CN115494965A - 一种请求发送方法、装置和用于发送请求的装置 - Google Patents

Abstract

本申请实施例公开了一种请求发送方法、装置和用于发送请求的装置。该方法的实施例包括：从用户的当前输入数据中提取特征信息；将特征信息输入至预先训练的请求决策模型，得到决策结果，请求决策模型用于决策是否向服务端发送请求；响应于决策结果指示发送请求，基于当前输入数据向服务端发送候选项获取请求。该实施方式提高了请求发送时机的准确性以及候选项的输出效率。

Description

一种请求发送方法、装置和用于发送请求的装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及一种请求发送方法、装置和用于发送请求的装置。

背景技术

在用户利用输入法客户端进行内容输入时，候选项既可以从客户端本地词库中选取，也可以通过向服务端发送请求的方式获取。客户端本地选取候选项虽便捷，但因词库容量及计算性能受限，易导致所选取的候选项无法命中用户期望的目标词。而请求服务端来获取候选项的方式则需要消耗流量以及增加候选项输出时长。由此，在合适时机向服务端发送请求极为重要。

现有技术中，通常需要基于人工经验预先设定大量规则，在用户输入数据满足所设定的规则时向服务端发送请求。由于请求发送的条件受人工经验影响，因此难以保证在最优时机发送请求。同时，这种基于规则请求发送方式需要耗费较多时间进行规则匹配，导致候选项的输出效率较低。

发明内容

本申请实施例提出了一种请求发送方法、装置和用于发送请求的装置，以解决现有技术中请求发送时机的准确性较低以及候选项的输出效率较低的技术问题。

第一方面，本申请实施例提供了一种请求发送方法，该方法包括：从用户的当前输入数据中提取特征信息；将所述特征信息输入至预先训练的请求决策模型，得到决策结果，所述请求决策模型用于决策是否向服务端发送请求；响应于所述决策结果指示发送请求，基于所述当前输入数据向所述服务端发送候选项获取请求。

第二方面，本申请实施例提供了一种请求发送装置，该装置包括：提取单元，被配置成从用户的当前输入数据中提取特征信息；决策单元，被配置成将所述特征信息输入至预先训练的请求决策模型，得到决策结果，所述请求决策模型用于决策是否向服务端发送请求；发送单元，被配置成响应于所述决策结果指示发送请求，基于所述当前输入数据向所述服务端发送候选项获取请求。

第三方面，本申请实施例提供了一种用于发送请求的装置，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行一个或者一个以上程序包含用于进行如上述第一方面所描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所描述的方法。

本申请实施例提供的请求发送方法、装置和用于发送请求的装置，通过从用户的当前输入数据中提取特征信息，并将特征信息输入至预先训练的请求决策模型，以得到决策结果，从而在决策结果指示发送请求的情况下，基于当前输入数据向服务端发送候选项获取请求。由于决策模型可基于当前输入数据自动决策是否向服务端发送请求，不受人工经验影响，因而可提高请求发送时机的准确性。同时，在请求发送之前省略了现有技术中的规则匹配过程，提高了候选项的输出效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是根据本申请的请求发送方法的一个实施例的流程图；

图2是根据本申请的请求发送方法的又一个实施例的流程图；

图3是根据本申请的请求发送装置的一个实施例的结构示意图；

图4是根据本申请的一种用于发送请求的装置的结构示意图；

图5是根据本申请的一些实施例中服务器的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

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

请参考图1，其示出了根据本申请的请求发送方法的一个实施例的流程100。上述请求发送方法可运行于各种电子设备，上述电子设备包括但不限于：服务器、智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准音频层面3，Moving Picture ExpertsGroup Audio Layer III)播放器、MP4(动态影像专家压缩标准音频层面4，Moving PictureExperts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等。

本申请实施例中所提到的输入法应用能够支持多种输入法。其中，输入法可以是一种为了将各种符号输入到如计算机、手机等电子设备而采用的编码方法，用户可以使用输入法应用便利地将需要的字符或者字符串输入电子设备。需要注意的是，在本申请实施例中输入法除了支持常见的中文输入法(比如拼音输入法、五笔输入法、注音输入法、语音输入法、手写输入法等)以外，还可以支持其他语种的输入法(比如英文输入法、日文平假名输入法、韩文输入法等)，在此不对输入法以及输入法的语言种类做任何限定。

