CN114445146A - 一种标签填充方法及其相关设备 - Google Patents

Abstract

本申请公开了一种标签填充方法及其相关设备，该方法包括：在获取到目标用户的待使用行为数据之后，先对待使用行为数据进行画像标签预测处理，得到画像标签预测结果，以使该画像标签预测结果用于表示出该目标用户的至少一种用户属性；再根据该画像标签预测结果，确定至少一个数据缺失标签，以使这些数据缺失标签能够表示出那些发生标签值缺失现象的画像标签；最后，在确定这些数据缺失标签中存在满足预设推理填充条件的待填充标签时，利用该预设推理填充条件对应的标签填充规则，对该待填充标签进行数据填充处理，得到该待填充标签的标签填充结果，以实现针对具有逻辑可推理特性的缺失标签进行标签值自动填充处理，有利于提高画像标签的确定效果。

Description

一种标签填充方法及其相关设备

技术领域

本申请涉及数据处理技术领域，尤其涉及一种标签填充方法及其相关设备。

背景技术

用户画像(又称，用户角色)是一种勾画目标用户、联系用户诉求与设计方向的有效工具；而且用户画像在各领域得到了广泛的应用。其中，画像标签用于表示用户属性，以使该画像标签用于描述用户特征。

然而，因画像标签确定技术存在缺陷，使得基于该画像标签确定技术所确定的画像标签易发生标签缺失现象，从而使得画像标签的确定效果比较差。

发明内容

为了解决上述技术问题，本申请提供了一种标签填充方法及其相关设备，有利于提高画像标签的确定效果。

为了实现上述目的，本申请实施例提供的技术方案如下：

本申请实施例提供一种标签填充方法，所述方法包括：

在获取到目标用户的待使用行为数据之后，对所述待使用行为数据进行画像标签预测处理，得到画像标签预测结果；

根据所述画像标签预测结果，确定至少一个数据缺失标签；

若确定所述至少一个数据缺失标签中存在满足预设推理填充条件的待填充标签，则利用所述预设推理填充条件对应的标签填充规则，对所述待填充标签进行数据填充处理，得到所述待填充标签的标签填充结果；其中，所述标签填充规则用于按照所述待填充标签的自身属性特点，对所述待填充标签进行标签值推理。

在一种可能的实施方式中，所述预设推理填充条件包括时间推理触发条件和/或关系推理触发条件。

在一种可能的实施方式中，所述预设推理填充条件包括时间推理触发条件；所述待填充标签包括第一缺失标签；

所述若确定所述至少一个数据缺失标签中存在满足预设推理填充条件的待填充标签，则按照所述预设推理填充条件对应的标签填充规则，对所述待填充标签进行数据填充处理，得到所述待填充标签的标签填充结果，包括：

若确定所述至少一个数据缺失标签中存在满足时间推理触发条件的第一缺失标签，则利用所述时间推理触发条件对应的时间推理规则，对所述第一缺失标签进行数据填充处理，得到所述第一缺失标签的标签填充结果；其中，所述时间推理规则用于按照所述第一缺失标签的时间变化特点，对所述第一缺失标签进行标签值推理。

在一种可能的实施方式中，所述第一缺失标签的标签填充结果的确定过程，包括：

确定所述第一缺失标签的时间变化规律；

若所述时间变化规律表示所述第一缺失标签的标签值随着时间推移保持不变，则利用所述第一缺失标签对应的历史参考标签值，对所述第一缺失标签进行标签值填充处理，得到所述第一缺失标签的标签填充结果；

若所述时间变化规律表示所述第一缺失标签的标签值随着时间推移按照预设规律进行变化，则根据所述预设规律、所述第一缺失标签对应的历史参考标签值、以及所述第一缺失标签对应的时间差参考值，确定所述第一缺失标签的标签填充结果。

在一种可能的实施方式中，所述方法还包括：

获取所述预设规律对应的规律表征函数；

所述根据所述预设规律、所述第一缺失标签对应的历史参考标签值、以及所述第一缺失标签对应的时间差参考值，确定所述第一缺失标签的标签填充结果，包括：

将所述第一缺失标签对应的历史参考标签值、以及所述第一缺失标签对应的时间差参考值，输入所述规律表征函数，得到所述第一缺失标签的标签值填充数据；

利用所述第一缺失标签的标签值填充数据，对所述第一缺失标签进行标签值填充处理，得到所述第一缺失标签的标签填充结果。

在一种可能的实施方式中，所述方法还包括：

获取所述目标用户在所述第一缺失标签下的至少一个历史预测标签值、以及所述至少一个历史预测标签值的置信度；

根据所述至少一个历史预测标签值的置信度，从所述至少一个历史预测标签值中确定所述第一缺失标签对应的历史参考标签值。

在一种可能的实施方式中，所述根据所述至少一个历史预测标签值的置信度，从所述至少一个历史预测标签值中确定所述第一缺失标签对应的历史参考标签值，包括：

根据所述至少一个历史预测标签值的置信度，从所述至少一个历史预测标签值中筛选满足第一条件的目标预测值，得到筛选结果；

若所述筛选结果表示所述至少一个历史预测标签值中存在目标预测值，则将所述目标预测值，确定为所述第一缺失标签对应的历史参考标签值。

在一种可能的实施方式中，所述预设推理填充条件包括关系推理触发条件；所述待填充标签包括第二缺失标签；

所述若确定所述至少一个数据缺失标签中存在满足预设推理填充条件的待填充标签，则按照所述预设推理填充条件对应的标签填充规则，对所述待填充标签进行数据填充处理，得到所述待填充标签的标签填充结果，包括：

若确定所述至少一个数据缺失标签中存在满足关系推理触发条件的第二缺失标签，则利用所述关系推理触发条件对应的关系推理规则，对所述第二缺失标签进行数据填充处理，得到所述第二缺失标签的标签填充结果；其中，所述关系推理规则用于按照所述第二缺失标签在待使用关系中所呈现的人物关联特点，对所述第二缺失标签进行标签值推理。

在一种可能的实施方式中，所述第二缺失标签的标签填充结果的确定过程，包括：

根据所述待使用关系，确定所述目标用户的至少一个关联人员；

若确定所述至少一个关联人员中存在满足第二条件的参考人员，则根据所述待使用关系对应的标签值关联关系、以及所述参考人员在所述第二缺失标签下的预测标签值，确定所述目标用户在所述第二缺失标签下的推理标签值；其中，所述标签值关联关系包括所述参考人员在所述第二缺失标签下的预测标签值、与所述目标用户在所述第二缺失标签下的推理标签值之间的关联关系；

利用所述推理标签值，对所述第二缺失标签进行标签值填充处理，得到所述第二缺失标签的标签填充结果。

在一种可能的实施方式中，所述方法还包括：

在获取到所述参考人员的待处理行为数据之后，对所述待处理行为数据进行画像标签预测处理，得到待使用标签预测结果；

根据所述待使用标签预测结果，确定所述参考人员在所述第二缺失标签下的预测标签值。

在一种可能的实施方式中，所述方法还包括：

根据所述画像标签预测结果，确定所述目标用户的画像标签；

利用所述待填充标签的标签填充结果，对所述目标用户的画像标签进行更新。

本申请实施例还提供了一种标签填充装置，包括：

标签预测单元，用于在获取到目标用户的待使用行为数据之后，对所述待使用行为数据进行画像标签预测处理，得到画像标签预测结果；

缺失确定单元，用于根据所述画像标签预测结果，确定至少一个数据缺失标签；

标签填充单元，用于若确定所述至少一个数据缺失标签中存在满足预设推理填充条件的待填充标签，则利用所述预设推理填充条件对应的标签填充规则，对所述待填充标签进行数据填充处理，得到所述待填充标签的标签填充结果；其中，所述标签填充规则用于按照所述待填充标签的自身属性特点，对所述待填充标签进行标签值推理。

本申请实施例还提供了一种设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行本申请实施例提供的标签填充方法的任一实施方式。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行本申请实施例提供的标签填充方法的任一实施方式。

本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行本申请实施例提供的标签填充方法的任一实施方式。

与现有技术相比，本申请实施例至少具有以下优点：

本申请实施例提供的技术方案中，在获取到目标用户的待使用行为数据之后，先对该待使用行为数据进行画像标签预测处理，得到画像标签预测结果，以使该画像标签预测结果用于表示出该目标用户的至少一种用户属性；再根据该画像标签预测结果，确定至少一个数据缺失标签，以使这些数据缺失标签能够表示出那些发生标签值缺失现象的画像标签；最后，在确定这些数据缺失标签中存在满足预设推理填充条件的待填充标签时，利用该预设推理填充条件对应的标签填充规则，对该待填充标签进行数据填充处理，得到该待填充标签的标签填充结果，以使该标签填充结果能够表示出该目标用户在该待填充标签中理应填充的标签值。

其中，因上述“预设推理填充条件”用于筛选那些能够借助逻辑推理方式进行标签值填充的缺失标签，以使基于该“预设推理填充条件”所筛选出的待填充标签的标签值均可以借助该待填充标签的自身属性特点进行准确地推理得到；还因上述“标签填充规则”能够按照该待填充标签的自身属性特点，对该待填充标签进行标签值推理，使得利用该“标签填充规则”针对该待填充标签填充所得的标签填充结果，能够比较准确地表示出该目标用户在该待填充标签中理应填充的标签值，如此能够实现针对那些具有逻辑可推理特性的缺失标签进行标签值自动填充的目的，从而有利于克服标签缺失现象所造成的不良影响，进而有利于提高画像标签的确定效果。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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它的附图。

图1为本申请实施例提供的一种标签填充方法的流程图；

图2为本申请实施例提供的一种标签缺失现象的解决流程的示意图；

图3为本申请实施例提供的一种标签填充装置的结构示意图。

具体实施方式

为了更好地理解本申请技术方案，下面针对一些技术名词进行解释。

画像标签，用于表示用户属性，以使该画像标签能够描述出用户特征。另外，一个画像标签可以包括标签类型(也就是，下文“属性类型”)和一个标签值(也就是，下文“属性值”)。

用户属性，用于描述一个用户所呈现的特征；而且一个用户属性包括属性类型、以及属性值。

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。

基于上述内容，下面分别介绍与本申请技术方案相关的内容。

发明人在针对画像标签确定技术的研究中发现，一些画像标签确定技术通常是基于预测技术进行实现的(例如，对用户行为数据进行用户属性预测处理，得到画像标签预测结果)；但是，因基于预测技术进行实施的画像标签确定过程存在缺陷(例如，通常需要使用大量的用户行为数据参与用户属性预测过程)，使得基于该预测技术所确定的画像标签预测结果易出现标签缺失现象。为了便于理解，下面结合示例进行说明。

作为示例，对于各个用户来说，如果该用户在当前标签预测周期内的用户行为(例如，互联网操作行为)比较不活跃/稀疏，则会因预测模型学不到足够多的特征用来进行用户属性预测，导致该预测模型无法预测出该用户的一些属性值，从而导致该用户的画像标签预测结果发生了标签值缺失现象，进而导致针对该用户所预测的画像标签比较少，如此导致针对该用户的画像标签的确定效果比较差。

发明人还发现，一些画像标签的标签值通常可以借助其自身属性特点进行推理得到的。

基于上述发明，为了解决背景技术部分所示的技术问题，本申请实施例提供了一种标签填充方法，其具体可以包括：在获取到目标用户的待使用行为数据之后，先对该待使用行为数据进行画像标签预测处理，得到画像标签预测结果，以使该画像标签预测结果用于表示出该目标用户的至少一种用户属性；再根据该画像标签预测结果，确定至少一个数据缺失标签，以使这些数据缺失标签能够表示出那些发生标签值缺失现象的画像标签；最后，在确定这些数据缺失标签中存在满足预设推理填充条件的待填充标签时，利用该预设推理填充条件对应的标签填充规则，对该待填充标签进行数据填充处理，得到该待填充标签的标签填充结果，以使该标签填充结果能够表示出该目标用户在该待填充标签中理应填充的标签值。

可见，因上述“预设推理填充条件”用于筛选那些能够借助逻辑推理方式进行标签值填充的缺失标签，以使基于该“预设推理填充条件”所筛选出的待填充标签的标签值均可以借助该待填充标签的自身属性特点进行准确地推理得到；还因上述“标签填充规则”能够按照该待填充标签的自身属性特点，对该待填充标签进行标签值推理，使得利用该“标签填充规则”针对该待填充标签填充所得的标签填充结果，能够比较准确地表示出该目标用户在该待填充标签中理应填充的标签值，如此能够实现针对那些具有逻辑可推理特性的缺失标签进行标签值自动填充的目的，从而有利于克服标签缺失现象所造成的不良影响，进而有利于提高画像标签的确定效果。

另外，本申请实施例不限定标签填充方法的执行主体，例如，本申请实施例提供的标签填充方法可以应用于终端设备或服务器等数据处理设备。其中，终端设备可以为智能手机、计算机、个人数字助理(Personal Digital Assitant，PDA)或平板电脑等。服务器可以为独立服务器、集群服务器或云服务器。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

方法实施例一

参见图1，该图为本申请实施例提供的一种标签填充方法的流程图。

本申请实施例提供的标签填充方法，包括S1-S3：

S1：在获取到目标用户的待使用行为数据之后，对该待使用行为数据进行画像标签预测处理，得到画像标签预测结果。

上述“目标用户”是指互联网的使用者。

另外，本申请实施例不限定上述“目标用户”。

需要说明的是，本申请实施例不限定上述“操作行为”的触发方式，例如，可以借助终端设备(例如，智能手机、计算机、平板电脑等)进行实施。

上述“待使用行为数据”用于描述目标用户针对互联网触发的操作行为(例如，视频观看、内容评价等操作行为)。

另外，本申请实施例不限定上述“待使用行为数据”的确定过程，例如，对于一些应用场景来说，需要按照预设周期(例如，1天)进行画像标签确定处理。基于此，上述“待使用行为数据”的确定过程，具体可以为：在获取到目标用户在当前数据收集周期内的用户行为数据之后，将该用户行为数据，确定为待使用行为数据，以使该“待使用行为数据”能够描述出该目标用户在当前数据收集周期内针对互联网所触发的一些操作行为，从而使得该“待使用行为数据”能够描述出该目标用户在当前数据收集周期内所呈现的用户特征。其中，“用户行为数据”用于表示在当前数据收集周期内，由目标用户针对互联网触发的操作行为。

上述“画像标签预测结果”用于描述目标用户的至少一种用户属性，以使该“画像标签预测结果”能够表示出该目标用户所呈现的至少一种用户特征。

另外，本申请实施例不限定上述“画像标签预测结果”的确定过程，例如，其具体可以为：将待使用行为数据，输入预先构建的画像标签预测模型，得到该画像标签预测模型输出的画像标签预测结果，以使该画像标签预测结果能够表示出目标用户在该待使用行为数据中所呈现的用户特征。

其中，“画像标签预测模型”用于针对该画像标签预测模型的输入数据进行画像标签预测处理；而且本申请实施例不限定该“画像标签预测模型”，例如，其可以是具有画像标签预测处理功能的实体设备。又如，其也可以是具有画像标签预测处理功能的机器学习模型。

需要说明的是，当上述“画像标签预测结果”包括多种画像标签时，上文“画像标签预测模型”可以包括多种画像标签预测模型，而且不同画像标签预测模型用于针对不同用户属性进行预测处理。

基于上述S1的相关内容可知，在获取到目标用户的待使用行为数据(例如，目标用户在当前数据收集周期内的用户行为数据)之后，对该待使用行为数据进行画像标签预测处理，得到画像标签预测结果，以使该画像标签预测结果能够表示出该目标用户的至少一个用户属性(例如，该目标用户在当前数据收集周期内所呈现的至少一个用户属性)，以便后续能够基于该画像标签预测结果，确定该目标用户的画像标签。

S2：根据画像标签预测结果，确定至少一个数据缺失标签。

上述“数据缺失标签”是指发生标签值缺失现象的画像标签，以使该“数据缺失标签”能够表示出无法借助上述“画像标签预测处理”进行标签值确定的画像标签。

另外，本申请实施例不限定上述“数据缺失标签”，例如，其可以携带有无法借助上述“画像标签预测处理”进行属性值确定的属性类型。

此外，本申请实施例不限定上述“数据缺失标签”的表示方式，例如，其可以采用二元组进行表示。需要说明的是，上述二元组中留空部分就是需要填充的标签值(也就是，无法借助上述“画像标签预测处理”进行确定的标签值)。

本申请实施例不限定上述S2的实施方式，例如，其具体可以包括S21-S22：

S21：根据画像标签预测结果，确定目标用户的画像标签。

上述“目标用户的画像标签”用于描述该目标用户的至少一种用户属性，以使该“目标用户的画像标签”能够表示出借助上述“画像标签预测处理”确定的用户特点。

另外，本申请实施例不限定上述“目标用户的画像标签”的表示方式，例如，其可以包括二元组。

此外，本申请实施例不限定上述S21的实施方式，例如，其可以采用现有的或者未来出现的任意一种能够从画像标签预测结果中提取出画像标签的方法进行实施。

S22：根据预先设定的候选属性类型集、以及目标用户的画像标签，确定至少一个数据缺失标签。

上述“候选属性类型集”包括至少一种候选属性类型。

另外，本申请实施例不限定S22的实施方式，例如，其具体可以包括S221-S223：

S221：从目标用户的画像标签中抽取出各个第一属性类型。

上述“第一属性类型”用于表示已借助上述“画像标签预测处理”进行属性值确定的属性类型。

另外，本申请实施例不限定上述S221的实施方式。

S222：从预先设定的候选属性类型集中删除各个第一属性类型，得到各个第二属性类型。

上述“第二属性类型”用于表示无法借助上述“画像标签预测处理”进行属性值确定的候选属性类型。

基于上述S222的相关内容可知，在获取到各个第一属性类型之后，可以先将这些第一属性类型均从预先设定的候选属性类型集中进行删除，得到删除后属性类型集，以使该删除后属性类型集中所记录的各个候选属性类型均是无法借助上述“画像标签预测处理”进行属性值确定的属性类型；再将该删除后属性类型集中所记录的各个候选属性类型均确定为第二属性类型，以使这些第二属性类型能够表示出那些无法借助上述“画像标签预测处理”进行属性值确定的属性类型。

S223：根据各个第二属性类型，分别确定各个数据缺失标签。

需要说明的是，本申请实施例不限定S223的实施方式，例如，当上述“数据缺失标签”采用二元组进行表示，且上述“第二属性类型”的个数为M时，S223具体可以为：利用第 m个第二属性类型，构建第m个数据缺失标签，以使该第m个数据缺失标签表示为(第m个第二属性类型，)这一二元组。其中，m为正整数，m≤M，M为正整数。

基于上述S2的相关内容可知，在获取到画像标签预测结果之后，可以先针对该画像标签预测结果进行画像标签提取处理，得到目标用户的画像标签；再依据该目标用户的画像标签，确定至少一个数据缺失标签，以使这些数据缺失标签能够表示出发生标签值缺失现象的画像标签。

S3：若确定至少一个数据缺失标签中存在满足预设推理填充条件的待填充标签，则利用该预设推理填充条件对应的标签填充规则，对该待填充标签进行数据填充处理，得到该待填充标签的标签填充结果。

上述“预设推理填充条件”用于表示能够借助逻辑推理方式进行标签值确定的画像标签所达到的条件，以使该“预设推理填充条件”能够被用于筛选那些能够借助逻辑推理方式进行标签值填充的缺失标签。

另外，本申请实施例不限定上述“预设推理填充条件”，例如，其具体可以包括：时间推理触发条件、以及关系推理触发条件中的至少一个。需要说明的是，“时间推理触发条件”的相关内容请参见下文“S3的第一种可能的实施方式”、以及“关系推理触发条件”的相关内容请参见下文“S3的第二种可能的实施方式”。

上述“待填充标签”用于表示满足预设推理填充条件的数据缺失标签，以使该“待填充标签”可以代表那些能够借助自身属性特点进行标签值推理的画像标签。

另外，本申请实施例不限定上述“待填充标签”，例如，其可以包括下文所示的“第一缺失标签”和/或下文所示的“第二缺失标签”。

需要说明的是，“第一缺失标签”的相关内容请参见下文“S3的第一种可能的实施方式”、以及“第二缺失标签”的相关内容请参见下文“S3的第二种可能的实施方式”。

上述“预设推理填充条件对应的标签填充规则”是指针对满足预设推理填充条件的缺失标签采用的推理规则，以使该“预设推理填充条件对应的标签填充规则”能够表示出按照该缺失标签的自身属性特点，对该缺失标签进行标签值推理。可见，当上述“待填充标签”满足预设推理填充条件时，该“预设推理填充条件对应的标签填充规则”能够用于按照该待填充标签的自身属性特点，对该待填充标签进行标签值推理。

另外，上述“预设推理填充条件对应的标签填充规则”可以预先设定；而且本申请实施例不限定该“预设推理填充条件对应的标签填充规则”，例如，其可以采用下文“S3的第一种可能的实施方式”、“S3的第二种可能的实施方式”、以及“S3的第三种可能的实施方式”所呈现的标签填充规则。

上述“待填充标签的标签填充结果”是指针对待填充标签进行标签值填充处理后所得的结果。

另外，本申请实施例不限定上述S3的实施方式，为了便于理解，下面结合三种可能的实施方式进行说明。

在第一种可能的实施方式中，当上述“预设推理填充条件”包括时间推理触发条件，上述“待填充标签”包括第一缺失标签时，S3具体可以包括：若确定至少一个数据缺失标签中存在满足时间推理触发条件的第一缺失标签，则按照该时间推理触发条件对应的时间推理规则，对该第一缺失标签进行数据填充处理，得到该第一缺失标签的标签填充结果。

上述“时间推理触发条件”用于表示能够借助时间变化规律进行标签值推理的画像标签所达到的条件，以使该“时间推理触发条件”能够被用于筛选那些能够随着时间推移进行规律变化的缺失标签。

另外，本申请实施例不限定上述“时间推理触发条件”，例如，其可以包括以下(1)-(2)所示的两个子条件：

(1)随着时间推移不发生改变。

(2)随着时间推移进行固定变化(例如，固定的线性变化、或者固定的非线性变化)。

上述“第一缺失标签”用于表示满足时间推理触发条件的数据缺失标签(也就是，基于时间推理触发条件筛选所得的待填充标签)，以使该“第一缺失标签”可以代表那些能够按照时间推移进行标签值推理的画像标签。

