CN105095182A - 一种回复信息推荐方法及装置 - Google Patents
一种回复信息推荐方法及装置 Download PDFInfo
- Publication number
- CN105095182A CN105095182A CN201410217040.1A CN201410217040A CN105095182A CN 105095182 A CN105095182 A CN 105095182A CN 201410217040 A CN201410217040 A CN 201410217040A CN 105095182 A CN105095182 A CN 105095182A
- Authority
- CN
- China
- Prior art keywords
- return information
- candidate
- information
- recommendation
- word
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2468—Fuzzy queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/131—Fragmentation of text files, e.g. creating reusable text-blocks; Linking to fragments, e.g. using XInclude; Namespaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/42—Data-driven translation
- G06F40/44—Statistical methods, e.g. probability models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/107—Computer-aided management of electronic mailing [e-mailing]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种回复信息推荐方法及装置,涉及数据库领域,能在用户回复信息时快速准确的计算出切合语境的推荐回复信息。具体方案为:获取用户收到的待回复信息和所述用户输入的对应所述待回复信息的预回复信息;对所述待回复信息进行分割处理得到分割处理结果;学习存储的所述用户的文字交互历史集得出回复模型;结合对所述待回复信息的分割处理结果和所述回复模型得出候选回复信息;结合所述候选回复信息和所述预回复信息计算出推荐回复信息的集合。本发明的实施例用于回复信息推荐。
Description
技术领域
本发明涉及数据库领域,尤其涉及一种回复信息推荐方法及装置。
背景技术
随着移动互联网的发展,越来越多的用户通过智能终端设备进行互联网访问。以社交服务、即时消息为代表的移动互联网应用的发展,带来了远高于传统的输入需求。
目前,多采用预置信息模板技术、词语联想输入技术、基于个人语言模型(IndividualLanguageModel)的单词输入推荐及纠正技术、或者通过UI(UserInterface,用户界面)设计提升编辑功能的便捷性等技术方法。
关于预置信息模板技术,此类技术的共同特点是,对待回复内容进行分词、分类处理,再根据设定的规则模式推荐回复内容。具体的实现方案有基于终端的,有基于网络侧服务的,也有终端网络结合的。此类方案仅凭关键词与给定规则的匹配进行推荐,导致模型的准确度较低。
关于词语联想输入技术,此类技术的特点是:将字、词、短语或句子按照使用频率重新排列形成词库,将用户的键盘输入作为检索条件,从词库中搜索多个优先待选项供用户选择;某些还将最近一次输入(如前一个字、词)纳入搜索条件中;此类方案亦提供一定的容错特性。但是,不能反映用户的语言特点,且仅仅能够联想出词组和短语,对于输入便捷性提升有限。
关于基于个人语言模型的输入技术,该类技术基于用户的历史输入记录训练用户的个人语言模型,利用贝叶斯方法基于上述统计模型对用户的输入进行预测和纠正。这类方法利用用户的输入进行了预测、纠正,却无法提供切合语境的推荐回复信息。
目前还有一些搜索引擎采用的模糊匹配技术,根据用户输入来预测并推荐可能的搜索内容通过人机交互技术(Human-ComputerInteractionTechniques,CHI)改善用户输入界面。这些技术与现有基于个人语言模型的输入法技术类似,虽然能够一定程度上改善用户的输入便捷性,但都不能提供切合语境的推荐回复信息。
随着用户对终端的使用由简单的地址簿查询、短消息输入过渡到即时消息、社交互动、甚至撰写博客等复杂场景,上述技术越来越难以在用户回复信息时快速准确的提供切合语境的推荐回复信息。
发明内容
本发明的实施例提供一种回复信息推荐方法及装置,该方法及装置能在用户回复信息时快速准确的计算出切合语境的推荐回复信息。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,提供一种回复信息推荐方法,其特征在于,包括:
获取用户收到的待回复信息和所述用户输入的对应所述待回复信息的预回复信息;
对所述待回复信息进行分割处理得到分割处理结果;
学习存储的所述用户的文字交互历史集得出回复模型,所述文字交互历史集包括所述用户历史收到的至少一个历史待回复信息以及与所述至少一个历史待回复信息对应的回复信息,所述回复模型包括至少一组历史待回复信息和回复信息的对应关系;
结合所述待回复信息的分割处理结果和所述回复模型得出候选回复信息;
结合所述候选回复信息和所述预回复信息计算出推荐回复信息的集合。
结合第一方面,在第一种可能的实现方式中,对所述待回复信息进行分割处理得到分割处理结果,包括:
对所述待回复信息按照字、词、短语或句子的层次进行分割得到分割处理结果。
结合第一方面或第一种可能的实现方式,在第二种可能的实现方式中,结合所述候选回复信息和所述预回复信息计算出推荐回复信息的集合,包括:
根据所述候选回复信息产生针对所述待回复信息的多元语法信息集,所述多元语法信息集包括与所述待回复信息对应的至少一个候选回复信息,以及所述至少一个候选回复信息中的每个候选回复信息被用作推荐回复信息的优先级;
将所述预回复信息和所述多元语法信息集进行合并,产生至少一个第一推荐回复信息;
对所述预回复信息和所述候选回复信息进行语义匹配,产生至少一个第二推荐回复信息;
对所述预回复信息和所述候选回复信息进行模糊字串匹配,产生至少一个第三推荐回复信息;
依据所述多元语法信息集计算出条件概率模型,所述条件概率模型包括所述至少一个候选回复信息和所述至少一个候选回复信息中的每个候选回复信息的使用频率;
根据所述条件概率模型对所述第一推荐回复信息、所述第二推荐回复信息和所述第三推荐回复信息进行综合排序,得出推荐回复信息的集合,所述推荐回复信息的集合包含至少一种表达方式的推荐回复信息,以便所述用户择一使用所述推荐回复信息对所述待回复信息进行回复。
结合第一方面和第二种可能的实现方式,在第三种可能的实现方式中,依据所述多元语法信息集计算出条件概率模型,所述条件概率模型包括所述至少一个候选回复信息和所述至少一个候选回复信息中的每个候选回复信息的使用频率,包括:
依据所述多元语法信息集及存储的所述用户的个人语言模型计算出条件概率模型,所述个人语言模型包括所述用户历史发出的回复信息的统计结果。
结合第一方面和第二种或第三种可能的实现方式,在第四种可能的实现方式中,所述第一推荐回复信息包括:推荐字和推荐词中的至少一种。
结合第一方面和第二种至第四种可能的实现方式中的任一种,在第五种可能的实现方式中,所述第二推荐回复信息包括:推荐短语和推荐句子中的至少一种。
结合第一方面和第二种至第五种可能的实现方式中的任一种,在第六种可能的实现方式中,所述第三推荐回复信息包括:推荐短语和推荐句子中的至少一种。
结合第一方面和第一种至第六种可能的实现方式中的任意一种,在第七种可能的实现方式中,所述候选回复信息包括:候选字、候选词、候选短语和候选句子中的至少一种。
结合第一方面和第一种至第七种可能的实现方式中的任意一种,在第八种可能的实现方式中,所述推荐回复信息包括:推荐字、推荐词、推荐短语和推荐句子中的至少一种。
第二方面,提供一种回复信息推荐装置,其特征在于,包括:
获取单元,用于获取用户收到的待回复信息和所述用户输入的对应所述待回复信息的预回复信息;
分割单元,用于对所述获取单元获取的所述待回复信息进行分割处理得到分割处理结果;