本实施例中的请求发送方法，可以包括以下步骤：

步骤101，从用户的当前输入数据中提取特征信息。

在本实施例中，请求发送方法的执行主体(如上述电子设备)可以安装有输入法客户端。上述执行主体可以实时获取目标用户在输入法客户端中的当前输入数据，并从当前输入数据中提取特征信息。输入数据即为用户在输入过程中产生的与输入相关的数据。例如，可包括但不限于当前输入串、客户端本地的候选项等。当前输入数据即为在当前输入过程(即本次输入过程)中产生的输入数据。特征信息可以是用于表征当前输入数据的特征的信息。

在一些示例中，特征信息可包括但不限于以下至少一项：输入串长度、候选项长度、候选项个数、首个候选项的词频、首个候选项的类型等。此处的候选项，可以指从客户端本地获取的候选项，如从本地系统词库、用户词库等来源获取的候选项。

步骤102，将特征信息输入至预先训练的请求决策模型，得到决策结果。

在本实施例中，上述执行主体中可以存储有预先训练的请求决策模型。请求决策模型可用于决策是否向服务端发送请求。服务端可以是硬件，也可以是软件。当服务端为硬件时，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。服务器可以是物理服务器，也可以是云服务器。当服务端为软件时，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。

在本实施例中，请求决策模型可以基于历史输入数据，采用机器学习方法预先训练得到。上述执行主体可以将步骤101所提取的特征信息输入至该请求决策模型，得到该请求决策模型输出的决策结果。实践中，决策结果可以是一数值，若该数值大于预设值，则可指示向服务端发送请求；反之，若该数值小于该预设值，则可指示不向服务端发送请求。

在本实施例中，请求决策模型可通过对分类模型训练得到。分类模型可以是具有分类功能的各种模型，如使用现有结构(例如DenseBox、VGGNet、ResNet、SegNet等)的卷积神经网络、支持向量机(Support Vector Machine，SVM)、各种类型的决策树等。具体可按照如下步骤训练得到：

第一步，获取用户的历史输入数据。

此处，历史输入数据即为在历史输入过程中所产生的输入数据。每次历史输入过程均可产生一条历史输入数据。历史输入数据中可包括但不限于历史输入串、客户端本地的候选项、服务端下发的候选项、用户上屏候选项等。基于历史输入数据，可得知客户端本地的候选项以及服务端下发的候选项是否命中用户上屏候选项。

第二步，基于服务端下发的候选项与客户端本地的候选项对用户上屏候选项的命中情况，将历史输入数据划分为正样本和负样本。

此处，可将每一条历史输入数据作为一个样本。对于每一条历史输入数据，若该历史输入数据中由服务端下发的候选项命中用户上屏候选项且客户端本地的候选项未命中用户上屏候选项，则可将该历史输入数据作为正样本。反之，可将其作为负样本。

第三步，基于正样本和负样本，对分类模型进行训练，得到请求决策模型。

此处，可首先将正样本和负样本汇总为样本集。而后，可分别从样本集中的每个样本中提取特征信息。与从当前输入数据中提取的特征信息类似，此处的特征信息也可包括但不限于以下至少一项：输入串长度、候选项长度、候选项个数、首个候选项的词频、首个候选项的类型等。在提取特征信息后，可将样本的特征信息作为分类模型的输入，基于所输入的特征信息对应的样本类型(正样本或者负样本)，对分类模型进行有监督训练，将训练后的分类模型确定为请求决策模型。

在训练过程中，可以逐一地将样本的特征信息输入至分类模型，得到端到端模型输出的分类结果(可以是一个数值)。而后，可以基于分类结果与所输入的特征信息对应的样本类型(正样本或者负样本，例如可用1表示正样本，用0表示负样本)，确定分类模型的损失值。上述损失值为损失函数(loss function)的值，损失函数是一个非负实值函数，可以用于表征检测结果与真实结果的差异。一般情况下，损失值越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。之后，可以利用该损失值，更新分类模型的参数。由此，每输入一次样本的特征信息，可以得到一次损失值，基于该损失值，可对分类模型的参数进行一次更新，直至训练完成。

实践中，可以通过多种方式确定是否训练完成。作为示例，当分类模型输出的分类结果的准确性达到预设值时(例如99％)，可确定训练完成。作为又一示例，若分类模型的训练次数等于预设次数时，可以确定训练完成。此处，若分类模型训练完成，即可将训练后的分类模型作为请求决策模型，以用于决策是否向服务端发送请求。

