用于提供字符输入的推荐词的设备和方法与流程

本公开大体上涉及用于提供推荐词的设备和方法，并且例如，涉及用于为例如由用户输入的字符提供推荐词的设备和方法。

背景技术：

随着多媒体技术和网络技术的发展，用户可以使用设备接收各种服务。特别地，已经提供了基于用户输入的词提供推荐词的各种方法。然而，存在的问题是要存储在数据库中的数据量很大并且难以准确地推荐用户想要的词。因此，需要一种能够准确地预测和推荐用户想要的词的方法。

另外，最近，实现人类水平的智能的人工智能系统已被用于各种领域。与现有的基于规则的智能系统不同，人工智能系统是通过自学和自我决定使机器变得更加智能的系统。使用人工智能系统越多，识别率就越高，用户的品味得到更精确地理解，因此现有的基于规则的智能系统逐渐被基于深度学习的人工智能系统所取代。

人工智能技术包括机器学习(例如，深度学习)和使用机器学习的元素(element)技术。

机器学习是一种在没有任何外界帮助的情况下对输入数据的特征进行分类/学习的算法技术，元素技术利用诸如深度学习的机器学习算法模拟人脑的诸如识别和确定的功能，其包括诸如语言理解、视觉理解、推理/预测、知识表达和运动控制的技术领域。

应用人工智能技术的各个领域包括以下领域。语言理解是识别和应用/处理人类语言/字符的技术，其包括自然语言处理、机器翻译、对话系统、问答、语音识别/合成等。视觉理解是识别和处理诸如人类视觉的对象的技术，并且其包括对象识别、对象跟踪、图像搜索、人物识别、场景理解、空间理解、图像增强等。推理/预测是确定信息以逻辑地推导推理和预测的技术，并且其包括基于知识/概率的推理、优化预测、基于偏好的计划、推荐等。知识表达是将人的经验信息自动处理为知识数据的技术，并且包括知识构建(数据生成/分类)、知识管理(数据利用)等。运动控制是控制车辆的自动驾驶和机器人的运动的技术，并且其包括运动控制(导航、碰撞、驾驶)、操作控制(行为控制)等。

技术实现要素：

本发明提供了一种用于提供推荐词的设备和方法，以便通过以包括用户输入的字符的伪词素(pseudo-morphemes)为单位提供推荐词来减少要存储在数据库中的数据量。

本发明提供了一种用于通过以其每个都小于扩展词的伪词素单元来提供推荐词，以及基于从推荐的伪词素中选择的伪词素以扩展词为单元提供推荐词，来根据用户的意图有效地提供推荐词的设备和方法。

本发明提供了一种用于为用户输入的字符提供推荐词的设备和方法。设备通过其来提供推荐词的方法包括：接收用于在字符输入窗口中输入字符的输入；通过分析输入字符来推荐包括输入字符的至少一个伪词素；响应于接收到用于选择所述至少一个伪词素之一的输入，推荐包括所选择的伪词素的至少一个扩展词；以及响应于接收到用于选择所述至少一个扩展词之一的输入，显示所选择的扩展词。

根据各种示例实施例，通过首先以伪词素为单位推荐用于用户输入的字符的推荐词，设备可以向用户提供具有不同含义的各种推荐词。

根据各种示例实施例，当接收到用于选择推荐的至少一个伪词素之一的输入时，设备可以通过推荐包括所选择的伪词素的至少一个扩展词来根据用户的意图容易地提供推荐词。

另外，根据各种示例实施例，设备可以使用与用户输入的字符相关的各种上下文信息来确定要推荐的至少一个伪词素和要推荐的至少一个扩展词，以及确定要显示空格的位置。

附图说明

从以下结合附图的详细描述中，本发明的这些和/或其他方面、特征和伴随的优点将变得显而易见并且更容易理解，在附图中相同的附图标记表示相同的元件，并且其中：

图1是示出根据各种示例实施例的设备为用户输入的字符提供推荐词的示例的示图；

图2是示出根据各种示例实施例的设备通过其提供推荐词的示例方法的流程图；

图3是示出根据各种示例实施例的设备通过其确定要推荐的至少一个伪词素的示例方法的流程图；

图4是示出根据各种示例实施例的设备通过其确定推荐词的示例方法的示图；

图5a和5b是示出根据各种示例实施例的设备推荐至少一个伪词素的示例的示图；

图6a和6b是示出根据各种示例实施例的设备推荐至少一个伪词素的示例的示图；

图7是示出根据各种示例实施例的设备通过其显示空格的示例方法的流程图；

图8是示出根据各种示例实施例的设备显示空格并且在显示空格旁边推荐至少一个伪词素的示例的示图；

图9是示出根据各种示例实施例的神经网络的示例的框图；

图10是示出根据各种示例实施例的设备不同地显示伪词素以指示是否存在要推荐的扩展词的示例的示图；

图11是示出根据各种示例实施例的设备通过考虑用户关于每个伪词素的使用频率来推荐伪词素的示例的示图；

图12是示出根据各种示例实施例的设备通过考虑至少一个预先显示的扩展词的类型和顺序来推荐伪词素的示例的示图；

图13是示出根据各种示例实施例的设备通过考虑用户输入字符的特征来推荐至少一个扩展词的示例的示图；

图14是示出根据各种示例实施例的示例设备的框图；

图15是示出根据其他示例实施例的示例设备的框图；

图16是示出根据各种示例实施例的示例处理器的框图；

图17是示出根据各种示例实施例的示例数据学习单元的框图；

图18是示出根据各种示例实施例的示例数据识别器的框图；

图19是示出根据各种示例实施例的通过设备和服务器之间的互操作来学习和识别数据的示例的示图；

图20是示出根据各种示例实施例的使用数据识别模型的设备的示例的流程图；以及

图21、22和23是示出根据各种示例实施例的使用数据分析模型的网络系统的示例的流程图。

具体实施方式

本发明另外的方面将部分地在下面的描述中阐述，并且部分地将从描述中变得显而易见。

根据示例实施例的一方面，一种设备包括：存储器，其被配置为存储至少一个程序；输入接口，其包括配置成接收字符输入窗口中的字符输入的电路；以及至少一个处理器，其被配置为用于通过执行所述至少一个程序为输入字符提供推荐词，其中，所述至少一个程序包括至少一个指令，该指令在执行时使处理器：通过分析输入字符，推荐包括输入字符的至少一个伪词素；响应于选择所述至少一个伪词素之一的输入，推荐包括所选择的伪词素的至少一个扩展词；以及响应于选择至少一个扩展词之一的输入，在字符输入窗口中显示所选择的扩展词。

根据另一示例实施例的一方面，一种设备通过其为用户输入的字符提供推荐词的方法包括：接收字符输入窗口中的字符输入；通过分析输入字符来推荐包括输入字符的至少一个伪词素；响应于选择所述至少一个伪词素之一的输入，推荐包括所选择的伪词素的至少一个扩展词；以及响应于选择所述至少一个扩展词之一的输入，显示所选择的扩展词。

根据另一示例实施例的一方面，一种计算机程序产品包括非暂时性计算机可读记录介质，其包括至少一个指令集，当由处理器执行时，所述指令集使得所述设备：通过分析输入字符，推荐包括在字符输入窗口中输入的输入字符的至少一个伪词素；响应于选择所述至少一个伪词素之一的输入，推荐包括所选择的伪词素的至少一个扩展词；以及响应于选择所述至少一个扩展词之一的输入，显示所选择的扩展词。

现在将更详细地参考各种示例实施例，其示例在附图中示出。在附图中，可省略与描述无关的部分以清楚地描述示例实施例，并且在整个说明书中相同的附图标记指示相同的元件。在这方面，本实施例可以具有不同的形式，并且不应该被解释为限于这里阐述的描述。因此，下面仅通过参考附图来描述实施例，以解释各种示例方面。

在整个公开内容中，当描述某个部分“连接”到另一个部分时，应该理解的是，该特定部分可以“直接连接”到另一个部分或者通过其间的另一个元件而“电连接”。另外，当某个部分“包括”某个组件时，这表示该部件可以进一步包括另一个组件，而不是排除另一个组件，除非有不同的公开内容。

如这里所使用的，术语“和/或”包括一个或多个相关所列项目的任何和所有组合。诸如“至少一个”的表述在元素列表之前时，其修饰整个元素列表而不是修饰列表中的单个元素。

伪词素可以指，例如但不限于，具有含义的最小语言单元。例如，伪词素可以包括具有含义的名词的最小单位，并且根据各种示例实施例，具有含义的复合名词也可以被分类为一个伪词素。例如，“play(播放)”、“plastic(塑料)”和“plaza(广场)”是具有不同含义的名词，因此“play”、“plastic”和“plaza”中的每一个可以是一个伪词素。另外，伪词素可以包括，例如但不限于，动词的不定式(infinitiveform)。此外，词可以用作包括伪词素和扩展词的含义。

扩展词可以包括，例如但不限于，从伪词素导出的词，以及可以指示作为空格单元的分量(component)。例如，扩展词可以包括添加到一个伪词素的另一个词或添加到一个伪词素的后缀。

在英语的情况下，每个词可以指示，例如但不限于，空格单元，并且扩展词可以指示，例如但不限于，从伪词素导出的一个词。例如，扩展词可以具有如下的形式：在其中将后缀(例如，过去时、过去分词时或当前进行时)添加到作为伪词素的简单不定式中的形式，在其中将后缀(例如，“-ly”或“-ness”)添加到作为伪词素的形容词中的形式，以及在其中将后缀(例如，“less”)添加到作为伪词素的名词的形式，但不限于此。

与英语不同，在韩语中，例如，扩展词可以表示但不限于eojeol。eojeol可以指示一个句子的每个成分，也可以是空格单位。在韩语中，一个eojeol可能具有在其中两个或多个词组合在一起的形式。例如，在韩语中，一个名词(例如，“sarang”，其对应于英语“love”)和一个后置词(postposition)(例如，“eun”，其对应于英语“is”)可以组合形成一个eojeol(例如，“sarang-eun”，其对应英文“loveis”)。

