CN110348009A - 基于机器学习的邮件处理方法、装置、介质及电子设备 - Google Patents
基于机器学习的邮件处理方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN110348009A CN110348009A CN201910532896.0A CN201910532896A CN110348009A CN 110348009 A CN110348009 A CN 110348009A CN 201910532896 A CN201910532896 A CN 201910532896A CN 110348009 A CN110348009 A CN 110348009A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- unread
- learning model
- priority
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 108
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000004044 response Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012986 modification Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 2
- 230000005055 memory storage Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/42—Mailbox-related aspects, e.g. synchronisation of mailboxes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明实施例提供了一种基于机器学习的邮件处理方法、装置、介质及电子设备,涉及数据处理技术领域,该方法包括:从未读邮件的第一特征区域中提取出优先级特征信息;将优先级特征信息输入预设的第一机器学习模型,得到未读邮件的优先级数;从优先级数大于预设阈值的未读邮件的第二特征区域中提取出模板特征信息;将模板特征信息输入第二机器学习模型,生成与未读邮件对应的邮件回复模板;获取邮件回复指令,显示对应的邮件回复模板。本发明实施例的技术方案使收件人能够优先处理比较重要的邮件,提高了收件人的邮件处理效率,避免收件人无法及时阅读重要邮件而错过最佳回复时间。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种基于机器学习的邮件处理方法、装置、介质及电子设备。
背景技术
目前,邮箱的邮件收发以及提醒等服务中,一般会在收件人邮箱中先对发件人进行分组,根据分组的不同类型,将不同分组中的发件人发送的邮件设置成只接受不提醒或者未读提醒。当发件人发送的邮件中存在需要收件人特别关注并优先回复的内容,但发件人被分在只接受不提醒的分组时,收件人可能会无法及时阅读邮件而错过最佳回复时间。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种基于机器学习的邮件处理方法、装置、介质及电子设备,进而至少在一定程度上使收件人能够优先处理比较重要的邮件,提高了收件人的邮件处理效率,避免收件人无法及时阅读重要邮件而错过最佳回复时间,提高收件人的邮件回复效率。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面,提供了一种基于机器学习的邮件处理方法,所述方法包括:
从未读邮件的第一特征区域中提取出优先级特征信息;
将所述优先级特征信息输入预设的第一机器学习模型,得到所述未读邮件的优先级数;
从优先级数大于预设阈值的所述未读邮件的第二特征区域中提取出模板特征信息;
将所述模板特征信息输入第二机器学习模型,生成与所述未读邮件对应的邮件回复模板;
获取邮件回复指令,显示对应的所述邮件回复模板。
在本发明的一些实施例中,基于前述方案,所述第一特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;所述从未读邮件的第一特征区域中提取出优先级特征信息包括:
获取所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址中的第一文本信息;
从所述第一文本信息中提取出第一关键词;
根据所述第一关键词确定所述未读邮件的优先级特征信息。
在本发明的一些实施例中,基于前述方案,所述从未读邮件的第一特征区域中提取出优先级特征信息包括:
获取收件人输入的特征区域选择指令;
根据预设的特征区域选择指令与第一特征区域位置对照表确定所述未读邮件中的第一特征区域的位置;
获取所述特征区域选择指令对应的第一特征区域处的第二文本信息;
从所述第二文本信息中提取出第二关键词;
根据所述第二关键词确定所述未读邮件的优先级特征信息。
在本发明的一些实施例中,基于前述方案,所述第一特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;
所述第一机器学习模型通过以下方式得到:
获取已有的参考邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;
根据所述参考邮件中的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址中的关键词确定所述已有的参考邮件的优先级特征信息,并生成第一训练样本数据;
通过生成的所述第一训练样本数据对机器学习模型进行训练,得到所述第一机器学习模型。