可以理解的是，当客户端本地的候选项未命中用户期望的目标词，但服务端下发的候选项能够命中目标词时，是向服务端发送请求的最合理的时机，此时需要向服务端发送请求。由于请求决策模型基于历史输入数据预先训练得到，且历史输入数据可体现出客户端本地的候选项以及服务端下发的候选项是对用户上屏候选项的命中情况，因而请求决策模型可自动学习到需要请求服务端时的特征，从而在当前输入数据满足该特征时作出发送请求的决策。由于决策过程未受人工经验影响，因而可提高请求发送时机的准确性。同时，由于在请求发送之前省略了现有技术中的规则匹配过程，因此提高了候选项的输出效率。

进一步地，由于请求发送时机准确，故一方面避免了在本地候选项命中用户所期望的目标词时仍向服务端发送请求的情况，降低了流量消耗以及候选项输出耗时。另一方面避免了在本地候选未命中用户所期望的目标词时未向服务端发送请求的情况，提高了候选项的准确性。

步骤103，响应于决策结果指示发送请求，基于当前输入数据向服务端发送候选项获取请求。

在本实施例中，响应于请求决策模型输出的决策结果指示发送请求，上述执行主体可以基于当前输入数据向服务端发送候选项获取请求，以请求服务端返回候选项。服务端接收到候选项获取请求后，可基于当前输入数据返回若干匹配的候选项。上述执行主体在接收到服务端返回的候选项后，可将其与本地候选项进行排序，从而按照排序结果对候选项进行展现。

在本实施例的一些可选的实现方式中，当前输入数据中包括可当前输入串。响应于决策结果指示发送请求，上述执行主体可以向服务端发送包含当前输入串的候选项获取请求，由此，服务端可基于当前输入串，获取若干匹配的候选项，并返回至上述执行主体。

本申请的上述实施例提供的方法，通过从用户的当前输入数据中提取特征信息，并将特征信息输入至预先训练的请求决策模型，以得到决策结果，从而在决策结果指示发送请求的情况下，基于当前输入数据向服务端发送候选项获取请求。由于决策模型可基于当前输入数据自动决策是否向服务端发送请求，不受人工经验影响，因而可提高请求发送时机的准确性。同时，在请求发送之前省略了现有技术中的规则匹配过程，提高了候选项的输出效率。

进一步参考图2，其示出了请求发送方法的又一个实施例的流程200。该请求发送方法的流程200，包括以下步骤：

步骤201，从用户的当前输入数据中提取特征信息。

本实施例中的步骤201可参见图1对应实施例的步骤101，此处不再赘述。

步骤202，将特征信息输入至预先训练的请求决策模型，得到决策结果。

本实施例中的步骤202可参见图1对应实施例的步骤102，此处不再赘述。

在本实施例的一些可选的实现方式中，上述请求决策模型通过如下步骤训练得到：获取用户的历史输入数据；基于服务端下发的候选项与客户端本地的候选项对用户上屏候选项的命中情况，将上述历史输入数据划分为正样本和负样本；基于上述正样本和上述负样本，对分类模型进行训练，得到请求决策模型。

在本实施例的一些可选的实现方式中，上述基于服务端下发的候选项与客户端本地的候选项对用户上屏候选项的命中情况，将上述历史输入数据划分为正样本和负样本，包括：对于每一条历史输入数据，若该历史输入数据中由服务端下发的候选项命中用户上屏候选项，且客户端本地的候选项未命中上述用户上屏候选项，则将该历史输入数据作为正样本；将除正样本之外的历史输入数据作为负样本。

在本实施例的一些可选的实现方式中，上述基于上述正样本和上述负样本，对分类模型进行训练，得到请求决策模型，包括：将上述正样本和上述负样本汇总为样本集；从上述样本集中的样本中提取特征信息，并将样本的特征信息作为分类模型的输入，基于所输入的特征信息对应的样本类型，对上述分类模型进行有监督训练，将训练后的分类模型确定为请求决策模型。

步骤203，响应于决策结果指示发送请求，基于当前输入数据向服务端发送候选项获取请求。

本实施例中的步骤203可参见图1对应实施例的步骤103，此处不再赘述。

在本实施例的一些可选的实现方式中，上述当前输入数据中包括当前输入串；以及，上述响应于上述决策结果指示发送请求，基于上述当前输入数据向上述服务端发送候选项获取请求，包括：响应于上述决策结果指示发送请求，向上述服务端发送包含上述当前输入串的候选项获取请求。

