CN111797325A - 事件贴标方法、装置、存储介质及电子设备 - Google Patents
事件贴标方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111797325A CN111797325A CN201910282094.9A CN201910282094A CN111797325A CN 111797325 A CN111797325 A CN 111797325A CN 201910282094 A CN201910282094 A CN 201910282094A CN 111797325 A CN111797325 A CN 111797325A
- Authority
- CN
- China
- Prior art keywords
- label
- event
- user
- preset event
- preset
- 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.)
- Pending
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 109
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000013145 classification model Methods 0.000 claims abstract description 121
- 239000011159 matrix material Substances 0.000 claims abstract description 113
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 70
- 238000001914 filtration Methods 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 239000013589 supplement Substances 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008447 perception Effects 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000000586 desensitisation Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种事件贴标方法、装置、存储介质及电子设备,其中,本申请实施例中,每间隔第一预设时间间隔,获取第一用户的预设事件和预设事件的第一标签;根据预设事件和第一标签,生成标签更新请求发送至服务器;接收所述服务器返回的标签矩阵,并根据标签矩阵更新当前的标签分类模型,标签矩阵由服务器根据第一用户和第二用户的预设事件和预设事件的第一标签,基于协同过滤算法计算得到;当检测到第一用户创建新的预设事件时,根据更新后的标签分类模型和新的预设事件,生成新的预设事件对应的第二标签。该方案通过协同过滤算法生成与用户对应的标签矩阵,根据该矩阵有针对性的对用户的标签分类模型更新,提高事件贴标的效率。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种事件贴标方法、装置、存储介质及电子设备。
背景技术
对于手机、平板电脑等终端,若用户想要对创建的备忘录、通知事件、文件管理等与涉及到文本数据的事件添加标签时,只能通过人工标记的方式添加标签,或者使用系统自带的少量标签进行标注。例如,对文件管理系统中的文件,终端系统可以提供方式给用户进行手动输入其文件夹的属性,比如工作、学习、生活等,或者提供方式给用户对备忘录的状态添加会议、购物、聚餐、紧急、重要、一般等标签,但是这种贴标方式存在效率低下的问题。
发明内容
本申请实施例提供了一种事件贴标方法、装置、存储介质及电子设备,能够提高事件贴标的效率。
第一方面,本申请实施例了提供了的一种事件贴标方法,包括:
每间隔第一预设时间间隔,获取第一用户的第一预设事件和第一预设事件的第一标签;
根据所述第一预设事件和所述第一标签,生成标签更新请求发送至服务器;
接收所述服务器返回的标签矩阵,并根据所述标签矩阵更新当前的标签分类模型,其中,所述标签矩阵由服务器根据所述第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到;
当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和所述第二预设事件,生成所述第二预设事件对应的第二标签。
第二方面,本申请实施例了提供了的一种事件贴标装置,包括:
数据获取模块,用于每间隔第一预设时间间隔,获取第一用户的第一预设事件和第一预设事件的第一标签;
标签请求模块,用于根据所述第一预设事件和所述第一标签,生成标签更新请求发送至服务器;
模型更新模块,用于接收所述服务器返回的标签矩阵,并根据所述标签矩阵更新当前的标签分类模型,其中,所述标签矩阵由服务器根据所述第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到;
事件贴标模块,用于当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和所述第二预设事件,生成所述第二预设事件对应的第二标签。
第三方面,本申请实施例提供的存储介质,其上存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如本申请任一实施例提供的事件贴标方法。
第四方面,本申请实施例提供了一种电子设备,包括处理器和存储器,所述存储器有计算机程序,所述处理器通过调用所述计算机程序,用于执行如本申请任一实施例提供的事件贴标方法;
本申请实施例提供的技术方案,每间隔第一预设时间间隔,获取第一用户的第一预设事件和第一预设事件的第一标签;根据第一预设事件和第一标签,生成标签更新请求发送至服务器;接收所述服务器返回的标签矩阵,并根据标签矩阵更新当前的标签分类模型,其中,标签矩阵由服务器根据第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到;当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和第二预设事件,生成第二预设事件对应的第二标签。该方案通过标签分类模型对用户创建的预设事件推荐匹配的标签,无需用户手动设置,并且,通过结合第一用户和第二用户的预设事件和预设事件的标签进行协同过滤算法,生成标签矩阵,协同过滤算法能够选择出与第一用户相似的第二用户的标签,通过标签矩阵推送给电子设备,电子设备通过标签矩阵对标签分类模型更新,实现对标签分类模型中标签的补充,使得标签推荐更加智能,提高事件贴标的效率,提升用户体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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为本申请实施例提供的事件贴标方法的全景感知架构示意图。
图2为本申请实施例提供的事件贴标方法的第一种流程示意图。
图3为本申请实施例提供的事件贴标方法的第二种流程示意图。
图4为本申请实施例提供的事件贴标方法的第三种流程示意图。
图5为本申请实施例提供的事件贴标方法中贴标提醒场景示意图。
图6为本申请实施例提供的事件贴标装置的结构示意图。
图7为本申请实施例提供的电子设备的第一种结构示意图。
图8为本申请实施例提供的电子设备的第二种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块,而是某些实施例还包括没有列出的步骤或模块,或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1,图1为本申请实施例提供的事件贴标方法的全景感知架构示意图。所述事件贴标方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述事件贴标方法的硬件和软件的集成。
其中,全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如,所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
其中,距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器,可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。
数据处理层用于对信息感知层获取到的数据进行处理。例如,数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
其中,数据清理是指对信息感知层获取到的大量数据进行清理,以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度,以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等,以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下,最大限度的精简数据量。
特征抽取层用于对数据处理层处理后的数据进行特征抽取,以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。
其中,特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤,以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起,以构建一种更加高效、更加准确的特征提取方法,用于提取特征。
情景建模层用于根据特征抽取层提取到的特征来构建模型,所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如,情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如,智能服务层可以为用户提供基础应用服务,可以为电子设备进行系统智能优化,还可以为用户提供个性化智能服务。
此外,全景感知架构中还可以包括多种算法,每一种算法都可以用于对数据进行分析处理,所述多种算法可以构成算法库。例如,所述算法库中可以包括马尔科夫算法、隐形狄利克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。
基于上述全景感知构架,每间隔第一预设时间间隔,电子设备通过信息感知层和/或者其他方式采集用户的第一预设事件和第一预设事件的第一标签;接下来,智能服务层生成标签更新请求发送至服务器;接收所述服务器返回的标签矩阵,并根据标签矩阵更新当前的标签分类模型,其中,标签矩阵由服务器根据第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到;当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和第二预设事件,生成第二预设事件对应的第二标签。该方案通过标签分类模型对用户创建的预设事件推荐匹配的标签,无需用户手动设置,并且,通过结合第一用户和第二用户的预设事件和预设事件的标签进行协同过滤算法,生成标签矩阵,协同过滤算法能够选择出与第一用户相似的第二用户的标签,通过标签矩阵推送给电子设备,电子设备通过标签矩阵对标签分类模型更新,实现对标签分类模型中标签的补充,使得标签推荐更加智能,提高事件贴标的效率,提升用户体验。
本申请实施例提供一种事件贴标方法,该事件贴标方法的执行主体可以是本申请实施例提供的事件贴标装置,或者集成了该事件贴标装置的电子设备,其中该事件贴标装置可以采用硬件或者软件的方式实现。其中,电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等设备。
请参照图2,图2为本申请实施例提供的事件贴标方法的第一种流程示意图。本申请实施例提供的事件贴标方法的具体流程可以如下:
步骤101、每间隔第一预设时间间隔,获取第一用户的第一预设事件和第一预设事件的第一标签。
本申请实施例中,设置有初始的标签分类模型。预设事件包括备忘录事件、通知事件、记事本事件、文件夹事件等。用户在使用电子设备的初始阶段,当电子设备检测用户创建预设事件时,获取该预设事件的内容,根据初始的标签分类模型对该预设事件的内容进行分类,生成与之匹配的标签。例如,电子设备在检测到用户在备忘录APP(Application,应用)中创建了一个备忘录时,获取该备忘录的内容,根据标签分类模型对该被备忘录的内容进行分类,生成对应的标签。可以直接将该标签与用户创建的预设事件关联存储,或者,基于上述标签生成贴标提醒,当用户根据该贴标提醒触发确认指令时,将该标签与预设事件关联后存储。此外,对于一个预设事件,可能会生成多个与之匹配的标签,则贴标提醒中会包含有多个可供用户选择的标签,用户可以根据需要选择喜欢的标签与预设事件关联后存储。比如,默认的标签分类模型可以将用户创建的文件夹设置如下几个类别的标签:工作、学习、生活、考研等;又比如,默认的标签分类模型可以将用户创建的备忘录设置如下几个类别的标签:紧急、非常紧急、重要、一般等。
以下内容中,为了区分标签分类模型更新前后创建的预设事件,将标签分类模型更新之前创建的预设事件定义为第一预设事件,将更新标签分类模型之后,用户创建的新的预设事件定义为第二预设事件。其中,第一用户为目标用户,即电子设备对应的用户,第二用户除了目标用户之外的其他用户。服务器接收多个电子设备上传的预设事件及其标签数据,将这些数据存储至预先创建的数据库,例如,MySQL数据库。
每间隔第一预设时间间隔,例如,每间隔一周,电子设备获取第一用户在这一周内创建的第一预设事件,以及第一用户为第一预设事件创建的第一标签,其中,第一标签可以是通过创建第一预设事件时的标签分类模型自动分类得到的,也可以是用户手动为第一预设事件添加的,例如,当标签分类模型的分类结果不满足用户的需求时,用户可以手动添加标签。
步骤102、根据所述第一预设事件和所述第一标签,生成标签更新请求发送至服务器。
电子设备根据获取到的第一预设事件和对应的第一标签,生成标签更新请求发送至服务器。其中,由于用户的备忘录、记事本等数据中可能涉及到用户隐私,故为了避免泄露隐私,可以对数据进行脱敏后上传。
如图3所示,图3为本申请实施例提供的事件贴标方法的第二种流程示意图。在一实施例中,步骤102、根据所述第一预设事件和所述第一标签,生成标签更新请求发送至服务器,包括:
步骤1021、对所述第一预设事件进行脱敏处理,生成事件特征;
步骤1022、基于所述事件特征和所述第一标签生成标签更新请求,将所述标签更新请求发送至服务器。
对第一预设事件进行脱敏处理后,生成的事件特征中仍然能够保留第一预设事件中的重要特征。例如,步骤1021、对所述第一预设事件进行脱敏处理,生成事件特征,包括:基于自编码循环神经网络模型对第一预设事件的内容进行脱敏处理,生成事件特征。
其中,自编码神经网络模型由一个encoder编码器和一个decoder解码器组成,该网络的输出等于输入,网络还包括有中间隐藏层,中间隐藏层能够提取输入数据的特征,并生成特征向量。由于本方案中的预设事件为文本类型的事件,因此,采用自编码循环神经网络从预设事件中提取特征,生成特征向量,作为事件特征,自编码循环神经网络的输入数据和输出数据均为上述预设事件的内容。该网络在训练时,无需对预设事件贴标签,预先采集大量的预设事件作为网络的输入和输出,网络通过自学习,确定参数。
步骤103、接收所述服务器返回的标签矩阵,并根据所述标签矩阵更新当前的标签分类模型,其中,所述标签矩阵由服务器根据所述第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到。
对于服务器来说,将大量的电子设备的预设事件和对应的标签存储在数据库中。当接收到电子设备发送的标签更新请求时,从所述标签更新请求获取第一用户的第一预设事件和第一预设事件对应的标签;获取第二用户的第一预设事件和第一预设事件对应的标签;基于协同过滤算法,根据所述第一用户和所述第二用户的第一预设事件、第一预设事件的标签,生成标签矩阵;将所述标签矩阵发送至所述电子设备,其中,所述标签矩阵用于更新所述电子设备的标签分类模型。
服务器在接收到标签更新请求时,从标签更新请求中获取第一用户的第一预设事件和第一预设事件对应的标签,同时获取数据库中除了第一用户之外的其他用户的预设事件和对应的标签,基于协同过滤算法,对第一用户的标签进行补充。
例如,服务器基于所述第一用户和所述第二用户的第一预设事件、第一预设事件的标签,构建协同过滤矩阵;对所述协同过滤矩阵进行分解,生成所述标签矩阵。由于电子设备发送的标签更新请求中包含的是从第一预设事件中提取的事件特征,故服务器基于事件特征和对应的第一标签,使用协同过滤算法。
具体地,服务器主要采用的是一种基于模型的协同过滤算法,对于服务器来说,只有部分用户和部分预设事件是有标签的,部分用户可能对部分或者全部预设事件未设置标签,此时我们要用已有的部分稀疏数据来预测那些空白的用户和预设事件的标签,实现对空白标签的补充。具体地,可以采用的矩阵分解,聚类算法来解决基于模型的协同过滤问题。
以矩阵分解算法为例,在服务器端为标签设置对应的索引号。将用户作为user,事件特征作为item,标签索引号作为评分构建协同过滤矩阵,即user-item矩阵,该矩阵中,若用户没有为预设事件设置标签,则该用户对应的item的评分会出现空缺。接下来,对user-item矩阵进行分解,得到item-base和user-base的结果,再将分解得到的两个矩阵相乘,得到最终的user-item矩阵,实现了对矩阵中空缺的标签索引号的补充。其中,将user-item矩阵作为标签矩阵发送至电子设备。
电子设备接收所述服务器返回的标签矩阵,并根据标签矩阵对标签分类模型更新。例如,以备忘录为例,A用户经常活跃的相关标签有“工作、加班、写周报”,B用户与A用户具有相类似活跃的事件特征,但是由于B用户是重度终端使用者,因此B用户相对于A用户会产生更多标签,如“晨会、小组讨论、出差”等,即对同样的预设事件,B用户相对于A用户,会使用更加丰富多样的标签。若B用户与A用户具有相类似的事件特征,服务器经过协同过滤算法后,会使用B用户的标签对A用户的标签进行补充,生成的user-item矩阵中item(即事件特征)有更加丰富的标签,即具有从B用户的标签中选择出的与A用户的事件特征关联的标签。A用户接收到标签矩阵后,使用标签矩阵更新标签分类模型。
可选地,在一实施例中,步骤103、根据所述标签矩阵更新当前的标签分类模型的步骤包括:
根据所述标签矩阵更新当前的贝叶斯分类模型。
本申请实施例中,可以基于LSTM(Long Short-Term Memory,长短期记忆网络)、RNN(Recurrent Neural Network,循环神经网络)、贝叶斯网络等构建标签分类模型,该模型应用于对文本或者文档数据进行分类。电子设备上初始的标签分类模型是服务器预先训练好并下发至电子设备的,并不具有阵对性,随着用户选择使用或创建的标签,服务器对大量用户的标签进行收集并进行协同过滤,将相似用户的更多标签推荐给目标用户,有针对性地对标签分类模型进行更新,以使其能够为目标用户提供更多的与其创建的预设事件匹配的标签。
以下以标签分类模型为贝叶斯分类模型为例对分类模型的更新进行说明。此外,需要说明的是,本申请实施例中,以从第一预设事件中提取出的关键词作为贝叶斯分类模型的输入。电子设备接收服务器发送的标签矩阵,该矩阵中的事件特征为第一用户创建的历史预设事件对应的特征,并且事件特征关联更多的标签,例如,具有从B用户的标签中选择出的与A用户的事件特征关联的标签。由于每一个事件特征都对应一个第一预设事件,而贝叶斯网络的输入是从第一预设事件中提取出的关键词,因此,可以将标签矩阵中,事件特征与标签之间的关联关系,转换为关键词与标签之间的关联关系,然后,根据关键词与标签之间的关联关系更新贝叶斯网络。更新后的贝叶斯网络模型中,具有更丰富多样的标签。
对于其他的LSTM分类模型或RNN分类模型等,可以采用类似的原理进行更新,他们均根据标签矩阵中事件特征与标签之间的关联关系,实现分类模型的更新。
步骤104、当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和所述第二预设事件,生成所述第二预设事件对应的第二标签。
在更新标签分类模型后,若检测到第一用户创建第二预设事件,即新的预设事件,则使用更新后的标签分类模型生成与该新的预设事件匹配的标签。
如图4所示,图4为本申请实施例提供的事件贴标方法的第三种流程示意图。在一实施例中,步骤104、当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和所述第二预设事件,生成所述第二预设事件对应的第二标签包括:
步骤1041、当检测到第一用户创建第二预设事件时,基于关键词提取算法从所述第二预设事件中提取关键词;
步骤1042、根据所述关键词和更新后的贝叶斯分类模型,生成所述第二预设事件对应的第二标签。
以标签分类模型为贝叶斯分类模型为例,当检测到用户重新创建预设事件时,基于关键词提取算法从预设事件的内容中提取出关键词,其中,关键词提取算法可以是TF-IDF(Term Frequency-Inverse Document Frequency,词频-逆文件频率)算法、topic-model(主题模型)算法、textrank(文本排名)关键词提取算法等。需要贴标的预设事件主要是由文本或者文档构成,因此提取文本或文档的关键词尤为重要,提取出的关键词体现出预设事件的核心内容。将提取到的关键词输入贝叶斯分类模型,可以获取与这些关键词匹配的标签,即第二标签。
可选地,在一实施例中,根据所述关键词和更新后的贝叶斯分类模型,生成所述第二预设事件对应的第二标签之后,所述方法还包括:
基于所述第二标签生成贴标提醒;当接收到基于所述贴标提醒触发的确认指令时,将所述第二标签与所述第二预设事件关联。
如图5所示,图5为本申请实施例提供的事件贴标方法中贴标提醒场景示意图。在获取到第二标签后,可以直接将第二标签与第二预设事件关联后存储,也可以生成贴标提醒;当接收到基于所述贴标提醒触发的确认指令时,将第二标签与所述二预设事件关联。当第二标签有多个时,用户可以选择其中的一个或者多个与第二预设事件关联。
可具体的,在另一个可选的实施方式中,基于所述第二标签生成贴标提醒的步骤之后,该方法还包括:
根据对所述贴标提醒的响应情况更新所述第二标签的贴标次数;
每间隔第二预设时间间隔,将所述贴标次数发送至所述服务器,其中,所述贴标次数用于所述服务器更新所述协同过滤算法。
电子设备在后台对用户使用标签的情况进行记录,如果用户使用了标签分类模型中的标签,则认为标签有用,并通过对第二标签的使用次数进行统计确定其有用程度,若标签分类模型推荐的标签,用户从未使用过,则认为该标签对于用户来说,是无用标签,则后台记录的该标签对应的贴标次数为零。每间隔第二预设时间间隔,例如,每间隔30天,电子设备将后台记录的贴标次数发送到服务器,服务器可以根据贴标次数更新协同过滤算法,例如,结合贴标次数和标签索引号作为协同过滤矩阵中的评分。
基于上述过程,服务器使用协同过滤算法不断迭代计算,使得协同过滤算法模型能够更加精准的刻画用户与用户、用户与标签之间的关系,更加有针对性地为用户推荐标签。
由上可知,本申请实施例提出的事件贴标方法,可以每间隔第一预设时间间隔,获取第一用户的第一预设事件和第一预设事件的第一标签;根据第一预设事件和第一标签,生成标签更新请求发送至服务器;接收所述服务器返回的标签矩阵,并根据标签矩阵更新当前的标签分类模型,其中,标签矩阵由服务器根据第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到;当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和第二预设事件,生成第二预设事件对应的第二标签。该方案通过标签分类模型对用户创建的预设事件推荐匹配的标签,无需用户手动设置,并且协同过滤算法能够选择出与第一用户相似的第二用户的标签,通过标签矩阵推送给电子设备,电子设备通过标签矩阵对标签分类模型更新,实现对标签分类模型中标签的补充,使得标签推荐更加智能,提升用户体验。
在一实施例中还提供了一种事件贴标装置。请参阅图6,图6为本申请实施例提供的事件贴标装置400的结构示意图。其中该事件贴标装置400应用于电子设备,该事件贴标装置400包括数据获取模块401、标签请求模块402、模型更新模块403以及事件贴标模块404,如下:
数据获取模块401,用于每间隔第一预设时间间隔,获取第一用户的第一预设事件和第一预设事件的第一标签。
本申请实施例中,设置有初始的标签分类模型。预设事件包括备忘录事件、通知事件、记事本事件、文件夹事件等。用户在使用电子设备的初始阶段,当电子设备检测用户创建预设事件时,获取该预设事件的内容,根据初始的标签分类模型对该预设事件的内容进行分类,生成与之匹配的标签。例如,电子设备在检测到用户在备忘录APP(Application,应用)中创建了一个备忘录时,获取该备忘录的内容,根据标签分类模型对该被备忘录的内容进行分类,生成对应的标签。可以直接将该标签与用户创建的预设事件关联存储,或者,基于上述标签生成贴标提醒,当用户根据该贴标提醒触发确认指令时,将该标签与预设事件关联后存储。此外,对于一个预设事件,可能会生成多个与之匹配的标签,则贴标提醒中会包含有多个可供用户选择的标签,用户可以根据需要选择喜欢的标签与预设事件关联后存储。比如,默认的标签分类模型可以将用户创建的文件夹设置如下几个类别的标签:工作、学习、生活、考研等;又比如,默认的标签分类模型可以将用户创建的备忘录设置如下几个类别的标签:紧急、非常紧急、重要、一般等。
以下内容中,为了区分标签分类模型更新前后创建的预设事件,将标签分类模型更新之前创建的预设事件定义为第一预设事件,将更新标签分类模型之后,用户创建的新的预设事件定义为第二预设事件。其中,第一用户为目标用户,即电子设备对应的用户,第二用户除了目标用户之外的其他用户。服务器接收多个电子设备上传的预设事件及其标签数据,将这些数据存储至预先创建的数据库,例如,MySQL数据库。
每间隔第一预设时间间隔,例如,每间隔一周,电子设备获取第一用户在这一周内创建的第一预设事件,以及第一用户为第一预设事件创建的第一标签,其中,第一标签可以是通过创建第一预设事件时的标签分类模型自动分类得到的,也可以是用户手动为第一预设事件添加的,例如,当标签分类模型的分类结果不满足用户的需求时,用户可以手动添加标签。
标签请求模块402,用于根据所述第一预设事件和所述第一标签,生成标签更新请求发送至服务器。
电子设备根据获取到的第一预设事件和对应的第一标签,生成标签更新请求发送至服务器。其中,由于用户的备忘录、记事本等数据中可能涉及到用户隐私,故为了避免泄露隐私,可以对数据进行脱敏后上传。
在一实施例中,标签请求模块402还用于:对所述第一预设事件进行脱敏处理,生成事件特征;基于所述事件特征和所述第一标签生成标签更新请求,将所述标签更新请求发送至服务器。
对第一预设事件进行脱敏处理后,生成的事件特征中仍然能够保留第一预设事件中的重要特征。例如,标签请求模块402还用于:基于自编码循环神经网络模型对第一预设事件的内容进行脱敏处理,生成事件特征。
其中,自编码神经网络模型由一个encoder编码器和一个decoder解码器组成,该网络的输出等于输入,网络还包括有中间隐藏层,中间隐藏层能够提取输入数据的特征,并生成特征向量。由于本方案中的预设事件为文本类型的事件,因此,采用自编码循环神经网络从预设事件中提取特征,生成特征向量,作为事件特征,自编码循环神经网络的输入数据和输出数据均为上述预设事件的内容。该网络在训练时,无需对预设事件贴标签,预先采集大量的预设事件作为网络的输入和输出,网络通过自学习,确定参数。
模型更新模块403,用于接收所述服务器返回的标签矩阵,并根据所述标签矩阵更新当前的标签分类模型,其中,所述标签矩阵由服务器根据所述第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到。
对于服务器来说,将大量的电子设备的预设事件和对应的标签存储在数据库中。当接收到电子设备发送的标签更新请求时,从所述标签更新请求获取第一用户的第一预设事件和第一预设事件对应的标签;获取第二用户的第一预设事件和第一预设事件对应的标签;基于协同过滤算法,根据所述第一用户和所述第二用户的第一预设事件、第一预设事件的标签,生成标签矩阵;将所述标签矩阵发送至所述电子设备,其中,所述标签矩阵用于更新所述电子设备的标签分类模型。
服务器在接收到标签更新请求时,从标签更新请求中获取第一用户的第一预设事件和第一预设事件对应的标签,同时获取数据库中除了第一用户之外的其他用户的预设事件和对应的标签,基于协同过滤算法,对第一用户的标签进行补充。
例如,服务器基于所述第一用户和所述第二用户的第一预设事件、第一预设事件的标签,构建协同过滤矩阵;对所述协同过滤矩阵进行分解,生成所述标签矩阵。由于电子设备发送的标签更新请求中包含的是从第一预设事件中提取的事件特征,故服务器基于事件特征和对应的第一标签,使用协同过滤算法。
具体地,服务器主要采用的是一种基于模型的协同过滤算法,对于服务器来说,只有部分用户和部分预设事件是有标签的,部分用户可能对部分或者全部预设事件未设置标签,此时我们要用已有的部分稀疏数据来预测那些空白的用户和预设事件的标签,实现对空白标签的补充。具体地,可以采用的矩阵分解,聚类算法来解决基于模型的协同过滤问题。
以矩阵分解算法为例,在服务器端为标签设置对应的索引号。将用户作为user,事件特征作为item,标签索引号作为评分构建协同过滤矩阵,即user-item矩阵,该矩阵中,若用户没有为预设事件设置标签,则该用户对应的item的评分会出现空缺。接下来,对user-item矩阵进行分解,得到item-base和user-base的结果,再将分解得到的两个矩阵相乘,得到最终的user-item矩阵,实现了对矩阵中空缺的标签索引号的补充。其中,将user-item矩阵作为标签矩阵发送至电子设备。
电子设备接收所述服务器返回的标签矩阵,并根据标签矩阵对标签分类模型更新。例如,以备忘录为例,A用户经常活跃的相关标签有“工作、加班、写周报”,B用户与A用户具有相类似活跃的事件特征,但是由于B用户是重度终端使用者,因此B用户相对于A用户会产生更多标签,如“晨会、小组讨论、出差”等,即对同样的预设事件,B用户相对于A用户,会使用更加丰富多样的标签。若B用户与A用户具有相类似的事件特征,服务器经过协同过滤算法后,会使用B用户的标签对A用户的标签进行补充,生成的user-item矩阵中item(即事件特征)有更加丰富的标签,即具有从B用户的标签中选择出的与A用户的事件特征关联的标签。A用户接收到标签矩阵后,使用标签矩阵更新标签分类模型。
可选地,在一实施例中,模型更新模块403还用于:根据所述标签矩阵更新当前的贝叶斯分类模型。
本申请实施例中,可以基于LSTM(Long Short-Term Memory,长短期记忆网络)、RNN(Recurrent Neural Network,循环神经网络)、贝叶斯网络等构建标签分类模型,该模型应用于对文本或者文档数据进行分类。电子设备上初始的标签分类模型是服务器预先训练好并下发至电子设备的,并不具有阵对性,随着用户选择使用或创建的标签,服务器对大量用户的标签进行收集并进行协同过滤,将相似用户的更多标签推荐给目标用户,有针对性地对标签分类模型进行更新,以使其能够为目标用户提供更多的与其创建的预设事件匹配的标签。
以下以标签分类模型为贝叶斯分类模型为例对分类模型的更新进行说明。此外,需要说明的是,本申请实施例中,以从第一预设事件中提取出的关键词作为贝叶斯分类模型的输入。电子设备接收服务器发送的标签矩阵,该矩阵中的事件特征为第一用户创建的历史预设事件对应的特征,并且事件特征关联更多的标签,例如,具有从B用户的标签中选择出的与A用户的事件特征关联的标签。由于每一个事件特征都对应一个第一预设事件,而贝叶斯网络的输入是从第一预设事件中提取出的关键词,因此,可以将标签矩阵中,事件特征与标签之间的关联关系,转换为关键词与标签之间的关联关系,然后,根据关键词与标签之间的关联关系更新贝叶斯网络。更新后的贝叶斯网络模型中,具有更丰富多样的标签。
对于其他的LSTM分类模型或RNN分类模型等,可以采用类似的原理进行更新,他们均根据标签矩阵中事件特征与标签之间的关联关系,实现分类模型的更新。
事件贴标模块404,用于当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和所述第二预设事件,生成所述第二预设事件对应的第二标签。
在更新标签分类模型后,若检测到第一用户创建第二预设事件,即新的预设事件,则使用更新后的标签分类模型生成与该新的预设事件匹配的标签。
在一实施例中,事件贴标模块404还用于当检测到第一用户创建第二预设事件时,基于关键词提取算法从所述第二预设事件中提取关键词;根据所述关键词和更新后的贝叶斯分类模型,生成所述第二预设事件对应的第二标签。
以标签分类模型为贝叶斯分类模型为例,当检测到用户重新创建预设事件时,基于关键词提取算法从预设事件的内容中提取出关键词,其中,关键词提取算法可以是TF-IDF(Term Frequency-Inverse Document Frequency,词频-逆文件频率)算法、topic-model(主题模型)算法、textrank(文本排名)关键词提取算法等。需要贴标的预设事件主要是由文本或者文档构成,因此提取文本或文档的关键词尤为重要,提取出的关键词体现出预设事件的核心内容。将提取到的关键词输入贝叶斯分类模型,可以获取与这些关键词匹配的标签,即第二标签。
可选地,在一实施例中,事件贴标装置400还包括:
贴标提醒模块,用于基于所述第二标签生成贴标提醒;当接收到基于所述贴标提醒触发的确认指令时,将所述第二标签与所述第二预设事件关联。
在获取到第二标签后,可以直接将第二标签与第二预设事件关联后存储,也可以生成贴标提醒;当接收到基于所述贴标提醒触发的确认指令时,将第二标签与所述二预设事件关联,当第二标签有多个时,用户可以选择其中的一个或者多个与第二预设事件关联。
可具体的,事件贴标装置400还包括:
参数更新模块,用于根据对所述贴标提醒的响应情况更新所述第二标签的贴标次数;每间隔第二预设时间间隔,将所述贴标次数发送至所述服务器,其中,所述贴标次数用于所述服务器更新所述协同过滤算法。
电子设备在后台对用户使用标签的情况进行记录,如果用户使用了标签分类模型中的标签,则认为标签有用,并通过对第二标签的使用次数进行统计确定其有用程度,若标签分类模型推荐的标签,用户从未使用过,则认为该标签对于用户来说,是无用标签,则后台记录的该标签对应的贴标次数为零。每间隔第二预设时间间隔,例如,每间隔30天,电子设备将后台记录的贴标次数发送到服务器,服务器可以根据贴标次数更新协同过滤算法,例如,结合贴标次数和标签索引号作为协同过滤矩阵中的评分。
基于上述过程,服务器使用协同过滤算法不断迭代计算,使得协同过滤算法模型能够更加精准的刻画用户与用户、用户与标签之间的关系,更加有针对性地为用户推荐标签。
由上可知,本申请实施例提出的事件贴标装置,可以每间隔第一预设时间间隔,获取第一用户的第一预设事件和第一预设事件的第一标签;根据第一预设事件和第一标签,生成标签更新请求发送至服务器;接收所述服务器返回的标签矩阵,并根据标签矩阵更新当前的标签分类模型,其中,标签矩阵由服务器根据第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到;当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和第二预设事件,生成第二预设事件对应的第二标签。该方案通过标签分类模型对用户创建的预设事件推荐匹配的标签,无需用户手动设置,并且协同过滤算法能够选择出与第一用户相似的第二用户的标签,通过标签矩阵推送给电子设备,电子设备通过标签矩阵对标签分类模型更新,实现对标签分类模型中标签的补充,使得标签推荐更加智能,提升用户体验。
本申请实施例还提供一种电子设备。所述电子设备可以是智能手机、平板电脑等设备。如图7所示,图7为本申请实施例提供的电子设备的第一种结构示意图。电子设备300包括处理器301和存储器302。其中,处理器301与存储器302电性连接。
处理器301是电子设备300的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或调用存储在存储器302内的计算机程序,以及调用存储在存储器302内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
在本实施例中,电子设备300中的处理器301会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中,并由处理器301来运行存储在存储器302中的计算机程序,从而实现各种功能:
每间隔第一预设时间间隔,获取第一用户的第一预设事件和第一预设事件的第一标签;
根据所述第一预设事件和所述第一标签,生成标签更新请求发送至服务器;
接收所述服务器返回的标签矩阵,并根据所述标签矩阵更新当前的标签分类模型,其中,所述标签矩阵由服务器根据所述第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到;
当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和所述第二预设事件,生成所述第二预设事件对应的第二标签。
在一些实施例中,根据所述第一预设事件和所述第一标签,生成标签更新请求发送至服务器时,处理器301执行如下步骤:
对所述第一预设事件进行脱敏处理,生成事件特征;
基于所述事件特征和所述第一标签生成标签更新请求,将所述标签更新请求发送至服务器。
在一些实施例中,对所述第一预设事件进行脱敏处理,生成事件特征时,处理器301执行如下步骤:
基于自编码循环神经网络模型对第一预设事件的内容进行脱敏处理,生成事件特征。
在一些实施例中,根据所述标签矩阵更新当前的标签分类模型时,处理器301执行如下步骤:
根据所述标签矩阵更新当前的贝叶斯分类模型。
在一些实施例中,当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和所述第二预设事件,生成所述第二预设事件对应的第二标签时,处理器301执行如下步骤包括:
当检测到第一用户创建第二预设事件时,基于关键词提取算法从所述第二预设事件中提取关键词;
根据所述关键词和更新后的贝叶斯分类模型,生成所述第二预设事件对应的第二标签。
在一些实施例中,根据所述关键词和更新后的贝叶斯分类模型,生成所述第二预设事件对应的第二标签的步骤之后,处理器301执行如下步骤:
基于所述第二标签生成贴标提醒;
当接收到基于所述贴标提醒触发的确认指令时,将所述第二标签与所述第二预设事件关联。
在一些实施例中,基于所述第二标签生成贴标提醒的步骤之后,处理器301执行如下步骤:
根据对所述贴标提醒的响应情况更新所述第二标签的贴标次数;
每间隔第二预设时间间隔,将所述贴标次数发送至所述服务器,其中,所述贴标次数用于所述服务器更新所述协同过滤算法。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序,从而执行各种功能应用以及数据处理。
在一些实施例中,如图8所示,图8为本申请实施例提供的电子设备的第二种结构示意图。电子设备300还包括:射频电路303、显示屏304、控制电路305、输入单元306、音频电路307、传感器308以及电源309。其中,处理器301分别与射频电路303、显示屏304、控制电路305、输入单元306、音频电路307、传感器308以及电源309电性连接。
射频电路303用于收发射频信号,以通过无线通信与网络设备或其他电子设备进行通信。
显示屏304可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口,这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路305与显示屏304电性连接,用于控制显示屏304显示信息。
输入单元306可用于接收输入的数字、字符信息或用户特征信息(例如指纹),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中,输入单元306可以包括指纹识别模组。
音频电路307可通过扬声器、传声器提供用户与电子设备之间的音频接口。其中,音频电路307包括麦克风。所述麦克风与所述处理器301电性连接。所述麦克风用于接收用户输入的语音信息。
传感器308用于采集外部环境信息。传感器308可以包括环境亮度传感器、加速度传感器、陀螺仪等传感器中的一种或多种。
电源309用于给电子设备300的各个部件供电。在一些实施例中,电源309可以通过电源管理系统与处理器301逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图8中未示出,电子设备300还可以包括摄像头、蓝牙模块等,在此不再赘述。
由上可知,本申请实施例提供了一种电子设备,所述电子设备可以每间隔第一预设时间间隔,获取第一用户的第一预设事件和第一预设事件的第一标签;根据第一预设事件和第一标签,生成标签更新请求发送至服务器;接收所述服务器返回的标签矩阵,并根据标签矩阵更新当前的标签分类模型,其中,标签矩阵由服务器根据第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到;当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和第二预设事件,生成第二预设事件对应的第二标签。该方案通过标签分类模型对用户创建的预设事件推荐匹配的标签,无需用户手动设置,并且,通过结合第一用户和第二用户的预设事件和预设事件的标签进行协同过滤算法,生成标签矩阵,协同过滤算法能够选择出与第一用户相似的第二用户的标签,通过标签矩阵推送给电子设备,电子设备通过标签矩阵对标签分类模型更新,实现对标签分类模型中标签的补充,使得标签推荐更加智能,提升用户体验。
本申请实施例还提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,所述计算机执行上述任一实施例所述的事件贴标方法。
需要说明的是,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成,所述计算机程序可以存储于计算机可读存储介质中,所述存储介质可以包括但不限于:只读存储器(ROM,Read OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的事件贴标方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种事件贴标方法,其特征在于,包括:
每间隔第一预设时间间隔,获取第一用户的第一预设事件和第一预设事件的第一标签;
根据所述第一预设事件和所述第一标签,生成标签更新请求发送至服务器;
接收所述服务器返回的标签矩阵,并根据所述标签矩阵更新当前的标签分类模型,其中,所述标签矩阵由服务器根据所述第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到;
当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和所述第二预设事件,生成所述第二预设事件对应的第二标签。
2.如权利要求1所述的事件贴标方法,其特征在于,根据所述第一预设事件和所述第一标签,生成标签更新请求发送至服务器的步骤,包括:
对所述第一预设事件进行脱敏处理,生成事件特征;
基于所述事件特征和所述第一标签生成标签更新请求,将所述标签更新请求发送至服务器。
3.如权利要求2所述的事件贴标方法,其特征在于,对所述第一预设事件进行脱敏处理,生成事件特征的步骤,包括:
基于自编码循环神经网络模型对第一预设事件的内容进行脱敏处理,生成事件特征。
4.如权利要求1所述的事件贴标方法,其特征在于,根据所述标签矩阵更新当前的标签分类模型的步骤包括:
根据所述标签矩阵更新当前的贝叶斯分类模型。
5.如权利要求4所述的事件贴标方法,其特征在于,当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和所述第二预设事件,生成所述第二预设事件对应的第二标签的步骤包括:
当检测到第一用户创建第二预设事件时,基于关键词提取算法从所述第二预设事件中提取关键词;
根据所述关键词和更新后的贝叶斯分类模型,生成所述第二预设事件对应的第二标签。
6.如权利要求5所述的事件贴标方法,其特征在于,根据所述关键词和更新后的贝叶斯分类模型,生成所述第二预设事件对应的第二标签的步骤之后,所述方法还包括:
基于所述第二标签生成贴标提醒;
当接收到基于所述贴标提醒触发的确认指令时,将所述第二标签与所述第二预设事件关联。
7.如权利要求1至6任一项所述的事件贴标方法,其特征在于,基于所述第二标签生成贴标提醒的步骤之后,所述方法还包括:
根据对所述贴标提醒的响应情况更新所述第二标签的贴标次数;
每间隔第二预设时间间隔,将所述贴标次数发送至所述服务器,其中,所述贴标次数用于所述服务器更新所述协同过滤算法。
8.一种事件贴标装置,其特征在于,包括:
数据获取模块,用于每间隔第一预设时间间隔,获取第一用户的第一预设事件和第一预设事件的第一标签;
标签请求模块,用于根据所述第一预设事件和所述第一标签,生成标签更新请求发送至服务器;
模型更新模块,用于接收所述服务器返回的标签矩阵,并根据所述标签矩阵更新当前的标签分类模型,其中,所述标签矩阵由服务器根据所述第一用户和第二用户的第一预设事件和第一预设事件的第一标签,基于协同过滤算法计算得到;
事件贴标模块,用于当检测到第一用户创建第二预设事件时,根据更新后的标签分类模型和所述第二预设事件,生成所述第二预设事件对应的第二标签。
9.一种存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1至7任一项所述的事件贴标方法。
10.一种电子设备,包括处理器和存储器,所述存储器存储有计算机程序,其特征在于,所述处理器通过调用所述计算机程序,用于执行如权利要求1至7任一项所述的事件贴标方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282094.9A CN111797325A (zh) | 2019-04-09 | 2019-04-09 | 事件贴标方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282094.9A CN111797325A (zh) | 2019-04-09 | 2019-04-09 | 事件贴标方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797325A true CN111797325A (zh) | 2020-10-20 |
Family
ID=72805360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282094.9A Pending CN111797325A (zh) | 2019-04-09 | 2019-04-09 | 事件贴标方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797325A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140207777A1 (en) * | 2013-01-22 | 2014-07-24 | Salesforce.Com, Inc. | Computer implemented methods and apparatus for identifying similar labels using collaborative filtering |
CN105426550A (zh) * | 2015-12-28 | 2016-03-23 | Tcl集团股份有限公司 | 一种基于用户质量模型的协同过滤标签推荐方法及系统 |
CN106446135A (zh) * | 2016-09-19 | 2017-02-22 | 北京搜狐新动力信息技术有限公司 | 一种多媒体数据标签生成方法和装置 |
CN107798082A (zh) * | 2017-10-16 | 2018-03-13 | 广东欧珀移动通信有限公司 | 一种文件标签的处理方法及装置 |
CN108038120A (zh) * | 2017-11-01 | 2018-05-15 | 平安科技(深圳)有限公司 | 协同过滤推荐方法、电子设备及计算机可读存储介质 |
CN108399227A (zh) * | 2018-02-12 | 2018-08-14 | 平安科技(深圳)有限公司 | 自动打标签的方法、装置、计算机设备及存储介质 |
CN108881339A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 推送方法、用户标签的生成方法、装置及设备 |
CN109165380A (zh) * | 2018-07-26 | 2019-01-08 | 咪咕数字传媒有限公司 | 一种神经网络模型训练方法及装置、文本标签确定方法及装置 |
CN109522424A (zh) * | 2018-10-16 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 数据的处理方法、装置、电子设备及存储介质 |
-
2019
- 2019-04-09 CN CN201910282094.9A patent/CN111797325A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140207777A1 (en) * | 2013-01-22 | 2014-07-24 | Salesforce.Com, Inc. | Computer implemented methods and apparatus for identifying similar labels using collaborative filtering |
CN105426550A (zh) * | 2015-12-28 | 2016-03-23 | Tcl集团股份有限公司 | 一种基于用户质量模型的协同过滤标签推荐方法及系统 |
CN106446135A (zh) * | 2016-09-19 | 2017-02-22 | 北京搜狐新动力信息技术有限公司 | 一种多媒体数据标签生成方法和装置 |
CN108881339A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 推送方法、用户标签的生成方法、装置及设备 |
CN107798082A (zh) * | 2017-10-16 | 2018-03-13 | 广东欧珀移动通信有限公司 | 一种文件标签的处理方法及装置 |
CN108038120A (zh) * | 2017-11-01 | 2018-05-15 | 平安科技(深圳)有限公司 | 协同过滤推荐方法、电子设备及计算机可读存储介质 |
CN108399227A (zh) * | 2018-02-12 | 2018-08-14 | 平安科技(深圳)有限公司 | 自动打标签的方法、装置、计算机设备及存储介质 |
CN109165380A (zh) * | 2018-07-26 | 2019-01-08 | 咪咕数字传媒有限公司 | 一种神经网络模型训练方法及装置、文本标签确定方法及装置 |
CN109522424A (zh) * | 2018-10-16 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 数据的处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘健;张琨;陈旋;: "基于标签和协同过滤的个性化推荐算法", 计算机与现代化, no. 02, 15 February 2016 (2016-02-15) * |
焦明海;陈晓芳;陈旭;苏钟海;: "基于贝叶斯网络认知反馈的协同过滤推荐", 控制工程, no. 07, 20 July 2017 (2017-07-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10970605B2 (en) | Electronic apparatus and method of operating the same | |
CN110458360B (zh) | 热门资源的预测方法、装置、设备及存储介质 | |
CN108494947B (zh) | 一种图像分享方法及移动终端 | |
CN108595275B (zh) | 一种提示信息推送的方法及终端 | |
WO2018045562A1 (zh) | 一种关联通知消息的方法、装置及移动终端 | |
CN111800331A (zh) | 通知消息的推送方法、装置、存储介质及电子设备 | |
CN111800445B (zh) | 消息推送方法、装置、存储介质及电子设备 | |
CN109286728B (zh) | 一种通话内容处理方法及终端设备 | |
CN111797854B (zh) | 场景模型建立方法、装置、存储介质及电子设备 | |
CN111798259A (zh) | 应用推荐方法、装置、存储介质及电子设备 | |
CN111797870A (zh) | 算法模型的优化方法、装置、存储介质及电子设备 | |
CN111797148A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111796926A (zh) | 指令执行方法、装置、存储介质及电子设备 | |
CN111798019B (zh) | 意图预测方法、装置、存储介质及电子设备 | |
CN108052506A (zh) | 自然语言处理方法、装置、存储介质及电子设备 | |
US20210004702A1 (en) | System and method for generating information for interaction with a user | |
CN115526602A (zh) | 备忘提醒方法、装置、终端及存储介质 | |
CN111797874A (zh) | 行为预测方法、装置、存储介质及电子设备 | |
CN111797856A (zh) | 建模方法、装置、存储介质及电子设备 | |
CN111797325A (zh) | 事件贴标方法、装置、存储介质及电子设备 | |
KR20190009202A (ko) | 이동 단말기 및 그 제어 방법 | |
CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
CN111797878B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111797660A (zh) | 图像贴标方法、装置、存储介质及电子设备 | |
CN114255056A (zh) | 广告显示方法及电子设备 |
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 |