行分析，包括:根据通信信息获取对话内容，对话内容包括以下一项或多项信息:
[0030]文字信息、用户口音信息、地理位置信息和用户情绪信息。
[0031]具体而言，根据通信信息获取对话内容，包括:
[0032]可以对用户直接输入的文本或语音识别的文本结果进行分析，包括提取文本中包含的句式、情绪以及能够反映话题领域范围的关键词信息。不同的输入方式可以提供不同的辅助分析信息，这些辅助分析信息可以用于进行如下分析:当检测到语音输入时，可以分析出说话人的口音、方言等信息，当检测到文字和手写输入时，可以分析出用户的情感信肩、O
[0033]作为一种实施例，无论用户采用何种输入形式，用户输入的通信信息都可以先转化为文本，再经过自然语言处理和语义分析，抽取其中反映用户语义的重要名词实体和主题信息，随后推荐系统综合考虑用户输入的通信信息的内容及其它因素，向用户推荐其可能感兴趣的图片、视频、音频等多媒体信息。可以理解的是，推荐信息可以是提示信息，例如通过链接形式进行提示，即，用户可快速访问多媒体内容的链接，也可以是直接推荐多媒体内容。优选地，为了用户体验，本发明提供的方案采取提示信息的方式进行描述。
[0034]作为一种实施例，可以采用分类器设计对辅助分析信息进行分析。例如，配置在终端中的用于检测输入信息的检查模块可以包括触控屏幕和分类器。例如，分类器又可以包括语音分析单元和文字输入分析单元。例如，语音分析单元又可以包括内容分析子单元、口音分析子单元以及情绪分析子单元。例如，文字输入分析单元又可以包括内容分析子单元、压力感测子单元以及情绪分析子单元。例如，语音分析单元和文字输入分析单元可以共用同一个内容分析子单元和/或情绪分析子单元，也可以分别配置不同的内容分析子单元和/或情绪分析子单元。当用户选择语音输入时，语音分析单元对语音信号进行分析，通过内容分析子单元进行语音识别以获得输入的内容信息，通过口音分析子单元提取用户的口音信息，同时通过情绪分析子单元捕获用户情绪信息；当用户选择手写输入时，文字输入分析单元对手写笔迹进行分析，通过内容分析子单元进行手写内容识别以获得输入的内容信息，通过压力感测子单元捕获用户书写或敲击屏幕的压力信息，同时通过情绪分析子单元根据物理环境和获取的压力信息分析出的用户写字时的情绪信息。可以理解的是，在本发明所提方案中，在接收用户输入的通信信息过程中，除了分析用户输入中所包含的内容信息之外，还可以采集或捕捉各种输入方式中的辅助分析信息。因此，本发明设计的方案可以将从语音或手写输入中获取的上述信息作为后面推荐信息时的参考因素。因此，终端获取的通信信息可以包括:用户输入的具体内容信息和辅助分析信息。
[0035]由此可知，相比现有的终端而言，本发明设计的方案可以使终端能够检测到辅助分析信息，并根据具体内容信息和辅助分析信息分析出该用户的特有兴趣点，这是本发明对现有技术做出的改进和贡献之一。
[0036]由此可知，对通信信息进行分析，可以包括如下步骤:根据通信信息获取对话内容；当检测用户通过话筒以语音的方式输入时，对输入的语音信息进行分析，获得对话内容，其中，对话内容包括:文字信息、用户口音信息和/或用户情绪信息；当检测用户通过终端输入区域以文字的方式输入时，对用户通过触控物进行相应操作中的滑动轨迹信息和/或操作触控屏幕的受力信息进行分析，获得对话内容。例如，用户通过触控物进行相应操作可以是通过触控笔或手指在触控屏幕上进行直线、曲线、封闭图形等滑动操作，从而形成直线、曲线、封闭图形等的滑动轨迹。例如，用户操作触控屏幕的受力信息可以是用户点击、滑动、摇动触控屏幕而产生的压力信息。
[0037]进一步而言，某种类型的信息可通过多种方式获取，例如情绪信息可以通过摄像头捕捉人脸表情获取，也可以通过对用户的语音分析获取，还可以从用户键盘手写输入的压力获取。再例如，对用户方言或所属地的分析，可以从交谈内容中获取，也可以利用地理位置信息本身获取。
[0038]作为本发明的实施例，针对获取对话内容出现冲突的情况，解决方案包括:
[0039]一种是一旦出现冲突，系统就不采用具有冲突信息的对话内容进行分析与推荐。这是考虑到频繁的误推荐会极大地影响用户体验。
[0040]另一种是利用机器学习的方法，对多种信息来源进行分类判断。例如，同时获得了来自摄像头，语音和键盘压力三种来源的用户情绪信息，并且从三种来源各自获取的情绪判断不一致，可以将三种方式的获取方式设置优先级，以优先级高的获取方式得到的信息为准。
[0041]显然，还可以有其他的方法解决信息冲突的问题，在此不再举例说明。
[0042]作为一种实施例，可以通过提示性的链接将所推荐的内容发送给用户。推荐的内容可以包括与用户语义相关的1-2个“关键词”提示，在具体实施时，相关的1-2个“关键词”提示从触控操作的界面上只需要占据一行的平面位置。随后，若用户对该条推荐信息感兴趣，点击该提示信息后，会出现下拉菜单，包含更多媒体信息链接(例如，3-5条)。优选地，考虑到该触控操作的界面占用面积较大，可能影响聊天正文内容，因此再次点击提示信息，该下拉菜单可以设计为重新折叠成一行。
[0043]因此，可以理解的是，本发明所提供方案可以在目前常用的可接收、交互式聊天应用(如QQ、微信等)的基础上，在用户聊天交互过程时，通过对聊天内容自动、实时地进行分析，并推测用户实际语义及用户感兴趣的话题，以获取相关信息，根据分析结果向用户推荐多种形式的多媒体信息，从而达到提高沟通效率、丰富聊天体验和减少语义误解的目的。
[0044]图2示出了根据本发明一实施例的用户在谈论体育领域话题时的界面效果图。如图2所示的基于聊天内容分析的多媒体信息推荐实施例，左侧用户通过语音或文字询问对方，内容为“昨天你看NBA总决赛了吗？ ”。获取文本内容后，通过语义分析与提取步骤获取名字实体识别发现“NBA”和“总决赛”两个实体，而语义分析找出主要动作“看”。利用用户偏好与兴趣分析功能，根据“看”，“NBA”，“总决赛”等语义要素推测出用户意图，因此向用户推荐三条多媒体链接，第一条为精彩进球视频，第二条为总决赛精彩扣篮图片，第三条为姚明看NBA总决赛。因此，通过上述的交互式通信中进行信息推荐的方法(例如，自动推荐多媒体信息)可以丰富用户的对话体验，从而为用户提供传统文字聊天所不具备的“临场”体验。
[0045]图3示出了根据本发明一实施例的两个使用不同方言的人进行交流的对话界面图。如图3所示的基于聊天内容分析的多媒体信息推荐实施例，左侧用户为四川人，使用带四川口音及夹杂四川方言的普通话，右侧用户使用标准普通话。在第一段对话情景中，左侧用户使用语音输入，其真实意图为“你怎么不开腔呢？ ”(意思为你怎么不说话呢，其中“开腔”为四川方言，表示说话)。现有的语音识别系统很可能将其识别成“你怎么不开枪呢？ ”，这会引起对方极大的困惑。通过对结合对用户口音分析，系统推测出用户的真实语义为说话。因此，向用户推荐可能的语义候选。在第二段对话请将中，左侧用户使用语音输入，语音发音为“我昨天买了双孩子”，其真实意图为“我昨天买了双鞋子”(“孩子”为鞋子在四川方言中的发音)。现有的语音识别系统很可能将其识别成“我昨天买了双孩子”，这会引起对方极大的困惑。通过对结合对用户口音分析，系统推测出用户的真实语义为鞋子。因此，通过上述的交互式通信中进行信息推荐的方法可以减少语言多义、歧义的现象，从而提高传统聊天的沟通效率。
[0046]作为一种实施例，预测与通信信息相关联的信息，可以包括如下步骤:在进行预测处理之前，通过预定义规则建立用户的兴趣模型，和/或通过在影响用户兴趣的因素上基于统计规则，建立用户的兴趣模型；根据相关度算法对获取的对话内容进行相关度分析，将相关度分析结果与兴趣模型进行对比，并提取符合预定匹配规则的信息。随后，将“相关度分析”结果作为预测结果，即，将根据兴趣模型从按照预定规则生成的数据库或网络中提取符合预定匹配规则的信息作为预测结果。
[0047]作为一种实施例，可以通过系统自学习(积累)方式建立用户的兴趣模型，包括如下规则之一:决策树、神经网络或基于向量的表示规则。可以理解的是，通过预定义规则建立用户的兴趣模型是对用户行为进行建模与通过在影响用户兴趣的因素上基于统计规则建立兴趣模型是两种建立兴趣模型的方法。通过预定义规则建立用户的兴趣模型是对用户行为进行建模，其适用基础是建立在对用户行为模型有准确的描述；通过在影响用户兴趣的因素上基于统计规则建立兴趣模型是基于多因素的统计模型进行建模，其适用基础是通过在统计意义下挖掘多种因素的统计相关性来对用户兴趣作出预测。上述两种方法既可以单独进行应用，也可以结合进行应用。
[0048]进一步地，按照预定规则生成的数据库，可以包括:设置在通信系统或网络系统中的预先制作的数据库；或通过网络搜索引擎从网络系统中搜索内容相关度符合预定标准的多媒体数据，并根据搜索出的多媒体数据建立的数据库。由此可知，用户的兴趣模型可以基于两类数据库进行运算:第一类、设置在终端中或设置在预定的通信系统或网络系统中，例如在终端的存储器中或在无线网络的服务器中等，称为“预先制作的多媒体库”;第二类、通过预定检索算法在广域网中实时搜索并建立，称为“实时搜索的多媒体库”。优选地，用户的兴趣模型可以同时包括上述两类数据库。
[0049]进一步地，建立用户的兴趣模型，还包括:当检测到用户查看与通信信息相关联的信息时，记录相关联的信息；根据记录的相关联的信息，修正用户的兴趣模型。例如，为了实现修正用户的兴趣模型，可以根据用户查看与通信信息相关联的信息修改第一类多媒体库(“预先制作的多媒体库”)，并根据更新的查看信息不断地修正第一类多媒体库。由此可知，通过修正步骤，可以不断地调整兴趣模型的精确度，以提高推荐信息的准确性。
[0050]为实现在进行预测处理之前，通过预定义规则建立用户的兴趣模型，可以通过识别名字实体和语义分析的结果，预测用户的意图和兴趣点。名字实体识别(NER，NameEntity Recognit1n)是用于识别