method and electronic device for generating text comment about content
CN116261752A (zh) 基于音频对话的面向用户的动作
CN116521962A (zh) 舆情数据挖掘方法、系统、电子设备和存储介质
CN114072763A (zh) 一种推荐行为的交互界面展示方法和系统

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