CN112506359A - 输入法中候选长句的提供方法、装置及电子设备 - Google Patents
输入法中候选长句的提供方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112506359A CN112506359A CN202011519631.6A CN202011519631A CN112506359A CN 112506359 A CN112506359 A CN 112506359A CN 202011519631 A CN202011519631 A CN 202011519631A CN 112506359 A CN112506359 A CN 112506359A
- Authority
- CN
- China
- Prior art keywords
- word
- candidate
- long sentence
- user
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 130
- 239000013598 vector Substances 0.000 claims description 135
- 238000012549 training Methods 0.000 claims description 112
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 235000012054 meals Nutrition 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
- G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
- G06F3/0233—Character input methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本公开公开了输入法中候选长句的提供方法、装置及电子设备,计算机技术领域,尤其涉及深度学习技术领域、自然语言处理NLP技术领域等人工智能技术领域。具体实现方案为:获取用户在输入法应用中输入的当前输入序列,以及用户的用户标识;获取与当前输入序列相匹配的候选词语;根据用户标识、候选词语以及预先训练的长句预测模型,获取与用户标识以及候选词语匹配的候选长句;在输入法应用上展示候选词语和候选长句,从而能够为用户提供个性化的候选长句,提高了候选长句的提供效率,方便用户选择到合适的候选长句,减少了用户的输入成本,提高了用户体验度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及深度学习技术领域、自然语言处理NLP技术领域等人工智能技术领域,尤其涉及输入法中候选长句的提供方法、装置及电子设备。
背景技术
目前输入法中候选长句的提供方法为,结合基于Transformer的长句预测模型来获取候选长句,该模型的输入为候选词语,输出为候选词语的后缀词语;结合候选词语和后缀词语生成候选长句。
上述方法中,难以根据不同用户的个性化用词习惯进行个性化候选长句的提供,候选长句的提供效率差。
发明内容
本公开提供了一种输入法中候选长句的提供方法、装置及电子设备。
根据本公开的一方面,提供了一种输入法中候选长句的提供方法,包括:获取用户在输入法应用中输入的当前输入序列,以及所述用户的用户标识;获取与所述当前输入序列相匹配的候选词语;根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句;在所述输入法应用上展示所述候选词语和所述候选长句。
根据本公开的另一方面,提供了一种输入法中候选长句的提供装置,包括:第一获取模块,用于获取用户在输入法应用中输入的当前输入序列,以及所述用户的用户标识;第二获取模块,用于获取与所述当前输入序列相匹配的候选词语;第三获取模块,用于根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句;展示模块,用于在所述输入法应用上展示所述候选词语和所述候选长句。
根据第三方面,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如上所述的输入法中候选长句的提供方法。
根据第四方面,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如上所述的输入法中候选长句的提供方法。
根据第五方面,提供了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,实现如上所述的输入法中候选长句的提供方法。
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,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是在右上角上显示候选长句的示意图;
图3是根据本申请第二实施例的示意图;
图4是根据本申请第三实施例的示意图;
图5是根据本申请第四实施例的示意图;
图6是根据本申请第五实施例的示意图;
图7是根据本申请第六实施例的示意图;
图8是用来实现本公开实施例的输入法中候选长句的提供方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
下面参考附图描述本申请实施例的输入法中候选长句的提供方法、装置及电子设备。
图1是根据本申请第一实施例的示意图。其中,需要说明的是,本申请实施例的执行主体为输入法中候选长句的提供装置,输入法中候选长句的提供装置具体可以为硬件设备,或者硬件设备中的软件等。
如图1所示,输入法中候选长句的提供方法的具体实现过程如下:
步骤101,获取用户在输入法应用中输入的当前输入序列,以及用户的用户标识。
步骤102,获取与当前输入序列相匹配的候选词语。
