CN114840601A - 用户标签体系构建方法、装置、设备及存储介质 - Google Patents

用户标签体系构建方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114840601A
CN114840601A CN202210439864.8A CN202210439864A CN114840601A CN 114840601 A CN114840601 A CN 114840601A CN 202210439864 A CN202210439864 A CN 202210439864A CN 114840601 A CN114840601 A CN 114840601A
Authority
CN
China
Prior art keywords
data
label
tag
user
feature
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
Application number
CN202210439864.8A
Other languages
English (en)
Inventor
胡文亮
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.)
Ping An Puhui Enterprise Management Co Ltd
Original Assignee
Ping An Puhui Enterprise Management 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 Ping An Puhui Enterprise Management Co Ltd filed Critical Ping An Puhui Enterprise Management Co Ltd
Priority to CN202210439864.8A priority Critical patent/CN114840601A/zh
Publication of CN114840601A publication Critical patent/CN114840601A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/40—Transformation of program code
    • G06F8/41—Compilation
    • G06F8/42—Syntactic analysis
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种用户标签体系构建方法，包括：获取多个维度的用户数据，并对用户数据进行数据清洗，得到标准数据；利用预设的标签生成规则生成标准数据对应的基础标签集；基于基础标签集利用预训练完成的预测模型进行标签预测，得到预测标签集；提取标准数据以及预测标签集的数据特征，根据数据特征构建对应的特征标签，得到所述用户的标签体系。本发明还提出一种用户标签体系构建装置、电子设备以及存储介质。本发明可以提高用户标签构建的全面性。

Description

用户标签体系构建方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种用户标签体系构建方法、装置、设备及存储介质。
背景技术
随着大数据等技术的发展，企业为了掌握不同用户的业务变化，以及对新增的用户进行精准定位，更好的了解客户的需求，需要对客户数据进行数据标签构建，全面的进行用户服务，防止用户流失。
但目前的用户数据标签构建方法，都只是针对于用户数据的单一维度，例如，用户的兴趣爱好数据维度，用户的个性数据维度，用户的好友关系数据维度等，导致用户数据标签的构建不够全面，造成用户流失。
发明内容
本发明提供一种用户标签体系构建方法、装置、设备及存储介质，其主要目的在于解决用户标签构建不够全面的问题。
为实现上述目的，本发明提供的一种用户标签体系构建方法，包括：
获取多个维度的用户数据，并对所述用户数据进行数据清洗，得到所述用户数据的标准数据；
基于所述标准数据利用预设的标签生成规则生成所述标准数据对应的基础标签集；
根据所述基础标签集，利用预训练完成的预测模型对所述基础标签集进行标签预测，得到预测标签集；
提取所述标准数据及所述预测标签集的数据特征，得到目标数据特征；
根据所述目标数据特征构建对应的特征标签，汇总所述特征标签，得到所述用户的标签体系。
可选地，所述对所述用户数据进行数据清洗，得到所述用户数据的标准数据，包括：
获取所述用户数据的属性信息，根据所述属性信息将所述用户数据划分为多个数据类别；
根据所述数据类别调用对应的数据清洗规则，基于所述数据清洗规则对每个所述数据类别进行数据清洗，得到所述用户数据的标准数据。
可选地，所述基于所述标准数据利用预设的标签生成规则生成所述标准数据对应的基础标签集，包括：
获取所述标签生成规则中的标签信息，根据所述标签信息将所述标签生成规则划分为多个子规则；
对每个所述子规则进行语法解析，生成子规则语法树；
利用所述子规则语法树校验所述标准数据是否符合所述子规则；
在所述标签数据符合所述子规则时，生成所述子规则对应的标签信息，汇总所述标签信息，得到所述标准数据对应的基础标签数据集。
可选地，所述根据所述基础标签集，利用预训练完成的预测模型对所述基础标签集进行标签预测，得到预测标签集，包括：
逐个选取一个所述基础标签作为目标标签，并提取所述目标标签的标签特征并将所述标签特征转化为特征向量；
将所述特征向量输入至所述所述标签预测模型；
计算所述标签特征与所述标签预测模型中预测标签特征向量之间的相似度；
提取所述相似度最大的预测标签作为所述目标标签的预测标签。
可选地，所述计算所述特征向量与所述标签预测模型中预测标签特征向量之间的相似度，包括：
利用如下公式计算所述特征向量与所述标签预测模型中预测标签特征向量之间的相似度：
Figure BDA0003614660630000021
其中，所述cos(θ)为所述特征向量与所述标签预测模型中预测标签特征向量之间的相似度，所述X为所述特征向量，所述Y为所述预测标签特征向量。
可选地，所述根据所述目标数据特征构建对应的特征标签，包括：
根据所述数据特征构建数据特征链；
利用预设的神经网络对所述特征链进行编码，得到所述数据特征的表示向量；
对所述表示向量进行向量拼接，得到特征标签。
可选地所述利用预设的神经网络对所述特征链进行编码，得到所述数据特征的表示向量，包括：
利用预设的神经网络获取所述特征链的正向隐藏向量及反向隐藏向量；
将所述正向隐藏向量及所述反向隐藏向量进行级联，得到所述数据特征的表示向量。
为了解决上述问题，本发明还提供一种用户标签体系构建装置，所述装置包括：
数据清洗模块，用于获取多个维度的用户数据，并对所述用户数据进行数据清洗，得到所述用户数据的标准数据；
基础标签集获取模块，用于基于所述标准数据利用预设的标签生成规则生成所述标准数据对应的基础标签集；
标签预测模块，用于根据所述基础标签集，利用预训练完成的预测模型对所述基础标签集进行标签预测，得到预测标签集；
数据特征提取模块，用于提取所述标准数据及所述预测标签集的数据特征，得到目标数据特征；
标签体系构建模块，用于根据所述目标数据特征构建对应的特征标签，汇总所述特征标签，得到所述用户的标签体系。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的用户标签体系构建方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的用户标签体系构建方法。
本发明实施例通过获取多个维度的用户数据并进行数据清洗，得到标准数据，使得用户数据更加全面，为后续用户标签体系的构建提供基础；基于标准数据生成对应的基础标签集；利用预设的预测模型对基础标签集进行标签预测，能够在基础标签的基础上进行标签拓展以更好的对用户进行标签定位；提取标准数据及与预测标签集的数据特征，得到目标数据特征，使得数据简化的同时有保留的数据的完整性；根据目标数据特征构建特征标签，汇总特征标签，得到用户的标签体系，根据目标数据可构建多个对应的特征标签，以保证标签体系对用户特征的全面覆盖。因此本发明提出的用户标签体系构建方法、装置、设备及存储介质，可以解决进行用户标签构建时全面性较低的问题。
附图说明
图1为本发明一实施例提供的用户标签体系构建方法的流程示意图；
图2为本发明一实施例提供的数据清洗的流程示意图；
图3为本发明一实施例提供的建立基础标签集的流程示意图；
图4为本发明一实施例提供的预测标签获取的流程示意图；
图5为本发明一实施例提供的标签体系构建的流程示意图；
图6为本发明一实施例提供的用户标签体系构建装置的功能模块图；
图7为本发明一实施例提供的实现所述用户标签体系构建方法的电子设备的结构示意图。
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。
本申请实施例提供一种用户标签体系构建方法。所述用户标签体系构建方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述用户标签体系构建方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的用户标签体系构建方法的流程示意图。在本实施例中，所述用户标签体系构建方法包括以下步骤S1-S5：
S1、获取多个维度的用户数据，并对所述用户数据进行数据清洗，得到所述用户数据的标准数据；
本发明实施例中，所述多个维度的用户数据为从用户的不同维度获取用户的数据，例如，用户的身份维度信息、用户的关系图谱维度信息，用户在企业的浏览信息和/或购买维度信息、用户价值维度的信息等，具体地，可以使用具有数据抓取功能的计算机语句(java语句、python语句等)从预先构建的用于存储所述用户数据的存储区域中抓取所述多个维度的用户数据，所述存储区域包括但不限于数据库、区块链节点、网络缓存。
本发明另一实施例中，所述数据清洗是对数据进行审查以及校验的过程，数据清洗的目的是去除用户数据中的重复数据并对错误数据进行纠正，已达到数据的标准、准确化。
详细地，参与图2所示，所述对所述用户数据进行数据清洗，得到所述用户数据的标准数据，包括以下步骤S21-S22：
S21、获取所述用户数据的属性信息，根据所述属性信息将所述用户数据划分为多个数据类别；
S22、根据所述数据类别调用对应的数据清洗规则，基于所述数据清洗规则对每个所述数据类别进行数据清洗，得到所述用户数据的标准数据。
本发明实施例中，所述数据的属性信息包括但不限于数据的标称属性、数据的序数属性、数值属性、比例属性、文本属性等等，根据数据不同的属性信息调用对应的清洗规则。
本发明实施例中，所述预设的清洗规则包括但不限于多值分离、多值合并、超级文本标记语言(Hyper Text Markup Language，HTML)转义、移首尾空格、收齐连续空格和规范表达等进行数据清洗。
本发明实施例中，通过进行数据清洗能够去除用户数据中的冗杂信息，减少后续的计算量，提高计算效率，例如，所述用户数据中的职业为“XX学校数学教师”数据清洗后为“教师”，有效的减小了用户数据的内存占用。
S2、基于所述标准数据利用预设的标签生成规则生成所述标准数据对应的基础标签集；
本发明实施例中，所述预设的标签规则根据用户不同的标准数据的具体内容生成对应的基础标签，示例性的，所述用户标准数据中包括用户企业经营年限大于等于3年且注册资本大于等于50万元，则对应的基础标签为优秀企业主。
详细地，参阅图3所示所述基于所述标准数据利用预设的标签生成规则生成所述标准数据对应的基础标签集，包括以下步骤S31-S34：
S31、获取所述标签生成规则中的标签信息，根据所述标签信息将所述标签生成规则划分为多个子规则；
S32、对每个所述子规则进行语法解析，生成子规则语法树；
S33、利用所述子规则语法树校验所述标准数据是否符合所述子规则；
S34、在所述标签数据符合所述子规则时，生成所述子规则对应的标签信息，汇总所述标签信息，得到所述标准数据对应的基础标签数据集。
本发明实施例中，通过所述标签生成规则生成标准数据的基础标签，有利于对所述用户进行初步的信息判断，例如，用户A的基础标签包括“个人企业主”、“购物达人”等等，有利于后续对用户进行更加精准的标签预测。
S3、根据所述基础标签集，利用预训练完成的预测模型对所述基础标签集进行标签预测，得到预测标签集；
本发明实施例中，所述预训练完成的预测模型是利用预标注的标签特征组合为训练集，通过所述训练集训练标签预测模型得到的，所述预构建的·标签预测模型包括但不限于机器学习模型，神经网络模型等。
详细地，参阅图4所示，所述根据所述基础标签集，利用预训练完成的预测模型对所述基础标签集进行标签预测，得到预测标签集，包括以下步骤S41-S44：
S41、逐个选取一个所述基础标签作为目标标签，并提取所述目标标签的标签特征并将所述标签特征转化为特征向量；
S42、将所述特征向量输入至所述所述标签预测模型；
S43、计算所述标签特征与所述标签预测模型中预测标签特征向量之间的相似度；
S44、提取所述相似度最大的预测标签作为所述目标标签的预测标签。
进一步地，所述计算所述特征向量与所述标签预测模型中预测标签特征向量之间的相似度，包括：
利用如下公式计算所述特征向量与所述标签预测模型中预测标签特征向量之间的相似度：
Figure BDA0003614660630000071
其中，所述cos(θ)为所述特征向量与所述标签预测模型中预测标签特征向量之间的相似度，所述X为所述特征向量，所述Y为所述预测标签特征向量。
具体地，可以利用所述标签预测模型中的神经网络进行特征向量的提取，例如：CNN(Convolutional Neural Networks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)、AIAYN(Attention Is All You Need，注意力机制)等其他神经网络。
本发明实施例中，通过所述标签预测模型进一步地对所述用户进行标签预测，能够有效的对基础标签进行拓展以更好的对客户进行定位。
S4、提取所述标准数据及所述预测标签集的数据特征，得到目标数据特征；
本发明实施例中，所述数据特征是将所述标准数据及所述预测标签进行降维，提取出有效的原始特征，从而使得数据简化，数据特征同时也能保证原始标准数据及所述预测标签的准确性及完整性，有利于后续构建用户标签体系，提高计算效率以及标签体系的准确度。
进一步地，本发明实施例中，可以利用上述提取所述目标标签的标签特征并将所述标签特征转化为特征向量步骤一样的方法提取所述标准数据及所述预测标签集的数据特征，在此不在赘述。
S5、根据所述目标数据特征构建对应的特征标签，汇总所述特征标签，得到所述用户的标签体系。
本发明实施例中，所述特征标签是基于所述数据特征构建的标签，更加明确了用户与标签之间的关系。
详细地，参与图5所示，所述根据所述目标数据特征构建对应的特征标签，包括以下步骤S51-S53：
S51、根据所述数据特征构建数据特征链；
S52、利用预设的神经网络对所述特征链进行编码，得到所述数据特征的表示向量；
S53、对所述表示向量进行向量拼接，得到特征标签。
进一步地，所述利用预设的神经网络对所述特征链进行编码，得到所述数据特征的表示向量，包括：
利用预设的神经网络获取所述特征链的正向隐藏向量及反向隐藏向量；
将所述正向隐藏向量及所述反向隐藏向量进行级联，得到所述数据特征的表示向量。
具体的，本发明实施例中，所述预设的神经网络可以是上述步骤S3中使用的神经网络，在此不再赘述，通过所述神经网络能够发现所述特征向量的隐藏向量，增加特征向量的维度，为后续特征标签的构建提供基础，以提高用户标签体系建立的准确度。
本发明实施例中，通过所述目标数据特征构建用户的标签体系，使得标签体系能够对用户的数据特征进行全面覆盖，便于企业进行高质量的业务推广，防止用户流失。
本发明实施例通过获取多个维度的用户数据并进行数据清洗，得到标准数据，使得用户数据更加全面，为后续用户标签体系的构建提供基础；基于标准数据生成对应的基础标签集；利用预设的预测模型对基础标签集进行标签预测，能够在基础标签的基础上进行标签拓展以更好的对用户进行标签定位；提取标准数据及与预测标签集的数据特征，得到目标数据特征，使得数据简化的同时有保留的数据的完整性；根据目标数据特征构建特征标签，汇总特征标签，得到用户的标签体系，根据目标数据可构建多个对应的特征标签，以保证标签体系对用户特征的全面覆盖。因此本发明提出的用户标签体系构建方法，可以解决进行用户标签构建时全面性较低的问题。
如图6所示，是本发明一实施例提供的用户标签体系构建装置的功能模块图。
本发明所述用户标签体系构建装置100可以安装于电子设备中。根据实现的功能，所述用户标签体系构建装置100可以包括数据清洗模块101、基础标签集获取模块102、标签预测模块103、数据特征提取模块104及标签体系构建模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据清洗模块101，用于获取多个维度的用户数据，并对所述用户数据进行数据清洗，得到所述用户数据的标准数据；
所述基础标签集获取模块102，用于基于所述标准数据利用预设的标签生成规则生成所述标准数据对应的基础标签集；
所述标签预测模块103，用于根据所述基础标签集，利用预训练完成的预测模型对所述基础标签集进行标签预测，得到预测标签集；
所述数据特征提取模块104，用于提取所述标准数据及所述预测标签集的数据特征，得到目标数据特征；
所述标签体系构建模块105，用于根据所述目标数据特征构建对应的特征标签，汇总所述特征标签，得到所述用户的标签体系。
详细地，本发明实施例中所述用户标签体系构建装置100中所述的各模块在使用时采用与上述图1至图5中所述的用户标签体系构建方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图7所示，是本发明一实施例提供的实现用户标签体系构建方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如用户标签体系构建程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行用户标签体系构建程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如用户标签体系构建程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的用户标签体系构建程序是多个指令的组合，在所述处理器10中运行时，可以实现以下方法：
获取多个维度的用户数据，并对所述用户数据进行数据清洗，得到所述用户数据的标准数据；
基于所述标准数据利用预设的标签生成规则生成所述标准数据对应的基础标签集；
根据所述基础标签集，利用预训练完成的预测模型对所述基础标签集进行标签预测，得到预测标签集；
提取所述标准数据及所述预测标签集的数据特征，得到目标数据特征；
根据所述目标数据特征构建对应的特征标签，汇总所述特征标签，得到所述用户的标签体系。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现以下方法：
获取多个维度的用户数据，并对所述用户数据进行数据清洗，得到所述用户数据的标准数据；
基于所述标准数据利用预设的标签生成规则生成所述标准数据对应的基础标签集；
根据所述基础标签集，利用预训练完成的预测模型对所述基础标签集进行标签预测，得到预测标签集；
提取所述标准数据及所述预测标签集的数据特征，得到目标数据特征；
根据所述目标数据特征构建对应的特征标签，汇总所述特征标签，得到所述用户的标签体系。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种用户标签体系构建方法，其特征在于，所述方法包括：
获取多个维度的用户数据，并对所述用户数据进行数据清洗，得到所述用户数据的标准数据；
基于所述标准数据利用预设的标签生成规则生成所述标准数据对应的基础标签集；
根据所述基础标签集，利用预训练完成的预测模型对所述基础标签集进行标签预测，得到预测标签集；
提取所述标准数据及所述预测标签集的数据特征，得到目标数据特征；
根据所述目标数据特征构建对应的特征标签，汇总所述特征标签，得到所述用户的标签体系。
2.如权利要求1所述的用户标签体系构建方法，其特征在于，所述对所述用户数据进行数据清洗，得到所述用户数据的标准数据，包括：
获取所述用户数据的属性信息，根据所述属性信息将所述用户数据划分为多个数据类别；
根据所述数据类别调用对应的数据清洗规则，基于所述数据清洗规则对每个所述数据类别进行数据清洗，得到所述用户数据的标准数据。
3.如权利要求1所述的用户标签体系构建方法，其特征在于，所述基于所述标准数据利用预设的标签生成规则生成所述标准数据对应的基础标签集，包括：
获取所述标签生成规则中的标签信息，根据所述标签信息将所述标签生成规则划分为多个子规则；
对每个所述子规则进行语法解析，生成子规则语法树；
利用所述子规则语法树校验所述标准数据是否符合所述子规则；
在所述标签数据符合所述子规则时，生成所述子规则对应的标签信息，汇总所述标签信息，得到所述标准数据对应的基础标签数据集。
4.如权利要求1所述的用户标签体系构建方法，其特征在于，所述根据所述基础标签集，利用预训练完成的预测模型对所述基础标签集进行标签预测，得到预测标签集，包括：
逐个选取一个所述基础标签作为目标标签，并提取所述目标标签的标签特征并将所述标签特征转化为特征向量；
将所述特征向量输入至所述所述标签预测模型；
计算所述标签特征与所述标签预测模型中预测标签特征向量之间的相似度；
提取所述相似度最大的预测标签作为所述目标标签的预测标签。
5.如权利要求4所述的用户标签体系构建方法，其特征在于，所述计算所述特征向量与所述标签预测模型中预测标签特征向量之间的相似度，包括：
利用如下公式计算所述特征向量与所述标签预测模型中预测标签特征向量之间的相似度：
Figure FDA0003614660620000021
其中，所述cos(θ)为所述特征向量与所述标签预测模型中预测标签特征向量之间的相似度，所述X为所述特征向量，所述Y为所述预测标签特征向量。
6.如权利要求1所述的用户标签体系构建方法，其特征在于，所述根据所述目标数据特征构建对应的特征标签，包括：
根据所述数据特征构建数据特征链；
利用预设的神经网络对所述特征链进行编码，得到所述数据特征的表示向量；
对所述表示向量进行向量拼接，得到特征标签。
7.如权利要求6所述的用户标签体系构建方法，其特征在于，所述利用预设的神经网络对所述特征链进行编码，得到所述数据特征的表示向量，包括：
利用预设的神经网络获取所述特征链的正向隐藏向量及反向隐藏向量；
将所述正向隐藏向量及所述反向隐藏向量进行级联，得到所述数据特征的表示向量。
8.一种用户标签体系构建装置，其特征在于，所述装置包括：
数据清洗模块，用于获取多个维度的用户数据，并对所述用户数据进行数据清洗，得到所述用户数据的标准数据；
基础标签集获取模块，用于基于所述标准数据利用预设的标签生成规则生成所述标准数据对应的基础标签集；
标签预测模块，用于根据所述基础标签集，利用预训练完成的预测模型对所述基础标签集进行标签预测，得到预测标签集；
数据特征提取模块，用于提取所述标准数据及所述预测标签集的数据特征，得到目标数据特征；
标签体系构建模块，用于根据所述目标数据特征构建对应的特征标签，汇总所述特征标签，得到所述用户的标签体系。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的用户标签体系构建方法。
10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的用户标签体系构建方法。
CN202210439864.8A 2022-04-25 2022-04-25 用户标签体系构建方法、装置、设备及存储介质 Pending CN114840601A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210439864.8A CN114840601A (zh) 2022-04-25 2022-04-25 用户标签体系构建方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210439864.8A CN114840601A (zh) 2022-04-25 2022-04-25 用户标签体系构建方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114840601A true CN114840601A (zh) 2022-08-02

Family

ID=82566843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210439864.8A Pending CN114840601A (zh) 2022-04-25 2022-04-25 用户标签体系构建方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114840601A (zh)

Similar Documents

Publication Publication Date Title
CN113704429A (zh) 基于半监督学习的意图识别方法、装置、设备及介质
CN113821622B (zh) 基于人工智能的答案检索方法、装置、电子设备及介质
CN115002200A (zh) 基于用户画像的消息推送方法、装置、设备及存储介质
CN114398557B (zh) 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN112988963A (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN112507663A (zh) 基于文本的判断题生成方法、装置、电子设备及存储介质
CN112528013A (zh) 文本摘要提取方法、装置、电子设备及存储介质
CN113360654A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN113807973A (zh) 文本纠错方法、装置、电子设备及计算机可读存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN114880449A (zh) 智能问答的答复生成方法、装置、电子设备及存储介质
CN114610855A (zh) 对话回复生成方法、装置、电子设备及存储介质
CN114138243A (zh) 基于开发平台的功能调用方法、装置、设备及存储介质
CN113627160A (zh) 文本纠错方法、装置、电子设备及存储介质
CN113656690A (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN112507728A (zh) 智能对话方法、装置、电子设备及存储介质
CN113420542B (zh) 对话生成方法、装置、电子设备及存储介质
CN115203364A (zh) 软件故障反馈处理方法、装置、设备及可读存储介质
CN114780688A (zh) 基于规则匹配的文本质检方法、装置、设备及存储介质
CN115510188A (zh) 文本关键词关联方法、装置、设备及存储介质
CN114595321A (zh) 问题标注方法、装置、电子设备及存储介质
CN114943306A (zh) 意图分类方法、装置、设备及存储介质
CN114219367A (zh) 用户评分方法、装置、设备及存储介质
CN114518993A (zh) 基于业务特征的系统性能监控方法、装置、设备及介质
CN114385815A (zh) 基于业务需求的新闻筛选方法、装置、设备及存储介质

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