学习单元,用于学习存储的所述用户的文字交互历史集得出回复模型,所述文字交互历史集包括所述用户历史收到的至少一个历史待回复信息以及与所述至少一个历史待回复信息对应的回复信息,所述回复模型包括至少一组历史待回复信息和回复信息的对应关系;
候选单元,用于结合所述分割单元对所述待回复信息的分割处理结果和所述学习单元得出的所述回复模型得出候选回复信息;
推荐单元,用于结合所述候选单元得出的所述候选回复信息和所述获取单元获取的所述预回复信息计算出推荐回复信息的集合。
结合第二方面,在第一种可能的实现方式中,所述分割单元具体用于:对所述待回复信息按照字、词、短语或句子的层次进行分割得到分割处理结果。
结合第二方面和第一种可能的实现方式,在第二种可能的实现方式中,所述推荐单元包括:
多元语法子单元,用于根据所述候选单元得出的所述候选回复信息产生针对所述待回复信息的多元语法信息集,所述多元语法信息集包括与所述待回复信息对应的至少一个候选回复信息,以及所述至少一个候选回复信息中的每个候选回复信息被用作推荐回复信息的优先级;
字词子单元,用于结合所述获取单元获取的所述预回复信息和所述多元语法子单元产生的所述多元语法信息集来产生至少一个第一推荐回复信息;
相似度匹配子单元,用于将所述获取单元获取的所述预回复信息和所述候选单元得出的所述候选回复信息进行语义相似度匹配,产生至少一个第二推荐回复信息;
模糊匹配子单元,用于将所述获取单元获取的所述预回复信息和所述候选单元得出的所述候选回复信息进行模糊字串匹配,产生至少一个第三推荐回复信息;
合并子单元,用于依据所述多元语法子单元产生的所述多元语法信息集计算出条件概率模型,所述条件概率模型包括所述至少一个候选回复信息和所述至少一个候选回复信息中的每个候选回复信息的使用频率;
排序子单元,用于根据所述合并子单元产生的所述条件概率模型对所述字词子单元产生的所述第一推荐回复信息、所述相似度匹配子单元产生的所述第二推荐回复信息和所述模糊匹配子单元产生的所述第三推荐回复信息进行综合排序,得出推荐回复信息的集合,所述推荐回复信息的集合包含至少一种表达方式的推荐回复信息,以便所述用户择一使用所述推荐回复信息对所述待回复信息进行回复。
结合第二方面或第二种可能的实现方式,在第三种可能的实现方式中,合并子单元具体用于:依据所述多元语法子单元产生的所述多元语法信息集和存储的个人语言模型计算出条件概率模型,所述个人语言模型包括所述用户历史发出的回复信息的统计结果。
结合第二方面和第二种或第三种可能的实现方式,在第四种可能的实现方式中,所述第一推荐回复信息包括:推荐字和推荐词中的至少一种。
结合第二方面和第二种至第四种可能的实现方式中的任一种,在第五种可能的实现方式中,所述第二推荐回复信息包括:推荐短语和推荐句子中的至少一种。
结合第二方面和第二种至第五种可能的实现方式中的任一种,在第六种可能的实现方式中,所述第三推荐回复信息包括:推荐短语和推荐句子中的至少一种。
结合第二方面或第一种至第六种可能的实现方式中的任意一种,在第七种可能的实现方式中,所述候选回复信息包括:候选字词、候选短语、候选句子中的至少一种。
结合第二方面或第一种至第七种可能的实现方式中的任意一种,在第八种可能的实现方式中,所述推荐回复信息包括:推荐字词、推荐短语、推荐句子中的至少一种。
本发明实施例提供的回复信息推荐方法及装置,能学习存储的用户的文字交互历史集得出回复模型,获取并分割处理待回复信息和所述用户已输入的预回复信息,结合所述待回复信息的分割处理结果和所述回复模型得出候选回复信息,结合所述候选回复信息、所述预回复信息和存储的个人语言模型来计算出推荐回复信息的集合。从而在用户回复信息时快速准确的计算出切合语境的推荐回复信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的实施例提供的一种回复信息推荐方法的流程示意图;
图2为本发明的另一实施例提供的一种回复信息推荐方法的流程示意图;
图3为本发明的实施例提供的一种回复信息推荐方法的实施示意图;
图4为本发明的实施例提供的一种回复信息推荐装置的结构示意图;
图5为本发明的实施例提供的另一种回复信息推荐装置的结构示意图;
图6为本发明的又一实施例提供的一种回复信息推荐装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的实施例提供一种回复信息推荐方法,参照图1所示,包括以下步骤:
101、获取用户收到的待回复信息和所述用户输入的对应所述待回复信息的预回复信息。
需要说明的是,预回复信息可以为用户输入的任意字词、短语或句子片段;当用户没有任何输入操作时该预回复信息的内容也可以为空。
102、对所述待回复信息进行分割处理得到分割处理结果。
具体的,所述分割处理包括对所述待回复信息按照字、词、短语或句子的层次进行分割得到分割处理结果。
103、学习存储的所述用户的文字交互历史集得出回复模型。
具体的,文字交互历史集包括源信息和回复信息的回复对,即,所述文字交互历史集包括所述用户历史收到的至少一个历史待回复信息以及与所述至少一个历史待回复信息对应的回复信息,所述回复模型包括至少一组历史待回复信息和回复信息的对应关系。所述回复模型可以从所述文字交互历史集中学习归纳得出。
104、结合所述待回复信息的分割处理结果和所述回复模型得出候选回复信息。
具体的,可以将所述分割处理结果及所述分割处理结果的各种组合作为分割待回复信息,并将所述分割待回复信息与所述回复模型中所述用户历史上收到的待回复信息相关联,选取与之对应的所述用户历史上发出的回复信息作为所述候选回复信息。所述候选回复信息包括:候选字、候选词、候选短语和候选句子中的至少一种。
105、结合所述候选回复信息和所述预回复信息计算出推荐回复信息的集合。
其中,所述推荐回复信息的集合可以包含至少一种表达方式的推荐回复信息,以便所述用户择一使用所述推荐回复信息对所述待回复信息进行回复。
具体的,所述推荐回复信息可以包括:推荐字、推荐词、推荐短语和推荐句子中的至少一种。
本发明实施例提供的回复信息推荐方法,能学习存储的所述用户的文字交互历史集得出回复模型;获取待回复信息和所述用户已输入的预回复信息并分割处理所述待回复信息;结合所述待回复信息的分割处理结果和所述回复模型得出候选回复信息;结合所述候选回复信息和所述预回复信息计算出推荐回复信息的集合。从而能在用户回复信息时快速准确的计算出切合语境的推荐回复信息。
本发明的实施例提供一种回复信息推荐方法,参照图2所示,包括以下步骤:
201、获取用户收到的待回复信息和所述用户输入的对应所述待回复信息的预回复信息。
202、对所述待回复信息进行分割处理。
具体的,所述分割处理包括对所述待回复信息按照字、词、短语或句子的层次进行分割得到分割处理结果。
203、学习存储的所述用户的文字交互历史集得出回复模型。
具体的,文字交互历史集包括源信息和回复信息的回复对,即,所述文字交互历史集包括所述用户历史收到的至少一个历史待回复信息以及与所述至少一个历史待回复信息对应的回复信息,所述回复模型包括至少一组历史待回复信息和回复信息的对应关系。所述回复模型可以从所述文字交互历史集中学习归纳得出。
204、结合所述待回复信息的分割处理结果和所述回复模型得出候选回复信息。
具体的,可以将所述分割处理结果及所述分割处理结果的各种组合作为分割待回复信息,并将所述分割待回复信息与所述回复模型中所述用户历史上收到的待回复信息相关联,选取与之对应的所述用户历史上发出的回复信息作为所述候选回复信息。所述候选回复信息包括:候选字、候选词、候选短语和候选句子中的至少一种。
205、根据所述候选回复信息产生针对所述待回复信息的多元语法信息集。
其中,所述多元语法信息集包括与所述待回复信息对应的至少一个候选回复信息,以及所述至少一个候选回复信息中的每个候选回复信息被用作推荐回复信息的优先级。该优先级,可以由所述候选回复信息和所述待回复信息之间的关联程度决定,所述关联程度越高则的优先级越高。具体是由什么样的特征决定该优先级在此不做限定。
206、将所述预回复信息和所述多元语法信息集进行合并,产生至少一个第一推荐回复信息。
具体的,将所述预回复信息和所述多元语法信息集进行合并产生至少一个所述第一推荐回复信息,所述第一推荐回复信息包括所述推荐字和所述推荐词中的至少一种。
207、对所述预回复信息和所述候选回复信息进行语义匹配,产生至少一个第二推荐回复信息。
具体的,对所述预回复信息和所述候选句子进行语义匹配,产生至少一个所述第二推荐回复信息,所述第一推荐回复信息包括所述推荐短语和所述推荐句子中的至少一种。
208、对所述预回复信息和所述候选回复信息进行模糊字串匹配,产生至少一个第三推荐回复信息。
具体的,对所述预回复信息和所述候选句子进行模糊字串匹配,产生至少一个所述第三推荐回复信息,所述第三推荐回复信息包括所述推荐短语和所述推荐句子中的至少一种。
