CN111708477A - 按键识别方法、装置、设备以及存储介质 - Google Patents
按键识别方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111708477A CN111708477A CN202010519337.9A CN202010519337A CN111708477A CN 111708477 A CN111708477 A CN 111708477A CN 202010519337 A CN202010519337 A CN 202010519337A CN 111708477 A CN111708477 A CN 111708477A
- Authority
- CN
- China
- Prior art keywords
- key
- click
- preorder
- sample
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
- G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
- G06F3/04886—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures by partitioning the display area of the touch-screen or the surface of the digitising tablet into independently controllable areas, e.g. virtual keyboards or menus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04847—Interaction techniques to control parameter settings, e.g. interaction with sliders or dials
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Input From Keyboards Or The Like (AREA)
Abstract
本申请公开了一种按键识别方法、装置、设备以及存储介质,涉及数据处理和图像处理技术领域,尤其涉及人工智能和大数据技术领域。具体实现方案为:获取用户在软键盘中的点击位置数据和前序按键信息;根据所述点击位置数据和所述前序按键信息确定目标按键,以完成所述目标按键的输入。本申请实施例提供的按键识别方法、装置、设备以及存储介质,提高了按键识别的准确率。
Description
技术领域
本申请实施例涉及数据处理和图像处理技术领域,尤其涉及人工智能和大数据技术领域。本申请实施例提供一种按键识别方法、装置、设备以及存储介质。
背景技术
随着智能设备的发展,便携式的智能设备,例如智能手机、平板电脑或车载导航等,逐渐成为人们生活中重要的一部分。在智能设备的输入方式上,越来越少的实体键盘,取而代之的是通过屏幕上的软键盘进行输入。
由于软键盘分布紧凑、按键之间不像是实体键盘那样完全独立、使用时视角、光线和个性化皮肤的按键背景都会影响按键的识别准确率。因此用户在使用这种键盘时,容易发生误点击的行为。
发明内容
本公开提供了一种按键识别方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种按键识别方法,该方法包括:
获取用户在软键盘中的点击位置数据和前序按键信息,其中前序按键信息是指该次字符序列输入中已经输入的字符按键;
根据所述点击位置数据和所述前序按键信息确定目标按键,以完成所述目标按键的输入。
根据本公开的另一方面,提供了一种按键识别装置,该装置包括:
信息获取模块,用于获取用户在软键盘中的点击位置数据和前序按键信息,其中前序按键信息是指该次字符序列输入中已经输入的字符按键;
按键识别模块,用于根据所述点击位置数据和所述前序按键信息确定目标按键,以完成所述目标按键的输入。
根据本公开的又一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例中任一项所述的方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请实施例中任一项所述的方法。
根据本申请的技术提高了按键识别的准确率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请第一实施例提供的一种按键识别方法的流程图;