在本申请实施例中,在用户需要通过输入法应用输入信息时,终端设备可获取用户在输入法应用中输入的当前输入序列,并将当前输入序列上传至输入法中候选长句的提供装置,由输入法中候选长句的提供装置对当前输入序列进行转换,以得到与当前输入序列相匹配的候选词语;或者,输入法中候选长句的提供装置可以将当前输入序列提交给序列转换设备,以得到与当前输入序列相匹配的候选词语。
例如,用户在输入法应用中输入的当前输入序列为“nihaozai”时,当前输入序列对应的候选词语例如可以为“你好在”。又例如,用户在输入法应用中输入的当前输入序列为“guonianhao”时,当前输入序列对应的候选词语例如可以为“过年好”。
步骤103,根据用户标识、候选词语以及预先训练的长句预测模型,获取与用户标识以及候选词语匹配的候选长句。
在本申请实施例中,预先训练的长句预测模型例如可以为基于翻译模型Transformer的长句预测模型。其中,由于用户标识不一定为长句预测模型训练过程中涉及到的用户标识,可能为新用户的用户标识,因此,为了提高针对新用户的候选长句的准确性,训练长句预测模型时,可以设置一个预设用户标识,该预设用户标识为通用用户标识,为大量长句所属的用户标识。对应的,输入法中候选长句的提供装置执行步骤103的过程例如可以为,根据用户标识查询用户标识列表,判断用户标识列表中是否存在用户标识;若用户标识列表中未存在用户标识,则根据预设用户标识、候选词语以及预先训练的长句预测模型,获取与用户标识以及候选词语匹配的候选长句。其中,用户标识列表中保存有在长句预测模型的预先训练过程中所涉及的用户标识。
在本申请实施例中,若用户标识列表中存在用户标识,则根据用户标识、候选词语以及预先训练的长句预测模型,获取与用户标识以及候选词语匹配的候选长句。
步骤104,在输入法应用上展示候选词语和候选长句。
在本实施例中,为了不影响用户通过输入法输入信息,可在输入法应用上的左上角或者右上角等位置显示候选长句,该实施例对候选长句的展示位置不作具体限定。
例如,用户在输入法应用中当前输入序列“nihaozai”,其在输入法应用中显示候选词语,以及候选词语相匹配的候选长句“你好在吗,我找你有事”,其中,对应的用户界面上的示例图,如图2所示,其中,需要说明的是,图2中以在右上角上显示候选长句进行示例。
综上,通过获取用户在输入法应用中输入的当前输入序列,以及用户的用户标识;获取与当前输入序列相匹配的候选词语;根据用户标识、候选词语以及预先训练的长句预测模型,获取与用户标识以及候选词语匹配的候选长句;在输入法应用上展示候选词语和候选长句,从而能够为用户提供个性化的候选长句,提高了候选长句的提供效率,方便用户选择到合适的候选长句,减少了用户的输入成本,提高了用户体验度。
图3是根据本申请第二实施例的示意图。其中,需要说明的是,本申请实施例的执行主体为输入法中候选长句的提供装置,输入法中候选长句的提供装置具体可以为硬件设备,或者硬件设备中的软件等。
如图3所示,预先训练的长句预测模型为,学习到用户标识、候选词语与后缀词语之间对应关系的模型。对应的,输入法中候选长句的提供方法的具体实现过程如下:
步骤301,获取用户在输入法应用中输入的当前输入序列,以及用户的用户标识。
步骤302,获取与当前输入序列相匹配的候选词语。
步骤303,获取用户标识对应的向量以及候选词语对应的向量。
在本申请实施例中,输入法中候选长句的提供装置获取用户标识对应的向量以及候选词语对应的向量的方式例如可以为,将用户标识输入预设的词向量模型,获取用户标识对应的向量;将候选词语输入预设的词向量模型,获取候选词语对应的向量。其中,词向量模型例如可以为连续词袋模型(continuous bag of words,CBOW)或者跳字模型(skip-gram)。
在本申请实施例中,步骤303之前,所述的方法还可以包括以下步骤:根据用户标识查询用户标识列表,判断用户标识列表中是否存在用户标识;若用户标识列表中未存在用户标识,则确定用户标识对应的用户为新用户,采用预设用户标识代替用户标识来执行步骤303以及之后的步骤,也就是说,从步骤303开始,之后的步骤中的用户标识替换为预设用户标识,获取预设用户标识对应的向量,采用用户标识对应的向量拼接生成第一拼接向量,等等。
步骤304,结合预设的分隔符对用户标识对应的向量以及候选词语对应的向量进行拼接,得到第一拼接向量。
在本申请实施例中,预设的分隔符例如可以为“|”、“空格”、“&”等符号,可以根据实际需要进行设定。另外,用户标识对应的向量以及候选词语对应的向量之间也可以不涉及分隔符。
步骤305,将第一拼接向量输入长句预测模型,获取长句预测模型输出的第一后缀词语。
在本申请实施例中,长句预测模型具体可以为基于翻译模型Transformer的长句预测模型,该模型的输入为第一拼接向量,结合第一拼接向量预测候选词语之后的词语。其中,第一后缀词语的数量可以为多个,使得根据候选词语以及第一后缀词语,能够生成候选长句。
步骤306,根据候选词语以及第一后缀词语,生成候选长句。
在本申请实施例中,输入法中候选长句的提供装置执行步骤306的过程例如可以为,对候选词语以及第一后缀词语进行拼接,得到候选长句。
步骤307,在输入法应用上展示候选词语和候选长句。
在本申请实施例中,步骤301、步骤302和步骤307的详细描述,可以参考图1所示实施例,此处不再做详细说明。
在本申请实施例中,步骤305之前,所述的方法还可以包括以下步骤:获取第一训练数据,其中,第一训练数据包括:前缀样本词语、用户标识、与前缀样本文本和用户标识对应的后缀样本词语;采用前缀样本词语、用户标识、以及后缀样本词语,对初始长句预测模型进行训练,得到预先训练的长句预测模型。
在本申请实施例中,第一训练数据的获取方式例如可以为,获取多个样本文本以及每个样本文本所属用户的用户标识;针对每个样本文本,对所述样本文本进行词语切分,获取所述样本文本的词语序列;针对所述词语序列中的每个词语,将所述词语、之前所有词语以及用户标识作为训练输入,将所述词语的之后所有词语作为训练输出,结合训练输入和训练输出生成一条训练数据,进而根据每个样本文本生成多条训练数据;根据各个样本文本对应的多条训练数据生成第一训练数据。