在下文中，参考附图更详细地描述本公开。

图1是示出根据各种示例实施例的设备1000为例如由用户输入的字符提供推荐词的示例的示图。

参考图1，设备1000可以接收用于在字符输入窗口101中输入字符的输入，并基于输入字符提供推荐词。

当设备1000以扩展词为单位提供推荐词时，设备1000可以基于存储在数据库中的每个扩展词的使用频率来推荐包括用户输入的字符的扩展词。在这种情况下，由于以扩展词为单位计算(确定)使用频率，例如，“plays”，“playing”和“played”是不同的扩展词，因此，即使所有三个扩展词都包括动词“play”，但是“plays”，“playing”和“played”中的每一个的使用频率都可以被计算为低。因此，即使当用户经常使用包括“play”的表达时，也可能不会优先推荐包括“play”的扩展词。作为非限制性示例，当“planning”已被使用1,000次，“play”已被使用800次，“planned”已被使用了30次，“playing”已被使用了700次，“plans”已被使用了20次，以及“played”已经被使用了500次时，用户更频繁地使用“play”而不是“plan”，但可以根据以扩展词为单位计算的使用频率推荐“planning”、“playing”和“played”。因此，当设备1000为用户输入的字符提供推荐词时，需要以比扩展词更小的单位提供推荐词的方法。

根据各种示例实施例，设备1000可以通过首先以伪词素111为单位为用户输入的字符推荐推荐词，来向用户提供具有不同含义的各种推荐词。

根据各种示例实施例，当接收到用于选择推荐的至少一个伪词素111之一的输入时，设备1000可以通过推荐包括选定的伪词素的至少一个扩展词131来根据用户的意图来容易地提供推荐词131。

另外，根据各种示例实施例，设备1000可以使用与用户输入的字符相关的各种上下文信息来确定要推荐的至少一个伪词素和要推荐的至少一个扩展词，以及确定要显示空格的位置。

上下文信息可以包括，例如但不限于，关于用户过去输入的字符的信息、关于在字符输入窗口中预先显示的至少一个扩展词的信息、关于用户过去输入的语音数据的信息等等。关于用户过去输入的字符的信息可以包括，例如但不限于，关于用户过去经常使用的伪词素和扩展词的信息以及关于用户从设备1000推荐的伪词素中选择的伪词素的信息。关于预先显示的至少一个扩展词的信息可以包括，例如但不限于，关于预先显示在字符输入窗口中的至少一个扩展词的句子成分和词性的信息。例如，关于预先显示的至少一个扩展词的信息可以包括指示预先显示在字符输入窗口中的扩展词是对应于主语还是动词的信息，但不限于此。

设备1000例如可以是智能手机、平板个人计算机(pc)、pc、智能电视、蜂窝电话、个人数字助理(pda)、膝上型计算机、媒体播放器、微服务器、全球定位系统(gps)设备、电子书终端、数字广播终端、导航机、自助服务终端(kiosk)、mp3播放器、数码相机、家用电器或其他移动或非移动计算设备等等，但不限于此。设备1000可以是具有通信功能和数据处理功能的可穿戴设备，例如手表、眼镜、发带或戒指等，但不限于此。然而，设备1000不限于此，并且可以包括能够提供响应消息的所有类型的设备。

另外，设备1000可以通过网络与服务器和另一设备通信，以使用上下文信息，其包括例如但不限于，关于用户过去输入的字符的信息、关于在字符输入窗口中预先显示的至少一个扩展词的信息、关于用户过去输入的语音数据的信息等。在这种情况下，网络，例如，指的是具有包含意义的数据通信网络，其包括例如但不限于局域网(lan)、广域网(wan)、增值网络(van)、移动无线电通信网络、卫星通信网络及其组合，并且使网络配置实体能够平滑地相互通信，并且可以包括有线因特网、无线因特网和移动无线通信网络等。无线通信的示例可以包括无线lan(wi-fi)、蓝牙、低功耗蓝牙、zigbee、wi-fi直连(wfd)、超宽带(uwb)、红外数据协会(irda)和近场通信(nfc)等，但不限于此。

图2是示出根据各种示例实施例的设备1000通过其提供推荐词的示例方法的流程图。

在操作s200中，设备1000接收输入，例如，用于在字符输入窗口中输入字符的用户输入。在这种情况下，设备1000的字符输入窗口可以包括用于输入文本消息、社交网络服务(sns)消息等的窗口，并且输入字符可以包括至少一个字母或至少一个音节。

在操作s210中，设备1000通过分析输入字符来推荐包括输入字符的至少一个伪词素。根据各种示例实施例，设备1000可以使用输入字符的上下文信息来推荐包括输入字符的至少一个伪词素。例如，设备1000可以通过考虑关于每个伪词素的使用频率的一般统计数据、关于用户过去输入的字符的信息、关于由用户从设备1000推荐的伪词素中选择的伪词素的信息、关于用户过去输入的语音数据的信息等来推荐至少一个伪词素。

在操作s220中，设备1000响应于用于选择推荐的至少一个伪词素之一的输入，推荐包括所选择的伪词素的至少一个扩展词。

用户可以从推荐的至少一个伪词素中选择用于用户想在字符输入窗口中输入的伪词素。当接收到用于选择伪词素的输入时，设备1000可以推荐包括所选择的伪词素的至少一个扩展词。在这种情况下，设备1000可以使用输入字符的上下文信息来推荐至少一个扩展词。例如，设备1000可以通过考虑关于用户过去输入的字符的信息、关于在字符输入窗口中预先显示的至少一个扩展词的信息、关于用户过去输入的语音数据的信息等来推荐至少一个扩展词，但不限于此。当所选择的伪词素是形容词时，包括所选择的伪词素的至少一个扩展词可以具有在其中后缀(例如，-ly，-ness或-less)被添加到形容词中的形式，但是不限于此。

设备1000还可以基于用户的用于输入字符的特征来推荐包括所选择的伪词素的至少一个扩展词。例如，设备1000可以通过考虑用户经常使用的表达来推荐包括所选择的伪词素的至少一个扩展词。

设备1000还可以响应于选择推荐的至少一个扩展词之一的输入，推荐包括所选扩展词的至少一个其他扩展词。例如，设备1000可以通过考虑关于用户过去输入的字符的信息、关于在字符输入窗口中预先显示的至少一个扩展词的信息、关于用户过去输入的语音数据的信息等来推荐至少一个其他扩展词，但不限于此。在这种情况下，包括所选择的扩展词的至少一个其他扩展词可以包括包含被添加到所选择的扩展词中的另一个后缀的扩展词，但不限于此。例如，当所选择的扩展词是“unhappy”时，包含所选择的扩展词的至少一个其他扩展词可以包括“unhappiness”和“unhappily”。

在操作s230，设备1000响应于用于选择至少一个其他扩展词中的一个的输入，在字符输入窗口中显示所选择的扩展词。另外，根据各种示例实施例，设备1000可以预测空格是否位于所选择的扩展词的旁边，并且基于预测结果在字符输入窗口中显示所选择的扩展词和空格。

尽管已经描述了基于单独的学习模型来分别确定要推荐的伪词素、要推荐的扩展词以及要显示空格的位置，但是本示例实施例不限于此。可以通过一个学习模型来确定要推荐的伪词素、要推荐的扩展词以及要显示空格的位置中的至少两个。

另外，根据各种示例实施例，设备1000可以通过使用深度神经网络(dnn)来获知用于要推荐的至少一个伪词素、要推荐的至少一个扩展词以及要显示空格的位置的标准。

图3是示出根据各种示例实施例的设备1000通过其确定要推荐的至少一个伪词素的示例方法的流程图。

在操作s300中，设备1000可以接收用于在字符输入窗口中输入字符的用户输入。例如，设备1000可以接收用于在窗口中输入字符的用户输入，用于在其中输入文本消息、sns消息等。在这种情况下，输入字符可以包括至少一个字母或至少一个音节。

在操作s310中，设备1000可以收集关于用户过去输入的字符的信息。例如，设备1000可以通过考虑关于过去用户经常使用的伪词素、扩展词等的信息来确定要推荐的伪词素。

在操作s320中，设备1000可以收集关于存储在数据库中的每个伪词素的使用频率的一般统计数据。设备1000可以通过考虑关于每个伪词素的使用频率的一般统计数据，将具有最高使用频率的伪词素确定为要推荐的伪词素。

在操作s330中，设备1000可以收集关于用户过去输入的语音数据的信息。设备1000可以使用各种自然语言分析方案来分析已经通过麦克风输入的用户的语音数据，并通过考虑关于分析的语音数据的信息来确定推荐词。

尽管为了方便，参考图3，针对关于用户过去输入的字符的信息、关于每个伪词素的使用频率的一般统计数据、以及关于用户过去输入的语音数据的信息依次被收集来进行了描述，但是设备1000可以并行地收集上述信息，并通过使用所收集的信息来学习确定要推荐的伪词素的方法。

在操作s340中，设备1000可以推荐包括输入字符的至少一个伪词素。

图4是示出根据各种示例实施例的设备1000通过其确定推荐词的示例方法的示图。

根据各种示例实施例，设备1000可以通过分析输入字符420来推荐包括用户输入的字符的至少一个伪词素。设备1000可以从包括伪词素的数据库中提取包括输入字符的至少一个伪词素。设备1000可以通过考虑关于输入字符的各种上下文信息，从自数据库中提取的至少一个伪词素中确定要推荐的至少一个伪词素。根据各种示例实施例，设备1000可以使用一个或多个神经网络400确定要从关于输入字符的各条上下文信息中推荐的至少一个伪词素。例如，参考图4，设备1000可以使用一个或多个神经网络400确定要从关于用户过去输入的字符的信息410、关于每个伪词素的使用频率的一般统计数据411、关于用户过去输入的语音数据的信息412等中推荐的至少一个伪词素。

设备1000可以使用关于用户过去输入的字符的信息410、关于每个伪词素的使用频率的一般统计数据411、关于用户过去输入的语音数据的信息412等来学习用于确定要推荐的伪词素的标准、用于确定要推荐的至少一个扩展词的标准、以及用于确定要显示空格的位置的标准。例如，要推荐哪个伪词素、要推荐哪个扩展词、以及要在哪个位置显示空格可以基于根据dnn技术的学习来确定，其中，所述dnn技术包括例如但不限于递归神经网络(rnn)。

图5a和5b是示出根据各种示例实施例的设备1000推荐伪词素的示例的示图。

参考图5a，例如，当用户在设备1000的字符输入窗口500中输入字符“he”时，设备1000可以推荐“help”、“hear”和“heal”作为包括“he”的伪词素501。在这种情况下，推荐的至少一个伪词素501可以是当用户输入的字符被输入到rnn时的结果输出。例如，设备1000可以通过考虑关于用户过去输入的字符的信息、关于每个伪词素的使用频率的一般统计数据、关于用户过去的语音数据输入的信息等，推荐包括“he”的至少一个伪词素501。可以基于根据预设标准的学习来确定要推荐包括“he”的各种伪词素中的哪一个。

根据各种示例实施例，设备1000可以在字符输入窗口500外部显示推荐的至少一个伪词素50。用户可以从推荐的至少一个伪词素中选择用户想要的一个伪词素。例如，如图5a所示，用户可以从推荐的三个伪词素中选择“help”。

根据各种示例实施例，设备1000可以响应于用于选择至少一个伪词素之一的用户输入来推荐包括所选择的伪词素的至少一个扩展词511。在这种情况下，推荐的至少一个扩展词511可以是当所选择的伪词素输入到rnn时的结果输出。例如，设备1000可以通过考虑关于从用户过去输入的字符的信息、关于包括所选择的伪词素的每个扩展词的一般统计数据、关于过去从用户输入的语音数据的信息等，来推荐包括所选择的伪词素的至少一个扩展词511。当伪词素是具有特定含义的动词时，包括伪词素的扩展词可以具有在其中向动词添加后缀的形式。

例如，如图5a所示，设备1000可以响应于用于选择“help”的输入，推荐包括“help”的至少一个扩展词511。在这种情况下，推荐的扩展词511可以具有在其中后缀被添加到“help”的形式，如操作511所示，诸如“helpful”、“helper”和“helpless”，但不限于此。

另外，根据一些实施例，设备1000可以响应于用于选择推荐的至少一个扩展词之一的输入，推荐包括所选择的扩展词的至少一个其他扩展词。例如，两个或多个后缀可以连接到动词以形成一个扩展词。另一个扩展词(例如，“helpfully”)可以通过另外将另一个后缀(例如，“ly”)连接到通过将后缀(例如，“ful”)连接到动词的不定式(例如，“help”)而形成的一个扩展词来形成。因此，当接收到用于选择由设备1000推荐的至少一个扩展词之一的输入时，设备1000可以推荐包括所选择的扩展词的至少一个其他扩展词。例如，如图5b所示，用户可以从作为设备1000推荐的扩展词511的“helpful”，“helper”和“helpless”中选择“helpful”512。在这种情况下，设备1000可以推荐“helpfulness”和“helpfully”作为包括“helpful”至少一个其他扩展词521。设备可以在字符输入窗口500外部显示推荐的“helpfulness”和“helpfully”。

作为另一示例，在韩语的情况下，当用户在设备1000的字符输入窗口中输入字符“sa”时，设备1000可以推荐对应于英语“love”的“sarang”、对应于英语“apple”的“sagwa”、和对应于英语“picture”的“sajin”作为包括“sa”的伪词素。“sarang”、“sagwa”和“sajin”是具有不同含义的名词，因此“sarang”、“sagwa”和“sajin”中的每一个都可以是单个伪词素。

响应于从推荐的三个伪词素(“sarang”、“sagwa”和“sajin”)中选择“sarang”的输入，设备1000可以推荐包括“sarang”至少一个扩展词(例如，eojeol)。例如，设备1000可以推荐对应于英语“loveis”的“sarang-i”、对应于英语“forlove”的“sarang-eul”、以及对应于英语“withlove”的“sarang-gwa”作为扩展词。在这种情况下，推荐的扩展词可以具有在其中将后置词(例如，“i”、“eul”或“gwa”)添加到名词(例如，“sarang”)的形式，但不是限于此。与英语不同，在韩语的情况下，可以在没有空格的情况下，来书写在其中后缀“i”、“eul”或“gwa”被添加到名词“sarang”中的eojeol单元。

根据实施例，设备1000可以首先推荐包括在字符输入窗口500中输入的字符的至少一个伪词素，然后推荐包括从推荐的至少一个伪词中选择的伪词素的至少一个扩展词。因此，与以扩展词为单位提供推荐词的情况相比，设备1000可以减少要存储在数据库中的数据量。另外，设备1000可以通过以伪词素为单位提供推荐词，并且然后以扩展词为单位提供推荐词，从而根据用户的意图有效地提供推荐词。

图6a和6b是示出根据各种示例实施例的设备1000推荐至少一个伪词素的示例的示图。

与韩语不同，英语使用空格来作为词的单位。因此，在英语的情况下，作为不能再分割的单元的名词、形容词、副词和不定式动词等中的每一个可以是一个伪词素。例如，当伪词素是不定式动词(例如，“say”)时，包括伪词素的一个扩展词可以指示动词的改变形式(例如，“said”、“says”或“saying”)，但不限于此。

参考6a所示，例如，当用户在设备1000的字符输入窗口600中输入“wa”时，设备1000可以推荐“wait”、“want”和“water”作为包括“wa”的至少一个伪词素601。

设备1000可以在字符输入窗口600外部显示推荐的至少一个伪词素601。用户可以从推荐的至少一个伪词素601中选择用户想要的一个伪词素。响应于用于选择一个伪词素的输入，设备1000可以推荐包括所选择的伪词素的至少一个扩展词611。例如，如图6a所示，用户可以从作为推荐的三个伪词素601的“wait”、“want”和“water”中选择“wait”。响应于用于选择“wait”的输入，设备1000可以推荐包括“wait”的至少一个扩展词。设备100可以在字符输入窗口600外部显示推荐的包括“wait”的至少一个扩展词611。在这种情况下，推荐的扩展词611可以具有不定式动词的改变形式，例如“wait”、“waiting”和“waited”，但不限于此。例如，当伪词素是名词(例如，“child”)时，推荐的扩展词可以包括从伪词素导出的名词(例如，“child”、“children”和“childhood”)。

另外，响应于用于选择推荐的至少一个扩展词之一的输入，设备1000可以推荐包括所选择的扩展词的至少一个其他扩展词。例如，如图6b所示，当用户在字符输入窗口600中输入“mea”时，设备1000可以推荐“meaning”、“meager”和“meadow”作为包括“mea”的伪词素621。设备100可以在字符输入窗口600外部显示“meaning”、“meager”和“meadow”621。

另外，响应于从推荐的伪词素621中选择“meaning”的输入，设备1000可以推荐“meaningless”和“meaningful”作为包括“meaning”的扩展词631。设备100可以在字符输入窗口600外部显示“meaningless”和“meaningful”631。此后，当用户从推荐的扩展词631中选择“meaningless”时，设备1000可以进一步推荐包括“meaningless”的“meaninglessness”和“meaninglessly”641。设备100可以在字符输入窗口600外部显示“meaninglessness”和“meaninglessly”641。因此，设备1000可以通过基于用户输入的字符来推荐至少一个伪词素，来增加根据用户意图提供伪词素的可能性。

图7是示出根据各种示例实施例的设备1000通过其显示空格的示例方法的流程图。

根据各种实施例，设备1000可以基于关于用户输入的字符的上下文信息和关于用户的上下文信息来预测空格是否位于从推荐的至少一个扩展词中选择的扩展词旁边。设备1000可以通过使用关于用户过去输入的字符的信息、指示每个伪词素的使用频率的一般统计数据、关于用户过去输入的语音数据的信息等，来预测空格是否位于从推荐的至少一个扩展词中选择的扩展词旁边。

在操作s700中，设备1000可以接收用于输入字符的用户输入。在这种情况下，输入字符可以包括至少一个字母或至少一个音节。

在操作s710中，设备1000可以推荐包括输入字符的至少一个伪词素。由于操作s700和s710对应于图2的操作s200和s210，这里不再重复其详细描述。

在操作s720中，设备1000可以响应于用于选择推荐的至少一个伪词素之一的输入，推荐包括所选择的伪词素的至少一个扩展词。用户可以从设备1000推荐的至少一个伪词素中选择用户想要的伪词素。因此，设备1000可以推荐包括用户选择的伪词素的至少一个扩展词。在这种情况下，当伪词素是名词时，包括伪词素的至少一个扩展词可以具有在其中后缀连接到名词的形式。

在操作s730中，设备1000可以接收用于选择推荐的至少一个扩展词之一的用户输入。用户可以从推荐的至少一个扩展词中选择用户想在设备1000的字符输入窗口中输入的扩展词。

在操作s740中，设备1000可以响应于用于选择推荐的至少一个扩展词之一的输入来预测空格是否位于所选择的扩展词旁边。例如，当接收到用于选择推荐的至少一个扩展词之一的输入，并且在所选择的扩展词旁边放置空格的可能性高时，设备1000可以预测该空格位于所选择的扩展词的旁边。例如，当用户从推荐的至少一个扩展词中选择扩展词“meaningful”时，用户想要的表达可以是包括“meaningful”的另一个扩展词，例如“meaningfully”或“meaningfulness”。然而，当用户选择扩展词“waiting”时，出现空格的可能性可能高于出现包括“waiting”的另一个扩展词的可能性。因此，设备1000可以基于关于用户过去输入的字符的信息、关于具有高使用频率的一般eojeol的统计数据等，来预测是否在所选择的扩展词旁边存在空格。在这种情况下，空格是否位于所选择的扩展词旁边可以基于根据dnn技术的学习来预测。

在操作s750中，设备1000可以基于预测结果在字符输入窗口中显示所选择的扩展词和空格。例如，当确定在所选择的扩展词旁边放置空格的可能性高时，设备1000可以在字符输入窗口中顺序地显示所选择的扩展词和空格。

另外，根据一些实施例，当在字符输入窗口中显示空格时，设备1000可以基于字符输入窗口中显示的至少一个扩展词，推荐至少一个伪词素位于该空格的旁边。

图8是示出根据各种示例实施例的显示空格并且推荐至少一个伪词素位于显示的空格旁边的示例的示图。

根据一些实施例，设备1000可以推荐包括用户输入的字符的至少一个伪词素，并且响应于用于选择推荐的至少一个伪词素之一的用户输入推荐包括所选择的伪词素的至少一个扩展词。在这种情况下，当用户选择推荐的至少一个扩展词之一时，设备1000可以预测空格是否位于所选择的扩展词旁边。当设备1000预测空格位于所选择的扩展词旁边时，设备1000可以在字符输入窗口中顺序地显示所选择的扩展词和空格。另外，当在字符输入窗口中显示空格时，设备1000可以推荐至少一个伪词素位于该空格旁边。

