[发明专利]基于循环神经网络模型的滑动输入方法及系统

摘要

本发明涉及电子设备上的文字输入技术领域，具体涉及一种基于循环神经网络模型的滑动输入方法及系统。将用户t时刻输入的单词转化为词向量；利用LSTM根据t时刻输入的单词的词向量和t‑1时刻LSTM中状态单元的状态记忆计算LSTM内常用词词表V中所有单词的概率；滑动输入一段轨迹，并对滑动轨迹进行识别，生成初始候选词列表；根据计算所得的常用词词表V中所有单词的概率结合先验概率值对初始候选词列表进行修正，得到候选词列表的最终预测排序，并按照最终预测排序将各个候选词显示输出。基于LSTM能够结合完整的上下文来计算下一个词的概率，准确的猜测出用户希望输入的下一个词，从而对传统的滑动轨迹输入发的预测结果进行修正，使得预测准确性大大提高。

主权项

1.一种基于循环神经网络模型的滑动输入方法，其特征在于：将用户t时刻输入的单词转化为词向量；利用LSTM循环神经网络模型根据t时刻输入的单词的词向量和t‑1时刻所述LSTM循环神经网络模型中状态单元的状态记忆计算所述LSTM循环神经网络模型内常用词词表V中所有单词的概率；比较计算所得的词表V中每个单词的概率值，以概率从大到小的顺序生成候选词列表并显示输出，或滑动输入一段轨迹，并对滑动轨迹进行识别，生成初始候选词列表；根据计算所得的所述常用词词表V中所有单词的概率结合先验概率值对所述初始候选词列表进行修正，得到候选词列表的最终预测排序，并按照所述最终预测排序将各个候选词显示输出；t‑1时刻所述LSTM循环神经网络模型中状态单元的状态记忆包括t‑1时刻及t‑1时刻前输入的所有单词信息；根据所述常用词词表V中所有单词的概率结合先验概率值对所述初始候选词列表进行修正，得到候选词列表的最终预测排序包括：所述LSTM循环神经网络模型包括包含有常用词与非常用词的词表V+；当所述初始候选词列表中候选单词w属于词表V时，采用公式计算单词w的权重；当所述初始候选词列表中候选单词w不属于词表V，即属于词表V+时，采用公式Uw＝Pv+*α计算单词w的权重；将所述初始候选词列表中的所有单词的权值进行比较，并按照权值从大到小的顺序对所述初始候选词列表进行重新排列，生成候选词列表的最终预测排序；所述P为LSTM循环神经网络模型预测的单词w的概率值；所述max、min分别为所述常用词词表V中的最大概率值和最小概率值；所述a为要归一化到的值域区间；所述Pv+为词表V+中候选单词w的概率，即根据日常生活中被使用的频率统计所得的先验概率值；所述α为降权比率，所述α<1。