KR20070067646A

KR20070067646A - 사용자 단어 및 사용자 동작의 컨텍스트 예측 장치 및 방법

Info

Publication number: KR20070067646A
Application number: KR1020067007439A
Authority: KR
Inventors: 존 카이 데이비드; 알. 브래드포드 에단; 핌 반 메우르스; 씨. 페디 피터
Original assignee: 에이오엘 엘엘씨
Priority date: 2003-09-19
Filing date: 2004-07-21
Publication date: 2007-06-28
Also published as: TWI263163B; WO2005036413A1; WO2005036413A8; EP1665078A1; CN1707409B; CN1707409A; CA2537934C; TW200513955A; EP2498190A3; JP2007506184A; US20050017954A1; KR100893447B1; EP1665078A4; MXPA06003062A; EP2498190A2; CA2537934A1; US7679534B2; JP5305592B2

Abstract

본 발명은 입력 디바이스(12)를 구비한 시스템에 사용자가 정보를 입력하는 것에 관한 것이다. 사용자가 스페이스 문자와 같은 특정 부호를 입력한 후에 사용자가 입력하고자 하는 완전한 단어가 제공되고, 디스플레이에 표시되는 방안이 제공된다. 만약 그 후에 사용자가 예측을 수락하지 않고 모호한 키를 누르면, 선택 리스트가 재정렬된다. 본 발명은 메시지를 받는 사람, 메시지를 기록하는 사람, 요일, 시간 등과 같은 컨텍스트에 대한 예측을 한다. 본 발명의 다른 실시예는 단어뿐만 아니라, 메뉴 항목과 관련한 사용자 동작 또는 형식 채우기와 관련한 사용자 동작과 같은 사용자 동작의 예측을 고려한다.

Description

사용자 단어 및 사용자 동작의 컨텍스트 예측 장치 및 방법{CONTEXTUAL PREDICTION OF USER WORDS AND USER ACTIONS}

본 발명은 사용자가 입력 장치로 시스템에 정보를 입력하는 것에 관한 것이다. 보다 구체적으로는, 본 발명은 사용자 입력 및 동작의 컨텍스트적 예측(contextual prediction)에 관한 것이다.

오랫동안, 휴대형 컴퓨터는 더욱 더 소형화되어 왔다. 소형의 휴대형 컴퓨터를 제조하는데 있어서 크기에 제한을 가하는 주요한 요소는 키보드였다. 만약 표준 타자기 크기의 키가 사용되면, 휴대형 컴퓨터는 적어도 키보드만큼 커야 한다. 소형 키보드가 휴대형 컴퓨터 상에 사용되어 왔지만, 소형 키보드는 너무 작아서 사용자가 쉽게 또는 빠르게 작동시킬 수 없는 것으로 드러났다. 완전한 크기의 키보드를 휴대형 컴퓨터에 포함시키는 것은 컴퓨터의 진정한 휴대 용도를 방해한다. 대부분의 휴대형 컴퓨터는, 사용자가 양손으로 타이핑을 할 수 있도록 평탄한 작업 면에 컴퓨터를 두지 않으면 동작할 수 없다. 사용자는 서 있는 동안 또는 이동하는 동안 휴대형 컴퓨터를 쉽게 사용할 수 없다.

PDA(Personal Digital Assistants)라고 하는 최신의 소형 휴대형 컴퓨터에서는, 여러 회사들이 수기 인식 소프트웨어를 PDA에 포함시킴으로써 이 문제를 해결 하고자 시도하여 왔다. 사용자는 터치 감지 패널 또는 스크린 상에 기록함으로써 텍스트를 직접 입력할 수 있다. 이 수기로 기록된 텍스트는 인식 소프트웨어에 의해 디지털 데이터로 변환된다. 불행히도, 인쇄 또는 펜에 의한 기록은 일반적으로 타이핑보다 더 느리고, 또한 수기 인식 소프트웨어의 정확도 및 속도가 만족스러운 수준에 미치지 못한다. 또한, 메모리 제한 문제가 있다. 인식 소프트웨어는 흔히 장치에서 이용가능한 것보다 더 많은 메모리를 필요로 한다. 이것은 이동 전화기와 같은 장치에서 특히 그러하다.

현재, 무선 산업에서의 놀라운 성장에 의해, 신뢰할 수 있고, 편리하며, 셀 폰(cell phone), 양방향 페이저, PDA 등과 같은 보통 수준의 소비자가 이용할 수 있는 매우 인기있는 이동 통신 장치가 나타나고 있다. 텍스트 입력을 요구하는 이들 핸드헬드 무선 통신 및 컴퓨팅 디바이스는 여전히 더 작아지고 있다. 양방향 페이징, 셀룰러 전화 및 기타 휴대형 무선 기술에 있어서의 최근의 이점에 의해 소형의 휴대형 양방향 메시징 시스템, 특히 전자 메일("e-mail")을 송수신할 수 있는 시스템에 대한 요구가 생겨났다. 일부 무선 통신 장치 제조업체는 또한 소비자가 장치를 잡고 있는 손으로 동작시킬 수 있는 그러한 장치를 소비자에게 제공하기를 원한다.

종래의 개발 작업은 키의 수를 줄인 키보드를 사용하는 것을 고려했다. 터치톤(touch-tone) 전화의 키패드 레이아웃에 의해 제안된 바와 같이, 많은 축소된 키보드가 3×4 어레이의 키를 사용했다. 키 어레이 내의 각 키는 복수의 문자를 포함한다. 따라서, 각각의 키스트로크가 여러 문자 중 한 문자를 나타낼 수 있기 때문에, 사용자가 일련의 키를 입력하는 경우에 모호성(ambiguity)이 있다. 모호성 해소(disambiguation)라고 하는, 키 스트로크 시퀀스의 모호성을 해결하기 위한 여러 방법이 제안되고 있다.

축소된 키보드로 입력된 문자를 모호하지 않게 지정하기 위해 제안된 한가지 방법은 사용자가 평균적으로 둘 이상의 키스트로크를 입력하여 각 문자를 지정할 것을 요구한다. 키스트로크는 동시에(코딩(chording)) 또는 순차적으로(다중 스트로크 지정(multiple-stroke specification)) 입력될 수 있다. 코딩 방식도 다중 스트로크 지정 방식도 적절한 단순성 및 사용 효율을 갖는 키보드를 생성하지는 못했다. 다중 스트로크 지정은 비효율적이며, 코딩은 배워서 사용하기가 복잡하다.

모호한 키스트로크 시퀀스에 대응하는 정확한 문자 시퀀스를 결정하기 위해 제안된 다른 방법은, International Society for Augmentative and Alternative Communication 간행물에 발행된 John L. Arnott 및 Muhammad Y. Javad의 논문 "Probabilistic Character Disambiguation for Reduced Keyboards Using Small Text Samples,"(이하에서는 "Arnott 논문"이라 함)에 요약되어 있다. Arnott 논문에 의하면, 대부분의 모호성 해소 방법은 관련 언어 내의 문자 시퀀스의 알려져 있는 통계를 이용하여 주어진 컨텍스트 내의 문자 모호성을 해결한다.

단어 레벨의 모호성 해소에 기초한 다른 제안된 방법은 1982년에 Academic Press에 의해 발행된, I. H. Witten의 "Principles of Computer Speech에 개시되어 있다. Witten은 전화의 터치패드를 사용하여 입력된 텍스트로부터 모호성을 감소시키는 시스템을 논의하고 있다. Witten은 24,500 단어 사전 내의 단어의 약 92% 에 대하여, 키 스트로크 시퀀스를 사전과 비교했을 때, 어떠한 모호성도 발생하지 않는다는 것을 인식하였다. 그러나, 모호성이 발생하면, Witten은 시스템이 사용자에게 모호성을 제공하고, 사용자가 모호한 입력 넘버 사이에서 선택을 하도록 요구함으로써 이들이 대화식으로 해결되어야 한다는 것을 지적한다. 따라서, 사용자가 각 단어의 끝에서 시스템의 예측에 응답해야 한다. 이러한 응답은 시스템의 능률을 떨어뜨리고 텍스트의 소정 부분을 입력하는데 요구되는 키스트로크의 수를 증가시킨다.

H. A. Gutowitz의 WO 00/35091(2000년 6월 15일), Touch-Typable Devices Based on Ambiguous Codes and Methods to Design Such Devices에서는, 타이핑 가능한 장치, 특히 모호한 코드를 구현하는 터치 유형의 장치의 설계가 수많은 인간 환경 공학 문제를 제시하고 그러한 문제에 대한 몇몇 해법을 제안한다. Gutowitz은 장치의 크기, 형상 및 계산 능력과 같은 디자인 제약, 장치의 전형적인 사용 및 알파벳 순서 또는 쿼티(Qwerty) 순서와 같은 전통적인 제약이 주어진 경우, 강하게 터치 타이핑할 수 있는(strongly-touch-typable) 모호한 코드의 종류로부터 모호한 코드 및 컴퓨터, PDA 등과 같은 터치 타이핑 가능한 장치 및 다른 정보 기기를 위한 실질적으로 최적의 모호한 코드의 선택을 위한 방법을 제공한다.

Eatoni Ergonomics 사는 표준 키보드로부터 적응된 워드와이즈(WordWise(2001년 Eatoni Ergonomics 사의 제품))라고 하는 시스템을 제공하는데, 여기서는 대문자가 표준 키보드 상에 타이핑되어 있고, 시프트키와 같은 보조 키는 원하는 문자와 함께 그 키를 누르는 동안 유지된다. 워드와이즈의 핵심은 전 화 키패드 상의 각 키 상의 문자 그룹으로부터 각각 하나의 문자를 선택하는 것이다. 이와 같이 선택된 문자들은 원하는 문자와 함께 보조 키를 누르는 동안 그 보조 키를 유지함으로써 타이핑된다. 워드와이즈는 단어를 검색하기 위해 어휘 데이터베이스/사전을 사용하지 않고 모호한 엔트리 또는 모호하지 않은 엔트리 또는 이들 엔트리의 조합을 분석한다.

Zi 사는 다음 단어 예측, 즉 eZiText^(R)(2002년 Zi 사)를 광고하고 있지만, 대체로 다수의 예측의 프리젠테이션 또는 우선권을 주기 위해 선택 리스트를 컨텍스트에 맞는 단어로 재정렬하는 것을 제안하고 있다.

공지되어 있는 다른 다음 단어 생성 시스템은 모토롤라의 렉시커스 디비전(Lexicus division)(http://www.motorola.com/lexicus/)에 의해 제공되는 iTAP 및 AIRTX(http://www.airtx.com/)에 의해 제공된 적응적 인식 기술을 포함한다.

모호한 키스트로크 시퀀스의 모호성 해소는 여전히 과제로 남아 있다. 예를 들면, 모호성 해소에 대한 공지된 방법은 부분적으로 입력된 시퀀스의 완료에 주로 초점을 맞추고 있으며, 아직 입력되지 않은 시퀀스를 예측하는 것에는 주의를 기울이지 않고 있다. 또한, 사용자 텍스트는 통상적으로 입력 시퀀스의 모호성을 언제 해소하느냐를 고려하고 있지 않을 뿐만 아니라, 입력 시퀀스의 모호성 해소의 결과로서 사용자를 위해 어떠한 조처도 취하고 있지 않고, 오히려 시퀀스의 완성 및 사용자에게 디스플레이하는 것에만 초점을 맞추고 있다.

사용자 입력을 처리하여 아직 입력되지 않은 시퀀스를 예측하는 방법을 제공 하는 것이 바람직할 것이다. 또한, 사용자 컨텍스트가 입력 시퀀스의 모호성을 언제 해소할 지를 고려하는 방법을 제공하는 것이 바람직할 것이다. 또한, 입력 시퀀스의 모호성 해소의 결과로서 사용자를 위해 모종의 조처를 취하는 것이 바람직할 것이다.

