CN115358223A - 信息预测方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种信息预测方法、装置、设备以及存储介质，涉及人工智能技术领域，具体涉及自然语言处理和深度学习技术。该方法包括：获取当前输入信息；基于当前输入信息确定目标输入信息；基于预先建立的标签集合确定当前输入信息对应的目标标签集合；基于目标输入信息和目标标签集合，生成预测信息。本公开提供的信息预测方法提升了信息预测的准确性和效率。

Description

信息预测方法、装置、设备以及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及自然语言处理和深度学习技术，尤其涉及信息预测方法、装置、设备以及存储介质。

背景技术

随着数字技术和互联网技术的飞速发展，经常需要输入大篇章的文本信息，例如医疗病历的书写等。为了提升文本信息的书写效率，需要基于当前输入的文本信息进行预测，以预测出与当前输入信息最匹配的实体信息。

发明内容

本公开提供了一种信息预测方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种信息预测方法，包括：获取当前输入信息；基于当前输入信息确定目标输入信息；基于预先建立的标签集合确定当前输入信息对应的目标标签集合；基于目标输入信息和目标标签集合，生成预测信息。

根据本公开的第二方面，提供了一种信息预测装置，包括：获取模块，被配置成获取当前输入信息；第一确定模块，被配置成基于当前输入信息确定目标输入信息；第二确定模块，被配置成基于预先建立的标签集合确定当前输入信息对应的目标标签集合；生成模块，被配置成基于目标输入信息和目标标签集合，生成预测信息。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的信息预测方法的一个实施例的流程图；

图3是根据本公开的信息预测方法的另一个实施例的流程图；

图4是根据本公开的信息预测方法的一个应用场景的示意图；

图5是根据本公开的信息预测装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的信息预测方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的信息预测方法或信息预测装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取的当前输入信息进行分析和处理，并生成处理结果(例如预测信息)。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的信息预测方法一般由服务器105执行，相应地，信息预测装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的信息预测方法的一个实施例的流程200。该信息预测方法包括以下步骤：

步骤201，获取当前输入信息。

在本实施例中，信息预测方法的执行主体(例如图1所示的服务器105)会获取当前输入信息，其中，当前输入信息是指用户从输入信息开始至当前时刻所输入的所有信息。例如，当本实施例的信息预测方法应用在医学场景中的病历书写场景时，对于每份病历，当前输入信息一般指截止至当前时刻，医生输入的所有病历内容。通常将一份病例的书写拆分成不同的时刻，不同的时刻对应着不同长度的输入内容，假设当前时刻为T时刻，已输入的病历内容(也即当前输入内容)为“患者一年前无明显诱因逐渐出现胸闷、气喘伴”。

步骤202，基于当前输入信息确定目标输入信息。

在本实施例中，上述执行主体会基于当前输入信息确定目标输入信息，目标输入信息即为在模型进行实体预测时依据的输入信息。由于在长文本的输入场景当中，病历内容过长，所以在模型计算当前推荐实体的分数时，所需要依据的模型输入内容过长，从而导致模型的响应时间过长；而在输入场景当中，输入推荐又是会高频触发的模型，这会在输入频率快的时候造成交互卡顿的现象，从而造成不好的用户体验。

由于在每一时刻的实体信息推荐中，无法将全部输入信息作为模型的输入，因此，上述执行主体会基于当前输入信息中每个字符的输入时间信息来选取预设数目个字符，并将这预设数目个字符作为目标输入信息，例如，从当前输入信息中选取最近输入的15个字来作为目标输入信息。

步骤203，基于预先建立的标签集合确定当前输入信息对应的目标标签集合。

在本实施例中，上述执行主体会基于预先建立的标签集合确定当前输入信息对应的目标标签集合，也即在病历的书写过程中，上述执行主体会不断的基于当前输入的病历内容进行标签预测。在这里，可以预先建立标签集合，标签集合中包括多个相关标签，例如，在医疗场景下，标签集合中的标签可以为“呼吸系统”、“肺部”、“气管”等。在获取到当前输入信息后，上述执行主体可以对当前输入信息进行识别，并基于识别结果与标签集合中的标签进行匹配，从而确定当前输入信息对应的标签，从而得到目标标签集合。这里的匹配可以为完全匹配，也可以为模糊匹配。

步骤204，基于目标输入信息和目标标签集合，生成预测信息。

在本实施例中，上述执行主体会基于目标输入信息和目标标签集合，生成预测信息。目标输入信息作为局部信息来源，目标标签集合作为全局信息来源，上述执行主体会结合局部信息和全局信息、并基于预先训练的预测模型来进行实体信息的预测。例如，上述执行主体可以分别对目标输入信息和目标标签集合进行编码，并将两个编码结果进行拼接，从而得到目标序列，然后将目标序列输入至预先训练的预测模型中，从而输出得到预测推荐词。

在这里，预测模型的训练过程可以包括：获取样本数据集，其中，样本数据集中的样本数据包括当前信息的序列信息以及当前信息之后的实体信息；将当前信息的序列信息作为输入，将当前信息之后的实体信息作为输出，训练神经网络，从而得到训练完成的预测模型。预测模型一般包括嵌入层、双向长短期记忆层、自注意力层和输出层。

本公开实施例提供的信息预测方法，首先获取当前输入信息；然后基于当前输入信息确定目标输入信息；之后基于预先建立的标签集合确定当前输入信息对应的目标标签集合；最后基于目标输入信息和目标标签集合，生成预测信息。本实施例中的信息预测方法，该方法将目标输入信息作为局部信息，将目标标签集合作为全局信息，在进行信息预测时，融合了局部信息与全局信息，从而提升了信息预测的准确率，进而提升了信息的书写效率。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

继续参考图3，图3示出了根据本公开的信息预测方法的另一个实施例的流程300。该信息预测方法包括以下步骤：

步骤301，获取当前输入信息。

在本实施例中，信息预测方法的执行主体(例如图1所示的服务器105)会获取当前输入信息。步骤301与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。

步骤302，按照当前输入信息中每个字符的输入时间信息截取预设数目个字符。

在本实施例中，上述执行主体会按照当前输入信息中每个字符的输入时间，来从当前输入信息中截取预设数目个字符。例如，按照输入时间信息、从当前输入信息中选取最近输入的15个字符。由于在长文本的输入场景当中，病历内容过长，所以在模型计算当前推荐实体的分数时，所需要依据的模型输入内容过长，从而导致模型的响应时间过长；而在输入场景当中，输入推荐又是会高频触发的模型，这会在输入频率快的时候造成交互卡顿的现象，从而造成不好的用户体验。

步骤303，将截取的预设数目个字符作为目标输入信息。

在本实施例中，上述执行主体会将截取的预设数目个字符作为目标输入信息。由于在每一时刻的实体信息推荐中，无法将全部输入信息作为模型的输入，因此，上述执行主体会基于当前输入信息中每个字符的输入时间信息来选取预设数目个字符，并将这预设数目个字符作为目标输入信息，从而提升模型的响应速度，提升用户的体验。

步骤304，对当前输入信息进行切词，得到切词结果。

在本实施例中，上述执行主体会对当前输入信息进行切词，从而得到切词结果。切词方法可采用现有技术实现，在此不再赘述。

步骤305，将切词结果与预先建立的标签集合中的标签进行匹配，确定当前输入信息对应的目标标签集合。

在本实施例中，上述执行主体会将切词结果与预先建立的标签集合中的标签进行匹配，从而确定当前输入信息对应的目标标签，得到目标标签集合。这里，可以预先建立标签集合，标签集合中包括多个相关标签，例如，在医疗场景下，标签集合中的标签可以为“呼吸系统”、“肺部”、“气管”等。在得到切词结果后，上述执行主体会分别将切词结果与标签集合中的标签进行匹配，从而确定当前输入信息对应的目标标签集合，目标标签集合可以作为对输入信息的关键词描述。这里的匹配方式可以为完全匹配，也可以为模糊匹配，本实施例对此不做具体限定。需要说明的是，上述执行主体会基于当前输入信息来实时确定标签，也即基于当前输入信息来不断的更新和维护目标标签集合，从而使得目标标签集合中包含全部关键信息。

需要说明的是，本实施例中不对步骤302-303和步骤304-305的执行顺序进行限定，也即步骤步骤302-303可以在步骤304-305之前执行，步骤302-303还可以在步骤304-306之后执行，步骤302-303甚至还可以与步骤304-305同时执行。

步骤306，分别对目标输入信息和目标标签集合进行编码，基于编码结果生成目标序列。

在本实施例中，上述执行主体会分别对目标输入信息和目标标签集合进行编码，并基于编码结果来生成目标序列。例如，可以先对目标输入信息进行编码，得到第一编码结果；再对目标标签集合进行编码，得到第二编码结果；然后将第一编码结果和第二编码结果进行拼接，从而得到目标序列。得到的目标序列中既融合了局部信息(目标输入信息)，又融合了全局信息(目标标签集合)，从而在基于目标序列进行预测时，预测结果会更准确。

在本实施例的一些可选的实现方式中，步骤306包括：将目标输入信息进行向量化表示，得到第一向量；对第一向量进行编码，得到第一编码结果；将目标标签集合进行向量化表示，得到第二向量；对第二向量进行编码，得到第二编码结果；将第一编码结果和第二编码结果进行拼接，得到目标序列。

在本实现方式中，上述执行主体会先将目标输入信息进行向量化表示，从而得到第一向量，如用χ＝{x₁，...x_n，...}来表示目标输入信息，其中，x₁，...x_n表示目标输入信息中的每个字符，n为正整数。然后，将目标输入信息经过嵌入层(Embedding)后得到第一向量X，X＝{x₁，...x_i，...}，其中，x₁，...x_i表示目标输入信息中每个字符的向量表示结果，其中，i为正整数。然后将第一向量通过如下公式进行编码，从而得到第一编码结果H_text：

H_text＝AveragePooling(Transformer(X))

经过嵌入层对目标输入信息进行编码，可以达到降维的作用。

同时，上述执行主体还会将目标标签集合进行向量化表示，从而得到第二向量，如用y＝{γ₁，...γ_n，...}来表示目标标签集合，其中，γ₁，...γ_n表示目标标签集合中的每个字符，n为正整数。然后，将目标标签结合y经过嵌入层(Embedding)后得到第二向量Y，Y＝{y₁，...y_i，...}，其中，y₁，...y_i表示目标标签集合中每个字符的向量表示结果，其中，i为正整数。然后将第二向量通过如下公式进行编码，从而得到第二编码结果H_tag：

H_tag＝AveragePooling(Y)

经过嵌入层对目标标签集合进行编码，可以达到降维的作用。

最后，上述执行主体会将第一编码结果和第二编码结果进行拼接，得到目标序列H_final：

H_final＝Concat(H_text，H_tag)

通过上述方式得到的目标序列中既融合了局部信息(目标输入信息)，还融合了全局信息(目标标签集合)，从而可以提升基于目标序列进行预测的准确性。

步骤307，将目标序列输入至预先训练的预测模型中，输出得到预测信息。

在本实施例中，上述执行主体会将目标序列输入至预先训练的预测模型中，从而输出得到预测信息。在这里，预测模型的训练过程可以包括：获取样本数据集，其中，样本数据集中的样本数据包括当前信息的序列信息以及当前信息之后的实体信息；将当前信息的序列信息作为输入，将当前信息之后的实体信息作为输出，训练神经网络，从而得到训练完成的预测模型。预测模型一般包括嵌入层、双向长短期记忆层、自注意力层和输出层。将目标序列输入至训练好的预测模型中，即可输出得到预测信息，这里的预测信息一般为多个。由于在使用预测模型进行信息预测时，融合了局部信息(目标输入信息)与全局信息(目标标签集合)，从而提升了信息预测的准确率，进而提升了用户的使用体验。

步骤308，基于逻辑回归函数确定各个预测信息的分数。

在本实施例中，预测信息一般为多个，上述执行主体会基于逻辑回归函数Softmax来确定各个预测信息的分数Score_e：

Score_e＝Softmax(WH_final)

其中，H_final为目标序列，W表示H_final对应的权重。

步骤309，基于各个预测信息的分数，从各个预测信息中确定目标预测信息。

在本实施例中，上述执行主体会基于各个预测信息的分数，从各个预测信息中确定目标预测信息，并将目标预测信息展示给用户。例如，按照分数来将各个预测信息进行排序，并截取Top5分数的预测信息展示给用户。从而为用户展示预测结果更准确的预测信息。

从图3中可以看出，与图2对应的实施例相比，本实施例中的信息预测方法，该方法突出了确定目标输入信息、目标标签集合的步骤，以及生成最终的预测信息的步骤，从而在进行信息预测时，融合了局部信息(目标输入信息)与全局信息(目标标签集合)，从而提升了信息预测的准确率，进而提升了用户的使用体验。

继续参考图4，图4示出了根据本公开的信息预测方法的一个应用场景的示意图。该应用场景为医疗病历的书写场景，在该应用场景中，将一份病历的书写拆分成了不同的时刻，即时刻T-1、T……T+N-1、T+N。

步骤401，获取历史上屏信息。

假设当前时刻为T，医生输入的病历全部内容为“患者一年前无明显诱因逐渐出现胸闷、气喘伴”。执行主体会将输入的病历全部内容作为历史上屏信息，并获取历史上屏信息。

步骤402，确定模型输入信息。

执行主体会将病历内容(也即历史上屏信息)中最近输入的15个字“无明显诱因逐渐出现胸闷、气喘伴”作为模型输入信息(也即目标输入信息)。

步骤403，对模型输入信息和病例标签集合进行编码。

也即执行主体会先获取T-1时刻的病历标签集合(也即目标标签集合)“呼吸系统、气管”，并将目标输入信息和目标标签集合进行编码(Encoder)，从而得到编码结果。

步骤404，将编码结果输入实体推荐预测层进行实体预测，得到实体推荐预测结果。

执行主体会将编码结果输入实体推荐预测层，从而得到实体推荐的各个预测结果。并按照各个预测结果的分数来截取预设数目个预测结果展示给用户，在这里，最终展示给用户的预测结果为“咳嗽、咳痰”。

步骤405，对病历标签进行预测，得到病历标签预测结果。

最后，执行主体会对病历标签进行预测，得到病历标签预测结果为“肺部、气管”。

步骤406，对病历标签集合进行更新。

执行主体会基于实体推荐的结果来进行当前时刻的病历标签集合的更新，将病历标签集合更新为“呼吸系统、肺部、气管”。

从而实现了在病历书写过程的当前时刻(T时刻)，根据当前输入信息和历史标签集合进行实体信息的预测，从而提升了信息预测的准确性。

步骤407，获取历史上屏信息。

再假设当前时刻为T+N，医生输入的病历全部内容为“患者一年前无明显诱因逐渐出现胸闷、气喘伴咳嗽、咳痰、体力活动轻度受限，无头晕、晕厥，无胸痛，无恶心、呕吐，无腹痛、腹胀，无双下肢水肿，至当地医院就诊考虑”。执行主体会将输入的病历全部内容作为历史上屏信息，并获取历史上屏信息。

步骤408，确定模型输入信息。

执行主体会将病历内容(也即历史上屏信息)中最近输入的15个字“无双下肢水肿，至当地医院就诊考虑”作为模型输入信息(也即目标输入信息)。

步骤409，对模型输入信息和病例标签集合进行编码。

也即执行主体会先获取T+N-1时刻的病历标签集合(也即目标标签集合)“呼吸系统、肺部、气管”，并将目标输入信息和目标标签集合进行编码(Encoder)，从而得到编码结果。

步骤410，将编码结果输入实体推荐预测层进行实体预测，得到实体推荐预测结果。

执行主体将编码结果输入实体推荐预测层，从而得到实体推荐的各个预测结果。并按照各个预测结果的分数来截取预设数目个预测结果展示给用户，在这里，最终展示给用户的预测结果为“气管炎、肺炎”。

步骤411，对病历标签进行预测，得到病历标签预测结果。

最后，执行主体会对病历标签进行预测，得到病历标签预测结果为“肺部、气管”。

步骤412，对病历标签集合进行更新。

执行主体会基于实体推荐的结果来进行当前时刻(也即T+N时刻)的病历标签集合的更新，将病历标签集合更新为“呼吸系统、肺部、气管”。

从而实现了在病历书写过程的当前时刻(T+N时刻)，根据当前输入信息和历史标签集合进行实体信息的预测，从而提升了信息预测的准确性。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种信息预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的信息预测装置500包括：获取模块501、第一确定模块502、第二确定模块503和生成模块504。其中，获取模块501，被配置成获取当前输入信息；第一确定模块502，被配置成基于当前输入信息确定目标输入信息；第二确定模块503，被配置成基于预先建立的标签集合确定当前输入信息对应的目标标签集合；生成模块504，被配置成基于目标输入信息和目标标签集合，生成预测信息。

在本实施例中，信息预测装置500中：获取模块501、第一确定模块502、第二确定模块503和生成模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，第一确定模块被进一步配置成：按照当前输入信息中每个字符的输入时间信息截取预设数目个字符；将截取的预设数目个字符作为目标输入信息。

在本实施例的一些可选的实现方式中，第二确定模块被进一步配置成：对当前输入信息进行切词，得到切词结果；将切词结果与预先建立的标签集合中的标签进行匹配，确定当前输入信息对应的目标标签集合。

在本实施例的一些可选的实现方式中，生成模块包括：编码子模块，被配置成分别对目标输入信息和目标标签集合进行编码，基于编码结果生成目标序列；输出子模块，被配置成将目标序列输入至预先训练的预测模型中，输出得到预测信息。

在本实施例的一些可选的实现方式中，编码子模块被进一步配置成：将目标输入信息进行向量化表示，得到第一向量；对第一向量进行编码，得到第一编码结果；将目标标签集合进行向量化表示，得到第二向量；对第二向量进行编码，得到第二编码结果；将第一编码结果和第二编码结果进行拼接，得到目标序列。

在本实施例的一些可选的实现方式中，上述信息预测装置500还包括：第三确定模块，被配置成基于逻辑回归函数确定各个预测信息的分数；第四确定模块，被配置成基于各个预测信息的分数，从各个预测信息中确定目标预测信息。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如信息预测方法。例如，在一些实施例中，信息预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的信息预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、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或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

云计算(cloud computer)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用或存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种信息预测方法，包括：

获取当前输入信息；

基于所述当前输入信息确定目标输入信息；

基于预先建立的标签集合确定所述当前输入信息对应的目标标签集合；

基于所述目标输入信息和所述目标标签集合，生成预测信息。

2.根据权利要求1所述的方法，其中，所述基于所述当前输入信息确定目标输入信息，包括：

按照所述当前输入信息中每个字符的输入时间信息截取预设数目个字符；

将截取的预设数目个字符作为目标输入信息。

3.根据权利要求1所述的方法，其中，所述基于预先建立的标签集合确定所述当前输入信息对应的目标标签集合，包括：

对所述当前输入信息进行切词，得到切词结果；

将所述切词结果与预先建立的标签集合中的标签进行匹配，确定所述当前输入信息对应的目标标签集合。

4.根据权利要求1所述的方法，其中，所述基于所述目标输入信息和所述目标标签集合，生成预测信息，包括：

分别对所述目标输入信息和所述目标标签集合进行编码，基于编码结果生成目标序列；

将所述目标序列输入至预先训练的预测模型中，输出得到预测信息。

5.根据权利要求4所述的方法，其中，所述分别对所述目标输入信息和所述目标标签集合进行编码，基于编码结果生成目标序列，包括：

将所述目标输入信息进行向量化表示，得到第一向量；

对所述第一向量进行编码，得到第一编码结果；

将所述目标标签集合进行向量化表示，得到第二向量；

对所述第二向量进行编码，得到第二编码结果；

将所述第一编码结果和所述第二编码结果进行拼接，得到目标序列。

6.根据权利要求4所述的方法，还包括：

基于逻辑回归函数确定各个预测信息的分数；

基于所述各个预测信息的分数，从所述各个预测信息中确定目标预测信息。

7.一种信息预测装置，包括：

获取模块，被配置成获取当前输入信息；

第一确定模块，被配置成基于所述当前输入信息确定目标输入信息；

第二确定模块，被配置成基于预先建立的标签集合确定所述当前输入信息对应的目标标签集合；

生成模块，被配置成基于所述目标输入信息和所述目标标签集合，生成预测信息。

8.根据权利要求7所述的装置，其中，所述第一确定模块被进一步配置成：

按照所述当前输入信息中每个字符的输入时间信息截取预设数目个字符；

将截取的预设数目个字符作为目标输入信息。

9.根据权利要求7所述的装置，其中，所述第二确定模块被进一步配置成：

对所述当前输入信息进行切词，得到切词结果；

将所述切词结果与预先建立的标签集合中的标签进行匹配，确定所述当前输入信息对应的目标标签集合。

10.根据权利要求7所述的装置，其中，所述生成模块包括：

编码子模块，被配置成分别对所述目标输入信息和所述目标标签集合进行编码，基于编码结果生成目标序列；

输出子模块，被配置成将所述目标序列输入至预先训练的预测模型中，输出得到预测信息。

11.根据权利要求10所述的装置，其中，所述编码子模块被进一步配置成：

将所述目标输入信息进行向量化表示，得到第一向量；

对所述第一向量进行编码，得到第一编码结果；

将所述目标标签集合进行向量化表示，得到第二向量；

对所述第二向量进行编码，得到第二编码结果；

将所述第一编码结果和所述第二编码结果进行拼接，得到目标序列。

12.根据权利要求10所述的装置，还包括：

第三确定模块，被配置成基于逻辑回归函数确定各个预测信息的分数；

第四确定模块，被配置成基于所述各个预测信息的分数，从所述各个预测信息中确定目标预测信息。

13.一种电子设备，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权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。

Images