CN115454261A - 输入法候选词生成方法、装置、电子设备及可读存储介质 - Google Patents
输入法候选词生成方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115454261A CN115454261A CN202211167848.4A CN202211167848A CN115454261A CN 115454261 A CN115454261 A CN 115454261A CN 202211167848 A CN202211167848 A CN 202211167848A CN 115454261 A CN115454261 A CN 115454261A
- Authority
- CN
- China
- Prior art keywords
- input
- word
- historical input
- historical
- candidate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 230000011218 segmentation Effects 0.000 claims abstract description 109
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
- G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
- G06F3/0233—Character input methods
- G06F3/0237—Character input methods using prediction or retrieval techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Document Processing Apparatus (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了输入法候选词生成方法、装置、电子设备及可读存储介质，涉及数据处理领域，尤其涉及人工智能或者输入法技术领域。具体实现方案为：对当前用户的当前输入字符进行音节切分，得到音节切分结果；基于音节切分结果从历史输入词集合中确定目标历史输入词，历史输入词集合包括当前用户在输入当前输入字符之前的历史输入操作对应的历史输入词，目标历史输入词为与当前输入字符相关的历史输入词；获取预测数据，并基于预测数据确定当前输入字符对应的候选词，预测数据包括当前输入字符、目标历史输入词以及目标历史输入词的相关信息。基于本方案能够提供高质量的候选词，有助于提升用户的输入效率。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及人工智能或者输入法技术领域，具体而言，本公开涉及一种输入法候选词生成方法、装置、电子设备及可读存储介质。
背景技术
输入法是指为将各种符号输入计算机或其他设备(如手机)而采用的编码方法。现有的输入法软件中，用户在提交编码字符后，输入法软件会向用户展示候选词，用户可以从候选词中选择想要输入的输入词。
输入法软件所提供的候选词的质量会直接影响用户的输入效率，因此，如何提供高质量的候选词，以提升用户的输入效率，成为了输入法领域的一个重要技术问题。
发明内容
本公开为了解决上述缺陷中的至少一项，提供了一种输入法候选词生成方法、装置、电子设备及可读存储介质。
根据本公开的第一方面，提供了一种输入法候选词生成方法，该方法包括：
对当前用户的当前输入字符进行音节切分，得到音节切分结果；
基于音节切分结果从历史输入词集合中确定目标历史输入词，历史输入词集合包括当前用户在输入当前输入字符之前的历史输入操作对应的历史输入词，目标历史输入词为与当前输入字符相关的历史输入词；
获取预测数据，并基于预测数据确定当前输入字符对应的候选词，预测数据包括当前输入字符、目标历史输入词以及目标历史输入词的相关信息。
根据本公开的第二方面，提供了一种输入法候选词生成装置，该装置包括：
音节切分模块，用于对当前用户的当前输入字符进行音节切分，得到音节切分结果；
目标历史输入词确定模块，用于基于音节切分结果从历史输入词集合中确定目标历史输入词，历史输入词集合包括当前用户在输入当前输入字符之前的历史输入操作对应的历史输入词，目标历史输入词为与当前输入字符相关的历史输入词；
候选词生成模块，用于获取预测数据，并基于预测数据确定当前输入字符对应的候选词，预测数据包括当前输入字符、目标历史输入词以及目标历史输入词的相关信息。
根据本公开的第三方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与上述至少一个处理器通信连接的存储器；其中，
存储器存储有可被上述至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述输入法候选词生成方法。
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，其中，该计算机指令用于使计算机执行上述输入法候选词生成方法。
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，该计算机程序在被处理器执行时实现上述输入法候选词生成方法。
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是本公开实施例提供的一种输入法候选词生成方法的流程示意图；
图2是本公开实施例提供的一种输入法候选词生成装置的结构示意图；
图3是本公开实施例提供的一种目标历史输入词的匹配系统的结构示意图；
图4是本公开实施例提供的一种输入法候选词生成装置的结构示意图；
图5是用来实现本公开实施例的输入法候选词生成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。
相关技术中，为提升候选词的质量，输入法中可能会结合用户的历史输入词集合进行分析来确定候选词，但由于历史输入词集合可能是由用户长时间的输入操作形成的，历史输入词集合中包含的词数量较大，时间跨度较长，不便于直接进行分析。
相关技术中，在基于用户的历史输入词集合来确定候选词时，可能会采用神经网络模型。神经网络模型的输入向量的长度一般是固定的，并且为保证神经网络模型的处理效率，输入向量的长度会被限定在一定的合理范围之内。而由于历史输入词集合中包含的信息量较大，时间跨度较长，历史输入词集合可能无法有效转换成固定长度的输入向量，影响对候选词的预测效果。
本公开实施例提供的输入法候选词生成方法、装置、电子设备及可读存储介质，旨在解决现有技术的如上技术问题中的至少一个。
图1示出了本公开实施例提供的一种输入法候选词生成方法的流程示意图，如图1中所示，该方法主要可以包括：
步骤S110：对当前用户的当前输入字符进行音节切分，得到音节切分结果。
其中，用户在使用计算机、手机等终端设备安装的输入法软件时，可以在实体键盘、虚拟键盘上进行按键操作实现字符的输入。
当前输入字符为当前用户在当前输入的编码字符，也即输入码。
在检测到当前用户输入当前输入字符后，可以对当前输入字符进行音节切分，得到音节切分结果，音节切分结果中可以包括音节组合。
音节切分可以基于拼音规则实现，作为一个示例，可以为以每个声母作为分隔，进行音节切分。如当前输入字符为“jintian”，音节切分结果可以为“jin/tian”，其中，“/”用于音节组合中音节的分隔。
通过对当前输入字符进行音节切分，能够得到一项或者多项音节切分结果。例如，当前输入字符为“xian”，音节切分结果可以包括两项，一项为“xian”，另一项为“xi/an”。
步骤S120：基于音节切分结果从历史输入词集合中确定目标历史输入词，历史输入词集合包括当前用户在输入当前输入字符之前的历史输入操作对应的历史输入词，目标历史输入词为与当前输入字符相关的历史输入词。
其中，历史输入词集合中包括当前用户的历史输入操作对应的历史输入词，历史输入词集合能够反映当前用户的历史输入偏好。
音节切分结果是基于拼音规则对当前输入字符进行音节切分得到的，能够表示当前用户实际想要输入的输入词的读音，基于音节切分结果，能够从历史输入词集合中确定出与当前输入字符相关的历史输入词，即目标历史输入词。
由于历史输入词集合中可能包含众多的历史输入词，而大部分历史输入词可能与当前输入字符无关，这些与当前输入字符无关的历史输入词对于分析当前输入字符对应的候选词可能并无意义。因此，可以基于当前输入字符的音节切分结果从历史输入词集合中筛选出与当前输入字符相关的目标历史输入词，从而基于目标历史输入词来分析当前输入字符对应的候选词。
步骤S130：获取预测数据，并基于预测数据确定当前输入字符对应的候选词，预测数据包括当前输入字符、目标历史输入词以及目标历史输入词的相关信息。
本公开实施例中，目标历史输入词的相关信息可以包括与目标历史输入词相关的多维度信息，用于从多种数据维度对目标历史输入词进行描述，有助于更好的分析用户的历史输入偏好。
本公开实施例中，可以基于当前输入字符、目标历史输入词以及目标历史输入词的相关信息，构建预测数据，基于预测数据来分析当前输入字符对应的候选词。
本公开实施例中，在确定出候选词后，可以将候选词展现给当前用户，以供用户从候选词中选择出输入词，从而完成当前输入操作。由于是通过筛选出与当前输入字符相关的历史输入词进行候选词的分析，实现了对历史输入词的有效使用，能够提升向用户推荐的候选词的质量，使得用户能够从高质量的候选词中快速选择输入词，能够提升用户的输入效率。
本公开实施例提供的方法，通过对当前用户的当前输入字符进行音节切分，得到音节切分结果；基于音节切分结果从历史输入词集合中确与当前输入字符相关的目标历史输入词，从而基于当前输入字符、目标历史输入词以及目标历史输入词的相关信息确定当前输入字符对应的候选词。本方案中，通过基于当前输入字符的音节切分结果从历史输入词集合中筛选出与当前输入字符相关的目标历史输入词，用以确定当前输入字符对应的候选词，能够提升候选词的质量，有助于提升用户的输入效率。
本公开实施例中，通过筛选出与当前输入字符相关的历史输入词，并针对目标历史输入词进行候选词的分析，能够避免将与当前输入字符无关的大量历史输入词引入，造成数据冗余，影响分析效果。如果采用相关的人工智能模型进行候选词的分析，则可以针对目标历史输入词构建输入向量，由于目标历史输入词的数量有限，基于目标历史输入词所转换出成的固定长度的输入向量能够对目标历史输入词进行有效表征，能够避免引入冗余数据，保证对候选词的预测效果，提升预测得到的候选词的质量。
本公开的一种可选方式中，基于音节切分结果从历史输入词集合中确定目标历史输入词，包括：
从历史输入词集合中确定与音节切分结果相匹配的候选历史输入词；
基于候选历史输入词确定目标历史输入词。
本公开实施例中，可以将与音节切分结果相匹配的历史输入词确定为候选历史输入词，而后基于候选历史输入词确定目标历史输入词。
候选历史输入词与音节切分结果相匹配，即候选历史输入词的中各字的音节所构成的音节组合与音节切分结果对应的音节组合相同，使得候选历史输入词具有与音节切分结果相同的读音。
作为一个示例，当前输入字符为“xian”，音节切分结果为“xi/an”，与该音节切分结果相匹配的候选历史输入词为：“西安”。
在实际使用中，可以基于当前输入字符的各音节切分结果构建音节图，音节图中包括音节节点以及连接各音节节点的音节边，其中，音节边表示音节组合，音节节点表示音节组合中音节的分隔。可以基于音节图进行音节切分结果与历史输入词的匹配，以提升匹配效率。
本公开实施例中，候选历史输入词具有与音节切分结果相同的读音，其与当前输入字符相关，可以将候选历史输入词直接作为目标历史输入词，用于后续对候选词的分析使用。
本公开实施例中，还可以从候选历史输入词中筛选出目标历史输入词，以保证目标历史输入词与当前输入字符之间具有较强的相关性。
本公开的一种可选方式中，基于候选历史输入词确定目标历史输入词，包括：