可选的,所述步骤206、所述步骤207和所述步骤208之间顺序不分先后。
209、依据所述多元语法信息集计算出条件概率模型。
具体的,可以依据所述多元语法信息集和存储的个人语言模型计算出条件概率模型。
其中,所述个人语言模型包括所述用户历史发出的回复信息的统计结果,可以包括对所述用户发出的回复信息中用语习惯的统计结果,也可包括其他的信息,在此不做限定,只要能体现出所述用户的用语特征即可。
所述条件概率模型包括所述至少一个候选回复信息和所述至少一个候选回复信息中的每个候选回复信息的使用频率。所述使用频率,可以是所述用户历史发出的回复信息中使用某一回复信息的频率。该历史发出的回复信息的使用频率在其作为所述候选回复信息时,同时成为所述候选回复信息对应的使用频率。
210、根据所述条件概率模型对所述第一推荐回复信息、所述第二推荐回复信息和所述第三推荐回复信息进行排序,得出推荐回复信息的集合。
其中,所述推荐回复信息的集合包含至少一种表达方式的推荐回复信息,以便所述用户择一使用所述推荐回复信息对所述待回复信息进行回复。所述至少一种表达方式,可以是对同一意思表示做出的不同语气强烈程度表示。
所述推荐回复信息的集合虽然只有一个,但是他的内容可以是多种多样的,有可能包括至少一种表达方式的所述推荐回复信息,例如三种、四种、五种或七种,具体的种类不做限定,可以结合实际情况选择。
可选的,如果所述用户未发送输入的预回复信息,当所述用户改变了输入的预回复信息时,参照步骤201获取所述用户改变了的输入的预回复信息,然后进行步骤206及后续步骤。
本发明实施例提供的回复信息推荐方法,能学习存储的用户的文字交互历史集得出回复模型,获取待回复信息和所述用户已输入的预回复信息并分割处理所述待回复信息,结合所述待回复信息的分割处理结果和所述回复模型得出可供输入的候选回复信息,结合所述候选回复信息、所述预回复信息和存储的个人语言模型来得计算出可供输入的推荐信息推荐回复信息的集合。从而在用户回复信息时快速准确的计算出切合语境的推荐信息推荐回复信息。
本发明的实施例提供一种回复信息推荐方法,用于用户收到的待回复信息为短信的场景,步骤如下:
所述用户收到来自一个朋友的短信:“今晚和几个朋友去海底捞,一块去吗?都是你认识的”,这条短信为所述用户收到的待回复信息,所述用户输入“不去”为所述用户输入的对应所述待回复信息的预回复信息,参照所述步骤201获取所述待回复信息和预回复信息,并参照所述步骤202对所述待回复信息进行分割处理得到分割处理结果,具体的,所述分割处理包括对所述待回复信息按照字、词、短语或句子的层次进行分割。得到“今晚,海底捞,一块,认识”等关键字。
参照所述步骤203,学习存储的所述用户的文字交互历史集得出回复模型,所述文字交互历史集包括源信息和回复信息的回复对,即,所述文字交互历史集包括所述用户历史收到的至少一个历史待回复信息以及与所述至少一个历史待回复信息对应的回复信息,所述回复模型包括至少一组历史待回复信息和回复信息的对应关系。所述回复模型可以从所述文字交互历史集中学习归纳得出。
参照所述步骤204,结合这些所述待回复信息的分割处理结果和所述回复模型得出候选回复信息。
具体的,可以将所述分割处理结果及所述分割处理结果的各种组合作为分割待回复信息,并将所述分割待回复信息与所述回复模型中所述用户历史上收到的待回复信息相关联,选取与之对应的所述用户历史上发出的回复信息作为所述候选回复信息。所述候选回复信息包括候选字、候选词、候选短语和候选句子中的至少一种。候选句子的例如“好啊,几点?”、“不去了,下次吧。”等。
结合所述候选回复信息和所述预回复信息计算出推荐回复信息的集合。所述推荐回复信息包括推荐字、推荐词、推荐短语和推荐句子中的至少一种。
首先参照所述步骤205,根据所述候选回复信息产生针对所述待回复信息的多元语法信息集。
其中,所述多元语法信息集包括与所述待回复信息对应的至少一个候选回复信息,以及所述至少一个候选回复信息中的每个候选回复信息被用作推荐回复信息的优先级。该优先级,可以由所述候选回复信息和所述待回复信息之间的关联程度决定,所述关联程度越高则的优先级越高。具体是由什么样的特征决定该优先级在此不做限定。
参照所述步骤206将所述预回复信息和所述多元语法信息集进行合并,产生至少一个第一推荐回复信息,所述第一推荐回复信息包括推荐字和推荐词中的至少一种。
参照所述步骤207对所述预回复信息和所述候选句子进行语义匹配,产生至少一个第二推荐回复信息,所述第二推荐回复信息包括推荐短语和推荐句子中的至少一种。
参照所述步骤208对所述预回复信息和所述候选句子进行模糊字串匹配,产生至少一个第三推荐回复信息,所述第三推荐回复信息包括推荐短语和推荐句子中的至少一种。
参照所述步骤209,将所述多元语法信息集和存储的个人语言模型计算出条件概率模型。
其中,所述个人语言模型包括所述用户历史发出的回复信息的统计结果,可以包括对所述用户发出的回复信息中用语习惯的统计结果,也可包括其他的信息,在此不做限定,只要能体现出所述用户的用语特征即可。
所述条件概率模型包括所述至少一个候选回复信息和所述至少一个候选回复信息中的每个候选回复信息的使用频率。所述使用频率,可以是所述用户历史发出的回复信息中使用某一回复信息的频率,该历史发出的回复信息的使用频率在其作为所述候选回复信息时,同时成为所述候选回复信息对应的使用频率。
然后,参照所述步骤210,根据所述条件概率模型对所述第一推荐回复信息、所述第二推荐回复信息和所述第三推荐回复信息进行综合排序,计算出如图3所示的激进、中等和保守三种不同表达方式的所述推荐回复信息的集合:
激进:
1、这两天事太多了,下次吧。
2、算了,这几天上火。
3、晚上有点事,去不了了,你们havefun。
中等:
1、去不了了,下次吧。
2、不去了,晚上有事。
3、今天加班,不去了。
4、晚上有点事,不去了。
保守:
1、了。
2、了吧。
实际中,所述推荐回复信息的集合虽然只有一个,但是他的内容可以是多种多样的,有可能包括至少一种表达方式的所述推荐回复信息,例如四种、五种或七种而不限于以上三种,具体的种类不做限定,可以结合实际情况选择。
其中,所述至少一种表达方式,可以是对同一意思表示做出的不同语气强烈程度表示。
这样,就能快速准确的将切合语境的推荐回复信息提供给所述用户,供其用于回复所述待回复信息。
本发明实施例提供的回复信息推荐方法,能学习存储的所述用户的文字交互历史集得出回复模型;获取待回复信息和所述用户已输入的预回复信息并分割处理所述待回复信息;结合所述待回复信息的分割处理结果和所述回复模型得出候选回复信息;结合所述候选回复信息、所述预回复信息和存储的个人语言模型来计算出推荐回复信息的集合。从而能在用户回复信息时快速准确的计算出切合语境的推荐回复信息。
本发明的实施例提供一种回复信息推荐装置,可以用于实现上述回复信息推荐方法,参照图4所示,所述回复信息推荐装置包括:
获取单元401,可以用于获取用户收到的待回复信息和所述用户输入的对应所述待回复信息的预回复信息;
分割单元402,可以用于对所述获取单元401获取的所述待回复信息进行分割处理得到分割处理结果;
具体可选的,所述分割单元402可以用于对所述获取单元401获取到的所述待回复信息按照字、词、短语或句子的层次进行分割得到分割处理结果。
学习单元403,可以用于学习所述信息处理装置存储的所述用户的文字交互历史集得出回复模型,所述文字交互历史集包括所述用户历史收到的至少一个历史待回复信息以及与所述至少一个历史待回复信息对应的回复信息,所述回复模型包括至少一组历史待回复信息和回复信息的对应关系;
候选单元404,可以用于结合所述分割单元402对所述待回复信息的分割处理结果和所述学习单元403学习的所述回复模型得出候选回复信息;
具体的,所述候选回复信息包括候选字、候选词、候选短语和候选句子中的至少一种。
推荐单元405,可以用于结合所述候选单元404得出的所述候选回复信息和所述获取单元401获取的所述预回复信息计算出推荐回复信息的集合。
可选的,参照图5所示,所述推荐单元405包括:
多元语法子单元4051,可以用于根据所述候选单元404得出的所述候选回复信息产生针对所述待回复信息的多元语法信息集,所述多元语法信息集包括与所述待回复信息对应的至少一个候选回复信息,以及所述至少一个候选回复信息中的每个候选回复信息被用作推荐回复信息的优先级;
字词子单元4052,可以用于结合所述获取单元401获取的所述预回复信息和所述多元语法子单元4051产生的所述多元语法信息集来产生至少一个第一推荐回复信息;
具体的,所述第一推荐回复信息包括推荐字和推荐词中的至少一种;
相似度匹配子单元244053,可以用于将所述获取单元401获取的所述预回复信息和所述候选单元23404得出的所述候选回复信息进行语义相似度匹配,产生至少一个第二推荐回复信息;
具体的,所述相似度匹配子单元4053,可以用于将所述获取单元401获取的所述预回复信息和所述候选单元404得出的所述候选回复句子进行语义相似度匹配,产生至少一个所述第二推荐回复信息,所述第二推荐回复信息包括推荐短语和推荐句子中的至少一种;
模糊匹配子单元4054,可以用于将所述获取单元401获取的所述预回复信息和所述候选单元404得出的所述候选回复信息进行模糊字串匹配,产生至少一个第三推荐回复信息;
具体的,所述模糊匹配子单元4054可以用于将所述获取单元401获取的所述预回复信息和所述候选单元404得出的所述候选回复句子进行模糊字串匹配,产生至少一个所述第三推荐回复信息,所述第三推荐回复信息包括推荐短语和推荐句子中的至少一种;
合并子单元4055,可以用于依据所述多元语法子单元4051产生的所述多元语法信息集计算出条件概率模型;
具体的,所述合并子单元4055可以用于依据所述多元语法子单元4051产生的所述多元语法信息集和存储的所述个人语言模型计算出条件概率模型,其中,所述条件概率模型包括所述至少一个候选回复信息和所述至少一个候选回复信息中的每个候选回复信息的使用频率,所述个人语言模型包括所述用户历史发出的回复信息的统计结果;
排序子单元244056,可以用于根据所述合并子单元244055产生的所述条件概率模型对字词子单元244052产生的所述第一推荐回复信息、相似度匹配子单元244053产生的所述第二推荐回复信息和模糊匹配子单元244054产生的所述第三推荐回复信息进行综合排序,得出推荐回复信息的集合,所述推荐回复信息的集合包含至少一种表达方式的推荐回复信息,以便所述用户择一使用所述推荐回复信息对所述待回复信息进行回复。
本发明实施例提供的回复信息推荐装置,能学习存储的用户的文字交互历史集得出回复模型,获取待回复信息和所述用户已输入的预回复信息并分割处理所述待回复信息;结合所述待回复信息的分割处理结果和所述回复模型得出候选回复信息,结合所述候选回复信息、所述预回复信息和存储的个人语言模型来计算出推荐回复信息的集合。从而在用户回复信息时快速准确的计算出切合语境的推荐回复信息。
参照图6所示,本发明的实施例提供一种回复信息推荐装置,用于数据库领域,所述回复信息推荐装置包括:数据端口601、处理器602、存储器603及总线604,其中所述数据端口601、处理器602、存储器603通过所述总线604连接实现相互通信,所述存储器603存储所述处理器602执行的程序代码。
该总线604可以是工业标准体系结构(IndustryStandardArchitecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(ExtendedIndustryStandardArchitecture,简称为EISA)总线等,此处并不限定。该总线604可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。其中:
存储器603用于存储数据或可执行程序代码,其中程序代码包括计算机操作指令,具体可以为:操作***、应用程序等。存储器603可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
处理器602可能是一个中央处理器(CentralProcessingUnit,简称为CPU),或者是特定集成电路(ApplicationSpecificIntegratedCircuit,简称为ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。
处理器602用于通过执行存储器603中的程序代码实现数据通信。
其中,数据端口601,用于获取用户收到的待回复信息和所述用户输入的对应所述待回复信息的预回复信息;
处理器602,具体用于对所述数据端口601获取的所述待回复信息进行分割处理得到分割处理结果;
具体的,所述处理器602可以用于对所述数据端口601获取到的所述待回复信息按照字、词、短语或句子的层次进行分割得到分割处理结果。
处理器602,还用于学习所述信息处理装置存储的所述用户的文字交互历史集得出回复模型,所述文字交互历史集包括所述用户历史收到的至少一个历史待回复信息以及与所述至少一个历史待回复信息对应的回复信息,所述回复模型包括至少一组历史待回复信息和回复信息的对应关系;
处理器602,还用于结合所述处理器602对所述待回复信息的分割处理结果和所述处理器602学习的所述回复模型得出候选回复信息;
具体的,所述候选回复信息包括候选字、候选词、候选短语和候选句子中的至少一种。
处理器602,还用于结合所述处理器602得出的所述候选回复信息和所述数据端口601获取的所述预回复信息计算出推荐回复信息的集合。
可选的,所述处理器602具体用于根据所述处理器602得出的所述候选回复信息产生针对所述待回复信息的多元语法信息集,所述多元语法信息集包括与所述待回复信息对应的至少一个候选回复信息,以及所述至少一个候选回复信息中的每个候选回复信息被用作推荐回复信息的优先级;
处理器602,还用于结合所述数据端口601获取的所述预回复信息和所述处理器602产生的所述多元语法信息集来产生至少一个第一推荐回复信息;
具体的,所述第一推荐回复信息包括推荐字和推荐词中的至少一种;
处理器602,还用于将所述数据端口601获取的所述预回复信息和所述处理器602得出的所述候选回复信息进行语义相似度匹配,产生至少一个第二推荐回复信息;
具体的,所述处理器602,用于将所述数据端口601获取的所述预回复信息和所述处理器602得出的所述候选回复句子进行语义相似度匹配,产生至少一个所述第二推荐回复信息,所述第二推荐回复信息包括推荐短语和推荐句子中的至少一种;
处理器602,还用于将所述数据端口601获取的所述预回复信息和所述处理器602得出的所述候选回复信息进行模糊字串匹配,产生至少一个第三推荐回复信息;
具体的,所述处理器602用于将所述数据端口601获取的所述预回复信息和所述处理器602得出的所述候选回复句子进行模糊字串匹配,产生至少一个所述第三推荐回复信息,所述第三推荐回复信息包括推荐短语和推荐句子中的至少一种;
处理器602,还用于依据所述处理器602产生的所述多元语法信息集计算出条件概率模型;
具体的,所述处理器602用于依据所述处理器602产生的所述多元语法信息集和存储的所述个人语言模型计算出条件概率模型,其中,所述条件概率模型包括所述至少一个候选回复信息和所述至少一个候选回复信息中的每个候选回复信息的使用频率,所述个人语言模型包括所述用户历史发出的回复信息的统计结果;
处理器602,还用于根据所述处理器602产生的所述条件概率模型对处理器602产生的所述第一推荐回复信息、处理器602产生的所述第二推荐回复信息和处理器602产生的所述第三推荐回复信息进行综合排序,得出推荐回复信息的集合,所述推荐回复信息的集合包含至少一种表达方式的推荐回复信息,以便所述用户择一使用所述推荐回复信息对所述待回复信息进行回复。
本发明实施例提供的回复信息推荐装置,能学习存储的用户的文字交互历史集得出回复模型,获取待回复信息和所述用户已输入的预回复信息并分割处理所述待回复信息;结合所述待回复信息的分割处理结果和所述回复模型得出候选回复信息,结合所述候选回复信息、所述预回复信息和存储的个人语言模型来计算出推荐回复信息的集合。从而在用户回复信息时快速准确的计算出切合语境的推荐回复信息。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可以用硬件实现,或固件实现,或它们的组合方式来实现。当使用软件实现时,可以将上述功能存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于:计算机可读介质可以包括RAM(RandomAccessMemory,随机存储器)、ROM(ReadOnlyMemory,只读内存)、EEPROM(ElectricallyErasableProgrammableReadOnlyMemory,电可擦可编程只读存储器)、CD-ROM(CompactDiscReadOnlyMemory,即只读光盘)或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。此外,任何连接可以适当的成为计算机可读介质。例如,如果软件是使用同轴电缆、光纤光缆、双绞线、DSL(DigitalSubscriberLine,数字用户专线)或者诸如红外线、无线电和微波之类的无线技术从网站、服务器或者其他远程源传输的,那么同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线和微波之类的无线技术包括在所属介质的定影中。如本发明所使用的,盘和碟包括CD(CompactDisc,压缩光碟)、激光碟、光碟、DVD碟(DigitalVersatileDisc,数字通用光)、软盘和蓝光光碟,其中盘通常磁性的复制数据,而碟则用激光来光学的复制数据。上面的组合也应当包括在计算机可读介质的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (18)
1.一种回复信息推荐方法,其特征在于,包括:
获取用户收到的待回复信息和所述用户输入的对应所述待回复信息的预回复信息;
对所述待回复信息进行分割处理得到分割处理结果;
学习存储的所述用户的文字交互历史集得出回复模型,所述文字交互历史集包括所述用户历史收到的至少一个历史待回复信息以及与所述至少一个历史待回复信息对应的回复信息,所述回复模型包括至少一组历史待回复信息和回复信息的对应关系;
结合对所述待回复信息的分割处理结果和所述回复模型得出候选回复信息;
结合所述候选回复信息和所述预回复信息计算出推荐回复信息的集合。
2.根据权利要求1所述的方法,其特征在于,对所述待回复信息进行分割处理得到分割处理结果,包括:
对所述待回复信息按照字、词、短语或句子的层次进行分割得到分割处理结果。
3.根据权利要求1或2所述的方法,其特征在于,结合所述候选回复信息和所述预回复信息计算出推荐回复信息的集合,包括:
根据所述候选回复信息产生针对所述待回复信息的多元语法信息集,所述多元语法信息集包括与所述待回复信息对应的至少一个候选回复信息,以及所述至少一个候选回复信息中的每个候选回复信息被用作推荐回复信息的优先级;
将所述预回复信息和所述多元语法信息集进行合并,产生至少一个第一推荐回复信息;
对所述预回复信息和所述候选回复信息进行语义匹配,产生至少一个第二推荐回复信息;
对所述预回复信息和所述候选回复信息进行模糊字串匹配,产生至少一个第三推荐回复信息;
依据所述多元语法信息集计算出条件概率模型,所述条件概率模型包括所述至少一个候选回复信息和所述至少一个候选回复信息中的每个候选回复信息的使用频率;
根据所述条件概率模型对所述第一推荐回复信息、所述第二推荐回复信息和所述第三推荐回复信息进行综合排序,得出推荐回复信息的集合,所述推荐回复信息的集合包含至少一种表达方式的推荐回复信息,以便所述用户择一使用所述推荐回复信息对所述待回复信息进行回复。
4.根据权利要求3所述的方法,其特征在于,依据所述多元语法信息集计算出条件概率模型,所述条件概率模型包括所述至少一个候选回复信息和所述至少一个候选回复信息中的每个候选回复信息的使用频率,包括:
依据所述多元语法信息集及存储的所述用户的个人语言模型计算出条件概率模型,所述个人语言模型包括所述用户历史发出的回复信息的统计结果。
5.根据权利要求3或4所述的方法,其特征在于,所述第一推荐回复信息包括:推荐字和推荐词中的至少一种。
6.根据权利要求3-5任一项所述的方法,其特征在于,所述第二推荐回复信息包括:推荐短语和推荐句子中的至少一种。
7.根据权利要求3-6任一项所述的方法,其特征在于,所述第三推荐回复信息包括:推荐短语和推荐句子中的至少一种。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述候选回复信息包括:候选字、候选词、候选短语和候选句子中的至少一种。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述推荐回复信息包括:推荐字、推荐词、推荐短语和推荐句子中的至少一种。
10.一种回复信息推荐装置,其特征在于,包括:
获取单元,用于获取用户收到的待回复信息和所述用户输入的对应所述待回复信息的预回复信息;
分割单元,用于对所述获取单元获取的所述待回复信息进行分割处理得到分割处理结果;
学习单元,用于学习存储的所述用户的文字交互历史集得出回复模型,所述文字交互历史集包括所述用户历史收到的至少一个历史待回复信息以及与所述至少一个历史待回复信息对应的回复信息,所述回复模型包括至少一组历史待回复信息和回复信息的对应关系;
候选单元,用于结合所述分割单元对所述待回复信息的分割处理结果和所述学习单元得出的所述回复模型得出候选回复信息;
推荐单元,用于结合所述候选单元得出的所述候选回复信息和所述获取单元获取的所述预回复信息计算出推荐回复信息的集合。
11.根据权利要求10所述的装置,其特征在于,所述分割单元具体用于:对所述获取单元获取的待回复信息按照字、词、短语或句子的层次进行分割得到分割处理结果。
12.根据权利要求10或11所述的装置,其特征在于,所述推荐单元包括:
多元语法子单元,用于根据所述候选单元得出的所述候选回复信息产生针对所述待回复信息的多元语法信息集,所述多元语法信息集包括与所述待回复信息对应的至少一个候选回复信息,以及所述至少一个候选回复信息中的每个候选回复信息被用作推荐回复信息的优先级;
字词子单元,用于结合所述获取单元获取的所述预回复信息和所述多元语法子单元产生的所述多元语法信息集来产生至少一个第一推荐回复信息;
相似度匹配子单元,用于将所述获取单元获取的所述预回复信息和所述候选单元得出的所述候选回复信息进行语义相似度匹配,产生至少一个第二推荐回复信息;
模糊匹配子单元,用于将所述获取单元获取的所述预回复信息和所述候选单元得出的所述候选回复信息进行模糊字串匹配,产生至少一个第三推荐回复信息;
合并子单元,用于依据所述多元语法子单元产生的所述多元语法信息集计算出条件概率模型,所述条件概率模型包括所述至少一个候选回复信息和所述至少一个候选回复信息中的每个候选回复信息的使用频率;
排序子单元,用于根据所述合并子单元产生的所述条件概率模型对所述字词子单元产生的所述第一推荐回复信息、所述相似度匹配子单元产生的所述第二推荐回复信息和所述模糊匹配子单元产生的所述第三推荐回复信息进行综合排序,得出推荐回复信息的集合,所述推荐回复信息的集合包含至少一种表达方式的推荐回复信息,以便所述用户择一使用所述推荐回复信息对所述待回复信息进行回复。
13.根据权利要求12所述的装置,其特征在于,合并子单元具体用于:依据所述多元语法子单元产生的所述多元语法信息集和存储的个人语言模型计算出条件概率模型,所述个人语言模型包括所述用户历史发出的回复信息的统计结果。
14.根据权利要求12或13所述的装置,其特征在于,所述第一推荐回复信息包括:推荐字和推荐词中的至少一种。
15.根据权利要求12-14任一项所述的装置,其特征在于,所述第二推荐回复信息包括:推荐短语和推荐句子中的至少一种。
16.根据权利要求12-15任一项所述的装置,其特征在于,所述第三推荐回复信息包括:推荐短语和推荐句子中的至少一种。
17.根据权利要求10-16任一项所述的装置,其特征在于,所述候选回复信息包括:候选字、候选词、候选短语和候选句子中的至少一种。
18.根据权利要求10-17任一项所述的装置,其特征在于,所述推荐回复信息包括:推荐字、推荐词、推荐短语和推荐句子中的至少一种。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410217040.1A CN105095182B (zh) | 2014-05-22 | 2014-05-22 | 一种回复信息推荐方法及装置 |
PCT/CN2014/092382 WO2015176518A1 (zh) | 2014-05-22 | 2014-11-27 | 一种回复信息推荐方法及装置 |
US15/357,648 US10460029B2 (en) | 2014-05-22 | 2016-11-21 | Reply information recommendation method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410217040.1A CN105095182B (zh) | 2014-05-22 | 2014-05-22 | 一种回复信息推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105095182A true CN105095182A (zh) | 2015-11-25 |
CN105095182B CN105095182B (zh) | 2018-11-06 |
Family
ID=54553371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410217040.1A Active CN105095182B (zh) | 2014-05-22 | 2014-05-22 | 一种回复信息推荐方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10460029B2 (zh) |