步骤204，接收服务端返回的候选项。

在本实施例中，在向服务端发送候选项获取请求后，请求发送方法的执行主体可接收服务端返回的候选项，并基于用户选中的候选项的类型，对请求决策模型进行再训练，以更新请求决策模型。

步骤205，响应于用户选中服务端返回的候选项，将当前输入数据作为正样本，基于正样本对请求决策模型进行再训练，以更新请求决策模型。

在本实施例中，响应于用户选中服务端返回的候选项，上述执行主体可将当前输入数据作为正样本，基于正样本对请求决策模型进行再训练，以更新请求决策模型。由此，可以持续更新请求决策模型，以提高请求决策模型的泛化性。再训练请求决策模型的方式与上述实施例中的模型训练方式基本相同，此处不再赘述。

步骤206，响应于用户未选中服务端返回的候选项，将当前输入数据作为负样本，基于负样本对请求决策模型进行再训练，以更新请求决策模型。

在本实施例中，响应于用户未选中服务端返回的候选项，上述执行主体可将当前输入数据作为负样本，基于负样本对请求决策模型进行再训练，以更新请求决策模型。由此，可以持续更新请求决策模型，以提高请求决策模型的泛化性。再训练请求决策模型的方式与上述实施例中的模型训练方式基本相同，此处不再赘述。

从图2中可以看出，与图1对应的实施例相比，本实施例中的请求发送方法的流程200涉及了基于服务端返回的候选项以及用户选中的候选项的类型，对请求决策模型进行再训练的步骤。由此，可以持续更新请求决策模型，以提高请求决策模型的泛化性。

进一步参考图3，作为对上述各图所示方法的实现，本申请提供了一种请求发送装置的一个实施例，该装置实施例与图1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3所示，本实施例上述的请求发送装置300包括：提取单元301，被配置成从用户的当前输入数据中提取特征信息；决策单元302，被配置成将上述特征信息输入至预先训练的请求决策模型，得到决策结果，上述请求决策模型用于决策是否向服务端发送请求；发送单元303，被配置成响应于上述决策结果指示发送请求，基于上述当前输入数据向上述服务端发送候选项获取请求。

在本实施例的一些可选的实现方式中，上述请求决策模型通过如下步骤训练得到：获取用户的历史输入数据；基于服务端下发的候选项与客户端本地的候选项对用户上屏候选项的命中情况，将上述历史输入数据划分为正样本和负样本；基于上述正样本和上述负样本，对分类模型进行训练，得到请求决策模型。

在本实施例的一些可选的实现方式中，上述基于服务端下发的候选项与客户端本地的候选项对用户上屏候选项的命中情况，将上述历史输入数据划分为正样本和负样本，包括：对于每一条历史输入数据，若该历史输入数据中由服务端下发的候选项命中用户上屏候选项且客户端本地的候选项未命中上述用户上屏候选项，则将该历史输入数据作为正样本；将除正样本之外的历史输入数据作为负样本。

在本实施例的一些可选的实现方式中，上述基于上述正样本和上述负样本，对分类模型进行训练，得到请求决策模型，包括：将上述正样本和上述负样本汇总为样本集；从上述样本集中的样本中提取特征信息，并将样本的特征信息作为分类模型的输入，基于所输入的特征信息对应的样本类型，对上述分类模型进行有监督训练，将训练后的分类模型确定为请求决策模型。

在本实施例的一些可选的实现方式中，上述当前输入数据中包括当前输入串；以及，上述发送单元，进一步被配置成：响应于上述决策结果指示发送请求，向上述服务端发送包含上述当前输入串的候选项获取请求。

在本实施例的一些可选的实现方式中，上述装置还包括再训练单元，被配置成：接收上述服务端返回的候选项；响应于用户选中上述服务端返回的候选项，将上述当前输入数据作为正样本，基于上述正样本对上述请求决策模型进行再训练，以更新上述请求决策模型；或者，响应于用户未选中上述服务端返回的候选项，将上述当前输入数据作为负样本，基于上述负样本对上述请求决策模型进行再训练，以更新上述请求决策模型。

在本实施例的一些可选的实现方式中，上述特征信息包括以下至少一项：输入串长度、候选项长度、候选项个数、首个候选项的词频、首个候选项的类型。

本申请的上述实施例提供的装置，通过从用户的当前输入数据中提取特征信息，并将特征信息输入至预先训练的请求决策模型，以得到决策结果，从而在决策结果指示发送请求的情况下，基于当前输入数据向服务端发送候选项获取请求。由于决策模型可基于当前输入数据自动决策是否向服务端发送请求，不受人工经验影响，因而可提高请求发送时机的准确性。同时，在请求发送之前省略了现有技术中的规则匹配过程，提高了候选项的输出效率。

