CN116204740A - 标签确定方法、信息推荐方法、装置、设备及存储介质 - Google Patents

标签确定方法、信息推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116204740A
CN116204740A CN202310218927.1A CN202310218927A CN116204740A CN 116204740 A CN116204740 A CN 116204740A CN 202310218927 A CN202310218927 A CN 202310218927A CN 116204740 A CN116204740 A CN 116204740A
Authority
CN
China
Prior art keywords
information
preset
library
current
determining
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
CN202310218927.1A
Other languages
English (en)
Inventor
迟禄
袁泽寰
卢靓妮
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.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network Technology 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 Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202310218927.1A priority Critical patent/CN116204740A/zh
Publication of CN116204740A publication Critical patent/CN116204740A/zh
Priority to PCT/CN2024/080673 priority patent/WO2024183805A1/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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • 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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开实施例公开了标签确定方法、信息推荐方法、装置、设备及存储介质，涉及计算机技术领域。标签确定方法包括：确定待入库的当前信息与预设信息库中的各库内信息的相似度，针对预设相似度阈值集合中的每个预设相似度阈值，从预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于目标库内信息集合中的库内信息的目标多粒度标签，确定当前预设相似度阈值对应的子标签，其中，目标库内信息集合中的库内信息的相似度大于当前预设相似度阈值，根据预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定当前信息的多粒度标签。通过采用上述技术方案，可为信息设置多粒度标签，对信息的表征更加精细，自动化程度高且效率高。

Description

标签确定方法、信息推荐方法、装置、设备及存储介质
技术领域
本公开实施例涉及计算机技术领域，尤其涉及标签确定方法、信息推荐方法、装置、设备及存储介质。
背景技术
随着信息技术的快速发展以及互联网的普及，用户能够接触到的信息越来越多，推荐系统的出现可以有效提高用户的信息获取效率。
目前，推荐系统可以从信息库中筛选合适的信息向用户推荐，信息库中的信息关联有信息标签，信息标签通常基于人工设定。
发明内容
本公开实施例提供了标签确定方法、装置、存储介质及设备，可以优化现有的标签确定方案。
第一方面，本公开实施例提供了标签确定方法，包括：
确定待入库的当前信息与预设信息库中的各库内信息的相似度；
针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，其中，所述预设相似度阈值集合中的预设相似度阈值的数量为至少两个，所述目标库内信息集合中的库内信息的所述相似度大于所述当前预设相似度阈值；
根据所述预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定所述当前信息的多粒度标签。
第二方面，本公开实施例还提供了信息推荐方法，包括：
根据候选信息的多粒度标签确定输入数据，其中，所述候选信息包括预设信息库中的信息，所述预设信息库中的信息的多粒度标签基于本公开实施例任一所述的标签确定方法确定；
将所述输入数据输入至预设信息推荐模型中；
根据所述预设信息推荐模型的输出，从所述候选信息中确定待推荐的目标信息。
第三方面，本公开实施例还提供了标签确定装置，包括：
相似度确定模块，用于确定待入库的当前信息与预设信息库中的各库内信息的相似度；
子标签确定模块，用于针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，其中，所述预设相似度阈值集合中的预设相似度阈值的数量为至少两个，所述目标库内信息集合中的库内信息的所述相似度大于所述当前预设相似度阈值；
多粒度标签确定模块，用于根据所述预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定所述当前信息的多粒度标签。
第四方面，本公开实施例还提供了信息推荐装置，包括：
输入数据确定模块，用于根据候选信息的多粒度标签确定输入数据，其中，所述候选信息包括预设信息库中的信息，所述预设信息库中的信息的多粒度标签基于本公开实施例任一所述的标签确定方法确定；
数据输入模块，用于将所述输入数据输入至预设信息推荐模型中；
信息推荐模块，用于根据所述预设信息推荐模型的输出，从所述候选信息中确定待推荐的目标信息。
第五方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
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，使得所述一个或多个处理器实现本公开实施例提供的方法。
第六方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本公开实施例提供的方法。
本公开实施例提供的标签确定方案，确定待入库的当前信息与预设信息库中的各库内信息的相似度；针对预设相似度阈值集合中的每个预设相似度阈值，从预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于目标库内信息集合中的库内信息的目标多粒度标签，确定当前预设相似度阈值对应的子标签，其中，目标库内信息集合中的库内信息的相似度大于当前预设相似度阈值；根据预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定当前信息的多粒度标签。通过采用上述技术方案，可为信息设置多粒度标签，对信息的表征更加精细，针对每个粒度预先设定相应的相似度阈值，以相似度阈值为基准从库内信息的已有多粒度标签中筛选出用于确定当前信息的子标签，再根据子标签生成对应的多粒度标签，该方案自动化程度高且效率高，可减少人工确定标签所带来的偏差，新增信息可以实现在线实时确定标签，且可快速扩展至大规模的标签体系，有利于提升基于该多粒度标签的信息推荐方案的推荐效果。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例所提供的一种标签确定方法的流程示意图；
图2为本公开实施例所提供的一种标签确定方法的流程示意图；
图3为本公开实施例所提供的一种信息推荐方法的流程示意图；
图4为本公开实施例所提供的一种标签确定装置的结构示意图；
图5为本公开实施例所提供的一种信息推荐装置的结构示意图；
图6为本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
为了便于理解本公开实施例的技术方案，下面对相关技术进行介绍。信息特征可以对信息的特性进行表征，在推荐系统等系统中起到重要作用。相关技术中，信息特征在系统中的应用主要有两种方式：一种是直接以密集特征(dense feature)的形式输入至模型中；另一种是信息标签的形式输入至模型中，其中，信息标签通常基于人工设定，例如人工标注，或由人工进行样本数据的标注，得到训练集后，基于训练集训练标签模型，再利用标签模型对信息进行标签预估。然而，上述两种方式均存在一定的缺点，对于第一种方式，模型的准确度往往不如第二种方式，而第二种方式，人工标注成本高且标签特征粒度较粗，很难扩展至大规模的标签体系，且准确度也有限。
本公开实施例中，可为信息设置多粒度标签，对信息的表征更加精细，标签确定过程自动化程度高且效率高，且有利于提高模型准确度。
图1为本公开实施例所提供的一种标签确定方法的流程示意图，本公开实施例适用于为信息确定标签的情形，该方法可以由标签确定装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是手机、智能手表、平板电脑以及个人数字助理等移动终端，也可以为个人计算机(Personal Computer，PC)端或服务器等设备。
如图1所示，所述方法包括：
步骤101、确定待入库的当前信息与预设信息库中的各库内信息的相似度。
本公开实施例中，信息的种类不做限定，例如可以是在线投放信息(如广告等)、视频、资讯、试题或商品等等。预设信息库可以理解为用于存储已添加多粒度标签的信息的信息库，预设信息库中当前已经存在的信息可记为库内信息，预设信息库还可用于存储库内信息的关联数据，关联数据可以包括如库内信息的特征数据或信息标识等相关数据。待入库的当前信息可理解为即将加入预设信息库的未添加多粒度标签的信息。
示例性的，在将当前信息加入预设信息库之前，可先确定当前信息对应的多粒度标签。在确定标签时，可先确定当前信息与预设信息库中的各库内信息的相似度，相似度的具体确定方式不做限定，例如可以计算当前信息对应的特征数据与库内信息对应的特征数据的相似程度，以该相似程度作为该相似度，确定相似度的过程可以由预设模型完成，例如推荐系统中的召回模型。
可选的，上述特征数据具体可以是密集特征，密集特征是大多数取值为非零的一种特征，通常用取浮点值的张量(tensor)表示，和稀疏特征(sparse feature)相反，而相关技术中的信息标签可以理解为一种稀疏特征。本步骤可包括：获取待入库的当前信息对应的当前密集特征；针对预设信息库中的每个库内信息，计算当前密集特征与当前库内信息对应的当前库内密集特征的相似程度，得到所述当前信息与所述各库内信息的相似度。这样设置的好处在于，密集特征具有较强的灵活性，可以更加全面地表征信息的特征，将密集特征标签化，即对密集特征进行泛化，可以更加准确地得到当前信息与库内信息的相似度。
示例性的，信息对应的密集特征具体可以包括信息的内容特征，以信息包括视频为例，视频对应的密集特征可以包括视频内容特征，还可包括其他特征，如视频类型特征等。密集特征可以基于深度神经网络的特征提取得到。例如，获取待入库的当前信息对应的当前密集特征，可具体包括：基于预设深度神经网络提取待入库的当前信息对应的当前密集特征。库内信息对应的密集特征可以记为库内密集特征。可选的，对于库内信息，可以预先采用预设深度神经网络提取对应的库内密集特征，并对所提取的库内密集特征进行存储，该提取过程可以是该库内信息在入库前确定多粒度标签时完成，这样，在计算当前密集特征与当前库内信息对应的当前库内密集特征的相似程度时，可提高计算效率。在计算上述相似程度时，预设信息库中的各库内信息可以按照预设顺序依次成为当前库内信息，并进行相应的相似程度的计算，直到遍历完成所有库内信息。
步骤102、针对预设相似度阈值集合中的每个预设相似度阈值，从预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于目标库内信息集合中的库内信息的目标多粒度标签，确定当前预设相似度阈值对应的子标签，其中，预设相似度阈值集合中的预设相似度阈值的数量为至少两个，目标库内信息集合中的库内信息的相似度大于当前预设相似度阈值。
本公开实施例中，为信息添加多粒度标签，该多粒度为至少两个粒度，可以针对每个粒度预先设定相应的预设相似度阈值，所有粒度对应的预设相似度阈值构成预设相似度阈值集合，其中，各预设相似度阈值均不相同，具体数值不做限定。例如，多粒度为3个粒度，对应的预设相似度阈值分别为K1、K2和K3，则预设相似度阈值集合可记为[K1，K2，K3]，其中，K1≠K2≠K3。
示例性的，预设相似度阈值集合中的各预设相似度阈值可以按照预设顺序依次成为当前预设相似度阈值，并进行相应的子标签确定，直到遍历完成所有预设相似度阈值。如上述举例，假设当前预设相似度阈值为K1，则将相似度大于K1的库内信息加入K1对应的目标库内信息集合中，并基于目标库内信息集合中的库内信息的目标多粒度标签，确定K1对应的子标签id1，以此类推，再确定K2对应的子标签id2和K3对应的子标签id3。
示例性的，当前预设相似度阈值对应的目标库内信息集合中，各目标库内信息均存在对应的多粒度标签，不同目标库内信息对应的多粒度标签可能相同，也可能不同，可以按照预设确定方式从中确定目标多粒度标签，一般的，当前预设相似度阈值对应的目标多粒度标签的数量为1个。可选的，可将目标多粒度标签确定为当前预设相似度阈值对应的子标签。
示例性的，预设确定方式具体不做限定，例如可以选择目标库内信息集合中出现次数最多的多粒度标签作为目标多粒度标签，还可以结合各多粒度标签对应的相似度来确定等。
步骤103、根据预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定当前信息的多粒度标签。
示例性的，可以按照预设排序规则对子标签进行排序，进而得到当前信息的多粒度标签。预设排序规则例如可以与子标签对应的预设相似度阈值的大小相关联。例如，可以按照所对应的预设相似度阈值从大到小的顺序对子标签进行排序。假设存在n个预设相似度阈值，按照所对应的预设相似度阈值从大到小的顺序对子标签进行排序后可以得到，id1，id2，……，idn，当前信息的多粒度标签ID可表示为ID＝(id1，id2，……，idn)。如上述举例，假设K1>K2>K3，当前信息的多粒度标签ID可表示为ID＝(id1，id2，id3)。
本公开实施例提供的标签确定方法，确定待入库的当前信息与预设信息库中的各库内信息的相似度；针对预设相似度阈值集合中的每个预设相似度阈值，从预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于目标库内信息集合中的库内信息的目标多粒度标签，确定当前预设相似度阈值对应的子标签，其中，目标库内信息集合中的库内信息的相似度大于当前预设相似度阈值；根据预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定当前信息的多粒度标签。通过采用上述技术方案，可为信息设置多粒度标签，对信息的表征更加精细，针对每个粒度设定相应的相似度阈值，以相似度阈值为基准从库内信息的已有多粒度标签中筛选出用于确定当前信息的子标签，再根据子标签生成对应的多粒度标签，该方案自动化程度高且效率高，新增信息可以实现在线实时确定标签，可减少人工确定标签所带来的偏差，且可快速扩展至大规模的标签体系，有利于提升基于该多粒度标签的信息推荐方案的推荐效果。
在一些实施例中，在针对各预设相似度阈值进行子标签的确定之前，可以对库内信息进行预先筛选。示例性的，在所述针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合之前，还包括：基于所述相似度从所述预设信息库中筛选预设数量的相似度最高的库内信息，得到初始库内信息集合。其中，所述针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，包括：针对预设相似度阈值集合中的每个预设相似度阈值，从所述初始库内信息集合中确定当前预设相似度阈值对应的目标库内信息集合。这样设置的好处在于，可以避免大于预设相似度阈值的库内信息过多，增加系统崩溃风险，另外，利用召回模型确定相似度时，通常召回模型的输出为相似度较高的一定数量的结果，因此，可以更好地匹配召回模型，降低确定相似度的成本。
在一些实施例中，也可先确定最小的预设相似度阈值对应的目标库内信息集合(记为集合A)，预设相似度阈值集合中的其他预设相似度阈值对应的目标库内信息集合为集合A的子集。
在一些实施例中，所述基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，包括：针对所述目标库内信息集合中的库内信息对应的每个多粒度标签，确定当前多粒度标签所属库内信息对应的所述相似度，并对所确定的相似度进行累加，得到所述当前多粒度标签的标签分数；将所述标签分数最高的多粒度标签确定为目标多粒度标签，并根据所述目标多粒度标签确定所述当前预设相似度阈值对应的子标签。这样设置的好处在于，可以按照相似度进行累计投票，使得确定的目标多粒度标签能够更加精准地表征当前信息，更加合理准确地确定目标多粒度标签，进而更加合理准确地确定子标签。
在一些实施例中，还包括：在所述目标库内信息集合为空的情况下，基于所述当前信息的信息标识，确定所述当前预设相似度阈值对应的子标签。这样设置的好处在于，保证多粒度标签的完整性。
可选的，可以将当前信息的信息标识直接确定为当前预设相似度阈值对应的子标签。其中，不同信息对应的信息标识可以相同或不同。
可选的，所述信息标识为所述当前信息的唯一标识。这样设置的好处在于，无需对信息进行预分类等操作，提高标签确定的自动化程度，且更加有利于扩展至大规模的标签体系。其中，唯一标识例如可以是字符串，如数字编号或数字与字母组合等，具体形式不做限定。
在一些实施例中，在确定所述当前信息的多粒度标签之后，还可包括：为所述当前信息添加所确定的多粒度标签，并将所述当前信息加入所述预设信息库。
图2为本公开实施例所提供的一种标签确定方法的流程示意图，本公开实施例以上述实施例中各个可选方案为基础进行优化，具体的，该方法包括如下步骤：
步骤201、获取待入库的当前信息对应的当前密集特征。
示例性的，可基于预设深度神经网络提取待入库的当前信息对应的当前密集特征。
步骤202、针对预设信息库中的每个库内信息，计算当前密集特征与当前库内信息对应的当前库内密集特征的相似程度，得到当前信息与各库内信息的相似度。
示例性的，可以利用召回模型来计算当前密集特征与预设信息库中的各库内密集特征的相似程度，得到当前信息与各库内信息的相似度。
步骤203、基于相似度从预设信息库中筛选预设数量的相似度最高的库内信息，得到初始库内信息集合。
示例性的，可利用召回模型来输出与当前信息最相似的X个库内信息，其中，X为预设数量，由该X个库内信息构成初始库内信息集合。
步骤204、针对预设相似度阈值集合中的当前预设相似度阈值，从初始库内信息集合中确定当前预设相似度阈值对应的目标库内信息集合。
示例性的，预设相似度阈值集合中的预设相似度阈值分别为0.95、0.60、0.85、0.80、0.75和0.70，可按照预设相似度阈值从小到大或从大到小的顺序，依次确定当前预设相似度阈值。假设当前预设相似度阈值为0.95，初始库内信息集合中，也即上述X个库内信息中，存在8个库内信息对应的相似度大于0.95，分别为0.99、0.985、0.98、0.97、0.97、0.965、0.962和0.961，则0.95对应的目标库内信息集合中包括该8个库内信息。
其中，若初始库内信息集合中不存在相似度大于0.95的库内信息，则0.95对应的目标库内信息集合为空。
步骤205、针对目标库内信息集合中的库内信息对应的每个多粒度标签，确定当前多粒度标签所属库内信息对应的相似度，并对所确定的相似度进行累加，得到当前多粒度标签的标签分数。
示例性的，假设8个库内信息对应的多粒度标签分别为ID1、ID2、ID3、ID1、ID2、ID3、ID4和ID3，则共出现了4种多粒度标签。ID1对应的标签分数为0.99+0.97＝1.96，ID2对应的标签分数为0.985+0.97＝1.955，ID3对应的标签分数为0.98+0.965+0.961＝2.606，ID4对应的标签分数为0.962。
步骤206、将标签分数最高的多粒度标签确定为目标多粒度标签，并根据目标多粒度标签确定当前预设相似度阈值对应的子标签。
如上述举例，ID3对应的标签分数最高，则当前预设相似度阈值0.95对应的子标签id1＝ID3。
其中，若0.95对应的目标库内信息集合为空，假设当前信息的标识信息记为id，则当前预设相似度阈值0.95对应的子标签id1＝id。
步骤207、判断预设相似度阈值集合中是否存在未遍历的预设相似度阈值，若是，则执行步骤208；否则，执行步骤209。
示例性额，若预设相似度阈值集合中仍存在未确定对应的子标签的预设相似度阈值，则可执行步骤208，将下一个预设相似度阈值确定为当前预设相似度阈值，如将0.60确定为当前预设相似度阈值，并返回执行步骤204，以确定0.60对应的子标签。若最后一个预设相似度阈值0.70，已经确定了对应的子标签，则可执行步骤209，根据各子标签来确定当前信息的多粒度标签。
步骤208、将预设相似度阈值集合中的下一个预设相似度阈值确定为当前预设相似度阈值，返回执行步骤204。
步骤209、根据预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定当前信息的多粒度标签。
示例性的，当前信息的多粒度标签ID可记为(id1，id2，……，id6)。
步骤210、为当前信息添加所确定的多粒度标签，并将当前信息加入预设信息库。
示例性的，将当前信息加入预设信息库中，成为新的库内信息。
可选的，为防止预设信息库溢出，可设定预设删除条件，预设删除条件可根据实际需求设定，如定时删除。例如，每个入库的信息在1个月后自动从预设信息库中删除。
本公开实施例提供的标签确定方法，每个待入库的信息可以按照预先设定的多个相似度阈值将信息的密集特征聚类出内容泛化的标签，因相似度阈值的多样性，最终的聚类结果也是多粒度的，在确定每个相似度阈值对应的子标签时，采用相似度累计投票的方式，使得确定的目标多粒度标签能够更加精准地表征当前信息，对信息特征刻画得更加精细，该聚类方式复杂度较低，自动化程度高且效率高，新增信息可以实现在线实时确定标签，且可快速扩展至大规模的标签体系，将所确定的多粒度标签引入至推荐模型中，可弥补多粒度标签的建模空缺，有利于提升基于该多粒度标签的信息推荐方案的推荐效果。
示例性的，为了便于理解本公开实施例中的多粒度标签，下面以预设相似度阈值为2个为例进行简单说明，假设分别为0.9和0.8。假设初始的预设信息库中库内信息为0个，待入库的当前信息a的唯一标识为1，则信息a的多粒度标签可表示为ID(a)＝(1，1)。下一个待入库的信息b的唯一标识为2，假设信息a和信息b的相似度低于0.8，则信息b的多粒度标签可表示为ID(b)＝(2，2)。下一个待入库的信息c的唯一标识为3，假设信息c和信息a的相似度大于0.8且小于0.9，信息c和信息b的相似度小于0.8，则信息c的多粒度标签可表示为ID(c)＝(3，(1，1))。下一个待入库的信息d的唯一标识为4，假设信息d与信息a、信息b和信息c的相似度分别为0.81、0.85和0.89，均大于0.8且小于0.9，信息c的相似度最高，因此，阈值0.9对应的子标签为d的唯一标识4，阈值0.8对应的子标签为信息c的多粒度标签，则信息d的多粒度标签可表示为ID(d)＝(4，(3，(1，1)))，以此类推，可自动确定大规模数量的信息的多粒度标签，并形成大规模的多粒度标签体系。
图3为本公开实施例所提供的一种信息推荐方法的流程示意图，本公开实施例适用于信息推荐的情形，该方法可以由信息推荐装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是手机、智能手表、平板电脑以及个人数字助理等移动终端，也可以为个人计算机端或服务器等设备。
步骤301、根据候选信息的多粒度标签确定输入数据。
其中，所述候选信息包括预设信息库中的信息，所述预设信息库中的信息的多粒度标签基于本公开实施例任一所述的标签确定方法确定。
示例性的，可利用携带有多粒度标签的训练样本对信息推荐模型进行训练，得到预设信息推荐模型，预设信息推荐模型用于进行信息推荐。在进行信息推荐时，需要输入至预设信息推荐模型的输入数据可包括候选信息的多粒度标签，还可包括候选信息的其他相关数据，如候选信息的密集特征等，具体不做限定。候选信息的数量为多个，可分别确定各候选信息对应的输入数据，也可按批次确定至少两个候选信息对应的输入数据等，可根据预设信息推荐模型的输入需求确定。
步骤302、将输入数据输入至预设信息推荐模型中。
步骤303、根据预设信息推荐模型的输出，从候选信息中确定待推荐的目标信息。
示例性的，根据预设信息推荐模型的输出，从多个候选信息中确定一个或多个待推荐的目标信息。
本公开实施例提供的信息推荐方法，将预设信息库中的信息作为候选信息，根据候选信息的多粒度标签确定输入数据，多粒度标签对信息特征刻画得更加精细，从而使得输入数据更加精确，将输入数据输入至预设信息推荐模型后，可以根据预设信息推荐模型的输出准确地确定合适的待推荐的目标信息，提升推荐效果。
图4为本公开实施例所提供的一种标签确定装置的结构示意图，如图4所示，所述装置包括：
相似度确定模块401，用于确定待入库的当前信息与预设信息库中的各库内信息的相似度；
子标签确定模块402，用于针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，其中，所述预设相似度阈值集合中的预设相似度阈值的数量为至少两个，所述目标库内信息集合中的库内信息的所述相似度大于所述当前预设相似度阈值；
多粒度标签确定模块403，用于根据所述预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定所述当前信息的多粒度标签。
本公开实施例所提供的标签确定装置，可为信息设置多粒度标签，对信息的表征更加精细，针对每个粒度预先设定相应的相似度阈值，以相似度阈值为基准从库内信息的已有多粒度标签中筛选出用于确定当前信息的子标签，再根据子标签生成对应的多粒度标签，该方案自动化程度高且效率高，可减少人工确定标签所带来的偏差，新增信息可以实现在线实时确定标签，且可快速扩展至大规模的标签体系，有利于提升基于该多粒度标签的信息推荐方案的推荐效果。
可选的，该装置还可包括：
初始库内信息集合确定模块，用于在所述针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合之前，基于所述相似度从所述预设信息库中筛选预设数量的相似度最高的库内信息，得到初始库内信息集合；
其中，所述针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，包括：针对预设相似度阈值集合中的每个预设相似度阈值，从所述初始库内信息集合中确定当前预设相似度阈值对应的目标库内信息集合。
可选的，所述基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，包括：针对所述目标库内信息集合中的库内信息对应的每个多粒度标签，确定当前多粒度标签所属库内信息对应的所述相似度，并对所确定的相似度进行累加，得到所述当前多粒度标签的标签分数；将所述标签分数最高的多粒度标签确定为目标多粒度标签，并根据所述目标多粒度标签确定所述当前预设相似度阈值对应的子标签。
可选的，该装置还包括：标签确定模块，用于在所述目标库内信息集合为空的情况下，基于所述当前信息的信息标识，确定所述当前预设相似度阈值对应的子标签。
可选的，所述信息标识为所述当前信息的唯一标识。
可选的，相似度确定模块，包括：
密集特征获取单元，用于获取待入库的当前信息对应的当前密集特征；
相似度确定单元，用于针对预设信息库中的每个库内信息，计算当前密集特征与当前库内信息对应的当前库内密集特征的相似程度，得到所述当前信息与所述各库内信息的相似度。
本公开实施例所提供的标签确定装置可执行本公开任意实施例所提供的标签确定方法，具备执行方法相应的功能模块和有益效果。
图5为本公开实施例所提供的一种信息推荐装置的结构示意图，如图5所示，所述装置包括：
输入数据确定模块501，用于根据候选信息的多粒度标签确定输入数据，其中，所述候选信息包括预设信息库中的信息，所述预设信息库中的信息的多粒度标签基于本公开实施例任一所述的标签确定方法确定；
数据输入模块502，用于将所述输入数据输入至预设信息推荐模型中；
信息推荐模块503，用于根据所述预设信息推荐模型的输出，从所述候选信息中确定待推荐的目标信息。
本公开实施例提供的信息推荐装置，将预设信息库中的信息作为候选信息，根据候选信息的多粒度标签确定输入数据，多粒度标签对信息特征刻画得更加精细，从而使得输入数据更加精确，将输入数据输入至预设信息推荐模型后，可以根据预设信息推荐模型的输出准确地确定合适的待推荐的目标信息，提升推荐效果。
本公开实施例所提供的信息推荐装置可执行本公开任意实施例所提供的信息推荐方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
图6为本公开实施例所提供的一种电子设备的结构示意图。下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。编辑/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的标签确定方法或信息推荐方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的标签确定方法和/或信息推荐方法。
需要说明的是，本公开上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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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该电子设备执行时，使得该电子设备：确定待入库的当前信息与预设信息库中的各库内信息的相似度；针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，其中，所述预设相似度阈值集合中的预设相似度阈值的数量为至少两个，所述目标库内信息集合中的库内信息的所述相似度大于所述当前预设相似度阈值；根据所述预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定所述当前信息的多粒度标签。
或者，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电子设备执行时，使得该电子设备：根据候选信息的多粒度标签确定输入数据，其中，所述候选信息包括预设信息库中的信息，所述预设信息库中的信息的多粒度标签基于本公开实施例任一所述的标签确定方法确定；将所述输入数据输入至预设信息推荐模型中；根据所述预设信息推荐模型的输出，从所述候选信息中确定待推荐的目标信息。
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公开的操作的计算机程序代码，上述程序设计语言包括但不限于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，图示了按照本公开各种实施例的系统、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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，相似度确定模块还可以被描述为“确定待入库的当前信息与预设信息库中的各库内信息的相似度的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，提供了一种标签确定方法，包括：
确定待入库的当前信息与预设信息库中的各库内信息的相似度；
针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，其中，所述预设相似度阈值集合中的预设相似度阈值的数量为至少两个，所述目标库内信息集合中的库内信息的所述相似度大于所述当前预设相似度阈值；
根据所述预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定所述当前信息的多粒度标签。
根据本公开的一个或多个实施例，在所述针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合之前，还包括：
基于所述相似度从所述预设信息库中筛选预设数量的相似度最高的库内信息，得到初始库内信息集合；
其中，所述针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，包括：
针对预设相似度阈值集合中的每个预设相似度阈值，从所述初始库内信息集合中确定当前预设相似度阈值对应的目标库内信息集合。
根据本公开的一个或多个实施例，所述基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，包括：
针对所述目标库内信息集合中的库内信息对应的每个多粒度标签，确定当前多粒度标签所属库内信息对应的所述相似度，并对所确定的相似度进行累加，得到所述当前多粒度标签的标签分数；
将所述标签分数最高的多粒度标签确定为目标多粒度标签，并根据所述目标多粒度标签确定所述当前预设相似度阈值对应的子标签。
根据本公开的一个或多个实施例，还包括：
在所述目标库内信息集合为空的情况下，基于所述当前信息的信息标识，确定所述当前预设相似度阈值对应的子标签。
根据本公开的一个或多个实施例，所述信息标识为所述当前信息的唯一标识。
根据本公开的一个或多个实施例，所述确定待入库的当前信息与预设信息库中的各库内信息的相似度，包括：
获取待入库的当前信息对应的当前密集特征；
针对预设信息库中的每个库内信息，计算当前密集特征与当前库内信息对应的当前库内密集特征的相似程度，得到所述当前信息与所述各库内信息的相似度。
根据本公开的一个或多个实施例，提供了一种信息推荐方法，包括：
根据候选信息的多粒度标签确定输入数据，其中，所述候选信息包括预设信息库中的信息，所述预设信息库中的信息的多粒度标签基于本公开实施例任一所述的标签确定方法确定；
将所述输入数据输入至预设信息推荐模型中；
根据所述预设信息推荐模型的输出，从所述候选信息中确定待推荐的目标信息。
根据本公开的一个或多个实施例，提供了一种标签确定装置，包括：
相似度确定模块，用于确定待入库的当前信息与预设信息库中的各库内信息的相似度；
子标签确定模块，用于针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，其中，所述预设相似度阈值集合中的预设相似度阈值的数量为至少两个，所述目标库内信息集合中的库内信息的所述相似度大于所述当前预设相似度阈值；
多粒度标签确定模块，用于根据所述预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定所述当前信息的多粒度标签。
根据本公开的一个或多个实施例，提供了一种信息推荐装置，包括：
输入数据确定模块，用于根据候选信息的多粒度标签确定输入数据，其中，所述候选信息包括预设信息库中的信息，所述预设信息库中的信息的多粒度标签基于本公开实施例任一所述的标签确定方法确定；
数据输入模块，用于将所述输入数据输入至预设信息推荐模型中；
信息推荐模块，用于根据所述预设信息推荐模型的输出，从所述候选信息中确定待推荐的目标信息。
根据本公开的一个或多个实施例，提供了一种电子设备，所述电子设备包括：
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，使得所述一个或多个处理器实现本公开实施例提供的标签确定方法和/或信息推荐方法。
根据本公开的一个或多个实施例，提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本公开实施例提供的标签确定方法和/或信息推荐方法。
以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (11)

1.一种标签确定方法，其特征在于，包括：
确定待入库的当前信息与预设信息库中的各库内信息的相似度；
针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，其中，所述预设相似度阈值集合中的预设相似度阈值的数量为至少两个，所述目标库内信息集合中的库内信息的所述相似度大于所述当前预设相似度阈值；
根据所述预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定所述当前信息的多粒度标签。
2.根据权利要求1所述的方法，其特征在于，在所述针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合之前，还包括：
基于所述相似度从所述预设信息库中筛选预设数量的相似度最高的库内信息，得到初始库内信息集合；
其中，所述针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，包括：
针对预设相似度阈值集合中的每个预设相似度阈值，从所述初始库内信息集合中确定当前预设相似度阈值对应的目标库内信息集合。
3.根据权利要求1所述的方法，其特征在于，所述基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，包括：
针对所述目标库内信息集合中的库内信息对应的每个多粒度标签，确定当前多粒度标签所属库内信息对应的所述相似度，并对所确定的相似度进行累加，得到所述当前多粒度标签的标签分数；
将所述标签分数最高的多粒度标签确定为目标多粒度标签，并根据所述目标多粒度标签确定所述当前预设相似度阈值对应的子标签。
4.根据权利要求1所述的方法，其特征在于，还包括：
在所述目标库内信息集合为空的情况下，基于所述当前信息的信息标识，确定所述当前预设相似度阈值对应的子标签。
5.根据权利要求4所述的方法，其特征在于，所述信息标识为所述当前信息的唯一标识。
6.根据权利要求1所述的方法，其特征在于，所述确定待入库的当前信息与预设信息库中的各库内信息的相似度，包括：
获取待入库的当前信息对应的当前密集特征；
针对预设信息库中的每个库内信息，计算当前密集特征与当前库内信息对应的当前库内密集特征的相似程度，得到所述当前信息与所述各库内信息的相似度。
7.一种信息推荐方法，其特征在于，包括：
根据候选信息的多粒度标签确定输入数据，其中，所述候选信息包括预设信息库中的信息，所述预设信息库中的信息的多粒度标签基于如权利要求1-6任一所述的标签确定方法确定；
将所述输入数据输入至预设信息推荐模型中；
根据所述预设信息推荐模型的输出，从所述候选信息中确定待推荐的目标信息。
8.一种标签确定装置，其特征在于，包括：
相似度确定模块，用于确定待入库的当前信息与预设信息库中的各库内信息的相似度；
子标签确定模块，用于针对预设相似度阈值集合中的每个预设相似度阈值，从所述预设信息库中确定当前预设相似度阈值对应的目标库内信息集合，并基于所述目标库内信息集合中的库内信息的目标多粒度标签，确定所述当前预设相似度阈值对应的子标签，其中，所述预设相似度阈值集合中的预设相似度阈值的数量为至少两个，所述目标库内信息集合中的库内信息的所述相似度大于所述当前预设相似度阈值；
多粒度标签确定模块，用于根据所述预设相似度阈值集合中的各预设相似度阈值分别对应的子标签，确定所述当前信息的多粒度标签。
9.一种信息推荐装置，其特征在于，包括：
输入数据确定模块，用于根据候选信息的多粒度标签确定输入数据，其中，所述候选信息包括预设信息库中的信息，所述预设信息库中的信息的多粒度标签基于如权利要求1-6任一所述的标签确定方法确定；
数据输入模块，用于将所述输入数据输入至预设信息推荐模型中；
信息推荐模块，用于根据所述预设信息推荐模型的输出，从所述候选信息中确定待推荐的目标信息。
10.一种电子设备，其特征在于，所述电子设备包括：
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，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
11.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的方法。
CN202310218927.1A 2023-03-08 2023-03-08 标签确定方法、信息推荐方法、装置、设备及存储介质 Pending CN116204740A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310218927.1A CN116204740A (zh) 2023-03-08 2023-03-08 标签确定方法、信息推荐方法、装置、设备及存储介质
PCT/CN2024/080673 WO2024183805A1 (zh) 2023-03-08 2024-03-08 标签确定方法、信息推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310218927.1A CN116204740A (zh) 2023-03-08 2023-03-08 标签确定方法、信息推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116204740A true CN116204740A (zh) 2023-06-02

Family

ID=86507575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310218927.1A Pending CN116204740A (zh) 2023-03-08 2023-03-08 标签确定方法、信息推荐方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN116204740A (zh)
WO (1) WO2024183805A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024183805A1 (zh) * 2023-03-08 2024-09-12 北京有竹居网络技术有限公司 标签确定方法、信息推荐方法、装置、设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595660A (zh) * 2018-04-28 2018-09-28 腾讯科技（深圳）有限公司 多媒体资源的标签信息生成方法、装置、存储介质及设备
CN110765832A (zh) * 2019-08-15 2020-02-07 深圳壹账通智能科技有限公司 基于图像识别的信息推送方法、装置、及计算机设备
CN111723289B (zh) * 2020-06-08 2024-02-02 北京声智科技有限公司 信息推荐方法及装置
CN111967302B (zh) * 2020-06-30 2023-07-25 北京百度网讯科技有限公司 视频标签的生成方法、装置及电子设备
CN113204660B (zh) * 2021-03-31 2024-05-17 北京达佳互联信息技术有限公司 多媒体数据处理方法、标签识别方法、装置及电子设备
CN116204740A (zh) * 2023-03-08 2023-06-02 北京有竹居网络技术有限公司 标签确定方法、信息推荐方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024183805A1 (zh) * 2023-03-08 2024-09-12 北京有竹居网络技术有限公司 标签确定方法、信息推荐方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2024183805A1 (zh) 2024-09-12

Similar Documents

Publication Publication Date Title
CN110633423B (zh) 目标账号识别方法、装置、设备及存储介质
CN110619078B (zh) 用于推送信息的方法和装置
CN113592535B (zh) 一种广告推荐方法、装置、电子设备和存储介质
CN113033682B (zh) 视频分类方法、装置、可读介质、电子设备
CN113140012B (zh) 图像处理方法、装置、介质及电子设备
CN110781658B (zh) 简历解析方法、装置、电子设备和存储介质
CN111291258A (zh) 搜索热词的推荐方法、装置、电子设备及可读介质
CN111738316B (zh) 零样本学习的图像分类方法、装置及电子设备
CN111857720B (zh) 用户界面状态信息的生成方法、装置、电子设备及介质
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
WO2024183805A1 (zh) 标签确定方法、信息推荐方法、装置、设备及存储介质
CN113033707B (zh) 视频分类方法、装置、可读介质及电子设备
CN109902726B (zh) 简历信息处理方法及装置
CN113033680B (zh) 视频分类方法、装置、可读介质及电子设备
CN113343069B (zh) 用户信息的处理方法、装置、介质及电子设备
CN109542743B (zh) 日志校验方法、装置、电子设备及计算机可读存储介质
CN114625876B (zh) 作者特征模型的生成方法、作者信息处理方法和装置
CN110634024A (zh) 一种用户属性标记方法、装置、电子设备及存储介质
CN113051400B (zh) 标注数据确定方法、装置、可读介质及电子设备
CN113222050B (zh) 图像分类方法、装置、可读介质及电子设备
CN112669816B (zh) 模型的训练方法、语音识别方法、装置、介质及设备
CN111738311A (zh) 面向多任务的特征提取方法、装置及电子设备
CN110543491A (zh) 搜索方法、装置、电子设备和计算机可读存储介质
CN114492413B (zh) 文本校对方法、装置和电子设备
CN118095426B (zh) 点击行为预测模型训练方法、装置、电子设备与可读介质

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