在本发明的一些实施例中,基于前述方案,所述第二特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、收件人邮箱地址和邮件正文;
所述第二机器学习模型通过以下方法得到:
获取已有的参考邮件的邮件主题、发件人邮箱地址、收件人邮箱地址和邮件正文;
根据所述参考邮件中的邮件主题、发件人邮箱地址和收件人邮箱地址及邮件正文中的关键词确定所述已有的参考邮件的模板特征信息,并生成第二训练样本数据;
通过生成的所述第二训练样本数据对机器学习模型进行训练,得到所述第二机器学习模型。
在本发明的一些实施例中,基于前述方案,所述通过生成的所述训练样本数据对机器学习模型进行训练,得到所述第二机器学习模型之后还包括:
获取收件人对邮件回复模板的修改;
将修改后的内容作为训练样本数据对所述第二机器学习模型进行训练。
在本发明的一些实施例中,基于前述方案,所述方法还包括:
按照所述未读邮件的优先级数的降序依次排列多个所述未读邮件。
根据本发明实施例的第二方面,提供了一种基于机器学习的邮件处理装置,包括:
第一提取单元,用于从未读邮件的第一特征区域中提取出优先级特征信息;
优先级确定单元,用于将所述优先级特征信息输入预设的第一机器学习模型,得到所述未读邮件的优先级数;
第二提取单元,用于从优先级数大于预设阈值的所述未读邮件的第一特征区域中提取出模板特征信息;
模板生成单元,用于将所述模板特征信息输入第二机器学习模型,生成与所述未读邮件对应的邮件回复模板;
处理单元,用于获取邮件回复指令,显示对应的所述邮件回复模板。
在本发明的一些实施例中,基于前述方案,所述第一特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;
所述第一提取单元配置为:获取所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址中的第一文本信息;从所述第一文本信息中提取出第一关键词;根据所述第一关键词确定所述未读邮件的优先级特征信息。
在本发明的一些实施例中,基于前述方案,所述第一提取单元配置为:获取收件人输入的特征区域选择指令;根据预设的特征区域选择指令与第一特征区域位置对照表确定所述未读邮件中的第一特征区域的位置;获取所述特征区域选择指令对应的第一特征区域处的第二文本信息;从所述第二文本信息中提取出第二关键词;根据所述第二关键词确定所述未读邮件的优先级特征信息。
在本发明的一些实施例中,基于前述方案,所述第一特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;
基于机器学习的邮件处理装置还包括:
第一获取单元,用于获取已有的参考邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;
第一生成单元,用于根据所述参考邮件中的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址中的关键词确定所述已有的参考邮件的优先级特征信息,并生成第一训练样本数据;
第一训练单元,用于通过生成的所述第一训练样本数据对机器学习模型进行训练,得到所述第一机器学习模型。
在本发明的一些实施例中,基于前述方案,所述第二特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、收件人邮箱地址和邮件正文;
所述基于机器学习的邮件处理装置还包括:
第二获取单元,用于获取已有的参考邮件的邮件主题、发件人邮箱地址、收件人邮箱地址和邮件正文;
第二生成单元,用于根据所述参考邮件中的邮件主题、发件人邮箱地址和收件人邮箱地址及邮件正文中的关键词确定所述已有的参考邮件的模板特征信息,并生成第二训练样本数据;
第二训练单元,用于通过生成的所述第二训练样本数据对机器学习模型进行训练,得到所述第二机器学习模型。
在本发明的一些实施例中,基于前述方案,所述基于机器学习的邮件处理装置还包括:
第三获取单元,用于获取收件人对的邮件回复模板的修改;
第三训练单元,用于将修改后的内容作为训练样本数据对所述第二机器学习模型进行训练。
在本发明的一些实施例中,基于前述方案,所述基于机器学习的邮件处理装置还包括:
排序单元,用于按照所述未读邮件的优先级数的降序依次排列多个所述未读邮件。
根据本发明实施例的第三方面,提供了一种计算机程序介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行如上述实施例中第一方面所述的基于机器学习的邮件处理方法。
根据本发明实施例的第四方面,提供了一种电子设备,包括:
存储器,存储有计算机可读指令;
处理器,用于读取存储器存储的计算机可读指令,以执行如上述实施例中第一方面所述的基于机器学习的邮件处理方法。
本发明实施例提供的技术方案可以包括以下有益效果:
在本发明的一些实施例所提供的技术方案中,通过从未读邮件的第一特征区域中提取出优先级特征信息,并将该优先级特征信息输入预设的第一机器学习模型,得到未读邮件的优先级数,从而使收件人能够优先查看优先级数较高的未读邮件,避免收件人无法及时阅读重要的邮件而错过最佳回复时间。另外,通过从优先级数大于预设阈值的未读邮件的第一特征区域中提取出模板特征信息,并将模板特征信息输入第二机器学习模型,生成与未读邮件对应的邮件回复模板,当收件人需要对优先级数较高的邮件进行回复时,通过获取邮件回复指令,显示对应的邮件回复模板,使收件人能够快速输入回复内容,提高收件人的邮件回复效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。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。在附图中:
图1示意性示出了根据本发明的一个实施例的基于机器学习的邮件处理方法的流程图;
图2示意性示出了根据本发明的一个实施例的获取优先级特征信息过程的流程图;
