[发明专利]一种基于语义模型的手写输入的优化方法、系统及介质

说明书

本发明公开了一种基于语义模型的手写输入的优化方法、系统及介质，方法包括以下步骤：获取个体语音输入的数据和应用场景，根据个体语音输入的数据创建语义模型；将个体语音输入的应用场景与语义模型建立映射关系；根据映射关系对所述语义模型执行分类操作，根据分类操作结果提取若干句向量；配置权重关系，根据权重关系，对句向量拆分，生成若干词向量；获取个体手写操作，根据词向量与句向量的权重关系，对个体手写操作执行关联推荐，本发明能够通过个性化的语音输入生成和训练模型，提取句向量，区分句向量的出现频率，并在个体手写输入时，根据时间域和空间域为个体推荐句向量或词向量，可以提升手写输入的准确率，并大大提升手写输入的效率。

技术领域

本发明涉及手写输入技术领域，特别是涉及一种基于语义模型的手写输入的优化方法、系统及介质。

背景技术

现有的技术方案通过计算文本的编辑距离、相似系数或TF-IDF(term frequency–inverse document frequency)信息检索数据挖掘的常用加权技术计算等。

编辑距离，英文叫做Edit Distance，又称Levenshtein距离，是指两个字串之间，由一个转成另一个所需的最少编辑操作次数，如果它们的距离越大，说明它们越是不同，许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。

相似系数，用于比较有限样本集之间的相似性与差异性，相似系数值越大，样本相似度越高。计算方式非常简单，两个样本的交集除以并集得到的数值，当两个样本完全一致时，结果为1，当两个样本完全不同时，结果为0。

第三种方案就是直接计算TF矩阵中两个向量的相似度了，实际上就是求解两个向量夹角的余弦值，就是点乘积除以二者的模长。

现有的计算文本相似都是基于词的相似度计算方法，没有对文字输入的用于的工作情况、个人喜好或者家庭因素进行参考的语义理解，仅基于句子表层的关键词信息，不能区别在语义或句法结构上相似的句子，在各种办公或者高校的智能屏幕中，基于语义模型的手写输入的优化方法对于加快文字输入的速度及关联字推荐有重要的影响。

发明内容

本发明主要解决的是现有的手写输入没有参照使用者的使用情况、工作因素和个人喜好推荐关联字的问题。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于语义模型的手写输入的优化方法，包括以下步骤：

获取个体语音输入的数据和应用场景，根据个体语音输入的数据创建语义模型；

将所述个体语音输入的应用场景与所述语义模型建立映射关系；

根据所述映射关系对所述语义模型执行分类操作，根据所述分类操作结果提取若干句向量；

配置权重关系，并根据权重关系，对所述句向量拆分，生成若干词向量；

获取个体手写操作，根据所述词向量与所述句向量的权重关系，对所述个体手写操作执行关联推荐。

优选地，所述获取个体语音输入的数据和应用场景，根据个体语音输入的数据创建语义模型的步骤进一步包括：

配置第一阈值和阈值区间，对所述个体语音输入的数据执行数据特性解析操作，将满足所述第一阈值的所述数据作为特性向量；

提取所述特性向量创建语义模型。

优选地，所述将所述个体手写输入的应用场景与所述语义模型建立映射关系的步骤进一步包括：

获取所述应用场景的所述特性向量，将所述特性向量及对应的应用场景和语义模型建立映射关系。

优选地，所述根据所述映射关系对所述语义模型执行分类操作，根据所述分类操作结果提取若干句向量的步骤进一步包括：