在本申请实施例中,以样本文本为“我们晚上去哪吃饭”,所属用户的用户标识为“user_id”为例进行说明,如以下表1所示,样本文本对应的词语序列可以为“我们|晚上|去哪|吃饭”,生成的第一条训练数据的训练输入为“user_id|我们”,训练输出为“晚上|去哪|吃饭”;生成的第二条训练数据的训练输入为“user_id|我们|晚上”,训练输出为“去哪|吃饭”;生成的第三条训练数据的训练输入为“user_id|我们|晚上|去哪”,训练输出为“吃饭”。
表1
在本申请实施例中,结合第一训练数据对初始长句预测模型进行训练,得到预先训练的长句预测模型,使得长句预测模型能够结合用户标识以及候选词语预测之后词语,提高长句预测模型的预测准确度。
综上,通过获取用户在输入法应用中输入的当前输入序列,以及用户的用户标识;获取与当前输入序列相匹配的候选词语;获取用户标识对应的向量以及候选词语对应的向量;结合预设的分隔符对用户标识对应的向量以及候选词语对应的向量进行拼接,得到第一拼接向量;将第一拼接向量输入长句预测模型,获取长句预测模型输出的第一后缀词语;根据候选词语以及第一后缀词语,生成候选长句;在输入法应用上展示候选词语和候选长句,从而能够为用户提供个性化的候选长句,提高了候选长句的提供效率,方便用户选择到合适的候选长句,减少了用户的输入成本,提高了用户体验度。
图4是根据本申请第三实施例的示意图。其中,需要说明的是,本申请实施例的执行主体为输入法中候选长句的提供装置,输入法中候选长句的提供装置具体可以为硬件设备,或者硬件设备中的软件等。
如图4所示,预先训练的长句预测模型为,学习到用户标识、历史输入词语集合、候选词语与后缀词语之间对应关系的模型。对应的,输入法中候选长句的提供方法的具体实现过程如下:
步骤401,获取用户在输入法应用中输入的当前输入序列,以及用户的用户标识。
步骤402,获取与当前输入序列相匹配的候选词语。
步骤403,获取用户标识对应的向量以及候选词语对应的向量。
在本申请实施例中,输入法中候选长句的提供装置获取用户标识对应的向量以及候选词语对应的向量的方式例如可以为,将用户标识输入预设的词向量模型,获取用户标识对应的向量;将候选词语输入预设的词向量模型,获取候选词语对应的向量。其中,词向量模型例如可以为连续词袋模型(continuous bag of words,CBOW)或者跳字模型(skip-gram)。
步骤404,获取与用户标识对应的历史输入词语集合,以及历史输入词语集合对应的向量。
在本申请实施例中,历史输入词语集合中可以包括用户标识对应用户的历史时间段内输入的所有词语。在第一种实施场景下,历史输入词语集合对应的向量的获取方式例如可以为,针对历史输入词语集合中的每个历史输入词语,结合预设的词向量模型,获取历史输入词语对应的向量;对历史输入词语集合中各个历史输入词语对应的向量进行求和,获取所述历史输入词语集合对应的向量。
在第二种实施场景下,历史输入词语集合对应的向量的获取方式例如可以为,历史输入词语集合对应的向量的获取方式例如可以为,针对历史输入词语集合中的每个历史输入词语,结合训练之后的长句预测模型,获取历史输入词语对应的向量;对历史输入词语集合中各个历史输入词语对应的向量进行求和,获取历史输入词语集合对应的向量。其中,训练之后的长句预测模型为结合第一训练数据对初始长句预测模型进行训练后得到的模型,第一训练数据包括:前缀样本词语、用户标识、与前缀样本文本和用户标识对应的后缀样本词语。
在本申请实施例中,对历史输入词语集合中各个历史输入词语对应的向量进行求和,使得历史输入词语集合对应的向量中包含所有历史输入词语的特征,能够体现用户标识对应用户的用词习惯,从而使得长句预测模型能够预测到适合该用户的候选长句。
步骤405,结合预设的分隔符对用户标识对应的向量、历史输入词语集合对应的向量以及候选词语对应的向量进行拼接,得到第二拼接向量。
在本申请实施例中,预设的分隔符例如可以为“|”、“空格”、“&”等符号,可以根据实际需要进行设定。另外,用户标识对应的向量、历史输入词语集合对应的向量以及候选词语对应的向量之间也可以不涉及分隔符。
步骤406,将第二拼接向量输入长句预测模型,获取长句预测模型输出的第二后缀词语。
在本申请实施例中,长句预测模型具体可以为基于翻译模型Transformer的长句预测模型,该模型的输入为第二拼接向量,结合第二拼接向量预测候选词语之后的词语。其中,第二后缀词语的数量可以为多个,使得根据候选词语以及第二后缀词语,能够生成候选长句。
步骤407,根据候选词语以及第二后缀词语,生成候选长句。
在本申请实施例中,输入法中候选长句的提供装置执行步骤407的过程例如可以为,对候选词语以及第二后缀词语进行拼接,得到候选长句。
步骤408,在输入法应用上展示候选词语和候选长句。
本申请中,步骤401、步骤402和步骤408的详细描述,可以参考图1所示实施例,此处不再做详细说明。
在本申请实施例中,步骤406之前,所述的方法还可以包括以下步骤:获取第一训练数据,其中,第一训练数据包括:前缀样本词语、用户标识、与前缀样本文本和用户标识对应的后缀样本词语;采用第一训练数据中的前缀样本词语、用户标识、以及后缀样本词语,对初始长句预测模型进行训练,得到训练之后的长句预测模型;获取第二训练数据,其中,第二训练数据包括:前缀样本词语、用户标识、与用户标识对应的历史输入词语集合、与前缀样本词语、用户标识和历史输入词语集合对应的后缀样本词语;采用第二训练数据中的前缀样本词语、用户标识、历史输入词语集合以及后缀样本词语,对训练之后的长句预测模型进行训练,得到预先训练的长句预测模型。
在本申请实施例中,第二训练数据的获取方式例如可以为,获取多个样本文本、每个样本文本所属用户的用户标识、用户标识对应的历史输入词语集合;针对每个样本文本,对所述样本文本进行词语切分,获取所述样本文本的词语序列;针对所述词语序列中的每个词语,将所述词语、之前所有词语、历史输入词语集合以及用户标识作为训练输入,将所述词语的之后所有词语作为训练输出,结合训练输入和训练输出生成一条训练数据,进而根据每个样本文本生成多条训练数据;根据各个样本文本对应的多条训练数据生成第二训练数据。
在本申请实施例中,以样本文本为“我们晚上去哪吃饭”,所属用户的用户标识为“user_id”,历史输入词语集合为“user_id_hist”为例进行说明,如以下表2所示,样本文本对应的词语序列可以为“我们|晚上|去哪|吃饭”,生成的第一条训练数据的训练输入为“user_id|user_id_hist|我们”,训练输出为“晚上|去哪|吃饭”;生成的第二条训练数据的训练输入为“user_id|user_id_hist|我们|晚上”,训练输出为“去哪|吃饭”;生成的第三条训练数据的训练输入为“user_id|user_id_hist|我们|晚上|去哪”,训练输出为“吃饭”
表2
在本申请实施例中,结合第一训练数据和第二训练数据对初始长句预测模型进行训练,得到预先训练的长句预测模型,使得长句预测模型能够结合用户标识以及候选词语预测之后词语,提高长句预测模型的预测准确度。
综上,通过获取用户在输入法应用中输入的当前输入序列,以及用户的用户标识;获取与当前输入序列相匹配的候选词语;获取用户标识对应的向量以及候选词语对应的向量;获取与用户标识对应的历史输入词语集合,以及历史输入词语集合对应的向量;结合预设的分隔符对用户标识对应的向量、历史输入词语集合对应的向量以及候选词语对应的向量进行拼接,得到第二拼接向量;将第二拼接向量输入长句预测模型,获取长句预测模型输出的第二后缀词语;根据候选词语以及第二后缀词语,生成所述候选长句;在输入法应用上展示候选词语和候选长句,从而能够为用户提供个性化的候选长句,提高了候选长句的提供效率,方便用户选择到合适的候选长句,减少了用户的输入成本,提高了用户体验度。
为了实现上述实施例,本申请实施例还提出一种输入法中候选长句的提供装置。
图5是根据本申请第四实施例的示意图。其中,需要说明的是,输入法中候选长句的提供装置具体可以为硬件设备,或者硬件设备中的软件等。如图5所示,输入法中候选长句的提供装置500包括:第一获取模块501、第二获取模块502、第三获取模块503和展示模块504。
其中,第一获取模块501,用于获取用户在输入法应用中输入的当前输入序列,以及所述用户的用户标识;
第二获取模块502,用于获取与所述当前输入序列相匹配的候选词语;
第三获取模块503,用于根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句;
展示模块504,用于在所述输入法应用上展示所述候选词语和所述候选长句。
作为本申请实施例的一种可能实现方式,所述预先训练的长句预测模型为,学习到用户标识、候选词语与后缀词语之间对应关系的模型;所述第三获取模块503具体用于,获取所述用户标识对应的向量以及所述候选词语对应的向量;结合预设的分隔符对所述用户标识对应的向量以及所述候选词语对应的向量进行拼接,得到第一拼接向量;将所述第一拼接向量输入所述长句预测模型,获取所述长句预测模型输出的第一后缀词语;根据所述候选词语以及所述第一后缀词语,生成所述候选长句。
作为本申请实施例的一种可能实现方式,所述预先训练的长句预测模型为,学习到用户标识、历史输入词语集合、候选词语与后缀词语之间对应关系的模型;所述第三获取模块503具体用于,获取所述用户标识对应的向量以及所述候选词语对应的向量;获取与所述用户标识对应的历史输入词语集合,以及所述历史输入词语集合对应的向量;结合预设的分隔符对所述用户标识对应的向量、所述历史输入词语集合对应的向量以及所述候选词语对应的向量进行拼接,得到第二拼接向量;将所述第二拼接向量输入所述长句预测模型,获取所述长句预测模型输出的第二后缀词语;根据所述候选词语以及所述第二后缀词语,生成所述候选长句。
作为本申请实施例的一种可能实现方式,所述的装置还包括:判断模块;所述判断模块,用于根据所述用户标识查询用户标识列表,判断所述用户标识列表汇总是否存在所述用户标识;所述第三获取模块,还用于在所述用户标识列表中未存在所述用户标识时,根据预设用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句。
综上,通过获取用户在输入法应用中输入的当前输入序列,以及用户的用户标识;获取与当前输入序列相匹配的候选词语;获取用户标识对应的向量以及候选词语对应的向量;结合预设的分隔符对用户标识对应的向量以及候选词语对应的向量进行拼接,得到第一拼接向量;将第一拼接向量输入长句预测模型,获取长句预测模型输出的第一后缀词语;根据候选词语以及第一后缀词语,生成候选长句;在输入法应用上展示候选词语和候选长句,从而能够为用户提供个性化的候选长句,提高了候选长句的提供效率,方便用户选择到合适的候选长句,减少了用户的输入成本,提高了用户体验度。
图6是根据本申请第五实施例的示意图,如图6所示,输入法中候选长句的提供装置600包括:第四获取模块601、第一训练模块602、第一获取模块603、第二获取模块604、第三获取模块605和展示模块606。
其中,所述第四获取模块601,用于获取第一训练数据,其中,所述第一训练数据包括:前缀样本词语、用户标识、与所述前缀样本文本和所述用户标识对应的后缀样本词语;
所述第一训练模块602,用于采用所述前缀样本词语、所述用户标识、以及所述后缀样本词语,对初始长句预测模型进行训练,得到所述预先训练的长句预测模型;
第一获取模块603,用于获取用户在输入法应用中输入的当前输入序列,以及所述用户的用户标识;
第二获取模块604,用于获取与所述当前输入序列相匹配的候选词语;
第三获取模块605,用于根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句;
展示模块606,用于在所述输入法应用上展示所述候选词语和所述候选长句。
综上,通过获取第一训练数据,其中,第一训练数据包括:前缀样本词语、用户标识、与前缀样本文本和用户标识对应的后缀样本词语;采用前缀样本词语、用户标识、以及后缀样本词语,对初始长句预测模型进行训练,得到预先训练的长句预测模型;获取用户在输入法应用中输入的当前输入序列,以及用户的用户标识;获取与当前输入序列相匹配的候选词语;获取用户标识对应的向量以及候选词语对应的向量;结合预设的分隔符对用户标识对应的向量以及候选词语对应的向量进行拼接,得到第一拼接向量;将第一拼接向量输入长句预测模型,获取长句预测模型输出的第一后缀词语;根据候选词语以及第一后缀词语,生成候选长句;在输入法应用上展示候选词语和候选长句,从而能够为用户提供个性化的候选长句,提高了候选长句的提供效率,方便用户选择到合适的候选长句,减少了用户的输入成本,提高了用户体验度。
图7是根据本申请第六实施例的示意图,如图7所示,输入法中候选长句的提供装置700包括:第五获取模块701、第二训练模块702、第一获取模块703、第二获取模块704、第三获取模块705和展示模块706。
其中,所述第五获取模块701,用于获取第一训练数据,其中,所述第一训练数据包括:前缀样本词语、用户标识、与所述前缀样本文本和所述用户标识对应的后缀样本词语;
所述第二训练模块702,用于采用所述第一训练数据中的所述前缀样本词语、所述用户标识、以及所述后缀样本词语,对初始长句预测模型进行训练,得到训练之后的长句预测模型;
所述第五获取模块701,还用于获取第二训练数据,其中,所述第二训练数据包括:前缀样本词语、用户标识、与所述用户标识对应的历史输入词语集合、与所述前缀样本词语、所述用户标识和所述历史输入词语集合对应的后缀样本词语;
所述第二训练模块702,还用于采用所述第二训练数据中的所述前缀样本词语、所述用户标识、所述历史输入词语集合以及所述后缀样本词语,对所述训练之后的长句预测模型进行训练,得到所述预先训练的长句预测模型;
第一获取模块703,用于获取用户在输入法应用中输入的当前输入序列,以及所述用户的用户标识;
第二获取模块704,用于获取与所述当前输入序列相匹配的候选词语;
第三获取模块705,用于根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句;
展示模块706,用于在所述输入法应用上展示所述候选词语和所述候选长句。
综上,通过获取第一训练数据,其中,第一训练数据包括:前缀样本词语、用户标识、与前缀样本文本和用户标识对应的后缀样本词语;采用第一训练数据中的前缀样本词语、用户标识、以及后缀样本词语,对初始长句预测模型进行训练,得到训练之后的长句预测模型;获取第二训练数据,其中,第二训练数据包括:前缀样本词语、用户标识、与用户标识对应的历史输入词语集合、与前缀样本词语、用户标识和历史输入词语集合对应的后缀样本词语;采用第二训练数据中的前缀样本词语、用户标识、历史输入词语集合以及后缀样本词语,对训练之后的长句预测模型进行训练,得到预先训练的长句预测模型;获取用户在输入法应用中输入的当前输入序列,以及用户的用户标识;获取与当前输入序列相匹配的候选词语;获取用户标识对应的向量以及候选词语对应的向量;结合预设的分隔符对用户标识对应的向量以及候选词语对应的向量进行拼接,得到第一拼接向量;将第一拼接向量输入长句预测模型,获取长句预测模型输出的第一后缀词语;根据候选词语以及第一后缀词语,生成候选长句;在输入法应用上展示候选词语和候选长句,从而能够为用户提供个性化的候选长句,提高了候选长句的提供效率,方便用户选择到合适的候选长句,减少了用户的输入成本,提高了用户体验度。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如输入法中候选长句的提供方法。例如,在一些实施例中,输入法中候选长句的提供方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的输入法中候选长句的提供方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行输入法中候选长句的提供方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)、互联网和区块链网络。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种输入法中候选长句的提供方法,包括:
获取用户在输入法应用中输入的当前输入序列,以及所述用户的用户标识;
获取与所述当前输入序列相匹配的候选词语;
根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句;
在所述输入法应用上展示所述候选词语和所述候选长句。
2.根据权利要求1所述的方法,其中,所述预先训练的长句预测模型为,学习到用户标识、候选词语与后缀词语之间对应关系的模型;
所述根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句,包括:
获取所述用户标识对应的向量以及所述候选词语对应的向量;
结合预设的分隔符对所述用户标识对应的向量以及所述候选词语对应的向量进行拼接,得到第一拼接向量;
将所述第一拼接向量输入所述长句预测模型,获取所述长句预测模型输出的第一后缀词语;
根据所述候选词语以及所述第一后缀词语,生成所述候选长句。
3.根据权利要求1所述的方法,其中,所述预先训练的长句预测模型为,学习到用户标识、历史输入词语集合、候选词语与后缀词语之间对应关系的模型;
所述根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句,包括:
获取所述用户标识对应的向量以及所述候选词语对应的向量;
获取与所述用户标识对应的历史输入词语集合,以及所述历史输入词语集合对应的向量;
结合预设的分隔符对所述用户标识对应的向量、所述历史输入词语集合对应的向量以及所述候选词语对应的向量进行拼接,得到第二拼接向量;
将所述第二拼接向量输入所述长句预测模型,获取所述长句预测模型输出的第二后缀词语;
根据所述候选词语以及所述第二后缀词语,生成所述候选长句。
4.根据权利要求1或2或3所述的方法,其中,在根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句之前,还包括:
根据所述用户标识查询用户标识列表,判断所述用户标识列表中是否存在所述用户标识;
若所述用户标识列表中未存在所述用户标识,则根据预设用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句。
5.根据权利要求2所述的方法,其中,在根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句之前,还包括:
获取第一训练数据,其中,所述第一训练数据包括:前缀样本词语、用户标识、与所述前缀样本文本和所述用户标识对应的后缀样本词语;
采用所述前缀样本词语、所述用户标识、以及所述后缀样本词语,对初始长句预测模型进行训练,得到所述预先训练的长句预测模型。
6.根据权利要求3所述的方法,其中,在根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句之前,还包括:
获取第一训练数据,其中,所述第一训练数据包括:前缀样本词语、用户标识、与所述前缀样本文本和所述用户标识对应的后缀样本词语;
采用所述第一训练数据中的所述前缀样本词语、所述用户标识、以及所述后缀样本词语,对初始长句预测模型进行训练,得到训练之后的长句预测模型;
获取第二训练数据,其中,所述第二训练数据包括:前缀样本词语、用户标识、与所述用户标识对应的历史输入词语集合、与所述前缀样本词语、所述用户标识和所述历史输入词语集合对应的后缀样本词语;
采用所述第二训练数据中的所述前缀样本词语、所述用户标识、所述历史输入词语集合以及所述后缀样本词语,对所述训练之后的长句预测模型进行训练,得到所述预先训练的长句预测模型。
7.根据权利要求6所述的方法,其中,所述获取与所述用户标识对应的历史输入词语集合,以及所述历史输入词语集合对应的向量,包括:
获取与所述用户标识对应的历史输入词语集合;
针对所述历史输入词语集合中的每个历史输入词语,结合所述训练之后的长句预测模型或者预设的词向量模型,获取所述历史输入词语对应的向量;
对所述历史输入词语集合中各个历史输入词语对应的向量进行求和,获取所述历史输入词语集合对应的向量。
8.一种输入法中候选长句的提供装置,包括:
第一获取模块,用于获取用户在输入法应用中输入的当前输入序列,以及所述用户的用户标识;
第二获取模块,用于获取与所述当前输入序列相匹配的候选词语;
第三获取模块,用于根据所述用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句;
展示模块,用于在所述输入法应用上展示所述候选词语和所述候选长句。
9.根据权利要求8所述的装置,其中,所述预先训练的长句预测模型为,学习到用户标识、候选词语与后缀词语之间对应关系的模型;
所述第三获取模块具体用于,
获取所述用户标识对应的向量以及所述候选词语对应的向量;
结合预设的分隔符对所述用户标识对应的向量以及所述候选词语对应的向量进行拼接,得到第一拼接向量;
将所述第一拼接向量输入所述长句预测模型,获取所述长句预测模型输出的第一后缀词语;
根据所述候选词语以及所述第一后缀词语,生成所述候选长句。
10.根据权利要求8所述的装置,其中,所述预先训练的长句预测模型为,学习到用户标识、历史输入词语集合、候选词语与后缀词语之间对应关系的模型;
所述第三获取模块具体用于,
获取所述用户标识对应的向量以及所述候选词语对应的向量;
获取与所述用户标识对应的历史输入词语集合,以及所述历史输入词语集合对应的向量;
结合预设的分隔符对所述用户标识对应的向量、所述历史输入词语集合对应的向量以及所述候选词语对应的向量进行拼接,得到第二拼接向量;
将所述第二拼接向量输入所述长句预测模型,获取所述长句预测模型输出的第二后缀词语;
根据所述候选词语以及所述第二后缀词语,生成所述候选长句。
11.根据权利要求8或9或10所述的装置,其中,所述的装置还包括:判断模块;
所述判断模块,用于根据所述用户标识查询用户标识列表,判断所述用户标识列表汇总是否存在所述用户标识;
所述第三获取模块,还用于在所述用户标识列表中未存在所述用户标识时,根据预设用户标识、所述候选词语以及预先训练的长句预测模型,获取与所述用户标识以及所述候选词语匹配的候选长句。
12.根据权利要求9所述的装置,其中,所述的装置还包括:第四获取模块和第一训练模块;
所述第四获取模块,用于获取第一训练数据,其中,所述第一训练数据包括:前缀样本词语、用户标识、与所述前缀样本文本和所述用户标识对应的后缀样本词语;
所述第一训练模块,用于采用所述前缀样本词语、所述用户标识、以及所述后缀样本词语,对初始长句预测模型进行训练,得到所述预先训练的长句预测模型。
13.根据权利要求10所述的装置,其中,所述的装置还包括:第五获取模块和第二训练模块;
所述第五获取模块,用于获取第一训练数据,其中,所述第一训练数据包括:前缀样本词语、用户标识、与所述前缀样本文本和所述用户标识对应的后缀样本词语;
所述第二训练模块,用于采用所述第一训练数据中的所述前缀样本词语、所述用户标识、以及所述后缀样本词语,对初始长句预测模型进行训练,得到训练之后的长句预测模型;
所述第五获取模块,还用于获取第二训练数据,其中,所述第二训练数据包括:前缀样本词语、用户标识、与所述用户标识对应的历史输入词语集合、与所述前缀样本词语、所述用户标识和所述历史输入词语集合对应的后缀样本词语;
所述第二训练模块,还用于采用所述第二训练数据中的所述前缀样本词语、所述用户标识、所述历史输入词语集合以及所述后缀样本词语,对所述训练之后的长句预测模型进行训练,得到所述预先训练的长句预测模型。
14.根据权利要求13所述的装置,其中,所述第三获取模块具体用于,
获取与所述用户标识对应的历史输入词语集合;
针对所述历史输入词语集合中的每个历史输入词语,结合所述训练之后的长句预测模型或者预设的词向量模型,获取所述历史输入词语对应的向量;
对所述历史输入词语集合中各个历史输入词语对应的向量进行求和,获取所述历史输入词语集合对应的向量。
