本申请实施例涉及通信技术领域，尤其涉及信息判断方法、装置、存储介质及终端。
背景技术
目前，诸如智能手机、平板电脑以及笔记本电脑等终端已成为人们日常生活中必不可少的电子设备。随着终端设备不断地智能化，多数终端设备中都装载有操作系统，使得终端设备能够安装丰富多样的应用程序，满足用户不同的需求。
随着移动互联网以及移动支付的快速发展和普及，终端设备中越来越多的应用程序开发了电子红包功能，尤其是在qq、微信等即时通讯聊天的社交应用。用户可以在用户群以及其他多用户交互的场景中共同获取红包信息，然后点击红包信息来获取红包。然而，领取红包的速度直接影响用户领取红包的结果，而领取红包的结果直接影响用户体验。
技术实现要素：
本申请实施例提供信息判断方法、装置、存储介质及终端，可以准确、快速判断群信息是否为红包信息。
第一方面，本申请实施例提供了一种信息判断方法，包括：
基于不同群信息对应的交互界面图像对预设机器学习模型进行训练，生成红包信息判断模型；
当接收到预设应用程序对应的群信息时，获取所述群信息对应的交互界面图像；
将所述群信息对应的交互界面图像输入至所述红包信息判断模型中，确定所述群信息是否为红包信息。
第二方面，本申请实施例提供了一种信息判断装置，包括：
模型生成模块，用于基于不同群信息对应的交互界面图像对预设机器学习模型进行训练，生成红包信息判断模型；
图像获取模块，用于当接收到预设应用程序对应的群信息时，获取所述群信息对应的交互界面图像；
群信息判断模块，用于将所述群信息对应的交互界面图像输入至所述红包信息判断模型中，确定所述群信息是否为红包信息。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例第一方面所述的信息判断方法。
第四方面，本申请实施例提供了一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例第一方面所述的信息判断方法。
本申请实施例中提供的信息判断方案，基于不同群信息对应的交互界面图像对预设机器学习模型进行训练，生成红包信息判断模型；当接收到预设应用程序对应的群信息时，获取群信息对应的交互界面图像；将群信息对应的交互界面图像输入至红包信息判断模型中，确定群信息是否为红包信息。通过采用上述技术方案，可以通过预先训练的红包信息判断模型，准确、快速地判断的当前接收的群信息是否为红包信息，从而有利于进一步提高抢红包的速度。
附图说明
图1为本申请实施例提供的一种信息判断方法的流程示意图；
图2为本申请实施例提供的另一种信息判断方法的流程示意图；
图3为本申请实施例提供的又一种信息判断方法的流程示意图；
图4为本申请实施例提供的一种信息判断装置的结构示意图；
图5为本申请实施例提供的一种终端的结构示意图；
图6为本申请实施例提供的另一种终端的结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本申请的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1为本申请实施例提供的信息判断方法的流程示意图，该方法可以由信息判断装置执行，其中该装置可由软件和/或硬件实现，一般可集成在终端中。如图1所示，该方法包括：
步骤101、基于不同群信息对应的交互界面图像对预设机器学习模型进行训练，生成红包信息判断模型。
示例性的，本申请实施例中的终端可包括手机、平板电脑、笔记本电脑以及智能家电等终端设备。终端中装载有操作系统。
在本申请实施例中，预设机器学习模型可以包括卷积神经网络模型、决策树模型及随机森林模型等机器学习模型中的任意一种。红包信息判断模型可以是基于不同群信息对应的交互界面图像对预设机器学习模型进行训练生成的。其中，群信息对应的交互界面图像可以包括对群信息所对应的界面进行截图所得到的图像。群信息对应的信息内容可以包括图片，表情、文字、网址及红包信息，因此，群信息对应的交互界面图像中可以包括图片、表情、文字、网址及红包信息中的至少一个。可以理解的是，群信息不同，群信息对应的交互界面图像也不同。红包信息判断模型可以是对包含有红包信息的群信息对应的交互界面图像中呈现的规律生成的，可以理解的是，红包信息前后的群信息内容不同，红包信息在交互界面图像中的位置不同，交互界面图像呈现的规律不同，因此，可将不同群信息对应的交互界面图像作为训练样本集，对该训练样本集进行学习，生成红包信息判断模型。其中，红包信息判断模型可以理解为在输入群信息对应的交互界面图像后，可快速判断群信是否为红包信息的学习模型。
需要说明的是，可以是在终端侧对不同群信息对应的交互界面图像进行训练，生成红包信息判断模型，也可以在服务器侧对不同群信息对应的交互界面图像进行训练，生成红包信息判断模型。当红包信息判断模型是在服务器侧训练生成时，终端可以直接从服务器侧调用训练好的红包信息判断模型。
步骤102、当接收到预设应用程序对应的群信息时，获取所述群信息对应的交互界面图像。
在本申请实施例中，预设应用程序可以包括终端中已安装的选定的某一类型或具备某一功能的应用。例如，预设应用程序可以包括微信、支付宝及qq等具有抢/发电子红包功能的app。在预设应用程序中包含有大量的群组，在各个群组中会存在大量的各式各样的信息，也即群信息。当接收到预设应用程序对应的群信息时，获取所述群信息对应的交互界面图像。可以理解的是，当接收到预设应用程序对应的群信息时，对群信息对应的交互界面进行截图，将截图获取的图像作为群信息对应的交互界面图像。其中，所述群信息对应的交互界面图像中可以仅包括当前这一条新接收的群信息，也可以包括所述当前接收的群信息及在当前接收的这条群信息之前的交互信息，交互信息可以包括图片信息、表情信息、文字信息、网址信息及红包信息中的至少一个。
步骤103、将所述群信息对应的交互界面图像输入至所述红包信息判断模型中，确定所述群信息是否为红包信息。
在本申请实施例中，将步骤102获取的群信息对应的交互界面图像输入至红包信息判断模型中，以确定所述群信息是否为红包信息。可以理解的是，将群信对应的交互界面图像输入至红包信息判断模型后，红包信息判断模型对群信息对应的交互界面图像进行分析，根据分析结果确定所述群信息是否为红包信息。示例性的，当红包信息判断模型的输出结果为“0”时，则确定所述群信息不是红包信息；当红包信息判断模型的输出结果为“1”时，则确定所述群信息为红包信息。或者，当红包信息判断模型的输出结果为“1”时，则确定所述群信息不是红包信息；当红包信息判断模型的输出结果为“0”时，则确定所述群信息为红包信息。当然，也可以为当红包信息判断模型的输出结果为“否”时，则确定所述群信息不是红包信息；当红包信息判断模型的输出结果为“是”时，则确定所述群信息为红包信息。本申请实施例对红包信息判断模型输出结果的表现形式不做限定。
本申请实施例中提供的信息判断方法，基于不同群信息对应的交互界面图像对预设机器学习模型进行训练，生成红包信息判断模型，当接收到预设应用程序对应的群信息时，获取群信息对应的交互界面图像，并将群信息对应的交互界面图像输入至红包信息判断模型中，确定群信息是否为红包信息。通过采用上述技术方案，可以通过预先训练的红包信息判断模型，准确、快速地判断的当前接收的群信息是否为红包信息，当确定当前接收的群信息为红包信息时，有利于进一步提高抢红包的速度。
在一些实施例中，不同群信息对应的交互界面图像，包括：第一样本交互界面图像和第二样本交互界面图像，所述第一样本交互界面图像中包括新收红包信息的交互界面图像，所述第二样本交互界面图像中包括已拆红包对应的红包信息的交互界面图像和/或无红包信息的交互界面图像。这样设置的好处在于，可以丰富红包信息判断模型的训练样本集，提高红包信息判断模型训练的精度。
在本申请实施例中，将包含有新收红包信息的交互界面图像作为第一样本交互图像，将包含有已拆红包对应的红包信息的交互界面图像和/或无红包信息的交互界面图像作为第二样本交互图像。示例性的，不同群信息对应的交互界面图像中，包括5000张第一样本交互界面图像，3000张包含有已拆红包对应的红包信息的第二样本交互界面图像，以及3000张无红包信息的第二样本交互界面图像。需要说明的是，本申请实施例对第一样本交互界面图像和第二样本交互界面图像的具体数量不做限定。在本申请实施例中，使不同群信息对应的交互界面图像中包含第一样本交互界面图像和第二样本交互界面图像，不仅能够对红包信息在群信息对应的交互界面图像中呈现的规律进行学习，还能够有效防止红包信息判断模型训练过程中过拟合的情况发生，同时还可以进一步提高红包信息判断模型的精度，可以提高对群信息是否为红包信息判断的准确性。
在一些实施例中，基于不同群信息对应的交互界面图像对预设机器学习模型进行训练，生成红包信息判断模型，包括：基于第一样本标记对第一样本交互界面图像进行标记，并基于第二样本标记对所述第二样本交互界面图像进行标记，得到训练样本集；基于所述训练样本集对预设机器学习模型进行训练，生成红包信息判断模型。这样设置的好处在于，基于不同的样本标记对第一样本交互界面图像和第二样本交互界面图像进行标记，可以大大提供对红包信息判断的准确性。
示例性的，将“1”作为第一样本标记，即用“1”对第一样本交互界面图像进行标记，也即将第一样本交互界面图像标记为“1”；将“0”作为第二样本标记，即用“0”对第二样本交互界面图像进行标记，也即将第二样本交互界面图像标记为“0”。可选的，也可以将“0”作为第一样本标记，即用“0”对第一样本交互界面图像进行标记，也即将第一样本交互界面图像标记为“0”；将“1”作为第二样本标记，即用“1”对第二样本交互界面图像进行标记，也即将第二样本交互界面图像标记为“1”。需要说明的是，本申请实施例对第一样本标记及第二样本标记的具体表现形式不作限定。可以理解的是，将标记后的第一样本交互界面图像和标记后的第二样本交互界面图像作为训练样本集，利用该训练样本集对预设机器学习模型进行训练，生成红包信息判断模型。
在一些实施例中，在确定所述群信息是否为红包信息之后，还包括：当确定所述群信息为红包信息时，通过预设方式对用户进行提示，和/或对系统资源进行优化以提升所述系统资源对所述红包信息的响应速度。这样设置的好处在于，可以有效提高抢红包的速度，进一步提升用户体验。
在本申请实施例中，当通过红包信息判断模型确定出所述群信息为红包信息时，可以通过预设方式对用户进行提示，和/或对系统资源进行优化以提升所述系统资源对所述红包信息的响应速度。示例性的，通过预设方式对用户进行提示，可以包括：将所述红包信息对应的交互界面显示为预设颜色；或者，通过语音播报的形式对用户进行提示；或者，在预设窗口以文字的形式对用户进行提示。这样可以及时提醒用户抢红包，提高用户抢中红包的概率。当然，还可以将终端设置为预设的震动方式来提醒用户，尤其是针对用户走神或忙于其他事务时的情形，可以有效避免用户错失红包的情况发生。示例性的，对系统资源进行优化可以包括：提升cpu或gpu对应的性能参数，其中，所述性能参数包括核心数及运行频率；或者，提升网络资源对应的运行速度。这样可以有效缩短用户抢红包的操作时间，提高终端对红包信息的处理速度，可以有效提升用户抢中红包的概率。
在一些实施例中，当确定所述群信息为红包信息时，对系统资源进行优化以提升所述系统资源对所述红包信息的响应速度，包括：当确定所述群信息为红包信息时，获取所述群信息接收时刻对应的时间信息；当所述时间信息满足预设时间条件时，对系统资源进行优化以提升所述系统资源对所述红包信息的响应速度。可以理解的是，如果每当确定群信息为红包信息时，就对系统资源进行优化，这样虽然可以提升抢中红包的概率，同时，也会大大增加终端的功耗，影响用户对终端正常使用时长。尤其是，在日常生活中，即使有红包信息，红包信息对应的红包金额也较小，会严重影响用户体验。因此，当确定群信息为红包信息时，获取群信息接收时刻对应的时间信息，当时间信息满足预设条件时，对系统资源进行优化。其中，时间信息可以以时间戳的形式体现，可以包括具体的时间点信息，还可以包括具体的日期类别，如具体的年月日，具体是否为工作日或是节假日。例如，当确定群信息接收时刻为节假日，如除夕时，可以对系统资源进行优化以提升所述系统资源对红包信息的响应速度。可以理解的是，一般在节假日和一些特殊的日期，经常会出现收发红包的高峰期，而且红包金额通常较大，如在除夕0点，此时，对系统资源进行优化，可以大大提升用户体验。这样设置的好处在于，可以有针对性的系统资源进行优化，既可以提升用户抢中红包的概率，又可以适当降低终端功耗，提升用户体验。
可选的，在对系统资源进行优化之后，还包括：获取所述红包消息对应的交互界面的变化信息，并根据所述交互界面的变化信息判断抢红包操作是否已完成，若是，则将系统资源恢复至优化前的状态。这样可以有效降低终端功耗。
在确定所述群信息是否为红包信息之后，还包括：接收用户对所述群信息的判断结果是否准确的反馈信息；将所述反馈信息对应的群信息的交互界面图像发送至所述红包信息判断模型进行训练。这样设置的好处在于，通过用户对群信息的判断结果是否准确的反馈信息，并将反馈信息对应的群信息的交互界面图像发送至红包信息判断模型进行训练，可以随时根据用户的反馈信息调整红包信息判断模型的网络参数，能够及时降低群信息误判断情况发生的概率。
其中，反馈信息可以理解为用户对红包信息判断模型输出的群信息的判断结果是否正确的修正信息或者评判信息。示例性的，可以在终端设备的人机交互界面中设置对红包信息判断模型输出的群信息判断结果的修正选项或评判选项。其中，修正选项可以包括“是”和“否”两个选项，当修正选项为“是”时，表示用户对红包信息判断模型输出的群信息是否为红包信息的判断结果是认可的，而当修正选项为“否”时，表示用户对红包信息判断模型输出的群信息是否为红包信息的判断结果不认可。评判选项可以包括“正确”和“不正确”两个选项，当评判选项为“正确”时，即接收到用户输入“正确”的评判指令时，表示用户对红包信息判断模型输出的群信息是否为红包信息的判断结果是认可的，也即红包信息判断模型输出的群信息是否为红包信息的判断结果是正确的。而当评判选项为“不正确”时，即接收到用户输入的“不正确”的评判指令时，表示用户对红包信息判断模型输出的群信息是否为红包信息的判断结果是不认可的，也即红包信息判断模型输出的群信息是否为红包信息的判断结果是错误的。本申请实施例对接收用户对处理方式的反馈信息的具体形式不作限定。终端接收用户对红包信息判断模型输出的群信息的判断结果是否准确的反馈信息，并将对应的群信息的交互界面图像发送至所述红包信息判断模型进行训练，以对红包信息判断模型的网络参数进行适应性调整。
在一些实施例中，在当接收到预设应用程序对应的群信息时，获取所述群信息对应的交互界面图像之前，还包括：当检测到红包信息预测事件被触发时，获取所述预设应用程序对应的当前文本交互信息；将所述当前文本交互信息输入至所述红包信息预测模型中，预测是否即将出现红包信息；其中，所述红包信息预测模型对基于不同的文本交互信息样本进行训练生成；相应的，当接收到预设应用程序对应的群信息时，获取所述群信息对应的交互界面图像，包括：若预测出即将出现红包信息，则当接收到预设应用程序对应的群信息时，获取所述群信息对应的交互界面图像。这样设置的好处在于，可以事先通过红包信息预测模型对当前文本交互信息进行分析，预测是否即将出现红包信息，当预测出即将出现红包信息时，再通过红包信息判断模型进一步判断新接收到的群信息是否为红包信息，可以进一步提高新接收的群信息为红包信息时，红包信息的响应速度及用户抢中红包的概率。
在本申请实施例中，红包信息预测事件的触发条件可以根据实际情况设置，本申请实施例不作具体限定。例如，可以在检测到用户的动作满足预设条件(如进入终端的中预设应用程序、用户输入预设滑动手势，如用户输入“$”标识符等)时，触发红包信息预测事件；或者可以在检测到用户触发某一物理按键时，触发红包信息预测事件。当红包信息预测事件被触发后，系统可以通过读取标志位或接收触发指令等方式检测到红包信息预测事件已被触发，具体的检测方式本申请实施例也不做限定。
示例性的，预设应用程序对应的当前文本交互信息可以理解为从预设应用程序对应的当前群信息中提取的只包含文本信息的文本交互信息。其中，当前文本交互信息可以只包含刚刚接收到的一条文本信息，也可以包含预设数量的文本交互信息，还可以包括从当前时刻向前追溯预设时长的文本交互信息，当然，还可以包括预设应用程序对应的所有的文本交互信息。甚至，当前文本交互信息还可以为空，即当预设应用程序对应的群信息中不包含文本信息，如群信息只涉及表情信息或图片信息时，获取的当前交互信息为空；又如，当预设应用程序对应的群组中还没开始进行群信息交互时，预设应用程序对应的当前文本交互信息也为空。需要说明的是，本申请实施例对当前文本交互信息包含的具体文本信息的数量不做限定。
在本申请实施例中，将获取的预设应用程序对应的当前文本交互信息输入至红包信息预测模型中，以预测是否即将出现红包信息。可以理解的是，将当前文本交互信息输入至红包信息预测模型后，红包信息预测模型对当前文本交互信息进行分析，并根据分析结果预测是否即将出现红包信息。示例性的，当红包信息预测模型的输出结果为“0”时，则确定不会即将出现红包信息；当红包信息预测模型的输出结果为“1”时，则确定即将出现红包信息。或者，当红包信息预测模型的输出结果为“1”时，则确定不会即将出现红包信息；当红包信息预测模型的输出结果为“0”时，则确定即将出现红包信息。当然，也可以为当红包信息预测模型的输出结果为“否”时，则确定不会即将出现红包信息；当红包信息预测模型的输出结果为“是”时，则确定即将出现红包信息。本申请实施例对红包信息预测模型输出结果的表现形式不做限定。
在本申请实施例中，红包信息预测模型可以是基于不同的文本交互信息样本对第二预设机器学习模型进行训练生成的。在本申请实施例中，第二预设机器学习模型可以包括循环神经网络模型(recurrentneuralnetworks,rnn)、长短期记忆(longshort-termmemory,lstm)网络、门限循环单元及简单循环单元等机器学习模型中的任意一种。其中，不同的文本交互信息样本可以包括获取的不同用户群体的不同群组的聊天记录，并从所述聊天记录中提取的文本交互信息。可以理解的是，不同群组的聊天记录，也即群信息对应的信息内容可以包括图片，表情、文本、网址及红包信息，因此，从不同群组的聊天记录中提取只包含文本信息的文本交互信息作为文本交互信息样本。示例性的，收集500个用户的微信聊天记录中的文本交互信息2万份，并将这2万份文本交互信息作为训练红包信息预测模型的文本交互信息样本。红包信息预测模型可以是对即将出现红包信息对应的文本交互信息样本呈现的规律生成的，例如，出现红包信息对应的文本交互信息中会出现大于预设数量(如n)个“红”关键字。可以理解的是，红包信息出现前的文本交互信息与没有红包信息对应的文本交互信息呈现的特征规律不同，因此，可将不同的文本交互信息样本作为训练样本集，对该训练样本集进行学习，生成红包信息预测模型。其中，红包信息预测模型可以理解为在输入文本交互信息后，可快速预测出是否即将出现红包信息的学习模型。
图2为本申请实施例提供的信息判断方法的流程示意图。如图2所示，该方法包括：
步骤201、获取第一样本交互界面图像和第二样本交互界面图像。
其中，第一样本交互界面图像中包括新收红包信息的交互界面图像，第二样本交互界面图像中包括已拆红包对应的红包信息的交互界面图像和/或无红包信息的交互界面图像。
步骤202、基于第一样本标记对第一样本交互界面图像进行标记，并基于第二样本标记对第二样本交互界面图像进行标记，得到训练样本集。
步骤203、基于训练样本集对预设机器学习模型进行训练，生成红包信息判断模型。
步骤204、当接收到预设应用程序对应的群信息时，获取群信息对应的交互界面图像。
步骤205、将群信息对应的交互界面图像输入至红包信息判断模型中，确定群信息是否为红包信息。
步骤206、当确定群信息为红包信息时，通过预设方式对用户进行提示，和/或对系统资源进行优化以提升系统资源对红包信息的响应速度。
步骤207、接收用户对群信息的判断结果是否准确的反馈信息。
步骤208、将反馈信息对应的群信息的交互界面图像发送至红包信息判断模型进行训练。
本申请实施例中提供的信息判断方法，基于第一样本标记对第一样本交互界面图像进行标记，并基于第二样本标记对第二样本交互界面图像进行标记，得到训练样本集，并基于训练样本集对预设机器学习模型进行训练，生成红包信息判断模型，当接收到预设应用程序对应的群信息时，将群信息对应的交互界面图像输入至红包信息判断模型中，确定群信息是否为红包信息，可以通过预先训练的红包信息判断模型，准确、快速地判断的当前接收的群信息是否为红包信息。并当确定群信息为红包信息时，通过预设方式对用户进行提示，并当群信息接收时刻对应的时间信息满足预设时间条件时，对系统资源进行优化以提升系统资源对红包信息的响应速度，可以大大提高用户抢中红包的概率，提升用户体验。
图3为本申请实施例提供的信息判断方法的流程示意图。如图3所示，该方法包括：
步骤301、获取第一样本交互界面图像和第二样本交互界面图像。
其中，第一样本交互界面图像中包括新收红包信息的交互界面图像，第二样本交互界面图像中包括已拆红包对应的红包信息的交互界面图像和/或无红包信息的交互界面图像。
步骤302、基于第一样本标记对第一样本交互界面图像进行标记，并基于第二样本标记对第二样本交互界面图像进行标记，得到训练样本集。
步骤303、基于训练样本集对预设机器学习模型进行训练，生成红包信息判断模型。
步骤304、当检测到红包信息预测事件被触发时，获取预设应用程序对应的当前文本交互信息。
步骤305、将当前文本交互信息输入至红包信息预测模型中，预测是否即将出现红包信息。
其中，红包信息预测模型对基于不同的文本交互信息样本进行训练生成；
步骤306、若预测出即将出现红包信息，则当接收到预设应用程序对应的群信息时，获取群信息对应的交互界面图像。
步骤307、将群信息对应的交互界面图像输入至红包信息判断模型中，确定群信息是否为红包信息。
步骤308、当确定群信息为红包信息时，通过预设方式对用户进行提示，并获取所述群信息接收时刻对应的时间信息。
步骤309、当时间信息满足预设时间条件时，对系统资源进行优化以提升系统资源对红包信息的响应速度。
步骤310、接收用户对群信息的判断结果是否准确的反馈信息。
步骤311、将反馈信息对应的群信息的交互界面图像发送至红包信息判断模型进行训练。
本申请实施例中提供的信息判断方法，当检测到红包信息预测事件被触发时，获取预设应用程序对应的当前文本交互信息，并将当前文本交互信息输入至红包信息预测模型中，预测是否即将出现红包信息，其中，红包信息预测模型对基于不同的文本交互信息样本进行训练生成，若预测出即将出现红包信息，则当接收到预设应用程序对应的群信息时，进一步通过红包信息判断模型判断群信息是否为红包信息，可以进一步提高新接收的群信息为红包信息时，红包信息的响应速度及用户抢中红包的概率。
图4为本申请实施例提供的一种信息判断装置的结构示意图，该装置可由软件和/或硬件实现，一般集成在终端中，可通过执行信息判断方法来对群信息是否为红包信息进行判断。如图4所示，该装置包括：
模型生成模块401，用于基于不同群信息对应的交互界面图像对预设机器学习模型进行训练，生成红包信息判断模型；
图像获取模块402，用于当接收到预设应用程序对应的群信息时，获取所述群信息对应的交互界面图像；
群信息判断模块403，用于将所述群信息对应的交互界面图像输入至所述红包信息判断模型中，确定所述群信息是否为红包信息。
本申请实施例中提供的信息判断装置，基于不同群信息对应的交互界面图像对预设机器学习模型进行训练，生成红包信息判断模型，当接收到预设应用程序对应的群信息时，获取群信息对应的交互界面图像，并将群信息对应的交互界面图像输入至红包信息判断模型中，确定群信息是否为红包信息。通过采用上述技术方案，可以通过预先训练的红包信息判断模型，准确、快速地判断的当前接收的群信息是否为红包信息，当确定当前接收的群信息为红包信息时，有利于进一步提高抢红包的速度。
可选的，所述交互界面图像中包括图片、表情、文字、网址及红包信息中的至少一个。
可选的，所述不同群信息对应的交互界面图像，包括：
第一样本交互界面图像和第二样本交互界面图像，所述第一样本交互界面图像中包括新收红包信息的交互界面图像，所述第二样本交互界面图像中包括已拆红包对应的红包信息的交互界面图像和/或无红包信息的交互界面图像。
可选的，所述模型生成模块，包括：
基于第一样本标记对第一样本交互界面图像进行标记，并基于第二样本标记对所述第二样本交互界面图像进行标记，得到训练样本集；
基于所述训练样本集对预设机器学习模型进行训练，生成红包信息判断模型。
可选的，该装置还包括：
优化模块，用于在确定所述群信息是否为红包信息之后，当确定所述群信息为红包信息时，通过预设方式对用户进行提示，和/或对系统资源进行优化以提升所述系统资源对所述红包信息的响应速度。
可选的，当确定所述群信息为红包信息时，对系统资源进行优化以提升所述系统资源对所述红包信息的响应速度，包括：
当确定所述群信息为红包信息时，获取所述群信息接收时刻对应的时间信息；
当所述时间信息满足预设时间条件时，对系统资源进行优化以提升所述系统资源对所述红包信息的响应速度。
可选的，在确定所述群信息是否为红包信息之后，还包括：
接收用户对所述群信息的判断结果是否准确的反馈信息；
将所述反馈信息对应的群信息的交互界面图像发送至所述红包信息判断模型进行训练。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行信息判断方法，该方法包括：
基于不同群信息对应的交互界面图像对预设机器学习模型进行训练，生成红包信息判断模型；
当接收到预设应用程序对应的群信息时，获取所述群信息对应的交互界面图像；
将所述群信息对应的交互界面图像输入至所述红包信息判断模型中，确定所述群信息是否为红包信息。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddrram、sram、edoram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的信息判断操作，还可以执行本申请任意实施例所提供的信息判断方法中的相关操作。
本申请实施例提供了一种终端，该终端中可集成本申请实施例提供的信息判断装置。图5为本申请实施例提供的一种终端的结构示意图。终端500可以包括：存储器501，处理器502及存储在存储器上并可在处理器运行的计算机程序，所述处理器502执行所述计算机程序时实现如本申请实施例所述的信息判断方法。
本申请实施例提供的终端，可以通过预先训练的红包信息判断模型，准确、快速地判断的当前接收的群信息是否为红包信息，当确定当前接收的群信息为红包信息时，有利于进一步提高抢红包的速度。
图6为本申请实施例提供的另一种终端的结构示意图，该终端可以包括：壳体(图中未示出)、存储器601、中央处理器(centralprocessingunit，cpu)602(又称处理器，以下简称cpu)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部；所述cpu602和所述存储器601设置在所述电路板上；所述电源电路，用于为所述终端的各个电路或器件供电；所述存储器601，用于存储可执行程序代码；所述cpu602通过读取所述存储器601中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现以下步骤：
基于不同群信息对应的交互界面图像对预设机器学习模型进行训练，生成红包信息判断模型；
当接收到预设应用程序对应的群信息时，获取所述群信息对应的交互界面图像；
将所述群信息对应的交互界面图像输入至所述红包信息判断模型中，确定所述群信息是否为红包信息。
所述终端还包括：外设接口603、rf(radiofrequency，射频)电路605、音频电路606、扬声器611、电源管理芯片608、输入/输出(i/o)子系统609、其他输入/控制设备610、触摸屏612、其他输入/控制设备610以及外部端口604，这些部件通过一个或多个通信总线或信号线607来通信。
应该理解的是，图示终端600仅仅是终端的一个范例，并且终端600可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的用于信息判断的终端进行详细的描述，该终端以手机为例。
存储器601，所述存储器601可以被cpu602、外设接口603等访问，所述存储器601可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口603，所述外设接口603可以将设备的输入和输出外设连接到cpu602和存储器601。
i/o子系统609，所述i/o子系统609可以将设备上的输入输出外设，例如触摸屏612和其他输入/控制设备610，连接到外设接口603。i/o子系统609可以包括显示控制器6091和用于控制其他输入/控制设备610的一个或多个输入控制器6092。其中，一个或多个输入控制器6092从其他输入/控制设备610接收电信号或者向其他输入/控制设备610发送电信号，其他输入/控制设备610可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器6092可以与以下任一个连接：键盘、红外端口、usb接口以及诸如鼠标的指示设备。
触摸屏612，所述触摸屏612是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。
i/o子系统609中的显示控制器6091从触摸屏612接收电信号或者向触摸屏612发送电信号。触摸屏612检测触摸屏上的接触，显示控制器6091将检测到的接触转换为与显示在触摸屏612上的用户界面对象的交互，即实现人机交互，显示在触摸屏612上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。
rf电路605，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，rf电路605接收并发送rf信号，rf信号也称为电磁信号，rf电路605将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。rf电路605可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、rf收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、codec(coder-decoder，编译码器)芯片组、用户标识模块(subscriberidentitymodule，sim)等等。
音频电路606，主要用于从外设接口603接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器611。
扬声器611，用于将手机通过rf电路605从无线网络接收的语音信号，还原为声音并向用户播放该声音。
电源管理芯片608，用于为cpu602、i/o子系统及外设接口所连接的硬件进行供电及电源管理。
上述实施例中提供的信息判断装置、存储介质及终端可执行本申请任意实施例所提供的信息判断方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的信息判断方法。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。