图3示意性示出了根据本发明的另一个实施例的获取优先级特征信息过程的流程图;
图4示意性示出了根据本发明的一个实施例的对第一机器学习模型进行训练的流程图;
图5示意性示出了根据本发明的一个实施例的对第二机器学习模型进行训练的流程图;
图6示意性示出了根据本发明的一个实施例的基于机器学习的邮件处理装置的框图;
图7示出了适于用来实现本发明实施例的电子设备的计算机***的结构示意图;
图8示出了根据本发明的一个实施例的基于机器学习的邮件处理的计算机可读存储介质图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示意性示出了根据本发明的一个实施例的基于机器学习的邮件处理方法的流程图。
参照图1所示,根据本发明的一个实施例的基于机器学习的邮件处理方法,可以包括如下步骤S110至步骤S150,详细说明如下:
在步骤S110中,从未读邮件的第一特征区域中提取出优先级特征信息。
在本发明的一个实施例中,上述未读邮件可以是网页邮箱中的未读邮件,也可以是客户端邮箱中的未读邮件。优先级特征信息可以是未读邮件中用于表示未读邮件重要程度的信息。
其中,未读邮件上的第一特征区域为记录有优先级特征信息的区域,该第一特征区域可以有一处或多处,当未读邮件的第一特征区域具有多处时,不同第一特征区域内的优先级特征信息类型也可能不相同。可选地,未读邮件的第一特征区域可以包括未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址等等。
在本发明的一个实施例中,如图2所示,从未读邮件的第一特征区域中提取出优先级特征信息可以包括如下步骤S210至步骤S230,详细说明如下:
在步骤S210中,获取所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址中的第一文本信息。
在本发明的一个实施例中,在未读邮件的邮件主题中获取的第一文本信息可以是邮件主题中的具体内容;在发件人邮箱地址和收件人邮箱地址中获取的第一文本信息可以为发件人的姓名和收件人的姓名;发件时间中可以获取发件人发送邮件的具体时间。
在步骤S220中,从所述第一文本信息中提取出第一关键词。
在本发明的一个实施例中,由于第一文本信息的获取区域不同,因此,从不同的第一文本信息中提取出的第一关键词也不同。例如:可以将未读邮件的邮件主题中的项目名称作为第一关键词提取出来;或者,当发件人在未读邮件的邮件主题中备注有“紧急”、“重要”、“尽快回复”等词汇时,可以将这些词汇作为第一关键词提取出来;另外,当发件人为比较重要的人,或者,收件人中存在比较重要的人时,可以将收件人或发件人中比较重要的人的姓名作为第一关键词提取出来;再者,未读邮件的发件时间越早,越需要收件人尽快处理,因而也可以从发件时间中获取的第一文本信息中将具体发送时间作为第一关键词提取出来。
在步骤S230中,根据所述第一关键词确定所述未读邮件的优先级特征信息。
在本发明的一个实施例中,可以将从未读邮件的邮件主题、发件时间、发件人邮箱地址和收件人邮箱地址中提取出来的第一关键词作为优先级特征信息。
具体地,可以从邮件主题中提取出的“项目名称”或在邮件主题中备注的“紧急”、“重要”、“尽快回复”;将发件人和收件人中比较重要的人的姓名,以及邮件发送的具体时间作为优先级特征信息。
在本发明的另一个实施例中,如图3所示,从未读邮件的第一特征区域提取出优先级特征信息也可以包括如下步骤S310至步骤S350,详细说明如下:
在步骤S310中,获取收件人输入的特征区域选择指令。
在本发明的一个实施例中,未读邮件的第一特征区域除了邮件主题、发件时间、发件人邮箱地址和收件人邮箱地址外,收件人还可以自行指定未读邮件的第一特征区域。
其中,不同的特征区域选择指令对应未读邮件的不同第一特征区域,收件人通过输入相应的特征区域选择指令指定未读邮件中的某个位置作为第一特征区域。
在步骤S320中,根据预设的特征区域选择指令与第一特征区域位置对照表确定所述未读邮件中的第一特征区域的位置。
在本发明的一个实施例中,在获取到收件人输入的特征区域选择指令后,可以按照预设的特征区域选择指令与第一特征区域位置对照表确定收件人所指定的未读邮件的第一特征区域的位置。
其中,收件人指定的区域可以为未读邮件的邮件主题、发件时间、发件人邮箱地址和收件人邮箱地址,也可以为未读邮件的正文某一区域,具体可根据收件人需求而定。
在步骤S330中,获取所述特征区域选择指令对应的第一特征区域处的第二文本信息。
在本发明的一个实施例中,特征区域选择指令对应的第一特征区域处可能是文字,也可能是图片。当特征区域选择指令对应的第一特征区域处为文字时,可以直接获得第二文本信息;当特征区域选择指令对应的第一特征区域处是图片时,可以采用图像识别技术将图片中的文字转换成第二文本信息。
在步骤S340中,从所述第二文本信息中提取出第二关键词。
在本发明的一个实施例中,由于获取第二文本信息的第一特征区域不同,因此,提取出的第二关键词也不相同。例如:可以指定未读邮件的正文作为预设位置,通过获取未读邮件的正文,当未读邮件中提及收件人姓名时,可以将收件人的姓名作为第二关键词进行提取。
在步骤S350中,根据所述第二关键词确定所述未读邮件的优先级特征信息。
在本发明的一个实施例中,可以将从未读邮件的第一特征区域的预设位置处的第二文本信息中提取的第二关键词作为优先级特征信息。或者,也可以将该第二关键词进行预处理后形成优先级特征信息。
继续参照图1,在步骤S120中,可以将所述优先级特征信息输入预设的第一机器学习模型,得到所述未读邮件的优先级数。
在本发明的一个实施例中,可以将从未读邮件的邮件主题、发件时间、发件人邮箱地址和收件人邮箱地址等第一特征区域提取出的优先级特征信息输入到预先训练好的机器学习模型中,由机器学习模型得到该未读邮件的优先级数。
在本发明的一个实施例中,第一机器学习模型是通过样本训练数据对机器学习模型进行训练得到的。其中,机器学习模型可以是CNN(Convolutional Neural Network,卷积神经网络)模型,或者也可以是深度神经网络模型等。
如图4所示,根据本发明的一个实施例的对第一机器学习模型进行训练的过程,包括如下步骤:
步骤S410,获取已有的参考邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址。
在本发明的一个实施例中,参考邮件即已有的邮件,即本发明实施例中可以对已有邮件进行分析,以确定已有邮件的主题、已有邮件的发件时间、已有邮件的收件人邮箱地址和发件人邮箱地址。
步骤S420,根据所述参考邮件中的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址中的关键词确定所述已有的参考邮件的优先级特征信息,并生成第一训练样本数据。
在本发明的一个实施例中,可以根据从参考邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址中提取的关键词作为第一特征向量,将参考邮件的优先级数作为第二特征向量来生成训练样本数据。
步骤S430,通过生成的所述第一训练样本数据对机器学习模型进行训练,得到所述第一机器学习模型。
在本发明的一个实施例中,可以将第一特征向量输入第一机器学习模型,得到第一机器学习模型输出的参考邮件优先级数,当该参考邮件的优先级数与第二特征向量不一致时,调整第一机器学习模型,直至输出的参考邮件的优先级数与第二特征向量一致。
由此,当第一机器学习模型训练完成后,可以通过第一机器学习模型得到未读邮件的优先级数。
继续参照图1,在步骤S130中,从优先级数大于预设阈值的所述未读邮件的第二特征区域中提取出模板特征信息。
在本发明的一个实施例中,可以在通过第一机器学习模型得到未读邮件的优先级数后,将未读邮件的优先级数与预设阈值进行比较,当未读邮件的优先级数大于预设阈值时,则说明未读邮件的重要程度较高,需要收件人尽快处理。此时,可以从优先级数大于预设阈值的未读邮件的第二特征区域中提取出模板特征信息。
可选地,未读邮件中用于提取模板特征信息的第二特征区域可以包括未读邮件的邮件主题、发件人邮箱地址、收件人邮箱地址和邮件正文等等。
其中,模板特征信息可以是邮件主题中的项目名称、发件人和收件人姓名、邮件正文中的内容等等。
在步骤S140中,将所述模板特征信息输入第二机器学习模型,生成与所述未读邮件对应的邮件回复模板。
可以理解的是,通过第二机器学习模型自动生成优先级数大于预设阈值的未读邮件的邮件回复模板后,收件人在阅读邮件后,能够直接通过该邮件回复模板快速回复邮件,提高了收件人的邮件处理效率。
如图5所示,根据本发明的一个实施例的对第二机器学习模型进行训练的过程,包括如下步骤:
步骤S510,获取已有的参考邮件的邮件主题、发件人邮箱地址、收件人邮箱地址和邮件正文。
在本发明的一个实施例中,参考邮件即已有的邮件,即本发明实施例中可以对已有邮件进行分析,以确定已有邮件的主题、已有邮件的收件人邮箱地址、已有邮件的发件人邮箱地址和已有邮件的邮件正文。
步骤S520,根据所述参考邮件中的邮件主题、发件人邮箱地址和收件人邮箱地址,以及邮件正文中的关键词确定所述已有的参考邮件的模板特征信息,并生成第二训练样本数据。
在本发明的一个实施例中,可以根据从参考邮件的邮件主题、发件人邮箱地址、收件人邮箱地址和邮件正文中提取的关键词作为第三特征向量,将参考邮件的邮件回复模板作为第四特征向量来生成第二训练样本数据。
步骤S530,通过生成的所述第二训练样本数据对机器学习模型进行训练,得到所述第二机器学习模型。
在本发明的一个实施例中,可以将第三特征向量输入第二机器学习模型,得到第二机器学习模型输出的参考邮件的邮件回复模板,当该参考邮件的邮件回复模板与第四特征向量不一致时,调整第二机器学习模型,直至输出的参考邮件的邮件回复模板与第四特征向量一致。
由此,当第二机器学习模型训练完成后,可以通过第二机器学习模型得到未读邮件的邮件回复模板。
继续参照图1,在步骤S150中,获取邮件回复指令,显示对应的所述邮件回复模板。
在本发明的一个实施例中,邮件回复指令可以是收件人阅读未读邮件后的设定时间自动生成,也可以是收件人通过点击邮件中的某个功能按钮后生成。
在本发明的一个实施例中,通过生成的训练样本数据对机器学习模型进行训练,得到第二机器学习模型之后还包括:
获取收件人对邮件回复模板的修改,并将修改后的内容作为训练样本数据对第二机器学习模型进行训练。
在本发明的一个实施例中,第二机器学习模型生成的邮件回复模板可能并不符合收件人的要求,此时,可以将收件人(也即用户)对邮件回复模板的修改内容,并将修改的内容作为特征向量继续对第二机器学习模型进行训练,以使第二机器学习模型生成的邮件回复模板符合收件人的个性化要求。
在本发明的一个实施例中,可以按照未读邮件的优先级数的降序依次排列多个未读邮件。
由此,当收件人打开邮箱后,能够按照邮件的重要程度依次阅读邮件,使越重要的邮件越提前处理完成。
在本发明的一些实施例所提供的技术方案中,通过从未读邮件的第一特征区域中提取出优先级特征信息,并将该优先级特征信息输入预设的第一机器学习模型,得到未读邮件的优先级数,从而使收件人能够优先查看优先级数较高的未读邮件,避免收件人无法及时阅读重要的邮件而错过最佳回复时间。另外,通过从优先级数大于预设阈值的未读邮件的第二特征区域中提取出模板特征信息,并将模板特征信息输入第二机器学习模型,生成与未读邮件对应的邮件回复模板,当收件人需要对优先级数较高的邮件进行回复时,通过获取邮件回复指令,显示对应的邮件回复模板,使收件人能够快速输入回复内容,提高收件人的邮件回复效率。
以下介绍本发明的装置实施例,可以用于执行本发明上述的基于机器学习的邮件处理方法。
图6示意性示出了根据本发明的一个实施例的基于机器学习的邮件处理装置的框图。
