一种滑行输入的方法和装置与流程

本发明涉及输入法技术领域，特别是涉及一种滑行输入的方法和装置。

背景技术：

目前，电子产品向小型化的趋势发展，而电子产品的多媒体功能又要求其具有较高的屏占比，例如取消了物理键盘，采用面积较大的触摸屏，而在输入信息时需要在触摸屏上模拟一个包括若干字符键的虚拟键盘，用户通过虚拟键盘和输入法进行信息的输入。

滑行输入法可以通过记录用户在虚拟键盘上的滑行轨迹，估计出用户可能要输入的拼音串，然后将其转换为拼音串对应的词或者句子。目前传统的滑行输入法模型，主要是通过检测滑行轨迹的拐点，将拐点的按键作为目标，然后人工设定输入法的规则，基于规则预测用户需要输入的按键字符，例如，对于拼音输入，在全拼输入方式下，基于全拼输入的规则预测用户输入的拼音串，或者在简拼的输入方式下，基于简拼的规则预测用户输入的拼音串，从而将拼音串转换为字或者词，这就需要根据输入法的不同输入方式设定不同的规则，另外，传统模型依靠的特征需要根据经验设定提取，使得提取的特征无法真正反映用户的输入意图甚至是无用的特征，造成了模型预测准确性低的问题。

并且，用户的滑行输入轨迹通常具有以下情况：(1)用户每段滑行轨迹不一定是直线；(2)用户滑行的轨迹中可能包含多余的、错误的轨迹；(3)由于虚拟键盘按键较小，用户的滑行轨迹有所偏移。以上情况会造成传统模型不能准确捕获滑行轨迹拐点，进一步会造成预测结果不准确的问题。

技术实现要素：

本发明实施例所要解决的技术问题是提供一种滑行输入的方法，以解现有的滑行输入法存在准确性低和需要人工根据输入法的不同输入方法设定规则的问题。相应的，本发明实施例还提供了一种滑行输入的装置，用以保证上述方法的实现及应用。

为了解决上述问题，本发明公开了一种滑行输入的方法，包括：

依据所述滑行轨迹，生成输入序列；

将所述输入序列输入预先训练的深度学习模型中得到多个候选项；

展示所述多个候选项。

可选地，所述依据所述滑行轨迹，生成输入序列的步骤包括：

按照时间顺序获取所述滑行轨迹的多个像素点；或者，按照预设周期获取所述滑行轨迹的多个像素点；

获取所述多个像素点的坐标；

依据获取所述多个像素点的时间顺序和所述多个像素点的坐标，生成输入序列。

可选地，所述依据所述滑行轨迹，生成输入序列的步骤包括：

按照预设周期，获取所述滑行轨迹的多个轨迹图片；

依据获取所述多个轨迹图片的顺序和所述多个轨迹图片，生成输入序列。

可选地，所述将所述输入序列输入预先训练的深度学习模型中得到多个候选项的步骤包括：

将所述多个像素点的坐标输入预先训练的深度学习模型中得到多个候选项。

可选地，所述将所述输入序列输入预先训练的深度学习模型中得到多个候选项的步骤包括：

将所述多个轨迹图片输入预先训练的深度学习模型中得到多个候选项。

可选地，所述多个候选项具有分值，所述展示所述多个候选项的步骤包括：

获取所述多个候选项的分值；

按照所述分值对所述多个候选项进行排序；

按照所述排序展示所述多个候选项。

可选地，所述深度学习模型通过如下方式训练：

获取训练样本，所述训练样本包括滑行轨迹数据和候选项数据；

采用所述滑行轨迹数据和所述候选项数据训练深度学习模型。

可选地，所述滑行轨迹数据包括像素点序列或者轨迹图片序列，所述候选项数据包括所述像素点序列或者轨迹图片序列对应的目标候选项，所述采用所述滑行轨迹数据和候选项数据训练深度学习模型的步骤包括：

随机提取像素点序列或者轨迹图片序列；

将所述像素点序列或者轨迹图片序列输入深度学习模型中提取预测候选项；

计算所述预测候选项用于确定所述目标候选项时的损失率；

采用所述损失率计算梯度；

判断所述梯度是否满足预设的迭代条件；

若是，则结束训练所述深度学习模型；

若否，则采用所述梯度与预设的学习率对所述深度学习模型的模型参数进行下降，返回执行所述随机提取像素点序列或者轨迹图片序列的步骤。

可选地，所述计算所述预测候选项用于确定所述目标候选项时的损失率的步骤包括：

计算所述预测候选项属于所述目标候选项的概率；

采用所述概率计算所述预测候选项用于确定所述目标候选项时的损失率。

本发明实施例还公开了一种滑行输入的装置，包括：

滑行轨迹获取模块，用于获取用户在虚拟键盘上的滑行轨迹；

输入序列生成模块，用于依据所述滑行轨迹，生成输入序列；

候选项获取模块，用于将所述输入序列输入预先训练的深度学习模型中得到多个候选项；

展示模块，用于展示所述多个候选项。

可选地，所述输入序列生成模块包括：

像素点获取子模块，用于按照时间顺序获取所述滑行轨迹的多个像素点；或者，按照预设周期获取所述滑行轨迹的多个像素点；

坐标获取子模块，用于像素点获取所述多个像素点的坐标；

第一输入序列生成子模块，用于依据获取所述多个像素点的时间顺序和所述多个像素点的坐标，生成输入序列。

可选地，所述输入序列生成模块包括：

轨迹图片获取子模块，用于按照预设周期，获取所述滑行轨迹的多个轨迹图片；

第二输入序列生成子模块，用于依据获取所述多个轨迹图片的顺序和所述多个轨迹图片，生成输入序列。

可选地，所述候选项获取子模块包括：

第一模型输入子模块，用于将所述多个像素点的坐标输入预先训练的深度学习模型中得到多个候选项。

可选地，所述候选项获取子模块包括：

第二模型输入子模块，用于将所述多个轨迹图片输入预先训练的深度学习模型中得到多个候选项。

可选地，所述多个候选项具有分值，所述展示模块包括：

分值获取子模块，用于获取所述多个候选项的分值；

排序子模块，用于按照所述分值对所述多个候选项进行排序；

展示子模块，用于按照所述排序展示所述多个候选项。

可选地，所述深度学习模型通过如下模块训练：

训练样本获取模块，用于获取训练样本，所述训练样本包括用户的滑行轨迹数据和候选项数据；

训练模块，用于采用所述滑行轨迹数据和候选项数据训练深度学习模型。

可选地，所述滑行轨迹数据包括像素点序列或者轨迹图片序列，所述候选项数据包括所述像素点序列或者轨迹图片序列对应的目标候选项，所述训练模块包括：

训练数据提取子模块，用于随机提取像素点序列或者轨迹图片序列；

提取子模块，用于将所述像素点序列或者轨迹图片序列输入深度学习模型中提取预测候选项；

损失率计算子模块，用于计算所述预测候选项用于确定所述目标候选项时的损失率；

梯度计算子模块，用于采用所述损失率计算梯度；

判断子模块，用于判断所述梯度是否满足预设的迭代条件；

结束训练子模块，用于结束训练所述深度学习模型；

模型参数调整子模块，用于采用所述梯度与预设的学习率对所述深度学习模型的模型参数进行下降，返回执行所述随机提取像素点序列或者轨迹图片序列的步骤。

可选地，所述损失率计算子模块包括：

概率计算单元，用于计算所述预测候选项属于所述目标候选项的概率；

损失率计算单元，用于采用所述概率计算所述预测候选项用于确定所述目标候选项时的损失率。

本发明实施例还公开了一种滑行输入的装置，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获取用户在虚拟键盘上的滑行轨迹；

依据所述滑行轨迹，生成输入序列；

将所述输入序列输入预先训练的深度学习模型中得到多个候选项；

展示所述多个候选项。

与背景技术相比，本发明实施例包括以下优点：

本发明实施例在获取用户在虚拟键盘上的滑行轨迹后，依据滑行轨迹，生成输入序列，然后将输入序列输入预先训练的深度学习模型中得到多个候选项并进行展示，预先训练的深度学习模型可以是通过用户的历史滑行轨迹和用户选择的目标候选项训练的，因此，本发明实施例的滑行输入法，无需人工根据输入法的不同输入方式设定规则，只需通过滑行轨迹生成输入序列后输入深度学习模型提取候选项，无需检测滑行轨迹的拐点和依靠经验提取滑行轨迹的特征，避免了滑行轨迹复杂无法准确捕获拐点和依靠经验提取滑行轨迹的特征，造成准确性低的问题，提高了滑行输入的准确性。

附图说明

图1是本发明的一种滑行输入的方法实施例1的步骤流程图；

图2是本发明的一种滑行输入的方法实施例2的步骤流程图；

图3是本发明的一种虚拟键盘的示意图；

图4是本发明的滑行轨迹上的像素点序列的示意图；

图5是本发明的一种滑行输入的方法实施例3的步骤流程图；

图6是本发明的一种滑行输入的装置实施例的结构框图；

图7是本发明的一种滑行输入的装置的框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明的一种滑行输入的方法实施例1的步骤流程图，具体可以包括如下步骤：

步骤101，获取用户在虚拟键盘上的滑行轨迹。

本发明实施例滑行输入法可以应用于具有触摸屏的电子产品，例如可以应用于具有触摸屏的平板电脑、手机等电子产品，该电子产品上安装有输入法，并且可以通过触摸屏显示的虚拟键盘进行滑行输入。

当用户需要输入信息时，在信息输入界面弹出虚拟键盘，用户通过手指或者触笔在虚拟键盘上滑动，以选择需要输入的信息对应的虚拟按键，则手指或者触笔在虚拟键盘上形成滑行轨迹，输入法可以通过系统接口捕获滑行轨迹。以输入中文为示例，用户在虚拟键盘上选择中文拼音对应的虚拟按键时，手指或者触笔在虚拟键盘上形成滑行轨迹，当然中文拼音输入法可以是全拼、简拼等规则拼音输入，另外，输入法不仅仅限于中文输入法，还可以是英文输入法、日文输入法、韩文输入法等其它语种的输入法，本发明实施例对输入法的语种不加以限制，对具体语种的输入法的输入方式也不加以限制。

步骤102，依据所述滑行轨迹，生成输入序列。

在本发明实施例中，输入序列是一个有序的序列，即该输入序列按照一定的顺序排序。对于滑行轨迹，可以以时间生成输入序列，例如，可以以时间顺序或者按照预设周期，获取滑行轨迹上的点的坐标作为输入序列，还可以是以时间顺序或者按照预设周期，获取滑行轨迹的轨迹图片作为输入序列，无需检测轨迹的拐点捕获虚拟键盘上的按键，即使是面对复杂的滑行轨迹，也可以生成输入序列，能够面对滑行输入中滑行轨迹复杂捕获拐点出现误差造成准确性低的问题。

步骤103，将所述输入序列输入预先训练的深度学习模型中得到多个候选项。

预先训练的深度学习模型可以是采集了大量用户的历史滑行轨迹和每个滑行轨迹对应的目标候选项训练得到的模型，通过训练后的深度学习模块，可以提取一个滑行轨迹对应的多个候选项。由于深度学习模型是采用用户的历史滑行轨迹训练得到的模型，仅需将输入序列输入深度学习模型中，提取的候选项仅与输入序列有关。以中文拼音输入法为示例，仅需将输入序列输入深度学习模型中，而无需人工设定拼音输入是全拼输入还是简拼输入或者是其它拼音输入，一方面，无需人工根据输入法的输入方式设定规则，不受输入法的具体输入方式限制，另一方面，无需依靠经验设定提取滑行轨迹特征，避免了依靠经验提取的特征无法反映用户真实输入意图甚至是无用特征的问题，提高了滑行输入的准确性。

在实际应用中，虚拟键盘上相同的滑行轨迹，对于不同的用户可能选择不同的目标候选项，或者，对于相同的滑行轨迹，使用全拼输入或者五笔输入或者简拼输入，也会出现不同的候选项，因此训练得到的深度学习模型对于一个输入序列，也会得到多个候选项。深度学习模型可以是一个打分模型，即对大量的候选项进行打分，对于一个输入序列，可以将分值大于预设阈值的候选项作为该输入序列的多个候选项。

步骤104，展示所述多个候选项。

在实际应用中，深度学习模型提取的多个候选项包括每个候选项的分值，可以将多个候选项按照分值进行排序后显示。

本发明实施例预先训练的深度学习模型可以是通过用户的历史滑行轨迹和用户选择的目标候选项训练的，在输入过程中，将用户的滑行轨迹的输入序列输入深度学习模型中得到多个候选项。因此，本发明实施例的滑行输入法，无需人工根据输入法的不同输入方式设定规则，只需通过滑行轨迹生成输入序列后输入深度学习模型提取候选项，无需检测滑行轨迹的拐点和依靠经验提取滑行轨迹的特征，避免了滑行轨迹复杂无法准确捕获拐点和依靠经验提取滑行轨迹的特征造成准确性低的问题，提高了滑行输入的准确性。

参照图2，示出了本发明的一种滑行输入的方法实施例2的步骤流程图，具体可以包括如下步骤：

步骤201，获取用户在虚拟键盘上的滑行轨迹。

参照图3所示的本发明一种虚拟键盘的按键布置图，该虚拟键盘是全键盘，当然，实际应用中也可以是九宫格键盘。在滑行输入过程中，用户的手指或触笔可以无需离开虚拟键盘而是直接在虚拟键盘上滑行，以下主要以手指为例进行说明。

在手指滑行输入中，本发明可以捕捉手指的滑行信息，记录手指的滑行轨迹数据，直至手指停止滑动。具体的，对于虚拟激光键盘(virtuallaserkeyboard)，可以通过感应反射光线来进行手指轨迹的捕捉；对于电容触摸屏，则可以通过周期性采样获得轨迹。总之，本发明对获取滑行轨迹的方式不加以限制。

步骤202，按照时间顺序获取所述滑行轨迹的多个像素点；或者，按照预设周期获取所述滑行轨迹的多个像素点。

在实际应用中，如图4所示的滑行轨迹，是由多个像素点构成的，可以将滑行轨迹上的像素点的坐标作为输入序列，而用户在虚拟键盘上滑行时具有起始时间和终止时间，在滑行输入时间段内，可以按照时间顺序或者按照预设周期获取滑行轨迹的多个像素点。例如，按照时间顺序每间隔5个像素点取一个像素点，或者每间隔0.1秒取一个像素点，这样得到滑行轨迹的多个像素点，当然还可以是每条滑行轨迹固定取小于或者等于100个像素点。

如图4所示为本发明的滑行轨迹上的像素点取样的示意图，本发明实施例对像素点取样的方式不加以限制。

步骤203，获取所述多个像素点的坐标。

本发明实施例中，不同电子产品有不同尺寸和分辨率的触摸屏，如果以触摸屏的像素点坐标作为滑行轨迹的像素点的坐标，同一个滑行轨迹上的像素点会出现多个坐标的情况，不利于模型的输入。为了避免上述情况，可以将触摸屏上像素点的坐标转换为虚拟键盘的坐标，即像素点的坐标可以是组成虚拟键盘的像素点在虚拟键盘中的坐标。具体而言，由于虚拟键盘的大小、虚拟键盘上每个按键的位置和大小是固定的，输入法可以通过系统接口获取触摸屏的尺寸大小，然后通过等比例计算，将触摸屏上像素点的坐标转换为像素点在虚拟键盘上的坐标。当进入滑行输入状态时，系统获取触摸屏上用户滑行的像素点的坐标后，通过等比计算，将用户在触摸屏上滑行的像素点的坐标转换为虚拟键盘上坐标，这样使得每种布局的虚拟键盘，其上一个像素点的坐标是唯一的。

步骤204，依据获取所述多个像素点的时间顺序和所述多个像素点的坐标，生成输入序列。

在获取像素点和像素点的坐标后，可以按照获取像素点的时间顺序，将多个像素点的坐标作为输入序列，该输入序列的形式可以是记录了一系列像素点的坐标的文本文档，该文本文档中记录了坐标的顺序和坐标值。

步骤205，将所述输入序列输入预先训练的深度学习模型中得到多个候选项。

在本发明实施例中，可以预先训练深度学习模型，具体而言，深度学习模型可以通过以下子步骤进行训练：

子步骤s11，获取训练样本，所述训练样本包括滑行轨迹数据和候选项数据。

训练样本可以是大量用户使用滑行输入法时收集的样本，例如，收集大量用户使用滑行输入法时的滑行轨迹数据和每个滑行轨迹数据对应的候选项数据。滑行轨迹数据可以是滑行轨迹的像素点的坐标，候选项数据可以是用户选择的目标候选项。

子步骤s12，采用所述滑行轨迹数据和所述候选项数据训练深度学习模型，滑行轨迹数据可以包括像素点序列，候选项数据包括目标候选项。

在获取滑行轨迹数据和候选项数据后，可以通过以下步骤训练深度学习模块：

子步骤s121，随机提取像素点序列。

本发明实施例中，像素点序列可以是一条轨迹的像素点的坐标，可以从训练样本中随机提取一条滑行轨迹的像素点的坐标和该滑行轨迹的目标候选项。

子步骤s122，将所述像素点序列输入深度学习模型中提取预测候选项。

在训练前，对深度学习模型中的模型参数、学习率、迭代次数进行初始化，配置初始的值，然后将随机提取的像素点序列的坐标输入深度学习模型中，提取预测候选项，预测候选项可以包括多个，其中也包括训练样本中该像素点序列对应的目标候选项。每个预测候选项都具有一个分值，例如可以是各个预测候选项属于该滑行轨迹对应的目标候选项的概率。

子步骤s123，计算所述预测候选项用于确定所述目标候选项时的损失率。

在训练过程中，目标候选项的分值有可能与实际计算的分值不符，即预测结果存在偏差，因此需要对模型进行调整，首先可以计算预测候选项用于确定目标候选项时的损失率，具体而言，可以通过以下子步骤计算损失率：

子步骤s123-1，计算所述预测候选项属于所述目标候选项的概率；

子步骤s123-2，采用所述概率计算所述预测候选项用于确定所述目标候选项时的损失率。

在具体实现中，可以通过多元回归的方式计算预测候选项属于目标候选项的概率，然后采用概率计算损失率。

子步骤s124，采用所述损失率计算梯度。

在得到损失率之后，可以计算梯度以对模型的参数进行调整，在实际应用中，可以通过求偏导的方式根据损失率计算梯度。

子步骤s125，判断所述梯度是否满足预设的迭代条件；

子步骤s126，结束训练所述深度学习模型；

子步骤s127，采用所述梯度与预设的学习率对所述深度学习模型的模型参数进行下降，返回执行所述随机提取像素点序列的步骤。

如果计算得到的梯度未满足预设的迭代条件，如连续多个梯度之间的差异大于或等于预设的差异阈值，或者未到达迭代次数，则更新深度学习模型的模型参数，采用更新后的模型参数和预设的学习率进入下一轮迭代，反之，如果梯度满足预设的迭代条件，如连续多个梯度之间的差异小于或等于预设的差异阈值，或者到达迭代次数，则结束训练，输出模型参数。

本发明实施通过用户的历史滑行轨迹数据和候选项数据训练深度学习模型，深度学习模型可以是rnn(循环神经网络，recurrentneuralnetworks)，lstm(longshort-termmemory，长短期记忆网络)，gru(gatedrecurrentunit，门控循环单元)等，以上仅以rnn作为示例说明通过像素点序列的坐标值训练深度学习模型的过程，其它深度学习模型的训练过程在此不再进行说明。

本发明实施例在通过用户的历史滑行轨迹的像素点序列训练深度学习模型后，可以在有输入时输出候选项，因此可以将滑行轨迹的像素点坐标输入深度学习模型中，计算每个候选项的分值，该分值可以是概率，并且提取出分值大于预设阈值的多个候选项。

步骤206，展示所述多个候选项。

深度学习模型可以是一个打分模型，每个候选项均具有一个分值，则步骤206可以包括：

子步骤s21，获取所述多个候选项的分值；

子步骤s22，按照所述分值对所述多个候选项进行排序；

子步骤s23，按照所述排序展示所述多个候选项。

在实际应用中，可以按照深度学习模型计算的多个候选项的分值对多个候选项进行排序，并按照排序展示多个候选项。

本发明实施例，预先通过用户历史滑行轨迹的像素点序列和该像素点序列对应的目标候选项训练深度学习模型，在获取用户滑行轨迹的像素点坐标后输入深度学习模型中提取多个候选项并展示多个候选项，因此，本发明实施例的滑行输入法，无需人工根据输入法的不同输入方式设定不同规则，只需通过滑行轨迹的像素点坐标生成输入序列后输入深度学习模型提取候选项，无需检测滑行轨迹的拐点和依靠经验提取滑行轨迹的特征，避免了滑行轨迹复杂无法准确捕获拐点和依靠经验提取滑行轨迹特征造成准确性低的问题，提高了滑行输入的准确性。

参照图5，示出了本发明的一种滑行输入的方法实施例3的步骤流程图，具体可以包括如下步骤：

步骤301，获取用户在虚拟键盘上的滑行轨迹。

步骤302，按照预设周期，获取所述滑行轨迹的多个轨迹图片。

本发明实施例中，滑行输入的界面的完整滑行轨迹是静态的图片，是无方向性的，即不包含时间信息。

为了利用滑行轨迹上的时间信息，可以将滑行轨迹图片序列化。例如用户在虚拟键盘上开始滑行输入时，每间隔0.1s采集一张图片，用户在虚拟键盘上结束滑行输入之后，得到一个包含时间信息和滑行轨迹的图片序列，该图片序列呈现了滑行轨迹的生成过程，即该滑行轨迹是有方向性的。

步骤303，依据获取所述多个轨迹图片的顺序和所述多个轨迹图片，生成输入序列。

在得到滑行轨迹的多个轨迹图片后，可以根据轨迹图片的生成时间将多个轨迹图片进行排序，得到输入序列。

步骤304，将所述输入序列输入预先训练的深度学习模型中得到多个候选项；

在本发明实施例中，可以预先训练深度学习模型，具体而言，深度学习模型通过以下子步骤进行训练：

子步骤s31，获取训练样本，所述训练样本包括滑行轨迹数据和候选项数据；

子步骤s32，采用所述滑行轨迹数据和所述候选项数据训练深度学习模型。

其中，子步骤s32可以包括如下子步骤：

子步骤s321，随机提取轨迹图片序列；

子步骤s322，将所述轨迹图片序列输入深度学习模型中提取预测候选项；

子步骤s323，计算所述预测候选项用于确定所述目标候选项时的损失率；

子步骤s324，采用所述损失率计算梯度；

子步骤s325，判断所述梯度是否满足预设的迭代条件；

子步骤s326，结束训练所述深度学习模型；

子步骤s327，采用所述梯度与预设的学习率对所述深度学习模型的模型参数进行下降，返回执行所述随机提取轨迹图片序列的步骤。

本发明实施通过用户的历史滑行轨迹数据和候选项数据训练深度学习模型，深度学习模型可以是rnn(循环神经网络，recurrentneuralnetworks)，lstm(longshort-termmemory，长短期记忆网络)，gru(gatedrecurrentunit，门控循环单元)等，以上仅以rnn作为示例说明训练过程，具体训练过程参照实施例2，在此不再重复说明，其它深度学习模型的训练过程在此不再进行说明。

本发明实施例在通过用户的历史滑行轨迹的轨迹图片序列训练深度学习模型后，可以在有输入时输出候选项，因此可以将滑行轨迹的轨迹图片序列输入深度学习模型中，计算每个候选项的分值，该分值可以是概率，并且提取出分值大于预设阈值的多个候选项。

步骤305，展示所述多个候选项。

在实际应用中，可以按照深度学习模型计算的多个候选项的分值对多个候选项进行排序，并按照排序展示多个候选项。

本发明实施例，预先通过用户历史滑行轨迹的轨迹图片序列和该轨迹图片序列对应的目标候选项训练深度学习模型，在获取用户滑行轨迹的轨迹图片序列后输入至深度学习模型中提取多个候选项并展示多个候选项，因此，本发明实施例的滑行输入法，无需人工根据输入法的不同输入方式设定不同规则，只需通过滑行轨迹的轨迹图片生成输入序列后输入深度学习模型提取候选项，无需检测滑行轨迹的拐点和依靠经验提取滑行轨迹的特征，避免了滑行轨迹复杂无法准确捕获拐点和依靠经验提取滑行轨迹特征造成准确性低的问题，提高了滑行输入的准确性，同时，轨迹图片适用于滑行轨迹简单的场景，可以减小计算的数据量。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图6，示出了本发明一种滑行输入的装置实施例的结构框图，具体可以包括如下模块：

滑行轨迹获取模块401，用于获取用户在虚拟键盘上的滑行轨迹；

输入序列生成模块402，用于依据所述滑行轨迹，生成输入序列；

候选项获取模块403，用于将所述输入序列输入预先训练的深度学习模型中得到多个候选项；

展示模块404，用于展示所述多个候选项。

可选地，所述输入序列生成模块402包括：

像素点获取子模块，用于按照时间顺序获取所述滑行轨迹的多个像素点；或者，按照预设周期获取所述滑行轨迹的多个像素点；

坐标获取子模块，用于像素点获取所述多个像素点的坐标；

第一输入序列生成子模块，用于依据获取所述多个像素点的时间顺序和所述多个像素点的坐标，生成输入序列。

可选地，在本发明的另一实施例中，所述输入序列生成模块402包括：

轨迹图片获取子模块，用于按照预设周期，获取所述滑行轨迹的多个轨迹图片；

第二输入序列生成子模块，用于依据获取所述多个轨迹图片的顺序和所述多个轨迹图片，生成输入序列。

可选地，所述候选项获取子模块403包括：

第一模型输入子模块，用于将所述多个像素点的坐标输入预先训练的深度学习模型中得到多个候选项。

可选地，所述候选项获取子模块403包括：

第二模型输入子模块，用于将所述多个轨迹图片输入预先训练的深度学习模型中得到多个候选项。

可选地，所述多个候选项具有分值，所述展示模块404包括：

分值获取子模块，用于获取所述多个候选项的分值；

排序子模块，用于按照所述分值对所述多个候选项进行排序；

展示子模块，用于按照所述排序展示所述多个候选项。

可选地，所述深度学习模型通过如下模块训练：

训练样本获取模块，用于获取训练样本，所述训练样本包括用户的滑行轨迹数据和候选项数据；

训练模块，用于采用所述滑行轨迹数据和候选项数据训练深度学习模型。

可选地，所述滑行轨迹数据包括像素点序列或者轨迹图片序列，所述候选项数据包括所述像素点序列或者轨迹图片序列对应的目标候选项，所述训练模块包括：

训练数据提取子模块，用于随机提取像素点序列或者轨迹图片序列；

提取子模块，用于将所述像素点序列或者轨迹图片序列输入深度学习模型中提取预测候选项；

损失率计算子模块，用于计算所述预测候选项用于确定所述目标候选项时的损失率；

梯度计算子模块，用于采用所述损失率计算梯度；

判断子模块，用于判断所述梯度是否满足预设的迭代条件；

结束训练子模块，用于结束训练所述深度学习模型；

模型参数调整子模块，用于采用所述梯度与预设的学习率对所述深度学习模型的模型参数进行下降，返回执行所述随机提取像素点序列或者轨迹图片序列的步骤。

可选地，所述损失率计算子模块包括：

概率计算单元，用于计算所述预测候选项属于所述目标候选项的概率；

损失率计算单元，用于采用所述概率计算所述预测候选项用于确定所述目标候选项时的损失率。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

图7是根据一示例性实施例示出的一种滑行输入的装置500的框图。例如，装置500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图7，装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(i/o)的接口512，传感器组件514，以及通信组件516。

处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理部件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。

存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件506为装置500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。

多媒体组件508包括在所述装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当设备500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(mic)，当装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。

i/o接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到设备500的打开/关闭状态，组件的相对定位，例如所述组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组514还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信部件514经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件514还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，装置500可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由装置500的处理器520执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种滑行输入的方法，所述方法包括：

获取用户在虚拟键盘上的滑行轨迹；

依据所述滑行轨迹，生成输入序列；

将所述输入序列输入预先训练的深度学习模型中得到多个候选项；

展示所述多个候选项。

可选地，所述依据所述滑行轨迹，生成输入序列的步骤包括：

按照时间顺序获取所述滑行轨迹的多个像素点；或者，按照预设周期获取所述滑行轨迹的多个像素点；

获取所述多个像素点的坐标；

依据获取所述多个像素点的时间顺序和所述多个像素点的坐标，生成输入序列。

可选地，所述依据所述滑行轨迹，生成输入序列的步骤包括：

按照预设周期，获取所述滑行轨迹的多个轨迹图片；

依据获取所述多个轨迹图片的顺序和所述多个轨迹图片，生成输入序列。

可选地，所述将所述输入序列输入预先训练的深度学习模型中得到多个候选项的步骤包括：

将所述多个像素点的坐标输入预先训练的深度学习模型中得到多个候选项。

可选地，所述将所述输入序列输入预先训练的深度学习模型中得到多个候选项的步骤包括：

将所述多个轨迹图片输入预先训练的深度学习模型中得到多个候选项。

可选地，所述多个候选项具有分值，所述展示所述多个候选项的步骤包括：

获取所述多个候选项的分值；

按照所述分值对所述多个候选项进行排序；

按照所述排序展示所述多个候选项。

可选地，所述深度学习模型通过如下方式训练：

获取训练样本，所述训练样本包括滑行轨迹数据和候选项数据；

采用所述滑行轨迹数据和所述候选项数据训练深度学习模型。

可选地，所述滑行轨迹数据包括像素点序列或者轨迹图片序列，所述候选项数据包括所述像素点序列或者轨迹图片序列对应的目标候选项，所述采用所述滑行轨迹数据和候选项数据训练深度学习模型的步骤包括：

随机提取像素点序列或者轨迹图片序列；

将所述像素点序列或者轨迹图片序列输入深度学习模型中提取预测候选项；

计算所述预测候选项用于确定所述目标候选项时的损失率；

采用所述损失率计算梯度；

判断所述梯度是否满足预设的迭代条件；

若是，则结束训练所述深度学习模型；

若否，则采用所述梯度与预设的学习率对所述深度学习模型的模型参数进行下降，返回执行所述随机提取像素点序列或者轨迹图片序列的步骤。

可选地，所述计算所述预测候选项用于确定所述目标候选项时的损失率的步骤包括：

计算所述预测候选项属于所述目标候选项的概率；

采用所述概率计算所述预测候选项用于确定所述目标候选项时的损失率。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。