CN115049511A - 基于人工智能的标签生成方法、装置、设备及存储介质 - Google Patents

Abstract

本申请实施例属于人工智能领域，涉及一种基于人工智能的标签生成方法，包括：获取目标用户的原始用户数据；对原始用户信息进行预处理得到第一用户数据；基于预设的特征选择算法对第一用户数据进行筛选处理，得到第二用户数据；将第二用户数据输入至预设的稀疏表示模型内，通过稀疏表示模型对第二用户数据进行计算处理，生成与第二用户数据对应的输出结果；基于输出结果生成与目标用户对应的目标用户标签。本申请还提供一种基于人工智能的标签生成装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，目标用户标签可存储于区块链中。本申请通过使用稀疏表示模型来生成目标用户的目标标签，有效提高了用户标签数据的处理效率与准确性。

Description

基于人工智能的标签生成方法、装置、设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及基于人工智能的标签生成方法、装置、设备及存储介质。

背景技术

在当前万物互联的大趋势下，保险行业也不例外的走向了互联网保险，当下的青年人已然成为了消费主力。在数字化转型过程中，如果能高效利用用户线索构建精准客户画像，使得看似没有意义的线索数据能够转化为业务服务，进而细分市场，实现精准营销，是保险公司在现今互联网保险行业保持领先地位的关键因素。

客户画像需要根据用户标签构建得到，而用户标签则需要根据海量的用户线索分析生成。现有的构建用户标签的方式通常是将来源于各渠道的用户线索数据，通过由开发人员预先配置的匹配规则进行数据筛选、清洗，即通过传统的代码编写对用户线索数据进行一轮轮的规则校验，进而清洗得到相对干净的用户数据。由于采集的原始线索数据来源渠道多、数据体量大、数据质量参差且维度也不尽相同，采用现有的标签构建方式生成用户标签需要花费较多的处理时间，处理效率低下，且生成的用户标签的准确性也不高。

发明内容

本申请实施例的目的在于提出一种基于人工智能的标签生成方法、装置、计算机设备及存储介质，以解决现有的基于匹配规则的标签构建方式生成用户标签需要花费较多的处理时间，处理效率低下，且生成的用户标签的准确性也不高的技术问题。

为了解决上述技术问题，本申请实施例提供一种基于人工智能的标签生成方法，采用了如下所述的技术方案：

获取目标用户的原始用户数据；

对所述原始用户信息进行预处理得到第一用户数据；

基于预设的特征选择算法对所述第一用户数据进行筛选处理，得到处理后的第二用户数据；

将所述第二用户数据输入至预设的稀疏表示模型内，通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果；

基于所述输出结果生成与所述目标用户对应的目标用户标签。

进一步的，所述特征选择算法包括第一特征选择算法与第二特征选择算法，所述基于预设的特征选择算法对所述第一用户数据进行筛选处理，得到处理后的第二用户数据的步骤，具体包括：

对所述第一用户数据进行特征构建，得到对应的用户特征数据；

基于所述第一特征选择算法对所述用户特征数据进行筛选处理，得到第一用户特征数据；

基于所述第二特征筛选算法对所述用户特征数据进行筛选处理，得到第二用户特征数据；

基于所述第一用户特征数据与所述第二用户特征数据生成所述第二用户数据。

进一步的，所述通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果的步骤，具体包括：

通过所述稀疏表示模型，将所述第二用户数据输入至预设的字典学习公式内；

对所述字典学习公式进行求解得到与所述第二用户数据对应的稀疏解；其中，所述稀疏解包括目标字典矩阵，以及与所述第二用户数据对应的稀疏表示；

将所述目标字典矩阵与所述稀疏表示作为所述输出结果。

进一步的，在所述将所述第二用户数据输入至预设的稀疏表示模型内，通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果的步骤之前，还包括：

采集历史用户的历史用户数据；

对所述历史用户数据进行预处理得到样本数据，并将所述样本数据划分为训练数据与测试数据；

调用预设的初始模型；

基于所述字典学习公式，使用所述训练数据对所述初始模型进行训练，得到训练后的初始模型；

基于所述测试数据对所述训练后的初始模型进行验证；

当验证通过时结束训练，并将所述训练后的初始模型作为所述稀疏表示模型。

进一步的，在所述基于所述输出结果生成与所述目标用户对应的目标用户标签的步骤之后，还包括：

调用预设的画像模型；

基于所述目标用户标签与所述画像模型，生成所述目标用户的用户画像；

存储所述用户画像。

进一步的，在所述基于所述目标用户标签与所述画像模型，生成所述目标用户的用户画像的步骤之后，还包括：

确定与所述目标用户对应的相似用户；

获取与所述相似用户对应的历史推荐信息；

基于所述用户画像确定第一推荐信息集；

基于所述历史推荐信息确定第二推荐信息集；

基于所述第一推荐信息集与所述第二推荐信息集，生成与所述目标用户对应的目标推荐信息；

在预设时间段内，将所述目标推荐信息推送给所述目标用户。

进一步的，所述基于所述第一推荐信息集与所述第二推荐信息集，生成与所述目标用户对应的目标推荐信息的步骤，具体包括：

基于所述用户画像对所述第二推荐信息集进行过滤处理，得到第三推荐信息集；

对所述第三推荐信息集与所述第一推荐信息集进行合并处理，得到第四推荐信息集；

获取所述第四推荐信息集中重复出现的所有指定推荐信息；

将所有所述指定推荐信息作为所述目标推荐信息。

为了解决上述技术问题，本申请实施例还提供一种基于人工智能的标签生成装置，采用了如下所述的技术方案：

第一获取模块，用于获取目标用户的原始用户数据；

第一处理模块，用于对所述原始用户信息进行预处理得到第一用户数据；

第二处理模块，用于基于预设的特征选择算法对所述第一用户数据进行筛选处理，得到处理后的第二用户数据；

第一生成模块，用于将所述第二用户数据输入至预设的稀疏表示模型内，通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果；

第二生成模块，用于基于所述输出结果生成与所述目标用户对应的目标用户标签。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

获取目标用户的原始用户数据；

对所述原始用户信息进行预处理得到第一用户数据；

基于预设的特征选择算法对所述第一用户数据进行筛选处理，得到处理后的第二用户数据；

将所述第二用户数据输入至预设的稀疏表示模型内，通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果；

基于所述输出结果生成与所述目标用户对应的目标用户标签。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

获取目标用户的原始用户数据；

对所述原始用户信息进行预处理得到第一用户数据；

基于预设的特征选择算法对所述第一用户数据进行筛选处理，得到处理后的第二用户数据；

将所述第二用户数据输入至预设的稀疏表示模型内，通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果；

基于所述输出结果生成与所述目标用户对应的目标用户标签。

与现有技术相比，本申请实施例主要有以下有益效果：

在获取到目标用户的原始用户数据，会先对原始用户信息进行预处理得到第一用户数据；然后基于预设的特征选择算法对第一用户数据进行筛选处理，得到处理后的第二用户数据；之后将第二用户数据输入至预设的稀疏表示模型内，通过稀疏表示模型对第二用户数据进行计算处理，生成与第二用户数据对应的输出结果；最后基于输出结果生成与目标用户对应的目标用户标签。本申请在获得了目标用户的原始用户数据后，通过使用特征选择算法对原始用户数据进行筛选处理，以及使用稀疏表示模型对处理后的第二用户数据进行计算处理，从而可以快速准确地生成与目标用户对应的目标标签，以实现将复杂的用户信息转化为直接可以服务于业务的高质量的用户标签数据，有效地提高了用户标签数据的处理效率与准确性，并且有利于后续可以基于用户标签数据准确地生成目标用户的用户画像，进而基于用户画像实现对于目标用户的精准营销。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，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是本申请可以应用于其中的示例性系统架构图；

图2根据本申请的基于人工智能的标签生成方法的一个实施例的流程图；

图3是根据本申请的基于人工智能的标签生成装置的一个实施例的结构示意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

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。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103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、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于人工智能的标签生成方法一般由服务器/终端设备执行，相应地，基于人工智能的标签生成装置一般设置于服务器/终端设备中。

应该理解，图1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。

继续参考图2，示出了根据本申请的基于人工智能的标签生成方法的一个实施例的流程图。所述的基于人工智能的标签生成方法，包括以下步骤：

步骤S201，获取目标用户的原始用户数据。

在本实施例中，基于人工智能的标签生成方法运行于其上的电子设备(例如图1所示的服务器/终端设备)。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

在本实施例中，原始用户数据为通过多个渠道收集的海量、高维的原始用户线索数据，原始用户数据具体可包括用户的内在信息，例如性别、年龄、收入等，以及用户的外在信息，例如消费能力、兴趣爱好、往年保费等数据。另外，上述多个渠道可包括线下渠道、线上渠道、电话渠道等。

步骤S202，对所述原始用户信息进行预处理得到第一用户数据。

在本实施例中，预处理包括数据清洗及数据归一化处理。在对获得的原始用户信息进行数据清洗时，可使用python中pandas包的dropna方法去除因格式或采集错误产生的错误数据和空值，完成数据清洗过程，以得到处理后的第一用户数据。同时，由于在原始用户数据中，由于不同的输入变量之间数值大小以及量纲不同，因此在后续进行的网络训练前需要对数据进行归一化处理，即把第一用户数据中的所有数据都转化为[0,1]范围内，具体函数形式可为:x＝x-x_min/x_max-x_min，其中x_max为样本最大值，x_min为样本最小值。另外，上述预处理还可包括过滤噪声值与填补缺失值等处理。

步骤S203，基于预设的特征选择算法对所述第一用户数据进行筛选处理，得到处理后的第二用户数据。

在本实施例中，对于上述特征选择算法的数量不作具体限定，例如可包括一种特征选择算法，或者还可包括两种不同的特征选择算法。具体的，上述特征选择算法可包括主成分分析法、互信息算法、最大相关和最小冗余算法中的任意一种或两种。如果特征选择算法包括第一特征选择算法与第二特征选择算法。则生成第二用户数据的过程可包括：对第一用户数据进行特征构建，得到对应的用户特征数据；基于第一特征选择算法对用户特征数据进行筛选处理，得到第一用户特征数据；以及基于所述第二特征筛选算法对用户特征数据进行筛选处理，得到第二用户特征数据；基于第一用户特征数据与第二用户特征数据生成第二用户数据。

步骤S204，将所述第二用户数据输入至预设的稀疏表示模型内，通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果。

在本实施例中，稀疏表示是指寻找一个低维矩阵，使用该矩阵中元素的线性组合，可以表示一个高维的样本数据，也即为普通稠密表达的样本找到合适的字典，将样本转化为合适的稀疏表达形式，从而使学习任务得以简化，模型复杂度得以降低，通常称为“字典学习”(dictionary learning)，亦称“稀疏编码”(sparse coding)，本申请可将稀疏表示应用于构建用户标签的场景中，举例地，用户数据也可称为用户线索数据，假设X表示一个用户线索矩阵，维度为M*N，M为用户线索的数量，即每一行代表一条用户线索，N为用户线索的不同维度，即每一列代表一个属性，比如用户年龄、车龄等。一般情况下，X矩阵的大多数元素不为0，我们称X矩阵是稠密的，反之X矩阵是稀疏的。在这个构建用户标签的场景中稀疏表示就可以理解为：寻找一个字典矩阵D(M*K)和一个系数矩阵A(K*N)，使得D*A能够尽可能的还原X,与此同时A尽可能的稀疏，那么，D便称为X的稀疏表达。其中，上述稀疏表示模型可基于预设的字典学习公式以及预先采集的历史用户的历史用户数据训练生成。另外，通过稀疏表示模型生成与第二用户数据对应的输出结果的过程可包括：通过稀疏表示模型，将第二用户数据输入至字典学习公式内；对字典学习公式进行求解得到与所述第二用户数据对应的稀疏解；其中，所述稀疏解包括目标字典矩阵，以及与第二用户数据对应的稀疏表示；将目标字典矩阵与稀疏表示作为输出结果。

步骤S205，基于所述输出结果生成与所述目标用户对应的目标用户标签。

在本实施例中，上述输出结果为对字典学习公式进行求解得到与所述第二用户数据对应的稀疏解。可从稀疏解中提取出与第二用户数据对应的稀疏表示，并将该稀疏表示作为该目标用户对应的目标用户标签。

本申请在获取到目标用户的原始用户数据，会先对原始用户信息进行预处理得到第一用户数据；然后基于预设的特征选择算法对第一用户数据进行筛选处理，得到处理后的第二用户数据；之后将第二用户数据输入至预设的稀疏表示模型内，通过稀疏表示模型对第二用户数据进行计算处理，生成与第二用户数据对应的输出结果；最后基于输出结果生成与目标用户对应的目标用户标签。本申请在获得了目标用户的原始用户数据后，通过使用特征选择算法对原始用户数据进行筛选处理，以及使用稀疏表示模型对处理后的第二用户数据进行计算处理，从而可以快速准确地生成与目标用户对应的目标标签，以实现将复杂的用户信息转化为直接可以服务于业务的高质量的用户标签数据，有效地提高了用户标签数据的处理效率与准确性，并且有利于后续可以基于用户标签数据准确地生成目标用户的用户画像，进而基于用户画像实现对于目标用户的精准营销。

在一些可选的实现方式中，所述特征选择算法包括第一特征选择算法与第二特征选择算法，步骤S203包括以下步骤：

对所述第一用户数据进行特征构建，得到对应的用户特征数据。

在本实施例中，可以通过特征工程来对第一用户数据进行特征构建以生成相应的用户特征数据。

基于所述第一特征选择算法对所述用户特征数据进行筛选处理，得到第一用户特征数据。

在本实施例中，上述第一特征选择算法具体可采用Relief特征选择算法，Relief特征选择算法运行效率高，对数据类型没有限制，属于一种特征权重算法，算法会赋予所有和类别相关性高的特征较高的权重，并基于特征权重从所有特征中进一步筛选出于类别相关性较高的特征作为重要性高的特征。

基于所述第二特征筛选算法对所述用户特征数据进行筛选处理，得到第二用户特征数据。

在本实施例中，上述第二特征筛选算法具体可采用主成分分析法。基于主成分分析法对用户特征数据进行筛选处理，得到第二用户特征数据的过程可包括：基于用户特征数据构建相关系数矩阵；基于主成分分析算法对相关系数矩阵进行降维处理，得到多个主成分；计算每个主成分的方差贡献率，将所有方差贡献率按照从大到小的顺序进行排序，并依次累加直至超过预设的累加方差贡献率阈值；从所有方差贡献率中筛选出与累加处理对应的目标主成分，并将目标主成分对应的特征作为第二用户特征数据。其中，对于累加方差贡献率阈值的取值不作具体限定，可根据实际需求进行设置。

基于所述第一用户特征数据与所述第二用户特征数据生成所述第二用户数据。

在本实施例中，生成第二用户数据的过程可包括：对第一用户特征数据与第二用户特征数据进行合并得到特征数据集合；从特征数据集合中筛选出重复出现的特征数据；将重复出现的特征数据作为第二用户数据。

本申请通过使用第一特征选择算法对用户特征数据进行筛选处理，得到第一用户特征数据，以及使用第二特征筛选算法对用户特征数据进行筛选处理，得到第二用户特征数据，进而对得到的第一用户特征数据与第二用户特征数据进行合并匹配处理以生成所需的第二用户数据，得到的第二用户数据为对第一用户数据进行了初步筛选后的数据，其保留了与用户标签的相关性较强的特征数据，这样可以有效删除特征空间中的噪声数据，减小饱和度识别建模误差，并且可以减小噪声对模型的干扰作用，还能降低算法复杂度，由于输入数据维数的降低以及数据量的减少，从而有利于减少后续的稀疏表示模型进行计算处理所需的处理时间，进而有效提高稀疏表示模型生成用户标签的处理效率。

在本实施例的一些可选的实现方式中，步骤S204包括以下步骤：

通过所述稀疏表示模型，将所述第二用户数据输入至预设的字典学习公式内。

在本实施例中，稀疏表示模型的处理过程可称为优化问题的过程，上述字典学习公式具体为：

其中，x_i表示第i个用户的第二用户数据，D表示字典矩阵，α_i为x_i的稀疏表示，λ为大于0的数。上述字典学习公式中的第一个加数累加项表达了字典学习的第一个目标：字典矩阵与稀疏表示的线性组合尽可能的还原样本，即字典矩阵D与稀疏表示矩阵A(A{α₁,α₂,…,α_i})的线性表达尽可能的还原X；第二个加数累加项表达了第二个目标：稀疏表示矩阵A尽可能的稀疏。因此，字典学习的目标便是学习出满足上述最优问题的字典矩阵D以及稀疏表示矩阵A(A{α₁,α₂,…,α_i})。需要说明的是：1).L₀范数和L₁范数都可以表示稀疏性，而这里第二个加数累加项使用L₁范数是因为其具有更好的优化求解特性,而L₀范数很难优化求解，即是一个NP难问题；2).第一个加数累加项使用L₂范数而不是L₂范数，是因为L₁范数趋向产生少量特征，其他特征都等于0，L₂范数会选择更多特征，这些特征都接近于0，而等于0和接近于0差别很大。从学习理论角度来讲，L₂范数可以防止过拟合，提升模型的泛化能力；从优化计算角度来讲，L₂范数有助于处理condition number远大于1的情况下矩阵求逆很困难的问题。因此，这里选择使用L₂范数。

对所述字典学习公式进行求解得到与所述第二用户数据对应的稀疏解；其中，所述稀疏解包括目标字典矩阵，以及与所述第二用户数据对应的稀疏表示。

在本实施例中，对字典学习公式进行求解的过程分为两个阶段:第一阶段，固定矩阵字典D对α_i进行优化；第二阶段，固定A对矩阵字典D进行优化。两个阶段可以采用多种算法进行处理，优选地，第一阶段可采用Proximal Gradient Descent算法进行求解，二阶段可采用K-SVD方法进行求解。如此反复迭代，求得最终的字典矩阵D以及X的稀疏表示A(A{α₁,α₂,…,α_i})。

将所述目标字典矩阵与所述稀疏表示作为所述输出结果。

本申请通过使用稀疏表示模型对第二用户数据进行处理，从而可以输出与第二用户数据对应的输出结果，有利于后续可以基于输出结果快速地生成与目标用户对应的目标标签，以实现将复杂的用户信息转化为直接可以服务于业务的高质量的用户标签数据，进而后续可以基于客户标签数据准确地生成目标用户的用户画像。

在一些可选的实现方式中，在步骤S204之前，上述电子设备还可以执行以下步骤：

采集历史用户的历史用户数据。

在本实施例中，可以采集历史用户在预设时间周期内的历史用户数据，对于上述预设时间周期的取值不作具体限定，可根据实际的使用需求进行设置，例如可为距离当前时间的前一个月内，或者前一个星期内。另外，历史用户可指在客户数据库中有数据记录的客户。

对所述历史用户数据进行预处理得到样本数据，并将所述样本数据划分为训练数据与测试数据。

在本实施例中，对历史用户数据进行预处理得到样本数据的处理过程，可参照前述对原始用户信息进行预处理的过程，在此不做过多阐述。另外，可以按照预设比例将样本数据集划分为训练数据与测试数据。预设比例可根据实际需求预先设定，比如可设为8:2，即训练数据中的样本数目与测试数据中的样本数目的比例为8:2。

调用预设的初始模型。

基于所述字典学习公式，使用所述训练数据对所述初始模型进行训练，得到训练后的初始模型。

在本实施例中，初始模型的训练过程就是利用训练数据对字典学习公式进行求解，从而得到训练完成的初始模型。

基于所述测试数据对所述训练后的初始模型进行验证。

在本实施例中，基于测试数据对训练后的初始模型进行验证是指，通过测试数据对该训练后的初始模型进行模型性能评价，如验证训练后的初始模型在每一次对测试数据进行处理时的处理状态与处理时效，如果每一次的处理状态均为正常状态且每一次的处理时效均满足正常处理时效，则判定训练后的初始模型通过验证并可结束训练。

当验证通过时结束训练，并将所述训练后的初始模型作为所述稀疏表示模型。

本申请通过使用采集得到的历史用户的历史用户数据作为训练数据来训练生成稀疏表示模型，使得后续可以使用稀疏表示模型来快速准确地生成与目标用户对应的目标用户标签，以实现将复杂的用户信息转化为直接可以服务于业务的高质量的用户标签数据，进而后续可以基于用户标签数据准确地生成目标用户的用户画像。

在一些可选的实现方式中，在步骤S205之后，上述电子设备还可以执行以下步骤：

调用预设的画像模型。

在本实施例中，上述画像模型可采用现有常用的画像模型，例如可为漏斗转化模型、Kano模型、用户价值模型、FOGG模型、AARRR模型中的任意一个。

基于所述目标用户标签与所述画像模型，生成所述目标用户的用户画像。

在本实施例中，使用画像模型对目标用户标签进行对于目标用户的用户画像的构建方式，可参照现有模型的画像构建方式，在此不作过多阐述。

存储所述用户画像。

在本实施例中，对于用户画像的存储方式不作具体限定，例如可存储于本地或存储于区块链中，等等。

本申请在使用稀疏表示模型生成目标用户的目标标签后，进一步通过使用画像模型可以基于该目标标签生成与目标用户对应的用户画像，使得后续可以基于生成的用户画像实现对于目标用户的精准营销，有利于提高用户使用体验。

在本实施例的一些可选的实现方式中，在上述基于所述目标用户标签与所述画像模型，生成所述目标用户的用户画像的步骤之后，上述电子设备还可以执行以下步骤：

确定与所述目标用户对应的相似用户。

在本实施例中，上述相似用户是指与目标用户在某些维度相似度较高的用户。具体的，该相似用户可以是与目标用户的爱好接近的用户，或者也可以是与目标用户的地址位置接近的用户、该目标用户的好友等等。

获取与所述相似用户对应的历史推荐信息。

在本实施例中，获取历史推荐信息，具体可指获取相似用户在预设的历史时间段内的历史推荐信息，如最近一个月内、最近一周内。

基于所述用户画像确定第一推荐信息集。

在本实施例中，确定第一推荐信息集的过程可包括：根据目标对象的用户画像确定出代表该目标用户的一些关键特征，再根据得到的关键特征从现有的推荐信息集合中匹配出符合该目标用户的推荐信息，以得到上述第一推荐信息集。

基于所述历史推荐信息确定第二推荐信息集。

在本实施例中，确定第二推荐信息集的过程包括：可以获取上述历史时间段内推荐给相似用户的所有推荐信息作为第二推荐信息集，也可以只获取上述历史时间段内推荐给相似用户的所有推荐信息中的部分推荐信息，例如可以获取查阅量高的推荐信息、采纳率高的推荐信息等作为第二推荐信息集。

基于所述第一推荐信息集与所述第二推荐信息集，生成与所述目标用户对应的目标推荐信息。

在本实施例中，对于生成目标推荐信息的方式不作具体限定。举例地，可以对第一推荐信息集和第二推荐信息集取交集，再将取交集得到的推荐信息作为目标推荐信息，这样得到的目标推荐信息的推荐度更高、也具有更高的准确度。

在预设时间段内，将所述目标推荐信息推送给所述目标用户。

在本实施例中，对于上述预设时间段的具体取值不作限定，可根据实际的使用需求进行设置。具体的，可以获取目标用户的空闲时间段，并将该空闲时间段作为预设时间段。空闲时间段是指一天中除目标用户的工作时间段与睡眠时间段之外的其它时间段。通过在空闲时间段内将目标推荐信息推送给目标用户，可以避免目标用户在不方便的时间段受到打扰，有利于保证用户体验。

本申请在向目标用户推荐信息时，会智能地结合目标用户的相似用户的历史推荐信息进行推荐，从而可以将更丰富的推荐信息来向目标用户进行推荐，有利于提升用户体验。另外，对于冷启动用户、不活动用户等自身数据较少的目标用户，也可以充分利用其相似用户进行推荐，有利于增加信息推荐的处理智能性与推荐准确性。

在本实施例的一些可选的实现方式中，上述基于所述第一推荐信息集与所述第二推荐信息集，生成与所述目标用户对应的目标推荐信息，包括以下步骤：

基于所述用户画像对所述第二推荐信息集进行过滤处理，得到第三推荐信息集。

在本实施例中，在根据相似用户的历史推荐信息得到第二推荐信息集后，还可进一步基于目标用户的用户画像对该第二推荐信息集进行过滤。具体的，可以根据目标用户的用户画像分析出用户的兴趣偏好、特点，然后基于分析得到的信息从第二推荐信息集中过滤不符合目标用户的兴趣偏好的推荐信息，从而有利于后续可以向目标用户推荐更加符合其需求的推荐信息，提高用户体验。

对所述第三推荐信息集与所述第一推荐信息集进行合并处理，得到第四推荐信息集。

获取所述第四推荐信息集中重复出现的所有指定推荐信息。

将所有所述指定推荐信息作为所述目标推荐信息。

在本实施例中，通过对第三推荐信息集和第一推荐信息集进行合并处理得到第四推荐信息集，再将第四推荐信息集中重复出现的所有指定推荐信息作为目标推荐信息，这样使得最终得到的目标推荐信息的推荐度更高、准确度更高。

本申请在得到了第一推荐信息集合与第二推荐信息集合后，通过对第二推荐信息集合进行过滤处理得到第三推荐信息集合，再对第三推荐信息集合与第一推荐信息集合进行取交集处理以得到最终的目标推荐信息，以实现基于历史推荐信息和目标对象的用户画像确定出推荐给目标对象的推荐信息，从而可以向目标对象推荐更丰富的信息，有效增加了信息推荐的处理智能性与推荐准确性，提高了用户体验。

需要强调的是，为进一步保证上述目标用户标签的私密和安全性，上述目标用户标签还可以存储于一区块链的节点中。

本申请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。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的标签生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的基于人工智能的标签生成装置300包括：第一获取模块301、第一处理模块302、第二处理模块303、第一生成模块304以及第二生成模块305。其中：

第一获取模块301，用于获取目标用户的原始用户数据；

第一处理模块302，用于对所述原始用户信息进行预处理得到第一用户数据；

第二处理模块303，用于基于预设的特征选择算法对所述第一用户数据进行筛选处理，得到处理后的第二用户数据；

第一生成模块304，用于将所述第二用户数据输入至预设的稀疏表示模型内，通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果；

第二生成模块305，用于基于所述输出结果生成与所述目标用户对应的目标用户标签。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的标签生成方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，所述特征选择算法包括第一特征选择算法与第二特征选择算法，第二处理模块303包括：

构建子模块，用于对所述第一用户数据进行特征构建，得到对应的用户特征数据；

第一处理子模块，用于基于所述第一特征选择算法对所述用户特征数据进行筛选处理，得到第一用户特征数据；

第二处理子模块，用于基于所述第二特征筛选算法对所述用户特征数据进行筛选处理，得到第二用户特征数据；

生成子模块，用于基于所述第一用户特征数据与所述第二用户特征数据生成所述第二用户数据。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的标签生成方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中,第一生成模块304包括：

输入子模块，用于通过所述稀疏表示模型，将所述第二用户数据输入至预设的字典学习公式内；

求解子模块，用于对所述字典学习公式进行求解得到与所述第二用户数据对应的稀疏解；其中，所述稀疏解包括目标字典矩阵，以及与所述第二用户数据对应的稀疏表示；

第一确定子模块，用于将所述目标字典矩阵与所述稀疏表示作为所述输出结果。

本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的标签生成方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的标签生成装置还包括：

采集模块，用于采集历史用户的历史用户数据；

划分模块，用于对所述历史用户数据进行预处理得到样本数据，并将所述样本数据划分为训练数据与测试数据；

第一调用模块，用于调用预设的初始模型；

训练模块，用于基于所述字典学习公式，使用所述训练数据对所述初始模型进行训练，得到训练后的初始模型；

验证模块，用于基于所述测试数据对所述训练后的初始模型进行验证；

第一确定模块，用于当验证通过时结束训练，并将所述训练后的初始模型作为所述稀疏表示模型。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的标签生成方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的标签生成装置还包括：

第二调用模块，用于调用预设的画像模型；

第三生成模块，用于基于所述目标用户标签与所述画像模型，生成所述目标用户的用户画像；

存储模块，用于存储所述用户画像。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的标签生成方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的标签生成装置还包括：

第二确定模块，用于确定与所述目标用户对应的相似用户；

第二获取模块，用于获取与所述相似用户对应的历史推荐信息；

第三确定模块，用于基于所述用户画像确定第一推荐信息集；

第四确定模块，用于基于所述历史推荐信息确定第二推荐信息集；

第四生成模块，用于基于所述第一推荐信息集与所述第二推荐信息集，生成与所述目标用户对应的目标推荐信息；

推送模块，用于在预设时间段内，将所述目标推荐信息推送给所述目标用户。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的标签生成方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，第四生成模块，包括：

第三处理子模块，用于基于所述用户画像对所述第二推荐信息集进行过滤处理，得到第三推荐信息集；

第四处理子模块，用于对所述第三推荐信息集与所述第一推荐信息集进行合并处理，得到第四推荐信息集；

获取子模块，用于获取所述第四推荐信息集中重复出现的所有指定推荐信息；

第二确定子模块，用于将所有所述指定推荐信息作为所述目标推荐信息。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的标签生成方法的步骤一一对应，在此不再赘述。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的标签生成方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的标签生成方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例中，在获取到目标用户的原始用户数据，会先对原始用户信息进行预处理得到第一用户数据；然后基于预设的特征选择算法对第一用户数据进行筛选处理，得到处理后的第二用户数据；之后将第二用户数据输入至预设的稀疏表示模型内，通过稀疏表示模型对第二用户数据进行计算处理，生成与第二用户数据对应的输出结果；最后基于输出结果生成与目标用户对应的目标用户标签。本申请在获得了目标用户的原始用户数据后，通过使用特征选择算法对原始用户数据进行筛选处理，以及使用稀疏表示模型对处理后的第二用户数据进行计算处理，从而可以快速准确地生成与目标用户对应的目标标签，以实现将复杂的用户信息转化为直接可以服务于业务的高质量的用户标签数据，有效地提高了用户标签数据的处理效率与准确性，并且有利于后续可以基于用户标签数据准确地生成目标用户的用户画像，进而基于用户画像实现对于目标用户的精准营销。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的标签生成方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例中，在获取到目标用户的原始用户数据，会先对原始用户信息进行预处理得到第一用户数据；然后基于预设的特征选择算法对第一用户数据进行筛选处理，得到处理后的第二用户数据；之后将第二用户数据输入至预设的稀疏表示模型内，通过稀疏表示模型对第二用户数据进行计算处理，生成与第二用户数据对应的输出结果；最后基于输出结果生成与目标用户对应的目标用户标签。本申请在获得了目标用户的原始用户数据后，通过使用特征选择算法对原始用户数据进行筛选处理，以及使用稀疏表示模型对处理后的第二用户数据进行计算处理，从而可以快速准确地生成与目标用户对应的目标标签，以实现将复杂的用户信息转化为直接可以服务于业务的高质量的用户标签数据，有效地提高了用户标签数据的处理效率与准确性，并且有利于后续可以基于用户标签数据准确地生成目标用户的用户画像，进而基于用户画像实现对于目标用户的精准营销。

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，本申请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，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上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，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于人工智能的标签生成方法，其特征在于，包括下述步骤：

获取目标用户的原始用户数据；

对所述原始用户信息进行预处理得到第一用户数据；

基于预设的特征选择算法对所述第一用户数据进行筛选处理，得到处理后的第二用户数据；

将所述第二用户数据输入至预设的稀疏表示模型内，通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果；

基于所述输出结果生成与所述目标用户对应的目标用户标签。

2.根据权利要求1所述的基于人工智能的标签生成方法，其特征在于，所述特征选择算法包括第一特征选择算法与第二特征选择算法，所述基于预设的特征选择算法对所述第一用户数据进行筛选处理，得到处理后的第二用户数据的步骤，具体包括：

对所述第一用户数据进行特征构建，得到对应的用户特征数据；

基于所述第一特征选择算法对所述用户特征数据进行筛选处理，得到第一用户特征数据；

基于所述第二特征筛选算法对所述用户特征数据进行筛选处理，得到第二用户特征数据；

基于所述第一用户特征数据与所述第二用户特征数据生成所述第二用户数据。

3.根据权利要求1所述的基于人工智能的标签生成方法，其特征在于，所述通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果的步骤，具体包括：

通过所述稀疏表示模型，将所述第二用户数据输入至预设的字典学习公式内；

对所述字典学习公式进行求解得到与所述第二用户数据对应的稀疏解；其中，所述稀疏解包括目标字典矩阵，以及与所述第二用户数据对应的稀疏表示；

将所述目标字典矩阵与所述稀疏表示作为所述输出结果。

4.根据权利要求3所述的基于人工智能的标签生成方法，其特征在于，在所述将所述第二用户数据输入至预设的稀疏表示模型内，通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果的步骤之前，还包括：

采集历史用户的历史用户数据；

对所述历史用户数据进行预处理得到样本数据，并将所述样本数据划分为训练数据与测试数据；

调用预设的初始模型；

基于所述字典学习公式，使用所述训练数据对所述初始模型进行训练，得到训练后的初始模型；

基于所述测试数据对所述训练后的初始模型进行验证；

当验证通过时结束训练，并将所述训练后的初始模型作为所述稀疏表示模型。

5.根据权利要求1所述的基于人工智能的标签生成方法，其特征在于，在所述基于所述输出结果生成与所述目标用户对应的目标用户标签的步骤之后，还包括：

调用预设的画像模型；

基于所述目标用户标签与所述画像模型，生成所述目标用户的用户画像；

存储所述用户画像。

6.根据权利要求5所述的基于人工智能的标签生成方法，其特征在于，在所述基于所述目标用户标签与所述画像模型，生成所述目标用户的用户画像的步骤之后，还包括：

确定与所述目标用户对应的相似用户；

获取与所述相似用户对应的历史推荐信息；

基于所述用户画像确定第一推荐信息集；

基于所述历史推荐信息确定第二推荐信息集；

基于所述第一推荐信息集与所述第二推荐信息集，生成与所述目标用户对应的目标推荐信息；

在预设时间段内，将所述目标推荐信息推送给所述目标用户。

7.根据权利要求6所述的基于人工智能的标签生成方法，其特征在于，所述基于所述第一推荐信息集与所述第二推荐信息集，生成与所述目标用户对应的目标推荐信息的步骤，具体包括：

基于所述用户画像对所述第二推荐信息集进行过滤处理，得到第三推荐信息集；

对所述第三推荐信息集与所述第一推荐信息集进行合并处理，得到第四推荐信息集；

获取所述第四推荐信息集中重复出现的所有指定推荐信息；

将所有所述指定推荐信息作为所述目标推荐信息。

8.一种基于人工智能的标签生成装置，其特征在于，包括：

第一获取模块，用于获取目标用户的原始用户数据；

第一处理模块，用于对所述原始用户信息进行预处理得到第一用户数据；

第二处理模块，用于基于预设的特征选择算法对所述第一用户数据进行筛选处理，得到处理后的第二用户数据；

第一生成模块，用于将所述第二用户数据输入至预设的稀疏表示模型内，通过所述稀疏表示模型对所述第二用户数据进行计算处理，生成与所述第二用户数据对应的输出结果；

第二生成模块，用于基于所述输出结果生成与所述目标用户对应的目标用户标签。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的标签生成方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的标签生成方法的步骤。

Images