文档自动完成
文献发布时间：2023-06-19 09:54:18
背景技术
可以通过对应的应用或平台来创建和编辑各种类型的文档。在本文中，文档指用户可以在其中添加、删除或修改内容的电子信息记录。通常，文档中的内容应由用户键入或输入。例如，表单(form)是一种类型的文档，其用于从接收者处收集数据。典型地，一个表单可以包括与特定话题相关联的内容，并且期望将该表单分发给接收者，并从接收者处收集对该表单中的内容的响应或反馈。当用户编辑表单时，用户被要求键入很多内容，例如标题、问题、选项等。
发明内容
提供本发明内容以便介绍一组概念，这组概念将在以下的具体实施方式中做进一步描述。本发明内容并非旨在标识所保护主题的关键特征或必要特征，也不旨在用于限制所保护主题的范围。
本公开的实施例提出了用于文档自动完成的方法和装置。在一个方面，可以接收用于创建文档的指令。可以响应于所述指令来呈现所述文档，所述文档中的至少第一部分包括根据与所述文档相关联的上下文信息所建议的内容。可以接收对所述文档的编辑操作。可以在所述文档中的至少第二部分中呈现响应于所述编辑操作所建议的内容。在另一个方面，可以识别与文档的完成相关联的上下文信息。可以生成所述文档中的至少一个部分的内容，所述内容是至少基于所述上下文信息所建议的。可以在所述文档中的所述至少一个部分中呈现所述内容。
应当注意，以上一个或多个方面包括以下详细描述以及权利要求中具体指出的特征。下面的说明书及附图详细提出了所述一个或多个方面的某些说明性特征。这些特征仅仅指示可以实施各个方面的原理的多种方式，并且本公开旨在包括所有这些方面和其等同变换。
附图说明
以下将结合附图描述所公开的多个方面，这些附图被提供用以说明而非限制所公开的多个方面。
图1示出了根据实施例的表单的示例性应用过程。
图2示出了根据实施例的用于主动提示创建表单的示例性用户界面。
图3示出了根据实施例的主动提示创建表单的示例性过程。
图4示出了根据实施例的用于建议标题的示例性用户界面。
图5示出了根据实施例的用于建议标题的示例性用户界面。
图6示出了根据实施例的建议标题的示例性过程。
图7示出了根据实施例的用于建议标题描述的示例性用户界面。
图8示出了根据实施例的用于建议标题描述的示例性用户界面。
图9示出了根据实施例的建议标题描述的示例性过程。
图10示出了根据实施例的用于建议至少一个问题的示例性用户界面。
图11示出了根据实施例的用于建议至少一个问题的示例性用户界面。
图12示出了根据实施例的建议至少一个问题的示例性过程。
图13示出了根据实施例的用于建议选项的示例性用户界面。
图14示出了根据实施例的用于建议选项的示例性用户界面。
图15示出了根据实施例的建议选项的示例性过程。
图16示出了根据实施例的用于提供修改建议的示例性用户界面。
图17示出了根据实施例的用于文档自动完成的示例性方法的流程图。
图18示出了根据实施例的用于文档自动完成的示例性方法的流程图。
图19示出了根据实施例的用于文档自动完成的示例性装置。
图20示出了根据实施例的用于文档自动完成的示例性装置。
图21示出了根据实施例的用于文档自动完成的示例性装置。
具体实施方式
现在将参考多种示例性实施方式来讨论本公开。应当理解，这些实施方式的讨论仅仅用于使得本领域技术人员能够更好地理解并从而实施本公开的实施例，而并非教导对本公开的范围的任何限制。
通常，用户将内容键入文档中或编辑文档中的内容是耗时的。以表单为例，对于用户而言，将所有问题和选项(option)都键入到表单中将是很麻烦的。此外，也容易遗漏本应被包含在表单中的某些内容，例如，一些必要的问题或选项。
已经提出了一些文档自动完成(auto-completion)技术，以用于帮助用户将内容输入到文档中。当用户将字符串输入到文档中时，可以通过文档自动完成来建议出用户尚未输入的字符串的剩余部分，并且用户可以采用所建议的内容以完成对该字符串的输入。例如，对于表单，可以预先准备多个候选问题或选项，并且当用户在表单中键入某个问题或选项时，可以将一些相关的候选问题或选项作为所建议的内容而提供给用户，以帮助用户完成表单。但是，这些所建议的问题或选项仅采用预定的且固定的模式或表达，并且它们可能与用户想要进一步输入的内容不太相关或不相适应，因此，所建议的内容很可能不会被用户直接采用。用户可能仍需要花费时间来编辑所建议的内容或简单地忽略它们。
本公开的实施例提出了通过提供准确的内容建议来实现文档自动完成。当用户正在创建或编辑文档时，本公开的实施例可以根据与文档相关联的上下文信息来提供或呈现内容建议。上下文信息可以包括例如已经在文档中输入的内容、与文档相关联的目标实体信息、文档外部的用户信息等，其中，目标实体信息可以指关于文档所针对的话题的各种类型的信息，并且用户信息可以包括用户的简档、与用户提供的文档有关的信息、用户的表达习惯和模式、等等。内容建议是至少基于上下文信息来生成或提供的，因此其可以更准确且更适应于用户的需求。相应地，完成文档的效率可以被显著地提高。
应当理解，尽管以下讨论集中于表单自动完成，但这仅是文档自动完成的示例，可以以类似的方式将以下结合表单自动完成所讨论的任何过程或操作应用于任何其它类型的文档以实现文档自动完成。
图1示出了根据实施例的表单的示例性应用过程100。如上所述，表单可以用于从接收者(audience)处收集数据，例如，对表单中的内容的响应。表单可以用于各种目的或场景，例如，调查、培训、研讨会、注册、投票、测验、家庭作业等。
在110处，可以确定用户是否需要向接收者分发表单。例如，推销员可能想知道他的客户对新提出的服务或产品的意见，因此，该推销员可能需要向他的客户发送包括关于服务或产品的一些问题的调查表单，并且相应地从他的客户处收集对所述问题的回答。例如，对于会议注册过程，会议的组织者可能需要建立注册表单以收集会议参与者的个人信息。例如，教师可能想要建立测验表单，以用于评估学生对某门课程的学习效果。
在110处确定需要表单之后，可以在120处通过表单应用、表单客户端、表单平台等来创建和完成表单。可以将各种类型的内容添加到表单中的相应部分(section)中。表单的这些部分可以包括以下至少之一：标题部分，其包括指示表单的话题的表单标题；标题描述部分，其包括标题或表单描述，以用于解释例如表单的目的、标题的含义等；以及一个或多个交互部分，其包括旨在向接收者提供感兴趣的事项并从接收者处收集对事项的响应的各种条目。例如，交互部分可以包括：问题条目，其包括期望从接收者处获得响应的内容或问题；以及选项条目，其提供供接收者选择的内容或选项或者提供供接收者进行输入的输入区域。交互部分中的问题条目中的问题类型可以包括，例如，多项选择问题、评定量表(rating scale)问题、是/否问题、自由文本输入要求等。相应地，交互部分中的选项条目中的选项可以包括多个选择项、评定量表、是/否选择项、自由文本输入区域等。