上述“时间推理触发条件对应的时间推理规则”是指针对满足时间推理触发条件的缺失标签采用的推理规则，以使该“时间推理触发条件对应的时间推理规则”能够表示出按照该缺失标签的时间变化特点，对该缺失标签进行标签值推理。可见，当上述“第一缺失标签”满足预设推理填充条件时，该“预设推理填充条件对应的标签填充规则”能够用于按照该第一缺失标签的时间变化特点，对该第一缺失标签进行标签值推理。

实际上，不同标签类型所具有的时间变化规律不同，故为了提高标签填充效果，本申请实施例还提供了一种时间推理方式(例如，图2所示的时间推理过程)，下面以“第一缺失标签的标签填充结果”的确定过程作为示例进行说明。

作为示例，上述“第一缺失标签的标签填充结果”的确定过程，具体可以包括步骤11- 步骤13：

步骤11：确定第一缺失标签的时间变化规律。

上述“第一缺失标签的时间变化规律”用于描述该第一缺失标签随着时间推移的变化状态；而且本申请实施例不限定该“第一缺失标签的时间变化规律”，例如，其具体可以为：随着时间推移不发生变化。又如，其具体可以为：随着时间推移按照预设线型函数进行线型变化。还如，其具体可以为：随着时间推荐按照预设非线性函数进行非线性变化。

另外，本申请实施例不限定步骤11的实施方式，例如，其具体可以包括步骤111-步骤 112：

步骤111：从第一缺失标签中确定出待使用标签类型。

上述“待使用标签类型”是指需要进行时间变化规律查询处理的标签类型。

步骤112：从预先构建的规律映射关系中查找待使用标签类型对应的候选时间变化规律，确定为第一缺失标签的时间变化规律。

上述“规律映射关系”用于记录各个候选标签类型对应的候选时间变化规律；而且本申请实施例不限定该“规律映射关系”，例如，其具体可以包括：第1个候选标签类型与第1个候选时间变化规律之间的对应关系、第2个候选标签类型与第2个候选时间变化规律之间的对应关系、……、以及第K个候选标签类型与第K个候选时间变化规律之间的对应关系。其中，K为正整数。

可见，在获取到待使用标签类型之后，可以先将该待使用标签类型与规律映射关系中 K个候选标签类型进行匹配，以便在确定该待使用标签类型与第k个候选标签类型匹配成功时，可以将该第k个候选标签类型对应的第k个候选时间变化规律，确定为第一缺失标签的时间变化规律。其中，k为正整数，k∈{1，2，3，……，K}。

基于上述步骤11的相关内容可知，在确定第一缺失标签满足时间推理触发条件之后，可以参考该第一缺失标签中所记录的标签类型，从预先构建的规律映射关系中查找该第一缺失标签的时间变化规律，以使该“第一缺失标签的时间变化规律”能够表示出该第一缺失标签随着时间推移的变化状态。

步骤12：若上述“第一缺失标签的时间变化规律”表示该第一缺失标签的标签值随着时间推移保持不变，则利用该第一缺失标签对应的历史参考标签值，对该第一缺失标签进行标签值填充处理，得到第一缺失标签的标签填充结果。

上述“第一缺失标签对应的历史参考标签值”是指在历史时间段内针对目标用户在该第一缺失标签下所确定的具有较高置信度的标签值。其中，“历史时间段内”用于表示当前时刻(例如，上述“待使用行为数据”所表征时间)之前的时间。

另外，本申请实施例不限定上述“第一缺失标签对应的历史参考标签值”的确定过程，例如，可以预先设定。又如，其具体可以包括步骤21-步骤22：

步骤21：获取目标用户在第一缺失标签下的至少一个历史预测标签值、以及该至少一个历史预测标签值的置信度。

上述“至少一个历史预测标签值”用于表示在历史时间段内针对目标用户在该第一缺失标签下所预测的至少一个标签值；而且本申请实施例不限定上述“至少一个历史预测标签值”，例如，其可以包括：在历史时间段内执行的各个画像标签预测处理过程中，针对目标用户在该第一缺失标签下预测所得的标签值。

上述“历史预测标签值的置信度”用于表示该历史预测标签值的可信程度；而且本申请实施例不限定该“历史预测标签值的置信度”，例如，当上述“画像标签预测处理”借助画像标签预测模型进行实施时，该“历史预测标签值的置信度”可以是由该画像标签预测模型针对该历史预测标签值输出的预测概率。

步骤22：根据至少一个历史预测标签值的置信度，从该至少一个历史预测标签值中确定第一缺失标签对应的历史参考标签值。

作为示例，步骤22具体可以包括步骤221-步骤222：

步骤221：根据至少一个历史预测标签值的置信度，从该至少一个历史预测标签值中筛选满足第一条件的目标预测值，得到筛选结果。

上述“第一条件”可以预先设定。例如，“第一条件”具体可以为：目标预测值的置信度达到预设置信度阈值，且目标预测值的置信度不低于各个历史预测标签值的置信度(也就是，目标预测值的置信度是上述“至少一个历史预测标签值的置信度”中的最大值)。

上述“筛选结果”用于表示上述“至少一个历史预测标签值的置信度”中是否存在满足第一条件的目标预测值。

步骤222：若筛选结果表示至少一个历史预测标签值中存在目标预测值，则将该目标预测值，确定为第一缺失标签对应的历史参考标签值。

本申请实施例中，在获取到筛选结果之后，如果该筛选结果表示上述“至少一个历史预测标签值的置信度”中存在目标预测值，则可以直接将该目标预测值，确定为第一缺失标签对应的历史参考标签值即可；然而，如果该筛选结果表示上述“至少一个历史预测标签值的置信度”中不存在目标预测值，则可以确定这些历史预测标签值的可信度都不高，故可以直接放弃针对上述“第一缺失标签”的标签值填充过程，以使该“第一缺失标签”的标签值依旧保持原样(例如，空)，如此能够有效地避免错误标签值填充的发生，从而有利于保证缺失标签的填充准确性。

基于上述“第一缺失标签对应的历史参考标签值”的相关内容可知，在上述“第一缺失标签”满足时间推理触发条件时，可以从该“第一缺失标签”的大量历史预测标签值中挑选出置信度比较大的历史预测标签值，以便后续能够基于该“置信度比较大的历史预测标签值”，推理确定该“第一缺失标签”的当前标签值。

基于上述步骤12的相关内容可知，在确定上述“第一缺失标签的时间变化规律”表示该第一缺失标签的标签值随着时间推移保持不变之后，可以直接利用该第一缺失标签对应的历史参考标签值，对该第一缺失标签进行标签值填充处理，得到第一缺失标签的标签填充结果。

步骤13：若上述“第一缺失标签的时间变化规律”表示该第一缺失标签的标签值随着时间推移按照预设规律进行变化，则根据该预设规律、该第一缺失标签对应的历史参考标签值、以及该第一缺失标签对应的时间差参考值，确定该第一缺失标签的标签填充结果。

上述“预设规律”可以预先设定。例如，“预设规律”可以是随着时间推移按照预设线型函数进行线型变化的规律。又如，“预设规律”也可以为：随着时间推荐按照预设非线性函数进行非线性变化的规律。

上述“第一缺失标签对应的时间差参考值”用于表示当前时间(例如，上述“待使用行为数据”所表征时间)与上述“第一缺失标签对应的历史参考标签值”所表征时间之间的时间差。

另外，本申请实施例不限定上述“按照预设规律进行推理”的实施方式，例如，其具体可以包括步骤131-步骤133：

步骤131：获取预设规律对应的规律表征函数。

上述“预设规律对应的规律表征函数”用于以函数形式表示出按照该预设规律的推理方式；而且本申请实施例不限定该“预设规律对应的规律表征函数”。

另外，本申请实施例不限定上述“预设规律对应的规律表征函数”的确定过程，例如，可以借助该第一缺失标签的大量历史预测标签值进行拟合。又如，也可以预先设定。还如，可以借助人机交互过程由相关人员设定。

步骤132：将第一缺失标签对应的历史参考标签值、以及该第一缺失标签对应的时间差参考值，输入规律表征函数，得到该第一缺失标签的标签值填充数据，以使该“第一缺失标签的标签值填充数据”用于表示需要填充至该第一缺失标签中的标签值。

步骤133：利用第一缺失标签的标签值填充数据，对该第一缺失标签进行标签值填充处理，得到该第一缺失标签的标签填充结果。

本申请实施例中，在获取到第一缺失标签的标签值填充数据之后，可以直接利用该标签值填充数据，对该第一缺失标签进行标签值填充处理，得到第一缺失标签的标签填充结果。

基于上述步骤13的相关内容可知，在确定上述“第一缺失标签的时间变化规律”表示该第一缺失标签的标签值随着时间按照预设规律进行变化之后，可以根据该预设规律、该第一缺失标签对应的历史参考标签值、以及该第一缺失标签对应的时间差参考值，确定该第一缺失标签的标签填充结果，以使该标签填充结果符合该预设规律。

基于上述S3的第一种可能的实施方式的相关内容可知，如果上述“预设推理填充条件”包括时间推理触发条件，则在确定上述“至少一个数据缺失标签”中存在满足时间推理触发条件的第一缺失标签之后，可以直接按照时间推理触发条件对应的时间推理规则(例如，步骤11-步骤13所示的时间推理规则)，对该第一缺失标签进行数据填充处理，得到该第一缺失标签的标签填充结果。其中，因上述“时间推理规则”能够按照第一缺失标签的时间变化特点，对该第一缺失标签进行标签值推理，使得基于该“时间推理规则”推理所得的标签填充结果比较符合该第一缺失标签的时间变化特点，如此有利于提高针对该第一缺失标签的标签值填充效果。

在第二种可能的实施方式中，当上述“预设推理填充条件”包括关系推理触发条件，上述“待填充标签”包括第二缺失标签时，S3具体可以包括：若确定至少一个数据缺失标签中存在满足关系推理触发条件的第二缺失标签，则按照该关系推理触发条件对应的关系推理规则，对该第二缺失标签进行数据填充处理，得到该第二缺失标签的标签填充结果。

上述“关系推理触发条件”用于表示能够借助不同用户之间的用户关联关系进行标签值推理的画像标签所达到的条件，以使该“时间推理触发条件”能够被用于筛选那些能够借助关联用户的画像标签预测结果进行标签值推理的的缺失标签。需要说明的是，本申请实施例不限定上述“用户关联关系”，例如，其可以是：同事关系、同校关系、同学关系、……等等。

另外，本申请实施例不限定上述“关系推理触发条件”，例如，其具体可以为：目标用户具有待使用关系标识标签(例如，学校标识标签)，且第二缺失标签属于该待使用关系下属性(例如，图2所示的学校属性)。其中，“待使用关系”可以是同事关系、同校关系、……等等。“待使用关系标识标签”用于标识该待使用关系。

上述“第二缺失标签”用于表示满足关系推理触发条件的数据缺失标签(也就是，基于关系推理触发条件筛选所得的待填充标签)，以使该“第二缺失标签”可以代表那些能够按照用户关联关系进行标签值推理的画像标签。

上述“关系推理触发条件对应的关系推理规则”是指针对满足关系推理触发条件的缺失标签采用的推理规则，以使该“关系推理触发条件对应的关系推理规则”能够表示出按照该缺失标签在待使用关系中所呈现的人物关联特点，对该缺失标签进行标签值推理。可见，当上述“第二缺失标签”满足预设推理填充条件时，该“预设推理填充条件对应的标签填充规则”能够用于按照该第二缺失标签在待使用关系中所呈现的人物关联特点，对该第二缺失标签进行标签值推理。

需要说明的是，本申请实施例不限定上述“人物关联特点”，例如，其可以为：标签值共享。

实际上，不同用户关联关系下的关联人群不同，故为了提高标签填充效果，本申请实施例还提供了一种关系推理方式(例如，图2所示的关系推理过程)，下面以“第二缺失标签的标签填充结果”的确定过程作为示例进行说明。

作为示例，当上述“第二缺失标签”满足关系推理触发条件时，上述“第二缺失标签的标签填充结果”的确定过程，具体可以包括步骤31-步骤33：

步骤31：根据待使用关系，确定目标用户的至少一个关联人员，以使各个关联人员均与目标用户之间具有待使用关系。

示例1，当上述“待使用关系”为同学关系时，步骤31具体可以为：将与目标用户具有同学关系的另一个用户，确定为该目标用户的关联人员。

示例2，当上述“待使用关系”为同事关系时，步骤31具体可以为：将目标用户所属的同事成员集合中除了该目标用户以外其他各个用户均确定为关联人员。

步骤32：若确定至少一个关联人员中存在满足第二条件的参考人员，则根据待使用关系对应的标签值关联关系、以及该参考人员在第二缺失标签下的预测标签值，确定目标用户在该第二缺失标签下的推理标签值。

上述“第二条件”可以预先设定，例如，其具体可以为：存在参考人员在第二缺失标签下的预测标签值。

另外，本申请实施例不限定上述“参考人员在第二缺失标签下的预测标签值”的确定过程，例如，其具体可以包括步骤41-步骤42：

步骤41：在获取到参考人员的待处理行为数据之后，对该待处理行为数据进行画像标签预测处理，得到待使用标签预测结果。

上述“待处理行为数据”用于描述参考用户针对互联网触发的操作行为(例如，视频观看、内容评价等操作行为)。需要说明的是，上述“待处理行为数据”的相关内容类似于上文S1所示的“待使用行为数据”的相关内容。

上述“待使用标签预测结果”用于描述参考人员的至少一种用户属性，以使该“待使用标签预测结果”能够表示出该参考用户所呈现的至少一种用户特征。需要说明的是，上述“待使用标签预测结果”的相关内容类似于上文S1所示的“画像标签预测结果”的相关内容。

另外，步骤41的实施方式类似于上文S1的实施方式。

需要说明的是，本申请实施例不限定步骤41的执行时间，例如，步骤41可以与上文S1 同时进行执行。

步骤42：根据待使用标签预测结果，确定参考人员在第二缺失标签下的预测标签值。

本申请实施中，在获取到待使用标签预测结果之后，如果该待使用标签预测结果中记录有该参考人员在第二缺失标签下的预测标签值，则可以确定该参考人员在第二缺失标签下的预测标签值可以被用于推理，与其具有同学关系的其他用户在第二缺失标签下的标签值填充数据。

基于步骤41至步骤42的相关内容可知，在一些应用场景中(例如，针对批量用户行为数据进行画像预测处理时)，可以借助上述“画像标签预测处理”获取到大量用户的标签预测结果，以便后续能够借助用户关联关系，从这些大量标签预测结果中筛选出参考人员在第二缺失标签下的预测标签值，以便后续能够基于该“参考人员在第二缺失标签下的预测标签值”推理该目标用户在第二缺失标签下的推理标签值。

上述“待使用关系对应的标签值关联关系”用于记录以该待使用关系进行关联的任意两个用户之间的标签值关联关系；而且本申请实施例不限定该“待使用关系对应的标签值关联关系”，例如，其可以包括：第1种关联用户对之间具有第1种标签值关联关系(例如，标签值共享)；第2种关联用户对之间具有第1种标签值关联关系；……；第H种关联用户对之间具有第H种标签值关联关系。其中，H为正整数。

可见，在获取到参考人员之后，可以先利用该参考人员与参考人员，构建待查询用户对关联类型；再将该待查询用户对关联类型与上述“待使用关系对应的标签值关联关系”中M种关联用户对类型进行匹配，以便在确定该待查询用户对关联类型与第m种关联用户对匹配成功时，直接根据该第m种关联用户对对应的第m种标签值关联关系，确定为该参考人员在第二缺失标签下的预测标签值、与该目标用户在第二缺失标签下的推理标签值之间的关联关系。可见，上述“待使用关系对应的标签值关联关系”包括参考人员在第二缺失标签下的预测标签值、与目标用户在所述第二缺失标签下的推理标签值之间的关联关系。

上述“目标用户在第二缺失标签下的推理标签值”用于表示需要填充至该第二缺失标签中的标签值。

基于上述步骤32的相关内容可知，在获取到至少一个关联人员之后，可以先依据这些关联人员在第二缺失标签下的标签预测结果，从这些关联人员中挑选出满足第二条件的参考人员，以使该参考人员具有其在第二缺失标签下的预测标签值；再利用该参考人员在第二缺失标签下的预测标签值，推理目标用户在第二缺失标签下的推理标签值。

步骤33：利用目标用户在第二缺失标签下的推理标签值，对该第二缺失标签进行标签值填充处理，得到该第二缺失标签的标签填充结果。

本申请实施例中，在获取到目标用户在第二缺失标签下的推理标签值之后，可以直接利用该推理标签值，对该第二缺失标签进行标签值填充处理，得到第二缺失标签的标签填充结果。

基于上述步骤31至步骤33的相关内容可知，在获取到至少一个关联人员之后，可以先依据这些关联人员在第二缺失标签下的标签预测结果，从这些关联人员中挑选出满足第二条件的参考人员，以使该参考人员具有其在第二缺失标签下的预测标签值；再利用该参考人员在第二缺失标签下的预测标签值，推理目标用户在第二缺失标签下的推理标签值；最后，利用该目标用户在第二缺失标签下的推理标签值，对该第二缺失标签进行标签值填充处理，得到该第二缺失标签的标签填充结果。

基于上述S3的第二种可能的实施方式的相关内容可知，如果上述“预设推理填充条件”包括关系推理触发条件，则在确定上述“至少一个数据缺失标签”中存在满足关系推理触发条件的第二缺失标签之后，可以直接按照该关系推理触发条件对应的关系推理规则(例如，步骤31-步骤33所示的关系推理规则)，对该第二缺失标签进行数据填充处理，得到该第二缺失标签的标签填充结果。其中，因上述“关系推理规则”能够按照第二缺失标签在待使用关系中所呈现的人物关联特点，对该第二缺失标签进行标签值推理，使得基于该“关系推理规则”推理所得的标签填充结果，比较符合该第二缺失标签在待使用关系中所呈现的人物关联特点，如此有利于提高针对该第二缺失标签的标签值填充效果。

在第三种可能的实施方式下，当上述“预设推理填充条件”包括时间推理触发条件和关系推理触发条件时，S3具体可以包括S31-S33：

S31：若确定至少一个数据缺失标签中存在满足时间推理触发条件的第一缺失标签，则按照该时间推理触发条件对应的时间推理规则，对该第一缺失标签进行数据填充处理，得到该第一缺失标签的标签填充结果。

需要说明的是，S31的相关内容请参见上文S3的第一种可能的实施方式的相关内容。

S32：若确定至少一个数据缺失标签中存在满足关系推理触发条件的第二缺失标签，则按照该关系推理触发条件对应的关系推理规则，对该第二缺失标签进行数据填充处理，得到该第二缺失标签的标签填充结果。

需要说明的是，S32的相关内容请参见上文S3的第二种可能的实施方式的相关内容。

S33：将第一缺失标签的标签填充结果、以及第二缺失标签的标签填充结果进行集合，得到待填充标签的标签填充结果。

基于上述S3的第三种可能的实施方式的相关内容可知，如果上述“预设推理填充条件”包括时间推理触发条件和关系推理触发条件，则可以针对满足时间推理触发条件的各个数据缺失标签，采用该时间推理触发条件对应的时间推理方式进行标签值推理，并针对满足关系推理触发条件的各个数据缺失标签，采用该关系推理触发条件对应的时间推理方式进行标签值推理，如此能够实现针对预设推理填充条件的各个数据缺失标签的标签值推理填充过程，如此能够实现针对缺失标签的标签值自动填充过程，从而有利于提高画像标签确定效果。

基于上述S1至S3的相关内容可知，对于本申请实施例提供的标签填充方法来说，在获取到目标用户的待使用行为数据之后，先对该待使用行为数据进行画像标签预测处理，得到画像标签预测结果，以使该画像标签预测结果用于表示出该目标用户的至少一种用户属性；再根据该画像标签预测结果，确定至少一个数据缺失标签，以使这些数据缺失标签能够表示出那些发生标签值缺失现象的画像标签；最后，在确定这些数据缺失标签中存在满足预设推理填充条件的待填充标签时，利用该预设推理填充条件对应的标签填充规则，对该待填充标签进行数据填充处理，得到该待填充标签的标签填充结果，以使该标签填充结果能够表示出该目标用户在该待填充标签中理应填充的标签值。

其中，因上述“预设推理填充条件”用于筛选那些能够借助逻辑推理方式进行标签值填充的缺失标签，以使基于该“预设推理填充条件”所筛选出的待填充标签的标签值均可以借助该待填充标签的自身属性特点进行准确地推理得到；还因上述“标签填充规则”能够按照该待填充标签的自身属性特点，对该待填充标签进行标签值推理，使得利用该“标签填充规则”针对该待填充标签填充所得的标签填充结果，能够比较准确地表示出该目标用户在该待填充标签中理应填充的标签值，如此能够实现针对那些具有逻辑可推理特性的缺失标签进行标签值自动填充的目的，从而有利于克服标签缺失现象所造成的不良影响，进而有利于提高画像标签的确定效果。

方法实施例二

实际上，在针对缺失标签进行标签值自动填充之后，还可以利用填充后的缺失标签，更新目标用户的画像标签，如此能够针对目标用户获取到更全面的画像标签。

基于此，本申请实施例还提供了标签填充方法的另一种可能的实施方式，在该实施方式中，该标签填充方法不仅包括上述S1-S3，该方法可以还包括S4-S5：

S4：根据画像标签预测结果，确定目标用户的画像标签。

需要说明的是，S4的相关内容请参见上文S21的相关内容。

还需要说明的是，本申请实施例不限定S4的执行时间；而且S4的执行时间可以介于S1 的执行时间与S5的执行时间之间。

S5：利用待填充标签的标签填充结果，对目标用户的画像标签进行更新。

需要说明的是，本申请实施例不限定S5的实施方式，例如，其具体可以为：将待填充标签的标签填充结果，添加至目标用户的画像标签，得到该目标用户的更新后的画像标签，以使该更新后的画像标签不仅记录有借助上文“画像标签预测处理”确定的用户属性，还记录由借助逻辑推理(例如，时间推理+关系推理)方式针对缺失标签填充所得的用户属性。

基于上述S1至S5的相关内容可知，在获取到目标用户的待使用行为数据之后，先对该待使用行为数据进行画像标签预测处理，得到画像标签预测结果；再根据该画像标签预测结果，确定目标用户的画像标签、以及一些发生标签值缺失现象的数据缺失标签；然后，借助逻辑推理填充方式，针对部分或者全部数据缺失标签进行标签值推理填充处理，得到一些数据缺失标签的标签填充结果；最后，利用这些数据缺失标签的标签填充结果，对目标用户的画像标签进行更新，以使更新后的画像标签记录有更多更全面的用户属性，从而使得更新后的画像标签能够更好地表示出该目标用户所具有的用户特点，如此能够有效地克服标签缺失现象所造成的不良影响，进而能够提高画像标签的确定效果。

基于上述方法实施例提供的标签填充方法，本申请实施例还提供了一种标签填充装置，下面结合附图进行解释和说明。

装置实施例

装置实施例提供的标签填充装置的技术详情，请参照上述方法实施例。

参见图3，该图为本申请实施例提供的一种标签填充装置的结构示意图。

本申请实施例提供的标签填充装置600，包括：

标签预测单元601，用于在获取到目标用户的待使用行为数据之后，对所述待使用行为数据进行画像标签预测处理，得到画像标签预测结果；

缺失确定单元602，用于根据所述画像标签预测结果，确定至少一个数据缺失标签；

标签填充单元603，用于若确定所述至少一个数据缺失标签中存在满足预设推理填充条件的待填充标签，则利用所述预设推理填充条件对应的标签填充规则，对所述待填充标签进行数据填充处理，得到所述待填充标签的标签填充结果；其中，所述标签填充规则用于按照所述待填充标签的自身属性特点，对所述待填充标签进行标签值推理。

在一种可能的实施方式中，所述预设推理填充条件包括时间推理触发条件和/或关系推理触发条件。

在一种可能的实施方式中，所述预设推理填充条件包括时间推理触发条件；所述待填充标签包括第一缺失标签；

所述标签填充单元603，包括：

时间推理填充子单元，用于若确定所述至少一个数据缺失标签中存在满足时间推理触发条件的第一缺失标签，则利用所述时间推理触发条件对应的时间推理规则，对所述第一缺失标签进行数据填充处理，得到所述第一缺失标签的标签填充结果；其中，所述时间推理规则用于按照所述第一缺失标签的时间变化特点，对所述第一缺失标签进行标签值推理。

在一种可能的实施方式中，所述时间推理填充子单元，包括：

规律确定子单元，用于确定所述第一缺失标签的时间变化规律；

第一填充子单元，用于若所述时间变化规律表示所述第一缺失标签的标签值随着时间推移保持不变，则利用所述第一缺失标签对应的历史参考标签值，对所述第一缺失标签进行标签值填充处理，得到所述第一缺失标签的标签填充结果；

第二填充子单元，用于若所述时间变化规律表示所述第一缺失标签的标签值随着时间推移按照预设规律进行变化，则根据所述预设规律、所述第一缺失标签对应的历史参考标签值、以及所述第一缺失标签对应的时间差参考值，确定所述第一缺失标签的标签填充结果。

在一种可能的实施方式中，所述第二填充子单元，具体用于：若所述时间变化规律表示所述第一缺失标签的标签值随着时间推移按照预设规律进行变化，则获取所述预设规律对应的规律表征函数；将所述第一缺失标签对应的历史参考标签值、以及所述第一缺失标签对应的时间差参考值，输入所述规律表征函数，得到所述第一缺失标签的标签值填充数据；利用所述第一缺失标签的标签值填充数据，对所述第一缺失标签进行标签值填充处理，得到所述第一缺失标签的标签填充结果。

在一种可能的实施方式中，所述时间推理填充子单元，还包括：

历史结果获取子单元，用于获取所述目标用户在所述第一缺失标签下的至少一个历史预测标签值、以及所述至少一个历史预测标签值的置信度；

参考值确定子单元，用于根据所述至少一个历史预测标签值的置信度，从所述至少一个历史预测标签值中确定所述第一缺失标签对应的历史参考标签值。

在一种可能的实施方式中，所述参考值确定子单元，具体用于：根据所述至少一个历史预测标签值的置信度，从所述至少一个历史预测标签值中筛选满足第一条件的目标预测值，得到筛选结果；若所述筛选结果表示所述至少一个历史预测标签值中存在目标预测值，则将所述目标预测值，确定为所述第一缺失标签对应的历史参考标签值。

在一种可能的实施方式中，所述预设推理填充条件包括关系推理触发条件；所述待填充标签包括第二缺失标签；

所述标签填充单元603，包括：

关系推理填充子单元，用于若确定所述至少一个数据缺失标签中存在满足关系推理触发条件的第二缺失标签，则利用所述关系推理触发条件对应的关系推理规则，对所述第二缺失标签进行数据填充处理，得到所述第二缺失标签的标签填充结果；其中，所述关系推理规则用于按照所述第二缺失标签在待使用关系中所呈现的人物关联特点，对所述第二缺失标签进行标签值推理。

在一种可能的实施方式中，所述关系推理填充子单元，包括：

关联人员确定子单元，用于根据所述待使用关系，确定所述目标用户的至少一个关联人员；

标签值推理子单元，用于若确定所述至少一个关联人员中存在满足第二条件的参考人员，则根据所述待使用关系对应的标签值关联关系、以及所述参考人员在所述第二缺失标签下的预测标签值，确定所述目标用户在所述第二缺失标签下的推理标签值；其中，所述标签值关联关系包括所述参考人员在所述第二缺失标签下的预测标签值、与所述目标用户在所述第二缺失标签下的推理标签值之间的关联关系；

标签值填充子单元，用于利用所述推理标签值，对所述第二缺失标签进行标签值填充处理，得到所述第二缺失标签的标签填充结果。

在一种可能的实施方式中，所述标签填充装置600还包括：

参考预测单元，用于在获取到所述参考人员的待处理行为数据之后，对所述待处理行为数据进行画像标签预测处理，得到待使用标签预测结果；

参考确定单元，用于根据所述待使用标签预测结果，确定所述参考人员在所述第二缺失标签下的预测标签值。

在一种可能的实施方式中，所述标签填充装置600还包括：

画像确定单元，用于根据所述画像标签预测结果，确定所述目标用户的画像标签；

画像更新单元，用于利用所述待填充标签的标签填充结果，对所述目标用户的画像标签进行更新。

基于上述标签填充装置600的相关内容可知，对于本申请实施例提供的标签填充装置 600来说，在获取到目标用户的待使用行为数据之后，先对该待使用行为数据进行画像标签预测处理，得到画像标签预测结果，以使该画像标签预测结果用于表示出该目标用户的至少一种用户属性；再根据该画像标签预测结果，确定至少一个数据缺失标签，以使这些数据缺失标签能够表示出那些发生标签值缺失现象的画像标签；最后，在确定这些数据缺失标签中存在满足预设推理填充条件的待填充标签时，利用该预设推理填充条件对应的标签填充规则，对该待填充标签进行数据填充处理，得到该待填充标签的标签填充结果，以使该标签填充结果能够表示出该目标用户在该待填充标签中理应填充的标签值。

可见，因上述“预设推理填充条件”用于筛选那些能够借助逻辑推理方式进行标签值填充的缺失标签，以使基于该“预设推理填充条件”所筛选出的待填充标签的标签值均可以借助该待填充标签的自身属性特点进行准确地推理得到；还因上述“标签填充规则”能够按照该待填充标签的自身属性特点，对该待填充标签进行标签值推理，使得利用该“标签填充规则”针对该待填充标签填充所得的标签填充结果，能够比较准确地表示出该目标用户在该待填充标签中理应填充的标签值，如此能够实现针对那些具有逻辑可推理特性的缺失标签进行标签值自动填充的目的，从而有利于克服标签缺失现象所造成的不良影响，进而有利于提高画像标签的确定效果。

进一步地，本申请实施例还提供了一种设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行本申请实施例提供的标签填充方法的任一实施方式。

进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行本申请实施例提供的标签填充方法的任一实施方式。

进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行本申请实施例提供的标签填充方法的任一实施方式。

需要说明的是，在本申请实施例中，上述“目标用户的待使用行为数据”、“待使用关系”、“待填充标签的标签填充结果”、“第一缺失标签的标签填充结果”、以及“第二缺失标签的标签填充结果”等信息均不涉及该目标用户的敏感信息，该“目标用户的待使用行为数据”、以及“待使用关系”等信息是在经过目标用户授权之后获取并使用的，而且该“待填充标签的标签填充结果”、“第一缺失标签的标签填充结果”、以及“第二缺失标签的标签填充结果”等信息是在经过目标用户授权之后确定的。在一个示例中，在获取上述“目标用户的待使用行为数据”(或者，获取上述“待使用关系”；或者，确定上述“待填充标签的标签填充结果”、“第一缺失标签的标签填充结果”、或者“第二缺失标签的标签填充结果”等信息)之前，相应界面显示获取数据使用授权相关的提示信息，该提示信息是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，目标用户基于该提示信息确定是否同意授权。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。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和 /或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a 和b和c”，其中a，b，c可以是单个，也可以是多个。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (15)

1.一种标签填充方法，其特征在于，所述方法包括：

在获取到目标用户的待使用行为数据之后，对所述待使用行为数据进行画像标签预测处理，得到画像标签预测结果；

根据所述画像标签预测结果，确定至少一个数据缺失标签；

若确定所述至少一个数据缺失标签中存在满足预设推理填充条件的待填充标签，则利用所述预设推理填充条件对应的标签填充规则，对所述待填充标签进行数据填充处理，得到所述待填充标签的标签填充结果；其中，所述标签填充规则用于按照所述待填充标签的自身属性特点，对所述待填充标签进行标签值推理。

2.根据权利要求1所述的方法，其特征在于，所述预设推理填充条件包括时间推理触发条件和/或关系推理触发条件。

3.根据权利要求2所述的方法，其特征在于，所述预设推理填充条件包括时间推理触发条件；所述待填充标签包括第一缺失标签；

所述若确定所述至少一个数据缺失标签中存在满足预设推理填充条件的待填充标签，则按照所述预设推理填充条件对应的标签填充规则，对所述待填充标签进行数据填充处理，得到所述待填充标签的标签填充结果，包括：

若确定所述至少一个数据缺失标签中存在满足时间推理触发条件的第一缺失标签，则利用所述时间推理触发条件对应的时间推理规则，对所述第一缺失标签进行数据填充处理，得到所述第一缺失标签的标签填充结果；其中，所述时间推理规则用于按照所述第一缺失标签的时间变化特点，对所述第一缺失标签进行标签值推理。

4.根据权利要求3所述的方法，其特征在于，所述第一缺失标签的标签填充结果的确定过程，包括：

确定所述第一缺失标签的时间变化规律；

若所述时间变化规律表示所述第一缺失标签的标签值随着时间推移保持不变，则利用所述第一缺失标签对应的历史参考标签值，对所述第一缺失标签进行标签值填充处理，得到所述第一缺失标签的标签填充结果；

若所述时间变化规律表示所述第一缺失标签的标签值随着时间推移按照预设规律进行变化，则根据所述预设规律、所述第一缺失标签对应的历史参考标签值、以及所述第一缺失标签对应的时间差参考值，确定所述第一缺失标签的标签填充结果。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

获取所述预设规律对应的规律表征函数；

所述根据所述预设规律、所述第一缺失标签对应的历史参考标签值、以及所述第一缺失标签对应的时间差参考值，确定所述第一缺失标签的标签填充结果，包括：

将所述第一缺失标签对应的历史参考标签值、以及所述第一缺失标签对应的时间差参考值，输入所述规律表征函数，得到所述第一缺失标签的标签值填充数据；

利用所述第一缺失标签的标签值填充数据，对所述第一缺失标签进行标签值填充处理，得到所述第一缺失标签的标签填充结果。

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

获取所述目标用户在所述第一缺失标签下的至少一个历史预测标签值、以及所述至少一个历史预测标签值的置信度；

根据所述至少一个历史预测标签值的置信度，从所述至少一个历史预测标签值中确定所述第一缺失标签对应的历史参考标签值。

7.根据权利要求6所述的方法，其特征在于，所述根据所述至少一个历史预测标签值的置信度，从所述至少一个历史预测标签值中确定所述第一缺失标签对应的历史参考标签值，包括：

根据所述至少一个历史预测标签值的置信度，从所述至少一个历史预测标签值中筛选满足第一条件的目标预测值，得到筛选结果；

若所述筛选结果表示所述至少一个历史预测标签值中存在目标预测值，则将所述目标预测值，确定为所述第一缺失标签对应的历史参考标签值。

8.根据权利要求2所述的方法，其特征在于，所述预设推理填充条件包括关系推理触发条件；所述待填充标签包括第二缺失标签；

所述若确定所述至少一个数据缺失标签中存在满足预设推理填充条件的待填充标签，则按照所述预设推理填充条件对应的标签填充规则，对所述待填充标签进行数据填充处理，得到所述待填充标签的标签填充结果，包括：

若确定所述至少一个数据缺失标签中存在满足关系推理触发条件的第二缺失标签，则利用所述关系推理触发条件对应的关系推理规则，对所述第二缺失标签进行数据填充处理，得到所述第二缺失标签的标签填充结果；其中，所述关系推理规则用于按照所述第二缺失标签在待使用关系中所呈现的人物关联特点，对所述第二缺失标签进行标签值推理。

9.根据权利要求8所述的方法，其特征在于，所述第二缺失标签的标签填充结果的确定过程，包括：

根据所述待使用关系，确定所述目标用户的至少一个关联人员；

若确定所述至少一个关联人员中存在满足第二条件的参考人员，则根据所述待使用关系对应的标签值关联关系、以及所述参考人员在所述第二缺失标签下的预测标签值，确定所述目标用户在所述第二缺失标签下的推理标签值；其中，所述标签值关联关系包括所述参考人员在所述第二缺失标签下的预测标签值、与所述目标用户在所述第二缺失标签下的推理标签值之间的关联关系；

利用所述推理标签值，对所述第二缺失标签进行标签值填充处理，得到所述第二缺失标签的标签填充结果。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

在获取到所述参考人员的待处理行为数据之后，对所述待处理行为数据进行画像标签预测处理，得到待使用标签预测结果；

根据所述待使用标签预测结果，确定所述参考人员在所述第二缺失标签下的预测标签值。

11.根据权利要求1-10任一项所述的方法，其特征在于，所述方法还包括：

根据所述画像标签预测结果，确定所述目标用户的画像标签；

利用所述待填充标签的标签填充结果，对所述目标用户的画像标签进行更新。

12.一种标签填充装置，其特征在于，包括：

标签预测单元，用于在获取到目标用户的待使用行为数据之后，对所述待使用行为数据进行画像标签预测处理，得到画像标签预测结果；

缺失确定单元，用于根据所述画像标签预测结果，确定至少一个数据缺失标签；

标签填充单元，用于若确定所述至少一个数据缺失标签中存在满足预设推理填充条件的待填充标签，则利用所述预设推理填充条件对应的标签填充规则，对所述待填充标签进行数据填充处理，得到所述待填充标签的标签填充结果；其中，所述标签填充规则用于按照所述待填充标签的自身属性特点，对所述待填充标签进行标签值推理。

13.一种设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行权利要求1-11中任一项所述的方法。

14.一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用于存储计算机程序，所述计算机程序用于执行权利要求1-11中任一项所述的方法。

15.一种计算机程序产品，其特征在于，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行权利要求1-11中任一项所述的方法。

Images