본 발명은 사용자가 입력 장치로 시스템에 정보를 입력하는 것에 관한 것이다. 본 발명에 따르면, 사용자가 스페이스 문자와 같은 특별한 부호를 입력한 후에 사용자가 입력하고자 하는 전체 단어를 예측하는 방안이 제공된다. 만약 사용자가, 예측 후에 그 예측을 받아들이지 않고 모호한 키를 누르면, 선택 리스트가 재정렬된다. 예를 들면, 사용자가 구문 "Lets run to school. Better yet, lets drive to."를 입력한다. 사용자가 스페이스를 누른 후에 단어 "to"를 두 번째로 입력하면, 시스템은 사용자가 과거에 그 단어를 입력한 컨텍스트에 기초하여 단어 "school"을 입력할 것이라는 것을 예측한다. 만약 사용자가 동일한 컨텍스트(예를 들면, "to work", "to camp")을 포함하는 텍스트를 이전에 입력했다면 다른 예측이 이루어질 수 있다. 사용자가 "next" 키, 즉 리스트를 통해 스크롤링하도록 지정된 키를 누르면 이들 예측이 제시된다. 사용자가 스페이스 다음에 모호한 키를 입력하면, 단어 리스트가 재정렬되어 컨텍스트와 매칭되는 단어들 앞에 주어진다. 예를 들어, 사용자가 문자 'a', 'b', 'c'를 포함하는 모호한 키를 누르면, 단어 "camp"가 그 리스트 내의 선행부에 주어진다.

본 발명은, 메시지를 받는 사람, 메시지를 기록하는 사람, 요일, 하루의 시간(time of the day) 등과 같은 다른 형태의 컨텍스트에 대한 예측을 할 수 있게 한다.

본 발명의 다른 실시예는, 단어뿐만 아니라 메뉴 항목에 대한 사용자 동작 또는 형식 채우기(form filling)에 대한 사용자의 동작과 같은 사용자 동작의 관여를 고려한다.

사용자 동작 또는 입력은 컨텍스트(context)에 기초하여 장치의 상태의 자동 변화에 영향을 미칠 수 있다. 예를 들면, 시스템은 컨텍스트를 이용하여, 캘린더가 사용자가 미팅 중에 있음을 나타내는 시간 동안 이동전화를 '전화 벨 소리(ring)'로부터 '진동'으로 변화시킬 수도 있다. 다른 실시예는, 사용자가 외부에 있거나 또는 전화가 주위 소음이 높다는 것을 감지한 경우에 위치 컨텍스트를 이용하여 이동 전화기의 볼륨을 높인다.

다른 실시예에서는, 시스템이 사용자의 습관을 학습한다. 예를 들면, 학습한 사용자 동작에 기초하여, 시스템은 사용자가 인식하고 있지 않은 서비스를 사용자에게 제공할 수 있다.

또 다른 실시예에서는, 이전의 단어 컨텍스트(바이그램 컨텍스트(bigram context))에 기초하여 예측이 이루어지지만, 이전의 'n'개의 단어(트라이그램 컨텍스트(trigram context) 등)를 이용할 수도 있다.

도 1은 디스플레이 및 본 발명에 따른 다음 단어 예측 기법을 포함하는 사용자 정보 입력 메커니즘을 포함하는 장치의 개략도.

도 2는 본 발명의 T9 실시를 위한 축소된 키보드 모호성 해소 시스템의 바람직한 실시예의 블록도.

도 3은 본 발명에 따른 다음 단어 예측 방법을 도시한 순서도.

도 4는 본 발명에 따른 다음 단어 예측 방법에서의 단어 처리를 도시한 순서도.

본 발명은 입력 장치를 구비한 시스템에 사용자가 정보를 입력하는 것에 관한 것이다. 사용자가 스페이스 문자와 같은 특정 부호를 입력한 후에 사용자가 입력하기를 원하는 전체 단어를 예측하는 방안이 제공된다. 만약 그 후에 사용자가 그 예측을 받아들이지 않고 모호한 키를 누르면, 선택 리스트가 재정렬된다. 예를 들면, 사용자가 구문 "Lets run to school. Better yet, lets drive to."를 입력한다. 사용자가 스페이스를 누른 후에 단어 "to"를 두 번째로 입력하면, 시스템은 사용자가 과거에 그 단어를 입력한 컨텍스트에 기초하여 단어 "school"을 입력할 것이라는 것을 예측한다. 만약 사용자가 동일한 컨텍스트(예를 들면, "to work", "to camp")을 포함하는 텍스트를 이전에 입력했다면 다른 예측이 이용가능하다. 사용자가 "next" 키, 즉 리스트를 통해 스크롤링하도록 지정된 키를 누르면 이들 예측이 제시된다. 사용자가 스페이스 다음에 모호한 키를 입력하면, 단어 리스트가 재정렬되어 컨텍스트과 매칭되는 단어들 앞에 주어진다. 예를 들어, 사용자가 문자 'a', 'b', 'c'를 포함하는 모호한 키를 누르면, 단어 "camp"가 그 리스트 내의 선행부에 주어진다.

본 발명은, 메시지를 받는 사람, 메시지를 기록하는 사람, 요일, 하루의 시간 등과 같은 다른 형태의 컨텍스트에 대한 예측을 할 수 있게 한다.

본 발명의 다른 실시예에서는, 송신자/수신자/이메일/SMS/응답/전송/새로운 이메일 등과 같은 컨텍스트 파라미터를 명시적으로 규정하기보다는 시스템이 관련이 있거나 또는 관련없는 장치를 이용하여 일련의 파라미터를 전달하고, 시스템이 어느 파라미터가 예측과 관련이 있는지 또는 어느 파라미터가 예측과 관련이 없는지를 학습한다.

본 발명의 다른 실시예에서는, 단어 수준을 넘어 구(phrase)를 예측한다. 예측은 또한 문법, 의미론에 의존할 수도 있다.

본 발명의 다른 실시예는, 단어 및 구뿐만 아니라 메뉴 항목에 대한 사용자 동작 또는 형식 채우기와 관련된 사용자의 동작과 같은 사용자 동작의 관여를 고려한다.

다른 실시예에서는, 사용자 패턴으로부터 얻을 수 있는 정보가 업로드/다운로드될 수 있으며, 또는 이 정보가 장치와 애플리케이션 사이에 공유될 수 있도록 서버가 서비스할 수 있다.

검토(Discussion)

이하, 검토를 위해, 단어의 컨텍스트적 완성과 관련하여, 용어 'NWP(다음 단어 예측; Next Word Prediction)'는 다음을 의미한다.

1) 스페이스 문자 입력 후에 사용자가 입력하고자 하는 완전한 다음 단어를 예측하고,

2) 만약, 사용자가 예측을 수락하지 않고 모호한 키를 입력하면, 선택 리스트는 재정렬된다.

도 1은 디스플레이(10) 및 본 발명에 따른 다음 단어 예측 기술을 포함하는 사용자 입력 메커니즘(12)을 포함하는 장치(14)의 개략도이다. 도 1에서, 사용자는 "Lets run to school. Better yet, lets drive to"란 구문을 입력하였다. 사용자는 단어 "to"를 입력한 후에 스페이스를 누르고, 시스템은 사용자가 그 전에 입력한 단어 "school"을 포함하는 컨텍스트에 기초하여 사용자가 다음에 단어 "school"을 입력할 것이라는 것을 예측한다. 이 경우, 이 컨텍스트에 있어서는 이전의 단어만이 예상된다. 사용자가 단어 "to"를 입력한 마지막 순간에, 사용자는 바로 다음에 단어 "school"를 입력했다. 도 1의 예에서는, 사용자가 단어 "to"를 다시 입력했고, 예상 단어 "school"이 존재한다. 만약 과거에, 사용자가 단어 "to" 다음에 다른 단어를 입력했다면, 그러한 추가적인 예측이 예를 들어 리스트로 제공된다. 이 예에서는, 컨텍스트 정보가 이 메시지에만 입력된 이전의 텍스트로부터 도출된다. 바람직한 실시예에서는, 컨텍스트 정보가 이전의 메시지/세션에 입력된 텍스트로부터도 수집된다.

현재의 메시지 내의 컨텍스트가 사용자가 과거에 입력한 텍스트 내의 컨텍스트과 매칭되는 경우에 예측이 이루어진다. 컨텍스트의 개념은 매우 포괄적일 수 있다. 컨텍스트는 입력된 텍스트의 성질을 의미할 수 있다. 컨텍스트는 예를 들어 다음과 같은 다른 컨텍스트와 결합될 수 있다.

a) 메시지를 받는 사람

b) 메시지를 기록하는 사람

c) 요일

d) 하루의 시간

마지막으로, 예측 시스템은 예를 들어 다음과 같이, 컨텍스트에 가장 중요한 요인이 무엇인지를 모를 수도 있다.

· 텍스트 및 메시지 수신자?

· 텍스트 및 메시지 기록자?

· 셋 모두?

다른 실시예는 매우 넓은 가능한 요인의 세트로 시작하여, 사용자 동작의 온더 플라이(on-the-fly) 요인 분석을 통해 컨텍스트로서 포함하기 위한 가장 유력한 요인을 결정한다. 시스템은 텍스트, 수신자, 작가, 기록된 날짜와 같은 선험적으로 지정된 요인에 기초하여 사용자 동작에 적응되지만, 어떠한 요인이 가장 중요한 지와 어느 것을 강조할 지를 결정할 수 있을 정도로 지능적이다. 이것은 보다 나은 예측을 가능하게 한다.

본 발명에 의해 고려되는 다른 예측 예는 하루의 시간(time of the day)에 기초한다. 예를 들면, 점심시간에 "let's meet for"란 메시지를 입력하는 경우, 단어 "lunch"가 자동으로 그 구문의 다음 단어로서 예측된다. 그 날의 나중에는 단어 "dinner"가 예측된다. 저장된 구문은 또한 그들의 속성으로서 그들과 관련된 하루의 시간을 가질 수 있다. 이것은 어느 구문이 사용자가 텍스트를 입력할 때와 관련되는지를 결정하는데 사용될 수 있다.

사용자 동작의 예측(Prediction of User Actions)

예측은 메뉴나 사용자 동작과 같은 다른 개념에도 적용될 수 있다. 사용자가 메뉴를 클릭하면, 컨텍스트 모듈은 선행하는 컨텍스트 단어로서 그 메뉴에 대한 키워드를 구비한다. 그 다음에 컨텍스트 모듈은 그 메뉴로부터 이전에 선택된 엔트리를 생성하는데, 왜냐하면, 이들이 키워드 뒤의 엔트리로서 컨텍스트 데이터베이스 내에 있고, 이들 단어가 메뉴의 맨 위에 정렬될 수 있기 때문이다. 메뉴 엔트리가 선택되면, 컨텍스트 모듈은 자동으로 다음 번에 맨 앞에 재정렬하기 위한 컨텍스트로서 메뉴 태그와 함께 발생하는 것으로 알아차린다.

예를 들면, 사용자가 "Edit" 메뉴를 클릭하면, 컨텍스트 모듈은 컨텍스트로서 "Edit:"를 제공받는다. 만약 사용자가 "Edit"를 클릭한 마지막 회에 사용자가 "Find"를 선택하였다면, "Find"가 메뉴의 처음에 나타난다. 만약 사용자가 과거에 "Replace"로 이동하였다면, "Edit:"의 컨텍스트 내에 "Replace"의 사용이 표시되고, 사용자가 "Edit" 메뉴를 선택한 다음에 "Replace"가 첫 번째 엔트리가 되고, "Find" 및 기타 덜 빈번하게 사용된 엔트리가 후속한다.

