CN117648608B - 基于时序性的用户标签更新方法、系统、设备及存储介质 - Google Patents

Abstract

本发明涉及标签管理的技术领域，尤其是涉及一种基于时序性的用户标签更新方法、系统、设备及存储介质，基于时序性的用户标签更新方法包括实时获取用户状态数据和第一用户标签，将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据；基于所述时序性数据获取第一时间数据特征，根据所述第一时间数据特征生成标签更新数据；将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签；基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表。本申请具有有效增强用户标签的时效性和合理性，实时更新用户标签信息的效果。

Description

基于时序性的用户标签更新方法、系统、设备及存储介质

技术领域

本发明涉及标签管理的技术领域，尤其是涉及一种基于时序性的用户标签更新方法、系统、设备及存储介质。

背景技术

随着网络的快速发展，私域的应用越来越广泛，私域是指企业拥有和掌控的用户数据和资源，通过建立和管理用户数据资产，实现与用户的持续互动和关系维护，为了更好的管理用户数据，通常会对用户进行按照标签分类和归纳，帮助企业了解用户需求，精确定位目标用户。

目前，为了更好地管理用户标签，会采用人工定时对用户标签进行更新，但是，需要人工手动去进行标签更新，导致标签的更新率、标签的时序性较差，因此，存在一定的改进空间。

发明内容

为了有效增强用户标签的时效性和合理性，实时更新用户标签信息，本申请提供一种基于时序性的用户标签更新方法、系统、设备及存储介质。

本申请的上述发明目的一是通过以下技术方案得以实现的：

一种基于时序性的用户标签更新方法，所述基于时序性的用户标签更新方法包括步骤：

实时获取用户状态数据和第一用户标签，将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据；

基于所述时序性数据获取第一时间数据特征，根据所述第一时间数据特征生成标签更新数据；

将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签；

基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表。

通过采用上述技术方案，在私域中对用户标签管理过程中，从各种渠道和数据源收集用户状态数据和第一用户标签，用户状态数据是指用户相关的行为数据，如浏览记录、购买记录、用户信息等数据，第一用户标签是指私域中用户已经标记贴有的标签，将用户状态数据输入至预设的趋势分析模型内，利用趋势分析模型对用户状态数据进行分析，以分析出用户的行为模式和趋势，得到用户标签的时序性数据，对时序性数据进行特征提取，得到第一时间数据特征，第一时间数据特征是指用户标签的时间特征，根据第一时间数据特征获取相对应的标签更新数据，以便于根据用户标签的时序性进行标签更新，将得到的标签更新数据输入至第一用户标签内，根据标签更新数据得到用户标签中的有效时间情况，第一用户标签根据标签更新数据进行标签更新，即在有效时间的倒计时结束后，自动对第一用户标签进行更新得到第二用户标签，实现根据用户不同时间状态下，对用户标签实时性更新，根据第二用户标签和第一用户标签获取两者之间的标签关联信息，以标签关联信息为基础构建出第一用户标签和第二用户标签的标签映射表，进而能够快速对用户标签进行自动更换，有效增强用户标签的时效性和合理性，实时更新用户标签信息。

本申请在一较佳示例中可以进一步配置为：在将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据之前，所述基于时序性的用户标签更新方法还包括：

实时获取用户状态数据，对所述用户状态数据进行去噪滤波处理，得到处理后的用户状态数据；

基于所述处理后的用户状态数据获取用户行为特征，将所述用户行为特征输入至预设的趋势分析模型得到时序性数据。

通过采用上述技术方案，在获取到用户状态数据后，对用户状态数据进行去噪滤波处理，将用户状态数据中的重复数据、冗余数据等不相关的数据剔除，对用户状态数据中缺失的数据进行补充，得到处理后的用户状态数据，利用处理后的用户状态数据提取出用户行为特征，利用用户行为特征分析出用户标签的时序性数据，使得用户状态数据确保数据质量和准确性，以便后续对用户状态数据的分析，提高分析的准确性。

本申请在一较佳示例中可以进一步配置为：在所述基于所述处理后的用户状态数据获取用户行为特征，将所述用户行为特征输入至预设的趋势分析模型得到时序性数据之前，所述基于时序性的用户标签更新方法还包括：

获取历史用户状态数据，基于所述历史用户状态数据获取历史用户行为特征，以所述历史用户行为特征为数据训练集，将所述历史用户行为特征输入至预设的初始趋势分析模型内；

将所述用户行为特征作为数据验证集，输入至初始趋势分析模型内，对初始趋势分析模型进行归一化训练，得到趋势分析模型。

通过采用上述技术方案，获取历史用户状态数据，利用历史用户状态数据获取到历史用户行为特征，以历史用户行为特征为数据训练集，对初始趋势分析模型进行训练，再利用用户行为特征作为数据验证集，对训练后的初始趋势分析模型进行归一化验证训练，得到所要的趋势分析模型，进而便于对用户状态数据进行用户行为分析，提高对用户行为的分析结果的准确性。

本申请在一较佳示例中可以进一步配置为：所述将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签，具体包括：

根据所述标签更新数据获取标签更新条件，基于所述第一用户标签获取第一用户行为特征，判断所述第一用户行为特征是否满足标签更新条件，得到判断结果；

当所述判断结果为第一用户行为特征标签更新条件，则生成第二用户标签。

通过采用上述技术方案，通过标签更新数据获取到用户标签的标签更新条件，对第一用户标签进行分析，得到用户行为特征，将用户行为特征与标签更新条件进行比较判断，判断用户状态是否满足触发标签更新条件，如用户生日、孩子出生等特殊事件可以作为触发条件，当触发标签更新条件时，则自动生成第二用户标签，实现用户标签更新功能。

本申请在一较佳示例中可以进一步配置为：所述基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表，具体包括：

基于所述第二用户标签获取第二用户状态，基于所述第一用户标签获取第一用户状态，根据所述第二用户状态和第一用户状态获取标签关联信息；

以所述标签关联信息为映射关系，将第二用户标签和第一用户标签进行映射关联，形成标签映射表。

通过采用上述技术方案，通过对第二用户标签进行分析，得到第二用户状态，第二用户状态是指更新后的用户状态，如针对孕期内时贴上孕妈妈的标签，当孩子出生后行对应的用户状态，利用第二用状态征与第一用户状态进行关联，得到标签关联信息，以标签关联信息为映射关系，将第二用户标签和第一用户标签进行映射关联，形成标签映射表，进而实现将第二用户标签和第一用户标签进行联动，更加便于用户标签的管理。

本申请的上述发明目的二是通过以下技术方案得以实现的：

一种基于时序性的用户标签更新系统，所述基于时序性的用户标签更新系统包括：

标签时序性数据获取模块，用于实时获取用户状态数据和第一用户标签，将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据；

标签更新数据获取模块，用于基于所述时序性数据获取第一时间数据特征，根据所述第一时间数据特征生成标签更新数据；

第二用户标签生成模块，用于将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签；

标签关联模块，用于基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表。

通过采用上述技术方案，在私域中对用户标签管理过程中，从各种渠道和数据源收集用户状态数据和第一用户标签，用户状态数据是指用户相关的行为数据，如浏览记录、购买记录、用户信息等数据，第一用户标签是指私域中用户已经标记贴有的标签，将用户状态数据输入至预设的趋势分析模型内，利用趋势分析模型对用户状态数据进行分析，以分析出用户的行为模式和趋势，得到用户标签的时序性数据，对时序性数据进行特征提取，得到第一时间数据特征，第一时间数据特征是指用户标签的时间特征，根据第一时间数据特征获取相对应的标签更新数据，以便于根据用户标签的时序性进行标签更新，将得到的标签更新数据输入至第一用户标签内，根据标签更新数据得到用户标签中的有效时间情况，第一用户标签根据标签更新数据进行标签更新，即在有效时间的倒计时结束后，自动对第一用户标签进行更新得到第二用户标签，实现根据用户不同时间状态下，对用户标签实时性更新，根据第二用户标签和第一用户标签获取两者之间的标签关联信息，以标签关联信息为基础构建出第一用户标签和第二用户标签的标签映射表，进而能够快速对用户标签进行自动更换，有效增强用户标签的时效性和合理性，实时更新用户标签信息。

本申请的上述目的三是通过以下技术方案得以实现的：

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于时序性的用户标签更新方法的步骤。

本申请的上述目的四是通过以下技术方案得以实现的：

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程序，所述计算机程序被处理器执行时实现上述基于时序性的用户标签更新方法的步骤。

综上所述，本申请包括以下至少一种有益技术效果：

1、在私域中对用户标签管理过程中，从各种渠道和数据源收集用户状态数据和第一用户标签，用户状态数据是指用户相关的行为数据，如浏览记录、购买记录、用户信息等数据，第一用户标签是指私域中用户已经标记贴有的标签，将用户状态数据输入至预设的趋势分析模型内，利用趋势分析模型对用户状态数据进行分析，以分析出用户的行为模式和趋势，得到用户标签的时序性数据，对时序性数据进行特征提取，得到第一时间数据特征，第一时间数据特征是指用户标签的时间特征，根据第一时间数据特征获取相对应的标签更新数据，以便于根据用户标签的时序性进行标签更新，将得到的标签更新数据输入至第一用户标签内，根据标签更新数据得到用户标签中的有效时间情况，第一用户标签根据标签更新数据进行标签更新，即在有效时间的倒计时结束后，自动对第一用户标签进行更新得到第二用户标签，实现根据用户不同时间状态下，对用户标签实时性更新，根据第二用户标签和第一用户标签获取两者之间的标签关联信息，以标签关联信息为基础构建出第一用户标签和第二用户标签的标签映射表，进而能够快速对用户标签进行自动更换，有效增强用户标签的时效性和合理性，实时更新用户标签信息；

2、在获取到用户状态数据后，对用户状态数据进行去噪滤波处理，将用户状态数据中的重复数据、冗余数据等不相关的数据剔除，对用户状态数据中缺失的数据进行补充，得到处理后的用户状态数据，利用处理后的用户状态数据提取出用户行为特征，利用用户行为特征分析出用户标签的时序性数据，使得用户状态数据确保数据质量和准确性，以便后续对用户状态数据的分析，提高分析的准确性；

3、获取历史用户状态数据，利用历史用户状态数据获取到历史用户行为特征，以历史用户行为特征为数据训练集，对初始趋势分析模型进行训练，再利用用户行为特征作为数据验证集，对训练后的初始趋势分析模型进行归一化验证训练，得到所要的趋势分析模型，进而便于对用户状态数据进行用户行为分析，提高对用户行为的分析结果的准确性；

4、通过对第二用户标签进行分析，得到第二用户状态，第二用户状态是指更新后的用户状态，如针对孕期内时贴上孕妈妈的标签，当孩子出生后行对应的用户状态，利用第二用状态征与第一用户状态进行关联，得到标签关联信息，以标签关联信息为映射关系，将第二用户标签和第一用户标签进行映射关联，形成标签映射表，进而实现将第二用户标签和第一用户标签进行联动，更加便于用户标签的管理。

附图说明

图1是本申请一实施例中基于时序性的用户标签更新方法的一流程图；

图2是本申请一实施例中基于时序性的用户标签更新方法的另一实现流程图；

图3是本申请一实施例中基于时序性的用户标签更新方法的另一实现流程图；

图4是本申请一实施例中基于时序性的用户标签更新方法中步骤S30的实现流程图；

图5是本申请一实施例中基于时序性的用户标签更新方法中步骤S40的实现流程图；

图6是本申请一实施例中基于时序性的用户标签更新系统的一原理框图；

图7是本申请一实施例中的计算机设备示意图。

具体实施方式

以下结合附图对本申请作进一步详细说明。

在一实施例中，如图1所示，本申请公开了一种基于时序性的用户标签更新方法，具体包括如下步骤：

S10：实时获取用户状态数据和第一用户标签，将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据。

具体的，在私域中对用户标签管理过程中，从各种渠道和数据源收集用户状态数据和第一用户标签，用户状态数据是指用户相关的行为数据，如浏览记录、购买记录、用户信息等数据，第一用户标签是指私域中用户已经标记贴有的标签，将用户状态数据输入至预设的趋势分析模型内，利用趋势分析模型对用户状态数据进行分析，以分析出用户的行为模式和趋势，得到用户标签的时序性数据。

S20：基于所述时序性数据获取第一时间数据特征，根据所述第一时间数据特征生成标签更新数据。

具体的，对时序性数据进行特征提取，得到第一时间数据特征，第一时间数据特征是指用户标签的时间特征，根据第一时间数据特征获取相对应的标签更新数据，以便于根据用户标签的时序性进行标签更新。

S30：将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签。

具体的，将得到的标签更新数据输入至第一用户标签内，根据标签更新数据得到用户标签中的有效时间情况，第一用户标签根据标签更新数据进行标签更新，即在有效时间的倒计时结束后，自动对第一用户标签进行更新得到第二用户标签，实现根据用户不同时间状态下，对用户标签实时性更新。

S40：基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表。

具体的，第二用户标签和第一用户标签获取两者之间的标签关联信息，以标签关联信息为基础构建出第一用户标签和第二用户标签的标签映射表，进而能够快速对用户标签进行自动更换。

在本实施例中，在私域中对用户标签管理过程中，从各种渠道和数据源收集用户状态数据和第一用户标签，用户状态数据是指用户相关的行为数据，如浏览记录、购买记录、用户信息等数据，第一用户标签是指私域中用户已经标记贴有的标签，将用户状态数据输入至预设的趋势分析模型内，利用趋势分析模型对用户状态数据进行分析，以分析出用户的行为模式和趋势，得到用户标签的时序性数据，对时序性数据进行特征提取，得到第一时间数据特征，第一时间数据特征是指用户标签的时间特征，根据第一时间数据特征获取相对应的标签更新数据，以便于根据用户标签的时序性进行标签更新，将得到的标签更新数据输入至第一用户标签内，根据标签更新数据得到用户标签中的有效时间情况，第一用户标签根据标签更新数据进行标签更新，即在有效时间的倒计时结束后，自动对第一用户标签进行更新得到第二用户标签，实现根据用户不同时间状态下，对用户标签实时性更新，根据第二用户标签和第一用户标签获取两者之间的标签关联信息，以标签关联信息为基础构建出第一用户标签和第二用户标签的标签映射表，进而能够快速对用户标签进行自动更换，有效增强用户标签的时效性和合理性，实时更新用户标签信息。

在一实施例中，如图2所示，在步骤S10之前，即在将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据之前，基于时序性的用户标签更新方法还包括：

S101：实时获取用户状态数据，对所述用户状态数据进行去噪滤波处理，得到处理后的用户状态数据。

S102：基于所述处理后的用户状态数据获取用户行为特征，将所述用户行为特征输入至预设的趋势分析模型得到时序性数据。

具体的，在获取到用户状态数据后，对用户状态数据进行去噪滤波处理，将用户状态数据中的重复数据、冗余数据等不相关的数据剔除，对用户状态数据中缺失的数据进行补充，得到处理后的用户状态数据，利用处理后的用户状态数据提取出用户行为特征，利用用户行为特征分析出用户标签的时序性数据，使得用户状态数据确保数据质量和准确性，以便后续对用户状态数据的分析，提高分析的准确性。

在一实施例中，如图3所示，在步骤S102之前，基于时序性的用户标签更新方法还包括：

S201：获取历史用户状态数据，基于所述历史用户状态数据获取历史用户行为特征，以所述历史用户行为特征为数据训练集，将所述历史用户行为特征输入至预设的初始趋势分析模型内。

S202：将所述用户行为特征作为数据验证集，输入至初始趋势分析模型内，对初始趋势分析模型进行归一化训练，得到趋势分析模型。

具体的，获取历史用户状态数据，利用历史用户状态数据获取到历史用户行为特征，以历史用户行为特征为数据训练集，对初始趋势分析模型进行训练，再利用用户行为特征作为数据验证集，对训练后的初始趋势分析模型进行归一化验证训练，得到所要的趋势分析模型，进而便于对用户状态数据进行用户行为分析，提高对用户行为的分析结果的准确性。

在一实施例中，如图4所示，在步骤S30中，即将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签，具体包括：

S31：根据所述标签更新数据获取标签更新条件，基于所述第一用户标签获取第一用户行为特征，判断所述第一用户行为特征是否满足标签更新条件，得到判断结果。

S32：当所述判断结果为第一用户行为特征标签更新条件，则生成第二用户标签。

具体的，通过标签更新数据获取到用户标签的标签更新条件，对第一用户标签进行分析，得到用户行为特征，将用户行为特征与标签更新条件进行比较判断，判断用户状态是否满足触发标签更新条件，如用户生日、孩子出生等特殊事件可以作为触发条件，当触发标签更新条件时，则自动生成第二用户标签，实现用户标签更新功能。

在一实施例中，如图5所示，在步骤S40中，即基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表，具体包括：

S41：基于所述第二用户标签获取第二用户状态，基于所述第一用户标签获取第一用户状态，根据所述第二用户状态和第一用户状态获取标签关联信息。

S42：以所述标签关联信息为映射关系，将第二用户标签和第一用户标签进行映射关联，形成标签映射表。

具体的，对第二用户标签进行分析，得到第二用户状态，第二用户状态是指更新后的用户状态，如针对孕期内时贴上孕妈妈的标签，当孩子出生后行对应的用户状态，利用第二用状态征与第一用户状态进行关联，得到标签关联信息，以标签关联信息为映射关系，将第二用户标签和第一用户标签进行映射关联，形成标签映射表，进而实现将第二用户标签和第一用户标签进行联动，更加便于用户标签的管理。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在一实施例中，提供一种基于时序性的用户标签更新装置，该基于时序性的用户标签更新装置与上述实施例中基于时序性的用户标签更新方法一一对应。如图6所示，该基于时序性的用户标签更新装置包括标签时序性数据获取模块、标签更新数据获取模块、第二用户标签生成模块和标签关联模块。各功能模块详细说明如下：

标签时序性数据获取模块，用于实时获取用户状态数据和第一用户标签，将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据；

标签更新数据获取模块，用于基于所述时序性数据获取第一时间数据特征，根据所述第一时间数据特征生成标签更新数据；

第二用户标签生成模块，用于将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签；

标签关联模块，用于基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表。

可选的，基于时序性的用户标签更新系统还包括：

数据处理模块，用于实时获取用户状态数据，对所述用户状态数据进行去噪滤波处理，得到处理后的用户状态数据；

数据特征提取模块，用于基于所述处理后的用户状态数据获取用户行为特征，将所述用户行为特征输入至预设的趋势分析模型得到时序性数据。

可选的，基于时序性的用户标签更新系统还包括：

历史数据获取模块，用于获取历史用户状态数据，基于所述历史用户状态数据获取历史用户行为特征，以所述历史用户行为特征为数据训练集，将所述历史用户行为特征输入至预设的初始趋势分析模型内；

模型训练模块用于，将所述用户行为特征作为数据验证集，输入至初始趋势分析模型内，对初始趋势分析模型进行归一化训练，得到趋势分析模型。

关于基于时序性的用户标签更新装置的具体限定可以参见上文中对于基于时序性的用户标签更新方法的限定，在此不再赘述。上述基于时序性的用户标签更新装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储私域中用户标签更新过程中的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于时序性的用户标签更新方法。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：

实时获取用户状态数据和第一用户标签，将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据；

基于所述时序性数据获取第一时间数据特征，根据所述第一时间数据特征生成标签更新数据；

将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签；

基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

实时获取用户状态数据和第一用户标签，将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据；

基于所述时序性数据获取第一时间数据特征，根据所述第一时间数据特征生成标签更新数据；

将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签；

基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表。

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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于时序性的用户标签更新方法，其特征在于，所述基于时序性的用户标签更新方法包括步骤：

实时获取用户状态数据和第一用户标签，将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据；

基于所述时序性数据获取第一时间数据特征，第一时间数据特征是指用户标签的时间特征，根据所述第一时间数据特征生成标签更新数据；

将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签；

所述将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签，具体包括：

根据所述标签更新数据获取标签更新条件，基于所述第一用户标签获取第一用户行为特征，判断所述第一用户行为特征是否满足标签更新条件，得到判断结果；

当所述判断结果为第一用户行为特征满足标签更新条件，则生成第二用户标签；

基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表。

2.根据权利要求1所述的基于时序性的用户标签更新方法，其特征在于，在将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据之前，所述基于时序性的用户标签更新方法还包括：

实时获取用户状态数据，对所述用户状态数据进行去噪滤波处理，得到处理后的用户状态数据；

基于所述处理后的用户状态数据获取用户行为特征，将所述用户行为特征输入至预设的趋势分析模型得到时序性数据。

3.根据权利要求2所述的基于时序性的用户标签更新方法，其特征在于，在所述基于所述处理后的用户状态数据获取用户行为特征，将所述用户行为特征输入至预设的趋势分析模型得到时序性数据之前，所述基于时序性的用户标签更新方法还包括：

获取历史用户状态数据，基于所述历史用户状态数据获取历史用户行为特征，以所述历史用户行为特征为数据训练集，将所述历史用户行为特征输入至预设的初始趋势分析模型内；

将所述用户行为特征作为数据验证集，输入至初始趋势分析模型内，对初始趋势分析模型进行归一化训练，得到趋势分析模型。

4.根据权利要求1所述的基于时序性的用户标签更新方法，其特征在于，所述基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表，具体包括：

基于所述第二用户标签获取第二用户状态，基于所述第一用户标签获取第一用户状态，根据所述第二用户状态和第一用户状态获取标签关联信息；

以所述标签关联信息为映射关系，将第二用户标签和第一用户标签进行映射关联，形成标签映射表。

5.一种基于时序性的用户标签更新系统，其特征在于，所述基于时序性的用户标签更新系统包括：

标签时序性数据获取模块，用于实时获取用户状态数据和第一用户标签，将所述用户状态数据输入至预设的趋势分析模型内，得到时序性数据；

标签更新数据获取模块，用于基于所述时序性数据获取第一时间数据特征，第一时间数据特征是指用户标签的时间特征，根据所述第一时间数据特征生成标签更新数据；

第二用户标签生成模块，用于将所述标签更新数据输入至第一用户标签内，根据所述标签更新数据对第一用户标签进行更新，得到第二用户标签，根据所述标签更新数据获取标签更新条件，基于所述第一用户标签获取第一用户行为特征，判断所述第一用户行为特征是否满足标签更新条件，得到判断结果，当所述判断结果为第一用户行为特征满足标签更新条件，则生成第二用户标签；

标签关联模块，用于基于所述第二用户标签与第一用户标签获取标签关联信息，根据所述标签关联信息构建出标签映射表。

6.根据权利要求5所述的基于时序性的用户标签更新系统，其特征在于，所述基于时序性的用户标签更新系统还包括：

数据处理模块，用于实时获取用户状态数据，对所述用户状态数据进行去噪滤波处理，得到处理后的用户状态数据；

数据特征提取模块，用于基于所述处理后的用户状态数据获取用户行为特征，将所述用户行为特征输入至预设的趋势分析模型得到时序性数据。

7.根据权利要求5所述的基于时序性的用户标签更新系统，其特征在于，所述基于时序性的用户标签更新系统还包括：

历史数据获取模块，用于获取历史用户状态数据，基于所述历史用户状态数据获取历史用户行为特征，以所述历史用户行为特征为数据训练集，将所述历史用户行为特征输入至预设的初始趋势分析模型内；

模型训练模块用于，将所述用户行为特征作为数据验证集，输入至初始趋势分析模型内，对初始趋势分析模型进行归一化训练，得到趋势分析模型。

8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述一种基于时序性的用户标签更新方法的步骤。

9.一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4任一项所述一种基于时序性的用户标签更新方法的步骤。