CN113722584A - 任务推送方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种任务推送方法，获取需求端中各用户的目标用户标签，再基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签，最后向对应所述目标用户标签的用户终端推送与所述目标任务标签对应的任务，即通过获取目标用户标签，并基于预先建立的用户标签样本与任务标签样本之间的映射关系匹配对应的目标任务标签，从而可以提高任务推送的精度，避免资源浪费；且推送的任务基于映射关系进行确认，符合用户自身的兴趣及需求，进而提高用户的体验。本发明还公开了一种任务推送装置及存储介质。

Description

任务推送方法、装置及存储介质

技术领域

本发明涉及互联网技术领域，尤其涉及任务推送方法、装置及存储介质。

背景技术

在相关技术中，平台在向用户推送任务时，对任务派发的精度不足，会造成对任务进行许多不必要的派发，从而造成资源的浪费。而且，由于上述过程没有考虑到用户自身的兴趣及需求，这可能导致推广任务的完成概率较低。

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

发明内容

本发明的主要目的在于提供一种任务推送方法、装置及存储介质，以解决上述至少一问题。

为实现上述目的，本发明提供一种任务推送方法，所述方法包括以下步骤：

获取需求端中各用户的目标用户标签；

基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签；

向对应所述目标用户标签的用户终端推送与所述目标任务标签对应的任务。

在一可选地实施例中，所述基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签的步骤，包括：

判断所述映射关系中是否存在所述目标用户标签对应的目标任务标签；

若所述映射关系中不存在所述目标用户标签对应的目标任务标签，则基于预先构建的语义识别模型，获取与所述目标用户标签匹配的任务标签，并将所述任务标签作为所述目标任务标签；

若所述映射关系中存在所述目标用户标签对应的目标任务标签，则执行获取所述目标用户标签对应的目标任务标签的步骤。

在一可选地实施例中，构建所述语义识别模型，包括：

获取样本文字数据，并对所述样本文字数据中各个字符的含义进行标识，以得到样本标记数据；

将所述样本文字数据输入语义训练模型中训练，并与所述样本标记数据进行匹配调整得到语义识别模型。

在一可选地实施例中，将所述样本文字数据输入语义训练模型中训练，并与所述样本标记数据进行匹配调整得到语义识别模型的步骤，包括：

使用深度学习算法构建所述语义训练模型；

将所述样本文字数据输入所述语义训练模型进行训练得到输出结果，将所述输出结果与所述样本标记数据进行误差对比，以调整所述语义训练模型中的各项参数，经过多次训练迭代以调整所述语义训练模型中的各项参数并得到所述语义识别模型。

在一可选地实施例中，建立用户标签样本与任务标签样本之间的映射关系，所述方法包括：

从多个渠道端，获取所述用户标签样本以及所述任务标签样本；

基于大数据建模的方式，聚合所述用户标签样本与任务标签样本，以生成所述映射关系

在一可选地实施例中，获取所述用户标签样本的步骤，包括：

从多个渠道端获取各用户的标签数据；

判断是否存在至少两个所述标签数据的相似度大于或等于预设阈值；

若存在至少两个所述标签数据的相似度大于或等于预设阈值，则将所述标签数据对应的多个用户作为目标用户群，并以至少两个所述标签数据中的共同特征信息作为所述用户标签样本。

在一可选地实施例中，获取所述任务标签样本的步骤，包括：

获取所述目标用户群中各用户的行为数据；

以多个所述任务数据中的共同特征信息作为所述任务标签样本。

在一可选地实施例中，所述基于大数据建模的方式，聚合所述用户标签样本与任务标签样本，以生成所述映射关系的步骤之后，还包括：

将所述映射关系存储至预设匹配表，以供所述目标用户标签通过所述映射关系查询对应的所述目标任务标签。

此外，为实现上述目的，本发明还提供一种任务推送装置，所述任务推送装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的任务推送程序，所述任务推送程序被所述处理器执行时实现如上述任一项所述的任务推送方法的步骤。

此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有任务推送程序，所述任务推送程序被处理器执行时实现如上述任一项所述的任务推送方法的步骤。

本发明实施例提出的一种任务推送方法，先获取需求端中各用户的目标用户标签，再基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签，最后向对应所述目标用户标签的用户终端推送与所述目标任务标签对应的任务，即通过获取目标用户标签，并基于预先建立的用户标签样本与任务标签样本之间的映射关系匹配对应的目标任务标签，从而可以提高任务推送的精度，避免资源浪费；且推送的任务基于映射关系进行确认，符合用户自身的兴趣及需求，进而提高用户的体验。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；

图2为本发明数据处理方法第一实施例的流程示意图；

图3为本发明数据处理方法第二实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在相关技术中，平台在向用户推送任务时，对任务派发的精度不足，会造成对任务进行许多不必要的派发，从而造成计算资源的浪费。而且，由于上述过程没有考虑到用户自身的兴趣及需求，这可能导致推广任务的完成概率较低。

本发明提供一种解决方案，先获取需求端中各用户的目标用户标签，再基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签，最后向对应所述目标用户标签的用户终端推送与所述目标任务标签对应的任务，即通过获取目标用户标签，并基于预先建立的用户标签样本与任务标签样本之间的映射关系匹配对应的目标任务标签，从而可以提高任务推送的精度，避免资源浪费；且推送的任务基于映射关系进行确认，符合用户自身的兴趣及需求，进而提高用户的体验。

如图1所示，图1是本发明实施例方案涉及的终端的硬件运行环境示意图；

本发明实施例终端为任务推送装置。

如图1所示，该任务推送装置可以包括：处理器1001，例如CPU，网络接口1004，客户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。客户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选客户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的终端的结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、客户接口模块以及任务推送程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；客户接口1003主要用于连接客户端(客户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的任务推送程序，并执行以下操作：

获取需求端中各用户的目标用户标签；

基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签；

向对应所述目标用户标签的用户终端推送与所述目标任务标签对应的任务。

进一步地，处理器1001可以调用存储器1005中存储的任务推送程序，还执行以下操作：

判断所述映射关系中是否存在所述目标用户标签对应的目标任务标签；

若所述映射关系中不存在所述目标用户标签对应的目标任务标签，则基于预先构建的语义识别模型，获取与所述目标用户标签匹配的任务标签，并将所述任务标签作为所述目标任务标签；

若所述映射关系中存在所述目标用户标签对应的目标任务标签，则执行获取所述目标用户标签对应的目标任务标签的步骤。

进一步地，处理器1001可以调用存储器1005中存储的任务推送程序，还执行以下操作：

获取样本文字数据，并对所述样本文字数据中各个字符的含义进行标识，以得到样本标记数据；

将所述样本文字数据输入语义训练模型中训练，并与所述样本标记数据进行匹配调整得到语义识别模型。

进一步地，处理器1001可以调用存储器1005中存储的任务推送程序，还执行以下操作：

使用深度学习算法构建所述语义训练模型；

将所述样本文字数据输入所述语义训练模型进行训练得到输出结果，将所述输出结果与所述样本标记数据进行误差对比，以调整所述语义训练模型中的各项参数，经过多次训练迭代以调整所述语义训练模型中的各项参数并得到所述语义识别模型。

进一步地，处理器1001可以调用存储器1005中存储的任务推送程序，还执行以下操作：

从多个渠道端，获取所述用户标签样本以及所述任务标签样本；

基于大数据建模的方式，聚合所述用户标签样本与任务标签样本，以生成所述映射关系。

进一步地，处理器1001可以调用存储器1005中存储的任务推送程序，还执行以下操作：

从多个渠道端获取各用户的标签数据；

判断是否存在至少两个所述标签数据的相似度大于或等于预设阈值；

若存在至少两个所述标签数据的相似度大于或等于预设阈值，则将所述标签数据对应的多个用户作为目标用户群，并以至少两个所述标签数据中的共同特征信息作为所述用户标签样本。

进一步地，处理器1001可以调用存储器1005中存储的任务推送程序，还执行以下操作：

获取所述目标用户群中各用户的行为数据；

以多个所述任务数据中的共同特征信息作为所述任务标签样本。

进一步地，处理器1001可以调用存储器1005中存储的任务推送程序，还执行以下操作：

将所述映射关系存储至预设匹配表，以供所述目标用户标签通过所述映射关系查询对应的所述目标任务标签。

参照图2，本发明第一实施例提供一种任务推送方法，任务推送方法包括：

S1、获取需求端中各用户的目标用户标签；

S2、基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签；

S3、向对应所述目标用户标签的用户终端推送与所述目标任务标签对应的任务。

本实施例中，上述任务推送方法的执行主体为任务推送装置，该任务推送装置可以为计算机、平板电脑、单片机等，也可以为客户的可访问设备(或客户要访问的设备，即目的设备)或代理设备，其中，所述代理设备可为智能网关，当然并不仅限于此。

进一步地，任务推送装置获取需求端中各用户的目标用户标签。其中，需求端可以为资源方或者渠道方等网络平台。

具体地，可通过调用该网络平台本身所具有的或者与该平台相连接的大数据系统接口的方式获取资源方或渠道方等网络平台所有用户的目标用户标签。其中，目标用户标签是指提取经过对网络平台的用户进行处理所得到的用以标识用户的单维或多维信息组，包括用户的基本信息、行为信息等其他信息。本申请的实施例中通过调用大数据接口的方式实现目标用户标签的获取，这样一来网络平台本身不需要进行数据处理得到用户标签，从而降低了网络平台本身的数据处理压力；并且，这样还可以实现对现有大数据系统所具有数据的利用效率。

进一步地，由于实现推送的目的在于向不同的或者说许多的用户进行信息的推送，因此这里的所获取的目标用户标签包括多个用户的用户标签。即上述获取到的目标用户标签可能包含有重复的用户标签，为了筛选出重复的用户标签，本实施例中基于相似度筛选算法从获取到的所有目标用户标签中筛选出相似的用户标签，并对筛选出的用户标签进行分析，若筛选出的用户标签相同，则保留其中一个用户标签作为目标用户标签，并删除掉其他的用户标签。

在获取到用户的目标用户标签后，基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签。其中，所述基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签的步骤，包括：

判断所述映射关系中是否存在所述目标用户标签对应的目标任务标签；

若所述映射关系中不存在所述目标用户标签对应的目标任务标签，则基于预先构建的语义识别模型，获取与所述目标用户标签匹配的任务标签，并将所述任务标签作为所述目标任务标签；

若所述映射关系中存在所述目标用户标签对应的目标任务标签，则执行获取所述目标用户标签对应的目标任务标签的步骤。

即本实施例中，遍历所述映射关系，并查找所述映射关系中是否存在与所述目标用户标签对应的目标任务标签；若存在，则直接获取所述目标用户标签对应的目标任务标签；若不存在，则基于预先构建的语义识别模型，获取与所述目标用户标签匹配的任务标签，并将所述任务标签作为所述目标任务标签。

具体地，构建所述语义识别模型，包括：

获取样本文字数据，并对所述样本文字数据中各个字符的含义进行标识，以得到样本标记数据；

将所述样本文字数据输入语义训练模型中训练，并与所述样本标记数据进行匹配调整得到语义识别模型。

本实施例中，获取资源方或渠道方等网络平台上积累的用户通过点击/购买/留资等方式获取的任务信息，并将该任务信息作为样本文字数据。而在获取到样本文字数据后，通过对所述样本文字数据进行分词标注、查找核心词、关键词标注、词性标注等操作，一得到样本标记数据。

进一步地，在获取到样本表标记数据后，将所述样本文字数据输入语义训练模型中训练，并与所述样本标记数据进行匹配调整得到语义识别模型。具体地，将所述样本文字数据输入所述语义训练模型进行计算，得到第二轮的输出数据。将所述第二轮的输出数据与所述第二标记数据进行比对，判断所述第二轮的输出数据的准确率。如果准确率小于所述预设值时，调整所述语义训练模型的各项参数，将前一轮的输出数据输入调整参数后的语义训练模型进行计算，得到新一轮的输出数据，并将新一轮的输出数据与所述第二标记数据进行对比，判断所述第二轮的输出数据的准确率；重复上述流程直到输出数据的准确率达到预设值时，将达到退出条件的语义训练模型作为所述语义识别模型。

而在将所述样本文字数据输入语义训练模型中训练，并与所述样本标记数据进行匹配调整得到语义识别模型的步骤，包括：

使用深度学习算法构建所述语义训练模型；

将所述样本文字数据输入所述语义训练模型进行训练得到输出结果，将所述输出结果与所述样本标记数据进行误差对比，以调整所述语义训练模型中的各项参数，经过多次训练迭代以调整所述语义训练模型中的各项参数并得到所述语义识别模型。

其中，深度学习算法可使用TensorFlow框架，即通过TensorFlow框架建立语义训练模型。而TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。

当然，在其他实施例中，还可以通过其他框架构建语义训练模型，在此并不进行限制，在此并不进行限制。

本发明的实施例中，先获取需求端中各用户的目标用户标签，再基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签，最后向对应所述目标用户标签的用户终端推送与所述目标任务标签对应的任务，即通过获取目标用户标签，并基于预先建立的用户标签样本与任务标签样本之间的映射关系匹配对应的目标任务标签，从而可以提高任务推送的精度，避免资源浪费；且推送的任务基于映射关系进行确认，符合用户自身的兴趣及需求，进而提高用户的体验。

进一步地，参照图3，基于上述第一实施例提出本发明任务推送方法的第二实施例，在本实施例中，建立用户标签样本与任务标签样本之间的映射关系，包括：

S01、从多个渠道端，获取所述用户标签样本以及所述任务标签样本；

S02、基于大数据建模的方式，聚合所述用户标签样本与任务标签样本，以生成所述映射关系。

即本实施例中，在基于映射关系，获取所述目标用户标签对应目标任务标签之前，需要建立所述映射关系。

具体地，从多个渠道端，获取所述用户标签样本以及所述任务标签样本。其中，渠道端同样为资源方或渠道方等网络平台，即获取资源方或渠道方等网络平台上的用户的标签，作为样本用户标签。

其中，获取所述用户标签样本的步骤，具体包括：

从多个渠道端获取各用户的标签数据；

判断是否存在至少两个所述标签数据的相似度大于或等于预设阈值；

若存在至少两个所述标签数据的相似度大于或等于预设阈值，则将所述标签数据对应的多个用户作为目标用户群，并以至少两个所述标签数据中的共同特征信息作为所述用户标签样本。

本实施例中，预设阈值为80％。当然，在其他实施例中，预设阈值还可以设置为其他数值，比如：93％、98％等，在此并不进行限制。

比如，获取到用户a的标签数据为“男性、深圳、电子专业、篮球、唱歌”，用户b的标签数据为“男性、深圳、电子专业、篮球、爬山”，即用户a与用户b的相似度为80％，等于预设阈值80％，此时，则将所述标签数据对应的用户a和用户b作为目标用户群，并提取出用户a和用户b中的相同标签特征信息(“男性、深圳、电子专业、篮球”)作为用户标签样本。

当然，上述举例仅是为了便于本实施例的方案，并不是对标签数据中的标签数量和类型进行限制。本实施例中，标签数量可以为大于2的任意数量，而标签类型也可以为其他类型，在此并不进行限制。

进一步地，获取所述任务标签样本的步骤，具体包括：

获取所述目标用户群中各用户的行为数据；

以多个所述行为数据中的共同特征信息作为所述任务标签样本。

比如，所述目标用户群包括用户a和用户b，用户a的行为数据为“购买手机”、“点击篮球新闻”、“充值话费”，而用户b的行为数据为“购买手机”、“点击时事新闻”、“充值游戏币”，即上述行为数据中的共同特征信息“购买手机”，此时，将该共同特征信息作为所述任务标签样本。这样，若目标用户标签中具有“男性、深圳、电子专业、篮球”的标签时，则向该目标用户标签对应的用户具有购买手机的趋势，即向该用户终端推送对应的购买任务。

进一步地，所述基于大数据建模的方式，聚合所述用户标签样本与任务标签样本，以生成所述映射关系的步骤之后，还包括：

将所述映射关系存储至预设匹配表，以供所述目标用户标签通过所述映射关系查询对应的所述目标任务标签。

即本实施例中，通过从多个渠道端，获取所述用户标签样本以及所述任务标签样本，基于大数据建模的方式，聚合所述用户标签样本与任务标签样本，以生成所述映射关系。即通过大数据建模的方式构建映射关系，以解决多个渠道端用户与任务匹配拉通的问题，从而能够提高任务推送的效率。

此外，本发明实施例还提出一种任务推送装置，该任务推送装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上述的任务推送方法的步骤。

该任务推送装置可以为智能手机、遥控器、计算机、平板电脑、智能手表等终端，也可以为单片机等控制器。

此外，本发明实施例还提出一种存储介质，该存储介质上存储有任务推送程序，所述任务推送程序被处理器执行如上述的任务推送方法的步骤。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

本申请所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。在本申请中，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。而在本申请中，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。

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申请的操作的计算机程序代码，所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，图示了按照本申请各种实施例的系统、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。

作为另一方面，本申请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装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取输入语句；基于预先初始化得到的初始化知识图谱，确定输入语句对应初始化知识图谱的节点；计算每个节点的结构化特征和非结构化特征；利用置信度传播机制，基于所确定的结构化特征和非结构化特征，确定初始化知识图谱中的各个节点的图嵌入特征，生成问答系统的知识图谱。

以上描述仅为本申请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，本申请中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本申请中公开的(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。

Claims (10)

1.一种任务推送方法，其特征在于，所述方法包括以下步骤：

获取需求端中各用户的目标用户标签；

基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签；

向对应所述目标用户标签的用户终端推送与所述目标任务标签对应的任务。

2.如权利要求1所述的任务推送方法，其特征在于，所述基于预先建立的用户标签样本与任务标签样本之间的映射关系，获取所述目标用户标签对应的目标任务标签的步骤，包括：

判断所述映射关系中是否存在所述目标用户标签对应的目标任务标签；

若所述映射关系中不存在所述目标用户标签对应的目标任务标签，则基于预先构建的语义识别模型，获取与所述目标用户标签匹配的任务标签，并将所述任务标签作为所述目标任务标签；

若所述映射关系中存在所述目标用户标签对应的目标任务标签，则执行获取所述目标用户标签对应的目标任务标签的步骤。

3.如权利要求2所述的任务推送方法，其特征在于，构建所述语义识别模型，包括：

获取样本文字数据，并对所述样本文字数据中各个字符的含义进行标识，以得到样本标记数据；

将所述样本文字数据输入语义训练模型中训练，并与所述样本标记数据进行匹配调整得到语义识别模型。

4.如权利要求3所述的任务推送方法，其特征在于，将所述样本文字数据输入语义训练模型中训练，并与所述样本标记数据进行匹配调整得到语义识别模型的步骤，包括：

使用深度学习算法构建所述语义训练模型；

将所述样本文字数据输入所述语义训练模型进行训练得到输出结果，将所述输出结果与所述样本标记数据进行误差对比，以调整所述语义训练模型中的各项参数，经过多次训练迭代以调整所述语义训练模型中的各项参数并得到所述语义识别模型。

5.如权利要求1所述的任务推送方法，其特征在于，建立用户标签样本与任务标签样本之间的映射关系，所述方法包括：

从多个渠道端，获取所述用户标签样本以及所述任务标签样本；

基于大数据建模的方式，聚合所述用户标签样本与任务标签样本，以生成所述映射关系。

6.如权利要求5所述的任务推送方法，其特征在于，获取所述用户标签样本的步骤，包括：

从多个渠道端获取各用户的标签数据；

判断是否存在至少两个所述标签数据的相似度大于或等于预设阈值；

若存在至少两个所述标签数据的相似度大于或等于预设阈值，则将所述标签数据对应的多个用户作为目标用户群，并以至少两个所述标签数据中的共同特征信息作为所述用户标签样本。

7.如权利要求5所述的任务推送方法，其特征在于，获取所述任务标签样本的步骤，包括：

获取所述目标用户群中各用户的行为数据；

以多个所述任务数据中的共同特征信息作为所述任务标签样本。

8.如权利要求5所述的任务推送方法，其特征在于，所述基于大数据建模的方式，聚合所述用户标签样本与任务标签样本，以生成所述映射关系的步骤之后，还包括：

将所述映射关系存储至预设匹配表，以供所述目标用户标签通过所述映射关系查询对应的所述目标任务标签。

9.一种任务推送装置，其特征在于，所述任务推送装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的任务推送程序，所述任务推送程序被所述处理器执行时实现如权利要求1至8中任一项所述的任务推送方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有任务推送程序，所述任务推送程序被处理器执行时实现如权利要求1至8中任一项所述的任务推送方法的步骤。

Images