한정된 화면 공간을 가진 셀 폰에 있어서는, 스크롤링 없이는 볼 수 없는 경우에 메뉴의 맨 앞으로 일반적으로 사용된 엔트리를 이동시키는 것에 의해 이들이 즉시 보이도록 할 수 있다.

일실시예에서는, 사용자가 수행할 것으로 예상되는 다음 매크로 레벨 사용자 인터페이스(UI) 동작을 예측하기 위해, 간단한 경우 컨텍스트 및 재정렬과 같은 학습이 사용된다. 과거의 사용에 기초한 재정렬 메뉴 대신에, 사용자가 진행하고자 하는 다음 상태/애플리케이션에 대한 즉각적인 옵션을 재정렬함으로써 정상 메뉴 포맷이 완전히 대체되고, 만약 원한다면 가장 유망한 옵션이 자동으로 수행될 수 있다.

예를 들면, 시스템이 사용자가 전화기에서 설정모드에 있을 때마다 그리고 입력 방법 또는 언어를 선택하고 있을 때마다, 선호하는 메시징 애플리케이션으로 바로 이동할 가능성이 많다는 것을 아는 경우를 고려한다. 그러면, 사용자가 메시징 애플리케이션으로 이동하기 위한 정상 메뉴 트리를 제공하는 대신에, 시스템은 다음과 같이 동작한다.

a) 자동으로 메시징 애플리케이션으로 가거나 또는 가능하지 않다면,

b) 그것을 주 옵션으로서 다음으로 가장 유망한 옵션과 함께 설정 창 내에 표시한다.

마지막 옵션은 "표준 메뉴 트리로 진행"일 것이다. 이런 방법으로, 사용자는 여기서부터 직접 가장 유망한 동작을 제공받는 대신에 가장 유망한 다음 종료 상태(end state)를 제시받는데, 정상 전화에서는 메뉴 트리로 돌아갈 것이다. 사용자는 메뉴 트리를 전혀 항해하지 않고, 한 번의 클릭(또는 노 클릭)으로 다음 작업을 할 수 있다.

본 발명의 다른 실시예는 예를 들어 다음 질문들 중 어느 하나를 취하는 컨텍스트들에 적용된다.

· 메시징 애플리케이션 직후에 사용자가 취할 것 같은 종료 상태는 무엇인가?

· 폰북에 무엇인가를 입력한 후에 사용자가 취할 것 같은 종료 상태는 무엇인가?

· 사용자가 있었던 마지막 두 장소 중 사용자가 가장 취할 것 같은 종료 상태는 무엇인가?

· 하루의 시간이 주어졌는가?

· 그 다음에 어디로 이동해야할지를 결정하는데 관여하는 가장 적절한 요인을 분리시키기 위해 요인 분석이 작동중에 수행되어야하는가?

형식(Forms)

형식 채우기는 본 발명에 의해 수행된 다른 유용한 기능이다. 예를 들어, 날짜와 같은 필드 속성에 의한 컨텍스트 감지는 단지 달(months)을 예측하고, 날(day)은 수치 모드 등으로 전환된다. 이것은 형식 입력에 유사하게 적용될 수 있다. 브라우저 또는 기타 형식 입력 소프트웨어는 셀의 텍스트 엔트리에 대한 컨텍스트로서 입력 셀에 대한 프롬프트를 제공할 수 있다. 따라서, 예를 들어 형식이 "Name:"에 대해 프롬프트하는 경우, 어떠한 키스트로크 없이 사용자의 이름이 이용가능하며, 사용자가 형식에 채우고자 하는 다른 이름 또한 입력하기 쉽게 만들어진다.

태직(Tegic) T9 기술에서의 컨텍스트 단어 예측의 구현(Implementation of contextual word prediction in Tegic T9 Technoloty)

본 명세서에 개시된 다음 단어 예측은 태직 사의 T9 기술(www.tegic.com 및 www.t9.com 참조)에 적용된다. T9 기술은 예를 들어 각각의 전화 키와 같은 입력 장치의 각 키에 있는 문자 그룹과 고속 액세스 단어 사전을 결합하며, 사용자가 타이핑한 텍스트로서 입력하고자 하는 것을 인식한다. T9는 디폴트로서 입력된 모든 키 시퀀스에 대해 가장 일반적으로 사용된 단어를 제공하고, 그 다음에 사용자가 한 번 이상의 NEXT 또는 스페이스 키를 눌러 다른 선택을 할 수 있게 한다.

본 발명의 T9 구현에 대한 축소된 키보드 모호성 제거 시스템의 바람직한 실시예의 블록도가 도 2에 제공되어 있다. 적절한 인터페이싱 회로를 통해 키보드(54) 및 디스플레이(53)가 프로세서(100)에 결합되어 있다. 선택적으로, 스피커(102)가 프로세서에 결합된다. 이 실시예에서는, 프로세서(100)가 키보드로부터 입력을 수신하고, 디스플레이 및 스피커로의 모든 출력을 관리한다. 프로세서(100)는 메모리(104)에 결합된다. 메모리는 RAM과 같은 임시 저장 매체와, ROM, 플로피 디스크, 하드 디스크 또는 CD-ROM과 같은 영구 저장 매체의 조합을 포함한다. 바람직한 메모리(104)는 시스템 동작을 관리하는데 필요한 모든 소프트웨어 루틴을 포함한다. 바람직하게는, 메모리는 운영 체제(106), 모호성 해소 소프트웨어(108), 모호한 텍스트 엔트리 소프트웨어의 관련 필터링 및/또는 확장 및 해석 소프트웨어(110), 컨텍스트 데이터베이스(116)를 포함하는데, 컨텍스트 데이터베이스는 나중에 추가적으로 상세하게 설명한다. 메모리는 또한 어휘 데이터베이 스(30)를 포함한다. 선택적으로, 메모리는 하나 이상의 애플리케이션(112, 114)을 포함할 수도 있다. 애플리케이션 프로그램의 예로는 단어 프로세서, 소프트웨어 사전 및 외국어 번역기가 있다. 애플리케이션 프로그램으로서 음성 합성 소프트웨어가 제공될 수도 있으며, 이에 따라 축소된 키보드 모호성 제거 시스템이 통신 보조로서 기능할 수도 있다. 따라서, 이 경우에 출력은 스피커로부터 음성으로 출력될 수 있다.

당업자라면, 본 명세서에 기재된 내용이 부호 및 부호열이 결합되어 객체(object) 또는 객체의 일부를 형성하는 상기 부호 및 부호열에 적용된다는 것을 알 수 있을 것이다. 부호의 전형적인 예로는 글자(letter), 숫자, 구두점 표시(punctuation mark) 또는 기타 부호와 같은 언어의 문자를 들 수 있다. 객체 또는 객체의 일부의 전형적인 예로는 단어 또는 단어의 일부를 들 수 있다. 그러나, 이하의 설명은 일본어 가나 및 한국어 자모에도 동등하게 적용된다. 또한, 본원에 청구된 모호성 해소 시스템이 아이콘, 전화번호 또는 목록 레코드를 예측하는데 사용될 수 있으므로, 부호열 표현이 제공되는 한, 객체는 언어일 필요는 없다. 따라서, 글자, 단어, 단어 어간(word stem) 등과 같은 용어의 사용이 이들 애플리케이션만에 제한되는 것은 아니며, 본 명세서를 읽고 해석하는 것을 용이하게 하기 위해 사용될 뿐이라는 것을 알 수 있을 것이다.

본 명세서에서는 논의를 위해, T9 시스템이 적어도 다음 세 가지 요소를 포함한다.

· 통합층(integration layer). 이 요소는 사용자 인터페이스(UI)를 포함하 고, 장치와 T9 코어 사이의 통신을 다룬다. 통신은 이하에 논의되는 이벤트 기반 또는 기능 기반의 API를 통해 발생할 수 있다.

· 코어 엔진(core engine), 예를 들면 태직(Tegic)사에 의해 제공되는 T9 코어라고 하는 코어 엔진.

· 하나 이상의 언어 데이터페이스(LDB). 각각의 LDB는 특정 언어에 대한 정보를 포함한다. T9는 그 언어에 대한 단어 리스트를 생성하기 위해 이 정보를 사용한다. LDB는 예를 들어, 알파벳 T9 LDB, 중국어 T9 LDB 및 한국어 T9 LDB 중 어느 하나를 포함한다.

추가 데이터베이스(Supplemental Database)

알파벳 T9 및 중국어 T9 구현예는 다음 추가 데이터베이스를 포함할 수 있다.

· 사용자 데이터베이스(Alphabetic T9). 알파벳 T9 UDB는 사용자에 의해 입력된 커스텀 단어를 포함한다. 통상, 이들은 이름, 이메일 어드레스 및 인스턴트 메시징 ID와 같은 LDB에 의해 생성될 수 없는 단어이다. 데이터베이스는 또한 얼마나 빈번하게 사용자가 단어들, 즉 커스텀 단어 및 LDB로부터의 단어 모두를 선택하는 지에 대한 정보를 포함한다.

· 컨텍스트 데이터베이스(알파벳 T9). 알파벳 T9 CDB는 사용자가 이전에 입력한 단어에 대한 정보를 포함한다. T9는 그 다음 단어 예측 및 CDB 단어 완성 특성에 대한 이 정보를 요구한다. 컨텍스트 데이터베이스는 최근에 입력한 단어를 포함한다. 알파벳(T9)은 이 정보를 사용하여 선택 리스트 내의 예측되어 완성된 단어를 제공하고, 선택 리스트 내에서 완전하게 완성된 단어를 재정렬한다.

· 제조업체 데이터베이스(알파벳 T9). 알파벳 T9 MDB는 T9 사용자가 이용가능하기를 원하지만 통상 LDB에 의해 생성될 수 없는 단어를 포함한다. MDB 엔트리는 지리적 위치, 스톡 티커(stock ticker) 심벌 및 URL을 포함할 수 있다.

· 중국어 사용자 데이터베이스(중국어 T9). 중국어 T9 CUDB는 사용자가 입력한 문자 구문, 즉, 함께 구를 형성하는 중국어 문자열을 포함한다.

· 중국어 자동 재정렬 사용자 데이터베이스(중국어 T9). 중국어 T9 CAUDB는 중국어 T9 LDB로부터 최근에 입력된 문자를 포함한다.

선택 리스트 단어 생성(Generating Selection-List Words)

사용자가 활성 키 시퀀스를 입력할 때, 알파벳 T9는 키 시퀀스와 매칭되는 단어에 대한 데이터베이스(LDB, UDB, CDB 및 MDB)를 검사한다.

알파벳 T9 선택 리스트는, 1) 얼마나 빈번하게 사용자가 단어를 입력하는지, 2) 그 단어가 그 언어에서 얼마나 일반적인지, 3) 입력된 키를 포함하는 이전의 컨텍스트에 기초하여 사용자에게 가장 원할 것 같은 단어를 제공하도록 설계되며, 따라서 선택 리스트의 시작에 그 단어가 나타난다.

선택 리스트의 관련 순서는 어느 데이터베이스가 인에이블되는지, 선택 리스트 재정렬 및 단어 완성 및 단어 예측과 같은 어떠한 특성이 인에이블되는지에 달려있다.

알파벳 T9의 선택 리스트 내의 제 1 단어는 디폴트로서 활성화된다. 활성 단어란 용어는 현재 활성된 선택 리스트의 단어를 지칭한다.

선택 리스트 순서의 예가 이하에 주어진다. 키들이 입력되었고 어떠한 T9 데이터베이스 또는 데이터베이스 특성도 디스에이블되지 않는다고 가정한다.

1) 키 시퀀스의 길이의 CDB 단어

2) 키 시퀀스의 커스텀 사용자 단어 및 기록된 (많이 사용된) LDB

3) 키 시퀀스 길이의 최상위 LDB 단어

4) 키 시퀀스 길이의 덜 일반적으로 사용된 커스텀 단어

5) 키 시퀀스 길이의 덜 일반적으로 사용된 제조업체(MDB) 단어

6) 키 시퀀스 길이의 나머지 LDB 단어

7) 입력된 키 시퀀스보다 더 긴 CDB 단어(이들은 T9에 의해 완료됨)

8) 입력된 키 시퀀스보다 더 긴 커스텀 및 제조업체 단어(이들은 T9에 의해 완료됨)

9) 복수의 데이터베이스 룩업의 결과인 단어. 이들은 URL 및 다른 긴 시퀀스를 매칭시키도록 시도한다.

수락한 단어 처리(Processing an Accepted Word)

사용자가 커서를 단어 외부로 이동시킴으로써 활성 단어를 수락한 경우(T9 키 값 T9KEYRIGHT 또는 T9KEYLEFT에 대응하는 키를 누름), 알파벳 T9는:

· 만약 단어 선택 빈도 값이 커스텀 단어로서 UDB 내에 있으면 그 값을 조 정한다.

· 만약 단어 선택 빈도 값이 LDB 내에 있고 알파벳 T9의 선택 리스트 재정렬 특성이 디스에이블되지 않았다면 그 값을 조정한다.

사용자가 스페이스를 입력함으로써 활성 단어를 수락하는 경우(T9 키 값 T9KEYSPACE에 대응하는 키를 누름), 알파벳 T9는 상기 동작 및 다음 동작을 수행한다.

· 만약 새로 입력한 스페이스와 그 이전의 스페이스 사이의 모든 문자를 UDB 및 LDB가 이미 포함하고 있지 않으면, 커스텀 단어로서 UDB에 추가한다.

· 새로 입력한 스페이스와 그 이전의 스페이스 사이의 모든 문자를 CDB에 추가한다.

다음 단어 예측(Predicting the Next Word)

도 3은 본 발명에 따른 다음 단어 예측 방법을 도시한 순서도이다. 텍스트가 입력되므로, 사용자가 입력한 순서로 단어가 CDB에 저장된다. 사용자가 단어를 입력하면(300), 알파벳 T9는, 그 구현예가 CDB를 포함하는 경우에 원하는 다음 단어를 예측하려고 시도한다(302). 알파벳 T9는 가장 최근에 입력한 단어의 이전 처음 발생에 대해 CDB(304)를 검색한다. 알파벳 T9는 단어를 찾아내면(306), 데이터베이스 내에서 그 다음에 나타나는 단어가 사용자에게 예측된 단어로서 제공된다(308). 만약 단어가 발견되지 않으면(306), 프로세싱이 종료되고, T9는 다음 키 입력을 기다린다(314). 만약 예측된 단어가 사용자에 의해 수락되면(310), 그 단 어가 처리되고, T9는 단어의 사용을 기록한다(316). 만약 사용자가 단어를 수락하지 않고(310), '다음(next)' 키를 누르면(312), 방금 입력된 단어가 그 다음으로 가장 최근에 발생한 것에 대해 CDB가 검색된다(318). 만약 발견되면, 데이터베이스 내의 그 다음 단어가 예측으로서 제공된다(306, 308). 만약 사용자가 그 단어를 수락하지 않고(310), 다음 키를 누르면, 아무런 처리도 없이, T9는 도 4와 관련하여 설명한 바와 같이 다음 키 입력(314)을 기다린다.

알파벳 T9는 예측된 단어의 선택 리스트를 생성한다. 선택 리스트 내의 예측된 단어의 최대 수는 #define constant T9MAXCDBMATCHES의 문자 값에 의존한다. 다른 값이 할당되지 않으면, 상수는 6으로 설정된다.

사용자는 단어를 검색하여 수락하기 위해 T9에 사용된 동일한 프로세스를 이용하여 예측된 단어를 선택하고 수락한다. 사용자가 예측된 단어를 수락한 후에(310), 알파벳 T9는 그 단어를 처리한다(312). 당업자라면 본 발명이 T9 외의 다른 모호성 제거 시스템 및 알파벳 T9 외의 T9의 다른 형식에 적용될 수도 있음을 알 수 있을 것이다.

단어 처리(Processing Words)

도 4는 본 발명에 따른 다음 단어 예측 방법에서 단어의 처리를 보여주는 순서도이다. 사용자가 새로운 단어의 시작을 나타내기 위해 스페이스 키를 누르는 경우(400), 알파벳 T9는

· 만약 UDB와 LDB가 새로 입력된 스페이스와 이전에 입력된 스페이스 사이 의 모든 문자들로 이루어진 단어를 이미 포함하고 있지 않으면(402), 커스텀 단어로서 UDB에 추가한다(404).

· 새로 입력된 스페이스와 이전에 입력된 스페이스 사이의 모든 문자들을 CDB에 추가한다(406).

· 단어의 선택 빈도 값이 커스텀 단어로서 UDB 내에 있으면(408), 그 값을 조정한다(410).

· 만약 단어의 선택 빈도 값이 UDB 내에 LDB 재정렬 단어로서 존재하면(414), 그 값을 조정한다(410)

· 만약 단어가 LDB 내에 있고 알파벳 T9의 선택 리스트 재정렬 또는 LDB 단어 완성 특성이 디스에이블되지 않으면(412), 그 단어를 LDB 재정렬 단어로서 UDB에 추가한다(416).

알파벳 T9 컨텍스트 데이터베이스

이하의 논의는 알파벳 컨텍스트 데이터베이스(CDB)를 구현하고 동작하는 방법을 설명한다. CDB는 최근에 입력된 단어에 대한 정보를 포함한다. 알파벳 T9는 이 정보를 사용하여 예측되어 완성된 단어를 선택 리스트 내에 포함한다. 알파벳 T9는 현재의 활성 키 시퀀스와 매칭되는 단어에 대해서만 다른 데이터베이스를 검사하는 반면에, 알파벳 T9는 또한, 가장 최근에 수락된 단어, 즉 가장 최근에 입력된 비활성 단어에 대해서 CDB를 검사한다. CDB 단어는 반드시 선택 리스트 내에 포함되는 활성 단어와 매칭될 필요는 없다. 활성 키 시퀀스가 없는 경우에만 바람 직한 실시예에서 나타나는 예측된 단어에 대하여, CDB 매칭은 활성 단어 전의 단어에 의존한다. 완성된 CDB 단어에 대해서는, 매칭이 활성 단어 전의 단어와 활성 단어의 키 시퀀스 모두에 의존한다.

만약 알파벳 T9가 CDB 내에서 사용자가 입력한 단어를 찾아내면, 알파벳 T9는 CDB 내에서 바로 후속하는 단어를 예측 단어로서 제안한다. 예를 들면, CDB가 단어쌍 "text message"를 포함하고, 사용자가 단어 "text"를 입력한 다음에 스페이스 키를 누르면, 알파벳 T9는 "message"를 예측 단어로서 선택 리스트 내에 둔다.

또한, 만약 알파벳 T9가 CDB 내에서 사용자가 입력한 단어를 찾아내면, 알파벳 T9는 그 단어가 활성 키 시퀀스와 매칭되면 완성된 단어가 추가의 문자를 포함하더라도, CDB 내에서 바로 후속하는 단어를 완성된 단어로서 제안한다. 예를 들면, 만약 CDB가 단어 쌍 "text message"을 포함하고 사용자가 단어 "text"를 입력하며, 스페이스를 추가한 다음에 단어 "message"의 처음 네 개의 문자에 해당하는 키 시퀀스 6-3-7-7을 입력하면, 알파벳 T9는 "message"를 완성된 단어로서 선택 리스트 내에 둔다.

바람직한 실시예에서는, CDB 단어 완성이 UDB 커스텀-단어 완성, LDB 단어 완성, MDB 단어 완성과 독립적으로 이루어진다.

CDB 구현(Implementing a CDB)

알파벳 T9 CDB를 구현하기 위해, 통합층은

1. 데이터베이스를 위한 영구 메모리를 할당한다.

2. T9AWCdbActivate를 호출하여 CDB를 활성화시킨다.

3. CDB의 사이즈를 표시한다.

4. 원한다면, 데이터베이스를 리셋한다.

5. 필요하다면, 통합 층이 데이터를 데이터베이스에 기록하는 것을 나타낸다.

6. 원한다면, 다음 단어 예측을 디스에이블한다.

7. 원한다면, CDB 단어 완성을 디스에이블한다.

8. T9에 의해 제출된 요구를 처리한다.

9. T9 종료 후에 데이터베이스를 영구 메모리로 카피한다.

전술한 구현 프로세스는 CDB가 비휘발성 메모리에 저장되고 CDB 데이터는 CDB 동작을 활성화하기 전에 RAM으로 카피된다고 가정한다. 만약 다른 저장 모델이 이용되면, 위 단계들 중 일부는 적용되지 않을 수도 있다.

영구 메모리 할당(Allocating Persistent Memory)

통합층은 CDB를 저장하기 위해 영구 메모리를 할당해야 한다. 통합층이 T9AWCdbActivate를 호출함으로써 CDB 동작을 활성화하는 경우, 통합층은 영구메모리로부터 RAM으로 CDB를 카피한다. 데이터베이스는 CDB 데이터 구조(T9AWCdbInfo)의 인스턴스로서 참조된다.

CDB 동작 활성화(Activating CDB 동작)

만약 기존의 CDB가 존재하지 않으면, 예를 들어 처음 CDB 동작이 장치 상에서 활성화되면, 통합층은 모든 T9AWCdbInfo 구조 필드 값을 0으로 초기화해야 한다. 만약, 통합층이 영구 메모리로부터 RAM으로 기존의 CDB를 카피했다면, 통합층은 어떠한 T9AwCdbInfo 구조 필드 값도 수정해서는 안된다.

통합층은 T9AWCdbActivate를 호출함으로써 CDB 동작을 활성화한다. 통합층이 이 함수를 호출하는 경우, 통합층은 메모리를 할당한 CDB 데이터 구조(T9AWCdbInfo)의 인스턴스에 포인터를 제공한다.

통합층이 인에이블된 CDB 동작을 활성화한 후에, 알파벳 T9는 자동으로 CDB를 검색한다. 정보 알파벳 T9가 CDB를 검색하는 정보의 유형은 활성 키 시퀀스가 존재하는지의 여부에 의존한다.

· 만약 활성 키 시퀀스가 존재하면, 알파벳 T9는 키 시퀀스와 매칭되는 단어에 대해 CDB를 검색한다.

· 만약 활성 키 시퀀스가 존재하지 않으면, 알파벳 T9는 가장 최근에 입력된 단어에 대해 CDB를 검색한다. 알파벳 T9는 다음 단어 예측을 위해 이 정보를 요구한다.

CDB의 사이즈 표시(Indicating a CDB's Size)

CDB의 사이즈는 T9AWCdbInfo.wDataSize의 값으로 표시된다. wDataSize 필드는 T9AWCdbInfo의 전체 사이즈를 나타낸다. 이것은 CDB 데이터가 저장되는 데이터 영역, T9에 의해 사용된 여러 관련 변수 및 컴파일러 환경에 의해 추가된 임의의 구조 패딩 바이트(structure-padding bytes)를 포함한다.

만약 T9의 함수 API가 사용되면, T9AWCdbInfo.wDataSize의 값을 설정할 필요는 없다. 대신에, CDB 데이터 영역의 사이즈가 함수 T9AWCdbActivate에 대한 독립 변수로서 제공된다. 이 함수를 처리하는 동안, T9는 T9AWCdbInfo.wDataSize의 값을 설정한다.

사용자는 CDB 영역을 원하는 크기로 크게 할 수 있지만, 적어도 T9MINCDBDATABYTES 바이트는 되어야 한다. 그러나, CDB는 1800*T9SYMBOLSIDTH 바이트 사이즈가 권장된다.

CDB 리세팅(Resetting the CDB)

통합층이 CDB 동작을 활성화하는 경우, 알파벳 T9는 다음에 의해 데이터베이스의 무결성을 보장한다.

· CDB가 T9가 예상하는 사이즈와 동일한 사이즈임을 보장.

· CUDB가 적어도 T9MINCDBDATABYTES 사이즈이고 짝수 바이트임을 확인

· CDB가 LDB와 동일한 문자 인코딩을 사용함을 확인

만약 알파벳 T9가 문제를 검출하면, CDB를 리셋하여 모든 CDB 데이터를 삭제한다. 이 프로세스는 통합층에 의한 어떠한 동작도 없이 발생하며, 알파벳 T9는 통합층에 CDB가 리셋되었음을 통지하지 않는다. 통합층은 T9AWCdbReset을 호출함으로써 CDB를 명시적으로 리셋할 수 있다. 대부분의 환경에서, 통합층은 이 함수를 호출할 필요가 없다.

CDB에 대한 통합층 기록 데이터 표시(Indicating the Integration Layer Writes Data to the CDB)

만약 CDB가 알파벳 T9가 기록할 수 없는 메모리 영역에 기록되면, 통합층은 데이터를 데이터베이스에 기록해야 한다. 또한, 사용자는 원한다면, 데이터베이스에 무엇이 기록되는 지를 감시하기 위해 또는 비휘발성 저장부 내의 CDB의 새도우 카피(shadow copy)를 유지하기 위해, 통합층이 데이터를 CDB에 기록하도록 하기를 원할 수도 있다.

통합층은 알파벳 T9에게 T9AWSetCdbWriteByOEM을 호출함으로써 데이터를 기록한다는 것을 나타낸다.

통합층이 이 이벤트를 호출한 후에, 알파벳 T9는 T9REQCDBWRITE를 호출함으로써 통합층이 데이터를 기록하도록 요구한다. 만약, 통합층이 데이터를 CDB에 기록하는 것이 더 이상 필요치 않다면, 통합층은 T9AWClrCdbWriteByOEM을 호출하여 알파벳 T9가 데이터를 직접 기록할 수 있음을 나타낸다.

다음 단어 예측 디스에이블링(Disabling Next-Word Prediction)

CDB 동작이 활성화되는 경우, T9는 사용자가 이미 입력한 단어에 기초하여, 디폴트로서 예측된 단어, 즉 사용자가 입력하고자 하는 단어를 제공한다. 다음 단어 예측은 모호한(Ambiguous) 텍스트 엔트리 모드 및 멀티탭(Multitap) 텍스트 엔트리 모드 모두에서 이용가능하다.

사용자가 막 입력한 단어가 CDB에 하나 이상의 단어쌍의 첫 번째 부분으로서 존재하는 경우에 알파벳 T9는 예측된 단어를 선택 리스트에 배치한다. 사용자가 입력한 단어의 각 인스턴스 후에 CDB 내에 나타나는 어떠한 단어도 예측된 단어로서 제공된다.

사용자가 알파벳 T9 구현에서 다음 단어 예측 없이 단지 CDB 단어 완성만을 사용하기를 원한다면, 이 기능을 디스에이블하는 것이 가능하다. CDB 단어 완성을 디스에이블하기 위해, 통합층은 T9AWClrCdbPrediction을 호출한다. 다음 단어 예측을 다시 인에이블하기 위해, 통합층은 T9AWSetCdbPrediction을 호출한다.

CDB 단어 완성 디스에이블링(Disabling CDB Word Completion)

CDB 동작이 활성화되는 경우, 알파벳 T9는, 활성 단어 직전의 단어가 완성된 단어 직전의 CDB 내에 있으면, 디폴트로서, 활성 시퀀스와 매칭되는(그리고 부가적인 문자를 포함하는) 완성된 CDB 단어를 선택 리스트 내에 배치한다. 사용자는 알파벳 T9 구현에서 단지 다음 단어 예측만을 이용하고 CDB 단어 완성은 이용하지 않으면 이 기능을 디스에이블링할 수 있다. CDB 단어 완성을 디스에이블링하기 위해, 통합 층은 T9AWClrCdbCompletion을 호출한다. CDB 단어 완성을 다시 인에이블하기 위해, 통합층은 T9AWSetCdbCompletion을 호출한다.

CDB 단어 완성은 UDB 커스텀 단어 완성, LDB 단어 완성 및 MDB 단어 완성과 독립적으로 동작한다는 점에 유의하라. CDB 내의 많은 단어들이 다른 알파벳 T9 데이터베이스 내에 존재한다. 알파벳 T9는 선택 리스트로부터의 이들 복제를 억제 한다. 그러나, 다른 API 이벤트 함수에 대한 이 복제의 잠재적인 효과는 통지되어야 한다. 예를 들면, 데이터베이스로부터 삭제되는 UDB 커스텀 단어는, 그 단어가 CDB 내에 있으면, 여전히 선택 리스트 내에 나타난다. 마찬가지로, 사용자가 LDB 단어 완성을 불능으로 하면, LDB 내의 단어는, CDB 및 CDB 단어 완성 내의 있는 이들이 인에이블되면, 완성된 단어로서 선택 리스트 내에 여전히 나타날 것이다.

T9 요구 처리(Handling T9 Requests)

CDB가 어떻게 구현되는 지에 따라서, 통합층은 다음 T9 요구를 처리할 필요가 있을 수도 있다.

· T9REQCDBWRITE - 통합층이 CDB에 데이터를 기록할 것을 요구. T9는, 통합층이 T9에게 T9가 아니라 통합층이 CDB에 데이터를 기록한다는 것을 통지하기만 하면, 이 요구를 제출한다.

업데이트된 CDB를 영구 메모리에 카피(Copy an Updated CDB to Persistent Memory)

데이터베이스가 T9 세션 동안에 수정되는 경우에 알파벳 T9를 종료하는 경우, 통합층은 CDB 데이터를 영구 메모리에 카피해야 한다. T9는 데이터베이스를 수정할 때마다 T9AWCdbInfo.wUpdateCounter의 값을 증가시킨다. 통합층은 세션 후에 wUpdateCounter의 값을 그 세션 전의 값과 비교함으로써 데이터베이스가 수정되었는지의 여부를 판정할 수 있다. 만약 그 값이 상이하면, 통합층은 업데이트된 CDB 데이터를 영구 메모리에 카피해야 한다. T9가 모든 세션 동안에 CDB를 수정할 가능성이 높다는 점에 주의하라.

알파벳 T9 CDB 동작(Operating an Alphabetic T9 CDB)

알파벳 T9 CDB 동작은 다음 작업으로 이루어진다.

· 데이터를 CDB에 추가

· 데이터를 CDB로부터 인출

· 데이터를 CDB로부터 삭제

데이터를 CDB에 추가

알파벳 T9는 자동으로 데이터를 CDB에 추가한다. 만약 CDB가 T9가 기록할 수 없는 메모리 영역 내에 저장되면, 통합층이 데이터를 CDB에 기록해야 한다.

데이터를 CDB로부터 검색

알파벳 T9는 자동으로 데이터를 CDB로부터 검색한다.

데이터를 CDB로부터 삭제

알파벳 T9는 사용자 또는 통합층에게 데이터베이스로부터 단어를 삭제하도록 허용하지 않는다. 대신에, 알파벳 T9는 데이터베이스가 꽉 차면 자동으로 데이터베이스 내의 가장 오래된 데이터를 삭제하기 시작한다. 이 제거 프로세스는 가비 지 컬렉션(garbage collection)이라고 지칭되며, 사용자 또는 통합층에 의해 어떠한 동작없이 발생한다.

동작

본 발명의 현재 바람직한 실시예에서, 저장된 컨텍스트 데이터는 스페이스를 누를 때 다음 단어의 예측을 반환하는데 사용되고, 키 스트로크 입력 후에 단어 완성을 필터링하는데 사용된다. 이것은, 원리상 이전의 단어 또는 단어들에 기초하여 정확하게 예측되는 단어를 신속하게 검색함으로써 사용자가 키스트로크의 수를 감소시킬 수 있게 한다. 이 완성 특성은 현재 컨텍스트 데이터베이스(CDB) 내에 사용자 입력 텍스트를 저장하고, 컨텍스트 및 키스트로크와 매칭되는 단어를 반환함으로써 수행된다.

NWP는 최근에 입력된 사용자 텍스트를 저장하고 그 텍스트를 사용하여 사용자가 입력하는 다음 단어를 예측한다. 예를 들면, 사용자가 최근에 구문 'hello Leslie', 'hello Inger', 'Hello Helena'를 입력했다면, 사용자가 단어 'hello'를 타이핑하여 스페이스를 눌러 수락하는 경우, 본 발명은 가능한 다음 단어로서 다음을 제안한다.

Leslie

Inger

Helena

만약, 사용자가 이들 단어 중 하나를 수락하지 않고, 오히려 타이핑을 계속 하면, 본 발명은 사용자에게 제공된 완성을 우선순위화하기 위해 컨텍스트를 이용한다. 12키 입력 장치를 이용하는 일실시예에서는, 만약 사용자가 스페이스를 누른 후에 4 키를 타이핑하면, 사용자에게 제공된 선택 리스트는 다음과 같다.

i

h

g

4

Inger

Helena

만약, 사용자가 스페이스를 누른 후에 43 키를 타이핑하면, 사용자에게 제공된 선택 리스트는 다음과 같다.

he

if

id

ie

ge

gf

Helena

스페이스 다음에, 컨텍스트 데이터베이스(CDB) 객체는 전체 선택 리스트를 구성한다. 모호한 키를 누른 후에, CDB 객체는 다음과 같이 나타난다.

· 만약 CDB 객체가 활성 키 시퀀스의 길이이면, 객체는 선택 리스트의 맨 위에 나타난다.

· 만약 CDB 객체가 활성 키 시퀀스의 길이보다 더 크면, 그 객체는 리스트의 완성부의 맨위에 나타난다.

시스템 상태는 다음 조건으로 스페이스 후의 완성을 추적한다.

pFieldInfo->nWordLen = 0;

pFieldInfo->nCompILen = 컨텍스트 단어의 길이.

사용자가 모호한 키를 선택한 후에, 시스템 상태는 기존의 방법으로 CDB 완성을 추적한다.

pFieldInfo->nWordLen = 활성 키 시퀀스의 길이

pFieldInfo->nCompIlen = 완성의 길이

API

T9 API는 커스터머에 의해 사용되는 단어, 단어 리스트 및 버퍼 정보와, 단어를 구축하고, 수락하고, 삭제하고, 단어 리스트를 통해 스크롤링하기 위한 이벤트 또는 기능 세트를 유지하는 포괄적인 구조로 이루어진다. 알파벳 T9에서, API 구조는 T9AWFieldinfo 구조라고도 지칭된다(흔히 pAWFieldInfo라고 지칭됨). T9AWFieldInfo는 알파벳 T9에 특유한 데이터를 포함한다. T9AWFieldInfo 구조는 다른 구조, 예를 들면 일본, 중국, 한국어 T9에 사용되는 일반적인 단어 데이터를 포함하는 T9FieldInfo(흔히 pFieldInfo라고도 함)를 포함한다.

새로운 API 구조 데이터 및 함수가 T9에 추가되어 NWP를 구현한다. 새로운 NWP 특성은 호스트가 컨텍스트 데이터베이스에 대해 스페이스를 할당하고 pFieldInfo->pCdbInfo를 0이 아닌 값으로 설정하면 활성이다.

CDB를 활성화시키기 위해, 다음 함수 API 이벤트가 추가된다.

T9AWCdbActivate(T9AWFieldlnfo*pAWFieldlnfo,

T9AWCdblnfo T9FARUDBPOINTER*pcdblnfo,

T9UINT nDataSize, T9U8bSymbolClass).

기록 구성을 설정하기 위해, 다음 함수가 추가된다.

T9EVTCDB:T9CTRLSETCDBWRITEBYOEM

Function API-T9AWSetCdbWriteByOEM(T9AWFieldlnfo*pAWFieldlnfo)

기록 구성을 제거하기 위해 다음 함수가 추가된다.

T9CTRLCLRCDBWRITEBYOEM

Function API-T9AWCIrCdbWriteByOEM(T9AWFieldlnfo*pAWFieldlnfo)

CDB를 리셋하기 위해 다음 함수가 추가된다.

T9EVTCDB:T9CTRLCDBRESET

(Function API call: T9AWUdbReset(T9AWFieldinfo*pAWFieldinfo)

CDB 컨텍스트를 분해하기 위해 다음 함수가 추가된다.

T9EVTCDB: T9CTRLCDBBREAKCONTEXT

Function API-T9AWBreakCdbContext(T9AWFieldlnfo*pAWFieldinfo)

컨텍스트 버퍼를 채우기 위해 다음 함수가 추가된다.

T9EVTCDB: T9CTRLCDBFILLCONTEXTBUFFER

buffer: pEvent- > data.sCDBData.psBuf

buffer lenth pEvent- > data.sCDBData.nBufLen

Function API - T9AWFilIContextBuffer(T9AWFieldlnfo*pAWFieldlnfo, T9SYMB*psBuf, T9UINT nBufLen)

단어 예측을 위해 다음 함수가 추가된다.

T9EVTCDB: T9CTRLCDBGETWORDPREDICTION

Function API-T9AWGetWordPrediction(T9AWFieldlnfo*pAWFieldinfo)

버퍼를 비우되 컨텍스트는 유지하기 위해 다음 함수가 추가된다.

T9EVTCLEARBUFFE

Function API-T9AWClearBuffer(T9AWFieldinfo*pAWFieldlnfo)

CDB 완성을 턴오프하기 위해 다음 함수가 추가된다.

T9CTRLCLRCDBCOMPLETION

Function API-T9AWCIrCdbCompletion(T9AWFieldlnfo*pAWFieldlnfo)

CDB 완성을 턴온하기 위해 다음 함수가 추가된다.

T9CTRLSETCDBCOMPLETION

Function API-T9AWSetCdbCompletion(T9AWFieldinfo*pAWFieldlnfo)

CDB 완성을 턴오프하기 위해 다음 함수가 추가된다.

T9CTRLCLRCDBPREDICTION

Function API-T9AWCIrCdbPrediction(T9AWFieldinfo*pAWFieldinfo)

CDB 완성을 턴온하기 위해 다음 함수가 추가된다.

T9CTRLSETCDBPREDICTION

Function API-T9AWSetCdbPrediction(T9AWFieldinfo*pAWFieldlnfo)

다음 요구 유형이 추가된다.

T9REQCDBWRITE

이것은 외부 기록이 온인 경우에 CDB에 요구를 기록하는데 사용된다.

API를 통해 CDB에 기록하기 위한 추가적인 직접적인 액세스는 없다.

내부 CDB 인터페이스(Internal CDB interfaces)

CDB에 대한 두 인터페이스가 본 발명의 T9 실시예에 존재한다.

AddCdbText(pFieldinfo, psWordBuf,nLen)

여기서,

pfieldlnfo = T9 fieldinfo

psWordBuf = buffer holding text

nLen = word length 이고,

GetCdbObject(pFieldlnfo, nUdbObjNum, nWordLen, nCursor, psBuildTxtBuf, nBuildTxtBufSize, pnComplLen, pnUdbObjCnt)

여기서,

pfieldInfo = T9 fieldinfo

nUdbObjNum = CDB 객체 수(제1 매칭에 대해 1, 제2 매칭에 대해 2 등)

nWordLen = 단어 길이(스페이스 1 다음에 0, 1 키 후에 1, 2 키 후에 2 등)

nCursor = 커서 위치

psbuildTxtBuf = 버퍼 구축을 위한 포인터

nBuildTxtBufSize = 버퍼 사이즈 구축

pnComplLen = 완성 길이 홀더에 대한 포인터

pnUdbObjCnt = 객체 카운트 홀더에 대한 포인터

함수

T9STATUS T9FARCALL T9AW_SaveAndAddToCdb(T9AWFieldinfo*pAWFieldinfo)

단어 저장을 컨텍스트 버퍼에 추가하고 컨텍스트 데이터베이스에 추가한다. 이 함수는 스페이스가 입력된 후에만 호출된다.

T9UINT T9FARCALL T9AW_GetCdbObject(T9AWFieldInfo*pAWFieldinfo, T9UINT nCdbObjNum, T9UINT nWordLen, T9UINT nCursor, T9U8 bObjectType, T9UINT*pnTerminal, T9U8 bRightMost, T9SYMB*psBuildTxtBuf, T9UINT nBuildTxtBufSize, T9UINT*pnComplLen, T9UINT*pnCdbObjCnt)

이 함수는 CDB로부터 매칭되는 컨텍스트를 검색한다

T9STATUS T9FARCALL T9AWCdbReset(T9AWFieldinfo*pAWFieldinfo)

이 함수는 CDB를 리셋한다.

T9STATUS T9FARCALLT9AWCdbActivate(T9AWFieldlnfo*pAWFieldinfo, T9AWCdbinfo T9FARUDBPOINTER*pCdbinfo, T9U8bSymboiClass)

이 함수는 CDB를 활성화한다.

데이터베이스

현재의 최소 데이터베이스 사이즈는 1800*부호 폭(300 단어*6문자/단어*심벌 폭 바이트/문자)이다. 이것은 1 바이트 시스템에 대해 1800이며, 2 바이트 시스템에 대해 3600이다.

CDB는 사용자가 텍스트를 입력하는 것과 동일한 형식으로 최근에 입력된 텍스트를 저장한다. 텍스트는 원형 버퍼에 저장된다. 새로운 단어는 CDB 내의 가장 오래된 단어에 겹쳐쓴다.

CDB는 헤더부에 포괄적인 정보를 갖고 있다.

T9U16 wDataSize; /* 이 구조의 총 바이트 크기*/

T9U16 wUpdateCounter; /* 사용자 데이터베이스가 수정될 때마다 카운트 증분 */

T9U16 wSymbolClass; /* CDB에 대한 부호 테이블 맵핑을 나타내는 T9 메뉴 값 */

T9U16 wDataBeginOffset; /* 데이터의 시작에 대한 오프셋 */

T9U 16 wDataEndOffset; /* 데이터의 종단에 대한 오프셋 */

T9U16 wSavedOffset; /* 데이터베이스 내의 마지막 액세스된 위치에 대한 포인터 */

T9U32 dwOffsetSaver; /* 마지막 저장된 오프셋에 대한 스레드에 대한 식별자 */

T9U8 bDataArea[1]; /* 실제 가변 사이즈의 데이터 어레이 */

판독

CDB로부터 단어를 요구하는 경우, 시스템 단어 구축기(builder)는 컨텍스트 버퍼에 전달한다. 컨텍스트 버퍼를 이용하여, CDB는 최신 순서로 매칭 컨텍스트를 검색한다.

기록

스페이스 키가 눌러지거나 또는 화이트 스페이스가 명시적으로 입력되면, 구축 단어가 CDB에 기록된다. 이것은 모호 모드 및 멀티탭(MT) 모드 모두에서 발생한다. 단어는 또한 정상 RUDB 처리된다. CDB 내에는 가비지 클린업(garbage cleanup)이 없다.

컨텍스트 버퍼

컨텍스트 버퍼는 유지된다. 컨텍스트 버퍼는 스페이스 키의 입력시에 갱신되고, 커서 동작 및 제거(cursoring and clearing)와 같은 컨텍스트를 지우고자 하는 동작에 의해 제거된다. 단어 API에서, 이것은 별도의 확인 기능의 플러시워드(flushword) 함수에 첨부된다.

기능 설명

T9 실시예에서, NWP 특성은 다음 조건에서 활성이다.

a) 컴파일이 이 특성에 대한 코드를 포함한다.

b) 필드 정보 멤버가 pFieldInfo->pCdbinfo가 유효 메모리를 가리킨다.

다음 단어 예측 특성이 T9에서 활성인 경우에 적용되는 기능 요소를 이하에 열거한다.

FD100: T9 코어가 사용된 모든 최근의 단어를 CDB에 저장한다. 저장된 단어의 수는 OEM에 의해 CDB에 할당된 사이즈에 의존한다.

FD200: 활성 단어가 존재하거나 또는 이전에 누른 키가 T9 번호 키이면 스페이스 후에, T9 모호 모드 및 MT 모드가 다음 단어 예측을 반환한다.

FD300: 우측 화살표를 누른 후에 활성 단어가 존재하면 우측 화살표 및 스페이스 후에, T9 모호 모드 및 MT 모드가 다음 단어 예측을 반환한다.

FD301: FD30 및 FD200의 결과는 다음을 의미한다.

· 단어 외부에 커서를 위치시키고, 버퍼 주위로 이동시킨 후에는, T9는 스페이스가 눌러진 후에 예측을 제공하지 않는다.

· "버퍼 주위에 커서를 위치시키는 것"은 좌측 화살표 또는 우측 화살표 중 하나를 눌러 단어의 우측에 커서를 위치시키는 것을 의미한다. 유일한 예외는 우측 화살표가 눌러져서 단어를 플러시(비활성화)시키는 경우이다.

· T9는 예측이 활성화되면 예측을 나타내고, 사용자가 스페이스를 눌러 그 예측을 제거하고, 다시 클리어(clear)를 눌러 스페이스를 제거한 다음에 스페이스를 다시 누른다.

FD400: T9는 일반적으로 그 단어가 스페이스 및 다른 단어에 선행하면, 단어를 시작할 때 컨텍스트 매칭을 생성한다. 예를 들면, 단어의 우측으로 버퍼 주위에 커서를 위치시키고 키 스페이스를 누른 후에, 아무런 예측도 전달되지 않는다. 그러나, 사용자가 모호한 숫자 키를 계속해서 타이핑하면, 컨텍스트 매칭이 선택 리스트 내로 전달된다.

FD500: CDB 예측/완성은 최신 순서로 검색된다.

FD600: CDB는 언어 독립적이다.

FD700: 스페이스를 누른 후에, CDB 매칭의 수의 한계는 컴파일 시간 매크로 T9MAXCDBMATCHES에 의해 결정된다. 사용자가 숫자 키를 누른 후에는, CDB로부터 구축자에게로 전달된 CDB 매칭의 수에 제한되지 않는다.

FD800: CDB 예측/완성은 문장 구두점을 가로질러 전달된다. 문장 구두점은 비이모티콘(non-emoticon) 상의 트레일링(trailing) 구두점으로서 정의된다. 이모티콘의 정의에 대해서는 FD1200을 참고하라.

FD900: CDB 예측/완성은 단어 활성에 의해 클리어(clear)를 누른 후에 제거되지만, 완성은 사용자가 다시 타이핑을 시작할 때 전달된다.

FD1000: CDB의 에이징(aging)이 없다. 즉 가장 오래된 단어가 가장 최근에 입력된 단어로 대체된다.

FD1100: 활성 단어가 존재하면, 스페이스 입력시에 컨텍스트 바이그 램(bigram)이 CDB에 기록되거나, 이전에 눌러진 키가 T9 숫자 키이다. 만약 사용자가 단어 외부에 커서를 위치시키면, CDB 내에서 컨텍스트가 깨어진다.

FD1200: 컨텍스트 예측에 대한 후보는 다음과 같이 처리된다.

· 만약 단어가 선행 구두점(leading punctuation)을 갖지 않으면, 이것이 이모티콘과 같지 않는 한 트레일링 구두점이 스트립된다. 단어가 한 문자보다 크고 비알파벳(구두점 숫자) 문자의 수가 단어 내의 문자의 총 수의 적어도 1.5배이면, T9는 트레일링 또는 선행 구두점을 갖는 단어가 이모티콘이라고 가정한다. 이것은 사용자 데이터베이스(UDB) 처리에 사용된 규칙과 동일하다.

· 만약 단어가 선행 구두점을 가지면, 그 단어는 이모티콘으로 나타나지 않으면 거부된다.

FD1300: 만약 사용자가 T9 키의 숫자를 누르면, 키 시퀀스의 길이의 컨텍스트 선택 리스트 항목이 선택 리스트의 시작에서 전달된다. 완성을 포함하는 컨텍스트 선택 리스트 항목은 리스트의 완성 부분의 최상부에서 전달되고, 이전에 지정된 순서로 MDB, UBD, LDB가 후속한다.

FD1400: 스페이스가 눌러졌을 때 만약 Caps-Lock이 온이면, 예측된 단어는 완전히 대문자이다.

FD1500: 선행 단어는 대소문자(case)에 대해 불가지론적이지만, 트레일링 단어는 대소문자를 구분한다. 따라서, 만약 사용자가 "cab fee"를 타이핑한 다음에 caps-lock을 턴온하고 "CAB" 및 스페이스를 타이핑하면, 시스템은 "FEE"를 예측한다. 만약 사용자가 "cab fee"를 타이핑하고, 그 다음에 caps-lock보다 시프트를 이용하여 "CAB"을 타이핑한 다음에 스페이스를 선택하면, 시스템은 "fee"를 예측한다. 마찬가지로, 만약 사용자가 "Cab fee"를 타이핑한 다음에 "cab" 및 스페이스를 타이핑하면, 시스템은 "fee"를 예측한다.

FD1600: 컨텍스트 예측을 턴온/오프하고, 컨텍스트 완성을 턴온/오프하기 위해 스위치가 이용가능하다.

T9에서의 컨텍스트 예측 및 완성

용례(Use Case):

1) 사용자는 바이그램 'my money', 'my time' 및 'my marriage'을 여기에 기록된 순서대로 최근에 입력하였다.

2) 사용자는 단어 'my'를 입력하고 수락한다.

3) 스페이스를 누른다.

4) 다음 선택 리스트를 예상한다.

marriage

time

money

5) 사용자가 6 키를 입력한다.

6) 다음 선택 리스트를 예상한다.

o

m

n

6

marriage

money

7) 사용자가 6 키를 다시 입력한다.

8) 다음 선택 리스트를 예상한다.

on

no

mm

mo

oo

money

용례:

1) 사용자가 최근에 바이그램 'bow tie'를 입력하였다.

2) 사용자가 단어 'bow'를 입력하고 이를 수락한다.

3) 스페이스를 누른다.

4) 다음 선택 리스트를 예상한다.

tie

5) 사용자가 8 4 3 키를 입력한다.

6) 다음 선택 리스트를 예상한다.

tie

the

vie

vid

tid

주의: 단어 'the'가 영어에서 가장 일반적인 단어이지만, 이 컨텍스트에서는 'tie'가 리스트의 처음에 제시된다. 단어 'bow'가 선행하는 경우에 이것이 가장 유망한 후보이다.

멀티탭 내의 컨텍스트 예측 및 완성

용례:

1) 사용자가 최근에 바이그램 'my money', 'my time' 및 'my marriage'를 순서대로 입력하였다.

2) 사용자가 단어 'my'를 입력한다.

3) 스페이스를 누른다.

4) 다음 선택 리스트를 예상한다.

marriage

time

money

5) 사용자가 'm'을 입력한다.

6) 사용자가 다음 키를 누른다.

7) 다음 선택 리스트를 예상한다.

m

marriage

money

8) 사용자가 'o'를 입력한다.

9) 사용자가 다음 키를 누른다.

10) 다음 선택 리스트를 예상한다.

mo

money

T9에서의 컨텍스트 예측 및 완성(스페이스 전 플러싱)

용례:

2) 사용자가 단어 'my'를 입력한다.

3) 우측 화살표를 누른다.

4) 스페이스를 누른다.

5) 컨텍스트 예측이 없다고 예상한다.

6) 사용자가 6 키를 입력한다.

7) 다음 선택 리스트를 예상한다.

o

m

n

6

marriage

money

8) 사용자가 6 키를 다시 입력한다.

9) 다음 선택 리스트를 예상한다.

on

no

mm

mo

oo

money

T9에서의 UDB 완성을 이용한 컨텍스트 예측 및 완성

CDB 완성이 UDB 완성 앞에 나타난다.

용례:

1) 사용자가 최근에 바이그램 'my money', 'my time', 'my marriage' 및 유니그램(unigram) 'mobetterblues'를 순서대로 입력하였다.

2) 사용자가 단어 'my'를 입력하고 이를 수락한다.

3) 스페이스를 누른다.

4) 다음 선택 리스트를 예상한다.

marriage

time

money

5) 사용자가 6 키를 입력한다.

6) 다음 선택 리스트를 예상한다.

o

m

n

6

marriage

money

mobetterblues

7) 사용자가 6 키를 다시 입력한다.

8) 다음 선택 리스트를 예상한다.

on

no

mm

mo

oo

money

mobetterblues

T9에서의 컨텍스트 예측 및 완성(대소문자 구분)

선행 단어는 대소문자에 대해 불가지론적이며, 트레일링 단어는 대소문자를 구분한다. 만약 caps-lock가 온인 상태에서 스페이스가 눌러지면, 예측된 단어는 전부 대문자이다.

용례:

2) 사용자가 단어 'my'를 입력하고 이를 수락한다.

3) 스페이스를 누른다.

4) 다음 선택 리스트를 예상한다.

marriage

time

MONEY

5) 사용자가 클리어 키를 입력한다.

6) 사용자가 caps-lock을 온으로 하지 않고 단어 'MY'를 입력하고 이를 수락한다.

7) 다음 선택 리스트를 예상한다.

marriage

time

MONEY

8) 사용자가 클리어 키를 입력한다.

9) 사용자가 caps-lock 온 상태에서 단어 'MY'를 입력하고 이를 수락한다.

10) 다음 선택 리스트를 예상한다.

MARRIAGE

TIME

MONEY

멀티탭에서의 UDB 완성에 의한 컨텍스트 예측 및 완성

CDB 완성이 UDB 완성의 앞에 나타난다.

용례:

1) 사용자가 최근에 바이그램 'my money', 'my time' 및 'my marriage'와, 유니그램 'mobetterblues'를 순서대로 입력하였다.

2) 사용자가 단어 'my'를 입력한다.

3) 스페이스를 누른다.

4) 다음 선택 리스트를 예상한다.

marriage

time

money

5) 사용자가 'm'을 입력한다.

6) 사용자가 다음 키를 누른다.

7) 다음 선택 리스트를 예상한다.

m

marriage

money

mobetterblues

8) 사용자가 'o'를 입력한다.

9) 사용자가 다음 키를 누른다.

10) 다음 선택 리스트를 예상한다.

mo

money

mobetterblues

T9에서의 UDB 완성에 의한 컨텍스트 예측 및 완성(절단된 컨텍스트)

CDB 완성은 UDB 완성 앞에 나타난다.

용례:

2) 사용자가 단어 'my'를 입력하고 이를 수락한다.

3) 스페이스를 누른다.

4) 클리어를 입력한다.

5) 클리어를 다시 입력하거나 또는, 커서를 다르게 위치시켜 "my"의 바로 우측에 커서를 위치시킨다.

6) 스페이스를 입력한다.

7) 아무런 컨텍스트 예측도 예상하지 않는다(기능 설명 FD200 참고).

8) 사용자가 6 키를 입력한다.

9) 컨텍스트를 포함하는 선택 리스트를 예상한다(기능 설명 FD400 참고)

10) 다음 선택 리스트를 예상한다.

o

m

n

6

marriage

money

mobetterblues

11) 사용자가 6 키를 다시 누른다.

12) 다음 선택 리스트를 예상한다.

on

no

mm

mo

oo

money

mobetterblues

T9에서의 컨텍스트 예측 및 완성(빈도에 대한 최근성(recency))

CDB 완성은 UDB 완성 전에 나타난다.

용례:

1) 사용자가 최근에 바이그램 'my money', 'my money', 'my marriage'를 순서대로 입력하였다.

2) 사용자가 단어 'my'를 입력하고 이를 수락한다.

3) 스페이스를 입력한다.

4) 다음 선택 리스트를 예상한다(보다 최근의 'marriage'가 보다 빈번한 'money'보다 앞에 온다).

marriage

money

5) 사용자가 6 키를 입력한다.

6) 다음 선택 리스트를 예상한다.

o

m

n

6

marriage

money

언어

CDB는 언어 독립적이다.

비완성(non-completed) 단어의 재정렬

RUDB는 변하지 않고 남아있는 비완성 단어의 재정렬을 처리한다.

클리어링(Clearing)

컨텍스트 예측은 현재의 단어를 클리어링한 후에 전달되지 않고, 사용자가 다시 타이핑을 시작할 때 전달된다.

구두점(Punctuation)

어떠한 컨텍스트 예측도 문장 구두점을 가로질러 전달되지는 않는다.

에이징(Aging)

CDB의 에이징은 존재하지 않으며, 가장 오래된 단어가 가장 최근에 입력된 단어로 대체된다.

가비지 컬렉션(Garbage collection)

새로운 단어를 CDB에 입력하기 위해 스페이스가 필요한 경우, CDB 내의 가장 오래된 단어가 제거되어 빈 공간을 만든다.

MT에 단어 입력(Entering words in MT)

MT 내에 CDB용 데이터가 수집되고, 컨텍스트 예측/완성은 MT 내에서 전달된다.

나의 단어(My Words)

CDB 처리는 컨텍스트 단어가 사용자가 유지하는 MyWords 데이터베이스에 입력되었는 지의 여부에 관계없이 스페이스 문자의 추가시에 발생한다.

이상 본 발명을 바람직한 실시예를 참고하여 설명하였지만, 당업자라면, 다른 애플리케이션이 본 발명의 사상 및 범주로부터 벗어나지 않고 본 명세서에 개시된 애플리케이션을 대체할 수도 있다는 것을 쉽게 알 수 있을 것이다. 예를 들면, 사용자 동작 또는 입력이 컨텍스트에 따라 장치의 상태를 자동으로 변화시킬 수 있다. 예를 들면, 시스템은 컨텍스트를 이용하여 캘린더가 사용자가 미팅 중에 있다는 것을 나타내는 시간 동안에 '벨소리'에서 '진동'으로 이동 전화를 변화시킬 수도 있다. 다른 실시예는 위치 환경에 따라 사용자가 외부에 있거나 전화가 높은 레벨의 배경 잡음을 검출할 때 이동 전화의 볼륨을 증가시킨다.

다른 실시예에서는, 시스템이 사용자의 습관을 학습한다. 예를 들면, 학습한 사용자 동작에 기초하여, 시스템은 사용자가 알고 있지 않은 서비스를 제공할 수 있다.

다른 실시예에서는, 단어 예측이 이전의 단어 컨텍스트(바이그램 컨텍스트)에 기초하지만, 또한 이전의 'n'개 단어(트라이그램 컨텍스트 등)를 이용할 수도 있다.

따라서, 본 발명은 첨부한 청구범위에 의해서만 한정된다.

Claims

사용자 프롬프트, 제어 입력 또는 모호한 텍스트 엔트리(ambiguous text entry)와 관련한, 사용자 단어 또는 사용자 동작(user actions) 중 어느 하나의 예측을 위한 장치에 있어서,

적절한 인터페이싱 회로를 통해 프로세서에 각각 결합된 입력 디바이스 및 디스플레이와,

상기 프로세서에 결합된 메모리를 포함하고,

상기 프로세서는 상기 입력 디바이스로부터의 입력 문자 및 부호를 수신하고 상기 디스플레이로의 객체의 출력 및 상기 장치 내에서의 동작의 어서션(assertion)을 관리하고,

상기 메모리는 운영 체제와, 모호성 해소(disambiguating) 소프트웨어와, 객체 데이터베이스를 포함하며,

사용자가 입력하고자 하는 완전한 단어 또는 단어들 또는 사용자가 취하고자 하는 동작이 사용자 프롬프트 후에 예측되고, 상기 사용자는 상기 입력 디바이스로 특정 부호를 입력하거나 또는 상기 입력 디바이스로 태스크 또는 상태를 변경하는 것과 관련된 특정 동작을 수행하며,

상기 예측된 단어가 상기 디스플레이를 통해 상기 사용자에게 제시되거나 또는 상기 장치에 대해 동작이 취해지는 사용자 단어 또는 사용자 동작 중 어느 하나의 예측 장치.
제 1 항에 있어서,

상기 디스플레이를 통해 상기 사용자에게 제시되며, 복수의 예측된 단어 및 동작 중 어느 하나를 포함하는 선택 리스트와,

상기 사용자가 상기 특정 부호를 입력하거나 특정 제어 입력을 한 후에 모호한 엔트리를 형성하는 경우에 상기 선택 리스트를 재정렬하는 수단을 더 포함하는 예측 장치.
제 1 항에 있어서,

상기 프로세서와 관련하여 컨텍스트 기반의 예측(predictions on a contextual basis)을 형성하는 컨텍스트 데이터베이스를 더 포함하는 예측 장치.
제 3 항에 있어서,

상기 컨텍스트 예측은 메시지를 받는 사람, 메시지를 기록하는 사람, 날짜, 시간 및 위치 중 어느 하나에 기초하는 예측 장치.
제 1 항에 있어서,

사용자 입력 또는 동작에 기초하여 구(phrase)가 예측되는 예측 장치.
제 1 항에 있어서,

문법 또는 의미론(semantics) 중 어느 하나에 기초하여 예측이 이루어지는 예측 장치.
제 3 항에 있어서,

상기 컨텍스트 예측은 사용자 동작을 예측하는 예측 장치.
제 7 항에 있어서,

상기 사용자 동작은 메뉴 항목 및 형식 채우기(form filling) 중 어느 하나와 관련하여 실행될 수 있는 예측 장치.
제 1 항에 있어서,

사용자 입력 패턴 및 동작 중 어느 하나를 저장하는 수단과,

상기 저장된 사용자 입력 패턴 및/또는 동작 중 어느 하나를 서버로 업로딩(uploading)하는 수단을 더 포함하는 예측 장치.
제 1 항에 있어서,

상기 취해진 동작은 상기 장치의 컨텍스트에 기초하여 상기 장치 상태를 자동으로 변경시키는 예측 장치.
제 1 항에 있어서,

상기 장치는 사용자 동작을 학습하고 상기 학습된 동작을 이용하여 예측을 하는 수단을 더 포함하는 예측 장치.
제 3 항에 있어서,

상기 컨텍스트는 이전의 단어의 컨텍스트 또는 이전의 단어의 컨텍스트의 수에 기초하는 예측 장치.
사용자 단어 또는 사용자 동작 중 어느 하나의 예측 방법에 있어서,

사용자가 입력 디바이스에 입력 시퀀스를 입력하거나 또는 상기 입력 디바이스와 관련된 특정 동작을 수행하는 단계와,

이에 응답하여, 상기 사용자가 입력하기를 원하는 완전한 그 다음 단어 또는 단어들 또는 사용자가 상기 디바이스로 취하고자 하는 동작을 예측하는 단계를 포함하는 예측 방법.
제 13 항에 있어서,

복수의 예측된 단어 및 동작 중 어느 하나를 포함하는 선택 리스트를 제공하는 단계와,

상기 사용자가 상기 특정 부호를 입력하거나 특정 동작을 수행한 후에 상기 사용자가 모호한 엔트리를 형성하는 경우에 상기 선택 리스트를 재정렬하는 단계를 더 포함하는 예측 방법.
제 13 항에 있어서,

현재의 입력 시퀀스 내의 컨텍스트(context)가 상기 사용자가 이전에 입력한 입력 시퀀스 내의 컨텍스트 또는 이전에 취해진 동작과 매칭되는 경우에 상기 사용자가 입력하기를 원하는 완전한 그 다음 단어 또는 단어들 또는 상기 디바이스에 의해 취해지는 동작을 예측하는 단계를 더 포함하는 예측 방법.
제 15 항에 있어서,

상기 컨텍스트는 입력된 상기 텍스트 입력 시퀀스의 컨텍스트에 기초하는 예측 방법.
제 16 항에 있어서,

상기 컨텍스트를 적어도 하나의 다른 컨텍스트과 결합하는 단계를 더 포함하는 예측 방법.
제 17 항에 있어서,

상기 컨텍스트는 메시지를 받는 사람, 메시지를 기록하는 사람, 날짜, 시간 및 위치 중 어느 하나를 포함하는 예측 방법.
제 15 항에 있어서,

컨텍스트으로서 포함하기 위한 가장 유효한 요소를 판정하기 위해 사용자 동작의 온더 플라이(on-the-fly) 요소 분석을 수행하는 단계를 더 포함하는 예측 방법.
제 13 항에 있어서,

상기 사용자가 특정 부호를 입력하거나 특정 동작을 취하는 단계와,

이에 응답하여, 사용자 입력 시퀀스 또는 동작 바로 전의 컨텍스트에 기초하여 메뉴에 대한 키워드를 제공하는 단계와,

상기 사용자에게 상기 키워드에 의해 선행된 엔트리로서 컨텍스트 데이터베이스에 저장되어 있는 상기 메뉴로부터 사전에 선택된 상기 사용자 엔트리를 제시하는 단계와,

상기 메뉴 내의 상기 엔트리를 재정렬하는 단계와,

하나의 메뉴 엔트리가 선택되면, 장래에 재정렬할 때 컨텍스트로서 사용하기 위해 메뉴 태그에 의해 자동으로 이것을 선택된 것으로 표시하는 단계를 포함하는 예측 방법.
제 13 항에 있어서,

상기 예측 단계는

상기 사용자가 특정 부호를 입력하거나 특정 동작을 취하는 단계와,

이에 응답하여, 그리고 사용자 입력 시퀀스 또는 동작 직전의 컨텍스트에 기 초하여, 예측되는 다음 상태/애플리케이션에 대한 즉각적인 옵션을 재정렬함으로써 정상 메뉴 포맷을 대체하는 단계를 더 포함하는 예측 방법.
제 21 항에 있어서,

가장 유망한 옵션을 자동으로 수행하는 단계를 더 포함하는 예측 방법.
제 13 항에 있어서,

상기 예측 단계는

상기 사용자가 특정 부호를 입력하거나 특정 동작을 취하는 단계와,

이에 응답하여, 그리고 사용자 입력 시퀀스 직전의 컨텍스트에 기초하여, 형식 내의 적어도 하나의 필드를 채우는 단계를 포함하는 예측 방법.
제 23 항에 있어서,

현재의 필드 속성에 의해 컨텍스트 민감도(context sensitivity)가 결정되는 예측 방법.
모호한 텍스트 엔트리와 관련한, 사용자 단어 및 사용자 동작 중 어느 하나의 예측을 위한 장치에 있어서,

적절한 인터페이싱 회로를 통해 프로세서에 각각 결합된 입력 디바이스 및 디스플레이로서, 상기 프로세서가 상기 입력 디바이스로부터 입력 문자 및 부호를 수신하고 상기 디스플레이로의 객체의 출력 및 상기 장치 내에서의 동작의 어서션(assertion)을 관리하는, 상기 입력 디바이스 및 디스플레이와,

사용자 인터페이스(UI)를 포함하는 통합층(integration layer)과,

상기 입력 디바이스의 각 키 상에서 발견된 문자 그룹과 관련 단어들의 사전을 결합하고, 상기 사용자가 사용자 입력을 입력할 때 상기 사용자 입력을 인식하고, 상기 사용자가 상기 입력 디바이스로 특정 부호를 포함하는 사용자 프롬프트를 입력하거나 상기 사용자 디바이스로 태스크 또는 상태를 변경하는 것과 관련된 특정 동작을 수행한 후에 사용자가 입력하기를 원하는 완전한 단어 또는 단어들 또는 사용자가 취하고자 하는 동작을 예측하는 코어 엔진과,

상기 사용자가 이전에 입력한 단어들에 대한 정보를 포함하며, 상기 코어 엔진과 협력하여 상기 사용자 입력 및/또는 동작과 상기 장치의 동작 모드 중 어느 하나의 컨텍스트에 기초하여 상기 예측을 하기 위한 컨텍스트 데이터베이스를 포함하고,

상기 예측된 단어 또는 상기 동작은 상기 디스플레이를 통해 상기 사용자에게 제시되는 예측 장치.
제 25 항에 있어서,

상기 디스플레이를 통해 상기 사용자에게 제시되며, 복수의 예측된 단어 및 동작 중 어느 하나를 포함하는 선택 리스트와,

상기 사용자가 상기 특정 부호를 입력하거나 특정 동작을 취한 후에 모호한 엔트리를 형성하는 경우에 상기 선택 리스트를 재정렬하는 수단을 더 포함하는 예측 장치.
제 25 항에 있어서,

상기 컨텍스트 예측은 메시지를 받는 사람, 메시지를 기록하는 사람, 날짜, 시간 및 위치 중 어느 하나에 기초하는 예측 장치.
제 25 항에 있어서,

사용자 입력 또는 동작에 기초하여 구가 예측되는 예측 장치.
제 25 항에 있어서,

문법 또는 의미론(semantics) 중 어느 하나에 기초하여 예측이 이루어지는 예측 장치.
제 25 항에 있어서,

상기 컨텍스트 예측은 사용자 동작을 예측하는 예측 장치.
제 30 항에 있어서,

상기 사용자 동작은 메뉴 항목 및 형식 채우기 중 어느 하나와 관련하여 실행될 수 있는 예측 장치.
제 25 항에 있어서,

사용자 입력 패턴 및 동작 중 어느 하나를 저장하는 수단과,

상기 저장된 사용자 입력 패턴 및/또는 동작 중 어느 하나를 서버로 업로딩하는 수단을 더 포함하는 예측 장치.
제 25 항에 있어서,

상기 컨텍스트는 입력된 텍스트 입력 시퀀스의 컨텍스트에 기초하는 예측 장치.
제 25 항에 있어서,

하나의 컨텍스트를 적어도 하나의 다른 컨텍스트와 결합하는 수단을 더 포함하는 예측 장치.
제 25 항에 있어서,

컨텍스트으로서 포함하기 위한 가장 유효한 요소를 판정하기 위해 사용자 동작의 온더 플라이 요소 분석을 수행하는 수단을 더 포함하는 예측 장치.
제 25 항에 있어서,

가장 유망한 옵션을 자동으로 수행하는 수단을 더 포함하는 예측 장치.
제 25 항에 있어서,

상기 사용자가 특정 부호를 입력하거나 특정 동작을 취하는 것 중 어느 하나에 응답하여, 그리고 사용자 입력 시퀀스 직전의 컨텍스트에 기초하여 일 형식으로 적어도 하나의 필드를 채우는 수단을 더 포함하는 예측 장치.
제 37 항에 있어서,

현재의 필드 속성에 의해 컨텍스트 민감도가 결정되는 예측 장치.