确定候选历史输入词在第一预设词典中的第一出现概率，第一预设词典为基于预设的第一历史用户在第一预设历史时段内的输入词构建的；
确定与候选历史输入词相匹配的音节切分结果在第二预设词典中的第二出现概率，第二预设词典为基于预设的第二历史用户在第二预设历史时段内的输入词对应的音节组合构建的；
基于第一出现概率以及第二出现概率，确定候选历史输入词对应的联合概率；
基于联合概率从候选历史输入词中确定目标历史输入词。
本公开实施例中，第一预设词典可以通过统计第一历史用户在第一预设历史时段内所输入的输入词构建，第一历史用户的用户数量较大，第一预设历史时段为一个较长时段，使得第一出现概率是在大样本下候选历史输入词的出现概率，能够表征候选历史输入词在常规情况下的被使用的频繁程度。
候选历史输入词为一些常用词时，其对应的第一出现概率较高，候选历史输入词为一些不常用词时，其对应的第一出现概率较低。
本公开实施例中，第二预设词典可以通过统计第二历史用户在第二设历史时段内所输入的输入词对应的音节组合构建，第二历史用户的用户数量较大，第二预设历史时段为一个较长时段，使得第二出现概率是在大样本下候选历史输入词对应音节组合的出现概率，能够表征候选历史输入词对应音节组合在常规情况下的被使用的频繁程度。
候选历史输入词对应的音节组合为一些常用音节组合时，其对应的第二出现概率较高，候选历史输入词对应的音节组合为一些不常用音节组合时，其对应的第二出现概率较低。
在实际使用中，第一预设词典与第二预设词典可以为同一词典，该词典中记录了输入词以及输入词对应的音节组合。
本公开实施例中，可以基于第一出现概率以及第二出现概率，确定候选历史输入词对应的联合概率，该联合概率能够表示候选历史输入词实际的常用程度，而该常用程度能够反映候选历史输入词与当前输入字符的相关性，因此，可以基于联合概率从候选历史输入词中确定目标历史输入词。
作为一个示例，联合概率可以为第一出现概率与第二出现概率相乘得到的乘积。
本公开的一种可选方式中，在基于第一出现概率以及第二出现概率，确定候选历史输入词对应的联合概率之前，上述方法还包括：
基于候选历史输入词的上屏次数，以及候选历史输入词的最近上屏时间，确定修正系数；
基于修正系数对第一出现概率进行修正处理。
本公开实施例中，由于当前用户可能会对不同的候选历史输入词具有不同的输入偏好，因此可以结合当前用户的输入偏好对第一出现概率进行修正。
具体而言，可以基于候选历史输入词的上屏次数，以及候选历史输入词的最近上屏时间，确定修正系数。
其中，候选历史输入词的上屏次数为候选历史输入词在历史上被用户所输入的次数，候选历史输入词的最近上屏时间，为候选历史输入词在历史上最近一次被用户所输入的时间点。基于候选历史输入词的上屏次数以及候选历史输入词的最近上屏时间，确定出的修正系数，能够反映出用户对候选历史输入词的输入偏好。
作为一个示例，可以将最近上屏时间转换为一个权重。最近上屏时间里当前时间间隔较近时，对应的权重较高；最近上屏时间里当前时间间隔较远时，对应的权重较低。修正系数可以为将上屏时间对应的权重与上屏次数相乘得到的乘积。
作为一个示例，在基于修正系数对第一出现概率进行修正处理时，可以将修正系数与第一出现概率相乘，将相乘得到的乘积作为修正后第一出现概率。而后可以基于修正后第一出现概率以及第二出现概率，确定候选历史输入词对应的联合概率。
本公开的一种可选方式中，基于联合概率从候选历史输入词中确定目标历史输入词，包括：
基于联合概率对候选历史输入词进行由高至低排序；
将排序中前预设个数的候选历史输入词确定为目标历史输入词。
本公开实施例中，由于联合概率能够反映候选历史输入词与当前输入字符的相关性，可以基于联合概率对候选历史输入词进行由高至低排序，其中，排序靠前的候选历史输入词对应的联合概率较高，其与当前输入字符的相关性也较高。因此，可以选取排序中前预设个数的候选历史输入词作为目标历史输入词。
作为一个示例，还可以将联合概率高于预设值的候选历史输入词作为目标历史输入词。
本公开的一种可选方式中，相关信息包括：
目标历史输入词的上屏次数；
目标历史输入词的最近上屏时间。
其中，目标历史输入词的上屏次数为目标历史输入词在历史上被当前用户所输入的次数。目标历史输入词的最近上屏时间，为目标历史输入词在历史上最近一次被当前用户所输入的时间点。
基于目标历史输入词的上屏次数以及最近上屏时间，能够有效地分析当前用户的历史输入偏好。
本公开的一种可选方式中，预测数据还包括前序字符和/或后序字符，前序字符为在当前输入字符的输入位置之前的第一预设字符长度以内的字符，后序字符为在当前输入字符的输入位置之后的第二预设字符长度以内的字符。
本公开实施例中，前序字符与后序字符均可能与当前输入字符存在一定的关联性，因此，还可以结合前序字符和/或后序字符进行对候选词的分析。
本公开实施例中，第一预设字符长度与第二预设字符长度均可以根据实际需要进行设置，二者可以相同也可以不同。
本公开的一种可选方式中，在基于音节切分结果从历史输入词集合中确定目标历史输入词之前，上述方法还包括：
确定音节切分结果中是否存在目标音节切分结果，目标音节切分结果包括待补全音节；
响应于音节切分结果中存在目标音节切分结果，对目标音节切分结果中的待补全音节进行补全处理。
本公开实施例中，由于用户可能会进行简拼输入，这会使得音节切分结果中会存在音节不完整的情况，为便于后续处理，可以从音节切分结果确定出目标音节切分结果，目标音节切分结构对应的音节组合中存在待补全音节，对目标音节切分结果中的待补全音节进行补全处理，使得待补全音节被补全为完成音节。
例如，目标音节切分结果为“jin/t”，其中存在待补全音节“t”，可以对该待补全音节进行补全处理，补全后的音节组合为“jin/tian”。
作为一种示例，可以根据音节包含的字符的类型，判断音节是否为待补全音节。例如，如果音节中只包含声母，则可判定该音节为待补全音节。
本公开的一种可选方式中，基于预测数据确定当前输入字符对应的候选词，包括：
将预设数据输入至预训练的候选词预测模型，得到当前输入字符对应的候选词。
本公开实施例中，可以预训练候选词预测模型，通过将预设数据输入至预训练的候选词预测模型，得到候选词预测模型输出的当前输入字符对应的候选词。
具体而言，可以将当前输入字符、目标历史输入词以及目标历史输入词的相关信息输入至预训练的候选词预测模型，其中，目标历史输入词以及目标历史输入词的相关信息会被共同转换为历史输入词的表征向量。
在预测数据还包括前序字符和/或后序字符时，可以将当前输入字符、目标历史输入词，目标历史输入词的相关信息以及前序字符和/或后序字符输入至预训练的候选词预测模型。
作为一个示例，本例中的候选词预测模型可以采用神经网络模型。
本公开的一种可选方式中，候选词预测模型是通过如下方式获得的：
对样本用户的样本当前输入字符进行音节切分，得到样本音节切分结果；
基于样本音节切分结果从样本历史输入词集合中确定样本目标历史输入词，样本历史输入词集合包括样本用户在输入样本当前输入字符之前的历史输入操作对应的历史输入词，样本目标历史输入词为与样本当前输入字符相关的历史输入词；
获取训练数据，训练数据包括样本当前输入字符、样本目标历史输入词、样本目标历史输入词的样本相关信息以及样本当前输入字符对应的样板候选词；
基于训练数据进行模型训练，得到候选词预测模型。
本公开实施例中，样本当前输入字符为样本用户当前输入的编码字符，也即输入码。
样本音节切分结果为根据拼音规则对样本当前输入字符进行音节切分，得到的一项或者多项音节切分结果。
样本历史输入词集合中包括样本用户的历史输入操作对应的历史输入词，样本历史输入词集合能够反映样本用户的历史输入偏好。
基于样本音节切分结果，能够从样本历史输入词集合中确定出与样本当前输入字符相关的历史输入词，即样本目标历史输入词。
本公开实施例中，可以基于样本当前输入字符、样本目标历史输入词、样本目标历史输入词的样本相关信息以及样本当前输入字符对应的样板候选词构建训练数据，基于训练数据进行模型训练，得到候选词预测模型。
具体而言，可以将样本当前输入字符、样本目标历史输入词以及样本目标历史输入词的样本相关信息作为模型的输入，将样本当前输入字符对应的样板候选词作为模型的输出，对初始模型进行训练得到候选词预测模型。
本公开实施例中，由于样本历史输入词集合中可能包含众多的历史输入词，而大部分历史输入词可能与样本当前输入字符无关，通过基于样本当前输入字符的音节切分结果从样本历史输入词集合中筛选出与样本当前输入字符相关的样本目标历史输入词，从而基于目标历史输入词来确定当前输入字符对应的候选词，能够减少模型训练时数据的输入量，避免引入冗余数据，减少模型训练时的数据处理量，提升训练出模型对候选词的预测效果，提升预测出候选词的质量。
本公开实施例中，从样本用户的样本历史输入词集合中筛选出样本目标历史输入词的过程，可以参考从当前用户的历史输入词集合中筛选出目标历史输入词的过程，此处不再赘述。
本公开的一种可选方式中，样本相关信息包括：
样本目标历史输入词的上屏次数；
样本目标历史输入词的最近上屏时间。
其中，样本目标历史输入词的上屏次数为样本目标历史输入词在历史上被样本用户所输入的次数。样本目标历史输入词的最近上屏时间，为样本目标历史输入词在历史上最近一次被样本用户所输入的时间点。
基于样本目标历史输入词的上屏次数以及样本最近上屏时间，能够有效地分析样本用户的历史输入偏好。
本公开的一种可选方式中，训练数据还包括样本前序字符和/或样本后序字符，样本前序字符为在样本当前输入字符的输入位置之前的第三预设字符长度以内的字符，样本后序字符为在样本当前输入字符的输入位置之后的第四预设字符长度以内的字符。
本公开实施例中，样本前序字符与样本后序字符均可能与样本当前输入字符存在一定的关联性，因此，还可以结合样本前序字符和/或样本后序字符进行对候选词的分析。
本公开实施例中，第三预设字符长度与第四预设字符长度均可以根据实际需要进行设置，二者可以相同也可以不同。
作为一个示例，图2中示出了本公开实施例提供的一种输入法候选词生成装置的结构示意图，如图2所示，该输入法候选词生成装置20可以包括：
输入模块210，用于获取预测数据，并将预测数据输入至候选词预测模型。
候选词预测模型220，用于根据输入模块输入的预测数据，预测当前输入字符对应的候选词，并将预测出的候选词输出至候选词预测结果输出模块。
候选词预测结果输出模块230，用于将候选词预测模型预测出的候选词展现给当前用户，以使当前用户从候选词中选择输入词。
输入模块210包括以下子模块：前序字符子模块211，当前输入字符子模块212以及历史信息子模块213。其中，前序字符子模块用于获取前序字符，当前输入字符子模块用于获取当前输入字符，历史信息子模块用于获取目标历史输入词以及目标历史输入词的相关信息。
作为一个示例，图3中示出了本公开实施例提供的一种目标历史输入词的匹配系统的结构示意图，如图3所示，该系统可以包括：
输入码模块310，用于获取当前用户输入的输入码，即当前输入字符。
音节切分结果模块320，用于对当前输入字符进行音节切分，得到音节切分结果。
音节图模块330，用于基于音节切分结果构建音节图。
历史输入词模块340，用于存储当前用户的历史输入词集合。
匹配模块350，用于根据音节图对历史输入词集合进行筛选，得到目标历史输入词。
目标历史输入词模块360，用于获取匹配模块提供的目标历史输入词，并将目标历史输入词输入至候选词预测模型，用以预测候选词。
基于与图1中所示的方法相同的原理，图4示出了本公开实施例提供的一种输入法候选词生成装置的结构示意图，如图4所示，该输入法候选词生成装置40可以包括：
音节切分模块410，用于对当前用户的当前输入字符进行音节切分，得到音节切分结果；
目标历史输入词确定模块420，用于基于音节切分结果从历史输入词集合中确定目标历史输入词，历史输入词集合包括当前用户在输入当前输入字符之前的历史输入操作对应的历史输入词，目标历史输入词为与当前输入字符相关的历史输入词；
候选词生成模块430，用于获取预测数据，并基于预测数据确定当前输入字符对应的候选词，预测数据包括当前输入字符、目标历史输入词以及目标历史输入词的相关信息。
本公开实施例提供的装置，通过对当前用户的当前输入字符进行音节切分，得到音节切分结果；基于音节切分结果从历史输入词集合中确与当前输入字符相关的目标历史输入词，从而基于当前输入字符、目标历史输入词以及目标历史输入词的相关信息确定当前输入字符对应的候选词。本方案中，通过基于当前输入字符的音节切分结果从历史输入词集合中筛选出与当前输入字符相关的目标历史输入词，用以确定当前输入字符对应的候选词，能够提升候选词的质量，有助于提升用户的输入效率。
可选地，目标历史输入词确定模块在基于音节切分结果从历史输入词集合中确定目标历史输入词时，具体用于：
从历史输入词集合中确定与音节切分结果相匹配的候选历史输入词；
基于候选历史输入词确定目标历史输入词。
可选地，目标历史输入词确定模块在基于候选历史输入词确定目标历史输入词时，具体用于：
确定候选历史输入词在第一预设词典中的第一出现概率，第一预设词典为基于预设的第一历史用户在第一预设历史时段内的输入词构建的；
确定与候选历史输入词相匹配的音节切分结果在第二预设词典中的第二出现概率，第二预设词典为基于预设的第二历史用户在第二预设历史时段内的输入词对应的音节组合构建的；
基于第一出现概率以及第二出现概率，确定候选历史输入词对应的联合概率；
基于联合概率从候选历史输入词中确定目标历史输入词。
可选地，上述装置还包括修正处理模块，修正处理模块用于：
在基于第一出现概率以及第二出现概率，确定候选历史输入词对应的联合概率之前，基于候选历史输入词的上屏次数，以及候选历史输入词的最近上屏时间，确定修正系数；
基于修正系数对第一出现概率进行修正处理。
可选地，目标历史输入词确定模块在基于联合概率从候选历史输入词中确定目标历史输入词时，具体用于：
基于联合概率对候选历史输入词进行由高至低排序；
将排序中前预设个数的候选历史输入词确定为目标历史输入词。
可选地，相关信息包括：
目标历史输入词的上屏次数；
目标历史输入词的最近上屏时间。
可选地，预测数据还包括前序字符和/或后序字符，前序字符为在当前输入字符的输入位置之前的第一预设字符长度以内的字符，后序字符为在当前输入字符的输入位置之后的第二预设字符长度以内的字符。
可选地，上述装置还包括音节补全模块，音节补全模块用于：
在基于音节切分结果从历史输入词集合中确定目标历史输入词之前，确定音节切分结果中是否存在目标音节切分结果，目标音节切分结果包括待补全音节；
响应于音节切分结果中存在目标音节切分结果，对目标音节切分结果中的待补全音节进行补全处理。
可选地，候选词生成模块在基于预测数据确定当前输入字符对应的候选词时，具体用于：
将预设数据输入至预训练的候选词预测模型，得到当前输入字符对应的候选词。
可选地，候选词预测模型是通过如下方式获得的：
对样本用户的样本当前输入字符进行音节切分，得到样本音节切分结果；
基于样本音节切分结果从样本历史输入词集合中确定样本目标历史输入词，样本历史输入词集合包括样本用户在输入样本当前输入字符之前的历史输入操作对应的历史输入词，样本目标历史输入词为与样本当前输入字符相关的历史输入词；
获取训练数据，训练数据包括样本当前输入字符、样本目标历史输入词、样本目标历史输入词的样本相关信息以及样本当前输入字符对应的样板候选词；
基于训练数据进行模型训练，得到候选词预测模型。
可选地，样本相关信息包括：
样本目标历史输入词的上屏次数；
样本目标历史输入词的最近上屏时间。
可选地，训练数据还包括样本前序字符和/或样本后序字符，样本前序字符为在样本当前输入字符的输入位置之前的第三预设字符长度以内的字符，样本后序字符为在样本当前输入字符的输入位置之后的第四预设字符长度以内的字符。
可以理解的是，本公开实施例中的输入法候选词生成装置的上述各模块具有实现图1中所示的实施例中的输入法候选词生成方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述输入法候选词生成装置的各模块的功能描述具体可以参见图1中所示实施例中的输入法候选词生成方法的对应描述，在此不再赘述。
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。
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。
该电子设备包括：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本公开实施例提供的输入法候选词生成方法。
该电子设备与现有技术相比，通过对当前用户的当前输入字符进行音节切分，得到音节切分结果；基于音节切分结果从历史输入词集合中确与当前输入字符相关的目标历史输入词，从而基于当前输入字符、目标历史输入词以及目标历史输入词的相关信息确定当前输入字符对应的候选词。本方案中，通过基于当前输入字符的音节切分结果从历史输入词集合中筛选出与当前输入字符相关的目标历史输入词，用以确定当前输入字符对应的候选词，能够提升候选词的质量，有助于提升用户的输入效率。
该可读存储介质为存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如本公开实施例提供的输入法候选词生成方法。
该可读存储介质与现有技术相比，通过对当前用户的当前输入字符进行音节切分，得到音节切分结果；基于音节切分结果从历史输入词集合中确与当前输入字符相关的目标历史输入词，从而基于当前输入字符、目标历史输入词以及目标历史输入词的相关信息确定当前输入字符对应的候选词。本方案中，通过基于当前输入字符的音节切分结果从历史输入词集合中筛选出与当前输入字符相关的目标历史输入词，用以确定当前输入字符对应的候选词，能够提升候选词的质量，有助于提升用户的输入效率。
该计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开实施例提供的输入法候选词生成方法。
该计算机程序产品与现有技术相比，通过对当前用户的当前输入字符进行音节切分，得到音节切分结果；基于音节切分结果从历史输入词集合中确与当前输入字符相关的目标历史输入词，从而基于当前输入字符、目标历史输入词以及目标历史输入词的相关信息确定当前输入字符对应的候选词。本方案中，通过基于当前输入字符的音节切分结果从历史输入词集合中筛选出与当前输入字符相关的目标历史输入词，用以确定当前输入字符对应的候选词，能够提升候选词的质量，有助于提升用户的输入效率。
图5示出了可以用来实施本公开的实施例的示例电子设备50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5所示，电子设备50包括计算单元510，其可以根据存储在只读存储器(ROM)520中的计算机程序或者从存储单元580加载到随机访问存储器(RAM)530中的计算机程序，来执行各种适当的动作和处理。在RAM 530中，还可存储设备50操作所需的各种程序和数据。计算单元510、ROM 520以及RAM 530通过总线540彼此相连。输入/输出(I/O)接口550也连接至总线540。
设备50中的多个部件连接至I/O接口550，包括：输入单元560，例如键盘、鼠标等；输出单元570，例如各种类型的显示器、扬声器等；存储单元580，例如磁盘、光盘等；以及通信单元590，例如网卡、调制解调器、无线通信收发机等。通信单元590允许设备50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510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510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510执行本公开实施例中所提供的输入法候选词生成方法。例如，在一些实施例中，执行本公开实施例中所提供的输入法候选词生成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580。在一些实施例中，计算机程序的部分或者全部可以经由ROM 520和/或通信单元590而被载入和/或安装到设备50上。当计算机程序加载到RAM 530并由计算单元510执行时，可以执行本公开实施例中所提供的输入法候选词生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元510可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开实施例中所提供的输入法候选词生成方法。
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、现场可编程门阵列(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。
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 (20)
1.一种输入法候选词生成方法，包括：
对当前用户的当前输入字符进行音节切分，得到音节切分结果；
基于所述音节切分结果从历史输入词集合中确定目标历史输入词，所述历史输入词集合包括所述当前用户在输入所述当前输入字符之前的历史输入操作对应的历史输入词，所述目标历史输入词为与所述当前输入字符相关的历史输入词；
获取预测数据，并基于所述预测数据确定所述当前输入字符对应的候选词，所述预测数据包括所述当前输入字符、所述目标历史输入词以及所述目标历史输入词的相关信息。
2.根据权利要求1所述的方法，其中，所述基于所述音节切分结果从历史输入词集合中确定目标历史输入词，包括：
从所述历史输入词集合中确定与所述音节切分结果相匹配的候选历史输入词；
基于所述候选历史输入词确定目标历史输入词。
3.根据权利要求2所述的方法，其中，所述基于所述候选历史输入词确定目标历史输入词，包括：
确定所述候选历史输入词在第一预设词典中的第一出现概率，所述第一预设词典为基于预设的第一历史用户在第一预设历史时段内的输入词构建的；
确定与所述候选历史输入词相匹配的音节切分结果在第二预设词典中的第二出现概率，所述第二预设词典为基于预设的第二历史用户在第二预设历史时段内的输入词对应的音节组合构建的；
基于所述第一出现概率以及所述第二出现概率，确定所述候选历史输入词对应的联合概率；
基于所述联合概率从所述候选历史输入词中确定目标历史输入词。
4.根据权利要求3所述的方法，其中，在基于所述第一出现概率以及所述第二出现概率，确定所述候选历史输入词对应的联合概率之前，所述方法还包括：
基于所述候选历史输入词的上屏次数，以及所述候选历史输入词的最近上屏时间，确定修正系数；
基于所述修正系数对所述第一出现概率进行修正处理。
5.根据权利要求3或4所述的方法，其中，所述基于所述联合概率从所述候选历史输入词中确定目标历史输入词，包括：
基于所述联合概率对所述候选历史输入词进行由高至低排序；
将排序中前预设个数的所述候选历史输入词确定为目标历史输入词。
6.根据权利要求1-5中任一项所述的方法，其中，所述相关信息包括：
所述目标历史输入词的上屏次数；
所述目标历史输入词的最近上屏时间。
7.根据权利要求1-6中任一项所述的方法，其中，所述预测数据还包括前序字符和/或后序字符，所述前序字符为在所述当前输入字符的输入位置之前的第一预设字符长度以内的字符，所述后序字符为在所述当前输入字符的输入位置之后的第二预设字符长度以内的字符。
8.根据权利要求1-7中任一项所述的方法，在所述基于所述音节切分结果从历史输入词集合中确定目标历史输入词之前，所述方法还包括：
确定所述音节切分结果中是否存在目标音节切分结果，所述目标音节切分结果包括待补全音节；
响应于所述音节切分结果中存在目标音节切分结果，对所述目标音节切分结果中的待补全音节进行补全处理。
9.根据权利要求1-8中任一项所述的方法，其中，所述基于所述预测数据确定所述当前输入字符对应的候选词，包括：
将所述预设数据输入至预训练的候选词预测模型，得到所述当前输入字符对应的候选词。
10.根据权利要求9所述的方法，其中，所述候选词预测模型是通过如下方式获得的：
对样本用户的样本当前输入字符进行音节切分，得到样本音节切分结果；
基于所述样本音节切分结果从样本历史输入词集合中确定样本目标历史输入词，所述样本历史输入词集合包括所述样本用户在输入所述样本当前输入字符之前的历史输入操作对应的历史输入词，所述样本目标历史输入词为与所述样本当前输入字符相关的历史输入词；
获取训练数据，所述训练数据包括所述样本当前输入字符、所述样本目标历史输入词、所述样本目标历史输入词的样本相关信息以及所述样本当前输入字符对应的样板候选词；
基于所述训练数据进行模型训练，得到所述候选词预测模型。
11.根据权利要求10所述的方法，其中，所述样本相关信息包括：
所述样本目标历史输入词的上屏次数；
所述样本目标历史输入词的最近上屏时间。
12.根据权利要求10或11所述的方法，其中，所述训练数据还包括样本前序字符和/或样本后序字符，所述样本前序字符为在所述样本当前输入字符的输入位置之前的第三预设字符长度以内的字符，所述样本后序字符为在所述样本当前输入字符的输入位置之后的第四预设字符长度以内的字符。
13.一种输入法候选词生成装置，包括：
音节切分模块，用于对当前用户的当前输入字符进行音节切分，得到音节切分结果；
目标历史输入词确定模块，用于基于所述音节切分结果从历史输入词集合中确定目标历史输入词，所述历史输入词集合包括所述当前用户在输入所述当前输入字符之前的历史输入操作对应的历史输入词，所述目标历史输入词为与所述当前输入字符相关的历史输入词；
候选词生成模块，用于获取预测数据，并基于所述预测数据确定所述当前输入字符对应的候选词，所述预测数据包括所述当前输入字符、所述目标历史输入词以及所述目标历史输入词的相关信息。
14.根据权利要求13所述的装置，其中，所述目标历史输入词确定模块在基于所述音节切分结果从历史输入词集合中确定目标历史输入词时，具体用于：
从所述历史输入词集合中确定与所述音节切分结果相匹配的候选历史输入词；
基于所述候选历史输入词确定目标历史输入词。
15.根据权利要求14所述的装置，其中，所述目标历史输入词确定模块在基于所述候选历史输入词确定目标历史输入词时，具体用于：
确定所述候选历史输入词在第一预设词典中的第一出现概率，所述第一预设词典为基于预设的第一历史用户在第一预设历史时段内的输入词构建的；
确定与所述候选历史输入词相匹配的音节切分结果在第二预设词典中的第二出现概率，所述第二预设词典为基于预设的第二历史用户在第二预设历史时段内的输入词对应的音节组合构建的；
基于所述第一出现概率以及所述第二出现概率，确定所述候选历史输入词对应的联合概率；
基于所述联合概率从所述候选历史输入词中确定目标历史输入词。
16.根据权利要求15所述的装置，还包括修正处理模块，所述修正处理模块用于：
在基于所述第一出现概率以及所述第二出现概率，确定所述候选历史输入词对应的联合概率之前，基于所述候选历史输入词的上屏次数，以及所述候选历史输入词的最近上屏时间，确定修正系数；
基于所述修正系数对所述第一出现概率进行修正处理。
17.根据权利要求15或16所述的装置，其中，所述目标历史输入词确定模块在基于所述联合概率从所述候选历史输入词中确定目标历史输入词时，具体用于：
基于所述联合概率对所述候选历史输入词进行由高至低排序；
将排序中前预设个数的所述候选历史输入词确定为目标历史输入词。
18.一种电子设备，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1-12中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。
20.一种计算机程序产品，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1-12中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211167848.4A CN115454261A (zh) | 2022-09-23 | 2022-09-23 | 输入法候选词生成方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211167848.4A CN115454261A (zh) | 2022-09-23 | 2022-09-23 | 输入法候选词生成方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115454261A true CN115454261A (zh) | 2022-12-09 |
Family
ID=84307124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211167848.4A Pending CN115454261A (zh) | 2022-09-23 | 2022-09-23 | 输入法候选词生成方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115454261A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117251061A (zh) * | 2023-11-17 | 2023-12-19 | 广东省电信规划设计院有限公司 | 基于aigc的同屏智能输入方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140136970A1 (en) * | 2011-07-14 | 2014-05-15 | Tencent Technology (Shenzhen) Company Limited | Text inputting method, apparatus and system |
| CN105335415A (zh) * | 2014-08-04 | 2016-02-17 | 北京搜狗科技发展有限公司 | 基于输入预测的搜索方法和输入法系统 |
| CN106873799A (zh) * | 2017-02-16 | 2017-06-20 | 北京百度网讯科技有限公司 | 输入方法和装置 |
| CN107608532A (zh) * | 2016-07-11 | 2018-01-19 | 北京搜狗科技发展有限公司 | 一种联想输入方法、装置及电子设备 |
| CN113360004A (zh) * | 2021-07-01 | 2021-09-07 | 北京华宇信息技术有限公司 | 输入法候选词推荐方法及装置 |
-
2022
- 2022-09-23 CN CN202211167848.4A patent/CN115454261A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140136970A1 (en) * | 2011-07-14 | 2014-05-15 | Tencent Technology (Shenzhen) Company Limited | Text inputting method, apparatus and system |
| CN105335415A (zh) * | 2014-08-04 | 2016-02-17 | 北京搜狗科技发展有限公司 | 基于输入预测的搜索方法和输入法系统 |
| CN107608532A (zh) * | 2016-07-11 | 2018-01-19 | 北京搜狗科技发展有限公司 | 一种联想输入方法、装置及电子设备 |
| CN106873799A (zh) * | 2017-02-16 | 2017-06-20 | 北京百度网讯科技有限公司 | 输入方法和装置 |
| CN113360004A (zh) * | 2021-07-01 | 2021-09-07 | 北京华宇信息技术有限公司 | 输入法候选词推荐方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117251061A (zh) * | 2023-11-17 | 2023-12-19 | 广东省电信规划设计院有限公司 | 基于aigc的同屏智能输入方法及装置 |
| CN117251061B (zh) * | 2023-11-17 | 2024-03-15 | 广东省电信规划设计院有限公司 | 基于aigc的同屏智能输入方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20210132578A (ko) | 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체 | |
| CN114118287A (zh) | 样本生成方法、装置、电子设备以及存储介质 | |
| CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
| CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
| CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
| CN113127365A (zh) | 确定网页质量的方法、装置、电子设备和计算机可读存储介质 | |
| US20220128372A1 (en) | Method for path planning, electronic device and storage medium | |
| CN115454261A (zh) | 输入法候选词生成方法、装置、电子设备及可读存储介质 | |
| CN113919424A (zh) | 文本处理模型的训练、文本处理方法、装置、设备和介质 | |
| CN114818736B (zh) | 文本处理方法、用于短文本的链指方法、装置及存储介质 | |
| CN114647739B (zh) | 实体链指方法、装置、电子设备及存储介质 | |
| CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
| CN114329210A (zh) | 信息推荐方法、装置及电子设备 | |
| CN114417862A (zh) | 文本匹配方法、文本匹配模型的训练方法和装置 | |
| CN113361621A (zh) | 用于训练模型的方法和装置 | |
| CN113239273A (zh) | 用于生成文本的方法、装置、设备以及存储介质 | |
| CN114330364B (zh) | 模型训练方法、意图识别方法、装置和电子设备 | |
| US20230004774A1 (en) | Method and apparatus for generating node representation, electronic device and readable storage medium | |
| CN116127948B (zh) | 待标注文本数据的推荐方法、装置及电子设备 | |
| CN113361712B (zh) | 特征确定模型的训练方法、语义分析方法、装置及电子设备 | |
| CN116244432B (zh) | 语言模型的预训练方法、装置及电子设备 | |
| EP4123999A2 (en) | Method and apparatus for pushing a resource, and storage medium | |
| CN113947082A (zh) | 分词处理的方法、装置、设备以及存储介质 | |
| CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
| CN114036263A (zh) | 一种网站识别方法、装置及电子设备 |
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 |