CN111061979A - 一种用户标签的推送方法、装置、电子设备和介质 - Google Patents

Abstract

本公开实施例涉及一种用户标签的推送方法、装置、电子设备和介质。用户标签的推送方法，包括：根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集，其中，所述标签为用户所属标签，每个用户具有一个或多个标签，每个标签所属于一个或多个用户；将所述推荐标签集提供给所述标签使用者，以供选择使用。本公开实施例所提供的技术方案，实现了动态为标签使用者提供推荐标签，丰富其选择范围效果。

Description

一种用户标签的推送方法、装置、电子设备和介质

技术领域

本公开实施例涉及大数据处理技术，尤其涉及一种用户标签的推送方法、装置、电子设备和介质。

背景技术

随着互联网和智能终端的发展，各种应用程序增多，人们获取信息的渠道也在不断增多。其中一种典型的信息推送需求是，推送信息者为了推送自己的产品需要向用户推送产品的宣传信息，可借助应用程序客户端来进行信息推送。一般，推送信息者希望推送的目标用户是对推送的信息中产品感兴趣的用户，从而可以提高推送信息的点击率和转换率。

为了确定目标用户，现有技术中，一般是由应用程序的服务平台根据用户行为为用户群设置标签，而后向推送信息者推荐匹配度较高的标签，而后推送信息者从推荐的标签中选择使用部分标签，并对选中标签对应的用户群进行产品的信息推送。

然而，由于推送信息者的属性一般是不变的，即销售的产品不会发生大幅变化，所以匹配度高的标签也不会发生变化，致使推送信息者选用标签的范围很窄、且固化，难以开拓新的用户群。

发明内容

本公开实施例提供一种用户标签的推送方法，以实现动态为标签使用者提供推荐标签，丰富其选择范围。

第一方面，本公开实施例提供了一种用户标签的推送方法，包括：根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集，其中，所述标签为用户所属标签，每个用户具有一个或多个标签，每个标签所属于一个或多个用户；将所述推荐标签集提供给所述标签使用者，以供选择使用。

第二方面，本公开实施例还提供一种用户标签的推送装置，该用户标签的推送装置包括：标签集确定模块，用于控制根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集，其中，所述标签为用户所属标签，每个用户具有一个或多个标签，每个标签所属于一个或多个用户；标签集提供模块，用于控制将所述推荐标签集提供给所述标签使用者，以供选择使用。

第三方面，本公开实施例还提供一种电子设备，包括存储器、处理装置及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本公开第一方面实施例所提供的用户标签的推送方法。

第四方面，本公开实施例还提供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：该程序被处理器执行时实现本公开第一方面实施例所提供的用户标签的推送方法。

与现有技术相比，本公开实施例通过提供一种用户标签的推送方法、装置、电子设备和介质，根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集，其中，所述标签为用户所属标签，每个用户具有一个或多个标签，每个标签所属于一个或多个用户；将所述推荐标签集提供给所述标签使用者，以供选择使用，解决标签使用者选用标签的范围很窄、且固化，难以开拓新的用户群问题，实现动态为标签使用者提供推荐标签，丰富其选择范围效果。

附图说明

图1为本公开第一实施例提供的用户标签的推送方法的流程示意图；

图2为本公开第二实施例提供的用户标签的推送方法的流程示意图；

图3为本公开第三实施例提供的用户标签的推送方法的流程示意图；

图4为本公开第四实施例提供的用户标签的推送方法的流程示意图；

图5为本公开第四实施例中确定优质标签集的细化流程示意图；

图6为本公开第五实施例提供的用户标签的推送方法的流程示意图；

图7为本公开第六实施例提供的用户标签的推送方法的流程示意图；

图8为本公开第七实施例提供的用户标签的推送方法的流程示意图；

图9为本公开第八实施例提供的用户标签的推送方法的流程示意图；

图10为本公开第九实施例提供的用户标签的推送方法的流程示意图；

图11为本公开第十实施例提供的用户标签的推送方法的流程示意图；

图12为本公开第十一实施例提供的用户标签的推送方法的流程示意图；

图13为本公开第十二实施例提供的用户标签的推送装置的模块结构示意图；

图14为本公开第十三实施例提供的另一实施例的用户标签的推送装置的模块结构示意图；

图15是本公开第十四实施例提供的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

请参阅图1，本公开第一实施例提供了一种用户标签的推送方法，该用户标签的推送方法可由用户标签的推送装置来执行，该装置可通过硬件和/或软件的方式来实现，并通常集成于服务器中，例如支撑某应用软件的业务平台服务器中，用于灵活、准确的给标签使用者推送标签，标签使用者典型的可以是推送信息者，需要基于标签确定用户群，从而确定推送的产品信息的推送目标。该用户标签的推送方法包括：

S100：根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集，其中，所述标签为用户所属标签，每个用户具有一个或多个标签，每个标签所属于一个或多个用户；

在S100中，标签使用者具体可以为：根据选择使用的标签，向具有该标签的用户推送信息的推送信息者。如一推送信息者为卖汽车的推送信息者，推送信息者想在某一网站推广其汽车产品时，则可以选择标签“汽车”和“旅游”，则网站所有者(即应用程序的服务平台)可以向具有“汽车”或“旅游”标签的用户进行该推送信息者的产品信息推送，若用户点击推送信息展示连接，则可跳转页面至推送信息者的产品详情页面，供用户查看或购买产品。

“具有标签的用户”即为浏览网页的“用户”。为确定用户标签，可以先确定每个用户的标签信息，具体可以包括：基本属性信息、推送信息行为数据和行业偏好信息。基本属性信息可包括用户的兴趣(感兴趣的文章，个人的兴趣)、常驻地、关键词、职业、使用的设备价位、婚姻和消费能力等。推送信息行为数据可包括行业关键词、行业兴趣(经常关注或浏览的产品，如手机)等。行业偏好信息可包括感兴趣的行业(如互联网、金融、汽车)。根据标签信息可确定用户具有的标签，每个用户具有一个或多个标签，每个标签所属于一个或多个用户。

对于网站所有者推荐的标签，标签使用者可以选择购买使用或者放弃使用某一或多个标签。标签使用者选择购买使用的标签即为标签使用者的历史标签。统计标签使用者的历史标签得到的数据，即为标签使用者的历史标签选择行为数据。标签被标签使用者购买后，可以永久使用，也可以限定一定的时间段内使用，如使用6个月，若需要继续使用，则需标签使用者再次购买。

推荐标签集即为具有某种共性特征的一些类似标签或一种标签的集合。例如，按照确定方式的不同，推荐标签集可包括热门标签、行业标签、优质标签、兴趣标签和常用标签。

S200：将所述推荐标签集提供给所述标签使用者，以供选择使用。

具体的，标签使用者可以分为新标签使用者和历史标签使用者。新标签使用者即为刚注册或即将使用推荐标签集中标签的标签使用者，历史标签使用者即为已经长期使用推荐标签集中标签的标签使用者。

将推荐标签集提供给所述标签使用者时，优选把热门标签和行业标签提供给新标签使用者，把优质标签、兴趣标签和常用标签提供给历史标签使用者。

本公开第一实施例提供的用户标签的推送方法，通过考虑标签使用者的历史标签选择行为数据来动态推送标签集，解决了标签使用者选用标签的范围很窄、且固化，难以开拓新用户群的问题，实现动态为标签使用者提供推荐标签，丰富其选择范围的效果。

请参阅图2，本公开第二实施例也提供了一种用户标签的推送方法，本实施例以前述实施例为基础，提供了一种确定热门标签集的方案，该用户标签的推送方法包括：

S111：针对每个标签，分别获取被各个标签使用者的使用次数；

标签使用者优选为历史标签使用者，历史标签使用者通常具有标签使用次数。如标签A被标签使用者B和标签使用者C使用过，且标签使用者B使用标签A共2次，标签使用者C使用标签A共3次，则标签A的使用次数为5次。

S112：根据标签使用者的权重和/或被使用时间的权重，以及所述使用次数，确定所述标签的使用评分；

优选是，标签使用者的权重与所述标签使用者的活跃度成正比；使用时间的权重与标签被使用时间距离当前时间的差值成反比。标签使用者购买的标签个数越多，标签使用者的活跃度越高；标签使用者购买标签的次数越多，标签使用者的活跃度越高。本领域技术人员可以理解，活跃度的确定指标不限于此。

标签使用者的权重越高，标签的使用评分越高；标签被使用时间的权重越高，标签的使用评分越高；标签使用次数越多，标签的使用评分越高。确定标签的使用评分时，每个标签都要确定标签的使用评分。

S113：根据各标签的使用评分筛选确定出至少一个标签添加至热门标签集中；

可根据标签的使用评分对多个标签进行排序，使用评分高的标签在前，使用评分低的标签在后。根据需要选择的个数，选择使用评分高的标签添加至热门标签集中。或者，也可以将评分值达到一定阈值的标签均添加至热门标签集中。

作为一种选择，可在S111之前，对标签进行行业聚类，如把标签分为汽车行业标签，食品行业标签等，再对某一类的标签进行评估筛选，确定出至少一个标签添加至热门标签集中，热门标签集即为该行业的热门标签集。S200：将所述推荐标签集提供给所述标签使用者，以供选择使用。

本实施例中，所述推荐标签集具体为热门标签集。

本实施例的用户标签的推送方法能快速准确的确定出热门标签集，热门标签集中的标签热度很高，能符合标签使用者的需求。

请参阅图3，本公开第三实施例也提供了一种用户标签的推送方法，本实施例以前述实施例为基础，提供了一种确定行业标签集的方案，该用户标签的推送方法包括：

S121：针对每个标签，获取所述标签分别被至少两个行业的标签使用者使用后的投后表现数据；

投后表现数据可包括信息推送给用户后的点击量和/或转换率。如用户在浏览网页时，用户对推送内容进行了点击，则可以统计该推送内容被点击的次数，即为点击量。用户点击推送内容后，对跳转页面上的产品进行了购买，购买产品的次数占推送次数的比例即为转换率。点击量越大，投后表现数据越高；转换率越高，投后表现数据越高。

S122：根据所述投后表现数据中，将所述标签命中的竞争激烈用户排除，其中，所述竞争激烈用户为在至少两个行业中投后表现数据超出设定门限值的热度用户；

竞争激烈用户同时在至少两个行业中投后表现数据超出设定门限值，说明竞争激烈用户至少同时在两个行业的投后表现数据都较高，针对其中任一行业的专注度和敏感度都不高，并非推送内容的精准推送用户群，故把该误差排除。可以理解，在没有竞争激烈用户时，可以省略此步骤。

S123：根据剩余用户的投后表现数据，确定所述标签所属的行业，添加至对应的行业标签集中；

可以把剩余用户的投后表现数据按行业排序。每个行业都按照投后表现数据的高低排序。投后表现数据高的标签在前，投后表现数据低的标签在后。根据需要选择的个数，选择投后表现数据高的标签。如可以选择该行业投后表现数据最高的一个或多个标签添加至该行业的行业标签集中。或者，也可以将投后表现数据达到一定阈值的标签均添加至行业标签集中。

S200：将所述推荐标签集提供给所述标签使用者，以供选择使用。

本实施例中，所述推荐标签集具体为行业标签集。

本实施例的用户标签的推送方法能快速准确的确定出行业标签集，行业标签集中的标签为该行业使用频率很高的标签，且投后表现数据很高，能符合标签使用者的需求。

请参阅图4，本公开第四实施例也提供了一种用户标签的推送方法，本实施例以前述实施例为基础，提供了一种确定优质标签集的方案，该用户标签的推送方法包括：

S131：根据各用户的用户画像对各用户进行聚类，并获取同类用户具有的所有标签，分别作为候选标签；

用户画像优选包括用户至少两方面属性的向量，用户画像的属性如：地域、性别、年龄、行为习惯等。如用户的用户画像包括地区D，地区E，男，女，则可把各个用户进行如下聚类：(地区D，男)、(地区E，男)、(地区D，女)和(地区E，女)，把用户分为了四类，再获取四类用户的所有标签，以分别作为候选标签。

S132：将待测标签使用者的属性特征和每个候选标签分别输入标签预测模型中，以确定每个候选标签针对所述待测标签使用者的被使用概率；其中，所述标签预测模型为根据各个标签使用者的属性特征和历史所选用的标签次数进行训练而获得的；

标签使用者的属性特征优选包括标签使用者至少一方面属性的向量，标签使用者的属性特征如：所销售产品的行业、所销售产品的价格、活跃度、成立时间等多方面的特征。历史所选用的标签次数为多个标签使用者历史上选用各种标签的次数。如一个标签被标签使用者F选用了三次，则该标签的历史所选用的标签次数为三次。如果标签“歌曲”被多个具有某类属性的标签使用者选用了多次，则标签“歌曲”再次被具有类似属性的待测标签使用者使用的概率较大。根据标签预测模型，可确定每个候选标签针对所述待测标签使用者的被使用的概率。候选标签由于所属用户的属性类似，而且具有一定共性，标签预测模型也会通过训练能够确定具有类似数据的标签使用者对标签的使用偏好，从而可以对待测标签使用者没有使用过的标签的使用概率进行预测。

S133：根据各候选标签的被使用概率，为所述待测标签使用者筛选确定对应的优质标签集；

可根据候选标签的被使用概率对多个候选标签进行排序，被使用概率高的标签在前，被使用概率低的标签在后。根据需要选择的个数，选择被使用概率高的标签。如可以选择被使用概率最高的一个或多个标签添加至优质标签集中。或者，也可以将被使用概率达到一定阈值的标签均添加至优质标签集中。可以理解，针对每个待测标签使用者，都要确定每个候选标签针对所述待测标签使用者的被使用概率。

S200：将所述推荐标签集提供给所述标签使用者，以供选择使用。

在本实施例中，所述推荐标签集具体为优质标签集，推送的标签使用者即为前述的待测标签使用者。

本实施例的用户标签的推送方法能快速准确的确定出优质标签集，优质标签集中的标签为该标签使用者将来使用概率很高的标签，确定出的优质标签集能符合标签使用者的需求。

作为一种选择，所述确定每个候选标签针对所述待测标签使用者的被使用概率之前，还包括：

从各所述候选标签中，去除所述待测标签使用者的历史使用标签。

在候选标签中去除了待测标签使用者的历史使用标签，就不会把待测标签使用者使用过的历史使用标签筛选进优质标签集中，从而避免了重复，致使优质标签集中的标签都是针对该标签使用者未使用过的标签，且是将来使用概率较大的标签，符合标签使用者的选择需求。如标签“歌曲”被标签使用者选用了多次，则标签使用者对标签“音乐”使用的概率较大。

请参阅图5，进一步提供了一种确定优质标签集的方式，S133具体包括：

S1331：根据各候选标签的被使用概率，以及根据各候选标签的投后表现数据和/或覆盖的用户数量为候选标签进行排序；

排序时，不仅针对个候选标签的被使用概率排序，还根据各候选标签的投后表现数据和/或覆盖的用户数量为候选标签进行排序。各候选标签的投后表现数据越高，则各候选标签对标签使用者的效益越高，越满足标签使用者的使用需求。各候选标签的覆盖的用户数量越多，则各候选标签的被用户看重的概率越大，被用户越关注，说明用户对候选标签很感兴趣，候选标签造成的投后表现数据高的概率越大。

S1332：根据排序结果为所述待测标签使用者筛选确定对应的优质标签集；

筛选确定的优质标签集中的标签，是专门针对每个标签使用者分别进行预测的，更加能够满足标签使用者的专属使用需求。

请参阅图6，本公开第五实施例也提供了一种用户标签的推送方法，本实施例以前述实施例为基础，提供了一种确定兴趣标签集的方案，该用户标签的推送方法包括：

S141：针对任一标签使用者，确定未使用标签与已使用标签的用户群覆盖重合率；

标签使用者优选为历史标签使用者，历史标签使用者通常拥有已使用标签。故一标签使用者的已使用标签对应有用户群，该用户群中的用户也可能具有该标签使用者的未使用过的标签。具有该标签使用者的未使用过标签的用户占该用户群中用户总数的比例，即为未使用标签与已使用标签的用户群覆盖重合率。如针对标签使用者G，其已使用标签的用户群中的用户包括10个用户，标签使用者G未使用标签“音乐”，而该用户群中的10个用户中，有9个用户具有标签“音乐”，则未使用标签与已使用标签的用户群覆盖重合率为90％。

S142：根据覆盖重合率从各未使用标签中进行筛选，以确定备选标签；

针对一标签使用者，把各个未使用标签的覆盖重合率进行排序，筛选出覆盖重合率最高的一个或多个未使用标签作为备选标签。

S143：设置所述标签使用者使用所述备选标签进行信息推荐，并获取投后表现数据；

把备选标签默认直接作为标签使用者已选择并购买的标签，在网站上对拥有备选标签的用户进行产品信息推送，试探出备选标签的投后表现数据。此时备选标签相当于已经在免费给标签使用者使用。

S144：根据所述投后表现数据对所述备选标签进行筛选，将筛选后的标签添加入兴趣标签集中；

把备选标签按照投后表现数据进行排序，选择投后表现数据最高的一个或多个标签添加入兴趣标签集中。

S200：将所述推荐标签集提供给所述标签使用者，以供选择使用。

本实施例中，所述推荐标签集具体为兴趣标签集。此时推荐给标签使用者使用时，若标签使用者选用了兴趣标签集中的标签，就需要进行收费。

本实施例的用户标签的推送方法能快速准确的确定出兴趣标签集，兴趣标签集中的标签为该标签使用者感兴趣的标签，确定出的兴趣标签集投后表现数据较佳，能符合标签使用者的需求。

请参阅图7，本公开第六实施例也提供了一种用户标签的推送方法，本实施例以前述实施例为基础，提供了另一种确定兴趣标签集的方案，该用户标签的推送方法包括：

S151：根据每个标签的指标信息，确定标签向量，其中，所述指标信息用于表征标签的属性；

标签的属性可包括至少两方面的属性，如所属用户、行业关键词、行业兴趣等。根据标签的指标信息可构成标签向量。

S152：根据所述标签使用者的未使用标签的标签向量，基于标签命中模型对未使用标签进行筛选，以确定兴趣标签集，其中，所述标签命中模型为采用各所述标签使用者的已使用标签的标签向量作为样本进行训练而获取；

如标签使用者的已使用标签H的标签向量为(歌曲，女)，标签使用者的未使用标签I的标签向量为(音乐，女)，则以标签命中模型对未使用标签I进行筛选，筛选结果则可把未使用标签I添加进兴趣标签集。筛选的兴趣标签集中的标签的标签向量和标签使用者的已使用标签的标签向量有一定的相似或相关性。

S200：将所述推荐标签集提供给所述标签使用者，以供选择使用。

在本实施例中，所述推荐标签集具体为兴趣标签集。

本实施例的用户标签的推送方法能从从标签共性的角度出发进行预测，快速准确的确定出兴趣标签集，兴趣标签集中的标签为该标签使用者感兴趣的标签，能符合标签使用者的需求。

请参阅图8，本公开第七实施例也提供了一种用户标签的推送方法，本实施例以前述实施例为基础，提供了又一种确定兴趣标签集的方案，该用户标签的推送方法包括：

S161：将标签使用者待推送信息的内容和未使用标签，输入自然语言预测模型，以确定所述未使用标签的使用概率；其中，所述自然语言预测模型采用各待推送信息的内容和已使用标签作为样本进行训练而获取，所述待推送信息的内容至少包括：标题、文本和/或创意；

标签使用者待推送信息的内容包括但不限于标签对应的推送信息计划中的标题、文本和创意。根据各待推送信息的内容和已使用标签作为样本对未使用标签进行训练，以确定所述未使用标签的使用概率。

S162：根据所述未使用标签的使用概率，对所述未使用标签进行筛选，添加至兴趣标签集；

把未使用标签的使用概率进行排序，选择使用概率最高的一个或多个标签添加入兴趣标签集中。

S200：将所述推荐标签集提供给所述标签使用者，以供选择使用。

在本实施例中，所述推荐标签集具体为兴趣标签集。

本实施例的用户标签的推送方法通过标签的自然语意来确定标签使用者感兴趣的相似标签，能快速准确的确定出兴趣标签集，兴趣标签集中的标签为该标签使用者感兴趣的标签，能符合标签使用者的需求。

请参阅图9，本公开第八实施例也提供了一种用户标签的推送方法，本实施例以前述实施例为基础，提供了一种确定常用标签集的方案，该用户标签的推送方法包括：

S171：根据标签使用者历史使用标签的次数，对标签进行排序；

进行排序时，历史使用标签的次数多的在前，历史使用标签的次数少的在后。

S172：根据排序结果确定常用标签，添加至常用标签集；

选择历史使用标签的次数最多的一个或多个历史使用标签添加入常用标签集中。

S200：将所述推荐标签集提供给所述标签使用者，以供选择使用。

在本实施例中，所述推荐标签集具体为常用标签集。

本实施例的用户标签的推送方法能快速准确的确定出常用标签集，常用标签集中的标签为该标签使用者常用的标签，能符合标签使用者的需求。

请参阅图10，本公开第九实施例也提供了一种用户标签的推送方法，本实施例以前述实施例为基础，提供了一种从至少一种推荐标签集快速选择一种推荐标签集的方案，该用户标签的推送方法包括：

S100：根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集；

S211：根据标签使用者对至少一类推荐标签集中标签的使用情况数据，确定各类推荐标签集的权重；

推荐标签集可包括上述任一实施例所述的热门标签、行业标签、优质标签、兴趣标签和常用标签。优选地，推荐标签集可以包括其中的任意种类组合。使用情况数据是标签使用者对基于某种策略推送的标签集的使用次数、使用频率等信息，由此表明标签使用者更倾向于使用哪类标签集。

S212：根据各类推荐标签集的权重选择目标推荐标签集提供给所述标签使用者，以供选择使用。

各类推荐标签集的按照权重进行排序，权重高的在前，权重低的在后，选择权重最高的一个或多个推荐标签集作为目标推荐标签集。

本实施例的用户标签的推送方法能快速准确的确定出目标推荐标签集，目标推荐标签集中的标签能符合标签使用者的需求。

请参阅图11，本公开第十实施例也提供了一种用户标签的推送方法，本实施例以前述实施例为基础，提供了另一种从至少一种推荐标签集快速选择一种推荐标签集的方案，该用户标签的推送方法包括：

S100：根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集；

S221：区分所述标签使用者为新标签使用者或历史标签使用者的类型；

标签使用者可以分为新标签使用者和历史标签使用者。新标签使用者即为刚注册或即将使用推荐标签集中标签的标签使用者，历史标签使用者即为已经长期使用推荐标签集中标签的标签使用者。

S222：根据所述标签使用者的类型选择对应的推荐标签集进行提供，以供选择使用。

推荐标签集可包括上述任一实施例所述的热门标签、行业标签、优质标签、兴趣标签和常用标签。若所述标签使用者为新标签使用者，则优选推荐热门标签和/或行业标签给标签使用者。若所述标签使用者为历史标签使用者，则优选推荐优质标签和/或兴趣标签和/或常用标签给标签使用者。

本实施例的用户标签的推送方法能区分标签使用者的情况，快速准确的确定出目标推荐标签集，目标推荐标签集中的标签能符合标签使用者的需求。

请参阅图12，本公开第十一实施例也提供了一种用户标签的推送方法，本实施例以前述实施例为基础，增加了新的方案，该用户标签的推送方法包括：

S100：根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集；

S200：将所述推荐标签集提供给所述标签使用者，以供选择使用；

S300：计算标签使用者当前选用标签所覆盖的用户数；

标签使用者从推荐标签集中选择标签。推荐标签集可包括上述任一实施例所述的热门标签、行业标签、优质标签、兴趣标签和常用标签。

S400：如果覆盖用户数不满足标签使用者的目标用户期望值，则提示标签使用者继续选择标签。

在覆盖用户数满足标签使用者的目标用户期望值时，则不进行提示。目标用户期望值可以通过多种方式来确定，例如，通过标签使用者设定的支付预算来计算用户数量，或者也可以是标签使用者直接设定的想要覆盖的用户数量。

本实施例的用户标签的推送方法能在标签使用者选择的标签不能满足目标用户期望值时，提示标签使用者继续选择标签。

请参阅图13，本公开第十二实施例提供了一种用户标签的推送装置，该用户标签的推送装置10可实现上述实施例的用户标签的推送方法，用户标签的推送装置10包括：

标签集确定模块11，用于控制根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集，其中，所述标签为用户所属标签，每个用户具有一个或多个标签，每个标签所属于一个或多个用户；

标签集提供模块12，用于控制将所述推荐标签集提供给所述标签使用者，以供选择使用。

本公开第十二实施例提供的用户标签的推送装置，可以灵活、准确的给标签使用者推送标签，实现动态为标签使用者提供推荐标签，丰富其选择范围的效果。

其中，标签集确定模块11包括：

第一获取模块，用于控制针对每个标签，分别获取被各个标签使用者的使用次数；

第一确定模块，用于控制根据标签使用者的权重和/或被使用时间的权重，以及所述使用次数，确定所述标签的使用评分；

第一筛选模块，用于控制根据各标签的使用评分筛选确定出至少一个标签添加至热门标签集中。

可选地，标签集确定模块11包括：

第二获取模块，用于控制针对每个标签，获取所述标签分别被至少两个行业的标签使用者使用后的投后表现数据；

第一排除模块，用于控制根据所述投后表现数据中，将所述标签命中的竞争激烈用户排除，其中，所述竞争激烈用户为在至少两个行业中投后表现数据超出设定门限值的热度用户；

第二筛选模块，用于控制根据剩余用户的投后表现数据，确定所述标签所属的行业，添加至对应的行业标签集中。

可选地，标签集确定模块11包括：

第三获取模块，用于控制根据各用户的用户画像对各用户进行聚类，并获取同类用户具有的所有标签，分别作为候选标签；

第二排除模块，用于控制从各所述候选标签中，去除所述待测标签使用者的历史使用标签；

第二确定模块，用于控制将待测标签使用者的属性特征和每个候选标签分别输入标签预测模型中，以确定每个候选标签针对所述待测标签使用者的被使用概率；其中，所述标签预测模型为根据各个标签使用者的属性特征和历史所选用的标签次数进行训练而获得的；

第三筛选模块，用于控制根据各候选标签的被使用概率，为所述待测标签使用者筛选确定对应的优质标签集。

其中，第三筛选模块包括：

第一排序模块，用于控制根据各候选标签的被使用概率，以及根据各候选标签的投后表现数据和/或覆盖的用户数量为候选标签进行排序；

第一筛选确定模块，用于控制根据排序结果为所述待测标签使用者筛选确定对应的优质标签集。

可选地，标签集确定模块11包括：

第三确定模块，用于控制针对任一标签使用者，确定未使用标签与已使用标签的用户群覆盖重合率；

第四筛选模块，用于控制根据覆盖重合率从各未使用标签中进行筛选，以确定备选标签；

第四获取模块，用于控制设置所述标签使用者使用所述备选标签进行信息推荐，并获取投后表现数据；

第二筛选确定模块，用于控制根据所述投后表现数据对所述备选标签进行筛选，将筛选后的标签添加入兴趣标签集中。

可选的，标签集确定模块11包括：

第四确定模块，用于控制根据每个标签的指标信息，确定标签向量，其中，所述指标信息用于表征标签的属性；

第五筛选模块，用于控制根据所述标签使用者的未使用标签的标签向量，基于标签命中模型对未使用标签进行筛选，以确定兴趣标签集，其中，所述标签命中模型为采用各所述标签使用者的已使用标签的标签向量作为样本进行训练而获取。

可选的，标签集确定模块11包括：

第五确定模块，用于控制将标签使用者待推送信息的内容和未使用标签，输入自然语言预测模型，以确定所述未使用标签的使用概率；其中，所述自然语言预测模型采用各待推送信息的内容和已使用标签作为样本进行训练而获取，所述待推送信息的内容至少包括：标题、文本和/或创意；

第六筛选模块，用于控制根据所述未使用标签的使用概率，对所述未使用标签进行筛选，添加至兴趣标签集。

可选的，标签集确定模块11包括：

第二排序模块，用于控制根据标签使用者历史使用标签的次数，对标签进行排序；

第七筛选模块，用于控制根据排序结果确定常用标签，添加至常用标签集。

其中，标签集提供模块12包括：

权重确定模块，用于控制根据标签使用者对至少一类推荐标签集中标签的使用情况数据，确定各类推荐标签集的权重；

第一提供模块，用于控制根据各类推荐标签集的权重选择目标推荐标签集提供给所述标签使用者，以供选择使用。

作为一种变形，标签集提供模块12包括：

区分模块，用于控制区分所述标签使用者为新标签使用者或历史标签使用者的类型；

第二提供模块，用于控制根据所述标签使用者的类型选择对应的推荐标签集进行提供，以供选择使用。

请参阅图14，本公开第十三实施例提供了一种用户标签的推送装置，本实施例以前述实施例为基础，增加了新的方案，用户标签的推送装置20包括：

标签集确定模块11，用于控制根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集，其中，所述标签为用户所属标签，每个用户具有一个或多个标签，每个标签所属于一个或多个用户；

标签集提供模块12，用于控制将所述推荐标签集提供给所述标签使用者，以供选择使用；

计算模块13，用于控制计算标签使用者当前选用标签所覆盖的用户数；

提示模块14，用于控制如果覆盖用户数不满足标签使用者的目标用户期望值，则提示标签使用者继续选择标签。

本公开第十三实施例提供的用户标签的推送装置，可以灵活、准确的给标签使用者推送标签，实现动态为标签使用者提供推荐标签，丰富其选择范围的效果，在标签使用者选择的标签不能满足目标用户期望值时，提示标签使用者继续选择标签。

请参阅图15，其示出了适于用来实现本公开实施例用户标签的推送方法和/或用户标签的推送装置的电子设备(例如图13或图14中的用户标签的推送装置)800的结构示意图。本公开实施例中的电子设备可以为任意有数据处理能力的计算设备，典型的如服务器或服务器集群。图15示出的电子设备仅仅是一个示例，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15所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图15示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

本公开实施例还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公开前述任一实施例所提供的用户标签的推送方法。

特别地，根据本公开的实施例，上文参考流程图描述的用户标签的推送方法的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行上述流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的用户标签的推送方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明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发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (19)

1.一种用户标签的推送方法，其特征在于，包括：

根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集，其中，所述标签为用户所属标签，每个用户具有一个或多个标签，每个标签所属于一个或多个用户；

将所述推荐标签集提供给所述标签使用者，以供选择使用。

2.根据权利要求1所述的用户标签的推送方法，其特征在于，所述推荐标签集为热门标签集，则根据标签使用者的历史标签选择行为数据，为所述标签使用者确定热门标签集包括：

针对每个标签，分别获取被各个标签使用者的使用次数；

根据标签使用者的权重和/或被使用时间的权重，以及所述使用次数，确定所述标签的使用评分；

根据各标签的使用评分筛选确定出至少一个标签添加至热门标签集中。

3.根据权利要求2所述的用户标签的推送方法，其特征在于，标签使用者的权重与所述标签使用者的活跃度成正比；使用时间的权重与标签被使用时间距离当前时间的差值成反比。

4.根据权利要求1所述的用户标签的推送方法，其特征在于，所述推荐标签集为行业标签集，则根据标签使用者的历史标签选择行为数据，为所述标签使用者确定行业标签集包括：

针对每个标签，获取所述标签分别被至少两个行业的标签使用者使用后的投后表现数据；

根据所述投后表现数据中，将所述标签命中的竞争激烈用户排除，其中，所述竞争激烈用户为在至少两个行业中投后表现数据超出设定门限值的热度用户；

根据剩余用户的投后表现数据，确定所述标签所属的行业，添加至对应的行业标签集中。

5.根据权利要求1所述的用户标签的推送方法，其特征在于，所述推荐标签集为优质标签集，则根据标签使用者的历史标签选择行为数据，为所述标签使用者确定优质标签集包括：

根据各用户的用户画像对各用户进行聚类，并获取同类用户具有的所有标签，分别作为候选标签；

将待测标签使用者的属性特征和每个候选标签分别输入标签预测模型中，以确定每个候选标签针对所述待测标签使用者的被使用概率；其中，所述标签预测模型为根据各个标签使用者的属性特征和历史所选用的标签次数进行训练而获得的；

根据各候选标签的被使用概率，为所述待测标签使用者筛选确定对应的优质标签集。

6.根据权利要求5所述的用户标签的推送方法，其特征在于，确定每个候选标签针对所述待测标签使用者的被使用概率之前，还包括：

从各所述候选标签中，去除所述待测标签使用者的历史使用标签。

7.根据权利要求5所述的用户标签的推送方法，其特征在于，根据各候选标签的被使用概率，为所述待测标签使用者筛选确定对应的优质标签集包括：

根据各候选标签的被使用概率，以及根据各候选标签的投后表现数据和/或覆盖的用户数量为候选标签进行排序；

根据排序结果为所述待测标签使用者筛选确定对应的优质标签集。

8.根据权利要求1所述的用户标签的推送方法，其特征在于，所述推荐标签集为兴趣标签集，则根据标签使用者的历史标签选择行为数据，为所述标签使用者确定兴趣标签集包括：

针对任一标签使用者，确定未使用标签与已使用标签的用户群覆盖重合率；

根据覆盖重合率从各未使用新标签中进行筛选，以确定备选标签；

设置所述标签使用者使用所述备选标签进行信息推荐，并获取投后表现数据；

根据所述投后表现数据对所述备选标签进行筛选，将筛选后的标签添加入兴趣标签集中。

9.根据权利要求1所述的用户标签的推送方法，其特征在于，所述推荐标签集为兴趣标签集，则根据标签使用者的历史标签选择行为数据，为所述标签使用者确定兴趣标签集包括：

根据每个标签的指标信息，确定标签向量，其中，所述指标信息用于表征标签的属性；

根据所述标签使用者的未使用标签的标签向量，基于标签命中模型对未使用标签进行筛选，以确定兴趣标签集，其中，所述标签命中模型为采用各所述标签使用者的已使用标签的标签向量作为样本进行训练而获取。

10.根据权利要求1所述的用户标签的推送方法，其特征在于，所述推荐标签集为兴趣标签集，则根据标签使用者的历史标签选择行为数据，为所述标签使用者确定兴趣标签集包括：

将标签使用者待推送信息的内容和未使用标签，输入自然语言预测模型，以确定所述未使用标签的使用概率；其中，所述自然语言预测模型采用各待推送信息的内容和已使用标签作为样本进行训练而获取，所述待推送信息的内容至少包括：标题、文本和/或创意；

根据所述未使用标签的使用概率，对所述未使用标签进行筛选，添加至兴趣标签集。

11.根据权利要求1所述的用户标签的推送方法，其特征在于，所述推荐标签集为常用标签集，则根据标签使用者的历史标签选择行为数据，为所述标签使用者确定常用标签集包括：

根据标签使用者历史使用标签的次数，对标签进行排序；

根据排序结果确定常用标签，添加至常用标签集。

12.根据权利要求1所述的用户标签的推送方法，其特征在于，将所述推荐标签集提供给所述标签使用者，以供选择使用包括：

根据标签使用者对至少一类推荐标签集中标签的使用情况数据，确定各类推荐标签集的权重；

根据各类推荐标签集的权重选择目标推荐标签集提供给所述标签使用者，以供选择使用。

13.根据权利要求1所述的用户标签的推送方法，其特征在于，还包括：

计算标签使用者当前选用标签所覆盖的用户数；

如果覆盖用户数不满足标签使用者的目标用户期望值，则提示标签使用者继续选择标签。

14.根据权利要求1所述的用户标签的推送方法，其特征在于，将所述推荐标签集提供给所述标签使用者，以供选择使用包括：

区分所述标签使用者为新标签使用者或历史标签使用者的类型；

根据所述标签使用者的类型选择对应的推荐标签集进行提供，以供选择使用。

15.根据权利要求4或7或8所述的用户标签的推送方法，其特征在于，所述投后表现数据包括信息推送给用户后的点击量和/或转换率。

16.根据权利要求1所述的用户标签的推送方法，其特征在于，所述标签使用者为根据选择使用的标签向具有该标签的用户推送信息的推送信息者。

17.一种用户标签的推送装置，其特征在于，该用户标签的推送装置包括：

标签集确定模块，用于控制根据标签使用者的历史标签选择行为数据，为所述标签使用者确定至少一类推荐标签集，其中，所述标签为用户所属标签，每个用户具有一个或多个标签，每个标签所属于一个或多个用户；

标签集提供模块，用于控制将所述推荐标签集提供给所述标签使用者，以供选择使用。

18.一种电子设备，包括存储器、处理装置及存储在存储器上并可在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程序时实现如权利要求1-16中任一所述的用户标签的推送方法。

19.一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：该程序被处理器执行时实现如权利要求1-16中任一所述的用户标签的推送方法。

Images