图2是可以实现本申请实施例的一种按键输入的场景示意图;
图3是本申请第二实施例提供的一种按键识别方法的流程图;
图4是本申请第三实施例提供的一种按键识别方法的流程图;
图5是本申请第四实施例提供的一种模型生成方法的流程图;
图6是本申请第五实施例提供的一种按键识别装置的结构示意图;
图7是根据本申请实施例的按键识别方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
第一实施例
图1是本申请第一实施例提供的一种按键识别方法的流程图。参见图2,本实施例可适用于基于软键盘进行按键输入的情况。该方法可以由一种按键识别装置来执行,该装置可以由软件和/或硬件的方式实现。参见图1,本申请实施例提供的按键识别方法包括:
S110、获取用户在软键盘中的点击位置数据和前序按键信息。
其中,软键盘是指通过点击键盘在屏幕中的显示区域实现字符输入的虚拟键盘。
具体地,可通过鼠标、触控笔或手指等点击键盘在屏幕中的显示区域。
点击位置数据是指在基于软键盘进行字符输入时,在软键盘的屏幕显示区域中发生点击行为的位置数据。
具体地,点击位置数据可以是在软键盘的屏幕显示区域中的点击坐标。
前序按键是指该次字符序列输入中已经输入的字符按键。
可选地,前序按键可以是一个按键,也可以是两个或两个以上的按键。
典型地,前序按键是已经点击的,且点击时间距离上述点击位置数据关联点击时间最短的按键。
示例性地,若该次输入字符序列依次是a、b和c,且上述点击位置数据关联的输入字符是c,则前序按键是b按键。
S120、根据所述点击位置数据和所述前序按键信息确定目标按键。
其中,目标按键是该次点击欲输入的按键,也是所述点击位置数据关联的按键。
具体地,根据所述点击位置数据和所述前序按键信息确定目标按键,包括:
根据所述点击位置数据和所述前序按键信息,确定前序按键的前序点击位置与所述点击位置数据关联的当前点击位置之间的相对位置关系;
根据确定的相对位置关系,调整当前点击位置;
匹配调整后的当前点击位置与候选按键的响应区域;
根据匹配结果从候选按键中确定目标按键。
其中候选按键可以是软键盘中的各个按键。
具体地,根据确定的相对位置关系,调整当前点击位置,包括:
若相对位置关系为前序点击位置位于当前点击位置的左侧,则将当前位置向右平移设定距离。
因为用户如果前一个按键在该按键的左侧,则这一次点击落点会偏中心点左边,通过上述步骤可以达到校正偏移的目的。
本申请实施例的技术方案,通过在点击位置数据的基础上,还考虑到了前序按键信息对目标按键识别的影响,从而提高目标按键的识别准确率。
第二实施例
图3是本申请第二实施例提供的一种按键识别方法的流程图。本实施例是在上述实施例的基础上,对步骤“根据所述点击位置数据和所述前序按键信息确定目标按键”的具体优化。参见图3,本申请实施例提供的按键识别方法包括:
S210、获取用户在软键盘中的点击位置数据和前序按键信息。
S220、将所述点击位置数据和所述前序按键信息输入第一按键识别模型,输出所述目标按键,所述第一按键识别模型学习有前序按键和候选按键的条件概率密度分布。
其中所述条件概率密度分布是在点击所述前序按键后,点击所述候选按键的位置概率密度分布。
具体地,所述将所述点击位置数据和所述前序按键信息输入第一按键识别模型之前,所述方法还包括:
根据样本数据的前序按键对样本集进行划分,得到至少两个前缀样本组;
根据所述至少两个前缀样本组中的样本组,对初始模型进行训练,得到至少两个前缀辅助模型;
根据所述至少两个前缀辅助模型,确定所述第一按键识别模型。
其中,样本数据是指作为样本用于训练模型的数据。
具体地,样本数据包括:点击位置和点击按键等数据。
样本数据的前序按键是指样本数据中点击按键的前序按键。
样本集中包括至少两个样本数据。
每个前缀样本组包括至少一个样本数据。
可选地,根据所述至少两个前缀样本组中的样本组,对初始模型进行训练,得到至少两个前缀辅助模型,包括:
根据所述至少两个前缀样本组中的各样本组,对初始模型进行训练,得到至少两个前缀辅助模型;或
根据所述至少两个前缀样本组中的部分样本组,对初始模型进行训练,得到至少两个前缀辅助模型。
例如,若至少两个前缀样本组包括第一样本组、第二样本组和第三样本组,则根据所述至少两个前缀样本组中的部分样本组,对初始模型进行训练,得到至少两个前缀辅助模型,包括:
分别根据第一样本组和第二样本组对初始模型进行训练,得到至少两个前缀辅助模型。
具体地,根据样本数据的前序按键对样本集进行划分,包括:
将前序按键相同的样本数据划分为同一前缀样本组。
