CN109344255B - 标签的填充方法及终端设备 - Google Patents

标签的填充方法及终端设备 Download PDF

Info

Publication number
CN109344255B
CN109344255B CN201811122803.9A CN201811122803A CN109344255B CN 109344255 B CN109344255 B CN 109344255B CN 201811122803 A CN201811122803 A CN 201811122803A CN 109344255 B CN109344255 B CN 109344255B
Authority
CN
China
Prior art keywords
user
label
type
users
tree model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811122803.9A
Other languages
English (en)
Other versions
CN109344255A (zh
Inventor
裴阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811122803.9A priority Critical patent/CN109344255B/zh
Publication of CN109344255A publication Critical patent/CN109344255A/zh
Application granted granted Critical
Publication of CN109344255B publication Critical patent/CN109344255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明适用于数据分析技术领域，提供了一种标签的填充方法及终端设备，通过从用户集合中各个用户对应的用户标签所属的标签类型中，确定出被选标签类型以及普通标签类型，依次根据每个普通标签类型对用户集合中的各个用户进行分类，在进行多次分类后，生成用户集合对应的分类树模型；将分类树模型中最底层的各个叶子节点对应的含有被选标签类型的用户标签的用户作为参考用户，并根据叶子节点中各个参考用户的被选标签类型的标签，为该叶子节点对应的参考用户以外的用户填充属于所述被选标签类型的标签，以在无需用户补录标签的情况下，自动为相关用户填充准确的各类标签，保障依赖标签的相关后续分析工作顺利进行。