例如，如图8所示，当用户输入用于在字符输入窗口中输入“ha”时，设备1000可以推荐“happy”、“handle”和“happen”801，并在字符输入窗口外显示推荐的伪词素801。此后，当接收到用于选择“happy”的用户输入时，设备1000可以推荐“happiness”和“happily”作为包括“happy”的至少一个扩展词811。设备1000可以在字符输入窗口外显示推荐的扩展词811。在这种情况下，当接收到用于选择“happiness”的用户输入时，设备1000可以预测空格是否位于“happiness”旁边。设备1000可以收集关于是否存在包括扩展词“happiness”的另一个扩展词的信息、包括“happiness”的另一个扩展词的使用频率、用于输入字符的用户的特征、以及空格位于“happiness”旁边的情况的统计数据。设备1000可以基于所收集的信息来学习空格将被定位的位置。参照图8，当设备1000预测空格位于“happiness”旁边时，设备1000可以在字符输入窗口中顺序地显示“happiness”和空格。

根据一些实施例，当在字符输入窗口中显示空格时，设备1000可以推荐至少一个伪词素位于该空格旁边。参考图8，当在字符输入窗口中显示空格时，设备1000可以推荐“make”、“have”、“give”821等作为将位于“happiness”旁边的至少一个伪词素，并且在字符输入窗口外部显示推荐的伪词素821。

图9是示出根据各种示例实施例的神经网络900的示例的框图。

根据一些实施例，设备1000可以使用神经网络900确定在预先推荐的第一扩展词wt-1旁边推荐的第二扩展词wt，并且确定是否显示空格。

如图9所示，当设备1000预先推荐的第一扩展词wt-1被输入到神经网络900时，要位于第一扩展词wt-1旁边的第二扩展词wt的概率分布920和要位于第二扩展词wt旁边的空格的概率分布921可以基于根据神经网络技术的学习来输出。例如，第二扩展词wt的概率分布920可以指示包括第一扩展词wt-1的每个扩展词位于预先推荐的扩展词wt-1的旁边的概率。另外，要位于第二扩展词wt旁边的空格的概率分布921可以指示空格位于第二扩展词wt旁边的概率。设备1000可以在包括第一扩展词wt-1的扩展词中确定具有高概率分布的扩展词，作为要位于第一扩展词wt-1旁边的第二扩展词wt。

每当输入一个扩展词时，神经网络900可以更新学习结果。例如，可以再次使用第二扩展词wt的概率分布920和神经网络900中的空格的概率分布921来更新神经网络900的学习结果。

图10是示出根据各种示例实施例的设备1000不同地显示伪词素以指示是否存在要推荐的扩展词的示例的示图。

根据各种示例实施例，当设备1000推荐包括用户输入的字符的至少一个伪词素时，设备1000可以不同地显示推荐的至少一个伪词素以指示是否存在包括伪词素的要推荐的扩展词。例如，如图10所示，设备1000可以响应于用于输入字符“wa”的用户输入而推荐“wait”、“water”和“want”作为包括“wa”的伪词素1001。在这种情况下，设备1000可以允许用户容易地识别对于“wait”、“water”和“want”是否存在要推荐的至少一个扩展词，其包括每个伪词素。例如，如图10所示，设备1000可以使用伪词素旁边的特定图形(例如，三角形)1002来不同地显示伪词素。根据各种示例实施例，设备1000可以通过使用特定颜色突出显示来不同地显示伪词素，但是不限于此。

图11是示出根据各种示例实施例的设备1000针对每个伪词素考虑用户的使用频率来推荐伪词素的示例的示图。

根据各种示例实施例，当设备1000推荐包括用户输入的字符的至少一个伪词素时，设备1000可以通过考虑用户关于每个伪词素的使用频率来推荐至少一个伪词素。设备1000可以通过不仅考虑关于每个伪词素的一般使用频率的信息而且还考虑关于过去从用户输入的字符的一般使用频率的统计数据、关于用户从设备1000推荐的至少一个伪词素中选择的伪词素的信息、关于用户过去输入的语音数据的信息等来推荐至少一个伪词素。例如，设备1000可以收集关于用户过去输入的字符的信息、关于用户过去从设备1000推荐的至少一个伪词素中选择的伪词素的信息、关于用户过去输入的语音数据的信息等。设备1000可以通过使用所收集的信息来学习用户经常使用的伪词素，并且基于所学习的结果，对用户经常使用的伪词素设置相对大的权重。当用户输入新字符，或者接收到用于选择推荐的伪词素之一的输入时，设备1000可以针对每个伪词素更新关于用户的使用频率的信息。设备1000可以通过考虑设置给伪词素的权重来推荐至少一个伪词素。

例如，参考图11，表11101示出了用户a经常使用的伪词素的列表。例如，当用户a在设备1000的字符输入窗口1110中输入字符“wa”时，设备1000可以从包括“wa”的伪词素中优先推荐用户a经常使用的伪词素。例如，当用户a在包括“wa”的伪词素中按其顺序频繁地使用“want”、“wait”和“walk”时，设备1000可以优先推荐“want”、“wait”和“walk”1120。因此，设备1000可以根据用户a的意图有效地推荐伪词素。

图12是示出根据各种示例实施例的设备1000考虑至少一个预先显示的扩展词的类型和顺序来推荐伪词素的示例的示图。

在包括至少两个扩展词的语言表达中，要定位在旁边的扩展词的类型可以取决于先前定位的扩展词的类型。在这种情况下，扩展词的类型可以包括：词性的类型，其包括名词、形容词和动词，或句子成分，其包括主语、动词、宾语和补语，但不限于此。例如，动词位于对应于主语的扩展词旁边的概率相对较高，并且名词位于形容词旁边的概率相对较高。因此，设备1000可以通过考虑在字符输入窗口中预先显示的至少一个扩展词的类型和顺序来推荐至少一个伪词素，来推荐适合于上下文的伪词素和扩展词。

例如，参考图12，当在设备1000的字符输入窗口1201中预先显示的扩展词是“he”，并且用户输入字符“wa”作为位于“he”旁边的扩展词的一部分时，动词位于与主语相对应的“he”旁边的概率是相对较高的。因此，设备1000可以推荐作为包括“wa”的伪词素中的动词的“wait”、“want”和“watch”1210。

作为另一示例，当在设备1000的字符输入窗口1221中预先显示的扩展词是“clean”时，并且用户输入字符“wa”作为位于“clean”旁边的扩展词的一部分时，名词位于属于形容词的“clean”旁边的概率相对较高。因此，设备1000可以推荐作为包括“wa”的伪词素中的名词的“water”、“wave”和“way”1230。

图13示出了根据一些实施例的设备1000通过考虑用户输入字符的特征来推荐至少一个扩展词的示例。

用户的字符输入特征可以指示用户经常使用的表达。例如，用户可以更频繁地使用表达“wanna”和“gimme”而不是表达“wantto”和“giveme”。设备1000可以收集关于用户过去输入的字符的信息、关于用户过去从设备1000推荐的至少一个扩展词中选择的扩展词的信息、关于用户过去输入的语音数据的信息等等。设备1000可以通过使用所收集的信息来检测用户输入字符的特征。例如，设备1000可以通过根据神经网络技术执行学习来检测用户输入字符的特征。当检测到用户输入字符的特征时，可以根据预设标准下的学习来确定要使用哪个信息。

例如，参考图13，当“you”和空格显示在字符输入窗口1301上时，设备1000可以推荐至少一个伪词素位于该空格旁边。在这种情况下，设备1000可以通过考虑用户的字符输入特征来推荐至少一个伪词素位于空格旁边。例如，当用户更频繁地使用表达“wanna”和“gonna”而不是表达“wantto”和“goingto”时，设备1000可以优先推荐“wanna”和“gonna”而不是“wantto”和“goingto”作为位于空格旁边的至少一个伪词素。因此，设备1000可以在字符输入窗口1301外部显示推荐的伪词素1310(例如，“wanna”、“gonna”和“wantto”)。

图14和15是示出根据各种示例实施例的示例设备1000的框图。

如图14所示，根据各种示例实施例的设备1000可以包括用户输入接口(例如，包括输入电路)1100、显示器1210、处理器(例如，包括处理电路)1300和存储器1700。然而，并非图14中所示的全部组件都是设备1000的必需组件。设备1000可以通过比图14中所示的组件更多或更少的组件来实现。

例如，如图15中所示，除了用户输入接口1100、显示器1210、处理器1300和存储器1700之外，根据各种示例实施例的设备1000还可包括输出接口(例如，包括输出电路)1200、传感器1400、音频/视频(a/v)输入单元(例如，包括a/v输入电路)1600以及通信接口(例如，包括通信电路)1500。

用户输入接口1100可以包括各种输入电路，用户通过该输入电路输入用于控制设备1000的数据。例如，用户输入接口1100可以包括各种输入电路，例如但不限于键盘、圆顶开关、触摸板(电容覆盖触摸板、电阻覆盖触摸板、红外(ir)光束触摸板、表面声波触摸板、集成应变仪触摸板、压电触摸板等)、转轮、拨动开关等，但不限于此。

根据各种示例实施例，用户输入接口1100可以接收用于在设备1000的字符输入窗口中输入字符的用户输入。用户输入接口1100可以接收用于选择推荐的至少一个伪词素之一的用户输入，或者用于选择推荐的至少一个扩展词之一的用户输入。另外，用户输入接口1100可以接收用于在设备1000的字符输入窗口中输入空格的用户输入。然而，用户输入接口1100不限于上述示例。

输出接口1200可以包括各种输出电路以输出音频信号、视频信号或振动信号，并且可以包括显示器1210、声输出接口1220和振动电机1230。

显示器1210显示由设备1000处理的信息。例如，根据一些实施例，显示器1210可以显示用于基于用户输入的字符提供推荐词的用户界面。另外，显示器1210可以显示基于用户输入的字符推荐的至少一个伪词素和根据推荐的至少一个伪词素之一的选择而推荐的至少一个扩展词。

声输出接口1220可以包括各种输出电路，以输出通过通信接口1500接收的或存储在存储器1700中的音频数据。此外，声输出接口1220可以输出与由设备1000执行的功能相关的声信号(例如，呼叫信号接收声音、消息接收声音或警报声音)。

振动电机1230可包括各种电路并输出振动信号。例如，振动电机1230可以输出与音频数据或视频数据(例如，呼叫信号接收声音或消息接收声音)的输出相对应的振动信号。另外，振动电机1230可以在通过触摸屏输入触摸时输出振动信号。

处理器1300可以包括各种处理电路并且通常控制设备1000的一般操作。例如，处理器1300通常可以通过执行存储在存储器1700中的程序，来控制用户输入接口1100、输出接口1200、传感器1400、通信接口1500、a/v输入接口1600等。此外，处理器1300可以通过执行存储在存储器1700中的程序，来执行相对于图1至图14所公开的设备1000的操作。

根据各种示例实施例，处理器1300可以被配置为通过分析输入字符来推荐包括输入字符的至少一个伪词素。处理器1300可以被配置为通过使用输入字符的上下文信息和用户的上下文信息来推荐包括输入字符的至少一个伪词素。例如，处理器1300可以被配置为通过考虑关于每个伪词素的一般使用频率的信息、关于用户过去输入的字符的信息、关于通过用户从设备1000推荐的伪词素中选择的伪词素的信息、关于用户过去输入的语音数据的信息等来推荐至少一个伪词素，但不限于此。

根据各种示例实施例，处理器1300可以被配置为响应于用于选择推荐的至少一个伪词素之一的输入，推荐包括所选择的伪词素的至少一个扩展词。用户可以从推荐的至少一个伪词素中选择用户想要输入到字符输入窗口中的伪词素。当接收到用于选择伪词素的输入时，处理器1300可以被配置为推荐包括所选择的伪词素的至少一个扩展词。在这种情况下，当所选择的伪词素是具有含义的名词时，包括伪词素的至少一个扩展词可以具有在其中后缀被添加到名词的形式，但不限于此。

处理器1300还可以被配置为基于用户输入字符的特征来推荐包括所选择的伪词素的至少一个扩展词。例如，设备1000可以通过考虑用户经常使用的表达来推荐包括所选择的伪词素的至少一个扩展词。

另外，处理器1300可以被配置为响应于用于选择推荐的至少一个扩展词之一的输入，推荐包括所选择的扩展词的至少一个其他扩展词。在这种情况下，包括所选择的扩展词的至少一个其他扩展词可以包括在其中将另一个后缀添加到所选择的扩展词中的扩展词，但不限于此。

另外，处理器1300可以被配置为通过使用存储在存储器1700或服务器中的数据识别模型来提供推荐的扩展词，并且这将在下面参考图16至图19更详细地描述。

另外，处理器1300可以通过使用存储在存储器1700或服务器2000中的数据识别模型有效地学习用于确定要推荐的伪词素的标准，并根据学习的结果来根据用户的意图提供推荐的扩展词。

传感器1400可以包括各种传感器并检测设备1000的状态或设备1000的环境状态，并将检测到的信息发送到处理器1300。传感器1400可以用于生成指示用户或设备1000的环境情况的上下文信息的一部分。

传感器1400可包括各种传感器(例如，包括感测电路)，例如但不限于，磁传感器1410、加速度传感器1420、温度/湿度传感器1430、ir传感器1440、陀螺仪传感器1450、位置传感器(例如，全球定位系统(gps))1460、大气压力传感器1470、接近传感器1480和rgb(照度)传感器1490中的至少一个，但不限于此。本领域普通技术人员可以从其名称直观地推理每个传感器的功能，因此这里省略其详细描述。

通信接口1500可以包括用于在设备1000与另一设备(未示出)或服务器2000之间进行通信的至少一个组件。另一设备(未示出)可以是诸如设备1000之类的计算设备，或者是传感设备，但是不限于此。例如，通信接口1500可以包括各种通信电路，例如但不限于，短程无线通信接口1510、移动通信接口1520和广播接收接口1530等。

短距离无线通信接口1510可以包括各种短距离无线通信电路，例如但不限于，蓝牙通信接口、蓝牙低功耗(ble)通信接口、近场通信(nfc)/射频识别(rfid)接口、无线局域网(wlan)、(wi-fi)通信接口、zigbee通信接口、红外数据协会(irda)通信接口、wi-fi直连(wfd)通信接口、超宽带(uwb)通信接口、ant+通信接口等中的一个或多个，但不限于此。

移动通信接口1520可以包括各种移动通信电路，并且向移动通信网络中的基站、外部终端和服务器中的至少一个发送无线信号，以及从其接收无线信号。这里，无线信号可以包括语音呼叫信号、视频呼叫信号或根据文本/多媒体消息发送和接收的各种类型的数据。

广播接收接口1530可以包括各种广播接收电路，并且通过广播信道从外部接收广播信号和/或广播相关信息，并且广播信道可以包括卫星信道和地面信道。根据实现示例，设备1000可以不包括广播接收接口1530。

另外，通信接口1500可以响应于用户的语音输入来向另一设备(未示出)或服务器2000(参见例如图19)请求响应消息，并且向另一设备(未示出)或服务器2000发送执行与响应消息有关的操作所需的信息，以及从其接收执行与响应消息有关的操作所需的信息。

a/v输入接口1600可以包括用于输入音频信号或视频信号的各种a/v输入电路，并且可以包括，例如但不限于，相机1610、麦克风1620等中的一个或多个。相机1610可以在视频呼叫模式或捕获模式下通过图像传感器获得静止图像、运动图像等的图像帧。通过图像传感器捕获的图像可以由处理器1300或单独的图像处理器(未示出)处理。由相机1610捕获的图像可以用作用户的上下文信息。

麦克风1620可以接收外部声学信号并将外部声学信号处理为电子语音数据。例如，麦克风1620可以从外部设备或用户接收声学信号。麦克风1620可以接收用户的语音输入。麦克风1620可以使用各种噪声消除算法来消除在接收外部声学信号的过程期间产生的噪声。

存储器1700可以存储用于处理和控制处理器1300的程序，并且存储输入到设备1000的数据或者从设备1000输出的数据。

存储器1700可以包括闪存类型存储器、硬盘类型存储器、多媒体卡微型存储器、卡型存储器(例如，安全数字(sd)或极端数字(xd)存储器)、随机存取存储器(ram)、静态ram(sram)、只读存储器(rom)、电可擦除可编程rom(eeprom)、prom、磁存储器、磁盘和光盘等中的至少一种类型的存储介质，但不限于此。

存储在存储器1700中的程序可以根据其功能而被分类为包括各种程序元素的多个模块，例如，用户界面(ui)模块1710、触摸屏模块1720、警报模块1730等。

ui模块1710可以包括各种处理电路和/或程序元素，当由处理器1300执行时，为每个应用程序提供与设备1000互操作的指定ui、指定图形ui(gui)等。触摸屏模块1720可以包括各种电路，并且在触摸屏上感测用户的触摸手势并且将关于触摸手势的信息发送到处理器1300。根据一些实施例，触摸屏模块1720可以识别和分析触摸代码。触摸屏模块1720可以由包括控制器的单独硬件来配置。

警报模块1730可以生成用于通知设备1000的事件发生的信号。设备1000中发生的事件的示例可以包括呼叫信号接收、消息接收、你好信号(heysignal)输入和调度警报。警报模块1730可以通过显示器1210以视频信号形式输出警报信号、通过声输出接口1220以音频信号形式输出警报信号、或者通过振动电机1230以振动信号形式输出警报信号。

图16是示出根据各种示例实施例的处理器1300的示例配置的框图。

参考图16，根据各种示例实施例的处理器(例如，包括处理电路)1300可以包括数据学习单元(例如，包括处理电路和/或程序元素)1310和数据识别器(例如，包括处理电路和/或程序元素)1320。

数据学习单元1310可以学习用于确定用户输入的字符的推荐词的标准。例如，数据学习单元1310可以根据用户输入的字符来学习用于确定要推荐的伪词素和要推荐的扩展词的标准。另外，数据学习单元1310可以学习用于确定是否在推荐的扩展词旁边显示空格的标准。另外，数据学习单元1310可以学习与将使用哪个数据来确定要推荐的伪词素和要推荐的扩展词，以及确定是否显示空格相关的标准。数据学习单元1310可以通过获取要用于学习的学习数据并将获取的学习数据应用于下面将描述的数据识别模型来学习用于确定用户输入的字符的推荐词的标准。

例如，数据学习单元1310可以使用关于由过去使用的输入的字符或语音数据的信息、关于用户从设备1000推荐的至少一个伪词素中选择的伪词素的信息、关于用户从设备1000推荐的至少一个扩展词中选择的扩展词的信息、以及关于每个伪词素或扩展词的用户的通常使用频率的统计数据，来作为用于学习标准的学习数据。

数据学习单元1310可以允许数据识别模型通过无监督学习来基于学习数据进行学习。例如，数据学习单元1310可以允许数据识别模型学习，使得相对较高的概率或权重被设置给具有用户的高使用频率的伪词素或扩展词。

数据学习单元1310可以允许数据识别模型学习，使得通过使用学习数据(例如，空格位于特定扩展词旁边的情况的统计数据)，为每个特定扩展词设置空格位于特定扩展词旁边的概率或权重。

数据学习单元1310可以允许数据识别模型通过使用用户的反馈，根据识别结果来学习或更新。详细地，数据学习单元1310可以允许数据识别模型学习，使得较高权重被设置给由用户从设备1000推荐的至少一个伪词素或扩展词中选择的伪词素或扩展词。

数据识别器1320可以基于数据，确定用户输入的字符的推荐词。例如，数据识别器1320可以通过使用与要被推荐的伪词素相关的学习结果，来确定包括用户输入的字符的至少一个伪词素。另外，数据识别器1320可以通过使用与要推荐的扩展词有关的学习结果，来确定包括用户选择的伪词素的至少一个扩展词。作为另一示例，数据识别器1320可以通过使用与空格的位置有关的学习结果，来确定是否在用户选择的扩展词旁边显示空格。数据识别器1320可以通过使用学习的数据识别模型确定要推荐的至少一个伪词素和要推荐的至少一个扩展词，以及确定是否显示空格。数据识别器1320可以根据通过学习预设的标准获取特定数据，并通过将获取的数据设置为输入值来使用数据识别模型。另外，数据识别器1320可以通过使用数据识别模型，基于某些数据确定要推荐的至少一个伪词素和要推荐的至少一个扩展词，以及确定是否显示空格。另外，通过将获取的数据设置为输入值，从数据识别模型输出的结果值可以用于更新数据识别模型。

例如，数据识别器1320可以获取用户输入的字符作为识别数据。数据识别器1320可以通过将获取的字符应用于数据识别模型来获取至少一个伪词素。例如，数据识别器1320可以通过将获取的字符应用于数据识别模型，根据用户的较高使用概率或较高权重的顺序来获取一定数量的伪词素。

数据识别器1320可以获取用户输入的或者从多个伪词素中选择的伪词素作为识别数据。数据识别器1320可以通过将获取的伪词素应用于数据识别模型来确定至少一个扩展词。例如，数据识别器1320可以通过将获取的伪词素应用于数据识别模型，根据用户的较高使用概率或较高权重的顺序来获取一定数量的伪词素。

数据识别器1320可以获取用户输入的或者由用户从多个扩展词中选择的扩展词作为识别数据。数据识别器1320可以通过将获取的扩展词应用于数据识别模型来确定至少一个其他扩展词。例如，数据识别器1320可以通过将获取的扩展词应用于数据识别模型，根据用户的较高使用概率或较高权重的顺序来获取一定数量的扩展词。

数据识别器1320可以通过将获取的扩展词应用于数据识别模型来获取关于是否显示空格的信息。例如，数据识别器1320可以通过将获得的扩展词应用于数据识别模型，根据确定空格位于特定扩展词旁边的概率或权重是否大于等于或小于等于某个标准，来获取关于是否显示空格的信息。

数据识别器1320可以通过将获取的扩展词应用于数据识别模型来获取关于是否显示空格的信息，并且当该信息指示显示空格时，数据识别器1320可以获取位于空格旁边的至少一个伪词素或扩展词。在这种情况下，数据识别器1320可以根据用户的较高使用概率或较高权重的顺序来获取一定数量的伪词素或扩展词。

数据学习单元1310的至少一部分和数据识别器1320的至少一部分可以以至少一个硬件芯片的形式制造，并且配备在电子设备中。例如，数据学习单元1310和数据识别器1320中的至少一个可以以用于人工智能(ai)的专用硬件芯片的形式制造，或者制造为现有通用处理器(例如，中央处理单元(cpu)或应用处理器)或图形专用处理器(例如，图形处理单元(gpu))的一部分，并且可以配备在上述各种类型的电子设备中。在这种情况下，ai的专用硬件芯片是指定用于概率计算的专用处理器，并且可以快速处理ai领域的计算操作，例如机器学习，因为专用硬件芯片具有比现有的通用处理器更高的并行处理性能。

数据学习单元1310和数据识别器1320可以配备在一个电子设备中或者分别配备在单独的电子设备中。例如，数据学习单元1310和数据识别器1320中的一个可以被包括在设备1000中，而另一个可以包括在服务器中。另外，可以在数据学习单元1310和数据识别器1320之间以有线或无线方式将由数据学习单元1310构建的模型信息提供给数据识别器1320，并且可以提供输入到数据识别器1320的数据来作为对于数据学习单元1310的附加学习数据。

数据学习单元1310的至少一部分和数据识别器1320的至少一部分可以实现为软件模块。当数据学习单元1310和数据识别器1320中的至少一个被实现为软件模块(或包括指令的程序模块)时，软件模块可以存储在非暂时性计算机可读记录介质中。另外，在这种情况下，可以由操作系统(os)或某个应用程序提供至少一个软件模块。至少一个软件模块的一部分可以由os提供，而另一部分可以由特定应用提供。

图17是示出根据各种示例实施例的示例数据学习单元1310的框图。

参考图17，根据各种示例实施例的数据学习单元1310可包括数据获取器(例如，包括处理电路和/或程序元素)1310-1、预处理器(例如，包括处理电路和/或程序元素)1310-2、学习数据选择器(例如，包括处理电路和/或程序元素)1310-3、模型学习单元(例如，包括处理电路和/或程序元素)1310-4、以及模型评估器(例如，包括处理电路和/或程序单元)1310-5。根据各种实施例，数据学习单元1310可以必须包括数据获取器1310-1和模型学习单元1310-4，并且选择性地还包括预处理器1310-2、学习数据选择器1310-3以及模型评估器1310-5中的至少一个。

数据获取器1310-1可以获取确定用户输入的字符的推荐词所需的学习数据。数据获取器1310-1可以获取学习所需的学习数据，以确定要推荐的伪词素和要推荐的扩展词，以及确定是否在推荐的扩展词旁边显示空格。

数据获取器1310-1可以获取例如某个用户语音和某些上下文信息。另外，数据获取器1310-1可以从设备1000推荐的至少一个伪词素或扩展词中获取关于用户选择的伪词素或扩展词的信息。

预处理器1310-2可以预处理所获取的数据，使得所获取的数据用于确定要推荐的伪词素和要推荐的扩展词，以及确定是否在推荐的扩展词旁边显示空格。预处理器1310-2可以以预设格式处理所获取的数据，使得下面将描述的模型学习单元1310-4使用所获取的数据来学习，以确定用户的意图，提供相关信息，并推荐替代操作。

学习数据选择器1310-3可以从预处理数据中选择学习所需的学习数据。可以将所选数据提供给模型学习单元1310-4。学习数据选择器1310-3可以根据用于确定要推荐的伪词素和要推荐的扩展词，以及确定是否在推荐的扩展词旁边显示空格的预设标准，从预处理数据中选择学习所需的学习数据。学习数据选择器1310-3可以通过在下面将描述的模型学习单元1310-4中学习，根据预设的标准来选择学习数据。

模型学习单元1310-4可以基于由学习数据选择器1310-3选择的或由数据获取器1310-1获取的学习数据来学习用于确定要推荐的伪词素和要推荐的扩展词，以及确定是否在推荐的扩展词旁边显示空格的标准。另外，模型学习单元1310-4可以学习将使用哪个学习数据来确定要推荐的伪词素和要推荐的扩展词，以及确定是否在推荐的扩展词旁边显示空格的标准。

另外，模型学习单元1310-4可以允许数据识别模型通过使用学习数据来学习，所述数据识别模型将被用于确定要推荐的伪词素和要推荐的扩展词，以及确定是否在推荐的扩展词旁边显示空格。在这种情况下，数据识别模型可以是预先构建的模型。例如，数据识别模型可以是通过接收基本学习数据(例如，样本数据)而预先构建的模型。

可以通过考虑数据识别模型的应用领域、学习目的、设备的计算性能等来构建数据识别模型。可以设计数据识别模型以便模拟计算机系统中的人的脑结构。数据识别模型可以包括具有权重的多个网络节点，其模拟人类的神经网络中的神经元。多个网络节点可以形成每个连接关系，以便模拟神经元的突触活动，神经元通过突触给出并接收信号。数据识别模型可以包括例如神经网络模型或从神经网络模型开发的深度学习模型。在深度学习模型中，多个网络节点可以位于不同的深度(或层)，以根据卷积连接关系给出和获取数据。例如，诸如dnn、rnn或双向递归深度神经网络(brdnn)的模型可以用作数据识别模型，但不限于此。

根据各种示例实施例，当存在多个预先构建的数据识别模型时，模型学习单元1310-4可以确定具有基本学习数据与输入学习数据的高关联性的数据识别模型作为要学习的数据识别模型。在这种情况下，可以针对每种数据类型对基本学习数据进行预分类，并且可以针对每种数据类型对数据识别模型进行预分类。例如，可以基于诸如学习数据的生成区域、学习数据的生成时间、学习数据的大小、学习数据的类型、学习数据的生成器以及学习数据的对象类型的各种标准对基本学习数据进行预分类。

模型学习单元1310-4可以允许数据识别模型通过使用例如包括误差反向传播或梯度下降的学习算法来学习。

模型学习单元1310-4可以允许数据识别模型通过例如使用学习数据的至少一部分作为标准的监督学习来学习。模型学习单元1310-4可以允许数据识别模型通过例如无监督学习来在没有单独监督的情况下，学习用于确定用户意图、提供相关信息和推荐替代操作所需的数据类型，通过该无监督学习，用于确定用户意图、提供相关信息和推荐替代操作的标准由模型学习单元1310-4通过使用学习数据进行学习来发现。例如，模型学习单元1310-4可以允许数据识别模型通过考虑用户对扩展词或伪词素的使用频率来学习。模型学习单元1310-4可以允许数据识别模型通过使用反馈信息来学习，该反馈信息是关于由用户选择的扩展词或伪词素的信息。模型学习单元1310-4可以允许数据识别模型通过例如强化学习来学习，所述强化学习使用根据学习确定用户的意图、提供相关信息、以及推荐替代操作的结果是否正确的反馈。

另外，当学习数据识别模型时，模型学习单元1310-4可以存储学习的数据识别模型。在这种情况下，模型学习单元1310-4可以将学习的数据识别模型存储在包括数据识别器1320的电子设备(例如，设备1000)的存储器中。模型学习单元1310-4可以在通过有线或无线网络连接到电子设备(例如，设备1000)的服务器的存储器中存储学习的数据识别模型。

例如，在其中存储学习的数据识别模型的存储器还可以存储例如与电子设备的至少一个其他组件有关的命令或数据。此外，存储器可以存储软件和/或程序。程序可以包括例如内核、中间件、应用程序编程接口(api)和/或应用程序(或“应用”)。

模型评估器1310-5可以将评估数据输入到数据识别模型，并且如果从数据识别模型输出的识别结果不满足特定标准，则模型评估器1310-5可以允许模型学习单元1310-4再次进行学习。在这种情况下，评估数据可以是用于评估数据识别模型的预设数据。

例如，当评估数据的学习的数据识别模型的识别结果中的识别结果不正确的评估数据的数量或百分比超过预设阈值时，模型评估器1310-5可以评估该特定标准不被满足。例如，当特定标准被定义为2％时，如果学习的数据识别模型在总共1000条评估数据中输出超过20条评估数据的错误识别结果，则模型评估器1310-5可以评估该学习是数据识别模型不合适。

当存在多个学习的数据识别模型时，模型评估器1310-5可以评估每个学习的数据识别模型是否满足特定标准，并且将满足特定标准的模型确定为最终数据识别模型。在这种情况下，当多个模型满足特定标准时，模型评估器1310-5可以确定以较高评估分数的顺序预设的任何一个模型或一定数量的模型作为最终数据识别模型。

数据学习单元1310中的数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习单元1310-4和模型评估器1310-5中的至少一个可以以至少一个硬件芯片的形式制造并配备在电子设备中。例如，数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习单元1310-4和模型评估器1310-5中的至少一个可以以用于ai的专用硬件芯片的形式来制造，或者作为现有通用处理器(例如，cpu或应用处理器)或图形专用处理器(例如，gpu)的一部分来制造，并且可以配备在各种类型的上述电子设备中。

另外，数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习单元1310-4和模型评估器1310-5可以分别配备在一个电子设备中或配备在单独的电子设备中。例如，数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习单元1310-4和模型评估器1310-5中的一些可以被包括在设备1000中，并且另一些可以被包含在服务器中。

数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习单元1310-4和模型评估器1310-5中的至少一个可以实现为软件模块。当数据获取器1310-1、预处理器1310-2、学习数据选择器1310-3、模型学习单元1310-4和模型评估器1310-5中的至少一个被实现为软件模块时(或者包括指令的程序模块)，软件模块可以存储在非暂时性计算机可读记录介质中。另外，在这种情况下，os或某个应用可以提供至少一个软件模块。所述至少一个软件模块的一部分可以由os提供，而其他部分可以由特定应用提供。

处理器1300可以使用各种数据识别模型，并通过各种方法通过数据识别模型有效地学习用于确定用户意图、提供相关信息和推荐替代操作的标准。

图18是示出根据各种示例实施例的数据识别器1320的示例的框图。

参考图18，根据一些实施例的数据识别器1320可包括数据获取器(例如，包括处理电路和/或程序元素)1320-1、预处理器(例如，包括处理电路和/或程序元素)1320-2、识别数据选择器(例如，包括处理电路和/或程序元素)1320-3、识别结果提供器(例如，包括处理电路和/或程序元素)1320-4、以及模型更新器(例如，包括处理电路和/或程序元素)1320-5。根据各种实施例，数据识别器1320可以必须包括数据获取器1320-1和识别结果提供器1320-4，并且选择性地还包括预处理器1320-2、识别数据选择器1320-3和模型更新器1320-5中的至少一个。

数据获取器1320-1可以获取用于确定要推荐的伪词素和要推荐的扩展词，以及确定是否显示空格所需的数据。例如，数据获取器1320-1可以获取用户输入的字符、伪词素或扩展词作为识别数据。数据获取器1320-1可以获取用户选择的字符、伪词素或扩展词。预处理器1320-2可以预处理所获取的识别数据，使得用于确定要推荐的伪词素和要推荐的扩展词，以及确定是否显示空格所需的识别数据被使用。预处理器1320-2可以以预设格式处理所获取的数据，使得下面将描述的识别结果提供器1320-4使用所获取的数据来确定要推荐的伪词素和要推荐的扩展词，以及确定是否显示空格。例如，数据获取器1320-1可以获取输入到设备1000的字符。此外，数据获取器1320-1可以获取与用户或设备1000有关的上下文信息。此外，例如，上下文信息可以是由设备1000生成的信息或从外部设备接收的信息。

识别数据选择器1320-3可以从预处理的识别数据中选择用于确定要推荐的伪词素和要推荐的扩展词，以及确定是否显示空格所需的识别数据。可以将所选择的识别数据提供给识别结果提供器1320-4。识别数据选择器1320-3可以根据用于确定要推荐的伪词素和要推荐的扩展词以及确定是否显示空格的预设标准，来选择预先处理的识别数据的一部分或全部。识别数据选择器1320-3可以通过在上述模型学习单元1310-4中学习，根据预设的标准来选择识别数据。识别结果提供器1320-4可以通过将所选择的识别数据应用于数据识别模型，来确定要推荐的伪词素和要推荐的扩展词以及确定是否显示空格。识别结果提供器1320-4可以根据识别目的提供识别结果。识别结果提供器1320-4可以将由识别数据选择器1320-3选择的或由数据获取器1320-1获取的识别数据应用于数据识别模型。识别结果提供器1320-4可以获取关于是否显示至少一个伪词素、至少一个扩展词或空格的信息，来作为数据识别模型的应用结果。

模型更新器1320-5可以基于对识别结果提供器1320-4提供的识别结果的评估来更新数据识别模型。例如，模型更新器1320-5可以允许模型学习单元1310-4更新数据识别模型。例如，对识别结果的评估可以是根据是否向用户显示设备1000推荐的伪词素、至少一个扩展词或空格的用户反馈信息。例如，用户从设备1000推荐的至少一个伪词素或至少一个扩展词中选择的伪词素或扩展词是用户反馈信息，并且可以用作用于更新数据识别模型的学习数据。当设备1000显示空格时，用于接受空格并输入下一个字符或用于删除空格的用户输入是用户反馈信息，并且可以用作用于更新数据识别模型的学习数据。当设备1000不显示空格时，用于输入空格的用户输入是用户反馈信息，并且可以用作用于更新数据识别模型的学习数据。

数据识别器1320中的数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型更新器1320-5中的至少一个可以以至少一个硬件芯片的形式制造，并且配备在电子设备中。例如，数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型更新器1320-5中的至少一个可以以用于ai的专用硬件芯片的形式来制造，或者制造作为现有通用处理器(例如，cpu或应用处理器)或图形专用处理器(例如，gpu)的一部分，并且可以配备在各种类型的上述电子设备中。

另外，数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型更新器1320-5可以被配备在一个电子设备中或被配备在单独的电子设备中。例如，数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型更新器1320-5中的一些可以被包括在设备1000中，并且另一些可能包含在服务器中。

数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型更新器1320-5中的至少一个可以实现为软件模块。当数据获取器1320-1、预处理器1320-2、识别数据选择器1320-3、识别结果提供器1320-4和模型更新器1320-5中的至少一个被实现为软件模块时(或者包括指令的程序模块)时，软件模块可以存储在非暂时性计算机可读记录介质中。另外，在这种情况下，os或某个应用可以提供至少一个软件模块。所述至少一个软件模块的一部分可以由os提供，而其他部分可以由特定应用提供。

另外，设备1000可以通过使用应用了学习结果的数据识别模型向用户提供回答用户意图的服务。

图19是示出根据各种示例实施例的通过设备1000和服务器2000之间的互操作来学习和识别数据的示例的示图。

参考图19，服务器2000可以包括数据获取器2310、预处理器2320、学习数据选择器2330、模型学习单元2340和模型评估器2350。此外，根据其他示例实施例，数据获取器如图2310、预处理器2320、学习数据选择器2330、模型学习单元2340和模型评估器2350中的一些可以被包括在图18所示的设备100中。

参考图19，服务器2000可以学习用于确定从用户输入的字符的推荐词的标准，并且设备1000可以基于服务器2000的学习结果，确定从用户输入的字符的推荐词。

在这种情况下，模型学习单元2340可以执行图17中所示的模型学习单元1310的功能。服务器2000的模型学习单元2340可以学习将使用哪个数据来确定要推荐的伪词素和要推荐的扩展词以及确定是否显示空格的标准。另外，服务器2000的模型学习单元2340可以通过使用数据来学习如何确定要推荐的伪词素和要推荐的扩展词以及确定是否显示空格的标准。模型学习单元2340可以获取要用于学习的数据，并且通过将所获取的数据应用于将在下面描述的数据识别模型，来学习用于确定要推荐的伪词素和要推荐的扩展词以及确定是否显示空格的标准。

另外，设备1000的识别结果提供器1320-4可以通过将由识别数据选择器1320-3选择的数据应用于服务器2000生成的数据识别模型，来确定要推荐的伪词素和要推荐的扩展词以及确定是否显示空格。例如，识别结果提供器1320-4可以将识别数据选择器1320-3选择的数据发送到服务器2000，并且通过将由识别数据选择器1320-3选择的数据应用于数据识别模型，来请求服务器2000确定要推荐的伪词素和要推荐的扩展词以及确定是否显示空格。另外，识别结果提供器1320-4可以从服务器2000接收关于确定要推荐的伪词素和要推荐的扩展词以及确定是否显示空格的信息。

设备1000的识别结果提供器1320-4可以从服务器2000接收由服务器2000生成的数据识别模型，并且通过使用接收的数据识别模型确定要推荐的伪词素和要推荐的扩展词，以及确定是否显示空格。在这种情况下，设备1000的识别结果提供器1320-4可以通过将由识别数据选择器1320-3选择的数据应用到从服务器2000接收的数据识别模型，来确定要推荐的伪词素和要推荐的扩展词，以及确定是否显示空格。

另外，设备1000和服务器2000可以有效地分发和执行用于学习数据识别模型和数据识别的任务，并且通过此，设备1000和服务器2000可以有效地处理数据以根据用户的意图提供服务，并有效地保护用户的隐私。

图20是示出根据各种示例实施例的示例数据识别模型的流程图。

设备1000可以确定是否接收到用于在字符输入窗口中输入字符的用户输入(s2011)。

当接收到用户输入时(s2011-是)，设备1000可以通过将输入字符应用于学习的数据识别模型来获取包括输入字符的至少一个伪词素(s2013)。例如，设备1000可以通过将输入字符应用于存储在设备1000的存储器1700中的学习的数据识别模型来获取至少一个伪词素。存储器1700可以包括在设备1000内部准备的存储器、插入设备1000的存储卡等。另外，数据识别模型可以是通过使用关于用户过去输入的字符或语音数据的信息、关于每个伪词素的一般使用频率的统计数据和关于用户从设备1000推荐的至少一个伪词素中选择的伪词素的信息中的至少一个来学习的模型。

设备1000可以向用户推荐所获取的至少一个伪词素(s2015)。例如，设备1000可以显示所获取的至少一个伪词素。在这种情况下，设备1000可以通过考虑每个伪词素的优先级来仅显示所获取的至少一个伪词素的一部分。

