表情回复方法、装置、设备及存储介质

摘要

本发明涉及人工智能，提供一种表情回复方法、装置、设备及存储介质。该方法能够获取待回复信息，根据待回复信息生成信息向量，将信息向量输入至分类模型中，得到分类结果及结果概率，若分类结果为目标结果，检测待回复信息中是否包含用户表情信息，得到检测结果，根据结果概率及检测结果生成回复分数，若回复分数大于预设阈值，提取待回复信息的特征信息，对特征信息进行情感识别，得到情感结果，对特征信息进行意图识别，得到意图结果，根据情感结果及意图结果从预设表情库中选取匹配的表情作为待回复信息的回复表情。本发明能够准确使用表情回复用户信息。此外，本发明还涉及区块链技术，所述回复表情可存储于区块链中。

权利要求

1.一种表情回复方法，其特征在于，所述表情回复方法包括：当接收到回复请求时，根据所述回复请求获取待回复信息；

根据所述待回复信息生成信息向量；

将所述信息向量输入至预先训练好的分类模型中，得到分类结果及所述分类结果的结果概率，所述分类结果包括目标结果，所述目标结果用于指示需要回复表情；

若所述分类结果为所述目标结果，检测所述待回复信息中是否包含用户表情信息，得到检测结果；

根据所述结果概率及所述检测结果生成回复分数；

若所述回复分数大于预设阈值，提取所述待回复信息的特征信息；

对所述特征信息进行情感识别，得到情感结果，并对所述特征信息进行意图识别，得到意图结果；

根据所述情感结果及所述意图结果从预设表情库中选取匹配的表情作为所述待回复信息的回复表情。

2.如权利要求1所述的表情回复方法，其特征在于，所述根据所述待回复信息生成信息向量包括：

提取所述待回复信息中的目标图像，并获取所述目标图像中的所有像素；

根据所述所有像素生成所述目标图像的图像向量；

将所述待回复信息中除所述目标图像外的信息确定为待处理信息；

过滤所述待处理信息中的停用词，得到已处理信息；

对所述已处理信息进行分词处理，得到信息分词，并获取所述信息分词的分词向量；

确定所述目标图像在所述待回复信息中的图像位置，并确定所述信息分词在所述待回复信息中的分词位置；

根据所述图像位置及所述分词位置拼接所述图像向量及所述分词向量，得到所述信息向量。

3.如权利要求2所述的表情回复方法，其特征在于，所述检测所述待回复信息中是否包含用户表情信息，得到检测结果包括：获取所述目标图像的输入地址；

将与所述输入地址对应的终端确定为所述目标图像的输入终端，并获取所述输入终端的终端编号；

将所述终端编号与预设终端库中所有机器编号进行比较；

若所述终端编号与所述所有机器编号均不相同，将所述检测结果确定为所述待回复信息中包含所述用户表情信息。

4.如权利要求2所述的表情回复方法，其特征在于，所述提取所述待回复信息的特征信息包括：

根据所述分词向量生成每个信息分词的上下文特征向量集；

计算所述上下文特征向量集中每个分词向量与第一预设矩阵的乘积，得到所述信息分词的多个运算向量，并计算所述多个运算向量的平均值，得到所述信息分词的中间向量；

将所述中间向量点乘第二预设矩阵，得到目标矩阵，所述目标矩阵中每列向量表征所述待回复信息的每个特征；

计算所述目标矩阵中每列向量与所述分词向量的相似度；

将所述相似度最大的分词向量对应的信息分词及所述目标图像确定为所述特征信息。

5.如权利要求2所述的表情回复方法，其特征在于，所述对所述特征信息进行意图识别，得到意图结果包括：

从所述分词向量中获取所述特征信息的向量作为特征向量；

将所述特征向量输入至预先训练好的双向长短期记忆网络中，得到语义向量；

利用层叠条件随机场对所述语义向量进行处理，得到所述意图结果。

6.如权利要求1所述的表情回复方法，其特征在于，在将所述信息向量输入至预先训练好的分类模型中之前，所述方法还包括：获取预设学习器，所述预设学习器中包括全连接层；

获取历史样本数据，所述历史样本数据中包括历史消息、用户满意度；

将所述历史样本数据划分为训练数据及验证数据；

利用所述训练数据调整所述全连接层中的参数，得到分类学习器；

基于所述验证数据确定所述分类学习器的准确率；

若所述准确率小于预设准确度，根据所述验证数据调整所述分类学习器，直至所述分类学习器的准确率大于或者等于所述预设准确度，得到所述分类模型。

7.如权利要求1所述的表情回复方法，其特征在于，所述根据所述结果概率及所述检测结果生成回复分数包括：

获取所述分类模型的第一权值；

将所述结果概率及所述第一权值的乘积确定为所述待回复信息的第一分数；

获取与所述检测结果对应的检测值，并获取所述用户表情信息的第二权值；

将所述检测值及所述第二权值的乘积确定为所述待回复信息的第二分数；

计算所述第一分数与所述第二分数的总和，得到所述回复分数。

8.一种表情回复装置，其特征在于，所述表情回复装置包括：获取单元，用于当接收到回复请求时，根据所述回复请求获取待回复信息；

生成单元，用于根据所述待回复信息生成信息向量；

输入单元，用于将所述信息向量输入至预先训练好的分类模型中，得到分类结果及所述分类结果的结果概率，所述分类结果包括目标结果，所述目标结果用于指示需要回复表情；

检测单元，用于若所述分类结果为所述目标结果，检测所述待回复信息中是否包含用户表情信息，得到检测结果；

所述生成单元，还用于根据所述结果概率及所述检测结果生成回复分数；

提取单元，用于若所述回复分数大于预设阈值，提取所述待回复信息的特征信息；

识别单元，用于对所述特征信息进行情感识别，得到情感结果，并对所述特征信息进行意图识别，得到意图结果；

选取单元，用于根据所述情感结果及所述意图结果从预设表情库中选取匹配的表情作为所述待回复信息的回复表情。

9.一种电子设备，其特征在于，所述电子设备包括：存储器，存储有计算机可读指令；及处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的表情回复方法。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的表情回复方法。

说明书

表情回复方法、装置、设备及存储介质

技术领域

[0001] 本发明涉及人工智能技术领域，尤其涉及一种表情回复方法、装置、设备及存储介质。

背景技术

[0002] 在社交网络应用中，使用表情包能够丰富人们日常情感的表达，为此，在聊天机器人当中加入了表情包的使用，然而，目前聊天机器人在使用聊天表情进行回复时，由于无法
准确分析出用户的聊天情感，进而无法准确地确定出是否应当使用表情包回复当前用户问
题，同时也无法准确地确定出应当使用的表情包，导致无法准确使用表情回复用户信息。

发明内容

[0003] 鉴于以上内容，有必要提供一种表情回复方法、装置、设备及存储介质，能够准确使用表情回复用户信息。

[0004] 一方面，本发明提出一种表情回复方法，所述表情回复方法包括：

[0005] 当接收到回复请求时，根据所述回复请求获取待回复信息；

[0006] 根据所述待回复信息生成信息向量；

[0007] 将所述信息向量输入至预先训练好的分类模型中，得到分类结果及所述分类结果的结果概率，所述分类结果包括目标结果，所述目标结果用于指示需要回复表情；

[0008] 若所述分类结果为所述目标结果，检测所述待回复信息中是否包含用户表情信息，得到检测结果；

[0009] 根据所述结果概率及所述检测结果生成回复分数；

[0010] 若所述回复分数大于预设阈值，提取所述待回复信息的特征信息；

[0011] 对所述特征信息进行情感识别，得到情感结果，并对所述特征信息进行意图识别，得到意图结果；

[0012] 根据所述情感结果及所述意图结果从预设表情库中选取匹配的表情作为所述待回复信息的回复表情。

[0013] 根据本发明优选实施例，所述根据所述待回复信息生成信息向量包括：

[0014] 提取所述待回复信息中的目标图像，并获取所述目标图像中的所有像素；

[0015] 根据所述所有像素生成所述目标图像的图像向量；

[0016] 将所述待回复信息中除所述目标图像外的信息确定为待处理信息；

[0017] 过滤所述待处理信息中的停用词，得到已处理信息；

[0018] 对所述已处理信息进行分词处理，得到信息分词，并获取所述信息分词的分词向量；

[0019] 确定所述目标图像在所述待回复信息中的图像位置，并确定所述信息分词在所述待回复信息中的分词位置；

[0020] 根据所述图像位置及所述分词位置拼接所述图像向量及所述分词向量，得到所述信息向量。

[0021] 根据本发明优选实施例，所述检测所述待回复信息中是否包含用户表情信息，得到检测结果包括：

[0022] 获取所述目标图像的输入地址；

[0023] 将与所述输入地址对应的终端确定为所述目标图像的输入终端，并获取所述输入终端的终端编号；

[0024] 将所述终端编号与预设终端库中所有机器编号进行比较；

[0025] 若所述终端编号与所述所有机器编号均不相同，将所述检测结果确定为所述待回复信息中包含所述用户表情信息。

[0026] 根据本发明优选实施例，所述提取所述待回复信息的特征信息包括：

[0027] 根据所述分词向量生成每个信息分词的上下文特征向量集；

[0028] 计算所述上下文特征向量集中每个分词向量与第一预设矩阵的乘积，得到所述信息分词的多个运算向量，并计算所述多个运算向量的平均值，得到所述信息分词的中间向
量；

[0029] 将所述中间向量点乘第二预设矩阵，得到目标矩阵，所述目标矩阵中每列向量表征所述待回复信息的每个特征；

[0030] 计算所述目标矩阵中每列向量与所述分词向量的相似度；

[0031] 将所述相似度最大的分词向量对应的信息分词及所述目标图像确定为所述特征信息。

[0032] 根据本发明优选实施例，所述对所述特征信息进行意图识别，得到意图结果包括：

[0033] 从所述分词向量中获取所述特征信息的向量作为特征向量；

[0034] 将所述特征向量输入至预先训练好的双向长短期记忆网络中，得到语义向量；

[0035] 利用层叠条件随机场对所述语义向量进行处理，得到所述意图结果。

[0036] 根据本发明优选实施例，在将所述信息向量输入至预先训练好的分类模型中之前，所述方法还包括：

[0037] 获取预设学习器，所述预设学习器中包括全连接层；

[0038] 获取历史样本数据，所述历史样本数据中包括历史消息、用户满意度；

[0039] 将所述历史样本数据划分为训练数据及验证数据；

[0040] 利用所述训练数据调整所述全连接层中的参数，得到分类学习器；

[0041] 基于所述验证数据确定所述分类学习器的准确率；

[0042] 若所述准确率小于预设准确度，根据所述验证数据调整所述分类学习器，直至所述分类学习器的准确率大于或者等于所述预设准确度，得到所述分类模型。

[0043] 根据本发明优选实施例，所述根据所述结果概率及所述检测结果生成回复分数包括：

[0044] 获取所述分类模型的第一权值；

[0045] 将所述结果概率及所述第一权值的乘积确定为所述待回复信息的第一分数；

[0046] 获取与所述检测结果对应的检测值，并获取所述用户表情信息的第二权值；

[0047] 将所述检测值及所述第二权值的乘积确定为所述待回复信息的第二分数；

[0048] 计算所述第一分数与所述第二分数的总和，得到所述回复分数。

[0049] 另一方面，本发明还提出一种表情回复装置，所述表情回复装置包括：

[0050] 获取单元，用于当接收到回复请求时，根据所述回复请求获取待回复信息；

[0051] 生成单元，用于根据所述待回复信息生成信息向量；

[0052] 输入单元，用于将所述信息向量输入至预先训练好的分类模型中，得到分类结果及所述分类结果的结果概率，所述分类结果包括目标结果，所述目标结果用于指示需要回
复表情；

[0053] 检测单元，用于若所述分类结果为所述目标结果，检测所述待回复信息中是否包含用户表情信息，得到检测结果；

[0054] 所述生成单元，还用于根据所述结果概率及所述检测结果生成回复分数；

[0055] 提取单元，用于若所述回复分数大于预设阈值，提取所述待回复信息的特征信息；

[0056] 识别单元，用于对所述特征信息进行情感识别，得到情感结果，并对所述特征信息进行意图识别，得到意图结果；

[0057] 选取单元，用于根据所述情感结果及所述意图结果从预设表情库中选取匹配的表情作为所述待回复信息的回复表情。

[0058] 另一方面，本发明还提出一种电子设备，所述电子设备包括：

[0059] 存储器，存储计算机可读指令；及

[0060] 处理器，执行所述存储器中存储的计算机可读指令以实现所述表情回复方法。

[0061] 另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述表情
回复方法。

[0062] 由以上技术方案可以看出，本发明通过所述分类模型，分析所述待回复信息以及检测所述待回复信息中是否包含用户表情信息，进而根据所述结果概率及所述检测结果生
成的回复分数与预设阈值进行比较，以确定所述待回复信息中是否需要回复表情，由于从
多个维度对所述待回复信息分析，以及每个维度对应有不同的权值，因此能够提高是否需
要回复表情的确定准确率，进而在所述回复分数大于所述预设阈值时，分析所述待回复信
息中的情感及意图，能够准确选取出与所述情感结果及所述意图结果匹配的表情。

附图说明

[0063] 图1是本发明表情回复方法的较佳实施例的流程图。

[0064] 图2是本发明表情回复装置的较佳实施例的功能模块图。

[0065] 图3是本发明实现表情回复方法的较佳实施例的电子设备的结构示意图。

具体实施方式

[0066] 为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

[0067] 如图1所示，是本发明表情回复方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

[0068] 所述表情回复方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包
括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，
ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器
(Digital Signal Processor，DSP)、嵌入式设备等。

[0069] 所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、游戏机、交
互式网络电视（Internet Protocol Television，IPTV）、智能穿戴式设备等。

[0070] 所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算（Cloud 
Computing）的由大量主机或网络电子设备构成的云。

[0071] 所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络（Virtual Private Network，VPN）等。

[0072] S10，当接收到回复请求时，根据所述回复请求获取待回复信息。

[0073] 在本发明的至少一个实施例中，所述回复请求是在接收到用户的输入信息时触发生成的。所述回复请求携带的信息包括，但不限于：日志编号等。

[0074] 所述待回复信息是指需要进行回复的信息，所述待回复信息可以包括，但不限于：用户当前输入的信息，用户与聊天机器人的多轮对话信息等。

[0075] 所述待回复信息可以是文本信息，也可以是图像信息，还可以是语音信息，本发明对所述待回复信息的具体形式不作限制。

[0076] 在本发明的至少一个实施例中，所述电子设备根据所述回复请求获取待回复信息包括：

[0077] 解析所述回复请求的报文，得到所述报文携带的数据信息；

[0078] 从所述数据信息中获取指示日志的信息作为日志编号；

[0079] 将所述日志编号写入预设模板，得到查询语句；

[0080] 获取日志存储库，并在所述日志存储库中运行所述查询语句，得到目标日志；

[0081] 将所述目标日志中的方法体携带的信息确定为所述待回复信息。

[0082] 其中，所述数据信息包括，但不限于：指示日志的标签、所述日志编号等。

[0083] 所述预设模板是指能够进行信息查询的预先设定好的语句，所述预设模板可以是结构化查询语句。

[0084] 所述日志存储库中存储有多个聊天机器人与用户的日志信息。

[0085] 所述方法体是指聊天机器人与用户的对话信息。

[0086] 通过解析所述报文能够快速获取到所述数据信息，从而根据获取到的所述日志编号能够快速从所述日志存储库中获取到所述目标日志，进而能够快速获取到所述待回复信
息。

[0087] S11，根据所述待回复信息生成信息向量。

[0088] 在本发明的至少一个实施例中，所述信息向量是指所述待回复信息的表征向量。

[0089] 在本发明的至少一个实施例中，所述电子设备根据所述待回复信息生成信息向量包括：

[0090] 提取所述待回复信息中的目标图像，并获取所述目标图像中的所有像素；

[0091] 根据所述所有像素生成所述目标图像的图像向量；

[0092] 将所述待回复信息中除所述目标图像外的信息确定为待处理信息；

[0093] 过滤所述待处理信息中的停用词，得到已处理信息；

[0094] 对所述已处理信息进行分词处理，得到信息分词，并获取所述信息分词的分词向量；

[0095] 确定所述目标图像在所述待回复信息中的图像位置，并确定所述信息分词在所述待回复信息中的分词位置；

[0096] 根据所述图像位置及所述分词位置拼接所述图像向量及所述分词向量，得到所述信息向量。

[0097] 其中，所述目标图像可以包括所述待回复信息中的任意端发送的表情包，所述任意端包括用户端及聊天机器人。

[0098] 所述停用词包括词性为介词等词汇。

[0099] 所述图像位置是指所述目标图像在所述待回复信息中出现的位置，所述图像位置可以是一个序号，例如，所述待回复信息为{用户：你今天开心吗；聊天机器人：A（A为一个表
情包），你呢；用户：我很开心}，经确定，A为所述目标图像，由于A处于所述待回复信息中的
第二个语句中，因此，所述图像位置为2。

[0100] 所述分词位置是指所述信息分词在所述待回复信息的所有分词中出现的位置，承接上述例子，所述信息分词“今天”处于所有分词中的第二个位置，因此，所述信息分词“今
天”的分词位置为2。

[0101] 通过所述所有像素能够准确生成所述目标图像的图像向量，通过所述信息分词能够快速获取到所述分词向量，进而根据所述图像位置及所述分词位置能够准确生成与所述
待回复信息对应的所述信息向量。

[0102] 具体地，所述电子设备提取所述待回复信息中的目标图像包括：

[0103] 从所述待回复信息中获取与预设格式相同的信息作为所述目标图像。

[0104] 其中，所述预设格式可以是任意指示图像的格式，例如，所述预设格式可以是JPG格式，所述预设格式也可以是PNG格式。

[0105] 通过所述预设格式能够从所述待回复信息中快速获取到所述目标图像。

[0106] 进一步地，所述电子设备根据所述所有像素生成所述目标图像的图像向量包括：

[0107] 获取每个像素对应的向量值；

[0108] 根据每个像素在所述目标图像中的像素位置拼接所述向量值，得到所述图像向量。

[0109] 例如，目标图像有10个像素，每个像素对应的向量值分别为0，1，0，0，1，0，0，1，1，1，根据所述像素位置拼接所述向量值，得到所述图像向量为[0，1，0，0，1，0，0，1，1，1]。

[0110] 进一步地，所述电子设备利用结巴算法对所述已处理信息进行分词处理，得到信息分词。

[0111] 进一步地，所述电子设备从向量映射表中获取与所述信息分词对应的向量作为分词向量。

[0112] S12，将所述信息向量输入至预先训练好的分类模型中，得到分类结果及所述分类结果的结果概率，所述分类结果包括目标结果，所述目标结果用于指示需要回复表情。

[0113] 在本发明的至少一个实施例中，所述分类模型用于检测所述待回复信息是否需要进行表情回复。

[0114] 所述结果概率是指所述分类模型将所述待回复信息归类为所述分类结果的概率。

[0115] 所述分类结果还可以包括特征结果，所述特征结果用于指示不需要回复表情。

[0116] 在本发明的至少一个实施例中，在将所述信息向量输入至预先训练好的分类模型中之前，所述方法还包括：

[0117] 获取预设学习器，所述预设学习器中包括全连接层；

[0118] 获取历史样本数据，所述历史样本数据中包括历史消息、用户满意度；

[0119] 将所述历史样本数据划分为训练数据及验证数据；

[0120] 利用所述训练数据调整所述全连接层中的参数，得到分类学习器；

[0121] 基于所述验证数据确定所述分类学习器的准确率；

[0122] 若所述准确率小于预设准确度，根据所述验证数据调整所述分类学习器，直至所述分类学习器的准确率大于或者等于所述预设准确度，得到所述分类模型。

[0123] 其中，所述预设学习器还包括卷积层及池化层，每个卷积层中包括多个不同大小的卷积核。

[0124] 所述全连接层用于对所述池化层生成的向量进行映射。

[0125] 通过利用所述训练数据调整所述全连接层中的参数，能够提高所述分类学习器的映射准确率，进而通过所述验证数据对所述分类学习器进行验证，能够从整体上提高所述
分类模型的分类准确度。

[0126] 具体地，所述电子设备利用所述训练数据调整所述全连接层中的参数，得到分类学习器包括：

[0127] 对于每个训练数据，将所述历史消息输入所述全连接层，得到输出结果；

[0128] 根据所述用户满意度及所述输出结果生成学习率；

[0129] 将所述学习率最好的训练数据确定为目标训练数据；

[0130] 根据所述目标训练数据调整所述参数，得到所述分类学习器。

[0131] 通过上述实施方式，能够使所述全连接层中的学习率得以提升，从而能够提高所述分类学习器的分类准确率。

[0132] 具体地，所述电子设备根据所述用户满意度及所述输出结果生成学习率包括：

[0133] 计算所述用户满意度与所述输出结果的差值；

[0134] 将所述差值除以所述输出结果，得到所述学习率。

[0135] S13，若所述分类结果为所述目标结果，检测所述待回复信息中是否包含用户表情信息，得到检测结果。

[0136] 在本发明的至少一个实施例中，所述检测结果包括所述待回复信息中包含用户表情信息，以及，所述待回复信息中不包含用户表情信息两种结果。

[0137] 需要说明的是，当所述待回复信息中包含用户表情时，说明用户对表情包的依赖性高，则聊天机器人可以更多地使用表情与用户交流。当所述待回复信息中不包含用户表
情时，说明用户对表情包的依赖性低，则聊天机器人尽量避免使用表情与用户交流。

[0138] 在本发明的至少一个实施例中，所述电子设备检测所述待回复信息中是否包含用户表情信息，得到检测结果包括：

[0139] 获取所述目标图像的输入地址；

[0140] 将与所述输入地址对应的终端确定为所述目标图像的输入终端，并获取所述输入终端的终端编号；

[0141] 将所述终端编号与预设终端库中所有机器编号进行比较；

[0142] 若所述终端编号与所述所有机器编号均不相同，将所述检测结果确定为所述待回复信息中包含所述用户表情信息。

[0143] 其中，所述目标图像中包含了用户发送的表情信息及聊天机器人发送的表情信息。

[0144] 所述预设终端库中包含所有聊天机器人的机器编号。

[0145] 通过所述目标日志能够快速获取到所述输入地址，通过所述输入地址能够准确的确定出所述输入终端，进而能够准确的获取到所述终端编号，由于无需对所述输入地址中
每个符号进行比较，因此通过所述终端编号能够快速确定出所述检测结果。此外，通过将所
述终端编号与所述所有机器编号进行比较，能够准确的从所述目标图像中提取出由用户发
送的所述用户表情信息，从而有利于检测所述待回复信息中是否需要采用表情进行回复。

[0146] 具体地，所述电子设备获取所述目标图像的输入地址包括：

[0147] 从所述目标日志上获取指示地址的信息作为所述目标图像的输入地址。

[0148] S14，根据所述结果概率及所述检测结果生成回复分数。

[0149] 在本发明的至少一个实施例中，所述回复分数指示所述待回复信息需要通过表情包进行回复的分数值。

[0150] 在本发明的至少一个实施例中，所述电子设备根据所述结果概率及所述检测结果生成回复分数包括：

[0151] 获取所述分类模型的第一权值；

[0152] 将所述结果概率及所述第一权值的乘积确定为所述待回复信息的第一分数；

[0153] 获取与所述检测结果对应的检测值，并获取所述用户表情信息的第二权值；

[0154] 将所述检测值及所述第二权值的乘积确定为所述待回复信息的第二分数；

[0155] 计算所述第一分数与所述第二分数的总和，得到所述回复分数。

[0156] 其中，所述检测值是指与所述检测结果对应的数值，例如，所述检测结果为所述待回复信息中包含用户表情信息，则所述检测值为1。

[0157] 例如，所述分类模型的第一权值为0.2，所述结果概率为0.8，所述检测结果A为所述待回复信息中包含所述用户表情信息，进而获取到与所述检测结果A对应的检测值为1，
所述第二权值为0.8，经计算，得到所述第一分数为0.16，所述第二分数为0.8，因此，所述回
复分数为0.96。

[0158] 又如，所述检测结果B为所述待回复信息中没有包含所述用户表情信息，进而获取到与所述检测结果B对应的检测值为‑1，经计算，得到所述第一分数为0.16，所述第二分数
为‑0.8，因此，所述回复分数为‑0.64。

[0159] 通过上述实施方式，能够从多个维度上全面确定出所述待回复信息中是否需要回复表情包，提高确定准确率。

[0160] S15，若所述回复分数大于预设阈值，提取所述待回复信息的特征信息。

[0161] 在本发明的至少一个实施例中，所述预设阈值可以自定义设置，本发明对所述预设阈值的取值不作限制。

[0162] 所述特征信息是指能够表征所述待回复信息语义的信息。

[0163] 在本发明的至少一个实施例中，所述电子设备提取所述待回复信息的特征信息包括：

[0164] 根据所述分词向量生成每个信息分词的上下文特征向量集；

[0165] 计算所述上下文特征向量集中每个分词向量与第一预设矩阵的乘积，得到所述信息分词的多个运算向量，并计算所述多个运算向量的平均值，得到所述信息分词的中间向
量；

[0166] 将所述中间向量点乘第二预设矩阵，得到目标矩阵，所述目标矩阵中每列向量表征所述待回复信息的每个特征；

[0167] 计算所述目标矩阵中每列向量与所述分词向量的相似度；

[0168] 将所述相似度最大的分词向量对应的信息分词及所述目标图像确定为所述特征信息。

[0169] 其中，所述第一预设矩阵及所述第二预设矩阵分别是预先设定好的权值矩阵。

[0170] 通过上述实施方式，能够从所述待回复信息中提取出包含上下文语义的所述信息分词作为所述特征信息，提高所述特征信息的确定准确率，同时，由于所述目标图像能够更
好的表现用户情绪，因此将所述目标图像确定为所述特征信息，能够有利于所述待回复信
息的情感识别。

[0171] S16，对所述特征信息进行情感识别，得到情感结果，并对所述特征信息进行意图识别，得到意图结果。

[0172] 在本发明的至少一个实施例中，所述情感结果可以是高兴等正面情绪，也可以是不高兴等负面情绪。

[0173] 所述意图结果是指所述待回复信息中用户的意图。

[0174] 在本发明的至少一个实施例中，所述电子设备通过所述预先训练好的情感识别模型对所述特征信息进行情感识别，得到情感结果。

[0175] 其中，所述情感识别模型的训练方式属于现有技术，本发明对此不再赘述。

[0176] 在本发明的至少一个实施例中，所述电子设备对所述特征信息进行意图识别，得到意图结果包括：

[0177] 从所述分词向量中获取所述特征信息的向量作为特征向量；

[0178] 将所述特征向量输入至预先训练好的双向长短期记忆网络中，得到语义向量；

[0179] 利用层叠条件随机场对所述语义向量进行处理，得到所述意图结果。

[0180] 通过所述双向长短期记忆网络能够获取到所述特征信息中的语义信息，进而能够准确识别出所述意图结果。

[0181] S17，根据所述情感结果及所述意图结果从预设表情库中选取匹配的表情作为所述待回复信息的回复表情。

[0182] 需要强调的是，为进一步保证上述回复表情的私密和安全性，上述回复表情还可以存储于一区块链的节点中。

[0183] 在本发明的至少一个实施例中，所述预设表情库存储有多个预先定义好的表情。

[0184] 所述回复表情是指需要对所述待回复信息进行回复的表情。

[0185] 在本发明的至少一个实施例中，所述电子设备根据所述情感结果及所述意图结果从预设表情库中选取匹配的表情作为所述待回复信息的回复表情包括：

[0186] 根据所述情感结果从预设表情库中选取目标类表情；

[0187] 从所述目标类表情中筛选与所述意图结果匹配的表情作为所述待回复信息的回复表情。

[0188] 其中，所述目标类表情是指与所述情感结果对应的表情。

[0189] 通过上述实施方式，能够从所述预设表情库中准确获取到所述回复表情。

[0190] 在本发明的至少一个实施例中，所述方法还包括：

[0191] 若所述预设表情库中不包含与所述意图结果匹配的表情，从所述目标类表情中获取任意表情；

[0192] 合成所述任意表情与所述意图结果，得到所述回复表情。

[0193] 其中，所述意图结果可以是文字信息，例如，所述意图结果为“无法做到”。

[0194] 所述回复表情是指包含有文字信息（即：所述意图结果）的表情。

[0195] 通过上述实施方式，能够在预设表情库中没有存储相应表情时，自动合成所述回复表情，提高全面性。此外，由于所述回复信息中包含由所述意图结果，因此，能够辅助用户
准确获悉所述回复表情所表达的含义。

[0196] 具体地，所述电子设备合成所述任意表情与所述意图结果，得到所述回复表情包括：

[0197] 将所述意图结果录入所述任意表情的任意位置，得到所述回复表情。

[0198] 其中，所述任意位置可以包括所述任意表情的下方，也可以包括所述任意表情的上方。

[0199] 由以上技术方案可以看出，本发明通过所述分类模型，分析所述待回复信息以及检测所述待回复信息中是否包含用户表情信息，进而根据所述结果概率及所述检测结果生
成的回复分数与预设阈值进行比较，以确定所述待回复信息中是否需要回复表情，由于从
多个维度对所述待回复信息分析，以及每个维度对应有不同的权值，因此能够提高是否需
要回复表情的确定准确率，进而在所述回复分数大于所述预设阈值时，分析所述待回复信
息中的情感及意图，能够准确选取出与所述情感结果及所述意图结果匹配的表情。

[0200] 如图2所示，是本发明表情回复装置的较佳实施例的功能模块图。所述表情回复装置11包括获取单元110、生成单元111、输入单元112、检测单元113、提取单元114、识别单元
115、选取单元116、划分单元117、调整单元118、确定单元119及合成单元120。本发明所称的
模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读
指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例
中详述。

[0201] 当接收到回复请求时，获取单元110根据所述回复请求获取待回复信息。

[0202] 在本发明的至少一个实施例中，所述回复请求是在接收到用户的输入信息时触发生成的。所述回复请求携带的信息包括，但不限于：日志编号等。

[0203] 所述待回复信息是指需要进行回复的信息，所述待回复信息可以包括，但不限于：用户当前输入的信息，用户与聊天机器人的多轮对话信息等。

[0204] 所述待回复信息可以是文本信息，也可以是图像信息，还可以是语音信息，本发明对所述待回复信息的具体形式不作限制。

[0205] 在本发明的至少一个实施例中，所述获取单元110根据所述回复请求获取待回复信息包括：

[0206] 解析所述回复请求的报文，得到所述报文携带的数据信息；

[0207] 从所述数据信息中获取指示日志的信息作为日志编号；

[0208] 将所述日志编号写入预设模板，得到查询语句；

[0209] 获取日志存储库，并在所述日志存储库中运行所述查询语句，得到目标日志；

[0210] 将所述目标日志中的方法体携带的信息确定为所述待回复信息。

[0211] 其中，所述数据信息包括，但不限于：指示日志的标签、所述日志编号等。

[0212] 所述预设模板是指能够进行信息查询的预先设定好的语句，所述预设模板可以是结构化查询语句。

[0213] 所述日志存储库中存储有多个聊天机器人与用户的日志信息。

[0214] 所述方法体是指聊天机器人与用户的对话信息。

[0215] 通过解析所述报文能够快速获取到所述数据信息，从而根据获取到的所述日志编号能够快速从所述日志存储库中获取到所述目标日志，进而能够快速获取到所述待回复信
息。

[0216] 生成单元111根据所述待回复信息生成信息向量。

[0217] 在本发明的至少一个实施例中，所述信息向量是指所述待回复信息的表征向量。

[0218] 在本发明的至少一个实施例中，所述生成单元111根据所述待回复信息生成信息向量包括：

[0219] 提取所述待回复信息中的目标图像，并获取所述目标图像中的所有像素；

[0220] 根据所述所有像素生成所述目标图像的图像向量；

[0221] 将所述待回复信息中除所述目标图像外的信息确定为待处理信息；

[0222] 过滤所述待处理信息中的停用词，得到已处理信息；

[0223] 对所述已处理信息进行分词处理，得到信息分词，并获取所述信息分词的分词向量；

[0224] 确定所述目标图像在所述待回复信息中的图像位置，并确定所述信息分词在所述待回复信息中的分词位置；

[0225] 根据所述图像位置及所述分词位置拼接所述图像向量及所述分词向量，得到所述信息向量。

[0226] 其中，所述目标图像可以包括所述待回复信息中的任意端发送的表情包，所述任意端包括用户端及聊天机器人。

[0227] 所述停用词包括词性为介词等词汇。

[0228] 所述图像位置是指所述目标图像在所述待回复信息中出现的位置，所述图像位置可以是一个序号，例如，所述待回复信息为{用户：你今天开心吗；聊天机器人：A（A为一个表
情包），你呢；用户：我很开心}，经确定，A为所述目标图像，由于A处于所述待回复信息中的
第二个语句中，因此，所述图像位置为2。

[0229] 所述分词位置是指所述信息分词在所述待回复信息的所有分词中出现的位置，承接上述例子，所述信息分词“今天”处于所有分词中的第二个位置，因此，所述信息分词“今
天”的分词位置为2。

[0230] 通过所述所有像素能够准确生成所述目标图像的图像向量，通过所述信息分词能够快速获取到所述分词向量，进而根据所述图像位置及所述分词位置能够准确生成与所述
待回复信息对应的所述信息向量。

[0231] 具体地，所述生成单元111提取所述待回复信息中的目标图像包括：

[0232] 从所述待回复信息中获取与预设格式相同的信息作为所述目标图像。

[0233] 其中，所述预设格式可以是任意指示图像的格式，例如，所述预设格式可以是JPG格式，所述预设格式也可以是PNG格式。

[0234] 通过所述预设格式能够从所述待回复信息中快速获取到所述目标图像。

[0235] 进一步地，所述生成单元111根据所述所有像素生成所述目标图像的图像向量包括：

[0236] 获取每个像素对应的向量值；

[0237] 根据每个像素在所述目标图像中的像素位置拼接所述向量值，得到所述图像向量。

[0238] 例如，目标图像有10个像素，每个像素对应的向量值分别为0，1，0，0，1，0，0，1，1，1，根据所述像素位置拼接所述向量值，得到所述图像向量为[0，1，0，0，1，0，0，1，1，1]。

[0239] 进一步地，所述生成单元111利用结巴算法对所述已处理信息进行分词处理，得到信息分词。

[0240] 进一步地，所述生成单元111从向量映射表中获取与所述信息分词对应的向量作为分词向量。

[0241] 输入单元112将所述信息向量输入至预先训练好的分类模型中，得到分类结果及所述分类结果的结果概率，所述分类结果包括目标结果，所述目标结果用于指示需要回复
表情。

[0242] 在本发明的至少一个实施例中，所述分类模型用于检测所述待回复信息是否需要进行表情回复。

[0243] 所述结果概率是指所述分类模型将所述待回复信息归类为所述分类结果的概率。

[0244] 所述分类结果还可以包括特征结果，所述特征结果用于指示不需要回复表情。

[0245] 在本发明的至少一个实施例中，在将所述信息向量输入至预先训练好的分类模型中之前，所述获取单元110获取预设学习器，所述预设学习器中包括全连接层；

[0246] 所述获取单元110获取历史样本数据，所述历史样本数据中包括历史消息、用户满意度；

[0247] 划分单元117将所述历史样本数据划分为训练数据及验证数据；

[0248] 调整单元118利用所述训练数据调整所述全连接层中的参数，得到分类学习器；

[0249] 确定单元119基于所述验证数据确定所述分类学习器的准确率；

[0250] 若所述准确率小于预设准确度，所述调整单元118根据所述验证数据调整所述分类学习器，直至所述分类学习器的准确率大于或者等于所述预设准确度，得到所述分类模
型。

[0251] 其中，所述预设学习器还包括卷积层及池化层，每个卷积层中包括多个不同大小的卷积核。

[0252] 所述全连接层用于对所述池化层生成的向量进行映射。

[0253] 通过利用所述训练数据调整所述全连接层中的参数，能够提高所述分类学习器的映射准确率，进而通过所述验证数据对所述分类学习器进行验证，能够从整体上提高所述
分类模型的分类准确度。

[0254] 具体地，所述调整单元118利用所述训练数据调整所述全连接层中的参数，得到分类学习器包括：

[0255] 对于每个训练数据，将所述历史消息输入所述全连接层，得到输出结果；

[0256] 根据所述用户满意度及所述输出结果生成学习率；

[0257] 将所述学习率最好的训练数据确定为目标训练数据；

[0258] 根据所述目标训练数据调整所述参数，得到所述分类学习器。

[0259] 通过上述实施方式，能够使所述全连接层中的学习率得以提升，从而能够提高所述分类学习器的分类准确率。

[0260] 具体地，所述调整单元118根据所述用户满意度及所述输出结果生成学习率包括：

[0261] 计算所述用户满意度与所述输出结果的差值；

[0262] 将所述差值除以所述输出结果，得到所述学习率。

[0263] 若所述分类结果为所述目标结果，检测单元113检测所述待回复信息中是否包含用户表情信息，得到检测结果。

[0264] 在本发明的至少一个实施例中，所述检测结果包括所述待回复信息中包含用户表情信息，以及，所述待回复信息中不包含用户表情信息两种结果。

[0265] 需要说明的是，当所述待回复信息中包含用户表情时，说明用户对表情包的依赖性高，则聊天机器人可以更多地使用表情与用户交流。当所述待回复信息中不包含用户表
情时，说明用户对表情包的依赖性低，则聊天机器人尽量避免使用表情与用户交流。

[0266] 在本发明的至少一个实施例中，所述检测单元113检测所述待回复信息中是否包含用户表情信息，得到检测结果包括：

[0267] 获取所述目标图像的输入地址；

[0268] 将与所述输入地址对应的终端确定为所述目标图像的输入终端，并获取所述输入终端的终端编号；

[0269] 将所述终端编号与预设终端库中所有机器编号进行比较；

[0270] 若所述终端编号与所述所有机器编号均不相同，将所述检测结果确定为所述待回复信息中包含所述用户表情信息。

[0271] 其中，所述目标图像中包含了用户发送的表情信息及聊天机器人发送的表情信息。

[0272] 所述预设终端库中包含所有聊天机器人的机器编号。

[0273] 通过所述目标日志能够快速获取到所述输入地址，通过所述输入地址能够准确的确定出所述输入终端，进而能够准确的获取到所述终端编号，由于无需对所述输入地址中
每个符号进行比较，因此通过所述终端编号能够快速确定出所述检测结果。此外，通过将所
述终端编号与所述所有机器编号进行比较，能够准确的从所述目标图像中提取出由用户发
送的所述用户表情信息，从而有利于检测所述待回复信息中是否需要采用表情进行回复。

[0274] 具体地，所述检测单元113获取所述目标图像的输入地址包括：

[0275] 从所述目标日志上获取指示地址的信息作为所述目标图像的输入地址。

[0276] 所述生成单元111根据所述结果概率及所述检测结果生成回复分数。

[0277] 在本发明的至少一个实施例中，所述回复分数指示所述待回复信息需要通过表情包进行回复的分数值。

[0278] 在本发明的至少一个实施例中，所述生成单元111根据所述结果概率及所述检测结果生成回复分数包括：

[0279] 获取所述分类模型的第一权值；

[0280] 将所述结果概率及所述第一权值的乘积确定为所述待回复信息的第一分数；

[0281] 获取与所述检测结果对应的检测值，并获取所述用户表情信息的第二权值；

[0282] 将所述检测值及所述第二权值的乘积确定为所述待回复信息的第二分数；

[0283] 计算所述第一分数与所述第二分数的总和，得到所述回复分数。

[0284] 其中，所述检测值是指与所述检测结果对应的数值，例如，所述检测结果为所述待回复信息中包含用户表情信息，则所述检测值为1。

[0285] 例如，所述分类模型的第一权值为0.2，所述结果概率为0.8，所述检测结果A为所述待回复信息中包含所述用户表情信息，进而获取到与所述检测结果A对应的检测值为1，
所述第二权值为0.8，经计算，得到所述第一分数为0.16，所述第二分数为0.8，因此，所述回
复分数为0.96。

[0286] 又如，所述检测结果B为所述待回复信息中没有包含所述用户表情信息，进而获取到与所述检测结果B对应的检测值为‑1，经计算，得到所述第一分数为0.16，所述第二分数
为‑0.8，因此，所述回复分数为‑0.64。

[0287] 通过上述实施方式，能够从多个维度上全面确定出所述待回复信息中是否需要回复表情包，提高确定准确率。

[0288] 若所述回复分数大于预设阈值，提取单元114提取所述待回复信息的特征信息。

[0289] 在本发明的至少一个实施例中，所述预设阈值可以自定义设置，本发明对所述预设阈值的取值不作限制。

[0290] 所述特征信息是指能够表征所述待回复信息语义的信息。

[0291] 在本发明的至少一个实施例中，所述提取单元114提取所述待回复信息的特征信息包括：

[0292] 根据所述分词向量生成每个信息分词的上下文特征向量集；

[0293] 计算所述上下文特征向量集中每个分词向量与第一预设矩阵的乘积，得到所述信息分词的多个运算向量，并计算所述多个运算向量的平均值，得到所述信息分词的中间向
量；

[0294] 将所述中间向量点乘第二预设矩阵，得到目标矩阵，所述目标矩阵中每列向量表征所述待回复信息的每个特征；

[0295] 计算所述目标矩阵中每列向量与所述分词向量的相似度；

[0296] 将所述相似度最大的分词向量对应的信息分词及所述目标图像确定为所述特征信息。

[0297] 其中，所述第一预设矩阵及所述第二预设矩阵分别是预先设定好的权值矩阵。

[0298] 通过上述实施方式，能够从所述待回复信息中提取出包含上下文语义的所述信息分词作为所述特征信息，提高所述特征信息的确定准确率，同时，由于所述目标图像能够更
好的表现用户情绪，因此将所述目标图像确定为所述特征信息，能够有利于所述待回复信
息的情感识别。

[0299] 识别单元115对所述特征信息进行情感识别，得到情感结果，并对所述特征信息进行意图识别，得到意图结果。

[0300] 在本发明的至少一个实施例中，所述情感结果可以是高兴等正面情绪，也可以是不高兴等负面情绪。

[0301] 所述意图结果是指所述待回复信息中用户的意图。

[0302] 在本发明的至少一个实施例中，所述识别单元115通过所述预先训练好的情感识别模型对所述特征信息进行情感识别，得到情感结果。

[0303] 其中，所述情感识别模型的训练方式属于现有技术，本发明对此不再赘述。

[0304] 在本发明的至少一个实施例中，所述识别单元115对所述特征信息进行意图识别，得到意图结果包括：

[0305] 从所述分词向量中获取所述特征信息的向量作为特征向量；

[0306] 将所述特征向量输入至预先训练好的双向长短期记忆网络中，得到语义向量；

[0307] 利用层叠条件随机场对所述语义向量进行处理，得到所述意图结果。

[0308] 通过所述双向长短期记忆网络能够获取到所述特征信息中的语义信息，进而能够准确识别出所述意图结果。

[0309] 选取单元116根据所述情感结果及所述意图结果从预设表情库中选取匹配的表情作为所述待回复信息的回复表情。

[0310] 需要强调的是，为进一步保证上述回复表情的私密和安全性，上述回复表情还可以存储于一区块链的节点中。

[0311] 在本发明的至少一个实施例中，所述预设表情库存储有多个预先定义好的表情。

[0312] 所述回复表情是指需要对所述待回复信息进行回复的表情。

[0313] 在本发明的至少一个实施例中，所述选取单元116根据所述情感结果及所述意图结果从预设表情库中选取匹配的表情作为所述待回复信息的回复表情包括：

[0314] 根据所述情感结果从预设表情库中选取目标类表情；

[0315] 从所述目标类表情中筛选与所述意图结果匹配的表情作为所述待回复信息的回复表情。

[0316] 其中，所述目标类表情是指与所述情感结果对应的表情。

[0317] 通过上述实施方式，能够从所述预设表情库中准确获取到所述回复表情。

[0318] 在本发明的至少一个实施例中，若所述预设表情库中不包含与所述意图结果匹配的表情，所述获取单元110从所述目标类表情中获取任意表情；

[0319] 合成单元120合成所述任意表情与所述意图结果，得到所述回复表情。

[0320] 其中，所述意图结果可以是文字信息，例如，所述意图结果为“无法做到”。

[0321] 所述回复表情是指包含有文字信息（即：所述意图结果）的表情。

[0322] 通过上述实施方式，能够在预设表情库中没有存储相应表情时，自动合成所述回复表情，提高全面性。此外，由于所述回复信息中包含由所述意图结果，因此，能够辅助用户
准确获悉所述回复表情所表达的含义。

[0323] 具体地，所述合成单元120合成所述任意表情与所述意图结果，得到所述回复表情包括：

[0324] 将所述意图结果录入所述任意表情的任意位置，得到所述回复表情。

[0325] 其中，所述任意位置可以包括所述任意表情的下方，也可以包括所述任意表情的上方。

[0326] 由以上技术方案可以看出，本发明通过所述分类模型，分析所述待回复信息以及检测所述待回复信息中是否包含用户表情信息，进而根据所述结果概率及所述检测结果生
成的回复分数与预设阈值进行比较，以确定所述待回复信息中是否需要回复表情，由于从
多个维度对所述待回复信息分析，以及每个维度对应有不同的权值，因此能够提高是否需
要回复表情的确定准确率，进而在所述回复分数大于所述预设阈值时，分析所述待回复信
息中的情感及意图，能够准确选取出与所述情感结果及所述意图结果匹配的表情。

[0327] 如图3所示，是本发明实现表情回复方法的较佳实施例的电子设备的结构示意图。

[0328] 在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如表情回复
程序。

[0329] 本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例
如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。

[0330] 所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路
(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field‑
Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器
等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个
电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序
代码等。

[0331] 示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述
一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可
读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机
可读指令可以被分割成获取单元110、生成单元111、输入单元112、检测单元113、提取单元
114、识别单元115、选取单元116、划分单元117、调整单元118、确定单元119及合成单元120。

[0332] 所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12
内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数
据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功
能、图像播放功能等）等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器
12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡（Smart 
Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）、至少一个磁盘
存储器件、闪存器件、或其他存储器件。

[0333] 所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡（Trans‑flash Card）等等。

[0334] 所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实
现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来
完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被
处理器执行时，可实现上述各个方法实施例的步骤。

[0335] 其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可
以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、
磁碟、光盘、计算机存储器、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，
Random Access Memory）。

[0336] 本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用
密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验
证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品
服务层以及应用服务层等。

[0337] 结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种表情回复方法，所述处理器13可执行所述计算机可读指令从而实现：

[0338] 当接收到回复请求时，根据所述回复请求获取待回复信息；

[0339] 根据所述待回复信息生成信息向量；

[0340] 将所述信息向量输入至预先训练好的分类模型中，得到分类结果及所述分类结果的结果概率，所述分类结果包括目标结果，所述目标结果用于指示需要回复表情；

[0341] 若所述分类结果为所述目标结果，检测所述待回复信息中是否包含用户表情信息，得到检测结果；

[0342] 根据所述结果概率及所述检测结果生成回复分数；

[0343] 若所述回复分数大于预设阈值，提取所述待回复信息的特征信息；

[0344] 对所述特征信息进行情感识别，得到情感结果，并对所述特征信息进行意图识别，得到意图结果；

[0345] 根据所述情感结果及所述意图结果从预设表情库中选取匹配的表情作为所述待回复信息的回复表情。

[0346] 具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

[0347] 在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的
划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

[0348] 所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：

[0349] 当接收到回复请求时，根据所述回复请求获取待回复信息；

[0350] 根据所述待回复信息生成信息向量；

[0351] 将所述信息向量输入至预先训练好的分类模型中，得到分类结果及所述分类结果的结果概率，所述分类结果包括目标结果，所述目标结果用于指示需要回复表情；

[0352] 若所述分类结果为所述目标结果，检测所述待回复信息中是否包含用户表情信息，得到检测结果；

[0353] 根据所述结果概率及所述检测结果生成回复分数；

[0354] 若所述回复分数大于预设阈值，提取所述待回复信息的特征信息；

[0355] 对所述特征信息进行情感识别，得到情感结果，并对所述特征信息进行意图识别，得到意图结果；

[0356] 根据所述情感结果及所述意图结果从预设表情库中选取匹配的表情作为所述待回复信息的回复表情。

[0357] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目
的。

[0358] 另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

[0359] 因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的
含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限
制所涉及的权利要求。

[0360] 此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名
称，而并不表示任何特定的顺序。

[0361] 最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的
技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。