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,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519631.6A CN112506359B (zh) | 2020-12-21 | 2020-12-21 | 输入法中候选长句的提供方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519631.6A CN112506359B (zh) | 2020-12-21 | 2020-12-21 | 输入法中候选长句的提供方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112506359A true CN112506359A (zh) | 2021-03-16 |
CN112506359B CN112506359B (zh) | 2023-07-21 |
Family
ID=74922898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011519631.6A Active CN112506359B (zh) | 2020-12-21 | 2020-12-21 | 输入法中候选长句的提供方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112506359B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655893A (zh) * | 2021-07-08 | 2021-11-16 | 华为技术有限公司 | 一种词句生成方法、模型训练方法及相关设备 |
US20230289524A1 (en) * | 2022-03-09 | 2023-09-14 | Talent Unlimited Online Services Private Limited | Articial intelligence based system and method for smart sentence completion in mobile devices |
CN117725414A (zh) * | 2023-12-13 | 2024-03-19 | 北京海泰方圆科技股份有限公司 | 训练内容生成模型方法、确定输出内容方法、装置及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050125400A1 (en) * | 2003-12-05 | 2005-06-09 | Aya Mori | Information search system, information search supporting system, and method and program for information search |
CN101183351A (zh) * | 2007-12-07 | 2008-05-21 | 腾讯科技(深圳)有限公司 | 一种文字输入方法及其*** |
CN102902362A (zh) * | 2011-07-25 | 2013-01-30 | 腾讯科技(深圳)有限公司 | 文字输入方法及*** |
CN103927299A (zh) * | 2014-04-25 | 2014-07-16 | 百度在线网络技术(北京)有限公司 | 输入法中候选语句的提供方法、输入内容推荐方法和装置 |
US20150199332A1 (en) * | 2012-07-20 | 2015-07-16 | Mu Li | Browsing history language model for input method editor |
CN106774969A (zh) * | 2015-11-20 | 2017-05-31 | 北京搜狗科技发展有限公司 | 一种输入方法和装置 |
US20180285730A1 (en) * | 2017-03-29 | 2018-10-04 | Alibaba Group Holding Limited | Method and apparatus for generating push notifications |
CN108897438A (zh) * | 2018-06-29 | 2018-11-27 | 北京金山安全软件有限公司 | 一种面向印地语的多语言混合输入方法及装置 |
CN110673748A (zh) * | 2019-09-27 | 2020-01-10 | 北京百度网讯科技有限公司 | 输入法中候选长句的提供方法及装置 |
-
2020
- 2020-12-21 CN CN202011519631.6A patent/CN112506359B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050125400A1 (en) * | 2003-12-05 | 2005-06-09 | Aya Mori | Information search system, information search supporting system, and method and program for information search |
CN101183351A (zh) * | 2007-12-07 | 2008-05-21 | 腾讯科技(深圳)有限公司 | 一种文字输入方法及其*** |
CN102902362A (zh) * | 2011-07-25 | 2013-01-30 | 腾讯科技(深圳)有限公司 | 文字输入方法及*** |
US20150199332A1 (en) * | 2012-07-20 | 2015-07-16 | Mu Li | Browsing history language model for input method editor |
CN103927299A (zh) * | 2014-04-25 | 2014-07-16 | 百度在线网络技术(北京)有限公司 | 输入法中候选语句的提供方法、输入内容推荐方法和装置 |
CN106774969A (zh) * | 2015-11-20 | 2017-05-31 | 北京搜狗科技发展有限公司 | 一种输入方法和装置 |
US20180285730A1 (en) * | 2017-03-29 | 2018-10-04 | Alibaba Group Holding Limited | Method and apparatus for generating push notifications |
CN108897438A (zh) * | 2018-06-29 | 2018-11-27 | 北京金山安全软件有限公司 | 一种面向印地语的多语言混合输入方法及装置 |
CN110673748A (zh) * | 2019-09-27 | 2020-01-10 | 北京百度网讯科技有限公司 | 输入法中候选长句的提供方法及装置 |
Non-Patent Citations (3)
Title |
---|
THI-NGA HO等: "An Investigation of Word Embeddings with Deep Bidirectional LSTM for Sentence Unit Detection in Automatic Speech Transcription", 2018 INTERNATIONAL CONFERENCE ON ASIAN LANGUAGE PROCESSING (IALP) * |
代贤俊: "面向写作辅助的中文智能输入法***", 中国优秀硕士学位论文全文数据库 * |
张晓娟;: "利用嵌入方法实现个性化查询重构", 情报学报, no. 06 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655893A (zh) * | 2021-07-08 | 2021-11-16 | 华为技术有限公司 | 一种词句生成方法、模型训练方法及相关设备 |
US20230289524A1 (en) * | 2022-03-09 | 2023-09-14 | Talent Unlimited Online Services Private Limited | Articial intelligence based system and method for smart sentence completion in mobile devices |
US12039264B2 (en) * | 2022-03-09 | 2024-07-16 | Talent Unlimited Online Services Pr | Artificial intelligence based system and method for smart sentence completion in mobile devices |
CN117725414A (zh) * | 2023-12-13 | 2024-03-19 | 北京海泰方圆科技股份有限公司 | 训练内容生成模型方法、确定输出内容方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112506359B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112506359B (zh) | 输入法中候选长句的提供方法、装置及电子设备 | |
CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
CN112926306B (zh) | 文本纠错方法、装置、设备以及存储介质 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN113407610B (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
CN112559631A (zh) | 分布式图数据库的数据处理方法、装置以及电子设备 | |
CN112925900A (zh) | 搜索信息处理方法、装置、设备及存储介质 | |
CN113468857A (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN116257690A (zh) | 一种资源推荐方法、装置、电子设备和存储介质 | |
CN113204616B (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
CN112560481B (zh) | 语句处理方法、设备和存储介质 | |
CN113807091B (zh) | 词语挖掘方法、装置、电子设备和可读存储介质 | |
CN114841172A (zh) | 文本匹配双塔模型的知识蒸馏方法、装置及程序产品 | |
CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
CN114549695A (zh) | 图像生成方法、装置、电子设备及可读存储介质 | |
CN114065784A (zh) | 训练方法、译文方法、装置、电子设备以及存储介质 | |
CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
CN116244432B (zh) | 语言模型的预训练方法、装置及电子设备 | |
CN113723120B (zh) | 参考信息的展示方法、装置和电子设备 | |
CN116127948B (zh) | 待标注文本数据的推荐方法、装置及电子设备 | |
CN115033701B (zh) | 文本向量生成模型训练方法、文本分类方法及相关装置 | |
CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
CN114722841B (zh) | 翻译方法、装置及计算机程序产品 | |
CN115965018B (zh) | 信息生成模型的训练方法、信息生成方法和装置 |
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 |