CN (1) | CN105095182B (zh) |
WO (1) | WO2015176518A1 (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383590A (zh) * | 2016-09-06 | 2017-02-08 | 珠海格力电器股份有限公司 | 一种智能输入的方法及装置 |
CN106415527A (zh) * | 2016-08-31 | 2017-02-15 | 北京小米移动软件有限公司 | 消息通信方法及装置 |
CN106446054A (zh) * | 2016-08-31 | 2017-02-22 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置及电子设备 |
WO2018058994A1 (zh) * | 2016-09-30 | 2018-04-05 | 华为技术有限公司 | 基于深度学习的对话方法、装置及设备 |
CN108121799A (zh) * | 2017-12-21 | 2018-06-05 | 广东欧珀移动通信有限公司 | 回复语句的推荐方法、装置、存储介质及移动终端 |
CN108132717A (zh) * | 2017-12-21 | 2018-06-08 | 广东欧珀移动通信有限公司 | 候选词的推荐方法、装置、存储介质及移动终端 |
CN108153755A (zh) * | 2016-12-05 | 2018-06-12 | 北京搜狗科技发展有限公司 | 一种输入推荐方法、装置及电子设备 |
CN108664336A (zh) * | 2017-04-01 | 2018-10-16 | 北京搜狗科技发展有限公司 | 推荐方法和装置、用于推荐的装置 |
CN108959421A (zh) * | 2018-06-08 | 2018-12-07 | 三角兽(北京)科技有限公司 | 候选回复评价装置和问询回复设备及其方法、存储介质 |
CN109992652A (zh) * | 2019-03-25 | 2019-07-09 | 联想(北京)有限公司 | 一种信息回复方法、装置、设备及存储介质 |
CN109995642A (zh) * | 2017-12-29 | 2019-07-09 | Tcl集团股份有限公司 | 一种自动生成快捷回复的方法及装置、即时通讯*** |
CN110263247A (zh) * | 2019-05-20 | 2019-09-20 | 话媒(广州)科技有限公司 | 一种回复信息推荐方法及电子设备 |
CN111104493A (zh) * | 2019-10-11 | 2020-05-05 | 中国平安人寿保险股份有限公司 | 基于数据处理的智能回应方法、装置和计算机设备 |
CN111291172A (zh) * | 2020-03-05 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 用于处理文本的方法和装置 |
CN111580720A (zh) * | 2020-05-07 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291684B (zh) * | 2016-04-12 | 2021-02-09 | 华为技术有限公司 | 语言文本的分词方法和*** |
US10063497B2 (en) * | 2016-06-11 | 2018-08-28 | Notion Ai, Inc. | Electronic reply message compositor and prioritization apparatus and method of operation |
IL307851A (en) * | 2017-05-05 | 2023-12-01 | Liveperson Inc | Dynamic response prediction for improved robot task processing |
US10594757B1 (en) | 2017-08-04 | 2020-03-17 | Grammarly, Inc. | Sender-receiver interface for artificial intelligence communication assistance for augmenting communications |
CN110929122B (zh) * | 2018-09-20 | 2024-02-06 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和用于数据处理的装置 |
CN110046230B (zh) * | 2018-12-18 | 2023-06-23 | 创新先进技术有限公司 | 生成推荐话术集合的方法、推荐话术的方法和装置 |
CN111881266B (zh) * | 2019-07-19 | 2024-06-07 | 马上消费金融股份有限公司 | 一种应答方法及装置 |
CN111291170B (zh) * | 2020-01-20 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 一种基于智能客服的会话推荐方法及相关装置 |
US11594213B2 (en) * | 2020-03-03 | 2023-02-28 | Rovi Guides, Inc. | Systems and methods for interpreting natural language search queries |
CN112783324B (zh) * | 2021-01-14 | 2023-12-01 | 科大讯飞股份有限公司 | 人机交互方法及设备、计算机存储介质 |
US11995542B2 (en) * | 2021-02-22 | 2024-05-28 | Tencent America LLC | Dialogue model training based on reference-free discriminators |
CN114021581B (zh) * | 2021-11-12 | 2024-04-09 | 中国人民大学 | 一种基于回复增强的隐式个性化对话生成方法 |
CN117131182A (zh) * | 2023-10-26 | 2023-11-28 | 江西拓世智能科技股份有限公司 | 一种基于ai的对话回复生成方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1672896A1 (en) * | 2004-12-17 | 2006-06-21 | Alcatel | Providing customized messages to callers of unavailable called subscribers |
CN101287172A (zh) * | 2008-05-28 | 2008-10-15 | 德信无线通讯科技(北京)有限公司 | 自动回复方法及*** |
CN103390047A (zh) * | 2013-07-18 | 2013-11-13 | 天格科技(杭州)有限公司 | 聊天机器人知识库及其构建方法 |
CN103686723A (zh) * | 2012-09-19 | 2014-03-26 | 镇江诺尼基智能技术有限公司 | 移动客户热线短信服务厅复杂短信的处理***及其方法 |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020187794A1 (en) | 2001-05-04 | 2002-12-12 | Comverse Network Systems, Ltd. | SMS automatic reply and automatic handling |
US20040162724A1 (en) * | 2003-02-11 | 2004-08-19 | Jeffrey Hill | Management of conversations |
US7363299B2 (en) * | 2004-11-18 | 2008-04-22 | University Of Washington | Computing probabilistic answers to queries |
CN101336441B (zh) * | 2005-12-22 | 2014-01-08 | Pkr有限公司 | 在线游戏的改进 |
DE602006016544D1 (de) | 2006-02-13 | 2010-10-14 | Alcatel Lucent | Verfahren zum Bereitstellen einer automatischen Antwortnachricht |
US8201087B2 (en) * | 2007-02-01 | 2012-06-12 | Tegic Communications, Inc. | Spell-check for a keyboard system with automatic correction |
US20090077185A1 (en) | 2007-09-17 | 2009-03-19 | Inventec Corporation | Automatic-reply instant messeging system and method thereof |
DE102008031959B4 (de) | 2008-03-20 | 2012-03-29 | Uwe Geib | Verfahren und Vorrrichtung für Schmelzöfen zur Optimierung einer Ofenreise |
US8275803B2 (en) * | 2008-05-14 | 2012-09-25 | International Business Machines Corporation | System and method for providing answers to questions |
US8180630B2 (en) * | 2008-06-06 | 2012-05-15 | Zi Corporation Of Canada, Inc. | Systems and methods for an automated personalized dictionary generator for portable devices |
US8605039B2 (en) * | 2009-03-06 | 2013-12-10 | Zimpl Ab | Text input |
GB201108200D0 (en) | 2011-05-16 | 2011-06-29 | Touchtype Ltd | User input prediction |
US20100332215A1 (en) | 2009-06-26 | 2010-12-30 | Nokia Corporation | Method and apparatus for converting text input |
US20110078192A1 (en) * | 2009-09-30 | 2011-03-31 | International Business Machines Corporation | Inferring lexical answer types of questions from context |
WO2011162824A1 (en) | 2010-06-24 | 2011-12-29 | Telecommunication Systems, Inc. | Short messaging system auto-reply and message hold |
WO2012040356A1 (en) * | 2010-09-24 | 2012-03-29 | International Business Machines Corporation | Providing question and answers with deferred type evaluation using text with limited structure |
US8943051B2 (en) * | 2010-09-24 | 2015-01-27 | International Business Machines Corporation | Lexical answer type confidence estimation and application |
CN103221915B (zh) * | 2010-09-24 | 2017-02-08 | 国际商业机器公司 | 在开域类型强制中使用本体信息 |
CN102289431A (zh) | 2011-06-24 | 2011-12-21 | 华南理工大学 | 一种基于自然语言理解并提供短信回复选项的方法 |
EP2807535B1 (en) | 2012-01-27 | 2019-09-04 | Touchtype Limited | User data input prediction |
US9223497B2 (en) | 2012-03-16 | 2015-12-29 | Blackberry Limited | In-context word prediction and word correction |
US10169456B2 (en) * | 2012-08-14 | 2019-01-01 | International Business Machines Corporation | Automatic determination of question in text and determination of candidate responses using data mining |
US9047268B2 (en) * | 2013-01-31 | 2015-06-02 | Google Inc. | Character and word level language models for out-of-vocabulary text input |
WO2014128727A2 (en) * | 2013-02-25 | 2014-08-28 | Keypoint Technologies India Pvt. Ltd. | Systems and methods for facilitating spotting of words and phrases |
US20140278349A1 (en) * | 2013-03-14 | 2014-09-18 | Microsoft Corporation | Language Model Dictionaries for Text Predictions |
US20140278910A1 (en) * | 2013-03-15 | 2014-09-18 | Ford Global Technologies, Llc | Method and apparatus for subjective advertisment effectiveness analysis |
US20140310306A1 (en) * | 2013-04-15 | 2014-10-16 | 5D Innovations, LLC | System And Method For Pattern Recognition And User Interaction |
US9342626B1 (en) * | 2013-06-22 | 2016-05-17 | Google Inc. | Query suggestions based on entity collections of one or more past queries |
US8996639B1 (en) * | 2013-10-15 | 2015-03-31 | Google Inc. | Predictive responses to incoming communications |
US9213941B2 (en) * | 2014-04-22 | 2015-12-15 | Google Inc. | Automatic actions based on contextual replies |
-
2014
- 2014-05-22 CN CN201410217040.1A patent/CN105095182B/zh active Active
- 2014-11-27 WO PCT/CN2014/092382 patent/WO2015176518A1/zh active Application Filing
-
2016
- 2016-11-21 US US15/357,648 patent/US10460029B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1672896A1 (en) * | 2004-12-17 | 2006-06-21 | Alcatel | Providing customized messages to callers of unavailable called subscribers |
CN101287172A (zh) * | 2008-05-28 | 2008-10-15 | 德信无线通讯科技(北京)有限公司 | 自动回复方法及*** |
CN103686723A (zh) * | 2012-09-19 | 2014-03-26 | 镇江诺尼基智能技术有限公司 | 移动客户热线短信服务厅复杂短信的处理***及其方法 |
CN103390047A (zh) * | 2013-07-18 | 2013-11-13 | 天格科技(杭州)有限公司 | 聊天机器人知识库及其构建方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106415527B (zh) * | 2016-08-31 | 2019-07-30 | 北京小米移动软件有限公司 | 消息通信方法及装置 |
CN106415527A (zh) * | 2016-08-31 | 2017-02-15 | 北京小米移动软件有限公司 | 消息通信方法及装置 |
CN106446054A (zh) * | 2016-08-31 | 2017-02-22 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置及电子设备 |
CN106446054B (zh) * | 2016-08-31 | 2019-11-19 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置及电子设备 |
CN106383590A (zh) * | 2016-09-06 | 2017-02-08 | 珠海格力电器股份有限公司 | 一种智能输入的方法及装置 |
WO2018058994A1 (zh) * | 2016-09-30 | 2018-04-05 | 华为技术有限公司 | 基于深度学习的对话方法、装置及设备 |
US11449678B2 (en) | 2016-09-30 | 2022-09-20 | Huawei Technologies Co., Ltd. | Deep learning based dialog method, apparatus, and device |
CN108153755A (zh) * | 2016-12-05 | 2018-06-12 | 北京搜狗科技发展有限公司 | 一种输入推荐方法、装置及电子设备 |
CN108664336A (zh) * | 2017-04-01 | 2018-10-16 | 北京搜狗科技发展有限公司 | 推荐方法和装置、用于推荐的装置 |
CN108121799A (zh) * | 2017-12-21 | 2018-06-05 | 广东欧珀移动通信有限公司 | 回复语句的推荐方法、装置、存储介质及移动终端 |
CN108132717A (zh) * | 2017-12-21 | 2018-06-08 | 广东欧珀移动通信有限公司 | 候选词的推荐方法、装置、存储介质及移动终端 |
CN109995642A (zh) * | 2017-12-29 | 2019-07-09 | Tcl集团股份有限公司 | 一种自动生成快捷回复的方法及装置、即时通讯*** |
CN108959421B (zh) * | 2018-06-08 | 2021-04-13 | 腾讯科技(深圳)有限公司 | 候选回复评价装置和问询回复设备及其方法、存储介质 |
CN108959421A (zh) * | 2018-06-08 | 2018-12-07 | 三角兽(北京)科技有限公司 | 候选回复评价装置和问询回复设备及其方法、存储介质 |
CN109992652A (zh) * | 2019-03-25 | 2019-07-09 | 联想(北京)有限公司 | 一种信息回复方法、装置、设备及存储介质 |
CN110263247A (zh) * | 2019-05-20 | 2019-09-20 | 话媒(广州)科技有限公司 | 一种回复信息推荐方法及电子设备 |
CN111104493A (zh) * | 2019-10-11 | 2020-05-05 | 中国平安人寿保险股份有限公司 | 基于数据处理的智能回应方法、装置和计算机设备 |
CN111104493B (zh) * | 2019-10-11 | 2023-02-07 | 中国平安人寿保险股份有限公司 | 基于数据处理的智能回应方法、装置和计算机设备 |
CN111291172A (zh) * | 2020-03-05 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 用于处理文本的方法和装置 |
CN111291172B (zh) * | 2020-03-05 | 2023-08-04 | 支付宝(杭州)信息技术有限公司 | 用于处理文本的方法和装置 |
CN111580720A (zh) * | 2020-05-07 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US10460029B2 (en) | 2019-10-29 |
CN105095182B (zh) | 2018-11-06 |
WO2015176518A1 (zh) | 2015-11-26 |
US20170124064A1 (en) | 2017-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095182A (zh) | 一种回复信息推荐方法及装置 | |
US10089303B2 (en) | Customizable and low-latency interactive computer-aided translation | |
CN110555095B (zh) | 人机对话方法和装置 | |
CN110781684B (zh) | 验证和校正用于文本分类的训练数据 | |
CN111738016B (zh) | 多意图识别方法及相关设备 | |
CN112507735B (zh) | 机器翻译模型的训练方法、装置和电子设备 | |
CN112085219B (zh) | 模型训练方法、短信审核方法、装置、设备以及存储介质 | |
CN111221936B (zh) | 一种信息匹配方法、装置、电子设备及存储介质 | |
CN114840671A (zh) | 对话生成方法、模型的训练方法、装置、设备及介质 | |
CN112541070A (zh) | 槽位更新语料的挖掘方法、装置、电子设备和存储介质 | |
CN112509566A (zh) | 一种语音识别方法、装置、设备、存储介质及程序产品 | |
CN111813923A (zh) | 文本摘要方法、电子设备及存储介质 | |
CN112579733A (zh) | 规则匹配方法、规则匹配装置、存储介质及电子设备 | |
CN114611625A (zh) | 语言模型训练、数据处理方法、装置、设备、介质及产品 | |
CN111160512B (zh) | 基于生成式对抗网络构建双判别器对话生成模型的方法 | |
CN111680514B (zh) | 信息处理和模型训练方法、装置、设备及存储介质 | |
CN115858776B (zh) | 一种变体文本分类识别方法、***、存储介质和电子设备 | |
CN116662555A (zh) | 一种请求文本处理方法、装置、电子设备及存储介质 | |
CN107656627B (zh) | 信息输入方法和装置 | |
CN113204667A (zh) | 音频标注模型的训练与音频标注的方法、装置 | |
CN113011162A (zh) | 一种指代消解方法、装置、电子设备及介质 | |
JPWO2020070943A1 (ja) | パターン認識装置及び学習済みモデル | |
CN114416940B (zh) | 表格问答中的短语泛化方法、装置、电子设备及存储介质 | |
CN105094358A (zh) | 信息处理装置和通过外码输入目标语言文字的方法 | |
CN114675750A (zh) | 输入方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |