CN114514730B - 过滤群组消息的方法和系统 - Google Patents

过滤群组消息的方法和系统 Download PDF

Info

Publication number
CN114514730B
CN114514730B CN202080066779.0A CN202080066779A CN114514730B CN 114514730 B CN114514730 B CN 114514730B CN 202080066779 A CN202080066779 A CN 202080066779A CN 114514730 B CN114514730 B CN 114514730B
Authority
CN
China
Prior art keywords
client device
model
group message
filtered
processor
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.)
Active
Application number
CN202080066779.0A
Other languages
English (en)
Other versions
CN114514730A (zh
Inventor
G.沙伦
N.盖
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN114514730A publication Critical patent/CN114514730A/zh
Application granted granted Critical
Publication of CN114514730B publication Critical patent/CN114514730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • 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
    • H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
    • H04L51/10—Multimedia information
    • 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
    • H04L51/21—Monitoring or handling of messages
    • H04L51/212—Monitoring or handling of messages using filtering or selective blocking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Information Transfer Between Computers (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Debugging And Monitoring (AREA)

Abstract

示例系统包括处理器，用于接收在与特定用户相关联的客户端设备上训练的人工智能(AI)模型。处理器基于AI模型过滤群组消息。处理器用于将过滤的群组消息发送到客户端设备。

Description

过滤群组消息的方法和系统
背景技术
本技术涉及群组消息传送。更具体地，本技术涉及过滤群组消息中的媒体。
发明内容
根据本文描述的实施例，一种系统可以包括处理器，用于接收在与特定用户相关联的客户端设备上训练的人工智能(AI)模型。处理器还可基于AI模型过滤群组消息。处理器还可以将过滤的群组消息发送到客户端设备。
根据本文描述的另一实施例，一种方法可以包括经由处理器从客户端设备的存储装置接收媒体。该方法还可以包括经由处理器基于该媒体生成人工智能(AI)模型。该方法还可包括经由处理器经由AI模型过滤器过滤要存储在客户端设备上的群组消息。
根据本文描述的另一实施例，用于过滤群组消息的计算机程序产品可包括具有以其体现的程序代码的计算机可读存储介质。计算机可读存储介质本身不是瞬时信号。该程序代码由处理器可执行以使该处理器从客户端设备的存储装置接收媒体。该程序代码还可使处理器基于该媒体生成人工智能(AI)模型。该程序代码还可使处理器经由AI模型过滤器过滤要存储在客户端设备上的群组消息。
附图说明
图1是用于在社交消息传送服务器处过滤群组消息的示例系统的框图；
图2是用于在客户端设备处过滤群组消息的另一示例系统的框图；
图3是可以过滤群组消息的示例方法的框图；
图4是可以过滤群组消息的示例计算设备的框图；
图5是根据本文描述的实施例的示例云计算环境的过程流程图；
图6是根据本文描述的实施例的示例抽象模型层的过程流程图；以及
图7是可以过滤群组消息的示例有形的非暂时性计算机可读媒体。
具体实施方式
群组消息传送允许群组中的多个人共享同时向群组的所有成员广播的文本消息和多媒体消息。例如，多媒体消息可以包括视听媒体，诸如图片、视频或音频。然而，一些用户可以是许多群组的成员。因此，对于这样的用户来说，可能难以跟踪他们所有群组中的所有他们的消息，并且还难以保持从他们所属的所有群组发送的所有消息的本地副本。此外，较高质量的多媒体可使用更多存储器且因此在移动设备上占据更多空间。因此，此类群组多媒体消息可快速填充用户的移动设备的存储器。此外，由于各种原因，可以避免使用云存储装置。
另外，用户可能对在其订阅的所有群组中接收的所有多媒体不感兴趣。例如，尽管父母可能对包括他们的女儿或儿子的图片感兴趣，但是他们可能对其他人的图片不那么感兴趣。作为一个示例，在学校或幼儿园中，当旅行发生时，在一天期间可能会有许多图像和消息的突发。用户不想接收那些不感兴趣的消息，并且如此多次地看着电话。因此，用户可能花费大量时间从移动设备手动移除图片以便增加存储空间。
根据本公开的实施例，系统可以基于人工智能(AI)模型来过滤群组消息。可以在用户的客户端设备上训练模型。示例系统包括处理器，用于接收在与特定用户相关联的客户端设备上训练的人工智能(AI)模型。处理器可以基于AI模型过滤群组消息。处理器将过滤的群组消息发送到客户端设备。在一些示例中，可以在客户端设备上过滤群组消息。因此，本公开的实施例通过防止被过滤掉的消息被存储在客户端设备上，允许过滤的群组消息并将存储内容保存在客户端设备上。另外，所述技术使得能够更有效地使用客户端设备。例如，用户可能不需要手动地查看和从客户端设备删除不想要的消息。此外，用户的数据可通过在客户端设备上而非在公共可用的服务器上生成AI模型来保护。
现在参考图1，框图示出了用于在社交消息传送服务器处过滤群组消息的示例系统。示例系统通常由参考数字100表示。图1包括通信地耦合到社交消息传送服务器104的客户端设备102。例如，客户端设备102可以是通信地耦合到基于云的服务的边缘设备。客户端设备102可以与特定用户相关联。客户端设备102包括AI模型生成器106和存储装置108。社交消息传送服务器104包括基于AI模型的过滤器110。
在图1的示例中，在社交消息传送服务器104处接收多个群组消息112。例如，可以从一个或多个其他客户端设备(未示出)接收群组消息112。在各种示例中，社交应用服务器104中接收的每个群组消息112通过基于AI模型的过滤器110。基于AI模型的过滤器110可基于训练数据集来分析群组消息112。在各种示例中，训练数据集可以基于视觉面部识别或文本过滤。例如，客户端设备104的AI模型生成器106可从客户端设备102的存储装置108接收训练集图像，并基于训练集图像生成AI模型。作为一个示例，存储装置108上的训练集图像中的检测到的面部可被用来生成AI模型。
仍然参考图1，在一些示例中，基于AI模型的过滤器110可使用来自客户端设备102的一组上传的媒体来实现。例如，用户可以上传该用户有兴趣观看其附加图片的人的肖像。在一些示例中，客户端设备上的app可以基于用户的移动设备图库中最常见的面部向用户建议不同的人像面部以用于过滤，然后用户可以从该不同的人像面部中进行选择。在各种示例中，app可以根据存储装置108的图片图库中的最常见照片自动选择过滤器将基于的面部。在一些示例中，当用户感兴趣仅查看包含文本表达的文本消息时，他可以上传这些表达。例如，文本表达可以是搜索表达或正则表达。
在各种示例中，不管过滤方法如何，在选择训练数据过滤器之后，包含所有图像的训练集可以被发送到社交消息传送服务器104，该所有图像包含从用户的图库中选择的面部。例如，训练集可用于训练过滤将基于的新的AI模型。在文本过滤的情况下，可以将选择的文本短语发送到消息传送服务器，并且可以不执行训练。
在各种示例中，客户端设备104上的AI模型生成器106可学习用户的优先级，并通过分析客户端设备104上的用户行为来检测特定的相关内容。例如，AI模型生成器106可监视照片库，学习消息的删除模式，以及其他习惯。例如，AI模型生成器106的输入可以是用户的数码相机滚动、用户手动删除的消息、用户选择保存的图像、联系人列表、正则表达、搜索报告等。模型可以被连续地更新，并且在104中使用新的更新的模型来过滤消息。然后，可以将生成的AI模型发送到社交消息传送服务器104，以过滤群组消息112。
在各种示例中，使用AI模型来分析群组消息112。在一些示例中，基于AI模型的过滤器110的输出可以是二元的。例如，视频或照片与AI模型的规则兼容或不兼容。因此，照片或其它群组消息可继续且相应地发送或不发送到客户端侧。作为一个示例，群组消息112的照片可包括包含在从AI模型生成器106接收的AI模型中的面部。因此，群组消息112可作为模型兼容消息114的一部分发送到客户端设备102。这样，这些技术防止了大量不感兴趣的数据被保存在客户端设备102的本地存储装置108上。只有用户想要的兼容的相关内容才被允许实际到达并保存在客户端设备102上。用户然后能够观看存储在存储装置108上的相关内容。此外，可以防止不感兴趣的数据被保存在客户端设备102的本地存储装置108上。因此，可以节省大量的存储装置108，用于存储用户更有兴趣观看的附加内容。
在各种示例中，可以设置一组用户偏好以控制过滤的群组消息的显示。例如，被过滤掉的消息可以被设置为不被呈现、接收或存储。在一些示例中，被过滤掉作为不太相关的消息可以被设置为被查看一次并且然后被立即删除而不被存储在存储装置中。
应当理解，图1的框图不旨在指示系统100将包括图1中所示的所有组件，相反，系统100可以包括更少的或图1中未示出的附加组件(例如，附加客户端设备、或附加社交消息传送服务器、群组消息、过滤器等)。
现在参考图2，框图示出了用于在客户端设备处过滤群组消息的示例系统。示例系统通常由参考数字200表示。图2包括图1中描述的类似编号的元件，然而，在图2中，基于AI模型的过滤器110位于客户端设备102处。
在图2的示例中，客户端设备102从社交消息传送服务器104接收群组消息112。基于AI模型的过滤器110可被类似地训练以基于检测到的用户偏好过滤群组消息，如图1所述。在图2的示例中，响应于检测到群组消息112与AI模型的规则不兼容，可删除任何数量的群组消息112。类似地，响应于检测到群组消息112与AI模型的规则兼容，群组消息112可被保存到存储装置108。在各种示例中，用户可能永远看不到不兼容的群组消息112，因为其可在向用户展示之前被过滤和删除。
应当理解，图2的框图不旨在指示系统200将包括图2中所示的所有组件，相反，系统200可以包括更少的或图2中未示出的附加组件(例如，附加客户端设备、或附加社交消息传送服务器、群组消息、过滤器等)。
图3是可以过滤群组消息的示例方法的过程流程图。方法300可用任何合适的计算设备来实现，诸如图4的计算设备400，并且参考图1和图2的系统100和系统200来描述，在一些示例中，方法400可由图7的计算机可读介质700来实现。
在框302，从客户端设备的存储装置接收媒体。例如，媒体可以包括视频或图像。在一些示例中，还可以从用户接收文本表达。
在框304，基于该媒体生成人工智能(AI)模型。例如，AI模型可在与特定用户相关联的客户端设备上生成。在一些示例中，通过使用媒体上的面部识别来训练AI模型，从而生成AI模型。在各种示例中，通过在用户提供的媒体上训练AI模型来生成AI模型。在一些示例中，通过使用与特定群组相关联的媒体来训练AI模型来生成AI模型。
在框306，经由AI模型过滤器过滤要存储在客户端设备上的群组消息。在各种示例中，使用为特定群组生成的AI模型来过滤来自特定群组的群组消息。
图3的过程流程图不旨在指示方法300的操作将以任何特定顺序执行，或者方法300的所有操作将被包括在每种情况中。另外，方法300可包括任何合适数量的附加操作。例如，方法300可以包括经由客户端设备向用户呈现媒体以及从用户接收对相关媒体的选择。方法300还可以包括经由客户端设备呈现过滤的群组消息。
在一些场景中，本文描述的技术可以在云计算环境中实现。如以下至少参考图4-7更详细地讨论的，被配置为过滤群组消息中的媒体的计算设备可在云计算环境中实现。预先理解，尽管本公开可以包括关于云计算的描述，但是本文中记载的教导的实现不限于云计算环境。相反，本发明的实施例能够结合现在已知或以后开发的任何其它类型的计算环境来实现。
云计算是一种服务递送模型，用于实现对可配置计算资源(例如，网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机和服务)的共享池的方便的按需网络访问，所述可配置计算资源可以以最小的管理努力或与服务的提供者的交互来快速供应和释放。该云模型可以包括至少五个特性、至少三个服务模型和至少四个部署模型。
特性如下：
按需自助：云消费者可以单方面地自动地根据需要提供计算能力，诸如服务器时间和网络存储，而不需要与服务的提供者进行人工交互。
广域网接入：能力在网络上可用，并且通过促进由异构的薄或厚客户端平台(例如，移动电话、膝上型计算机和PDA)使用的标准机制来访问。
资源池化：供应商的计算资源被集中以使用多租户模型来服务多个消费者，其中不同的物理和虚拟资源根据需求被动态地分配和重新分配。存在位置无关的意义，因为消费者通常不控制或不知道所提供的资源的确切位置，但是能够在较高抽象级别(例如国家、州或数据中心)指定位置。
快速弹性：在一些情况下，可以快速且弹性地提供快速向外扩展的能力和快速向内扩展的能力。对于消费者，可用于提供的能力通常看起来不受限制，并且可以在任何时间以任何数量购买。
测量服务：云系统通过利用在适合于服务类型(例如，存储、处理、带宽和活动用户账户)的某一抽象级别的计量能力来自动地控制和优化资源使用。可以监视、控制和报告资源使用，从而为所利用服务的提供者和消费者两者提供透明度。
服务模型如下：
软件即服务(SaaS)：提供给消费者的能力是使用在云基础设施上运行的提供者的应用。应用程序可通过诸如web浏览器(例如，基于web的电子邮件)等瘦客户端界面从各种客户端设备访问。消费者不管理或控制包括网络、服务器、操作系统、存储、或甚至个别应用能力的底层云基础结构，可能的例外是有限的用户专用应用配置设置。
平台即服务(PaaS)：提供给消费者的能力是将消费者创建或获取的应用部署到云基础设施上，该消费者创建或获取的应用是使用由提供商支持的编程语言和工具创建的。消费者不管理或控制包括网络、服务器、操作系统或存储的底层云基础设施，但具有对部署的应用和可能的应用托管环境配置的控制。
基础设施即服务(IaaS)：提供给消费者的能力是提供处理、存储、网络和消费者能够部署和运行任意软件的其它基本计算资源，所述软件可以包括操作系统和应用。消费者不管理或控制底层云基础设施，但具有对操作系统、存储、部署的应用的控制，以及可能对选择的联网组件(例如，主机防火墙)的有限控制。
部署模型如下：
私有云：云基础设施仅为组织操作。它可以由组织或第三方管理，并且可以存在于建筑物内或建筑物外。
社区云：云基础设施由若干组织共享，并且支持具有共享关注(例如，任务、安全要求、策略和合规性考虑)的特定社区。它可以由组织或第三方管理，并且可以存在于场所内或场所外。
公有云：云基础设施可用于一般公众或大型工业群体，并且由销售云服务的组织拥有。
混合云：云基础设施是两个或更多云(私有、社区或公有)的组合，所述云保持唯一实体，但是通过使数据和应用能够移植的标准化或私有技术(例如，用于云之间的负载平衡的云突发)绑定在一起。
云计算环境是面向服务的，其焦点在于无状态、低耦合、模块性和语义互操作性。在云计算的核心是包括互连节点的网络的基础设施。
图4是可以过滤群组消息的示例计算设备的框图。计算设备400可以是例如服务器、台式计算机或膝上型计算机。在各种示例中，计算设备400可以是边缘设备，诸如平板计算机或智能电话。在一些示例中，计算设备400可以是云计算节点。计算设备400可以在计算机系统可执行指令的一般上下文中描述，诸如由计算机系统执行的程序模块。通常，程序模块可以包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、逻辑、数据结构等。计算设备400可以在分布式云计算环境中实践，其中任务由通过通信网络链接的远程处理设备执行。在分布式云计算环境中，程序模块可以位于包括存储器存储设备的本地和远程计算机系统存储介质中。
计算设备400可以包括用于执行所存储的指令的处理器402、用于在操作期间为所述指令的操作提供临时存储器空间的存储器设备404。处理器可以是单核处理器、多核处理器、计算集群或任何数量的其他配置。存储器404可以包括随机存取存储器(RAM)、只读存储器、闪存或任何其他合适的存储器系统。
处理器402可以通过系统互连406(例如，PCI、PCI等)连接到适于将计算设备400连接到一个或多个I/O设备410的输入/输出(I/O)设备接口408。I/O设备410可以包括例如键盘和指示设备，其中指示设备可以包括触摸板或触摸屏等。I/O设备410可以是计算设备400的内置组件，或者可以是外部连接到计算设备400的设备。
处理器402还可以通过系统互连406链接到适于将计算设备400连接到显示设备414的显示接口412。显示设备414可以包括显示屏，该显示屏是计算设备400的内置组件。显示设备414还可包括外部连接到计算设备400的计算机监视器、电视机或投影仪等。另外，网络接口控制器(NIC)416可适于通过系统互连406将计算设备400连接到网络418。在一些实施例中，NIC416可以使用任何适当的接口或协议来传送数据，例如因特网小型计算机系统接口等。网络418可以是蜂窝网络、无线电网络、广域网(WAN)、局域网(LAN)或因特网等。外部计算设备420可以通过网络418连接到计算设备400。在一些示例中，外部计算设备420可以是外部网络服务器420。在一些示例中，外部计算设备420可以是云计算节点。
处理器402还可以通过系统互连406链接到存储设备422，其可以包括硬盘驱动器、光盘驱动器、USB闪存驱动器、驱动器阵列或其任意组合。在一些示例中，存储设备可以包括接收器模块424、人工智能(AI)模型生成器模块426和过滤器模块428。接收器模块424可以接收在与特定用户相关联的客户端设备上训练的人工智能(AI)模型。AI模型生成器模块426可基于存储在客户端设备上的媒体来生成AI模型。例如，AI模型生成器模块426可以使用媒体上的面部识别来训练AI模型。在一些示例中，AI模型生成器模块426可在用户提供的媒体上训练AI模型。在各种示例中，AI模型生成器模块426可基于用户提供的表达来训练AI模型。例如，用户提供的表达可以是搜索表达或正则表达。过滤器模块428可基于AI模型过滤群组消息。过滤器模块428可以将过滤的消息保存在客户端设备的存储器上。在一些示例中，过滤器模块428可以将过滤的消息发送到客户端设备以呈现和存储过滤的消息。
应当理解，图4的框图不旨在指示计算设备400要包括图4中所示的所有组件，而是计算设备400可以包括更少的或图4中未示出的附加组件(例如，附加存储器组件、嵌入式控制器、模块、附加网络接口等)。例如，如果计算设备400是云节点，则可排除AI模型生成器模块426。在一些示例中，如果计算设备400是边缘设备，则可以排除过滤器模块428。例如，过滤的消息可以替代地从包含过滤器模块428的外部计算设备420接收，诸如云计算节点。此外，接收器模块424、AI模型生成器模块426和过滤器模块428的功能中的任一个可部分地或全部地在硬件和/或处理器402中实现。例如，除了别的以外，功能可以利用专用集成电路、在嵌入式控制器中实现的逻辑或者在处理器402中实现的逻辑来实现。在一些实施例中，接收器模块424、AI模型生成器模块426和过滤器模块428的功能可以用逻辑来实现，其中，如本文所提到的，该逻辑可以包括任何合适的硬件(例如，处理器等)、软件(例如，应用等)、固件、或硬件、软件和固件的任何合适的组合。
现在参考图5，描绘了说明性云计算环境500。如图所示，云计算环境500包括云消费者使用的本地计算设备可以与其通信的一个或多个云计算节点502，所述本地计算设备例如个人数字助理(PDA)或蜂窝电话504A、台式计算机504B、膝上型计算机504C和/或汽车计算机系统504N。节点502可以彼此通信。它们可以被物理地或虚拟地分组(未示出)在一个或多个网络中，诸如如上文描述的私有云、社区云、共有云或混合云或其组合。这允许云计算环境500提供基础设施、平台和/或软件作为服务，云消费者不需要为其维护本地计算设备上的资源。应当理解，图5中所示的计算设备504A-N的类型仅旨在说明，并且计算节点502和云计算环境500可以通过任何类型的网络和/或网络可寻址连接(例如，使用web浏览器)与任何类型的计算设备通信。
现在参考图6，示出了由云计算环境500(图5)提供的一组功能抽象层。应当预先理解，图6中所示的组件、层和功能仅旨在说明，并且本发明的实施例不限于此。如所描述的，提供了下面的层和相应的功能。
硬件和软件层600包括硬件和软件组件。硬件组件的示例包括大型机，在一个示例中为
Figure GDA0003956714910000091
系统；基于RISC(精简指令集计算机)架构的服务器，在一个示例中为IBM
Figure GDA0003956714910000092
系统；IBM
Figure GDA0003956714910000093
系统；IBM
Figure GDA0003956714910000094
系统；存储设备；网络和联网组件。软件组件的示例包括网络应用服务器软件，在一个示例中为IBM
Figure GDA0003956714910000095
应用服务器软件；以及数据库软件，在一个示例中为IBM
Figure GDA0003956714910000096
数据库软件。(IBM、zSeries、pSeries、xSeries、BladeCerter、WebSphere和DB2是在全世界许多管辖区注册的国际商业机器公司的商标)。
虚拟化层602提供抽象层，从该抽象层可以提供虚拟实体的以下示例：虚拟服务器；虚拟存储装置；虚拟网络，包括虚拟专用网络；虚拟应用和操作系统；以及虚拟客户端。在一个示例中，管理层604可以提供以下描述的功能。资源供应提供了对被用来在云计算环境内执行任务的计算资源和其他资源的动态采购。计量和定价提供了在云计算环境中利用资源时的成本跟踪，以及用于消耗这些资源的开账单或开发票。在一个示例中，这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证，以及为数据和其他资源提供保护。用户门户为消费者和系统管理员提供对云计算环境的访问。服务级别管理提供云计算资源分配和管理，使得满足所需的服务级别。服务水平协议(SLA)规划和履行提供了云计算资源的预安排和采购，其中根据SLA来预计未来需求。
工作负载层606提供了可以利用云计算环境的功能的示例。可以从该层提供的工作负载和功能的示例包括：地图绘制和导航；软件开发和生命周期管理；虚拟教室教育传送；数据分析处理；交易处理；以及群组消息过滤。
本技术可以是系统、方法或计算机程序产品。计算机程序产品可以包括其上具有计算机可读程序指令的(一个或多个)计算机可读存储介质，所述计算机可读程序指令用于使处理器执行本发明的各方面。
计算机可读存储介质可以是能够保留和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何合适的组合。计算机可读存储介质的更具体示例的非穷举列表包括以下：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、诸如上面记录有指令的打孔卡或凹槽中的凸起结构的机械编码装置，以及上述的任何适当组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身，诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤线缆的光脉冲)、或通过导线传输的电信号。
本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备，或者经由网络，例如因特网、局域网、广域网和/或无线网络，下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本技术的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的代码或目标代码，所述编程语言包括诸如Smalltalk、C++等的面向对象的编程语言、以及诸如“C”编程语言或类似编程语言的传统过程编程语言。计算机可读程序指令可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立的软件包执行，部分在用户的计算机上并且部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可以连接到外部计算机(例如，使用因特网服务提供商通过因特网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以个性化电子电路，以便执行本技术的方面。
本文参考根据本技术的实施例的方法、装置(系统)和计算机程序产品的流程图图示和/或框图来描述本技术的方面。将理解，流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中，其可以引导计算机、可编程数据处理装置和/或其他设备以特定方式工作，使得其中存储有指令的计算机可读存储介质包括制品，该制品包括实现流程图和/或框图的一个或多个框中指定的功能/动作的各方面的指令。
计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上，以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。
现在参考图7，描绘了可以过滤群组消息的示例有形的非瞬态计算机可读介质700的框图。有形的非暂态计算机可读介质700可由处理器702通过计算机互连704访问。此外，有形的非暂时性计算机可读介质700可以包括用于引导处理器702执行图3的方法300的操作的代码。
如图7所示，本文所讨论的各种软件组件可以存储在有形的非暂时性的计算机可读介质700上，例如，接收器706包括用于从客户端设备的存储装置接收媒体的代码。接收器模块706还包括用于接收用户提供的表达的代码。在一些示例中，接收器模块706包括用于监视消息删除模式的代码。在一些示例中，模块706包括代码。人工智能(AI)模型生成器模块708包括用于基于媒体生成人工智能(AI)模型的代码。AI模型生成器模块708还包括用于使用媒体上的面部识别来训练AI模型的代码。AI模型生成器模块708还包括用于在用户提供的媒体上训练AI模型的代码。在一些示例中，AI模型生成器模块708还包括用于使用与特定群组相关联的媒体来训练AI模型的代码。在一些示例中，AI模型生成器模块708还包括用于经由客户端设备向用户呈现媒体以及从用户接收对相关媒体的选择的代码。过滤器模块710包括用于经由AI模型过滤器过滤要存储在客户端设备上的群组消息的代码。过滤器模块710还包括用于经由客户端设备呈现过滤的群组消息的代码。应当理解，取决于特定应用，图7中未示出的任何数量的附加软件组件可以被包括在有形的非暂时性计算机可读介质700内。
附图中的流程图和框图示出了根据本技术的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这点上，流程图或框图中的每个框可以表示指令的模块、段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些替代实施方案中，框中所提及的功能可不按图中所提及的次序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还将注意，框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的专用的基于硬件的系统来实现。应当理解，取决于具体应用，图7中未示出的任何数量的附加软件组件可以被包括在有形的非暂时性的计算机可读介质700内。
已经出于说明的目的呈现了对本技术的各种实施例的描述，但是其并非旨在是穷举的或限于所公开的实施例。选择本文所使用的术语以最好地解释实施例的原理、实际应用或对市场上存在的技术改进，或使本领域的其他普通技术人员能够理解本文所公开的实施例。

Claims (19)

1.一种用于过滤群组消息的系统，包括处理器，用于：
接收在与特定用户相关联的客户端设备上存储的图像训练集，其中图像训练集中的图像是基于用户选择的面部图像，使用视觉面部识别从客户端设备的存储装置中选择的；
基于所述图像训练集训练人工智能AI模型；
基于所述AI模型过滤从第二客户端设备接收且将发送到多个客户端设备的群组消息，以从所述群组消息移除第二图像或第二视频且生成过滤的群组消息；
将所述过滤的群组消息发送到所述客户端设备；
响应于与所述客户端设备相关联的特定用户移除过滤的群组消息，基于移除的过滤的群组消息生成更新的AI模型；
使用更新的AI模型过滤来自所述第二客户端或者第三客户端的第二群组消息；以及
将所述过滤的第二群组消息发送到所述客户端设备。
2.根据权利要求1所述的系统，其中所述过滤的群组消息被保存在所述客户端设备的存储装置上。
3.根据权利要求1所述的系统，其中使用对所述图像训练集的面部识别来训练所述AI模型。
4.根据权利要求1所述的系统，其中所述AI模型是在用户提供的图像训练集上训练的。
5.根据权利要求1所述的系统，经由所述客户端设备呈现过滤的群组消息。
6.根据权利要求1所述的系统，其中所述客户端设备包括通信地耦合到由所述处理器执行的云服务的边缘设备。
7.根据权利要求1所述的系统，其中所述图像数据集被存储在所述客户端设备上的数字相机卷中，并且所述AI模型基于与所述数字相机卷中的所述图像数据集相关联的用户行为被连续更新。
8.一种用于过滤群组消息的计算机实现的方法，包括：
经由社交消息传送服务器处的处理器从客户端设备的存储装置接收图像训练集，其中图像训练集中的图像是基于用户选择的面部图像，使用视觉面部识别从客户端设备的存储装置中选择的；
基于所述图像训练集训练人工智能AI模型；
经由所述处理器经由基于所述AI模型的过滤器过滤从第二客户端设备接收的、要存储在所述客户端设备上的群组消息，以从所述群组消息中移除多媒体，并且生成过滤的群组消息；
经由所述处理器，将过滤的群组消息发送给所述客户端设备；
经由所述处理器，响应于与所述客户端设备相关联的特定用户移除过滤的群组消息，基于移除的过滤的群组消息生成更新的AI模型；
经由所述处理器，使用更新的AI模型过滤来自所述第二客户端或者第三客户端的第二群组消息；以及
经由所述处理器，将过滤的第二群组消息发送给所述客户端设备。
9.根据权利要求8所述的计算机实现的方法，其中生成所述AI模型包括使用对所述图像训练集的面部识别来训练所述AI模型。
10.根据权利要求8所述的计算机实现的方法，其中生成所述AI模型包括在所述特定用户提供的图像训练集上训练所述AI模型。
11.根据权利要求8所述的计算机实现的方法，其中生成所述AI模型包括使用与特定群组相关联的图像训练集来训练所述AI模型，其中来自所述特定群组的群组消息使用所述AI模型来过滤。
12.根据权利要求8所述的计算机实现的方法，包括经由所述客户端设备向所述特定用户呈现图像或视频，并且从所述用户接收对所述图像或视频的选择。
13.根据权利要求8所述的计算机实现的方法，包括经由所述客户端设备呈现过滤的群组消息。
14.一种用于过滤群组消息的计算机可读存储介质，所述计算机可读存储介质存储程序代码，所述程序代码由处理器可执行以使所述处理器：
接收在与特定用户相关联的客户端设备上存储的图像训练集，其中图像训练集中的图像是基于用户选择的面部图像，使用视觉面部识别从客户端设备的存储装置中选择的；
基于所述图像训练集训练人工智能AI模型；
基于所述AI模型的过滤器过滤从第二客户端设备接收且将发送到多个客户端设备的群组消息，以从所述群组消息中移除第二图像或第二视频，并且生成过滤的群组消息；
将所述过滤的第二群组消息发送到所述客户端设备；
响应于与所述客户端设备相关联的特定用户移除过滤的群组消息，基于移除的过滤的群组消息生成更新的AI模型；
使用更新的AI模型过滤来自所述第二客户端或者第三客户端的第二群组消息；以及
将所述过滤的第二群组消息发送到所述客户端设备。
15.根据权利要求14所述的计算机可读存储介质，还包括由所述处理器可执行以使用对所述图像训练集的面部辨识来训练所述AI模型的程序代码。
16.根据权利要求14所述的计算机可读存储介质，还包括能由所述处理器执行以在用户提供的图像训练集上训练所述AI模型的程序代码。
17.根据权利要求14所述的计算机可读存储介质，还包括由所述处理器可执行以使用与特定群相关联的图像或视频来训练所述AI模型的程序代码，其中来自所述特定群的群组消息将使用所述AI模型来过滤。
18.根据权利要求14所述的计算机可读存储介质，还包括由所述处理器可执行以经由所述客户端设备向用户呈现图像或视频并且从所述用户接收对所述图像或视频的选择的程序代码。
19.根据权利要求14所述的计算机可读存储介质，还包括由所述处理器可执行以经由所述客户端设备呈现过滤的群组消息的程序代码。
CN202080066779.0A 2019-10-06 2020-09-16 过滤群组消息的方法和系统 Active CN114514730B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/594,027 2019-10-06
US16/594,027 US11552914B2 (en) 2019-10-06 2019-10-06 Filtering group messages
PCT/IB2020/058595 WO2021069989A1 (en) 2019-10-06 2020-09-16 Filtering group messages

Publications (2)

Publication Number Publication Date
CN114514730A CN114514730A (zh) 2022-05-17
CN114514730B true CN114514730B (zh) 2023-04-04

Family

ID=75275266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080066779.0A Active CN114514730B (zh) 2019-10-06 2020-09-16 过滤群组消息的方法和系统

Country Status (5)

Country Link
US (2) US11552914B2 (zh)
JP (1) JP7410281B2 (zh)
CN (1) CN114514730B (zh)
GB (1) GB2604772A (zh)
WO (1) WO2021069989A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210400003A1 (en) * 2018-11-01 2021-12-23 Sarath KAKUMANU Sending messages to all members or selected members of a group in a messaging application by string tagging and categorization

Family Cites Families (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8050660B2 (en) 2006-03-07 2011-11-01 Motorola Mobility, Inc. Apparatus and method for handling messaging service message adaptation
US7783085B2 (en) * 2006-05-10 2010-08-24 Aol Inc. Using relevance feedback in face recognition
US8085995B2 (en) * 2006-12-01 2011-12-27 Google Inc. Identifying images using face recognition
US8224905B2 (en) * 2006-12-06 2012-07-17 Microsoft Corporation Spam filtration utilizing sender activity data
US8121358B2 (en) * 2009-03-06 2012-02-21 Cyberlink Corp. Method of grouping images by face
US20110145275A1 (en) * 2009-06-19 2011-06-16 Moment Usa, Inc. Systems and methods of contextual user interfaces for display of media items
US9021028B2 (en) * 2009-08-04 2015-04-28 Yahoo! Inc. Systems and methods for spam filtering
US8972307B1 (en) * 2011-09-15 2015-03-03 Google Inc. Method and apparatus for machine learning
CN103064858B (zh) 2011-10-19 2016-03-30 北京千橡网景科技发展有限公司 用于社交网络网站中的不良图像检测的方法和设备
US20140328570A1 (en) 2013-01-09 2014-11-06 Sri International Identifying, describing, and sharing salient events in images and videos
US20150189233A1 (en) * 2012-04-30 2015-07-02 Goggle Inc. Facilitating user interaction in a video conference
CN104487933B (zh) 2012-07-24 2017-06-09 英派尔科技开发有限公司 属性列表定制
US9230287B2 (en) 2012-08-21 2016-01-05 Google Inc. Real-time notifications and sharing of photos among users of a social network
US9197590B2 (en) 2014-03-27 2015-11-24 Dropbox, Inc. Dynamic filter generation for message management systems
US20180053114A1 (en) 2014-10-23 2018-02-22 Brighterion, Inc. Artificial intelligence for context classifier
US10257151B2 (en) * 2014-10-27 2019-04-09 Phanto, Llc Systems and methods for enabling dialog amongst different participant groups with variable and association-based privacy
CN105099877B (zh) 2015-06-26 2018-11-02 小米科技有限责任公司 即时通信消息处理方法和装置
US20170085509A1 (en) 2015-09-17 2017-03-23 Vicente Fernandez Semantics classification aggregation newsfeed, an automated distribution method
US20170222960A1 (en) * 2016-02-01 2017-08-03 Linkedin Corporation Spam processing with continuous model training
US10397256B2 (en) * 2016-06-13 2019-08-27 Microsoft Technology Licensing, Llc Spam classification system based on network flow data
US9954805B2 (en) * 2016-07-22 2018-04-24 Mcafee, Llc Graymail filtering-based on user preferences
US11115359B2 (en) 2016-11-03 2021-09-07 Samsung Electronics Co., Ltd. Method and apparatus for importance filtering a plurality of messages
US10560419B2 (en) 2017-01-07 2020-02-11 International Business Machines Corporation Message presentation management in a social networking environment
US10911382B2 (en) * 2017-01-30 2021-02-02 Futurewei Technologies, Inc. Personalized message priority classification
CN107124349B (zh) 2017-04-25 2020-07-03 北京小米移动软件有限公司 信息传输方法及装置
CN107679546A (zh) * 2017-08-17 2018-02-09 平安科技（深圳）有限公司 人脸图像数据采集方法、装置、终端设备及存储介质
US10922358B2 (en) * 2017-10-13 2021-02-16 Kpmg Llp System and method for analysis of structured and unstructured data
US11349793B2 (en) * 2017-10-25 2022-05-31 Meta Platforms, Inc. Enforcing messaging policies using tags
US20190172014A1 (en) * 2017-12-05 2019-06-06 Google Llc Automatic identification of electronic messages for subsequent messaging actions
US11209442B2 (en) * 2017-12-22 2021-12-28 Google Llc Image selection suggestions
US10375354B2 (en) 2018-01-05 2019-08-06 Facebook, Inc. Video communication using subtractive filtering
CN108537160A (zh) 2018-03-30 2018-09-14 平安科技（深圳）有限公司 基于微表情的风险识别方法、装置、设备及介质
CN110166826B (zh) 2018-11-21 2021-10-08 腾讯科技（深圳）有限公司 视频的场景识别方法、装置、存储介质及计算机设备
WO2020118584A1 (en) * 2018-12-12 2020-06-18 Microsoft Technology Licensing, Llc Automatically generating training data sets for object recognition
US10937200B2 (en) * 2019-03-19 2021-03-02 Adobe Inc. Object-based color adjustment
US11222061B2 (en) * 2019-03-28 2022-01-11 Facebook, Inc. Generating digital media clusters corresponding to predicted distribution classes from a repository of digital media based on network distribution history
US11514713B2 (en) * 2019-05-31 2022-11-29 Apple Inc. Face quality of captured images

Also Published As

Publication number Publication date
CN114514730A (zh) 2022-05-17
WO2021069989A1 (en) 2021-04-15
GB2604772A (en) 2022-09-14
US20230055968A1 (en) 2023-02-23
US11843569B2 (en) 2023-12-12
US20210105238A1 (en) 2021-04-08
JP7410281B2 (ja) 2024-01-09
US11552914B2 (en) 2023-01-10
JP2022550755A (ja) 2022-12-05

Similar Documents

Publication Publication Date Title
US9461947B1 (en) Collecting messages from a group chat window that mention a specific user
CN107454159B (zh) 一种数据传输至云计算系统或者数据中心的方法及设备
US20140081615A1 (en) Virtual systems testing
US10891547B2 (en) Virtual resource t-shirt size generation and recommendation based on crowd sourcing
US10929412B2 (en) Sharing content based on extracted topics
US11061982B2 (en) Social media tag suggestion based on product recognition
US20170098941A1 (en) Communication between devices to determine priority of charging
US11381710B2 (en) Contextual masking of objects in social photographs
US11843569B2 (en) Filtering group messages
US20220067546A1 (en) Visual question answering using model trained on unlabeled videos
US10044980B1 (en) Conference management
US9609076B1 (en) Criteria-based data push
CN112088369B (zh) 音频和视频多媒体的修改和呈现
US11733957B2 (en) Real time sharing of relevant information in virtual meetings
US10223463B2 (en) Node controllers for hierarchical data structures
US20190075151A1 (en) Facility for initiating automatic exchange of file(s) between mobile devices
US11928804B2 (en) Dynamic device configuration
US11202130B1 (en) Offline video presentation
US11429876B2 (en) Infusing knowledge into natural language processing tasks using graph structures
US20200394532A1 (en) Detaching Social Media Content Creation from Publication
US10331651B2 (en) Updating web files based on detected legacy model file changes

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