参照图6所示,根据本发明的一个实施例的基于机器学习的邮件处理装置100,包括:第一提取单元110、优先级确定单元120、第二提取单元130、模板生成单元140和处理单元150。
其中,第一提取单元110用于从未读邮件的第一特征区域中提取出优先级特征信息;优先级确定单元120用于将所述优先级特征信息输入预设的第一机器学习模型,得到所述未读邮件的优先级数;第二提取单元130用于从优先级数大于预设阈值的所述未读邮件的第二特征区域中提取出模板特征信息;模板生成单元140用于将所述模板特征信息输入第二机器学习模型,生成与所述未读邮件对应的邮件回复模板;处理单元150用于获取邮件回复指令,显示对应的所述邮件回复模板。
在本发明的一个实施例中,所述第一特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;第一提取单元110配置为:获取所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址中的第一文本信息;从所述第一文本信息中提取出第一关键词;根据所述第一关键词确定所述未读邮件的优先级特征信息。
在本发明的另一个实施例中,第一提取单元110配置为:获取收件人输入的特征区域选择指令;根据预设的特征区域选择指令与第一特征区域位置对照表确定所述未读邮件中的第一特征区域的位置;获取所述特征区域选择指令对应的第一特征区域处的第二文本信息;从所述第二文本信息中提取出第二关键词;根据所述第二关键词确定所述未读邮件的优先级特征信息。
在本发明的一个实施例中,所述第一特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;所述的基于机器学习的邮件处理装置100还包括:第一获取单元,用于获取已有的参考邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;第一生成单元,用于根据所述参考邮件中的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址中的关键词确定所述已有的参考邮件的优先级特征信息,并生成第一训练样本数据;第一训练单元,用于通过生成的所述第一训练样本数据对机器学习模型进行训练,得到所述第一机器学习模型。
在本发明的一个实施例中,所述第二特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、收件人邮箱地址和邮件正文;所述的基于机器学习的邮件处理装置100还包括:第二获取单元,用于获取已有的参考邮件的邮件主题、发件人邮箱地址、收件人邮箱地址和邮件正文;第二生成单元,用于根据所述参考邮件中的邮件主题、发件人邮箱地址和收件人邮箱地址及邮件正文中的关键词确定所述已有的参考邮件的模板特征信息,并生成第二训练样本数据;第二训练单元,用于通过生成的所述第二训练样本数据对机器学习模型进行训练,得到所述第二机器学习模型。
在本发明的一个实施例中,所述的基于机器学习的邮件处理装置100还包括:第三获取单元,用于获取收件人对邮件回复模板的修改;第三训练单元,用于将修改后的内容作为训练样本数据对所述第二机器学习模型进行训练。
在本发明的一个实施例中,所述的基于机器学习的邮件处理装置100还包括:排序单元,用于按照所述未读邮件的优先级数的降序依次排列多个所述未读邮件。
由于本发明的示例实施例的基于机器学习的邮件处理装置的各个功能模块与上述基于机器学习的邮件处理方法的示例实施例的步骤对应,因此对于本发明装置实施例中未披露的细节,请参照本发明上述的页面资源数据的处理方法的实施例。
在本发明的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图7来描述根据本发明的这种实施方式的电子设备600。图7显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示步骤S110,从未读邮件的第一特征区域中提取出优先级特征信息;步骤S210,将所述优先级特征信息输入预设的第一机器学习模型,得到所述未读邮件的优先级数;步骤S310,从优先级数大于预设阈值的所述未读邮件的第二特征区域中提取出模板特征信息;步骤S410,将所述模板特征信息输入第二机器学习模型,生成与所述未读邮件对应的邮件回复模板;步骤S510,获取邮件回复指令,显示对应的所述邮件回复模板。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图8所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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,本发明的真正范围和精神由权利要求指出。
Claims (10)
1.一种基于机器学习的邮件处理方法,其特征在于,所述方法包括:
从未读邮件的第一特征区域中提取出优先级特征信息;
将所述优先级特征信息输入预设的第一机器学习模型,得到所述未读邮件的优先级数;
从优先级数大于预设阈值的所述未读邮件的第二特征区域中提取出模板特征信息;
将所述模板特征信息输入第二机器学习模型,生成与所述未读邮件对应的邮件回复模板;
获取邮件回复指令,显示对应的所述邮件回复模板。
2.根据权利要求1所述的方法,其特征在于,所述第一特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;所述从未读邮件的第一特征区域中提取出优先级特征信息包括:
获取所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址中的第一文本信息;
从所述第一文本信息中提取出第一关键词;
根据所述第一关键词确定所述未读邮件的优先级特征信息。
3.根据权利要求1所述的方法,其特征在于,所述从未读邮件的第一特征区域中提取出优先级特征信息包括:
获取收件人输入的特征区域选择指令;
根据预设的特征区域选择指令与第一特征区域位置对照表确定所述未读邮件中的第一特征区域的位置;
获取所述特征区域选择指令对应的第一特征区域处的第二文本信息;
从所述第二文本信息中提取出第二关键词;
根据所述第二关键词确定所述未读邮件的优先级特征信息。
4.根据权利要求1所述的方法,其特征在于,所述第一特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;
所述第一机器学习模型通过以下方式得到:
获取已有的参考邮件的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址;
根据所述参考邮件中的邮件主题、发件人邮箱地址、发送时间和收件人邮箱地址中的关键词确定所述已有的参考邮件的优先级特征信息,并生成第一训练样本数据;
通过生成的所述第一训练样本数据对机器学习模型进行训练,得到所述第一机器学习模型。
5.根据权利要求1所述的方法,其特征在于,所述第二特征区域包括所述未读邮件的邮件主题、发件人邮箱地址、收件人邮箱地址和邮件正文;
所述第二机器学习模型通过以下方法得到:
获取已有的参考邮件的邮件主题、发件人邮箱地址、收件人邮箱地址和邮件正文;
根据所述参考邮件中的邮件主题、发件人邮箱地址和收件人邮箱地址及邮件正文中的关键词确定所述已有的参考邮件的模板特征信息,并生成第二训练样本数据;
通过生成的所述第二训练样本数据对机器学习模型进行训练,得到所述第二机器学习模型。
6.根据权利要求5所述的方法,其特征在于,所述通过生成的所述训练样本数据对机器学习模型进行训练,得到所述第二机器学习模型之后还包括:
获取收件人对邮件回复模板的修改;
将修改后的内容作为训练样本数据对所述第二机器学习模型进行训练。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
按照所述未读邮件的优先级数的降序依次排列多个所述未读邮件。
8.一种基于机器学习的邮件处理装置,其特征在于,包括:
第一提取单元,从未读邮件的第一特征区域中提取出优先级特征信息;
优先级确定单元,用于将所述优先级特征信息输入预设的第一机器学习模型,得到所述未读邮件的优先级数;
第二提取单元,用于从优先级数大于预设阈值的所述未读邮件的第二特征区域中提取出模板特征信息;
模板生成单元,用于将所述模板特征信息输入第二机器学习模型,生成与所述未读邮件对应的邮件回复模板;
处理单元,用于获取邮件回复指令,显示对应的所述邮件回复模板。
9.一种计算机程序介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1-7中任一项所述的基于机器学习的邮件处理方法。
10.一种电子设备,其特征在于,包括:
存储器,存储有计算机可读指令;
处理器,用于读取存储器存储的计算机可读指令,以执行如权利要求1-7中任一项所述的基于机器学习的邮件处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532896.0A CN110348009A (zh) | 2019-06-19 | 2019-06-19 | 基于机器学习的邮件处理方法、装置、介质及电子设备 |
PCT/CN2020/087470 WO2020253388A1 (zh) | 2019-06-19 | 2020-04-28 | 基于机器学习的邮件处理方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532896.0A CN110348009A (zh) | 2019-06-19 | 2019-06-19 | 基于机器学习的邮件处理方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110348009A true CN110348009A (zh) | 2019-10-18 |
Family
ID=68182485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910532896.0A Pending CN110348009A (zh) | 2019-06-19 | 2019-06-19 | 基于机器学习的邮件处理方法、装置、介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110348009A (zh) |
WO (1) | WO2020253388A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253388A1 (zh) * | 2019-06-19 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 基于机器学习的邮件处理方法、装置、介质及电子设备 |
CN112257814A (zh) * | 2020-11-26 | 2021-01-22 | 携程计算机技术(上海)有限公司 | 基于深度学习的邮件标签方法、***、设备及存储介质 |
US20210142150A1 (en) * | 2019-11-07 | 2021-05-13 | Fujitsu Limited | Information processing device and method, and device for classifying with model |
CN112818109A (zh) * | 2021-02-25 | 2021-05-18 | 网易(杭州)网络有限公司 | 邮件的智能回复方法、介质、装置和计算设备 |
CN113343682A (zh) * | 2021-06-07 | 2021-09-03 | 中国工商银行股份有限公司 | 邮件处理方法、邮件处理装置、电子设备和存储介质 |
CN113592461A (zh) * | 2021-08-10 | 2021-11-02 | 平安普惠企业管理有限公司 | 邮件处理方法、装置与存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408281B (zh) * | 2021-07-14 | 2024-02-09 | 北京天融信网络安全技术有限公司 | 邮箱账号异常检测方法、装置、电子设备及存储介质 |
CN113746814B (zh) * | 2021-08-17 | 2024-01-09 | 上海硬通网络科技有限公司 | 邮件处理方法、装置、电子设备及存储介质 |
CN114970451A (zh) * | 2022-04-13 | 2022-08-30 | 中国银行股份有限公司 | 一种邮件的标记方法、装置、设备及可读存储介质 |
CN116545976B (zh) * | 2023-07-03 | 2024-01-19 | 深圳欧税通技术有限公司 | 业务邮件智能管理方法、***和可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003122676A (ja) * | 2001-10-11 | 2003-04-25 | Nippon Telegr & Teleph Corp <Ntt> | メール送受信システム、モバイル端末及びメール送受信方法 |
US6816885B1 (en) * | 2000-09-21 | 2004-11-09 | International Business Machines Corporation | Method and system to handle large volume of E-mail received from a plurality of senders intelligently |
US9282073B1 (en) * | 2014-12-16 | 2016-03-08 | Knowmail S.A.L Ltd | E-mail enhancement based on user-behavior |
CN107465604A (zh) * | 2017-09-04 | 2017-12-12 | 网易(杭州)网络有限公司 | 一种电子邮件显示方法、装置、介质计算装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7406504B2 (en) * | 2003-09-18 | 2008-07-29 | Sbc Knowledge Ventures, L.P. | Intelligent email detection and auto reply email technique to emails destined to no reply email addresses |
US20150200899A1 (en) * | 2013-01-29 | 2015-07-16 | Google Inc. | Automatic email reminder system based on machine learning |
US10911382B2 (en) * | 2017-01-30 | 2021-02-02 | Futurewei Technologies, Inc. | Personalized message priority classification |
CN107147779A (zh) * | 2017-04-21 | 2017-09-08 | 北京小米移动软件有限公司 | 信息提示方法及装置 |
CN110348009A (zh) * | 2019-06-19 | 2019-10-18 | 深圳壹账通智能科技有限公司 | 基于机器学习的邮件处理方法、装置、介质及电子设备 |
-
2019
- 2019-06-19 CN CN201910532896.0A patent/CN110348009A/zh active Pending
-
2020
- 2020-04-28 WO PCT/CN2020/087470 patent/WO2020253388A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6816885B1 (en) * | 2000-09-21 | 2004-11-09 | International Business Machines Corporation | Method and system to handle large volume of E-mail received from a plurality of senders intelligently |
JP2003122676A (ja) * | 2001-10-11 | 2003-04-25 | Nippon Telegr & Teleph Corp <Ntt> | メール送受信システム、モバイル端末及びメール送受信方法 |
US9282073B1 (en) * | 2014-12-16 | 2016-03-08 | Knowmail S.A.L Ltd | E-mail enhancement based on user-behavior |
CN107465604A (zh) * | 2017-09-04 | 2017-12-12 | 网易(杭州)网络有限公司 | 一种电子邮件显示方法、装置、介质计算装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253388A1 (zh) * | 2019-06-19 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 基于机器学习的邮件处理方法、装置、介质及电子设备 |
US20210142150A1 (en) * | 2019-11-07 | 2021-05-13 | Fujitsu Limited | Information processing device and method, and device for classifying with model |
CN112257814A (zh) * | 2020-11-26 | 2021-01-22 | 携程计算机技术(上海)有限公司 | 基于深度学习的邮件标签方法、***、设备及存储介质 |
CN112818109A (zh) * | 2021-02-25 | 2021-05-18 | 网易(杭州)网络有限公司 | 邮件的智能回复方法、介质、装置和计算设备 |
CN113343682A (zh) * | 2021-06-07 | 2021-09-03 | 中国工商银行股份有限公司 | 邮件处理方法、邮件处理装置、电子设备和存储介质 |
CN113592461A (zh) * | 2021-08-10 | 2021-11-02 | 平安普惠企业管理有限公司 | 邮件处理方法、装置与存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020253388A1 (zh) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348009A (zh) | 基于机器学习的邮件处理方法、装置、介质及电子设备 | |
CN110287479B (zh) | 命名实体识别方法、电子装置及存储介质 | |
CN111143535B (zh) | 用于生成对话模型的方法和装置 | |
KR102314096B1 (ko) | 다수의 컴퓨팅 장치를 이용한 인터콤 스타일 통신 | |
US9865264B2 (en) | Selective speech recognition for chat and digital personal assistant systems | |
US8326601B2 (en) | Queue based mechanism to support multi-language chat rooms | |
KR102097621B1 (ko) | 이미지 및/또는 다른 센서 데이터 기반의 자동화 어시스턴트 요청 해석 | |
CN108305626A (zh) | 应用程序的语音控制方法和装置 | |
RU2637874C2 (ru) | Генерирование диалоговых рекомендаций для чатовых информационных систем | |
US9402576B2 (en) | Electronic communication warning and modification | |
US11086598B2 (en) | Providing a communications channel between instances of automated assistants | |
CN108022586A (zh) | 用于控制页面的方法和装置 | |
CN108475365A (zh) | 将管理任务分类和划分优先级 | |
CN111274372A (zh) | 用于人机交互的方法、电子设备和计算机可读存储介质 | |
US20200152183A1 (en) | Systems and methods for processing a conversation message | |
CN108877782A (zh) | 语音识别方法和装置 | |
CN110147936A (zh) | 基于情绪识别的服务评价方法、装置、存储介质 | |
US20190197462A1 (en) | Intelligent collection box | |
CN107948437A (zh) | 熄屏显示方法和装置 | |
CN110516261A (zh) | 简历评估方法、装置、电子设备及计算机存储介质 | |
CN113674742A (zh) | 人机交互方法、装置、设备以及存储介质 | |
CN113785297A (zh) | 对基于结构化数据生成的自然语言文本的自动评估 | |
CN113823282A (zh) | 语音处理方法、***和装置 | |
CN107993650A (zh) | 用于生成信息的方法和装置 | |
CN103297611A (zh) | 用于在电子设备上屏蔽消息的方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 201, room 518000, building A, No. 1, front Bay Road, Qianhai Shenzhen Guangdong Shenzhen Hong Kong cooperation zone (Qianhai business secretary) Applicant after: Shenzhen one ledger Intelligent Technology Co., Ltd. Address before: 518000 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A Applicant before: Shenzhen one ledger Intelligent Technology Co., Ltd. |
|
CB02 | Change of applicant information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |