CN109615470A - 标签推荐方法、标签推荐装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种标签推荐方法、标签推荐装置、电子设备及计算机可读存储介质，属于计算机技术领域。该方法包括：获取目标类别下的多个标签以及各所述标签的关联用户；将所述多个标签中关联用户数最多的标签确定为基准标签，其他标签确定为热度标签；将所述基准标签与各所述热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集，其中，所述目标标签组合为热度标签与对应的基准标签；将所述关联标签集中的至少一个热度标签推荐给与所述热度标签对应的基准标签的关联用户。本公开可以提高标签推荐对于用户需求的命中率，提升推荐效果，并降低人力成本。

Description

标签推荐方法、标签推荐装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种标签推荐方法、标签推荐装置、电子设备与计算机可读存储介质。

背景技术

随着互联网在各行业内越来越广泛的普及与应用，电商、互联网金融、生活服务、游戏等多个领域的企业都致力于通过互联网向用户更好的推荐产品或服务，以挖掘用户需求，增加用户流量，提高服务质量。

现有的产品(或服务)推荐方法多数是依靠运营人员人工统计与预测用户的潜在需求，以推荐相应的产品，且每种产品的推荐活动通常单独配置与开展。因此现有方法具有较高的人力成本，且人工统计与预测的结果对于用户实际需求的命中率通常较低，导致产品推荐达不到预期效果；此外，现有方法推荐的产品与用户已经购买的产品之间相似度较高，使得对于用户需求的挖掘局限于较小的范围内，进一步影响了产品推荐的效果。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种标签推荐方法、标签推荐装置、电子设备与计算机可读存储介质，进而至少在一定程度上克服现有的产品推荐方法效果较差且人力成本较高的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种标签推荐方法，包括：获取目标类别下的多个标签以及各所述标签的关联用户；将所述多个标签中关联用户数最多的标签确定为基准标签，其他标签确定为热度标签；将所述基准标签与各所述热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集，其中，所述目标标签组合为热度标签与对应的基准标签；将所述关联标签集中的至少一个热度标签推荐给与所述热度标签对应的基准标签的关联用户。

在本公开的一种示例性实施例中，所述将所述基准标签与各所述热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集之后，所述方法还包括：将所述基准标签从所述多个标签中移除，并将所述多个标签中与所述被移除的基准标签之间置信度最高的热度标签确定为新的基准标签；确定所述新的基准标签与剩余热度标签之间的置信度，并将置信度达到第一阈值的目标标签组合添加到所述关联标签集；重复以上步骤，直至所述多个标签中剩下一个标签。

在本公开的一种示例性实施例中，所述获取目标类别下的多个标签以及各所述标签的关联用户之前，所述方法还包括：获取初始标签，并对所述初始标签进行聚类，获得多个类别；以所述多个类别中的任一类别作为所述目标类别。

在本公开的一种示例性实施例中，对所述初始标签进行聚类，获得多个类别包括：统计所述初始标签中任意N个标签形成的标签组合的支持度，其中N为大于1的整数；统计出支持度达到第二阈值的标签组合，并将所述标签组合中具有至少一个共同标签的标签组合归为一类，以获得所述多个类别。

在本公开的一种示例性实施例中，所述以所述多个类别中的任一类别作为所述目标类别包括：统计每个类别的关联用户总人次，并计算所述每个类别的标签关联用户的均值；按照所述标签关联用户的均值高低进行排序，依次将各类别作为所述目标类别。

在本公开的一种示例性实施例中，所述获取目标类别下的多个标签以及各所述标签的关联用户之前，所述方法还包括：从所述多个标签中移除关联用户数低于第三阈值的标签。

在本公开的一种示例性实施例中，所述将所述基准标签与各所述热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集包括：将置信度达到第一阈值目标标签组合以及所述目标标签组合的置信度添加到所述关联标签集；所述将所述关联标签集中的至少一个热度标签推荐给与所述热度标签对应的基准标签的关联用户包括：按照所述关联标签集中各所述目标标签组合的置信度从高到低的顺序，依次将各热度标签推荐给与所述热度标签对应的基准标签的关联用户。

根据本公开的一个方面，提供一种标签推荐装置，包括：标签信息获取模块，用于获取目标类别下的多个标签以及各所述标签的关联用户数；基准标签确定模块，用于将所述多个标签中关联用户数最多的标签确定为基准标签，其他标签确定为热度标签；置信度确定模块，用于将所述基准标签与各所述热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集，其中，所述目标标签组合为热度标签与对应的基准标签；热度标签推荐模块，用于将所述关联标签集中的至少一个热度标签推荐给与所述热度标签对应的基准标签的关联用户。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

本公开的示例性实施例具有以下有益效果：

获取目标类别的标签集以及各标签的关联用户后，根据关联用户数确定基准标签，并计算该基准标签与其他热度标签之间的置信度，筛选出关联度较高的目标标签组合形成关联标签集，再根据关联标签集中的标签组合情况进行标签推荐。一方面，根据目标标签组合的置信度计算与筛选，能够发现标签之间的关联，并根据关联的情况进行标签推荐，可以提高标签推荐对于用户实际需求的命中率，提升推荐的效果。另一方面，本示例性实施例基于获取的目标类别中的标签信息，可以自动进行基准标签的选取、置信度的计算、关联标签集的生成，最后根据关联标签集自动进行标签推荐，从而实现了标签推荐自动化，节约了人力成本。再一方面，通过对目标类别下的标签进行关联关系的计算与挖掘，可以扩展标签推荐的范围，从而进一步提升推荐的效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出本示例性实施例中一种标签推荐方法的流程图；

图2示意性示出本示例性实施例中另一种标签推荐方法的流程图；

图3示意性示出本示例性实施例中一种标签推荐方法的子流程图；

图4示意性示出本示例性实施例中再一种标签推荐方法的流程图；

图5示意性示出本示例性实施例中一种标签推荐装置的结构框图；

图6示意性示出本示例性实施例中一种用于实现上述方法的电子设备；

图7示意性示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

本公开的示例性实施例首先提供了一种标签推荐方法。其中，标签是指互联网产品或服务的一种内容表现形式，实际的产品或服务可以映射为由简单文本构成的标签，将标签推荐给用户，即将标签所代表的产品或服务推荐给用户。

参考图1所示，该标签推荐方法可以包括步骤S110～S140：

S110.获取目标类别下的多个标签以及各标签的关联用户。

其中，目标类别是指特定的一类标签的集合，例如标签“苹果”、“西瓜”、“香蕉”属于“水果”类别。标签的关联用户是指行为与标签的产品产生过一定关联的用户，例如可以是购买过该标签的产品或收藏、浏览、搜索、评论过该标签的产品的用户等，本公开对此不做特别限定。

S120.将上述多个标签中关联用户数最多的标签确定为基准标签，其他标签确定为热度标签。

在获取各标签的关联用户后，可以统计各标签的关联用户数，其中关联用户数最多的标签可以作为基准标签，其他标签可以作为热度标签。本示例性实施例中，基准标签与热度标签为一组相对的概念，基准标签可视为当前的目标类别中热度最高的一个标签，其他标签可以以该标签为基准，计算相对热度(即关联度)，因此可以称其他标签为热度标签。

S130.将基准标签与各热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集，其中，目标标签组合为热度标签与对应的基准标签。

置信度为关联规则中的概念，本示例性实施例中，计算基准标签->热度标签的置信度，其含义如下：

其中，B是指基准标签的关联用户集，H是指各热度标签的关联用户集，Confidence是指置信度，Count是指集合中的元素数量。由公式(1)可知，置信度实际上是指同时关联到基准标签与热度标签的用户数占基准标签的关联用户数的比例，置信度高说明基准标签与热度标签之间的关联程度高。依据该方法，可以计算基准标签与每个热度标签之间的置信度，然后通过第一阈值筛选出置信度较高的基准标签-热度标签组合，即目标标签组合。第一阈值为根据经验设定的置信度筛选标准，低于第一阈值的基准标签-热度标签组合关联度较低，在本示例性实施例中可以认为其属于弱关联组合，并不采用；达到第一阈值(即大于或等于第一阈值)的目标标签组合可以认为是强关联组合，将这些组合形成关联标签集，可以在后续步骤中使用。

S140.将关联标签集中的至少一个热度标签推荐给与该热度标签对应的基准标签的关联用户。

关联标签集中包含了很多个目标标签组合，并且每个目标标签组合中标记了哪个标签为基准标签，哪个标签为热度标签。对于一个目标标签组合，通常存在一部分用户，仅关联到该组合的基准标签、未关联到该组合的热度标签，因此可以将热度标签推荐给这一部分用户。

本示例性实施例中，可以对关联标签集中的任意一个或多个目标标签组合实施上述热度标签的推荐，也可以通过一定的条件筛选出一部分目标标签组合，实施上述热度标签的推荐，例如筛选出关联用户数较多的目标标签组合或基准标签与热度标签的关联用户数差别较大的目标标签组合等，还可以对关联标签集中的全部目标标签组合实施上述热度标签的推荐，本公开对此不做特别限定。

基于上述说明，在本示例性实施例中，获取目标类别的标签集以及各标签的关联用户后，根据关联用户数确定基准标签，并计算该基准标签与其他热度标签之间的置信度，筛选出关联度较高的目标标签组合形成关联标签集，再根据关联标签集中的标签组合情况进行标签推荐。一方面，根据目标标签组合的置信度计算与筛选，能够发现标签之间的关联，并根据关联的情况进行标签推荐，可以提高标签推荐对于用户实际需求的命中率，提升推荐的效果。另一方面，本示例性实施例基于获取的目标类别中的标签信息，可以自动进行基准标签的选取、置信度的计算、关联标签集的生成，最后根据关联标签集自动进行标签推荐，从而实现了标签推荐自动化，节约了人力成本。再一方面，通过对目标类别下的标签进行关联关系的计算与挖掘，可以扩展标签推荐的范围，从而进一步提升推荐的效果。

在一示例性实施例中，参考图2所示，步骤S130之后，标签推荐方法还可以包括以下步骤：

S131.将基准标签从上述多个标签中移除，并将上述多个标签中与该被移除的基准标签之间置信度最高的热度标签确定为新的基准标签；

S132.确定上述新的基准标签与剩余热度标签之间的置信度，并将置信度达到第一阈值的目标标签组合添加到关联标签集；

S133.重复步骤S131与S132，直至上述多个标签中剩下一个标签。

换而言之，通过步骤S130筛选出了在当前的基准标签下，具有强关联的基准标签与热度标签形成的目标标签组合。之后可以更换新的基准标签，具体更换过程如步骤S131所述，可以将上一基准标签移除出目标类别，并将与上一基准标签置信度最高的热度标签确定为新的基准标签，其他热度标签仍然为热度标签。

举例而言，若初始阶段目标类别中的标签数量为L，则最初确定一个基准标签B1，剩余L-1个标签为热度标签，在第一轮置信度计算中，B1与L-1个热度标签分别计算置信度，共计算L-1次，可以将其中置信度达到第一阈值的目标标签组合形成关联标签集；在第二轮置信度计算中，可以将B1移除，在剩余L-1个热度标签中确定与B1置信度最高的热度标签为新的基准标签B2，剩余L-2个热度标签仍然为热度标签，B2与其分别计算置信度，共计算L-2次，可以将其中置信度达到第一阈值的目标标签组合添加到上述关联标签集中；在第三轮置信度计算中，可以将B2移除，目标类别中一共剩余L-2个标签，按照上述方法确定新的基准标签B3，并计算置信度，添加强关联的目标标签组合到上述关联标签集中。可见，随着每一轮重新确定基准标签与计算置信度，目标类别中的标签数量越来越少，关联标签集中的目标标签组合通常越来越多。进行到目标类别中只剩下两个标签B_L-1与B_L时，将其中与上一基准标签B_L-2置信度较高的B_L-1确定为新的基准标签，计算置信度CoLfideLce(B_L-1->B_L)并确定是否将该组合添加到关联标签集；然后在最后一轮中，将B_L-1从目标类别中移除，只剩下一个标签B_L，无法继续计算置信度，则上述循环过程结束。

通过上述循环过程，实际完成了目标类别中任意两个标签之间的置信度计算，并通过第一阈值筛选出强关联的标签组合，最终获得了关联标签集，可以进行后续的标签推荐。从而对目标类别中的标签实现了充分的关联挖掘，基于此进行标签推荐，可以实现较充分的推荐效果。

图3示例性示出了步骤S131与S132过程，目标类别包括A、B、C、D、E、F共6个标签，其中A的关联用户数最多，首先将其确定为基准标签，分别计算A与B～F标签的置信度，置信度用b1、c1、d1等表示。本示例性实施例中，第一阈值可以设定为0.3，将置信度达到0.3的目标标签组合添加到关联标签集中，如图3中右侧的列表所示，其中A-E的置信度低于0.3，所以未添加。从目标类别中移除A，进入第二轮计算，可以确定与A的置信度最高的标签D为基准标签，分别计算D与B、C、E、F的置信度，并将达到0.3的目标标签组合添加到关联标签集中，其中D-C的置信度低于0.3，所以未添加。从目标类别中再移除D，进入第三轮计算，可以确定与D的置信度最高的标签B为基准标签，分别计算B与C、E、F的置信度，并将达到0.3的目标标签组合添加到关联标签集中。从目标类别中再移除B，进入第四轮计算，可以确定与B的置信度最高的标签F为基准标签，分别计算F与C、E的置信度，并将达到0.3的目标标签组合添加到关联标签集中。从目标类别中在移除F，进入第五轮计算，还剩余标签C与E，将与F置信度更高的标签C作为基准标签，计算C->E的置信度，高于0.3，因此添加到关联标签集中。从目标类别中移除C，只剩下一个标签E，循环过程结束，获得了图3中所示的关联标签集。可以根据图3的关联标签集，将标签D推荐到标签A的关联用户，将标签B推荐到标签A的关联用户……将标签E推荐到标签C的关联用户，从而完成了标签推荐的过程。

在一示例性实施例中，基于图2所示的标签推荐方法流程，在循环进行步骤S131与S132时，可以设定循环的轮数，例如设为M，则每一轮确定一个基准标签，并通过计算该基准标签与其他热度标签的置信度，筛选出目标标签组合，添加到关联标签集中，一共进行M轮，依次确定M个基准标签，之后无论最初的多个标签中还剩下多少标签，都结束循环，根据获得的关联标签集进行步骤S140。

图4示出了本示例性实施例中一种标签推荐方法的流程图。参考图4所示，可以通过以下过程获得目标类别的各标签的关联用户信息：从用户的行为日志中提取并统计各标签的用户行为记录，并进行数据有效性的验证，筛选出有效的数据，生成各标签的关联用户信息。

上述目标类别为特定的一类标签的集合，也可以将标签推荐方法扩展到多个类别，甚至应用场景中的全部标签。因此，在一示例性实施例中，参考图4所示，标签推荐方法还可以包括以下步骤：

S108.获取初始标签，并对初始标签进行聚类，获得多个类别。

S109.以上述多个类别中的任一类别作为目标类别。

其中，根据具体的应用场景，初始标签可以是特定应用程序内的全部或部分标签，也可以是针对特定领域的全部或部分标签等，本公开对此不做特别限定。可以通过K均值算法对标签进行聚类，也可以采取其他聚类方法。在获得多个类别后，可以对其中的任一类别适用步骤S110～S140，实现该类别下的标签推荐，也可以对每个类别分别适用步骤S110～S140，从而实现全部标签范围内的标签推荐，使得本实施例的方法具有更强的通用性。

进一步的，上述对初始标签进行聚类，获得多个类别还可以具体通过以下步骤实现：

统计初始标签中任意N个标签形成的标签组合的支持度，其中N为大于1的整数。

统计出支持度达到第二阈值的标签组合，并将这些标签组合中具有至少一个共同标签的标签组合归为一类，以获得步骤S108中的多个类别。

其中，支持度为关联规则中的概念，本示例性实施例中，包含N个标签的标签组合的支持度可以通过如下方法计算：

其中，A₀为全部标签的关联用户集合，A₁、A₂…A_N分别为计算支持度的N个标签的关联用户集合，Support为支持度。由公式(2)可知，支持度的含义为同时关联到N个标签的用户数占总用户数的比例。N可以为大于1的整数，例如2、3、4等，如果N为2，则可以统计全部标签中每两个标签组合的支持度，如果N为3，则可以统计每三个标签组合的支持度。可以根据经验设定N的数值，当标签普遍的关联性较强时，可以将N设置为较大的值，反之可以设置为较小的值。

支持度能够反映标签组合内各标签的关联程度，因此可以通过第二阈值进行衡量，达到第二阈值的标签组合认为其关联程度较高，为有效标签组合，进入后续聚类的步骤。第二阈值可以根据经验设定，当N较大时，第二阈值可以设置的相对较低。

在将标签组合中具有至少一个共同标签的标签组合归为一类时，可以通过以下两种具体方式进行：

(1)、假设有3个标签组合，(A₁、A₂…A_N)、(B₁、B₂…B_N)与(C₁、C₂…C_N)，若3个标签组合中分别存在标签A_i、B_j、C_k，满足A_i＝B_j＝C_k，即这三个标签为同一标签，则可以将这3个标签组合归为一类。

(2)、假设有3个标签组合，(A₁、A₂…A_N)、(B₁、B₂…B_N)与(C₁、C₂…C_N)，若标签组合A与B中分别存在标签A_i、B_j，满足A_i＝B_j，标签组合B与C中分别存在标签B_k、C_l，满足B_k＝C_l，即标签组合A与B中存在同一标签，标签组合B与C中也存在同一标签，但标签组合A与C中不存在同一标签，这种情况下也可以将这3个标签组合归为一类，即标签组合与已经归类的标签组合存在任一共同标签时，可以将该标签组合归入已经归类的标签组合中。

本实施例对于具体采取上述哪种方式不做特别限定。通过对支持度达到第二阈值的标签组合进行归类，可以获得多个类别，以便于后续针对每个类别进行标签推荐。

需要说明的是，在实际应用中，可以根据结果反馈情况调节上述N的数值与第二阈值，例如当最后得到类别数量过少时，可以适当降低N的数值或减小第二阈值，当每个类别中标签数量过少时，可以适当降低N的数值等。

在一示例性实施例中，步骤S109可以具体通过以下步骤实现：

统计每个类别的关联用户总人次，并计算每个类别的标签关联用户的均值。

按照标签关联用户的均值高低进行排序，依次将各类别作为目标类别。

其中，每个类别的关联用户总人次是指该类别中所有标签的关联用户数求和，重复的用户也重复计数，例如用户甲与标签A、标签B都关联，则在关联用户总人次中计数为2；标签关联用户的均值即该类别的关联用户总人次除以该类别的标签总数得到的均值。标签关联用户的均值可以反映一个类别的热度状况，均值越低说明该类别的标签总体热度越低。对于低热度的类别，进行关联挖掘的潜力通常较高，因此可以将其优先确定为目标类别，执行步骤S110～S140以实现标签推荐，达到资源的优化配置；对于高热度的类别，由于关联用户的基数较大，进行标签推荐可以在较多的用户中产生效果，因此也可以将其优先确定为目标类别，执行步骤S110～S140；本公开对于具体的顺序不做特别限定。

在其他实施例中，也可以统计每个类别下各标签关联用户数的方差，方差大的类别说明其中的各标签的关联用户群体差异较大，可以优先执行步骤S110～S140以实现标签推荐，能够达到较好的推荐效果。

在一示例性实施例中，参考图4所示，在步骤S110后，标签推荐方法还可以包括以下步骤S111：

S111.从上述多个标签中移除关联用户数低于第三阈值的标签。

其中，关联用户数反映了各标签的热度状况，因此可以通过第三阈值进行区分，关联用户数小于第三阈值的标签通常热度较低。第三阈值可以根据经验或者应用场景、目标类别的特点进行设定。对于热度较低的标签，其与基准标签之间的置信度通常较低，难以形成目标标签组合，为了降低后续步骤中置信度的计算量，可以将热度较低的标签移除。

进一步的，步骤S111可以具体包括以下步骤：

将目标类别中关联用户数小于第三阈值的标签标记为冷标签，关联用户数达到第三阈值的标签标记为热标签；

将冷标签推荐给热标签的关联用户；

将冷标签从目标类别中移除。

其中，通过第三阈值对目标类别中的标签进行区分，关联用户数达到第三阈值的标签为热标签，关联用户数小于第三阈值的标签为冷标签。对于冷标签，可以不进行后续的置信度计算过程，直接将冷标签推荐给热标签的关联用户，同时也可以推荐给其他冷标签的关联用户，以尽可能的提高冷标签的热度。随后将冷标签从目标类别中移除，使目标类别中只剩下热标签，针对于热标签，进行后续的步骤S120～S140，以实现热标签的推荐。因此，本实施例相当于对目标类别的标签进行冷热分类，对于冷标签与热标签，分别采取不同的标签推荐机制，可以更好的适应每一类标签的特点，达到更好的推荐效果。

需要说明的是，上述热标签是相对于冷标签而言的概念，与步骤S120中的热度标签为不同的概念。在本示例性实施例中，将冷标签从目标类别中移除后，剩下热标签，在步骤S120中从热标签里选择一基准标签，则剩余的热标签成为热度标签。

进一步的，还可以通过以下步骤进行第三阈值的设定与优化：

若目标类别的冷标签比例超出预设范围，则调整第三阈值，并再次通过第三阈值对目标类别中的标签进行冷标签与热标签的分类。

其中，预设范围是设定的冷标签占目标类别全部标签的比例的正常范围，冷标签过多时，热标签数量较少，无法有效的挖掘热标签之间的关联，且标签推荐量过高，可能产生无意义的推荐，此时可以适当降低第三阈值；冷标签过少时，对于关联用户数较少的热标签，适用热标签的置信度计算与标签推荐过程，可能无法达到标签的充分推荐，影响效果，此时可以适当增加第三阈值。将冷标签比例控制在合适的范围内，可以在标签推荐量与推荐效果之间达到较好的平衡，实现标签推荐的高性价比。

在一示例性实施例中，步骤S130可以包括以下步骤：

将置信度达到第一阈值的目标标签组合以及该目标标签组合的置信度添加到关联标签集。

相应的，步骤S140可以包括以下步骤：

按照关联标签集中各目标标签组合的置信度从高到低的顺序，依次将各热度标签推荐给与该热度标签对应的基准标签的关联用户。

参考上述图3所示，在关联标签集中，除了记录每个目标标签组合的基准标签与热度标签外，还可以记录每个目标标签组合的置信度。当获得完整的关联标签集后，可以按照置信度从高到底对各组合进行排序，优先将排序考前的目标标签组合中的热度标签推荐给其对应的基准标签的关联用户。由于置信度反映了各目标标签组合中的基准标签与热度标签的关联程度，对于关联程度高的组合，推荐标签时通常可以实现更高的命中率，因此根据置信度的顺序依次进行各目标标签组合中的标签推荐，可以进一步优化资源配置，实现更好的推荐效果。

进一步的，在将关联标签集中的全部热度标签推荐完成后，经过一定时间，标签推荐可能在用户中产生了效果，即用户根据推荐的标签进行了相应的消费、关注、评论、收藏等行为，与标签之间建立了新的关联，则各标签的关联用户数发生了较大的变化。在此情况下，可以重复步骤S110～S140，以再次开始标签推荐流程。即整个标签推荐流程可以循环性进行，可以设定间隔时间，在上一次流程完全结束后，经过该间隔时间后开始下一次标签推荐流程。也可以设定周期，每个周期内进行一次上述标签推荐流程。从而可以实现长期性的标签推荐与产品推广，提高用户流量。

本公开的示例性实施例还提供了一种标签推荐装置。参考图5所示，该装置500可以包括：标签信息获取模块510，用于获取目标类别下的多个标签以及各标签的关联用户数；基准标签确定模块520，用于将上述多个标签中关联用户数最多的标签确定为基准标签，其他标签确定为热度标签；置信度确定模块530，用于将基准标签与各热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集，其中，目标标签组合为热度标签与对应的基准标签；热度标签推荐模块540，用于将关联标签集中的至少一个热度标签推荐给与该热度标签对应的基准标签的关联用户。

在一示例性实施例中，置信度确定模块可以包括：置信度计算单元，用于将基准标签与各热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集；基准标签变更单元，用于将基准标签从多个标签中移除，并将多个标签中与被移除的基准标签之间置信度最高的热度标签确定为新的基准标签；置信度计算单元还用于确定新的基准标签与剩余热度标签之间的置信度，并将置信度达到第一阈值的目标标签组合添加到关联标签集；置信度确定模块还可以包括：调度处理单元，用于调度基准标签变更单元重复性地将基准标签从多个标签中移除，并将多个标签中与被移除的基准标签之间置信度最高的热度标签确定为新的基准标签，以及调度置信度计算单元重复性地确定新的基准标签与剩余热度标签之间的置信度，并将置信度达到第一阈值的目标标签组合添加到关联标签集，直至上述多个标签中剩下一个标签。

在一示例性实施例中，标签推荐装置还可以包括：目标类别确定模块，用于获取初始标签，并对初始标签进行聚类，获得多个类别，以及将多个类别中的任一类别作为目标类别。

在一示例性实施例中，目标类别确定模块可以包括：标签聚类单元，用于统计初始标签中任意N个标签形成的标签组合的支持度，其中N为大于1的整数，以及统计出支持度达到第二阈值的标签组合，并将标签组合中具有至少一个共同标签的标签组合归为一类，以获得多个类别。

在一示例性实施例中，目标类别确定模块可以包括：类别排序单元，用于统计每个类别的关联用户总人次，并计算每个类别的标签关联用户的均值，按照标签关联用户的均值高低进行排序，依次将各类别作为目标类别。

在一示例性实施例中，标签信息获取模块还可以用于从上述多个标签中移除关联用户数低于第三阈值的标签。

在一示例性实施例中，置信度确定模块可以用于将置信度达到第一阈值目标标签组合以及目标标签组合的置信度添加到关联标签集；热度标签推荐模块可以用于按照关联标签集中各目标标签组合的置信度从高到低的顺序，依次将各热度标签推荐给与热度标签对应的基准标签的关联用户。

上述各模块/单元的具体细节在方法部分的实施例中已经详细说明，因此不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本公开的这种示例性实施例的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。

其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元610可以执行图1所示的步骤S110～S140等。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(ROM)623。

存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。

本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图7所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、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公开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，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种标签推荐方法，其特征在于，包括：

获取目标类别下的多个标签以及各所述标签的关联用户；

将所述多个标签中关联用户数最多的标签确定为基准标签，其他标签确定为热度标签；

将所述基准标签与各所述热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集，其中，所述目标标签组合为热度标签与对应的基准标签；

将所述关联标签集中的至少一个热度标签推荐给与所述热度标签对应的基准标签的关联用户。

2.根据权利要求1所述的方法，其特征在于，所述将所述基准标签与各所述热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集之后，所述方法还包括：

将所述基准标签从所述多个标签中移除，并将所述多个标签中与所述被移除的基准标签之间置信度最高的热度标签确定为新的基准标签；

确定所述新的基准标签与剩余热度标签之间的置信度，并将置信度达到第一阈值的目标标签组合添加到所述关联标签集；

重复以上步骤，直至所述多个标签中剩下一个标签。

3.根据权利要求1所述的方法，其特征在于，所述获取目标类别下的多个标签以及各所述标签的关联用户之前，所述方法还包括：

获取初始标签，并对所述初始标签进行聚类，获得多个类别；

以所述多个类别中的任一类别作为所述目标类别。

4.根据权利要求3所述的方法，其特征在于，对所述初始标签进行聚类，获得多个类别包括：

统计所述初始标签中任意N个标签形成的标签组合的支持度，其中N为大于1的整数；

统计出支持度达到第二阈值的标签组合，并将所述标签组合中具有至少一个共同标签的标签组合归为一类，以获得所述多个类别。

5.根据权利要求3所述的方法，其特征在于，所述以所述多个类别中的任一类别作为所述目标类别包括：

统计每个类别的关联用户总人次，并计算所述每个类别的标签关联用户的均值；

按照所述标签关联用户的均值高低进行排序，依次将各类别作为所述目标类别。

6.根据权利要求1所述的方法，其特征在于，所述获取目标类别下的多个标签以及各所述标签的关联用户之前，所述方法还包括：

从所述多个标签中移除关联用户数低于第三阈值的标签。

7.根据权利要求1所述的方法，其特征在于，所述将所述基准标签与各所述热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集包括：

将置信度达到第一阈值目标标签组合以及所述目标标签组合的置信度添加到所述关联标签集；

所述将所述关联标签集中的至少一个热度标签推荐给与所述热度标签对应的基准标签的关联用户包括：

按照所述关联标签集中各所述目标标签组合的置信度从高到低的顺序，依次将各热度标签推荐给与所述热度标签对应的基准标签的关联用户。

8.一种标签推荐装置，其特征在于，包括：

标签信息获取模块，用于获取目标类别下的多个标签以及各所述标签的关联用户数；

基准标签确定模块，用于将所述多个标签中关联用户数最多的标签确定为基准标签，其他标签确定为热度标签；

置信度确定模块，用于将所述基准标签与各所述热度标签之间的置信度达到第一阈值的目标标签组合添加到关联标签集，其中，所述目标标签组合为热度标签与对应的基准标签；

热度标签推荐模块，用于将所述关联标签集中的至少一个热度标签推荐给与所述热度标签对应的基准标签的关联用户。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。