图4是根据一示例性实施例示出的用于发送请求的装置400的框图，该装置400可以为智能终端或者服务器。例如，装置400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。

处理组件402通常控制装置400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件402可以包括一个或多个处理器420来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。

存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。

多媒体组件408包括在上述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。上述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与上述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当设备400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当装置400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。

I/O接口412为处理组件402和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到设备400的打开/关闭状态，组件的相对定位，例如上述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，上述通信组件416还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述方法。例如，上述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图5是本申请的一些实施例中服务器的结构示意图。该服务器500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processingunits，CPU)522(例如，一个或一个以上处理器)和存储器532，一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器522可以设置为与存储介质530通信，在服务器500上执行存储介质530中的一系列指令操作。

服务器500还可以包括一个或一个以上电源526，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口558，一个或一个以上键盘556，和/或，一个或一个以上操作系统541，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

一种非临时性计算机可读存储介质，当上述存储介质中的指令由装置(智能终端或者服务器)的处理器执行时，使得装置能够执行一种请求发送方法，上述方法包括：从用户的当前输入数据中提取特征信息；将所述特征信息输入至预先训练的请求决策模型，得到决策结果，所述请求决策模型用于决策是否向服务端发送请求；响应于所述决策结果指示发送请求，基于所述当前输入数据向所述服务端发送候选项获取请求。

可选的，所述请求决策模型通过如下步骤训练得到：获取用户的历史输入数据；基于服务端下发的候选项与客户端本地的候选项对用户上屏候选项的命中情况，将所述历史输入数据划分为正样本和负样本；基于所述正样本和所述负样本，对分类模型进行训练，得到请求决策模型。

可选的，所述基于服务端下发的候选项与客户端本地的候选项对用户上屏候选项的命中情况，将所述历史输入数据划分为正样本和负样本，包括：对于每一条历史输入数据，若该历史输入数据中由服务端下发的候选项命中用户上屏候选项且客户端本地的候选项未命中所述用户上屏候选项，则将该历史输入数据作为正样本；将除正样本之外的历史输入数据作为负样本。

可选的，所述基于所述正样本和所述负样本，对分类模型进行训练，得到请求决策模型，包括：将所述正样本和所述负样本汇总为样本集；从所述样本集中的样本中提取特征信息，并将样本的特征信息作为分类模型的输入，基于所输入的特征信息对应的样本类型，对所述分类模型进行有监督训练，将训练后的分类模型确定为请求决策模型。

可选的，所述当前输入数据中包括当前输入串；以及，所述响应于所述决策结果指示发送请求，基于所述当前输入数据向所述服务端发送候选项获取请求，包括：响应于所述决策结果指示发送请求，向所述服务端发送包含所述当前输入串的候选项获取请求。

可选的，所述装置经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：接收所述服务端返回的候选项；响应于用户选中所述服务端返回的候选项，将所述当前输入数据作为正样本，基于所述正样本对所述请求决策模型进行再训练，以更新所述请求决策模型；或者，响应于用户未选中所述服务端返回的候选项，将所述当前输入数据作为负样本，基于所述负样本对所述请求决策模型进行再训练，以更新所述请求决策模型。

可选的，所述特征信息包括以下至少一项：输入串长度、候选项长度、候选项个数、首个候选项的词频、首个候选项的类型。

本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

以上上述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

以上对本申请所提供的一种请求发送方法、装置和一种用于发送请求的装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (15)

1.一种请求发送方法，其特征在于，所述方法包括：

从用户的当前输入数据中提取特征信息；

将所述特征信息输入至预先训练的请求决策模型，得到决策结果，所述请求决策模型用于决策是否向服务端发送请求；

响应于所述决策结果指示发送请求，基于所述当前输入数据向所述服务端发送候选项获取请求。

2.根据权利要求1所述的方法，其特征在于，所述请求决策模型通过如下步骤训练得到：

获取用户的历史输入数据；

基于服务端下发的候选项与客户端本地的候选项对用户上屏候选项的命中情况，将所述历史输入数据划分为正样本和负样本；

基于所述正样本和所述负样本，对分类模型进行训练，得到请求决策模型。

3.根据权利要求2所述的方法，其特征在于，所述基于服务端下发的候选项与客户端本地的候选项对用户上屏候选项的命中情况，将所述历史输入数据划分为正样本和负样本，包括：

对于每一条历史输入数据，若该历史输入数据中由服务端下发的候选项命中用户上屏候选项且客户端本地的候选项未命中所述用户上屏候选项，则将该历史输入数据作为正样本；

将除正样本之外的历史输入数据作为负样本。

4.根据权利要求2所述的方法，其特征在于，所述基于所述正样本和所述负样本，对分类模型进行训练，得到请求决策模型，包括：

将所述正样本和所述负样本汇总为样本集；

从所述样本集中的样本中提取特征信息，并将样本的特征信息作为分类模型的输入，基于所输入的特征信息对应的样本类型，对所述分类模型进行有监督训练，将训练后的分类模型确定为请求决策模型。

5.根据权利要求1所述的方法，其特征在于，所述当前输入数据中包括当前输入串；以及，

所述响应于所述决策结果指示发送请求，基于所述当前输入数据向所述服务端发送候选项获取请求，包括：

响应于所述决策结果指示发送请求，向所述服务端发送包含所述当前输入串的候选项获取请求。

6.根据权利要求1所述的方法，其特征在于，在基于所述当前输入数据向所述服务端发送候选项获取请求之后，所述方法还包括：

接收所述服务端返回的候选项；

响应于用户选中所述服务端返回的候选项，将所述当前输入数据作为正样本，基于所述正样本对所述请求决策模型进行再训练，以更新所述请求决策模型；或者，

响应于用户未选中所述服务端返回的候选项，将所述当前输入数据作为负样本，基于所述负样本对所述请求决策模型进行再训练，以更新所述请求决策模型。

7.根据权利要求1所述的方法，其特征在于，所述特征信息包括以下至少一项：输入串长度、候选项长度、候选项个数、首个候选项的词频、首个候选项的类型。

8.一种请求发送装置，其特征在于，所述装置包括：

提取单元，被配置成从用户的当前输入数据中提取特征信息；

决策单元，被配置成将所述特征信息输入至预先训练的请求决策模型，得到决策结果，所述请求决策模型用于决策是否向服务端发送请求；

发送单元，被配置成响应于所述决策结果指示发送请求，基于所述当前输入数据向所述服务端发送候选项获取请求。

9.根据权利要求8所述的装置，其特征在于，所述请求决策模型通过如下步骤训练得到：

获取用户的历史输入数据；

基于服务端下发的候选项与客户端本地的候选项对用户上屏候选项的命中情况，将所述历史输入数据划分为正样本和负样本；

基于所述正样本和所述负样本，对分类模型进行训练，得到请求决策模型。

10.根据权利要求9所述的装置，其特征在于，所述基于服务端下发的候选项与客户端本地的候选项对用户上屏候选项的命中情况，将所述历史输入数据划分为正样本和负样本，包括：

对于每一条历史输入数据，若该历史输入数据中由服务端下发的候选项命中用户上屏候选项且客户端本地的候选项未命中所述用户上屏候选项，则将该历史输入数据作为正样本；

将除正样本之外的历史输入数据作为负样本。

11.根据权利要求9所述的装置，其特征在于，所述基于所述正样本和所述负样本，对分类模型进行训练，得到请求决策模型，包括：

将所述正样本和所述负样本汇总为样本集；

从所述样本集中的样本中提取特征信息，并将样本的特征信息作为分类模型的输入，基于所输入的特征信息对应的样本类型，对所述分类模型进行有监督训练，将训练后的分类模型确定为请求决策模型。

12.根据权利要求8所述的装置，其特征在于，所述当前输入数据中包括当前输入串；以及，

所述发送单元，进一步被配置成：

响应于所述决策结果指示发送请求，向所述服务端发送包含所述当前输入串的候选项获取请求。

13.根据权利要求8所述的装置，其特征在于，所述装置还包括再训练单元，被配置成：

接收所述服务端返回的候选项；

响应于用户选中所述服务端返回的候选项，将所述当前输入数据作为正样本，基于所述正样本对所述请求决策模型进行再训练，以更新所述请求决策模型；或者，

响应于用户未选中所述服务端返回的候选项，将所述当前输入数据作为负样本，基于所述负样本对所述请求决策模型进行再训练，以更新所述请求决策模型。

14.一种用于发送请求的装置，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，所述程序被一个或者一个以上处理器执行时，实现权利要求1-7中任一所述方法的步骤。

15.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images