本公开的实施例可以在120处的表单完成期间提供内容建议，以帮助用户高效地完成表单。例如，所建议的内容可以包括标题部分的内容、标题描述部分的内容、交互部分中的问题条目的内容、交互部分中的选项条目的内容等。
在130处，可以将所完成的表单分发给被期望接收到该表单的接收者。
在一种实现方式中，可以从日历、聊天历史、文档编辑历史等中自动确定接收者。例如，对于研讨会调查表单，可以将接收者确定为例如在日历中指示的研讨会的参加者。例如，对于部门内的员工满意度调查表单，可以将接收者确定为部门内的所有员工。例如，对于会议注册表单，可以将接收者确定为用户邮箱中与会议有关的电子邮件的所有收件人。
在一种实现方式中，可以确定应当在何时将该表单分发给接收者。例如，可以通过分析历史表单分发来考虑在什么发送时间在当前接收者中响应率会是最高的。
在一种实现方式中，可以确定可以何种方式来分发表单。例如，表单可以被表示为链接、QR码等，并且可以是通过电子邮件发送的、嵌入在网页中的等。
在140处，可以从接收者处收集对表单的响应。例如，接收者可能在表单的交互部分中选择选项、输入信息等，然后提交对表单的响应，相应地，这些响应可以由先前分发表单所经由的表单应用、表单客户端、表单平台等所收集。在一种实现方式中，可以基于所接收到的响应的减少率来确定预期会进一步收集到多少响应。在一种实现方式中，可以确定多少响应会足以导致有意义的统计结果。如果潜在的待接收响应不是很多，或者已经收集了足够的响应，则可以停止在140处对响应的收集。
在150处，可以对所收集的响应执行数据分析，并且可以将数据分析的结果用于任何其它目的。例如，通过数据分析，可以基于来自每个接收者的响应为该接收者给出评级、可以基于来自所有接收者的所有响应来获得对这些接收者的综合评估、可以获得某个问题在不同接收者之间的分数分布、等等。利用数据分析的结果，用户可以进一步探究，例如，导致该结果的原因、可进一步改善哪些方面、等等。数据分析的结果也可以与其他人共享。
此外，尽管在图1中未示出，但是所收集的响应也可以用于评估表单中的多个部分的内容，并且该评估还可被用作用于增强任何更多表单中的内容建议的原始数据。
根据本公开的实施例，可以基于某些检测到的触发来主动建议创建表单。例如，当从用于表单服务的应用或平台之外的其它服务或应用处检测到目标实体(例如特定日期/时间点、事件或活动等)时，或者当检测到用户想要从特定人群处收集对目标实体的响应或意见时，本公开的实施例可以提示用户去创建与目标实体相关联的表单。
图2示出了根据实施例的用于主动提示创建表单的示例性用户界面。图2中的用户界面示出了将在用户邮箱中检测到的目标实体用作提示用户创建与目标实体相关联的表单的触发。
用户邮箱的用户界面210示出用户正在编辑邮箱中的电子邮件。可以从电子邮件的内容中检测到用户想要从收件人处获得对特定事件(即“专利培训”)的反馈。即，从邮箱应用或服务中检测到目标实体“专利培训”和获得对专利培训的反馈的意图。
基于检测到的目标实体和用户的意图，可以生成提示212，例如“单击此处以创建表单”，并且该提示212可在邮箱的用户界面210中呈现。提示212可以使得用户意识到可以通过表单服务来实现他从收件人处获得对专利培训的反馈的需求。
如果用户单击提示212，则可以新创建一个与目标实体“专利培训”相关联的表单。在一种实现方式中，没有针对所创建的表单中的多个部分而呈现内容建议。在其它实现方式中，所创建的表单可以已经包括至少根据目标实体所建议的一个或多个部分中的内容。
表单的示例性用户界面220示出了所创建的表单可以包括标题部分222、标题描述部分224和交互部分226，其中，交互部分226还包括问题条目226-1和选项条目226-2。标题部分222的内容被建议为“对专利培训的反馈”，并且标题描述部分224的内容被建议为“这是为了收集对专利培训的反馈”。在问题条目226-1和选项条目226-2中没有提供内容建议。
表单的另一示例性用户界面230示出了所创建的表单可以包括标题部分232、标题描述部分234、交互部分236和交互部分238，其中，交互部分236还包括问题条目236-1和选项条目236-2，并且交互部分238还包括问题条目238-1和选项条目238-2。在标题部分232中没有提供内容建议。标题描述部分234的内容被建议为“这是为了收集对专利培训的反馈”。对于交互部分236，问题条目236-1的内容被建议为“1.您是否在4月2日参加了专利培训？”，并且选项条目236-2的内容被建议为是/否选择项。此外，对于交互部分238，问题条目238-1的内容被建议为“2.请评估培训师的表现”，并且选项条目238-2的内容被建议为多项选择选项，例如“极好”、“一般”和“较差”。
应当理解，图2中的用户界面中的所有元素和元素的布局都是示例性的，并且根据实际设计和要求，可以以各种方式来改变这些用户界面。此外，还可以在表单中的其它部分中给出内容建议。
图3示出了根据实施例的主动提示创建表单的示例性过程300。
在302处，可以从另一应用或服务处识别与表单的完成相关联的上下文信息。具体而言，可以在302处识别目标实体，并且关于目标实体的信息可以作为上下文信息的一部分。所述另一应用或服务可以是由用户所使用的、与用于表单服务的应用或平台不同的、并且在用户的终端设备或服务器上运行的各种类型的应用或服务，例如日历应用、文档编辑器、邮箱应用、聊天机器人等。这些应用或服务可以包含各种类型的信息记录，例如，日历、word文档、PPT文档、邮箱、聊天日志等，可以从这些信息记录中识别目标实体和目标实体信息。所识别的目标实体可以被用作提示用户创建表单的触发。换句话说，可以响应于对目标实体的识别来进一步创建表单。
在一种实现方式中，目标实体可以是特定的日期或时间点。例如，如果从日历中识别出圣诞节快到了，则该特定日期可以触发提示用户分发关于圣诞节聚会邀请的表单。
在一种实现方式中，目标实体可以是用户所要参与的事件或活动。该事件或活动可以是在日历、用户的聊天日志、用户的电子邮件等中指示的。相应地，这样的事件或活动可以触发提示用户分发关于即将发生的事件或活动的表单。
在一种实现方式中，目标实体可以是用户已经完成的任务或活动。该任务或活动可以是在日历、由用户编辑的word文档等中指示的。例如，可能在日历中将一个研讨会显示为已完成，可能在由用户创建的word文档中记载了关于一个活动的报告等。这样的任务或活动可以触发提示用户分发关于已完成的任务或活动的表单。
应当理解，以上讨论的所有目标实体都是示例性的，并且本公开的实施例可以覆盖能够触发提示创建表单的任何其它类型的目标实体。此外，在一种实现方式中，可以建立机器学习模型以用于识别可触发提示创建表单的目标实体。
在304处，过程300可以可选地确定用户是否具有从特定人群处收集对目标实体的响应或意见的意图，即，用户是否实际上需要表单服务。也可以从其它应用或服务处确定用户的意图。例如，当用户正在编辑word文档时，用户可能在word文档中键入他想要获得对某个事件的反馈，并且word文档中的这种信息可以用于确定用户具有创建表单的意图。此外，例如，当用户与聊天机器人聊天时，用户可能要求聊天机器人去从他的同事处收集对某个邀请的意见，并且这种信息也可以用于确定用户具有创建表单的意图。在一种实现方式中，可以建立机器学习模型以用于确定可触发提示创建表单的用户意图。
应当理解，在302处所识别的目标实体和在304处所确定的意图可以被独立地或联合地用于触发提示创建表单。
在306处，可以将用于创建表单的提示提供给用户。可以以各种方式向用户提供提示，例如，在从中识别出目标实体或确定出意图的应用中示出的弹出窗口、由聊天机器人在用户的终端设备上输出的语音消息等。
在308处，可以接收用于创建表单的指令。例如，当用户看到所提供的提示时，用户可能点击提示以指示他想要创建表单，因此可以将用户的该操作视为是创建表单的指令。
在310处，响应于所接收的指令，可以在用于表单服务的应用或平台中或者在从中触发了提示的应用中创建表单并将其呈现给用户。在一种实现方式中，表单中的至少一个部分可以包括根据在302处所识别的与表单相关联的上下文信息所建议的内容，其中，上下文信息可以包括目标实体或目标实体信息。在一种实现方式中，所建议的内容可以包括以下至少之一：标题部分的内容、标题描述部分的内容、交互部分中的问题条目的内容、交互部分中的选项条目的内容等。后面将讨论在所创建的表单中的内容的建议过程。
在将新创建的表单呈现给用户之后，用户可以进一步编辑表单。在接收到对表单的编辑操作之后，可以在表单中的部分中呈现响应于编辑操作所建议的内容。用户对表单的编辑操作可以包括对在新创建的表单中的一个部分中所建议的内容的修改操作。例如，用户可以以他期望的方式来调整所建议的内容。当接收到修改操作时，可以在其它部分中提供进一步的内容建议。例如，可以在表单中的一个或多个其它部分中呈现响应于修改操作所建议的内容。用户对表单的编辑操作还可以包括在表单中的另一部分中的内容输入。例如，用户可以在所述另一部分中键入内容。当接收到内容输入时，可以在其它部分中提供进一步的内容建议。例如，可以在表单中的一个或多个其它部分中呈现响应于内容输入所建议的内容。在以上示例中，可以通过以下操作来生成响应于编辑操作所建议的内容：基于编辑操作来更新上下文信息，并且根据经更新的上下文信息来生成所建议的内容。
应当理解，尽管结合图2和图3讨论了可以主动向用户提供创建表单的提示，但是本公开的实施例也可以在由用户自己，而非响应于创建表单的提示，在用于表单服务的应用或平台中所创建的表单中提供内容建议。
根据本公开的实施例，可以至少基于与表单的完成相关联的上下文信息来生成表单中的标题部分的内容，例如表单标题，并将其在标题部分中呈现。
图4示出了根据实施例的用于建议标题的示例性用户界面。图4中的用户界面示出了可以响应于对标题描述的输入来建议标题。如在表单的用户界面410中所示，用户可能将内容输入到表单中的标题描述部分414中，例如，输入标题描述“收集对最近专利培训的反馈”，而没有将任何内容输入到表单中的标题部分412或其它部分中。然后，响应于在标题描述部分414中的内容输入，标题部分412的内容可以被建议为“对专利培训的反馈”。
图5示出了根据实施例的用于建议标题的示例性用户界面。图5中的用户界面示出了可以响应于对问题的输入来建议标题。如在表单的用户界面510中所示，用户可能将内容输入到表单中的交互部分514中的问题条目514-1中，例如，输入问题“1.在4月2日举行了专利培训，您参加了吗？”，而没有将任何内容输入到表单中的标题部分512或其它部分中。然后，响应于在问题条目514-1中的内容输入，标题部分512的内容可以被建议为“对专利培训的反馈”。
应当理解，图4和图5中的用户界面及其中的内容是示例性的，根据实际设计和要求，可以在用户界面中包括或建议各种内容。此外，尽管以上讨论了响应于用户在某个部分中的内容输入而建议标题，但是也可以响应于用户对该部分中的当前内容的修改操作而建议标题。
图6示出了根据实施例的建议标题的示例性过程600。
在602处，可以识别与表单的完成相关联的上下文信息。上下文信息可以进一步用于为表单中的标题部分生成标题。在一种实现方式中，可以利用用户在表单的一个部分中的内容输入来触发对上下文信息的识别，即，可以响应于用户的内容输入来更新上下文信息，并且经更新的上下文信息可以进一步用于为表单中的标题部分生成标题。
上下文信息可以包括从另一应用处获得的目标实体信息，其中，表单与目标实体相关联。例如，如果从另一应用(例如邮箱)处检测到事件“专利培训”以作为目标实体，则也可以从该应用处获得与专利培训有关的信息以作为目标实体信息。与专利培训有关的信息可以包括专利培训的日期、参加者、主要知识点等。
上下文信息可以包括已经在表单中的其它部分中输入或建议的内容，例如，标题描述部分中的内容、交互部分中的问题条目中的内容、交互部分中的选项条目中的内容等。
上下文信息可以包括用户信息。用户信息可以包括对于在用户创建表单时所提出的一些问题的用户答案。例如，当用户想要创建新表单时，为了更好地理解用户的需求，可能向用户询问一些问题，例如“该表单的场景是什么？”、“谁是接收者？”等。用户对这些问题的答案可以被用于确定标题建议。此外，用户信息还可以包括用户的简档(例如，职业、职务等)、用户的表达习惯和模式、等等。
上下文信息可以包括表单的主题(theme)信息。主题信息可以包括表单的各种视觉特征，例如背景照片、主题颜色、字体等。例如，当选择与圣诞节的问候有关的图片作为表单的背景照片时，主题中的该信息可以有助于建议关于圣诞聚会邀请的标题。
应当理解，上下文信息可以包括目标实体信息、其它部分的内容、用户信息、主题信息等中的任何一个或多个。此外，可以通过预定的启发式规则或预先训练的属性提取模型来将所有上下文信息转换为属性标签。属性标签可以指示从上下文信息中导出的各种属性，例如，接收者、目的、事件、日期等。例如，对于标题描述“收集对最近专利培训的反馈”，至少可以提取属性标签“目的＝收集反馈”；对于问题“您要参加这个聚会吗？”，至少可以提取属性标签“事件＝聚会”；对于目标实体“专利培训”和关于部门中的同事参加了专利培训的目标实体信息，至少可以提取属性标签“事件＝培训”和“参加者＝部门中的同事”；等等。
在604处，可以确定候选标题集合，从该候选标题集合中可以选择出所建议的标题。候选标题可以包括其他用户最常使用的标题，其是从所述其他用户分发的表单中收集的。候选标题可以包括该用户先前使用过的标题，其是从该用户的历史表单中收集的。候选标题可以进一步包括通过模板填充所生成的标题。例如，如果存在模板“<日期>聚会邀请”，其中“<日期>”是可被替换为实际日期的词条(token)，并且从上下文信息中提取了属性标签“日期＝圣诞节”，则可以通过将该模板中的词条“<日期>”替换为“圣诞节”来生成候选标题“圣诞节聚会邀请”。此外，候选标题还可以包括通过自然语言生成模型所生成的标题。该自然语言生成模型可以被训练用于根据上下文信息或从上下文信息转换的属性标签来生成标题。该自然语言生成模型的训练数据可以是从先前表单中所收集的大量的<标题，上下文信息>对。在下文中，“先前表单”可以指根据本公开实施例的先前为当前用户或其他用户所生成的那些表单，以及在各种内容源处可获得的那些现有公共表单。对于候选标题集合中的每一个候选标题，可以标记一个或多个对应的属性标签。
在606处，可以至少基于从上下文信息转换的属性标签来对候选标题集合进行排序。在一种实现方式中，可以训练排序模型以用于基于特征集合来对候选标题集合进行排序。特征集合可以包括，例如，在候选标题的属性标签与从上下文信息转换的相应属性标签之间的相关性、候选标题的属性标签在从上下文信息转换的属性标签上的覆盖率等。
在608处，可以通过选择排序最高的候选标题来在表单中的标题部分中提供标题建议。在一种实现方式中，标题建议可以仅包括一个所建议的标题。在另一种实现方式中，标题建议可以包括两个或更多个所建议的标题，因此用户可以从它们中选择一个标题。
根据本公开的实施例，可以至少基于与表单的完成相关联的上下文信息来生成表单中的标题描述部分的内容，例如表单的标题描述，并且将其在标题描述部分中呈现。
图7示出了根据实施例的用于建议标题描述的示例性用户界面。图7中的用户界面示出了可以响应于对标题的输入来建议标题描述。如在表单的用户界面710中所示，用户可能将内容输入到表单中的标题部分712中，例如，输入标题“对专利培训的反馈”，而没有将任何内容输入到表单中的标题描述部分714或其它部分中。然后，响应于在标题部分712中的内容输入，可以将标题描述部分714的内容建议为“这是为了收集对专利培训的反馈”。
图8示出了根据实施例的用于建议标题描述的示例性用户界面。图8中的用户界面示出了可以响应于对问题的输入来建议标题描述。如在表单的用户界面810中所示，用户可能将内容输入到表单中的交互部分814中的问题条目814-1中，例如，输入问题“1.在4月2日举行了专利培训，您参加了吗？”，而没有将任何内容输入到表单中的标题描述部分812或其它部分中。然后，响应于在问题条目814-1中的内容输入，标题描述部分812的内容可以被建议为“这是为了收集对专利培训的反馈”。
应当理解，图7和图8中的用户界面和其中的内容是示例性的，并且根据实际设计和要求，可以在用户界面中包括或建议各种内容。此外，尽管上面讨论了响应于用户在特定部分中的内容输入而建议标题描述，但是也可以响应于用户对该部分中的当前内容的修改操作而建议标题描述。
图9示出了根据实施例的建议标题描述的示例性过程900。
在902处，可以识别与表单的完成相关联的上下文信息。上下文信息可以进一步用于为表单中的标题描述部分生成标题描述。在一种实现方式中，对上下文信息的识别可以包括响应于用户在表单的一个部分中的内容输入来更新上下文信息，相应地，经更新的上下文信息可以进一步用于为表单中的标题描述部分生成标题描述。
上下文信息可以包括以下至少之一：从另一应用处获得的目标实体信息、已经在表单中的其它部分中输入或建议的内容、用户信息、表单的主题信息等。已经在表单中的其它部分中输入或建议的内容可以包括，例如，标题部分的内容、交互部分中的问题条目的内容、交互部分中的选项条目的内容等。
在904处，可以为上下文信息确定属性标签。在一种实现方式中，可以通过预定的启发式规则或预先训练的属性提取模型来确定属性标签。
在906处，可以通过机器学习模型，例如条件语言生成或预测模型，来生成标题描述。可以使用<属性标签，标题描述>对格式的大量训练数据来训练条件语言生成或预测模型。可以基于大量的先前表单和为这些表单标记的属性标签来形成训练数据。可以将条件语言生成或预测模型应用于将在904处确定的属性标签作为输入，并且输出标题描述。
在908处，可以在表单中的标题描述部分中提供标题描述建议。
根据本公开的实施例，可以至少基于与表单的完成相关联的上下文信息来生成表单中的交互部分中的问题条目的内容，例如问题，并且将其呈现在问题条目中。所述实施例可以一次建议一个问题，或者一起建议一系列问题。
图10示出了根据实施例的用于建议至少一个问题的示例性用户界面。图10中的用户界面示出了可以响应于对标题的输入而建议至少一个问题。如在表单的用户界面1010中所示，用户可能将内容输入到表单中的标题部分1012中，例如，输入标题“对专利培训的反馈”，而没有将任何内容输入到表单中的其它部分中。然后，响应于在标题部分1012中的内容输入，交互部分1014中的问题条目1014-1的内容可以被建议为“1.您在4月2日参加了专利培训吗？”，并且交互部分1016中的问题条目1016-1的内容可以被建议为“2.请评估培训师的表现”。
图11示出了根据实施例的用于建议至少一个问题的示例性用户界面。图11中的用户界面示出了可以响应于对问题的输入而建议至少一个问题。如在表单的用户界面1110中所示，用户可能将内容输入到表单中的交互部分1112中的问题条目1112-1中，例如，输入问题“1.在4月2日举行了专利培训，您参加了吗？”。此外，该表单已经在标题部分中包括了标题“对专利培训的反馈”，并且在标题描述部分中包括了标题描述“这是为了收集对专利培训的反馈”。然后，响应于在问题条目1112-1中的内容输入，交互部分1114中的问题条目1114-1的内容可以被建议为“2.请评估培训师的表现”，即，响应于用户输入的问题而建议另一个问题。
应当理解，图10和图11中的用户界面和其中的内容是示例性的，并且根据实际设计和要求，可以在用户界面中包括或建议各种内容。此外，尽管上面讨论了响应于用户在特定部分中的内容输入而建议至少一个问题，但是也可以响应于用户对该部分中的当前内容的修改操作而建议至少一个问题。
图12示出了根据实施例的建议至少一个问题的示例性过程1200。
在1202处，可以识别与表单的完成相关联的上下文信息。上下文信息可以进一步用于为表单中的交互部分中的问题条目生成至少一个问题。在一种实现方式中，对上下文信息的识别可以包括响应于用户在表单的一个部分中的内容输入来更新上下文信息，相应地，经更新的上下文信息可以进一步用于生成至少一个所建议的问题。
上下文信息可以包括以下至少之一：表单中的标题部分的内容、表单中的标题描述部分的内容、表单中的至少另一个交互部分中的问题条目的内容、目标实体信息，以及用户信息。
在1204处，可以至少基于上下文信息来生成至少一个问题。
在一种实现方式中，问题的生成可以包括标题/标题描述到问题的生成，即，基于标题或标题描述来生成至少一个问题。可以采用各种方式来基于标题或标题描述生成问题。
根据基于属性标签的方式，可以获得大量候选问题，并且可以为每个候选问题或候选问题集合分配一个或多个属性标签。此外，可以训练诸如机器学习模型的属性标记模型，以用于针对所输入的标题/标题描述来自动预测属性标签。通过将标题/标题描述的属性标签与候选问题的属性标签进行比较，可以将具有与针对标题/标题描述所预测的属性标签相同或最相关的属性标签的至少一个候选问题确定为至少一个所建议问题。例如，对于标题“AAAI-19会议注册表单”，可以将其标记为“技术会议”、“注册”等，并且可以将具有“技术会议”、“注册”等属性标签的至少一个候选问题确定为至少一个所建议的问题。
根据另一种方式，可以训练序列到序列生成模型，例如条件语言生成模型，以用于根据所输入的标题/标题描述来自动生成至少一个问题。训练数据可以是从先前的表单中收集的大量<标题/标题描述，问题>对，例如，<“晚餐邀请”，“客人数量”>、<“晚餐邀请”，“您有饮食偏好吗？”>等。可以将序列到序列生成模型应用于将上下文信息中的标题和/或标题描述作为输入，并且输出至少一个所建议的问题。
在一种实现方式中，问题的生成可以包括问题到问题生成，即，基于一个问题来生成至少另一个问题。可以训练问题到问题建议模型，以用于基于一个问题来生成至少另一个问题。问题到问题建议模型可以采用与机器翻译模型(例如，基于短语的统计机器翻译模型或神经机器翻译模型)类似的框架。问题到问题建议模型的训练数据可以采用<上一个问题，下一个问题>对的格式，并且可以是从先前的表单中收集的。可以将问题到问题建议模型应用于将表单中存在的问题作为输入，并且输出至少一个所建议的问题。
在一种实现方式中，问题的生成可以包括目标实体信息到问题生成，即，基于目标实体信息来生成至少一个问题，其中，表单与目标实体相关联，并且目标实体信息可以是从检测出目标实体的应用中提取的。目标实体信息可以包括与目标实体有关的各种类型的信息。可以训练自然语言生成模型，以用于基于目标实体信息或目标实体信息的属性标签来生成至少一个问题。训练数据可以是从先前的表单中收集的，其中，问题是由对应的目标实体信息或目标实体信息的属性标签来标记的。可以将自然语言生成模型应用于将目标实体信息作为输入，并且输出至少一个所建议的问题。例如，可以通过自然语言生成模型来生成图2中的问题条目236-1和问题条目238-1中的问题。
在1206处，可以在表单的交互部分中的至少一个问题条目中提供问题建议。
在一种实现方式中，在提供问题建议之前，可以首先对通过上述各种方式或生成模型所生成的问题进行排序。可以训练排序模型，该排序模型可以采用，例如，表单中的整个问题集合的相关性、流畅性、多样性、整体连贯性等特征。通过排序模型，可以对所生成的问题进行排序或给予各自的分数，并且可以将排序最高的一个或多个问题包括在将要提供给用户的问题建议中。
根据本公开的实施例，可以评估表单中的问题的顺序。通常，表单中的问题应以适当的顺序排列，以提高表单的逻辑性、增强接收者对表单的接受度、并且促进接收者对表单做出回应的意愿。例如，某些类型的问题不适合在表单的开头部分提出，例如包括年龄、收入等人口统计问题。接收者可能在具有对表单的大致认知之前的早期对回答人口统计问题有所抵触，因此可能拒绝回应表单。这些问题如果在表单的后半部分提出则会更加自然。本公开的实施例提出了问题顺序建议过程。首先，可以通过预定的启发式规则或机器学习模型来识别与表单中的每个问题相对应的意图。机器学习模型可以是利用<问题，意图标签>对形式的大量训练数据来训练的。问题的意图可以指问题的类型，或者期望通过该问题获得什么类型的信息，例如年龄、性别、收入、意见等。然后，可以将表单中所有问题的意图组织为一个序列，例如词语序列，其中词语是意图。可以训练语言模型以用于确定意图序列中的任何子序列的概率。如果检测到某个子序列降低了整个序列的概率，则可以将与该子序列相对应的问题确定为处于不适当的顺序。相应地，可以向用户呈现关于与所检测到的子序列相对应的问题条目的顺序不适当的提示。因而，用户可以进一步调整这些问题的顺序。此外，上述问题顺序建议过程也可以是在提供问题建议期间执行的，使得所建议的问题将处于适当的顺序。
根据本公开的实施例，可以从表单中确定是否遗漏了必要的问题，例如本应该被包括在表单中的问题。以与聚会邀请相关联的表单为例，通常，这种表单应当包括关于接收者有什么饮食偏好的问题。如果表单不包括该问题，则可以向用户提供关于该问题被遗漏并且最好添加到表单中的提示。本公开的实施例提出了遗漏问题建议过程。可以基于先前的表单来预先建立数据库。数据库可以包括多个数据项，每个数据项对应于一个表单，并且包括该表单的至少一个属性标签和该表单中问题的候选意图集合。表单的属性标签可以是表单的类型标签，其指示表单的目的、话题等。表单的属性标签也可以是表单的嵌入表示，其可以是通过例如在向量空间中对表单执行词语嵌入来生成的。可选地，对于每种表单类型，可以针对问题来估计条件概率P(问题_候选意图│表单_属性标签)，并且只有条件概率高于阈值的那些问题才会与表单的属性标签一起存储在数据库中。当确定表单是否遗漏了问题时，可以首先确定表单的属性标签。然后，可以从数据库中提取与所确定的表单的属性标签相对应的候选意图集合。可以识别与表单中的问题相对应的多个意图。可以从所提取的候选意图集合中选择未包括在所述多个意图中的至少一个遗漏候选意图。所选择的遗漏候选意图可以指示在表单中遗漏了相对应的问题。相应地，可以向用户呈现关于遗漏了与至少一个遗漏候选意图相对应的至少一个问题的提示。
根据本公开的实施例，可以至少基于与表单的完成相关联的上下文信息来生成表单中的交互部分中的选项条目的内容，例如一个或多个选项，并且将其呈现在选项条目中。
图13示出了根据实施例的用于建议选项的示例性用户界面。图13中的用户界面示出了可以响应于对问题的输入来建议选项。如在表单的用户界面1310中所示，用户可能将内容输入到表单中的交互部分1312中的问题条目1312-1中，例如，输入问题“1.在4月2日举行了专利培训，您参加了吗？”，而没有将任何内容输入到交互部分1312中的选项条目1312-2中。然后，响应于在问题条目1312-1中的内容输入，交互部分1312中的选项条目1312-2的内容可以被建议为是/否选择项。
图14示出了根据实施例的用于建议选项的示例性用户界面。图14中的用户界面示出了可以响应于对问题和部分选项的输入来建议选项。如在表单的用户界面1410中所示，用户可能将内容输入到表单中的交互部分1412中的问题条目1412-1中，例如，输入问题“2.请评估培训师的表现”，并且在交互部分1412中的选项条目1412-2中输入选项“极好”。但是，用户尚未完成期望在选项条目1412-2中输入的所有选项。于是，响应于在问题条目1412-1和选项条目1412-2中的内容输入，可以通过建议剩余的选项，例如“一般”、“较差”等，来完成交互部分1412中的选项条目1412-2的内容。
应当理解，图13和图14中的用户界面和其中的内容是示例性的，并且根据实际设计和要求，可以在用户界面中包括或建议各种内容。此外，尽管上面讨论了响应于用户在某些部分或项目中的内容输入而建议选项，但是也可以响应于用户对这些部分或项目中的当前内容的修改操作而建议选项。
图15示出了根据实施例的建议选项的示例性过程1500。
在1502处，可以识别与表单的完成相关联的上下文信息。上下文信息可以进一步用于为表单中的交互部分中的选项条目生成至少一个选项。在一种实现方式中，上下文信息的识别可以包括响应于用户在表单的一个部分中的内容输入来更新上下文信息，并且相应地，经更新的上下文信息可以进一步用于生成至少一个所建议的选项。
上下文信息可以包括以下至少之一：交互部分中的问题条目的内容、选项条目中的不完整内容、表单中其它部分的内容、目标实体信息以及用户信息。
在1504处，可以至少基于上下文信息来生成至少一个选项。
在一种实现方式中，选项的生成可以包括问题到选项生成，即，基于问题来生成至少一个选项。可以采用各种方式来基于问题生成至少一个选项。
根据基于属性标签的方式，可以基于先前的表单来预先建立数据库。数据库可以包括多个数据项，每个数据项对应于一个问题，并且包括该问题的至少一个属性标签和该问题的候选选项集合。属性标签可以是问题的类型。可选地，对于每种问题类型，可以针对问题的每个选项来估计条件概率P(选项│问题_属性标签)，并且只有条件概率高于阈值的那些选项才会与问题一起存储在数据库中。当针对问题生成至少一个所建议的选项时，可以首先通过例如被训练用于对问题加标记的属性标签生成模型来确定问题的属性标签。然后，可以从数据库中提取与所确定的问题的属性标签相对应的候选选项集合。所提取的候选选项集合可以作为至少一个所建议的选项而呈现给用户。
根据另一种方式，可以训练机器学习模型以用于根据输入问题而自动生成至少一个选项。训练数据可以是从先前的表单中收集的大量<问题，至少一个选项>对。可以将机器学习模型应用于将上下文信息中的问题作为输入，并且输出至少一个所建议的选项。
在一种实现方式中，选项的生成可以包括选项到选项生成，即，基于相同问题的至少一个选项来生成其它选项。例如，用户可能在交互部分中的选项条目中输入不完整的内容，相应地，可以响应于在选项条目中的不完整的内容输入而在选项条目中建议完整的内容。换句话说，如果用户仅在选项条目中输入选项的一部分，则可以生成选项的剩余部分。可以采用各种方式来基于选项生成至少一个选项。
根据一种方式，可以将机器学习模型训练用于根据至少一个输入选项来自动预测一个或多个选项。训练数据可以是从先前的表单中收集的大量<先前选项，剩余选项>对。可以将机器学习模型应用于将选项条目中存在的至少一个选项作为输入，并且输出至少一个所建议的选项。
在一种实现方式中，尽管未在图15中示出，选项的生成可以包括基于问题和已针对该问题输入的至少一个选项两者来生成该问题的其它选项。在这种情况下，可以采用各种方式。根据一种方式，可以将机器学习模型训练用于根据问题和至少一个输入选项来自动预测一个或多个选项。训练数据可以是从先前的表单中收集的大量<问题，先前选项，剩余选项>对。可以将机器学习模型应用于将问题条目中的问题和选项条目中存在的至少一个选项作为输入，并且输出针对该问题的至少一个所建议的选项。
在1506处，可以在表单中的交互部分中的选项条目中提供选项建议。
根据本公开的实施例，当接收到用户在表单中的内容输入时，如果内容输入包含不适当的表达，则可以向用户呈现修改建议。即，本公开的实施例可以提供用于润饰或改写用户的内容输入的建议。不适当的表达可以包括，例如，缩写词(acronym)、低频用语、含糊量化用语(vague quantification term)、模糊(ambiguous)问题、双重目的(double-barreled)问题、引导性(leading)或诱导性(loaded)问题等。
对于包含缩写词的内容，缩写词可能对接收者引起困惑，因此可能导致较差质量的响应。可以建议使用简单直接的语言来代替缩写词。例如，对于缩写词“USPS”，可以将该缩写词修改为“United States Postal Service”(美国邮政服务)。
对于包含低频用语或词语的内容，这些用语或词语在日常语言中较少遇见，其可以由简单直接的语言来代替。例如，可以将词语“affluent(富裕的)”修改为“wealthy(富有的)”，并且可以将词语“irate(愤怒的)”修改为“angry(生气的)”。
对于包含含糊量化用语的内容，这些用语可能传达了不确定的或近似的量，因此可以由特定表达来代替。例如，问题“您定期锻炼么？”包含含糊量化用语“定期”，其可以被修改为“您平均每周锻炼几天？”。
对于包含模糊问题的内容，该问题可能不容易理解，并且接收者需要返回以查看表单的目的，因此，可以用特定的表达来代替这样的问题。例如，由于“事项(issue)”的含义不明确，因而问题“您在[商店名称]的体验期间，遇到任何事项了吗？”是模糊的，其可以被修改为“困难是对购物者体验产生负面影响的任何主要或次要的事件。您在[商店名称]的体验期间，遇到任何困难了吗？”。
对于包含双重目的问题的内容，由于该问题询问了关于多个对象的意见，因此接收者可能不知道该回答哪个对象。可以将这种问题修改为只询问一件事。例如，问题“您认为及时的且准确的信息对改善客户服务很重要吗？”包含两个对象“及时的信息”和“准确的信息”，其可以被修改为两个独立的问题“您认为及时的信息对改善客户服务很重要吗？”和“您认为准确的信息对改善客户服务很重要吗？”。
对于包含引导性或诱导性问题的内容，此类问题的措词可能包括接收者对特定话题的看法的原因，并且该原因可能对该问题产生诱导。当问题起始部分中的介绍性语句使得接收者感到例如“可以这样做”时，也会发生这种情况。应该避免这样的引导性或诱导性问题。例如，问题“您喜欢这部电影的程度如何？”包含引导性词语“喜欢”，其可以被修改为“您觉得这部电影如何？”。
可以从表单中的内容中检测各种不适当的表达，并且可以基于如上所述的方式来提供修改建议。
图16示出了根据实施例的用于提供修改建议的示例性用户界面。如在表单的用户界面1610中所示，用户可能将内容输入到表单中的交互部分1612中的问题条目1612-1中，例如，输入问题“2.您喜欢该培训的程度如何？”。该问题可以被检测为包含不适当表达的问题，例如，引导性问题。从而，可以向用户提供修改建议1614，例如，“如果我们说‘您觉得该培训如何？’将会更好”。如果用户点击该建议，则所建议的问题可以代替用户所输入的先前问题。
应当理解，图16中的用户界面和其中的内容是示例性的，并且根据实际设计和要求，可以在用户界面中包括或建议各种内容。
根据本公开的实施例，当向用户提供针对表单的内容建议时，可以至少基于与表单相关联的上下文信息来使得所建议的内容是对于用户而个性化或定制的。在一种实现方式中，上下文信息中的用户信息可以包括从用户的历史表单的内容中检测到的、特定于用户的表达习惯。例如，该用户可能已经创建了许多包含带表情符号的选项的表单，例如，“
根据本公开的实施例，提出了一种动态适应过程，以用于使得所建议的内容动态地适应用户的内容输入。用户的内容输入可能包括特定实体，但是，内容建议生成模型可能无法直接生成包含这些实体的所建议的内容。在这个方面，可以执行动态适应过程以提高内容建议的质量。对于模型训练阶段和模型应用阶段两者而言，可以通过利用对应的词条替换特定的实体(例如名称、日期等)来对内容进行规范化。例如，标题“CogSci 2019会议后回顾”可以被转换为“
根据本公开的实施例，可以将基于域的精确化(refining)过程应用于如上所述的内容建议生成模型或过程，以进一步提高内容建议的准确性。精确化过程可以通过在内容建议的生成期间考虑或强调与用户相关联的域中的信息，使内容建议能够更适应于该用户。以问题到问题建议模型为例，可以基于来自各个域的语料库来训练该模型。然而，为了对该模型的问题建议进行精确化，可以将来自与该用户相关联的域的语料库特别地用于对该模型进行精确化并相应地对问题建议进行精确化。例如，来自与该用户相关联的域的语料库可以是由与该用户在同一公司的那些用户所先前创建的表单。这些表单可能包含特定于该公司的域的信息，例如，从该公司的用户处分发的表单中所常问的问题等。当利用与该用户相关联的公司域中的先前表单来对问题到问题建议模型进行再训练时，特定于该域的信息将会有助于使得该模型能够生成适应于该域的所建议的问题。
根据本公开的实施例，可以在用户正在表单中的一个部分中输入当前内容期间提供内容建议。尽管该用户尚未完全输入当前内容，但是该用户已经输入的当前内容的该部分可以用于更新表单的上下文信息，相应地，实时更新的上下文信息可以被用于根据上述内容建议生成过程来生成内容建议。
图17示出了根据实施例的用于文档自动完成的示例性方法1700的流程图。
在1710处，可以接收用于创建文档的指令。
在1720处，可以响应于所述指令来呈现所述文档，所述文档中的至少第一部分包括根据与所述文档相关联的上下文信息所建议的内容。
在1730处，可以接收对所述文档的编辑操作。
在1740处，可以在所述文档中的至少第二部分中呈现响应于所述编辑操作所建议的内容。
在一种实现方式中，所述文档可以是表单。所述表单可以包括以下至少之一：调查、培训、研讨会、注册、投票、测验、以及家庭作业。
在一种实现方式中，所述上下文信息可以至少包括从另一应用处识别的目标实体，并且所述文档可以与所述目标实体相关联。
在一种实现方式中，所述第一部分可以包括以下至少之一：标题部分、标题描述部分、以及一个或多个交互部分。每个交互部分可以包括问题条目和选项条目。
在一种实现方式中，所述接收所述编辑操作可以包括：接收对所述第一部分的内容的修改操作。所述呈现所述内容可以包括：在所述第二部分中呈现响应于所述修改操作所建议的内容。
在一种实现方式中，所述接收所述编辑操作可以包括：接收在所述文档中的第三部分中的内容输入。所述呈现所述内容可以包括：在所述第二部分中呈现响应于所述内容输入所建议的内容。
在一种实现方式中，所述接收所述编辑操作可以包括：接收在所述文档中的交互部分中的问题条目中的内容输入和/或在所述交互部分中的选项条目中的不完整内容输入。所述呈现所述内容可以包括：在所述选项条目中呈现完整内容，所述完整内容是响应于在所述问题条目中的所述内容输入和/或在所述选项条目中的所述不完整内容输入所建议的。
在一种实现方式中，所述接收所述编辑操作可以包括：接收在所述文档中的内容输入。所述方法可以进一步包括：呈现针对所述内容输入的修改建议。
应当理解，方法1700可以进一步包括根据上述本公开实施例的用于文档自动完成的任何步骤/过程。
图18示出了根据实施例的用于文档自动完成的示例性方法1800的流程图。
在1810处，可以识别与文档的完成相关联的上下文信息。
在1820处，可以生成所述文档中的至少一个部分的内容，所述内容是至少基于所述上下文信息所建议的。
在1830处，可以在所述文档中的所述至少一个部分中呈现所述内容。
在一种实现方式中，所述识别所述上下文信息可以包括：从另一应用处识别目标实体。所述方法可以进一步包括：响应于对所述目标实体的识别，创建与所述目标实体相关联的所述文档。
在一种实现方式中，所述至少一个部分的所述内容可以包括标题部分和/或标题描述部分的内容。所述上下文信息可以包括以下至少之一：所述文档中的其它部分的内容、目标实体信息、以及用户信息。
在一种实现方式中，所述至少一个部分的所述内容可以包括交互部分中的问题条目的内容。所述上下文信息可以包括以下至少之一：所述文档中的标题部分的内容、所述文档中的标题描述部分的内容、所述文档中的至少另一个交互部分中的问题条目的内容、目标实体信息、以及用户信息。
在一种实现方式中，所述至少一个部分的所述内容可以包括交互部分中的选项条目的内容。所述上下文信息可以包括以下至少之一：所述交互部分中的问题条目的内容、所述选项条目中的不完整内容、所述文档中的其它部分的内容、目标实体信息、以及用户信息。
在一种实现方式中，所述生成所述至少一个部分的所述内容可以进一步包括：至少基于所述上下文信息来生成规范化内容；从所述上下文信息中识别实体信息；以及通过利用所述实体信息替换所述规范化内容中的预定词条来导出所述内容。
在一种实现方式中，方法1800可以进一步包括：从所述文档中识别包括缩写词、低频用语、含糊量化用语、模糊问题、双重目的问题、以及引导性或诱导性问题中至少之一的内容；以及呈现对所述内容的修改建议。
在一种实现方式中，方法1800可以进一步包括：识别与所述文档中的多个交互部分中的问题条目的内容相对应的多个意图；通过语言模型，确定所述多个意图的序列中的任何子序列的概率；检测降低所述序列的概率的子序列；以及呈现关于与所检测到的子序列相对应的问题条目的顺序不适当的提示。
在一种实现方式中，方法1800可以进一步包括：确定所述文档的属性标签；提取与所述属性标签相对应的候选意图集合；识别与所述文档中的多个交互部分中的问题条目的内容相对应的多个意图；从所述候选意图集合中选择未被包括在所述多个意图中的至少一个遗漏候选意图；以及呈现关于遗漏了与所述至少一个遗漏候选意图相对应的至少一个问题的提示。
应当理解，方法1800可以进一步包括根据上述本公开实施例的用于文档自动完成的任何步骤/过程。
图19示出了根据实施例的用于文档自动完成的示例性装置1900。
装置1900可以包括：指令接收模块1910，用于接收用于创建文档的指令；文档呈现模块1920，用于响应于所述指令来呈现所述文档，所述文档中的至少第一部分包括根据与所述文档相关联的上下文信息所建议的内容；编辑操作接收模块1930，用于接收对所述文档的编辑操作；以及内容呈现模块1940，用于在所述文档中的至少第二部分中呈现响应于所述编辑操作所建议的内容。
此外，装置1900还可以包括被配置用于根据上述本公开实施例的文档自动完成的任何其它模块。
图20示出了根据实施例的用于文档自动完成的示例性装置2000。
装置2000可以包括：上下文信息识别模块2010，用于识别与文档的完成相关联的上下文信息；内容生成模块2020，用于生成所述文档中的至少一个部分的内容，所述内容是至少基于所述上下文信息所建议的；以及内容呈现模块2030，用于在所述文档中的所述至少一个部分中呈现所述内容。
此外，装置2000还可以包括被配置用于根据上述本公开实施例的文档自动完成的任何其它模块。
图21示出了根据实施例的用于文档自动完成的示例性装置2100。
装置2100可以包括至少一个处理器2110和存储计算机可执行指令的存储器2120。当执行计算机可执行指令时，至少一个处理器2110可以执行根据上述本公开实施例的用于文档自动完成的方法的任何操作。
本公开的实施例可以实施在非暂时性计算机可读介质中。该非暂时性计算机可读介质可以包括指令，当所述指令被执行时，使得一个或多个处理器执行根据上述本公开实施例的用于文档自动完成的方法的任何操作。
应当理解，以上描述的方法中的所有操作都仅仅是示例性的，本公开并不限制于方法中的任何操作或这些操作的顺序，而是应当涵盖在相同或相似构思下的所有其它等同变换。
还应当理解，以上描述的装置中的所有模块都可以通过各种方式来实施。这些模块可以被实施为硬件、软件、或其组合。此外，这些模块中的任何模块可以在功能上被进一步划分成子模块或组合在一起。
已经结合各种装置和方法描述了处理器。这些处理器可以使用电子硬件、计算机软件或其任意组合来实施。这些处理器是实施为硬件还是软件将取决于具体的应用以及施加在系统上的总体设计约束。作为示例，本公开中给出的处理器、处理器的任意部分、或者处理器的任意组合可以实施为微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门逻辑、分立硬件电路、以及配置用于执行在本公开中描述的各种功能的其它适合的处理部件。本公开给出的处理器、处理器的任意部分、或者处理器的任意组合的功能可以实施为由微处理器、微控制器、DSP或其它适合的平台所执行的软件。
软件应当被广泛地视为表示指令、指令集、代码、代码段、程序代码、程序、子程序、软件模块、应用、软件应用、软件包、例程、子例程、对象、运行线程、过程、函数等。软件可以驻留在计算机可读介质中。计算机可读介质可以包括例如存储器，存储器可以例如为磁性存储设备(如，硬盘、软盘、磁条)、光盘、智能卡、闪存设备、随机存取存储器(RAM)、只读存储器(ROM)、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、寄存器或者可移动盘。尽管在本公开给出的多个方面中将存储器示出为是与处理器分离的，但是存储器也可以位于处理器内部(如，缓存或寄存器)。
以上描述被提供用于使得本领域任何技术人员可以实施本文所描述的各个方面。这些方面的各种修改对于本领域技术人员是显而易见的，本文限定的一般性原理可以应用于其它方面。因此，权利要求并非旨在被局限于本文示出的方面。关于本领域技术人员已知或即将获知的、对本公开所描述的各个方面的元素的所有结构和功能上的等同变换都旨在由权利要求所覆盖。
- 文档自动完成
- 文档管理系统、文档制作设备、文档使用管理设备、以及文档管理方法