设备1000可以确定是否接收到用于选择至少一个伪词素之一的用户输入(s2017)。

当接收到用户输入时(s2017-是)，设备1000可以通过将所选择的伪词素应用于学习的数据识别模型来获取包括所选择的伪词素的至少一个扩展词(s2019)。例如，设备1000可以通过将至少一个伪词素应用于存储在设备1000的存储器1700中的学习的数据识别模型来获取至少一个扩展词。存储器1700可以包括在设备1000内部准备的存储器、插入设备1000的存储卡等。另外，数据识别模型可以是通过使用关于用户过去输入的字符或语音数据的信息、关于每个扩展词的一般使用频率的统计数据和关于用户从设备1000推荐的至少一个扩展词中选择的伪扩展词的信息中的至少一个来学习的模型。

设备1000可以向用户推荐所获取的至少一个扩展词(s2021)。例如，设备1000可以显示所获取的至少一个扩展词。在这种情况下，设备1000可以通过考虑每个扩展词的优先级来仅显示所获取的至少一个扩展词的一部分。

设备1000可以响应于用于选择至少一个扩展词之一的输入，在字符输入窗口中显示所选择的扩展词(s2023)。

在图20中，用于提供伪词素和扩展词的数据识别模型可以彼此相同或不同。

另外，尽管已经参考图20描述了设备1000使用学习的数据识别模型获取要向用户推荐的伪词素和扩展词两者的实施例，根据各种修改的实施例，设备1000可以选择性地仅使用被配置为提供伪词素的学习的数据识别模型和被配置为提供扩展词的学习的数据识别模型中的一个。

图21、22和23是示出根据各种示例实施例的使用数据分析模型的示例网络系统的流程图。

在图21、22和23所示，网络系统可以包括第一组件2101、2201或2301以及第二组件2102、2202或2302。这里，第一组件2101、2201或2301可以是例如设备1000，例如，第二组件2102、2202或2302可以是例如在其中存储数据分析模型的服务器2000。第一组件2101、2201或2301可以是通用处理器，第二组件2102、2202或2302可以是人工智能专用处理器。第一组件2101、2201或2301可以是至少一个应用，第二组件2102、2202或2302可以是操作系统(os)。例如，第二组件2102、2202或2302是比第一组件2101、2201或2301更集成或专用的组件，或者具有更少延迟、更好性能或更多资源的组件，并且因此，第二组件2102、2202或2302可以比第一组件2101、2201或2301更快速和有效地处理用于生成、更新或应用数据识别模型所需的许多计算。

在这种情况下，可以定义用于在第一组件2101、2201或2301与第二组件2102、2202或2302之间发送/接收数据的接口。

例如，可以定义具有要应用于数据识别模型的学习数据作为因子值(或中介值或转移值)的应用程序接口(api)。例如，api可以指示一组子例程或函数，其可以由任何一个协议(例如，在设备1000中定义的协议)调用以执行另一协议(例如，服务器2000中定义的协议)的某些处理。也就是说，可以提供可以在其中以任何一个协议来执行另一协议的操作的环境。

第一组件2101可以接收用于在字符输入窗口中输入字符的用户输入(s2111)。

第一组件2101可以将关于输入字符的信息发送到第二组件2102(s2113)。例如，第一组件2101可以将输入字符应用为为使用数据识别模型而提供的api函数的因子值。在这种情况下，api函数可以将输入字符作为要应用于数据识别模型的识别数据发送到第二组件2102。这里，关于输入字符的信息可以包括通过根据通信格式改变或补充字符而获得的通信数据。

第二组件2102可以将输入字符应用于学习的数据识别模型(s2115)。作为应用结果，第二组件2102可以获取包括输入字符的至少一个伪词素(s2117)。此后，第二组件2102可以将关于所获取的至少一个伪词素的信息发送到第一组件2101(s2119)。这里，关于伪词素的信息可以包括通过根据通信格式改变或补充伪词素而获得的通信数据。

第一组件2101可以将所接收的至少一个伪词素推荐给用户(s2121)。例如，第一组件2101可以显示所接收的至少一个伪词素。

第一组件2101可以响应于用于选择推荐的至少一个伪词素之一的输入，推荐包括所选择的伪词素的至少一个扩展词(s2123)。

第一组件2101可以响应于用于选择至少一个扩展词之一的用户输入，在字符输入窗口中显示所选择的扩展词(s2125)。

根据另一示例实施例，参考图22，第一组件2201可以响应于用于在字符输入窗口中输入字符的用户输入，推荐包括输入字符的至少一个伪词素(s2211)。例如，第一组件2201可以分析输入字符以显示要推荐的至少一个伪词素。

第一组件2201可以接收用于选择推荐的至少一个伪词素之一的用户输入(s2213)。

第一组件2201可以将关于所选择的伪词素的信息发送到第二组件2202(s2215)。例如，第一组件2201可以将所选择的伪词素应用为为使用数据识别模型而提供的api函数的因子值。在这种情况下，api函数可以将所选择的伪词素发送到第二组件2202作为要应用于数据识别模型的识别数据。这里，关于所选择的伪词素的信息可以包括通过根据通信格式改变或补充伪词素而获得的通信数据。

第二组件2202可以将所选择的伪词素应用于学习的数据识别模型(s2217)。作为应用结果，第二组件2202可以获取包括所选择的伪词素的至少一个扩展词(s2219)。此后，第二组件2202可以将关于所获取的至少一个扩展词的信息发送到第一组件2201(s2221)。这里，关于扩展词的信息可以包括通过根据通信格式改变或补充扩展词而获得的通信数据。

第一组件2201可以将所接收的至少一个扩展词推荐给用户(s2223)。例如，第一组件2201可以显示所接收的至少一个扩展词。

第一组件2201可以响应于用于选择至少一个扩展词之一的用户输入，在字符输入窗口中显示所选择的扩展词(s2225)。

根据另一示例实施例，参考图23，第一组件2301可以接收用于在字符输入窗口中输入字符的用户输入(s2311)。第一组件2301可以将关于输入字符的信息发送到第二组件2302(s2313)。

第二组件2302可以将输入字符应用于学习的数据识别模型并获取包括输入字符的至少一个伪词素(s2315、s2317)。

第二组件2302可以将关于所获取的至少一个伪词素的信息发送到第一组件2301(s2319)。

第一组件2301可以接收用于选择所接收的至少一个伪词素之一的用户输入(s2321)。

第一组件2301可以将关于所选择的伪词素的信息发送到第二组件2302(s2323)。

第二组件2302可以将所选择的伪词素应用于学习的数据识别模型，并且获取包括所选择的伪词素的至少一个扩展词(s2325、s2327)。

第二组件2302可以将关于所获取的至少一个扩展词的信息发送到第一组件2301(s2329)。

第一组件2301可以将所接收的至少一个扩展词推荐给用户(s2331)。此后，第一组件2301可以响应于用于选择至少一个扩展词之一的用户输入，在字符输入窗口中显示所选择的扩展词(s2333)。

根据各种实施例，在图23中，被配置为提供包括输入字符的至少一个伪词素的数据识别模型和被配置为提供包括所选择的伪词素的至少一个扩展词的数据识别模型可以被实现为一个数据识别模型。

例如，包括在图23中的操作2340中的操作(s2315、s2317、s2325和s2327)可以被由一个数据识别模型执行。

例如，参考图23，第二组件2302可以接收关于输入字符的信息(s2313)。在这种情况下，第二组件2302可以通过将关于输入字符的信息应用于学习的数据识别模型来获取包括输入字符的至少一个扩展词。

例如，当接收到用于在词输入窗口中输入“ha”的用户输入时，第一组件2301可以将字符“ha”发送到第二组件2302。通过将字符“ha”应用于学习的数据识别模型，第二组件2302可以获取至少一个扩展词，例如“happiness”、“happily”和“happy”。当第二组件2302将关于所获取的至少一个扩展词的信息发送到第一组件2301时，第一组件2301可以推荐与输入字符相关的至少一个扩展词。

各种示例实施例可以以包括诸如由计算机系统执行的程序模块的计算机可执行指令的记录介质的形式实现。非暂时性计算机可读介质可以是任意可用介质，其可以由计算机系统访问并且包括所有类型的易失性和非易失性介质以及分离和非分离介质。此外，非暂时性计算机可读介质可以包括所有类型的计算机存储介质和通信介质。计算机存储介质包括通过用于存储诸如计算机可读指令、数据结构、程序模块或其他数据之类的信息的任意方法或技术而实现的所有类型的易失性和非易失性以及分离和非分离介质。通信介质通常包括计算机可读指令、数据结构、程序模块、诸如载波的调制信号的其他数据、其他传输机制和任意的信息传递介质。

另外，根据所公开实施例的方法可以作为计算机程序产品提供。

该计算机程序产品可以包括软件(s/w)程序、在其中存储s/w程序的非暂时性计算机可读存储介质、或者在卖方和购买者之间交易的产品。

例如，计算机程序产品可以包括通过设备1000、设备1000的制造商、或电子市场(例如，googleplay商店或appstore)电子分发的s/w程序类型的产品(例如，可下载的应用)。对于电子分发，s/w程序的至少一部分可以存储在存储介质中或临时生成。在这种情况下，存储介质可以是制造商或电子市场中的服务器或中继服务器中的存储介质。

另外，在本公开中，“单元、接口或者……器”可以指例如诸如处理器或电路的硬件组件，和/或由诸如处理器的硬件组件执行的软件组件。

以上描述的各种示例实施例仅仅是说明性的，并且本领域普通技术人员将理解，在不改变本公开的技术精神和范围的情况下，可以在其中进行形式和细节上的各种改变。因此，示例性实施例应该仅在说明性意义上理解，而不是为了限制所有方面的目的。例如，描述为单一类型的每个组件可以通过分布来执行，同样，描述为分布式的组件也可以通过耦合来执行。

应该理解的是，这里描述的实施例应该仅被认为是描述性的，而不是为了限制的目的。通常应当认为每个实施例中的特征或方面的描述可用于其他实施例中的其他类似特征或方面。

尽管已经参考附图描述了各种示例实施例，但是本领域普通技术人员将理解，在不脱离由所附权利要求及其等价物所限定的精神和范围的情况下，可以在其中进行形式和细节上的各种改变。