本申请实施例的技术方案,通过利用第一按键识别模型学习前序按键和候选按键的条件概率密度分布,从而实现基于模型,根据点击位置数据和前序按键信息,对目标按键的识别。因为前序按键和候选按键的条件概率密度分布,可以准确描述前序按键对候选按键点击位置的影响,所以本申请实施例可以提高目标按键的识别准确率。
因为按键的点击位置数据符合高斯分布,所以为进一步提高目标按键的识别准确率,所述条件概率密度分布为高斯概率密度分布。
具体地,对所述至少两个前缀辅助模型进行加权求和,得到所述第一按键识别模型,包括:
利用初始权重对所述至少两个前缀辅助模型进行加权求和,得到初始识别模型;
利用样本数据训练初始识别模型,得到所述第一按键识别模型。
该样本数据可以与上述样本数据相同,也可以不同。本实施例对此并不进行任何限制。
第三实施例
图4是本申请第三实施例提供的一种按键识别方法的流程图。本实施例是在上述实施例的基础上,对步骤“根据所述点击位置数据和所述前序按键信息确定目标按键”的具体优化。参见图4,本申请实施例提供的按键识别方法包括:
S310、获取用户在软键盘中的点击位置数据和前序按键信息。
S320、根据所述点击位置数据、所述前序按键信息和目标时间间隔,确定所述目标按键。
其中所述目标时间间隔为前序按键关联点击时间与所述点击位置数据关联点击时间之间的时间间隔。
该前序按键为目标按键的前序按键。该前序按键可以根据前序按键信息确定。
具体地,所述根据所述点击位置数据、所述前序按键信息和目标时间间隔,确定所述目标按键,包括:
将所述点击位置数据、所述前序按键信息和所述目标时间间隔,输入第二按键识别模型,输出所述目标按键;
其中,所述第二按键识别模型学习有前序按键和候选按键的条件概率密度分布,以及候选按键点击位置的概率密度分布和/或目标时间间隔的候选按键点击位置的概率密度分布。
前序按键和候选按键的条件概率密度分布是在点击所述前序按键后,点击所述候选按键的点击位置的概率密度分布。
候选按键点击位置的概率密度分布是指候选按键的点击位置的概率密度分布。
目标时间间隔的候选按键点击位置的概率密度分布是指,利用目标时间间隔的候选按键的点击位置学习到的概率密度分布。
具体地,所述将所述点击位置数据、所述前序按键信息和所述目标时间间隔,输入第二按键识别模型之前,所述方法还包括:
根据样本数据的点击时间间隔对样本集进行划分,得到至少两个间隔样本组;
根据所述至少两个间隔样本组中的样本组,对初始模型进行训练,得到至少两个间隔辅助模型;
根据所述至少两个间隔辅助模型,确定所述第二按键识别模型。
其中,样本数据的点击时间间隔是指样本数据中点击按键的点击时间与该点击按键的前序按键的点击时间之间的间隔。
此处的样本数据可以与上述实施例中的样本数据可以相同,也可以不同。
可选地,根据所述至少两个间隔样本组中的样本组,对初始模型进行训练,得到至少两个间隔辅助模型,包括:
根据所述至少两个间隔样本组中的各样本组,对初始模型进行训练,得到至少两个间隔辅助模型;或
根据所述至少两个间隔样本组中的部分样本组,对初始模型进行训练,得到至少两个间隔辅助模型。
本申请实施例通过增加对点击时间间隔的考虑因素,确定所述目标按键,从而提高目标按键的识别准确率。
第四实施例
本实施例是在上述实施例的基础上,提出的一种可选方案。本申请实施例提供的按键识别方法包括:模型生成阶段和模型应用阶段。
参见图5,其中模型生成阶段包括:
S410、对采集的样本数据进行数据预处理,生成目标点击数据。
其中,目标点击数据是指经过数据预处理后的样本数据。
具体地,对采集的样本数据进行数据预处理,包括:
对样本数据关联软键盘的显示图像进行尺寸归一化;
对归一化后的样本数据进行误点击过滤,得到目标点击数据。
S420、将目标点击数据作为样本,对初始高斯分布模型进行训练,得到全局落点模型。
S430、根据前序按键信息,对所述目标点击数据进行分组,得到至少两个前缀样本组。
其中,前序按键信息是指目标点击数据中点击按键的前序按键的信息。
具体地,可以对所述目标点击数据分别按照前序按键划分成27个前缀样本组,该27个前缀样本组分别为没有前序按键的样本组以及以26个字母中各字母为前序按键的样本组。
S440、利用各前缀样本组对初始高斯模型进行训练,得到前缀辅助模型。
S450、根据按键时间间隔,对所述目标点击数据进行分组,得到至少两个间隔样本组。
其中按键时间间隔是指目标点击数据中点击按键的点击时间与其前序按键的点击时间之间的时间间隔。
S460、利用各间隔样本组对初始高斯模型进行训练,得到间隔辅助模型。
S470、利用初始权重,对所述全局落点模型、所述前缀辅助模型和所述间隔辅助模型进行加权求和,得到初始识别模型。