Description

标签的填充方法及终端设备
技术领域
本发明属于数据分析技术领域，尤其涉及一种标签的填充方法及终端设备。
背景技术
当前，大量的业务是依靠用户的标签才能完成的，例如一个保险业务，金融机构需要知道一个用户的性别、年龄、健康状况、城市以及职业等标签，只有综合了各个标签，才能计算出一个合理的保险产品的价格，以及对未来风险进行更加准确的评估。
然而，在用户数据收集的阶段，一个用户的标签有时是不完整的，例如，一个金融产品后续的相关计算过程需要结合用户的10类标签，但是在用户数据收集的阶段，只收集到8类标签，则可能还有2类标签是不清楚的。可以理解地，在现有技术中，从用户角度看，一个用户存在标签不完整的情况，从标签的角度看，一类标签难以覆盖全部的用户，存在标签覆盖率不高的情况。
正是由于上述情况，在现有技术中，用户经常需要补录标签，若在不补录标签的情况下，后续的金融分析便难以进行。因此，当前在数据分析领域存在由于用户标签不完整，导致的数据分析不准确的或难以进行的问题。
发明内容
有鉴于此，本发明实施例提供了一种标签的填充方法及终端设备，以解决现有技术存在的标签覆盖率低的问题。
本发明实施例的第一方面提供了一种标签的填充方法，包括：
获取预设的用户集合中各个用户的用户信息，所述用户信息中包含一个以上的用户标签；
从所述用户集合中各个用户对应的用户标签所属的标签类型中，确定一个标签类型作为被选标签类型，并将所述被选标签类型以外的标签类型作为普通标签类型；
依次根据每个所述普通标签类型对所述用户集合中的各个用户进行分类，在进行多次分类后，生成所述用户集合对应的分类树模型，所述分类树模型的每一个子节点对应一个以上的用户；
将所述分类树模型中最底层的各个叶子节点对应的含有所述被选标签类型的用户标签的用户作为参考用户，并根据所述叶子节点中各个所述参考用户的被选标签类型的标签，为该叶子节点对应的所述参考用户以外的用户填充属于所述被选标签类型的标签。
本发明实施例的第二方面提供了一种终端设备，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如下步骤：
获取预设的用户集合中各个用户的用户信息，所述用户信息中包含一个以上的用户标签；
从所述用户集合中各个用户对应的用户标签所属的标签类型中，确定一个标签类型作为被选标签类型，并将所述被选标签类型以外的标签类型作为普通标签类型；
依次根据每个所述普通标签类型对所述用户集合中的各个用户进行分类，在进行多次分类后，生成所述用户集合对应的分类树模型，所述分类树模型的每一个子节点对应一个以上的用户；
将所述分类树模型中最底层的各个叶子节点对应的含有所述被选标签类型的用户标签的用户作为参考用户，并根据所述叶子节点中各个所述参考用户的被选标签类型的标签，为该叶子节点对应的所述参考用户以外的用户填充属于所述被选标签类型的标签。
本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
获取预设的用户集合中各个用户的用户信息，所述用户信息中包含一个以上的用户标签；
从所述用户集合中各个用户对应的用户标签所属的标签类型中，确定一个标签类型作为被选标签类型，并将所述被选标签类型以外的标签类型作为普通标签类型；
依次根据每个所述普通标签类型对所述用户集合中的各个用户进行分类，在进行多次分类后，生成所述用户集合对应的分类树模型，所述分类树模型的每一个子节点对应一个以上的用户；
将所述分类树模型中最底层的各个叶子节点对应的含有所述被选标签类型的用户标签的用户作为参考用户，并根据所述叶子节点中各个所述参考用户的被选标签类型的标签，为该叶子节点对应的所述参考用户以外的用户填充属于所述被选标签类型的标签。
在本发明实施例中，通过从用户集合中各个用户对应的用户标签所属的标签类型中，确定出被选标签类型以及普通标签类型，依次根据每个普通标签类型对用户集合中的各个用户进行分类，在进行多次分类后，生成用户集合对应的分类树模型；将分类树模型中最底层的各个叶子节点对应的含有被选标签类型的用户标签的用户作为参考用户，并根据叶子节点中各个参考用户的被选标签类型的标签，为该叶子节点对应的参考用户以外的用户填充属于所述被选标签类型的标签，以在无需用户补录标签的情况下，自动为相关用户填充准确的各类标签，保障依赖标签的相关后续分析工作顺利进行。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的标签的填充方法的实现流程图；
图2是本发明实施例提供的标签的填充方法S103的具体实现流程图；
图3是本发明实施例提供的标签的填充装置的结构框图；
图4是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的标签的填充方法的实现流程，该方法流程包括步骤S101至S104。各步骤的具体实现原理如下。
S101：获取预设的用户集合中各个用户的用户信息，所述用户信息中包含一个以上的用户标签。
在当前的业务分析过程中，经常出现用户缺少某种标签类型的标签的现象，例如：如果用户集合中包含10000个用户，每个用户正常情况下分别对应“性别”、“年龄”、“工资”、“学历”、“省份”以及“负债级别”这6个标签类型的标签，但是可能在信息录入时，存在某些用户的某类标签缺失的现象。例如：用户1缺少“工资”类用户标签，用户2缺少“学历”类用户标签，在本发明实施例中，最核心的目的是为了给用户集合中的各个用户填充各自缺失的标签。
S102，从所述用户集合中各个用户对应的用户标签所属的标签类型中，确定一个标签类型作为被选标签类型，并将所述被选标签类型以外的标签类型作为普通标签类型。
在本发明实施例中，为了给各个用户填充其缺失的标签，必须首先建立各个标签类型对应的分类树模型，并通过每个标签类型对应的分类树模型为用户填充属于该标签类型的标签。可以理解地，依次选定一个标签类型作为被选标签类型，将其他标签类型作为普通标签类型。当选定一个被选标签类型后，本发明实施例便会根据后续的计算过程确定该被选标签类型对应的分类树模型。基于上述介绍可知：每个标签类型都可能在不同时间被确定为被选标签类型，但是同一时刻只能有一个被选标签类型。
示例性地，如果标签类型包含“性别”、“年龄”、“工资”、“学历”、“省份”以及“负债级别”这6个类型，如果将“工资”选定为被选标签类型，则“性别”、“年龄”、“学历”、“省份”以及“负债级别”会被定为普通标签类型。
S103，依次根据每个所述普通标签类型对所述用户集合中的各个用户进行分类，在进行多次分类后，生成所述用户集合对应的分类树模型，所述分类树模型的每一个子节点对应一个以上的用户。
在本发明实施例中，由于需要建立一个分类树模型，所以需要从一个根节点开始进行分类，可以理解地，该根节点对应所述用户集合中的全部用户。之后，每一次选择一个普通标签类型对上一层的节点进行分类。
作为本发明的一个实施例，如图2所示，上述S103包括：
S1031：根据预设规则从所述普通标签类型中选取一个初始标签类型，通过所述初始标签类型对所述用户集合中的各个用户进行分类，生成根节点下的第一层子节点，以得到初始的分类树模型，所述根节点对应所述用户集合中的全部用户。
S1032，重复执行下列操作，直至更新后的分类树模型满足预设的截止条件，则输出更新后的所述分类树模型：根据预设规则选取一个未被选取过的所述普通标签类型作为当前的分类标签类型，通过所述当前的分类标签类型对当前的分类树模型最下层的各个子节点对应的用户进行分类，生成下一层的子节点，以更新当前的分类树模型。
可选地，若更新后的分类树模型最下层的各个叶子节点对应的用户的数量的平均值小于数量阈值，则判定所述更新后的分类树模型满足预设的截止条件。
示例性地，假设“工资”被定位被选标签类型，“性别”、“年龄”、“学历”、“省份”以及“负债级别”会被定为普通标签类型。第一次选择“学历”普通标签类型对根节点进行分类，假设“学历”普通标签类型包含“小学及以下”、“中学”、“大学本科”以及“研究生”4个具体的标签，由于用户集合中的用户可能缺失“学历”普通标签类型的标签，所以会把所述根节点对应的用户分为5类，即：除了“小学及以下”、“中学”、“大学本科”以及“研究生”以外，还包含一个“未知”类，因此“工资”标签类型对应的分类树模型的第二层包括5个子节点。随后若第二次选择“负债级别”普通标签类型，则通过“负债级别”对分类树模型的第二层的5个子节点分别进行分类，如果“负债级别”包含6类标签，则显然第二层的每个子节点会分为7个第三层子节点(同样包含一个“未知”类别)，因此分类树模型的第三层包含35个第三层子节点。可以理解地，通过上述方法，再选择新的“普通标签类型”生成所述分类树模型的第四层子节点，并以此类推，在进行多次分类后，生成所述用户集合对应的分类树模型。
可选地，在本发明实施例中，为了提高每次分类的效率，所以所述根据预设规则选取一个未被选取过的普通标签类型作为当前的分类标签类型，包括；
根据所述用户集合中各个用户的用户标签所属的标签类型，生成所述用户与所述标签类型的对应关系，并统计各个所述未被选取过的普通标签类型对应的用户的用户数量；
在所述未被选取过的普通标签类型中，选取所述用户数量最大的所述普通标签类型作为当前的分类标签类型。
示例性地，假设在预设的用户集合的10000个用户中，“性别”标签类型的标签覆盖了9990个用户；“年龄”标签类型的标签覆盖了9000个用户、“工资”标签类型的标签覆盖了8000个用户、“学历”标签类型的标签覆盖了7500个用户、“省份”以及“负债级别”标签类型的标签覆盖了7000个用户，若“工资”标签类型为被选标签类型，则不通过“工资”标签类型进行分类，只根据剩余5类普通标签类型对应的用户的用户数量由高到低的顺序，依次选取一个普通标签类型对用户集合中各个用户进行多次分类，具体的分类步骤已在上文详述，不在此赘述。
S104，将所述分类树模型中最底层的各个叶子节点对应的含有所述被选标签类型的用户标签的用户作为参考用户，并根据所述叶子节点中各个所述参考用户的被选标签类型的标签，为该叶子节点对应的所述参考用户以外的用户填充属于所述被选标签类型的标签。
可选地，计算所述叶子节点中所述参考用户对应的属于所述被选标签类型的各个标签的比例，作为标签比例；将所述标签比例最高的标签填充为该叶子节点对应的所述参考用户以外的用户的标签。
可以理解地，当根据上文所述的方法计算出了一个分类树模型后，每个最底层的叶子节点中都可能对应多个用户，在这些用户中有些用户是参考用户，另一些用户是缺失被选标签类型的用户标签的用户。
示例性地，例如：存在一个叶子节点对应100个用户，假设“工资”标签类型为被选标签类型，其中参考用户有80个，参考用户以外的用户有20个，则根据80个参考用户对应的属于所述被选标签类型的各个标签的比例，作为标签比例，例如，在80个参考用户中，有60个参考用户的“工资”类标签为“20000-30000”，10个参考用户的“工资”类标签为“10000-20000”，7个参考用户的“工资”类标签为“30000以上”，3个参考用户的“工资”类标签为“10000以下”，因此可以计算出各类标签对应的标签比例。由于标签“20000-30000”的标签比例最高，所以将标签“20000-30000”作为20个参考用户以外的用户的标签。
通过上述示例可以得出，本发明实施例根据被选标签类型中各个标签的标签比例，为参考用户以外的用户填充标签。
本发明实施例中，通过从用户集合中各个用户对应的用户标签所属的标签类型中，确定出被选标签类型以及普通标签类型，依次根据每个普通标签类型对用户集合中的各个用户进行分类，在进行多次分类后，生成用户集合对应的分类树模型；将分类树模型中最底层的各个叶子节点对应的含有被选标签类型的用户标签的用户作为参考用户，并根据叶子节点中各个参考用户的被选标签类型的标签，为该叶子节点对应的参考用户以外的用户填充属于所述被选标签类型的标签，以在无需用户补录标签的情况下，自动为相关用户填充准确的各类标签，保障依赖标签的相关后续分析工作顺利进行。
对应于上文实施例所述的标签的填充方法，图3示出了本发明实施例提供的标签的填充装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。
参照图3，该装置包括：
获取模块301，用于获取预设的用户集合中各个用户的用户信息，所述用户信息中包含一个以上的用户标签；
确定模块302，用于从所述用户集合中各个用户对应的用户标签所属的标签类型中，确定一个标签类型作为被选标签类型，并将所述被选标签类型以外的标签类型作为普通标签类型；
生成模块303，用于依次根据每个所述普通标签类型对所述用户集合中的各个用户进行分类，在进行多次分类后，生成所述用户集合对应的分类树模型，所述分类树模型的每一个子节点对应一个以上的用户；
填充模块304，用于将所述分类树模型中最底层的各个叶子节点对应的含有所述被选标签类型的用户标签的用户作为参考用户，并根据所述叶子节点中各个所述参考用户的被选标签类型的标签，为该叶子节点对应的所述参考用户以外的用户填充属于所述被选标签类型的标签。
可选地，所述依次根据每个所述普通标签类型对所述用户集合中的各个用户进行分类，在进行多次分类后，生成所述用户集合对应的分类树模型，包括：
根据预设规则从所述普通标签类型中选取一个初始标签类型，通过所述初始标签类型对所述用户集合中的各个用户进行分类，生成根节点下的第一层子节点，以得到初始的分类树模型，所述根节点对应所述用户集合中的全部用户；
重复执行下列操作，直至更新后的分类树模型满足预设的截止条件，则输出更新后的所述分类树模型：根据预设规则选取一个未被选取过的所述普通标签类型作为当前的分类标签类型，通过所述当前的分类标签类型对当前的分类树模型最下层的各个子节点对应的用户进行分类，生成下一层的子节点，以更新当前的分类树模型。
可选地，所述根据预设规则选取一个未被选取过的普通标签类型作为当前的分类标签类型，包括；
根据所述用户集合中各个用户的用户标签所属的标签类型，生成所述用户与所述标签类型的对应关系，并统计各个所述未被选取过的普通标签类型对应的用户的用户数量；在所述未被选取过的普通标签类型中，选取所述用户数量最大的所述普通标签类型作为当前的分类标签类型。
可选地，所述装置还包括：
若更新后的分类树模型最下层的各个叶子节点对应的用户的数量的平均值小于数量阈值，则判定所述更新后的分类树模型满足预设的截止条件。
可选地，所述根据所述叶子节点中各个所述参考用户的被选标签类型的标签，为该叶子节点对应的所述参考用户以外的用户填充属于所述被选标签类型的标签，包括：
计算所述叶子节点中所述参考用户对应的属于所述被选标签类型的各个标签的比例，作为标签比例；将所述标签比例最高的标签填充为该叶子节点对应的所述参考用户以外的用户的标签。
在本发明实施例中，通过从用户集合中各个用户对应的用户标签所属的标签类型中，确定出被选标签类型以及普通标签类型，依次根据每个普通标签类型对用户集合中的各个用户进行分类，在进行多次分类后，生成用户集合对应的分类树模型；将分类树模型中最底层的各个叶子节点对应的含有被选标签类型的用户标签的用户作为参考用户，并根据叶子节点中各个参考用户的被选标签类型的标签，为该叶子节点对应的参考用户以外的用户填充属于所述被选标签类型的标签，以在无需用户补录标签的情况下，自动为相关用户填充准确的各类标签，保障依赖标签的相关后续分析工作顺利进行。
图4是本发明一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如标签的填充程序。所述处理器40执行所述计算机程序42时实现上述各个标签的填充方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示单元301至304的功能。
示例性的，所述计算机程序42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41中，并由所述处理器40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程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4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，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40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)、现成可编程门阵列(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。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
所述集成的模块/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，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (6)

1.一种标签的填充方法，其特征在于，包括：
获取预设的用户集合中各个用户的用户信息，所述用户信息中包含一个以上的用户标签；
从所述用户集合中各个用户对应的用户标签所属的标签类型中，确定一个标签类型作为被选标签类型，并将所述被选标签类型以外的标签类型作为普通标签类型；
依次根据每个所述普通标签类型对所述用户集合中的各个用户进行分类，在进行多次分类后，生成所述用户集合对应的分类树模型，所述分类树模型的每一个子节点对应一个以上的用户；
将所述分类树模型中最底层的各个叶子节点对应的含有所述被选标签类型的用户标签的用户作为参考用户，并根据所述叶子节点中各个所述参考用户的被选标签类型的标签，为该叶子节点对应的所述参考用户以外的用户填充属于所述被选标签类型的标签；
所述依次根据每个所述普通标签类型对所述用户集合中的各个用户进行分类，在进行多次分类后，生成所述用户集合对应的分类树模型，包括：
根据预设规则从所述普通标签类型中选取一个初始标签类型，通过所述初始标签类型对所述用户集合中的各个用户进行分类，生成根节点下的第一层子节点，以得到初始的分类树模型，所述根节点对应所述用户集合中的全部用户；
重复执行下列操作，直至更新后的分类树模型满足预设的截止条件，则输出更新后的所述分类树模型：根据预设规则选取一个未被选取过的所述普通标签类型作为当前的分类标签类型，通过所述当前的分类标签类型对当前的分类树模型最下层的各个子节点对应的用户进行分类，生成下一层的子节点，以更新当前的分类树模型，若更新后的分类树模型最下层的各个叶子节点对应的用户数量的平均值小于数量阈值，则判定所述更新后的分类树模型满足预设的截止条件；
所述根据所述叶子节点中各个所述参考用户的被选标签类型的标签，为该叶子节点对应的所述参考用户以外的用户填充属于所述被选标签类型的标签，包括：
计算所述叶子节点中所述参考用户对应的属于所述被选标签类型的各个标签的比例，作为标签比例；
将所述标签比例最高的标签填充为该叶子节点对应的所述参考用户以外的用户的标签。
2.如权利要求1所述的标签的填充方法，其特征在于，所述根据预设规则选取一个未被选取过的普通标签类型作为当前的分类标签类型，包括；
根据所述用户集合中各个用户的用户标签所属的标签类型，生成所述用户与所述标签类型的对应关系，并统计各个所述未被选取过的普通标签类型对应的用户的用户数量；
在所述未被选取过的普通标签类型中，选取所述用户数量最大的所述普通标签类型作为当前的分类标签类型。
3.如权利要求1所述的标签的填充方法，其特征在于，还包括：
若更新后的分类树模型最下层的各个叶子节点对应的用户的数量的平均值小于数量阈值，则判定所述更新后的分类树模型满足预设的截止条件。
4.一种终端设备，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如下步骤：
获取预设的用户集合中各个用户的用户信息，所述用户信息中包含一个以上的用户标签，其中，每个所述用户标签属于一个标签类型；
从所述用户集合中各个用户对应的标签所属的标签类型中，确定一个标签类型作为被选标签类型，并将所述被选标签类型以外的标签类型作为普通标签类型；
依次根据一个所述普通标签类型对所述用户集合中的各个用户进行分类，在进行多次分类后，生成所述用户集合对应的分类树模型，所述分类树模型的每一个子节点对应一个以上的用户；
将所述分类树模型中最底层的各个叶子节点对应的含有所述被选标签类型的标签的用户作为参考用户，并根据所述叶子节点中各个所述参考用户的被选标签类型的标签，为该叶子节点对应的所述参考用户以外的用户填充属于所述被选标签类型的标签；
所述依次根据一个所述普通标签类型对所述用户集合中的各个用户进行分类，在进行多次分类后，生成所述用户集合对应的分类树模型，包括：
根据预设规则从所述普通标签类型中选取一个初始标签类型，通过所述初始标签类型对所述用户集合中的各个用户进行分类，生成根节点下的第一层子节点，以得到初始的分类树模型，所述根节点对应所述用户集合中的全部用户；
重复执行下列操作，直至更新后的分类树模型满足预设的截止条件，则输出更新后的所述分类树模型：根据预设规则选取一个未被选取过的普通标签类型作为当前的分类标签类型，通过所述当前的分类标签类型对当前的分类树模型最下层的各个子节点对应的用户进行分类，生成下一层的子节点，以更新当前的分类树模型，若更新后的分类树模型最下层的各个叶子节点对应的用户数量的平均值小于数量阈值，则判定所述更新后的分类树模型满足预设的截止条件；
所述根据所述叶子节点中各个所述参考用户的被选标签类型的标签，为该叶子节点对应的所述参考用户以外的用户填充属于所述被选标签类型的标签，包括：
计算所述叶子节点中所述参考用户对应的属于所述被选标签类型的各个标签的比例，作为标签比例；
将所述标签比例最高的标签填充为该叶子节点对应的所述参考用户以外的用户的标签。
5.如权利要求4所述的终端设备，其特征在于，所述根据预设规则选取一个未被选取过的普通标签类型作为当前的分类标签类型，包括；
根据所述用户集合中各个用户的用户标签所属的标签类型，生成所述用户与所述标签类型的对应关系，并统计各个所述未被选取过的普通标签类型对应的用户的用户数量；
在所述未被选取过的普通标签类型中，选取所述用户数量最大的所述普通标签类型作为当前的分类标签类型。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
CN201811122803.9A 2018-09-26 2018-09-26 标签的填充方法及终端设备 Active CN109344255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811122803.9A CN109344255B (zh) 2018-09-26 2018-09-26 标签的填充方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811122803.9A CN109344255B (zh) 2018-09-26 2018-09-26 标签的填充方法及终端设备

Publications (2)

Publication Number Publication Date
CN109344255A CN109344255A (zh) 2019-02-15
CN109344255B true CN109344255B (zh) 2023-05-26

Family

ID=65306941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811122803.9A Active CN109344255B (zh) 2018-09-26 2018-09-26 标签的填充方法及终端设备

Country Status (1)

Country Link
CN (1) CN109344255B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109933731A (zh) * 2019-03-18 2019-06-25 苏州亿歌网络科技有限公司 一种好友推荐方法、装置、设备及存储介质
CN111459365B (zh) * 2020-04-03 2021-06-25 南方电网科学研究院有限责任公司 自定义咨询帮助应用管理办法
CN112783986B (zh) * 2020-09-23 2022-12-13 上海芯翌智能科技有限公司 基于标签的对象分组编制方法及装置、存储介质、终端

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107515934A (zh) * 2017-08-29 2017-12-26 四川长虹电器股份有限公司 一种基于大数据的电影语义个性化标签优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750286B (zh) * 2011-04-21 2016-01-20 常州蓝城信息科技有限公司 一种处理缺失数据的新型决策树分类器方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107515934A (zh) * 2017-08-29 2017-12-26 四川长虹电器股份有限公司 一种基于大数据的电影语义个性化标签优化方法

Also Published As

Publication number Publication date
CN109344255A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
US11238310B2 (en) Training data acquisition method and device, server and storage medium
TWI718643B (zh) 異常群體識別方法及裝置
US11650970B2 (en) Extracting structure and semantics from tabular data
US20200050968A1 (en) Interactive interfaces for machine learning model evaluations
CN109344255B (zh) 标签的填充方法及终端设备
US11042581B2 (en) Unstructured data clustering of information technology service delivery actions
US11853908B2 (en) Data-analysis-based, noisy labeled and unlabeled datapoint detection and rectification for machine-learning
CN108960527A (zh) 员工离职的预警方法及相关装置
CN110472154A (zh) 一种资源推送方法、装置、电子设备及可读存储介质
CN111143578A (zh) 基于神经网络抽取事件关系的方法、装置和处理器
US11321318B2 (en) Dynamic access paths
CN113538154A (zh) 风险对象的识别方法、装置、存储介质和电子设备
CN108304591A (zh) 一种标签的定制方法、系统及终端设备
CN113505273B (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
CN114119068A (zh) 一种药店企业微信客户群的智能分析方法及管理平台
CN112163098A (zh) 一种知识图谱的创建方法、装置、存储介质和服务器
US9886674B2 (en) Describing a paradigmatic member of a task directed community in a complex heterogeneous environment based on non-linear attributes
CN107807795A (zh) 多维分级哈希编码、解码方法与设备、存储介质
CN116861107A (zh) 业务内容展示方法、装置、设备、介质和产品
CN116304236A (zh) 一种用户画像生成方法、装置、电子设备和存储介质
CN110059234A (zh) 水务异常事件侦测方法及装置、计算机装置及存储介质
CN114925919A (zh) 业务资源处理方法、装置、计算机设备和存储介质
CN113591881A (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN113987186A (zh) 一种基于知识图谱生成营销方案的方法和装置
CN113704519A (zh) 一种数据集的确定方法、装置、计算机设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant