CN112308166B - 一种处理标签数据的方法和装置 - Google Patents

一种处理标签数据的方法和装置 Download PDF

Info

Publication number
CN112308166B
CN112308166B CN202011240383.1A CN202011240383A CN112308166B CN 112308166 B CN112308166 B CN 112308166B CN 202011240383 A CN202011240383 A CN 202011240383A CN 112308166 B CN112308166 B CN 112308166B
Authority
CN
China
Prior art keywords
vector
label
tag
target user
user
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
CN202011240383.1A
Other languages
English (en)
Other versions
CN112308166A (zh
Inventor
唐敏
邓小茜
程浩
杨立兴
干芸芸
何睿
列文浩
戴定东
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.)
CCB Finetech Co Ltd
Original Assignee
CCB Finetech 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 CCB Finetech Co Ltd filed Critical CCB Finetech Co Ltd
Priority to CN202011240383.1A priority Critical patent/CN112308166B/zh
Publication of CN112308166A publication Critical patent/CN112308166A/zh
Application granted granted Critical
Publication of CN112308166B publication Critical patent/CN112308166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种处理标签数据的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取目标用户在第一标签系统中的第一标签向量；根据所述目标用户的第一标签向量，生成所述目标用户的表征向量；将所述目标用户的表征向量输入到经过训练的神经网络中，得到所述目标用户的输出向量；根据所述目标用户的输出向量得到所述目标用户在第二标签系统中的第二标签向量。该实施方式能够解决难以在两个不同的标签系统之间转换用户标签的技术问题。

Description

一种处理标签数据的方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种处理标签数据的方法和装置。
背景技术
随着全球信息化进程不断深入，企业发展进入大数据时代。为了更好、更精准的服务用户，大多数企业为自己的用户设立标签体系，根据用户的消费行为和个人公开信息进行分类，把握住用户的核心需求和痛点，针对性提供服务。上述分类方法被广泛应用在各个企业的推荐系统当中。
然而，随着互联网渠道的多样化，各个渠道均需要对大量用户进行学习和分类，这不可避免的造成了计算资源的浪费。各个企业均需要花费大量的人力物力成立自己的大数据中心，对用户行为和信息进行分析。但是，用户的行为特征和消费需求在相当一段时间中是保持稳定的，所以某一个推荐系统的分析结果同样可以被其他推荐系统，从而为用户提供针对性服务。然而，不同的推荐系统，往往标签体系是不同的，在标签数量、分类等方面存在着差异，难以直接利用其他系统的标签来提供服务。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
现有技术中没有考虑标签共享，增大了各个企业的计算开销，难以将用户标签直接移植给其他企业使用。即使要转换标签，也只能通过人工的方式，效率低下。
发明内容
有鉴于此，本发明实施例提供一种处理标签数据的方法和装置，以解决难以在两个不同的标签系统之间转换用户标签的技术问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种处理标签数据的方法，包括：
获取目标用户在第一标签系统中的第一标签向量；
根据所述目标用户的第一标签向量，生成所述目标用户的表征向量；
将所述目标用户的表征向量输入到经过训练的神经网络中，得到所述目标用户的输出向量；
根据所述目标用户的输出向量得到所述目标用户在第二标签系统中的第二标签向量。
可选地，获取目标用户在第一标签系统中的第一标签向量之前，还包括：
获取历史用户在第一标签系统中的第一标签向量；
根据所述历史用户的第一标签向量，生成所述历史用户的表征向量；
获取所述历史用户在第二标签系统中的第二标签向量；
根据所述历史用户的第二标签向量，生成所述历史用户的监督向量；
以所述历史用户的表征向量作为输入，以所述历史用户的监督向量作为输出，对神经网络进行有监督训练，从而得到经过训练的神经网络。
可选地，所述第一标签向量和所述第二标签向量均采用独热向量表示。
可选地，所述第一标签向量的各个位置表示所述第一标签系统的标签索引。
可选地，对于所述第一标签向量的任意一个位置：
若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第一标签系统的标签；
若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第一标签系统的标签。
可选地，所述第二标签向量的各个位置表示所述第二标签系统的标签索引。
可选地，对于所述第二标签向量的任意一个位置：
若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；
若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。
可选地，根据所述历史用户的第一标签向量，生成所述历史用户的表征向量，包括：
将所述历史用户的第一标签向量与第一全零向量拼接成所述历史用户的表征向量。
可选地，所述第一标签向量的维度与所述第一标签系统的标签数量相同；所述第一全零向量的维度与所述第二标签系统的标签数量相同。
可选地，根据所述历史用户的第二标签向量，生成所述历史用户的监督向量，包括：
将第二全零向量与所述历史用户的第二标签向量拼接成所述历史用户的监督向量。
可选地，所述第二全零向量的维度与所述第一标签系统的标签数量相同；所述第二标签向量的维度与所述第二标签系统的标签数量相同。
可选地，所述神经网络的隐藏层的前三层为全连接层，所述全连接层的神经元个数分别为(n1+n2)，2(n1+n2)，4(n1+n2)，激活函数均为Relu；
其中，n1为所述第一标签系统的标签数量，n2第二标签系统的标签数量。
可选地，所述神经网络的隐藏层为10层，所述隐藏层的中间为4层卷积层，所述隐藏层的最后3层为全连接层，激活函数为sigmoid。
可选地，根据所述目标用户的第一标签向量，生成所述目标用户的表征向量，包括：
将所述目标用户的第一标签向量与第一全零向量拼接成所述目标用户的表征向量；
其中，所述目标用户的第一标签向量采用独热向量表示，所述目标用户的第一标签向量的各个位置表示所述第一标签系统的标签索引，所述目标用户的第一标签向量的维度与所述第一标签系统的标签数量相同，所述第一全零向量的维度与所述第二标签系统的标签数量相同。
可选地，根据所述目标用户的输出向量得到所述目标用户在第二标签系统中的第二标签向量，包括：
将所述目标用户的输出向量拆分成第二全零向量和所述目标用户在第二标签系统中的第二标签向量；
根据所述目标用户的第二标签向量确定所述目标用户在所述第二标签系统中具有的标签；
其中，所述第二全零向量的维度与所述第一标签系统的标签数量相同，所述目标用户的第二标签向量的维度与所述第二标签系统的标签数量相同，所述目标用户的第二标签向量采用独热向量表示，所述目标用户的第二标签向量的各个位置表示所述第二标签系统的标签索引。
可选地，根据所述目标用户的第二标签向量确定所述目标用户在所述第二标签系统中具有的标签，包括：
对于所述目标用户的第二标签向量的任意一个位置：
若所述位置的值大于等于0.5，则将所述位置的值替换为1；
若所述位置的值小于0.5，则将所述位置的值替换为0；
其中，若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。
另外，根据本发明实施例的另一个方面，提供了一种处理标签数据的装置，包括：
获取模块，用于获取目标用户在第一标签系统中的第一标签向量；
生成模块，用于根据所述目标用户的第一标签向量，生成所述目标用户的表征向量；
转换模块，用于将所述目标用户的表征向量输入到经过训练的神经网络中，得到所述目标用户的输出向量；
处理模块，用于根据所述目标用户的输出向量得到所述目标用户在第二标签系统中的第二标签向量。
可选地，还包括训练模块，用于：
获取历史用户在第一标签系统中的第一标签向量；
根据所述历史用户的第一标签向量，生成所述历史用户的表征向量；
获取所述历史用户在第二标签系统中的第二标签向量；
根据所述历史用户的第二标签向量，生成所述历史用户的监督向量；
以所述历史用户的表征向量作为输入，以所述历史用户的监督向量作为输出，对神经网络进行有监督训练，从而得到经过训练的神经网络。
可选地，所述第一标签向量和所述第二标签向量均采用独热向量表示。
可选地，所述第一标签向量的各个位置表示所述第一标签系统的标签索引。
可选地，对于所述第一标签向量的任意一个位置：
若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第一标签系统的标签；
若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第一标签系统的标签。
可选地，所述第二标签向量的各个位置表示所述第二标签系统的标签索引。
可选地，对于所述第二标签向量的任意一个位置：
若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；
若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。
可选地，所述训练模块还用于：
将所述历史用户的第一标签向量与第一全零向量拼接成所述历史用户的表征向量。
可选地，所述第一标签向量的维度与所述第一标签系统的标签数量相同；所述第一全零向量的维度与所述第二标签系统的标签数量相同。
可选地，所述训练模块还用于：
将第二全零向量与所述历史用户的第二标签向量拼接成所述历史用户的监督向量。
可选地，所述第二全零向量的维度与所述第一标签系统的标签数量相同；所述第二标签向量的维度与所述第二标签系统的标签数量相同。
可选地，所述神经网络的隐藏层的前三层为全连接层，所述全连接层的神经元个数分别为(n1+n2)，2(n1+n2)，4(n1+n2)，激活函数均为Relu；
其中，n1为所述第一标签系统的标签数量，n2第二标签系统的标签数量。
可选地，所述神经网络的隐藏层为10层，所述隐藏层的中间为4层卷积层，所述隐藏层的最后3层为全连接层，激活函数为sigmoid。
可选地，所述生成模块还用于：
将所述目标用户的第一标签向量与第一全零向量拼接成所述目标用户的表征向量；
其中，所述目标用户的第一标签向量采用独热向量表示，所述目标用户的第一标签向量的各个位置表示所述第一标签系统的标签索引，所述目标用户的第一标签向量的维度与所述第一标签系统的标签数量相同，所述第一全零向量的维度与所述第二标签系统的标签数量相同。
可选地，所述处理模块还用于：
将所述目标用户的输出向量拆分成第二全零向量和所述目标用户在第二标签系统中的第二标签向量；
根据所述目标用户的第二标签向量确定所述目标用户在所述第二标签系统中具有的标签；
其中，所述第二全零向量的维度与所述第一标签系统的标签数量相同，所述目标用户的第二标签向量的维度与所述第二标签系统的标签数量相同，所述目标用户的第二标签向量采用独热向量表示，所述目标用户的第二标签向量的各个位置表示所述第二标签系统的标签索引。
可选地，所述处理模块还用于：
对于所述目标用户的第二标签向量的任意一个位置：
若所述位置的值大于等于0.5，则将所述位置的值替换为1；
若所述位置的值小于0.5，则将所述位置的值替换为0；
其中，若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。
根据本发明实施例的另一个方面，还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现上述任一实施例所述的方法。
根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用根据用户在第一标签系统中的第一标签向量生成表征向量，将表征向量输入到经过训练的神经网络中，得到输出向量，根据输出向量得到用户在第二标签系统中的第二标签向量的技术手段，所以克服了现有技术中难以在两个不同的标签系统之间转换用户标签的技术问题。本发明实施例通过神经网络将用户在第一标签系统中的第一标签向量转换成用户在第二标签系统中的第二标签向量，使得用户标签可以在两个不同的标签系统之间转换。本发明实施例能够实现标签的自动化转换，便利了企业间的用户标签共享，可以大大缩减计算资源，使得一次计算结果多次使用，还增加了标签体系的普适性，为标签体系转换提供了方案。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的处理标签数据的方法的主要流程的示意图；
图2是根据本发明一个可参考实施例的处理标签数据的方法的主要流程的示意图；
图3是根据本发明另一个可参考实施例的处理标签数据的方法的主要流程的示意图；
图4是根据本发明实施例的处理标签数据的装置的主要模块的示意图；
图5是本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的处理标签数据的方法的主要流程的示意图。作为本发明的一个实施例，如图1所示，所述处理标签数据的方法可以包括：
步骤101，获取目标用户在第一标签系统中的第一标签向量。
由于目标用户在第一标签系统中的标签是已知的，因此可以获取所述目标用户在所述第一标签系统中的第一标签向量。其中，所述目标用户的第一标签向量采用独热向量表示，所述目标用户的第一标签向量的各个位置表示所述第一标签系统的标签索引，所述目标用户的第一标签向量的维度与所述第一标签系统的标签数量相同。例如，第一标签系统中共有n1个标签，那么第一标签向量的维度为n1，如果目标用户在第一标签系统中有k1个标签，那么在该目标用户的第一标签向量中，这k1个标签对应的位置的值均为1，其余位置均为0。
步骤102，根据所述目标用户的第一标签向量，生成所述目标用户的表征向量。
可选地，步骤102可以包括：将所述目标用户的第一标签向量与第一全零向量拼接成所述目标用户的表征向量；其中，所述第一全零向量的维度与所述第二标签系统的标签数量相同。为了将所述目标用户的表征向量输入到训练后的神经网络中，需要先将所述目标用户的第一标签向量与第一全零向量拼接成所述目标用户的表征向量。假设目标用户的第一标签向量为U1，那么目标用户的表征向量可以表示为[U1 0...0]，该表征向量的维度为n1+n2，第一标签系统中共有n1个标签，第二标签系统中共有n2个标签。
步骤103，将所述目标用户的表征向量输入到经过训练的神经网络中，得到所述目标用户的输出向量。
得到n1+n2维的表征向量后，将所述表征向量输入到经过训练的神经网络中，从而输出所述目标用户的输出向量。在本发明的实施例中，需要预先训练神经网络。
可选地，在步骤101之前，还包括：获取历史用户在第一标签系统中的第一标签向量；根据所述历史用户的第一标签向量，生成所述历史用户的表征向量；获取所述历史用户在第二标签系统中的第二标签向量；根据所述历史用户的第二标签向量，生成所述历史用户的监督向量；以所述历史用户的表征向量作为输入，以所述历史用户的监督向量作为输出，对神经网络进行有监督训练，从而得到经过训练的神经网络。可以分别获取N个历史用户在第一标签系统中的第一标签向量、在第二标签系统中的第二标签向量，然后生成N组表征向量——监督向量，以这N组组表征向量——监督向量作为训练集来训练神经网络。
可选地，所述第一标签向量和所述第二标签向量均采用独热向量表示。可选地，所述第一标签向量的各个位置表示所述第一标签系统的标签索引。可选地，所述第二标签向量的各个位置表示所述第二标签系统的标签索引。可选地，对于所述第一标签向量的任意一个位置：若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第一标签系统的标签；若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第一标签系统的标签。与步骤101类似，第一标签系统中共有n1个标签，那么第一标签向量的维度为n1，如果历史用户在第一标签系统中有s1个标签，那么在该历史用户的第一标签向量中，这s1个标签对应的位置的值均为1，其余位置均为0。
可选地，对于所述第二标签向量的任意一个位置：若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。与步骤101类似，第二标签系统中共有n2个标签，那么第二标签向量的维度为n2，如果历史用户在第二标签系统中有s2个标签，那么在该历史用户的第二标签向量中，这s2个标签对应的位置的值均为1，其余位置均为0。
可选地，根据所述历史用户的第一标签向量，生成所述历史用户的表征向量，包括：将所述历史用户的第一标签向量与第一全零向量拼接成所述历史用户的表征向量。可选地，所述第一标签向量的维度与所述第一标签系统的标签数量相同；所述第一全零向量的维度与所述第二标签系统的标签数量相同。假设历史用户的第一标签向量为U1，U1的维度为n1，那么历史用户的表征向量可以表示为[U1 0...0]，该表征向量的维度为n1+n2，第一标签系统中共有n1个标签，第二标签系统中共有n2个标签。
可选地，根据所述历史用户的第二标签向量，生成所述历史用户的监督向量，包括：将第二全零向量与所述历史用户的第二标签向量拼接成所述历史用户的监督向量。可选地，所述第二全零向量的维度与所述第一标签系统的标签数量相同；所述第二标签向量的维度与所述第二标签系统的标签数量相同。假设历史用户的第二标签向量为U2，U2的维度为n2，那么历史用户的监督向量可以表示为[0...0U2]，该监督向量的维度为n1+n2，第一标签系统中共有n1个标签，第二标签系统中共有n2个标签。
可选地，所述神经网络的隐藏层的前三层为全连接层，所述全连接层的神经元个数分别为(n1+n2)，2(n1+n2)，4(n1+n2)，激活函数均为Relu；其中，n1为所述第一标签系统的标签数量，n2第二标签系统的标签数量。可选地，所述神经网络的隐藏层为10层，所述隐藏层的中间为4层卷积层，所述隐藏层的最后3层为全连接层，激活函数为sigmoid。采用该神经网络可以准确地输出目标用户的输出向量，从而提高标签在两个不同的标签系统中转换的准确性。
步骤104，根据所述目标用户的输出向量得到所述目标用户在第二标签系统中的第二标签向量。
可选地，步骤104可以包括：将所述目标用户的输出向量拆分成第二全零向量和所述目标用户在第二标签系统中的第二标签向量；根据所述目标用户的第二标签向量确定所述目标用户在所述第二标签系统中具有的标签；其中，所述第二全零向量的维度与所述第一标签系统的标签数量相同，所述目标用户的第二标签向量的维度与所述第二标签系统的标签数量相同，所述目标用户的第二标签向量采用独热向量表示，所述目标用户的第二标签向量的各个位置表示所述第二标签系统的标签索引。神经网络输出的是一个n1+n2维的输出向量，将该输出向量拆分成两个向量，即第二全零向量和第二标签向量，由此得到目标用户在第二标签系统中的各个标签。
可选地，根据所述目标用户的第二标签向量确定所述目标用户在所述第二标签系统中具有的标签，包括：对于所述目标用户的第二标签向量的任意一个位置：若所述位置的值大于等于0.5，则将所述位置的值替换为1；若所述位置的值小于0.5，则将所述位置的值替换为0；其中，若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。因此，针对目标用户u，获得其在第一标签系统中的k1个标签，经过神经网络自动转换为其在第二标签系统中的k2个标签。
根据上面所述的各种实施例，可以看出本发明实施例通过根据用户在第一标签系统中的第一标签向量生成表征向量，将表征向量输入到经过训练的神经网络中，得到输出向量，根据输出向量得到用户在第二标签系统中的第二标签向量的技术手段，解决了现有技术中难以在两个不同的标签系统之间转换用户标签的技术问题。本发明实施例通过神经网络将用户在第一标签系统中的第一标签向量转换成用户在第二标签系统中的第二标签向量，使得用户标签可以在两个不同的标签系统之间转换。本发明实施例能够实现标签的自动化转换，便利了企业间的用户标签共享，可以大大缩减计算资源，使得一次计算结果多次使用，还增加了标签体系的普适性，为标签体系转换提供了方案。
图2是根据本发明一个可参考实施例的处理标签数据的方法的主要流程的示意图。作为本发明的又一个实施例，如图2所示，所述处理标签数据的方法可以包括：
步骤201，获取历史用户在第一标签系统中的第一标签向量。
步骤202，根据所述历史用户的第一标签向量，生成所述历史用户的表征向量。
步骤203，获取所述历史用户在第二标签系统中的第二标签向量。
步骤204，根据所述历史用户的第二标签向量，生成所述历史用户的监督向量。
步骤205，以所述历史用户的表征向量作为输入，以所述历史用户的监督向量作为输出，对神经网络进行有监督训练，从而得到经过训练的神经网络。
步骤206，获取目标用户在第一标签系统中的第一标签向量。
步骤207，根据所述目标用户的第一标签向量，生成所述目标用户的表征向量。
步骤208，将所述目标用户的表征向量输入到经过训练的神经网络中，得到所述目标用户的输出向量。
步骤209，根据所述目标用户的输出向量得到所述目标用户在第二标签系统中的第二标签向量。
另外，在本发明一个可参考实施例中处理标签数据的方法的具体实施内容，在上面所述处理标签数据的方法中已经详细说明了，故在此重复内容不再说明。
图3是根据本发明另一个可参考实施例的处理标签数据的方法的主要流程的示意图。作为本发明的另一个实施例，如图3所示，所述处理标签数据的方法可以包括：
步骤301，获取历史用户在第一标签系统中的第一标签向量。
可以分别获取N个历史用户在第一标签系统中的第一标签向量，所述第一标签向量采用独热向量表示，所述第一标签向量的各个位置表示所述第一标签系统的标签索引。对于所述第一标签向量的任意一个位置：若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第一标签系统的标签；若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第一标签系统的标签。第一标签系统中共有n1个标签，那么第一标签向量的维度为n1，如果历史用户在第一标签系统中有s1个标签，那么在该历史用户的第一标签向量中，这s1个标签对应的位置的值均为1，其余位置均为0。
步骤302，将所述历史用户的第一标签向量与第一全零向量拼接成所述历史用户的表征向量。
所述第一标签向量的维度与所述第一标签系统的标签数量相同；所述第一全零向量的维度与所述第二标签系统的标签数量相同。假设历史用户的第一标签向量为U1，U1的维度为n1，那么历史用户的表征向量可以表示为[U1 0...0]，该表征向量的维度为n1+n2，第一标签系统中共有n1个标签，第二标签系统中共有n2个标签。
步骤303，获取所述历史用户在第二标签系统中的第二标签向量。
可以分别获取N个历史用户在第二标签系统中的第二标签向量，所述第二标签向量采用独热向量表示，所述第二标签向量的各个位置表示所述第二标签系统的标签索引。对于所述第二标签向量的任意一个位置：若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。第二标签系统中共有n2个标签，那么第二标签向量的维度为n2，如果历史用户在第二标签系统中有s2个标签，那么在该历史用户的第二标签向量中，这s2个标签对应的位置的值均为1，其余位置均为0。
步骤304，将第二全零向量与所述历史用户的第二标签向量拼接成所述历史用户的监督向量。
所述第二全零向量的维度与所述第一标签系统的标签数量相同；所述第二标签向量的维度与所述第二标签系统的标签数量相同。假设历史用户的第二标签向量为U2，U2的维度为n2，那么历史用户的监督向量可以表示为[0...0U2]，该监督向量的维度为n1+n2，第一标签系统中共有n1个标签，第二标签系统中共有n2个标签。
步骤305，以所述历史用户的表征向量作为输入，以所述历史用户的监督向量作为输出，对神经网络进行有监督训练，从而得到经过训练的神经网络。
所述神经网络的隐藏层的前三层为全连接层，所述全连接层的神经元个数分别为(n1+n2)，2(n1+n2)，4(n1+n2)，激活函数均为Relu；其中，n1为所述第一标签系统的标签数量，n2第二标签系统的标签数量；所述神经网络的隐藏层为10层，所述隐藏层的中间为4层卷积层，所述隐藏层的最后3层为全连接层，激活函数为sigmoid。
步骤306，获取目标用户在第一标签系统中的第一标签向量。
由于目标用户在第一标签系统中的标签是已知的，因此可以获取所述目标用户在所述第一标签系统中的第一标签向量。其中，所述目标用户的第一标签向量采用独热向量表示，所述目标用户的第一标签向量的各个位置表示所述第一标签系统的标签索引，所述目标用户的第一标签向量的维度与所述第一标签系统的标签数量相同。例如，第一标签系统中共有n1个标签，那么第一标签向量的维度为n1，如果目标用户在第一标签系统中有k1个标签，那么在该目标用户的第一标签向量中，这k1个标签对应的位置的值均为1，其余位置均为0。
步骤307，将所述目标用户的第一标签向量与第一全零向量拼接成所述目标用户的表征向量。
为了将所述目标用户的表征向量输入到训练后的神经网络中，需要先将所述目标用户的第一标签向量与第一全零向量拼接成所述目标用户的表征向量。假设目标用户的第一标签向量为U1，那么目标用户的表征向量可以表示为[U1 0...0]，该表征向量的维度为n1+n2，第一标签系统中共有n1个标签，第二标签系统中共有n2个标签。
步骤308，将所述目标用户的表征向量输入到经过训练的神经网络中，得到所述目标用户的输出向量。
所述第二全零向量的维度与所述第一标签系统的标签数量相同，所述目标用户的第二标签向量的维度与所述第二标签系统的标签数量相同，所述目标用户的第二标签向量采用独热向量表示，所述目标用户的第二标签向量的各个位置表示所述第二标签系统的标签索引。
步骤309，将所述目标用户的输出向量拆分成第二全零向量和所述目标用户在第二标签系统中的第二标签向量。
神经网络输出的是一个n1+n2维的输出向量，将该输出向量拆分成两个向量，即第二全零向量和第二标签向量，由此得到目标用户在第二标签系统中的各个标签。
步骤310，根据所述目标用户的第二标签向量确定所述目标用户在所述第二标签系统中具有的标签。
对于所述目标用户的第二标签向量的任意一个位置：若所述位置的值大于等于0.5，则将所述位置的值替换为1；若所述位置的值小于0.5，则将所述位置的值替换为0；其中，若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。
另外，在本发明另一个可参考实施例中处理标签数据的方法的具体实施内容，在上面所述处理标签数据的方法中已经详细说明了，故在此重复内容不再说明。
图4是根据本发明实施例的处理标签数据的装置的主要模块的示意图，如图4所示，所述处理标签数据的装置400包括获取模块401、生成模块402、转换模块403和处理模块404；其中，获取模块401用于获取目标用户在第一标签系统中的第一标签向量；生成模块402用于根据所述目标用户的第一标签向量，生成所述目标用户的表征向量；转换模块403用于将所述目标用户的表征向量输入到经过训练的神经网络中，得到所述目标用户的输出向量；处理模块404用于根据所述目标用户的输出向量得到所述目标用户在第二标签系统中的第二标签向量。
可选地，还包括训练模块，用于：
获取历史用户在第一标签系统中的第一标签向量；
根据所述历史用户的第一标签向量，生成所述历史用户的表征向量；
获取所述历史用户在第二标签系统中的第二标签向量；
根据所述历史用户的第二标签向量，生成所述历史用户的监督向量；
以所述历史用户的表征向量作为输入，以所述历史用户的监督向量作为输出，对神经网络进行有监督训练，从而得到经过训练的神经网络。
可选地，所述第一标签向量和所述第二标签向量均采用独热向量表示。
可选地，所述第一标签向量的各个位置表示所述第一标签系统的标签索引。
可选地，对于所述第一标签向量的任意一个位置：
若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第一标签系统的标签；
若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第一标签系统的标签。
可选地，所述第二标签向量的各个位置表示所述第二标签系统的标签索引。
可选地，对于所述第二标签向量的任意一个位置：
若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；
若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。
可选地，所述训练模块还用于：
将所述历史用户的第一标签向量与第一全零向量拼接成所述历史用户的表征向量。
可选地，所述第一标签向量的维度与所述第一标签系统的标签数量相同；所述第一全零向量的维度与所述第二标签系统的标签数量相同。
可选地，所述训练模块还用于：
将第二全零向量与所述历史用户的第二标签向量拼接成所述历史用户的监督向量。
可选地，所述第二全零向量的维度与所述第一标签系统的标签数量相同；所述第二标签向量的维度与所述第二标签系统的标签数量相同。
可选地，所述神经网络的隐藏层的前三层为全连接层，所述全连接层的神经元个数分别为(n1+n2)，2(n1+n2)，4(n1+n2)，激活函数均为Relu；
其中，n1为所述第一标签系统的标签数量，n2第二标签系统的标签数量。
可选地，所述神经网络的隐藏层为10层，所述隐藏层的中间为4层卷积层，所述隐藏层的最后3层为全连接层，激活函数为sigmoid。
可选地，所述生成模块402还用于：
将所述目标用户的第一标签向量与第一全零向量拼接成所述目标用户的表征向量；
其中，所述目标用户的第一标签向量采用独热向量表示，所述目标用户的第一标签向量的各个位置表示所述第一标签系统的标签索引，所述目标用户的第一标签向量的维度与所述第一标签系统的标签数量相同，所述第一全零向量的维度与所述第二标签系统的标签数量相同。
可选地，所述处理模块404还用于：
将所述目标用户的输出向量拆分成第二全零向量和所述目标用户在第二标签系统中的第二标签向量；
根据所述目标用户的第二标签向量确定所述目标用户在所述第二标签系统中具有的标签；
其中，所述第二全零向量的维度与所述第一标签系统的标签数量相同，所述目标用户的第二标签向量的维度与所述第二标签系统的标签数量相同，所述目标用户的第二标签向量采用独热向量表示，所述目标用户的第二标签向量的各个位置表示所述第二标签系统的标签索引。
可选地，所述处理模块404还用于：
对于所述目标用户的第二标签向量的任意一个位置：
若所述位置的值大于等于0.5，则将所述位置的值替换为1；
若所述位置的值小于0.5，则将所述位置的值替换为0；
其中，若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。
根据上面所述的各种实施例，可以看出本发明实施例通过根据用户在第一标签系统中的第一标签向量生成表征向量，将表征向量输入到经过训练的神经网络中，得到输出向量，根据输出向量得到用户在第二标签系统中的第二标签向量的技术手段，解决了现有技术中难以在两个不同的标签系统之间转换用户标签的技术问题。本发明实施例通过神经网络将用户在第一标签系统中的第一标签向量转换成用户在第二标签系统中的第二标签向量，使得用户标签可以在两个不同的标签系统之间转换。本发明实施例能够实现标签的自动化转换，便利了企业间的用户标签共享，可以大大缩减计算资源，使得一次计算结果多次使用，还增加了标签体系的普适性，为标签体系转换提供了方案。
需要说明的是，在本发明所述处理标签数据的装置的具体实施内容，在上面所述处理标签数据的方法中已经详细说明了，故在此重复内容不再说明。
图5示出了可以应用本发明实施例的处理标签数据的方法或处理标签数据的装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的物品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。
需要说明的是，本发明实施例所提供的处理标签数据的方法一般由服务器505执行，相应地，所述处理标签数据的装置一般设置在服务器505中。本发明实施例所提供的处理标签数据的方法也可以由终端设备501、502、503执行，相应地，所述处理标签数据的装置可以设置在终端设备501、502、503中。
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序，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部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示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。在本发明中，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。而在本发明中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序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，上述模块、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，框图或流程图中的每个方框、以及框图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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、生成模块、转换模块和处理模块，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。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一个该设备执行时，该设备实现如下方法：获取目标用户在第一标签系统中的第一标签向量；根据所述目标用户的第一标签向量，生成所述目标用户的表征向量；将所述目标用户的表征向量输入到经过训练的神经网络中，得到所述目标用户的输出向量；根据所述目标用户的输出向量得到所述目标用户在第二标签系统中的第二标签向量。
根据本发明实施例的技术方案，因为采用根据用户在第一标签系统中的第一标签向量生成表征向量，将表征向量输入到经过训练的神经网络中，得到输出向量，根据输出向量得到用户在第二标签系统中的第二标签向量的技术手段，所以克服了现有技术中难以在两个不同的标签系统之间转换用户标签的技术问题。本发明实施例通过神经网络将用户在第一标签系统中的第一标签向量转换成用户在第二标签系统中的第二标签向量，使得用户标签可以在两个不同的标签系统之间转换。本发明实施例能够实现标签的自动化转换，便利了企业间的用户标签共享，可以大大缩减计算资源，使得一次计算结果多次使用，还增加了标签体系的普适性，为标签体系转换提供了方案。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (13)

1.一种处理标签数据的方法，其特征在于，包括：
获取目标用户在第一标签系统中的第一标签向量；
根据所述目标用户的第一标签向量，生成所述目标用户的表征向量；
将所述目标用户的表征向量输入到经过训练的神经网络中，得到所述目标用户的输出向量；
根据所述目标用户的输出向量得到所述目标用户在第二标签系统中的第二标签向量；
其中，获取目标用户在第一标签系统中的第一标签向量之前，还包括：
获取历史用户在第一标签系统中的第一标签向量；
根据所述历史用户的第一标签向量，生成所述历史用户的表征向量；
获取所述历史用户在第二标签系统中的第二标签向量；
根据所述历史用户的第二标签向量，生成所述历史用户的监督向量；
以所述历史用户的表征向量作为输入，以所述历史用户的监督向量作为输出，对神经网络进行有监督训练，从而得到经过训练的神经网络；
所述第一标签向量和所述第二标签向量均采用独热向量表示，所述第一标签向量的各个位置表示所述第一标签系统的标签索引，所述第二标签向量的各个位置表示所述第二标签系统的标签索引；
根据所述目标用户的输出向量得到所述目标用户在第二标签系统中的第二标签向量，包括：
将所述目标用户的输出向量拆分成第二全零向量和所述目标用户在第二标签系统中的第二标签向量；
根据所述目标用户的第二标签向量确定所述目标用户在所述第二标签系统中具有的标签；
其中，所述第二全零向量的维度与所述第一标签系统的标签数量相同，所述目标用户的第二标签向量的维度与所述第二标签系统的标签数量相同，所述目标用户的第二标签向量采用独热向量表示，所述目标用户的第二标签向量的各个位置表示所述第二标签系统的标签索引；
根据所述目标用户的第二标签向量确定所述目标用户在所述第二标签系统中具有的标签，包括：
对于所述目标用户的第二标签向量的任意一个位置：
若所述位置的值大于等于0.5，则将所述位置的值替换为1；
若所述位置的值小于0.5，则将所述位置的值替换为0；
其中，若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。
2.根据权利要求1所述的方法，其特征在于，对于所述第一标签向量的任意一个位置：
若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第一标签系统的标签；
若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第一标签系统的标签。
3.根据权利要求1所述的方法，其特征在于，对于所述第二标签向量的任意一个位置：
若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；
若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。
4.根据权利要求1所述的方法，其特征在于，根据所述历史用户的第一标签向量，生成所述历史用户的表征向量，包括：
将所述历史用户的第一标签向量与第一全零向量拼接成所述历史用户的表征向量。
5.根据权利要求4所述的方法，其特征在于，所述第一标签向量的维度与所述第一标签系统的标签数量相同；所述第一全零向量的维度与所述第二标签系统的标签数量相同。
6.根据权利要求1所述的方法，其特征在于，根据所述历史用户的第二标签向量，生成所述历史用户的监督向量，包括：
将第二全零向量与所述历史用户的第二标签向量拼接成所述历史用户的监督向量。
7.根据权利要求6所述的方法，其特征在于，所述第二全零向量的维度与所述第一标签系统的标签数量相同；所述第二标签向量的维度与所述第二标签系统的标签数量相同。
8.根据权利要求1所述的方法，其特征在于，所述神经网络的隐藏层的前三层为全连接层，所述全连接层的神经元个数分别为(n1+n2)，2(n1+n2)，4(n1+n2)，激活函数均为Relu；
其中，n1为所述第一标签系统的标签数量，n2第二标签系统的标签数量。
9.根据权利要求8所述的方法，其特征在于，所述神经网络的隐藏层为10层，所述隐藏层的中间为4层卷积层，所述隐藏层的最后3层为全连接层，激活函数为sigmoid。
10.根据权利要求1所述的方法，其特征在于，根据所述目标用户的第一标签向量，生成所述目标用户的表征向量，包括：
将所述目标用户的第一标签向量与第一全零向量拼接成所述目标用户的表征向量；
其中，所述目标用户的第一标签向量采用独热向量表示，所述目标用户的第一标签向量的各个位置表示所述第一标签系统的标签索引，所述目标用户的第一标签向量的维度与所述第一标签系统的标签数量相同，所述第一全零向量的维度与所述第二标签系统的标签数量相同。
11.一种处理标签数据的装置，其特征在于，包括：
获取模块，用于获取目标用户在第一标签系统中的第一标签向量；
生成模块，用于根据所述目标用户的第一标签向量，生成所述目标用户的表征向量；
转换模块，用于将所述目标用户的表征向量输入到经过训练的神经网络中，得到所述目标用户的输出向量；
处理模块，用于根据所述目标用户的输出向量得到所述目标用户在第二标签系统中的第二标签向量；
还包括训练模块，用于：
获取历史用户在第一标签系统中的第一标签向量；
根据所述历史用户的第一标签向量，生成所述历史用户的表征向量；
获取所述历史用户在第二标签系统中的第二标签向量；
根据所述历史用户的第二标签向量，生成所述历史用户的监督向量；
以所述历史用户的表征向量作为输入，以所述历史用户的监督向量作为输出，对神经网络进行有监督训练，从而得到经过训练的神经网络；
所述第一标签向量和所述第二标签向量均采用独热向量表示，所述第一标签向量的各个位置表示所述第一标签系统的标签索引，所述第二标签向量的各个位置表示所述第二标签系统的标签索引；
所述处理模块还用于：
将所述目标用户的输出向量拆分成第二全零向量和所述目标用户在第二标签系统中的第二标签向量；
根据所述目标用户的第二标签向量确定所述目标用户在所述第二标签系统中具有的标签；
其中，所述第二全零向量的维度与所述第一标签系统的标签数量相同，所述目标用户的第二标签向量的维度与所述第二标签系统的标签数量相同，所述目标用户的第二标签向量采用独热向量表示，所述目标用户的第二标签向量的各个位置表示所述第二标签系统的标签索引；
所述处理模块还用于：
对于所述目标用户的第二标签向量的任意一个位置：
若所述位置的值大于等于0.5，则将所述位置的值替换为1；
若所述位置的值小于0.5，则将所述位置的值替换为0；
其中，若所述位置的值为1，则表示所述历史用户具有所述位置对应的所述第二标签系统的标签；若所述位置的值为0，则表示所述历史用户不具有所述位置对应的所述第二标签系统的标签。
12.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
13.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
CN202011240383.1A 2020-11-09 2020-11-09 一种处理标签数据的方法和装置 Active CN112308166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011240383.1A CN112308166B (zh) 2020-11-09 2020-11-09 一种处理标签数据的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011240383.1A CN112308166B (zh) 2020-11-09 2020-11-09 一种处理标签数据的方法和装置

Publications (2)

Publication Number Publication Date
CN112308166A CN112308166A (zh) 2021-02-02
CN112308166B true CN112308166B (zh) 2023-08-01

Family

ID=74325604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011240383.1A Active CN112308166B (zh) 2020-11-09 2020-11-09 一种处理标签数据的方法和装置

Country Status (1)

Country Link
CN (1) CN112308166B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564393A (zh) * 2018-03-14 2018-09-21 深圳市和讯华谷信息技术有限公司 潜在客户评分方法、装置和系统
WO2019157928A1 (zh) * 2018-02-13 2019-08-22 阿里巴巴集团控股有限公司 一种获取多标签用户画像的方法和装置
CN111259281A (zh) * 2020-01-20 2020-06-09 腾讯科技（深圳）有限公司 商户标签的确定方法、装置及存储介质

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10769766B1 (en) * 2018-05-31 2020-09-08 Amazon Technologies, Inc. Regularized multi-label classification from partially labeled training data
CN109359239A (zh) * 2018-09-06 2019-02-19 安徽华米信息科技有限公司 图片推荐方法及装置
CN109785034A (zh) * 2018-11-13 2019-05-21 北京码牛科技有限公司 用户画像生成方法、装置、电子设备及计算机可读介质
CN111598596A (zh) * 2019-02-21 2020-08-28 北京京东尚科信息技术有限公司 数据处理方法、装置、电子设备及存储介质
CN110428277B (zh) * 2019-06-26 2023-05-30 平安科技（深圳）有限公司 推荐产品的触达方法、存储介质和程序产品
CN110310163A (zh) * 2019-07-11 2019-10-08 易联众民生(厦门)科技有限公司 一种精准制定营销策略的方法、设备及可读介质
CN110704728A (zh) * 2019-09-06 2020-01-17 北京达佳互联信息技术有限公司 信息推荐的方法、装置、电子设备及存储介质
CN111046275B (zh) * 2019-11-19 2023-03-28 腾讯科技（深圳）有限公司 基于人工智能的用户标签确定方法及装置、存储介质
CN111310074B (zh) * 2020-02-13 2023-08-18 北京百度网讯科技有限公司 兴趣点的标签优化方法、装置、电子设备和计算机可读介质
CN111797210A (zh) * 2020-03-03 2020-10-20 中国平安人寿保险股份有限公司 基于用户画像的信息推荐方法、装置、设备及存储介质
CN111476276B (zh) * 2020-03-17 2024-06-14 中国平安人寿保险股份有限公司 智能化数据分类方法、装置、电子设备及可读存储介质
CN111581378B (zh) * 2020-04-28 2024-04-26 中国工商银行股份有限公司 基于交易数据建立用户消费标签体系的方法和装置
CN111797895B (zh) * 2020-05-30 2024-04-26 华为技术有限公司 一种分类器的训练方法、数据处理方法、系统以及设备
CN111756832B (zh) * 2020-06-22 2023-06-30 百度在线网络技术（北京）有限公司 推送信息的方法、装置、电子设备及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019157928A1 (zh) * 2018-02-13 2019-08-22 阿里巴巴集团控股有限公司 一种获取多标签用户画像的方法和装置
CN108564393A (zh) * 2018-03-14 2018-09-21 深圳市和讯华谷信息技术有限公司 潜在客户评分方法、装置和系统
CN111259281A (zh) * 2020-01-20 2020-06-09 腾讯科技（深圳）有限公司 商户标签的确定方法、装置及存储介质

Also Published As

Publication number Publication date
CN112308166A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN109460513B (zh) 用于生成点击率预测模型的方法和装置
US11620532B2 (en) Method and apparatus for generating neural network
CN108536650B (zh) 生成梯度提升树模型的方法和装置
CN110619078B (zh) 用于推送信息的方法和装置
CN109829164B (zh) 用于生成文本的方法和装置
CN111061956A (zh) 用于生成信息的方法和装置
CN110059172B (zh) 基于自然语言理解的推荐答案的方法和装置
CN111104599B (zh) 用于输出信息的方法和装置
KR102501327B1 (ko) 정보의 병렬처리 방법 및 장치
CN110866040B (zh) 用户画像生成方法、装置和系统
CN113760488B (zh) 调度任务的方法、装置、设备和计算机可读介质
CN112650841A (zh) 信息处理方法、装置和电子设备
CN111340220A (zh) 用于训练预测模型的方法和装置
US11706172B2 (en) Method and device for sending information
CN116911954B (zh) 基于兴趣和流行度推荐物品的方法及装置
CN108509442B (zh) 搜索方法和装置、服务器以及计算机可读存储介质
CN112308166B (zh) 一种处理标签数据的方法和装置
CN116204740A (zh) 标签确定方法、信息推荐方法、装置、设备及存储介质
CN113220922B (zh) 图像搜索方法、装置和电子设备
CN113362097B (zh) 一种用户确定方法和装置
CN113066479B (zh) 一种评测模型的方法和装置
CN109857838B (zh) 用于生成信息的方法和装置
CN112307324A (zh) 信息处理方法、装置、设备和介质
CN111353585A (zh) 神经网络模型的结构搜索方法和装置
CN111753111A (zh) 图片搜索方法和装置

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