S480、利用样本数据训练所述初始识别模型,得到按键识别模型。
模型应用阶段包括:
将用户在软键盘中的点击位置数据、前序按键信息以及与前序按键之间的按键时间间隔输入上述按键识别模型,输出目标按键。
本申请实施例对上述步骤的执行顺序不做限定。可选地,S430和S440可以先于S420执行。
本申请实施例对上述步骤的执行主体也不做限定。可选地,模型应用阶段的执行主体与模型生成阶段的执行主体可以相同,也可以不同。
本申请实施例的技术方案通过基于高斯分布模型对按键点击数据进行准确描述,从而提高按键的识别准确率。
通过结合按键时间间隔和前序按键的影响,确定按键的识别结果,从而提高识别结果的准确率。
第五实施例
图6是本申请第五实施例提供的一种按键识别装置的结构示意图。参见图6,本实施例提供的按键识别装置600包括:信息获取模块601和按键识别模块602。
其中,信息获取模块601,用于获取用户在软键盘中的点击位置数据和前序按键信息;
按键识别模块602,用于根据所述点击位置数据和所述前序按键信息确定目标按键。
本申请实施例的技术方案,通过在点击位置数据的基础上,还考虑到了前序按键信息对目标按键识别的影响,从而提高目标按键的识别准确率。
进一步地,所述按键识别模块,包括:
按键识别单元,用于将所述点击位置数据和所述前序按键信息输入第一按键识别模型,输出所述目标按键,所述第一按键识别模型学习有前序按键和候选按键的条件概率密度分布;
其中所述条件概率密度分布是在点击所述前序按键后,点击所述候选按键的位置概率密度分布。
进一步地,所述装置还包括:
样本划分模块,用于所述将所述点击位置数据和所述前序按键信息输入第一按键识别模型之前,根据样本数据的前序按键对样本集进行划分,得到至少两个前缀样本组;
样本训练模块,用于根据所述至少两个前缀样本组中的样本组,对初始模型进行训练,得到至少两个前缀辅助模型;
模型确定模块,用于根据所述至少两个前缀辅助模型,确定所述第一按键识别模型。
进一步地,所述模型确定模块,包括:
模型确定单元,用于利用初始权重对所述至少两个前缀辅助模型进行加权求和,得到初始识别模型;
样本训练单元,用于利用样本数据训练初始识别模型,得到所述第一按键识别模型。
进一步地,所述按键识别模块,包括:
按键确定单元,用于根据所述点击位置数据、所述前序按键信息和目标时间间隔,确定所述目标按键;
其中所述目标时间间隔为前序按键关联点击时间与所述点击位置数据关联点击时间之间的时间间隔。
进一步地,所述按键确定单元,包括:
按键确定子单元,用于将所述点击位置数据、所述前序按键信息和所述目标时间间隔,输入第二按键识别模型,输出所述目标按键;
其中,所述第二按键识别模型学习有前序按键和候选按键的条件概率密度分布,以及候选按键点击位置的概率密度分布和/或目标时间间隔的候选按键点击位置的概率密度分布。
进一步地,所述装置还包括:
样本划分模块,用于所述将所述点击位置数据、所述前序按键信息和所述目标时间间隔,输入第二按键识别模型之前,根据样本数据的点击时间间隔对样本集进行划分,得到至少两个间隔样本组;
样本训练模块,用于根据所述至少两个间隔样本组中的样本组,对初始模型进行训练,得到至少两个间隔辅助模型;
模型确定模块,用于根据所述至少两个间隔辅助模型,确定所述第二按键识别模型。
第六实施例
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的按键识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的按键识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的按键识别方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的按键识别方法对应的程序指令/模块(例如,附图6所示的信息获取模块601和按键识别模块602)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的按键识别方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据按键识别电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至按键识别电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
按键识别方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与按键识别电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术提高了按键识别的准确率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种按键识别方法,包括:
获取用户在软键盘中的点击位置数据和前序按键信息,其中所述前序按键信息是指该次字符序列输入中已经输入的字符按键;
根据所述点击位置数据和所述前序按键信息确定目标按键,以完成所述目标按键的输入。
2.根据权利要求1所述的方法,其中,所述根据所述点击位置数据和所述前序按键信息确定目标按键,包括:
将所述点击位置数据和所述前序按键信息输入第一按键识别模型,输出所述目标按键,所述第一按键识别模型学习有前序按键和候选按键的条件概率密度分布;
其中所述条件概率密度分布是在点击所述前序按键后,点击所述候选按键的位置概率密度分布。
3.根据权利要求2所述的方法,所述将所述点击位置数据和所述前序按键信息输入第一按键识别模型之前,所述方法还包括:
根据样本数据的前序按键对样本集进行划分,得到至少两个前缀样本组;
根据所述至少两个前缀样本组中的样本组,对初始模型进行训练,得到至少两个前缀辅助模型;
根据所述至少两个前缀辅助模型,确定所述第一按键识别模型。
4.根据权利要求3所述的方法,其中,所述根据所述至少两个前缀辅助模型,确定所述第一按键识别模型,包括:
利用初始权重对所述至少两个前缀辅助模型进行加权求和,得到初始识别模型;
利用样本数据训练初始识别模型,得到所述第一按键识别模型。
5.根据权利要求1所述的方法,其中,所述根据所述点击位置数据和所述前序按键信息确定目标按键,包括:
根据所述点击位置数据、所述前序按键信息和目标时间间隔,确定所述目标按键;
其中所述目标时间间隔为前序按键关联点击时间与所述点击位置数据关联点击时间之间的时间间隔。
6.根据权利要求5所述的方法,其中,所述根据所述点击位置数据、所述前序按键信息和目标时间间隔,确定所述目标按键,包括:
将所述点击位置数据、所述前序按键信息和所述目标时间间隔,输入第二按键识别模型,输出所述目标按键;
其中,所述第二按键识别模型学习有前序按键和候选按键的条件概率密度分布,以及候选按键点击位置的概率密度分布和/或目标时间间隔的候选按键点击位置的概率密度分布。
7.根据权利要求6所述的方法,所述将所述点击位置数据、所述前序按键信息和所述目标时间间隔,输入第二按键识别模型之前,所述方法还包括:
根据样本数据的点击时间间隔对样本集进行划分,得到至少两个间隔样本组;
根据所述至少两个间隔样本组中的样本组,对初始模型进行训练,得到至少两个间隔辅助模型;
根据所述至少两个间隔辅助模型,确定所述第二按键识别模型。
8.一种按键识别装置,包括:
信息获取模块,用于获取用户在软键盘中的点击位置数据和前序按键信息,其中所述前序按键信息是指该次字符序列输入中已经输入的字符按键;
按键识别模块,用于根据所述点击位置数据和所述前序按键信息确定目标按键,以完成所述目标按键的输入。
9.根据权利要求8所述的装置,其中,所述按键识别模块,包括:
按键识别单元,用于将所述点击位置数据和所述前序按键信息输入第一按键识别模型,输出所述目标按键,所述第一按键识别模型学习有前序按键和候选按键的条件概率密度分布;
其中所述条件概率密度分布是在点击所述前序按键后,点击所述候选按键的位置概率密度分布。
10.根据权利要求9所述的装置,所述装置还包括:
样本划分模块,用于所述将所述点击位置数据和所述前序按键信息输入第一按键识别模型之前,根据样本数据的前序按键对样本集进行划分,得到至少两个前缀样本组;
样本训练模块,用于根据所述至少两个前缀样本组中的样本组,对初始模型进行训练,得到至少两个前缀辅助模型;
模型确定模块,用于根据所述至少两个前缀辅助模型,确定所述第一按键识别模型。
11.根据权利要求10所述的装置,其中,所述模型确定模块,包括:
模型确定单元,用于利用初始权重对所述至少两个前缀辅助模型进行加权求和,得到初始识别模型;
样本训练单元,用于利用样本数据训练初始识别模型,得到所述第一按键识别模型。
12.根据权利要求8所述的装置,其中,所述按键识别模块,包括:
按键确定单元,用于根据所述点击位置数据、所述前序按键信息和目标时间间隔,确定所述目标按键;
其中所述目标时间间隔为前序按键关联点击时间与所述点击位置数据关联点击时间之间的时间间隔。
13.根据权利要求12所述的装置,其中,所述按键确定单元,包括:
按键确定子单元,用于将所述点击位置数据、所述前序按键信息和所述目标时间间隔,输入第二按键识别模型,输出所述目标按键;
其中,所述第二按键识别模型学习有前序按键和候选按键的条件概率密度分布,以及候选按键点击位置的概率密度分布和/或目标时间间隔的候选按键点击位置的概率密度分布。
14.根据权利要求13所述的装置,所述装置还包括:
样本划分模块,用于所述将所述点击位置数据、所述前序按键信息和所述目标时间间隔,输入第二按键识别模型之前,根据样本数据的点击时间间隔对样本集进行划分,得到至少两个间隔样本组;
样本训练模块,用于根据所述至少两个间隔样本组中的样本组,对初始模型进行训练,得到至少两个间隔辅助模型;
模型确定模块,用于根据所述至少两个间隔辅助模型,确定所述第二按键识别模型。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010519337.9A CN111708477B (zh) | 2020-06-09 | 2020-06-09 | 按键识别方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010519337.9A CN111708477B (zh) | 2020-06-09 | 2020-06-09 | 按键识别方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111708477A true CN111708477A (zh) | 2020-09-25 |
CN111708477B CN111708477B (zh) | 2022-05-13 |
Family
ID=72539535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010519337.9A Active CN111708477B (zh) | 2020-06-09 | 2020-06-09 | 按键识别方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111708477B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113741783A (zh) * | 2021-07-30 | 2021-12-03 | 北京搜狗科技发展有限公司 | 按键识别方法、装置和用于识别按键的装置 |
CN115509371A (zh) * | 2021-06-22 | 2022-12-23 | 北京搜狗科技发展有限公司 | 一种按键识别方法、装置和用于识别按键的装置 |
WO2023231860A1 (zh) * | 2022-05-31 | 2023-12-07 | 维沃移动通信(杭州)有限公司 | 输入方法、装置、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100067192A (ko) * | 2008-12-11 | 2010-06-21 | 삼성전자주식회사 | 터치 스크린을 사용하는 디바이스에서 문자를 입력하기 위한 장치 및 방법 |
CN102750021A (zh) * | 2011-04-19 | 2012-10-24 | 国际商业机器公司 | 用于修正用户输入位置的方法及*** |
CN106708400A (zh) * | 2015-11-17 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 内容输入方法及装置 |
CN109358802A (zh) * | 2018-10-11 | 2019-02-19 | 科大讯飞股份有限公司 | 一种信息输入方法、装置、设备及可读存储介质 |
CN110888577A (zh) * | 2018-09-10 | 2020-03-17 | 百度在线网络技术(北京)有限公司 | 字符纠正方法、装置、设备以及存储介质 |
-
2020
- 2020-06-09 CN CN202010519337.9A patent/CN111708477B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100067192A (ko) * | 2008-12-11 | 2010-06-21 | 삼성전자주식회사 | 터치 스크린을 사용하는 디바이스에서 문자를 입력하기 위한 장치 및 방법 |
CN102750021A (zh) * | 2011-04-19 | 2012-10-24 | 国际商业机器公司 | 用于修正用户输入位置的方法及*** |
CN106708400A (zh) * | 2015-11-17 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 内容输入方法及装置 |
CN110888577A (zh) * | 2018-09-10 | 2020-03-17 | 百度在线网络技术(北京)有限公司 | 字符纠正方法、装置、设备以及存储介质 |
CN109358802A (zh) * | 2018-10-11 | 2019-02-19 | 科大讯飞股份有限公司 | 一种信息输入方法、装置、设备及可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115509371A (zh) * | 2021-06-22 | 2022-12-23 | 北京搜狗科技发展有限公司 | 一种按键识别方法、装置和用于识别按键的装置 |
CN113741783A (zh) * | 2021-07-30 | 2021-12-03 | 北京搜狗科技发展有限公司 | 按键识别方法、装置和用于识别按键的装置 |
WO2023231860A1 (zh) * | 2022-05-31 | 2023-12-07 | 维沃移动通信(杭州)有限公司 | 输入方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111708477B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111708477B (zh) | 按键识别方法、装置、设备以及存储介质 | |
CN111967268A (zh) | 文本中的事件抽取方法、装置、电子设备和存储介质 | |
US20220114218A1 (en) | Session Recommendation Method, Device and Electronic Equipment | |
CN112001169B (zh) | 文本纠错的方法、装置、电子设备和可读存储介质 | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
CN111767359B (zh) | 兴趣点分类方法、装置、设备以及存储介质 | |
CN111177355B (zh) | 基于搜索数据的人机对话交互方法、装置和电子设备 | |
CN113094550A (zh) | 视频检索方法、装置、设备和介质 | |
CN111259671A (zh) | 文本实体的语义描述处理方法、装置及设备 | |
CN111241810A (zh) | 标点预测方法及装置 | |
CN112466280B (zh) | 语音交互方法、装置、电子设备和可读存储介质 | |
CN111488740A (zh) | 一种因果关系的判别方法、装置、电子设备及存储介质 | |
US20220027575A1 (en) | Method of predicting emotional style of dialogue, electronic device, and storage medium | |
CN110543558A (zh) | 问题匹配方法、装置、设备和介质 | |
CN112149741A (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN110852321A (zh) | 候选框过滤方法、装置以及电子设备 | |
CN111443801A (zh) | 人机交互方法、装置、设备及存储介质 | |
CN110532415B (zh) | 图像搜索处理方法、装置、设备及存储介质 | |
CN111753964A (zh) | 神经网络的训练方法和装置 | |
CN111640103A (zh) | 图像检测方法、装置、设备以及存储介质 | |
CN112466295A (zh) | 语言模型训练方法、应用方法、装置、设备及存储介质 | |
CN112560459B (zh) | 用于模型训练的样本筛选方法、装置、设备及存储介质 | |
CN112652311B (zh) | 中英文混合语音识别方法、装置、电子设备和存储介质 | |
CN111694574B (zh) | 指令代码处理的方法、装置、设备以及存储介质 | |
CN111339344B (zh) | 室内图像检索方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |