用户标签的优化方法、装置、设备及存储介质与流程

1.本发明涉及通信技术领域，尤其涉及一种用户标签的优化方法、装置、设备以及计算机可读存储介质。


背景技术：

2.现有5g消息投放主要根据终端用户的对应的用户标签来实现，对相关标签下的用户进行定向投放。用户标签一般为用户自行定义的或运营商通过大数据得出。因此用户标签的准确性直接关系到消息投放的精准性。但是现有的用户标签准确性不高导致行业消息投放的精准性不高。
3.因此当前亟需一种新的用户标签的优化方法、装置、设备及计算机可读存储介质解决上述技术问题。


技术实现要素：

4.本发明的主要目的在于提供一种用户标签的优化方法、装置、设备及计算机可读存储介质，旨在解决现有用户标签准确性不高的技术问题。
5.为实现上述目的，本发明提供一种用户标签的优化方法，包括以下步骤：
6.每间隔预设时间获取各终端用户对应行业兴趣信息，根据所述行业兴趣信息，构建兴趣拓扑数据集，所述兴趣拓扑数据集包括用户节点、行业节点和标签节点，所述兴趣拓扑数据集以邻接矩阵和特征矩阵表征；
7.将所述邻接矩阵和特征矩阵表征输入图自编码器中，获得与各用户节点对应的向量表示；
8.根据所述向量表示对各所述用户节点进行共性聚类，生成多个共类簇；
9.确定各所述共类簇中位于聚类中心的用户节点，根据所述位于聚类中心的用户节点对应的用户标签信息优化位于同一所述共类簇的其他用户节点对应用户标签信息。
10.可选地，每间隔预设时间获取各终端用户对应行业兴趣信息，根据所述行业兴趣信息，构建兴趣拓扑数据集的步骤包括：
11.每间隔预设时间获取各终端用户对应的用户标签信息和行业兴趣信息，以及所述用户标签、终端用户、行业兴趣的静态属性信息；
12.根据所述用户标签信息、行业兴趣信息和属性信息，生成与终端用户对应的用户节点、与行业兴趣信息对应的行业节点、以及与用户标签对应的标签节点；
13.计算所述用户节点、行业节点和标签节点之间的连接关系，并根据所述连接关系生成邻接矩阵；
14.根据所述用户标签信息、行业兴趣信息和属性信息，生成与各所述用户节点、行业节点和标签节点对应的特征描述，并根据所述特征描述生成特征矩阵；
15.根据邻接矩阵和特征矩阵生成以终端用户为中心节点的兴趣拓扑数据集。
16.可选地，所述根据所述用户标签信息、行业兴趣信息和属性信息，计算用户节点、
行业节点和标签节点之间的连接关系，并根据所述连接关系生成邻接矩阵的步骤包括：
17.根据所述用户标签信息、行业兴趣信息和属性信息，计算用户节点、行业节点和标签节点之间的连接关系；
18.对所述连接关系进行独热编码处理，并根据进行独热编码处理的所述连接关系生成邻接矩阵。
19.可选地，所述根据所述用户标签信息、行业兴趣信息和属性信息，生成与各所述用户节点、行业节点和标签节点对应的特征描述，并根据所述特征描述生成特征矩阵的步骤包括：
20.根据所述用户标签信息、行业兴趣信息和属性信息，生成与各所述用户节点、行业节点和标签节点对应的特征描述；
21.设置所述特征描述中最长文本长度为序列化长度，将各所述特征描述填充处理，生成序列化长度的所述特征描述；
22.根据序列化长度的所述特征描述生成特征矩阵。
23.可选地，所述将所述兴趣拓扑数据集输入图自编码器中，获得与各终端用户对应的向量表示的步骤包括：
24.将所述兴趣拓扑数据集输入图自编码器中，输出重建的所述邻接矩阵，根据重建的所述邻接矩阵和真实的所述邻接矩阵之间的误差进行迭代训练，直至训练完成；
25.根据训练完成的图自编码器，获得与各用户节点对应的向量表示。
26.可选地，所述确定各所述共类簇中位于聚类中心的用户节点，根据所述位于聚类中心的用户节点对应的用户标签信息优化位于同一所述共类簇的其他用户节点对应用户标签信息的步骤包括：
27.确定各所述共类簇中位于聚类中心的用户节点，根据所述位于聚类中心的用户节点对应的用户标签信息；
28.将所述位于聚类中心的用户节点对应的用户标签信息与位于同一所述共类簇的其他用户节点关联。
29.可选地，所述确定各所述共类簇中位于聚类中心的用户节点，根据所述位于聚类中心的用户节点对应的用户标签信息优化位于同一所述共类簇的其他用户节点对应用户标签信息的步骤包括：
30.获取各所述共类簇中所有用户节点对应的各用户标签信息数量，并根据用户标签的数量，确定各所述共类簇对应的推荐标签集合；
31.将所述推荐标签集合发送至对应所述共类簇的各终端用户；
32.接收用户根据所述推荐标签集合反馈的选择标签，存储所述终端用户关联所述选择标签。
33.此外，为实现上述目的，本发明还提供了一种用户标签的优化装置，所述用户标签的优化装置包括：
34.数据集生成模块，用于每间隔预设时间获取各终端用户对应行业兴趣信息，根据所述行业兴趣信息，构建兴趣拓扑数据集，所述兴趣拓扑数据集包括用户节点、行业节点和标签节点，所述兴趣拓扑数据集以邻接矩阵和特征矩阵表征；
35.图自编码模块，用于将所述邻接矩阵和特征矩阵表征输入图自编码器中，获得与
各用户节点对应的向量表示；
36.聚类模块，用于根据所述向量表示对各所述用户节点进行共性聚类，生成多个共类簇；
37.优化模块，用于确定各所述共类簇中位于聚类中心的用户节点，根据所述位于聚类中心的用户节点对应的用户标签信息优化位于同一所述共类簇的其他用户节点对应用户标签信息。
38.此外，为实现上述目的，本发明还提供一种用户标签的优化设备，所述用户标签的优化设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用户标签优化程序，所述用户标签优化程序被所述处理器执行时实现如上述的用户标签的优化方法的步骤。
39.此外，为实现上述目的，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上存储有用户标签优化程序，所述用户标签优化程序被处理器执行时实现如上述的用户标签的优化方法的步骤。
40.在本发明中通过利用图自编码器能够有效提取兴趣拓扑数据集的空间特征特点，从而提取用户节点对应的兴趣拓扑表征，并结合注意力机制对兴趣拓扑数据集中邻居节点影响力的差异分配不同权重，然后对其中聚合了行业兴趣信息的用户节点进行共性聚类。从而可以通过位于聚类中心的用户节点对应的用户标签信息优化位于同一所述共类簇的其他用户节点对应用户标签信息，使得用户标签设置更准确。可以进一步提高5g消息终端用户的标签准确率，使得5g行业消息投放更为精准。
附图说明
41.图1是本发明实施例方案涉及的硬件运行环境的终端\装置结构示意图；
42.图2为本发明用户标签的优化方法第一实施例的流程示意图；
43.图3为本发明用户标签的优化方法中步骤s50的细化流程示意图；
44.图4为本发明用户标签的优化方法中步骤s10的细化流程示意图；
45.图5为本发明用户标签的优化方法中兴趣拓扑数据集的架构示意图；
46.图6为本发明用户标签的优化装置的装置模块示意图。
47.本发明目的实现、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
48.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。
49.如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
50.本发明实施例终端为用户标签的优化设备。
51.如图1所示，该终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器
1001的存储装置。
52.本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
53.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及用户标签优化程序。
54.在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的用户标签优化程序，并执行以下操作：
55.每间隔预设时间获取各终端用户对应行业兴趣信息，根据所述行业兴趣信息，构建兴趣拓扑数据集，所述兴趣拓扑数据集包括用户节点、行业节点和标签节点，所述兴趣拓扑数据集以邻接矩阵和特征矩阵表征；
56.将所述邻接矩阵和特征矩阵表征输入图自编码器中，获得与各用户节点对应的向量表示；
57.根据所述向量表示对各所述用户节点进行共性聚类，生成多个共类簇；
58.确定各所述共类簇中位于聚类中心的用户节点，根据所述位于聚类中心的用户节点对应的用户标签信息优化位于同一所述共类簇的其他用户节点对应用户标签信息。
59.参照图2，本发明提供一种用户标签的优化方法，在用户标签的优化方法的第一实施例中，用户标签的优化方法包括以下步骤：
60.步骤s10，每间隔预设时间获取各终端用户对应行业兴趣信息，根据所述行业兴趣信息，构建兴趣拓扑数据集，所述兴趣拓扑数据集包括用户节点、行业节点和标签节点，所述兴趣拓扑数据集以邻接矩阵和特征矩阵表征；
61.本发明中具体通过5g消息开放平台获取各终端用户对应行业兴趣信息。以下具体以5g消息投放为例进行本发明提供的用户标签的优化方法的说明，本领域技术人员可以理解的是，本发明提供的用户标签的优化方法还可以用于其他定向信息推送中、或其他需要进行用户画像标签优化过程中。
62.5g消息业务基于终端原生短信入口，为用户提供文本、图片、音频、视频、位置、联系人等媒体内容的发送和接收。现有5g消息面向行业客户提供增强的个人与应用间消息服务，并且引入了新的消息交互模式——chatbot聊天机器人，大家可以在消息窗口直观便捷地享受缴费充值、票务订购、酒店预订、物流查询、餐饮订座、外卖下单等各类5g应用服务。其中chatbot是一种行业客户向终端用户提供的以对话形式呈现的服务，该服务通常基于人工智能软件，模拟人类智能对话，向用户提供特定服务功能。所述5g消息开放平台用于协助行业客户按需实现多场景的沟通，行业客户可通过该平台快速完成消息应用的部署。
63.各终端用户对应行业兴趣信息具体可以为终端用户关联的用户标签信息、关注的行业兴趣信息、拒绝关注的行业兴趣信息等。如图3所示，在本实施例中，构建了3类节点，分别为用户节点、行业节点和标签节点，其中用户节点与终端用户对应、行业节点与行业兴趣信息对应、用户标签与标签节点对应。
64.兴趣拓扑数据集以邻接矩阵和特征矩阵表征，即通过邻接矩阵，以矩阵形式表现兴趣拓扑数据集中各个节点的连接关系；通过特征矩阵对兴趣拓扑数据集中各个节点每个节点进行的特征描述。
65.步骤s20，将所述邻接矩阵和特征矩阵表征输入图自编码器中，获得与各用户节点对应的向量表示；
66.图自编码器为基于图注意力网络设置的计算模型，其通过在传播层引入attention机制，使中心节点特征的聚合过程中，对不同的相邻节点分配不同的权重，对相邻节点的注意力产生差异，从而关注那些关联比较大的切片节点，而忽视一些关联较小的切片节点。在图自编码器中设置编码器和解码器，编码器利用图卷积神经网络提取某一时段的用户节点对应的兴趣拓扑空间特征，将该节点和连接关系投影到低维向量空间中，解码器通过计算节点对的内积来重构兴趣拓扑数据集。然后利用训练完毕的解码器输出的表征该时段用户节点的兴趣拓扑潜在空间向量表示，再从中选取出用户节点的向量表示。
67.步骤s30，根据所述向量表示对各所述用户节点进行共性聚类，生成多个共类簇；
68.具体可以依次假设各个用户节点为聚类中心，计算各个节点之间属于某个共性类别的概率，从而得到多个共类簇。一个共类簇中包括多个用户节点，其中一个为聚类中心。
69.步骤s40，确定各所述共类簇中位于聚类中心的用户节点，根据所述位于聚类中心的用户节点对应的用户标签信息优化位于同一所述共类簇的其他用户节点对应用户标签信息。
70.在一实施例中，步骤s40包括：
71.步骤a，确定各所述共类簇中位于聚类中心的用户节点，根据所述位于聚类中心的用户节点对应的用户标签信息；
72.步骤b，将所述位于聚类中心的用户节点对应的用户标签信息与位于同一所述共类簇的其他用户节点关联。
73.在本发明中通过利用图自编码器能够有效提取兴趣拓扑数据集的空间特征特点，从而提取用户节点对应的兴趣拓扑表征，并结合注意力机制对兴趣拓扑数据集中邻居节点影响力的差异分配不同权重，然后对其中聚合了行业兴趣信息的用户节点进行共性聚类。从而可以通过位于聚类中心的用户节点对应的用户标签信息优化位于同一所述共类簇的其他用户节点对应用户标签信息，使得用户标签设置更准确。可以进一步提高5g消息终端用户的标签准确率，使得5g行业消息投放更为精准。
74.请参阅图4，在用户标签的优化方法的第二实施例中，步骤s10包括：
75.步骤s11，每间隔预设时间获取各终端用户对应的用户标签信息和行业兴趣信息，以及所述用户标签、终端用户、行业兴趣的静态属性信息；
76.用户标签的静态属性信息具体可以包括用户标签名、所属标签类型、标签来源是由终端用户自行选择或运营商通过大数据得出等；终端用户的静态属性信息具体可以包括终端用户的开户地点、在网时间、当前注册地、月均收入(arpu)等；行业兴趣(chatbot)的静态属性信息包括该行业用户所属行业、面向用户群等。不同节点之间的关系可以包括用户标签与终端用户之间的关系，终端用户与行业兴趣之间的关系，例如终端用户关注或拒绝一个或多个行业行业兴趣的关系。
77.步骤s12，根据所述用户标签信息、行业兴趣信息和属性信息，生成与终端用户对应的用户节点、与行业兴趣信息对应的行业节点、以及与用户标签对应的标签节点；
78.步骤s13，计算所述用户节点、行业节点和标签节点之间的连接关系，并根据所述连接关系生成邻接矩阵；
79.具体地，步骤s13包括：
80.步骤c，根据所述用户标签信息、行业兴趣信息和属性信息，计算用户节点、行业节点和标签节点之间的连接关系；
81.步骤d，对所述连接关系进行独热编码处理，并根据进行独热编码处理的所述连接关系生成邻接矩阵。
82.具体可以通过e
ij
表示节点vi和节点vj之间的连接关系，eij＝(vi，r，vj)，其中r为边的类型，即节点vi和节点vj之间连接的边线。在本实施例中连接关系包含所属关系、关注关系、拒绝关系和无连接，将四种连接关系进行独热编码，形成形状为n*n的邻接矩阵，n为节点的个数。
83.步骤d之后执行：步骤s14，根据所述用户标签信息、行业兴趣信息和属性信息，生成与各所述用户节点、行业节点和标签节点对应的特征描述，并根据所述特征描述生成特征矩阵；
84.具体地，步骤s14包括：
85.步骤e，根据所述用户标签信息、行业兴趣信息和属性信息，生成与各所述用户节点、行业节点和标签节点对应的特征描述；
86.步骤f，设置所述特征描述中最长文本长度为序列化长度，将各所述特征描述填充处理，生成序列化长度的所述特征描述；
87.步骤g，根据序列化长度的所述特征描述生成特征矩阵。
88.数据集中长度最长文本的长度为序列化长度f，将每条数据的长度均填充为f，取其词典大小为k。生成一个n*f的特征矩阵。
89.步骤s15，根据邻接矩阵和特征矩阵生成以终端用户为中心节点的兴趣拓扑数据集。
90.通过步骤s11至s15对数据进行处理，从而得到含有用户标签、行业兴趣和终端用户关系的兴趣拓扑数据集。
91.请参阅图5，在用户标签的优化方法的第三实施例中，步骤s40之后包括：
92.步骤s41，获取各所述共类簇中所有用户节点对应的各用户标签信息数量，并根据用户标签的数量，确定各所述共类簇对应的推荐标签集合；
93.步骤s42，将所述推荐标签集合发送至对应所述共类簇的各终端用户；
94.步骤s43，接收用户根据所述推荐标签集合反馈的选择标签，存储所述终端用户关联所述选择标签。
95.具体可以统计出的数量最多或数量较多预设个数的用户标签，形成推荐标签集合，将该推荐标签集合发送至终端用户，使得用户可以根据该推荐标签集合进行选择，基于推荐自定义自己感兴趣的标签，从而进一步提高终端用户关联的用户标签的准确性。
96.在用户标签的优化方法的第四实施例中，步骤s30包括：
97.步骤h，将所述兴趣拓扑数据集输入图自编码器中，输出重建的所述邻接矩阵，根据重建的所述邻接矩阵和真实的所述邻接矩阵之间的误差进行迭代训练，直至训练完成；
98.步骤i，根据训练完成的图自编码器，获得与各用户节点对应的向量表示。
99.在本实施例中图自编码器(gae，graph auto-encoder)分为编码器和解码器，编码器由一个图卷积神经网络(gcn)组成，解码器负责进行一个内积(inner product)操作对邻
接矩阵进行重建。
100.具体地，编码器用于根据输入的邻接矩阵a和特征矩阵x，输出节点和边的潜在空间向量表示z。其中第一层为输入层，用于输入邻接矩阵a和特征矩阵x；第二层为图注意力层，其中卷积核个数为128，激活函数为relu函数。图注意力层函数可表示为：
[0101][0102]
其中，z
il
为第l层节点i的向量表示，z
il+1
为第l+1层聚合邻居节点特征的节点i的向量表示，ni代表节点i对应的邻居节点集合，α
ij
表示节点对(i，j)之间的注意力权重，σ为激活函数，w为节点特征转换的权重矩阵。
[0103]
第三层为随机舍弃层(dropout)，在本实施例中舍弃概率设置为0.2，将在训练过程中每次更新参数时按一定20％概率随机断开输入神经元，以防止过拟合；第四层为图注意力层，卷积核个数为64，激活函数设置为lambda函数；第五层为随机舍弃层，舍弃概率设置为0.2。
[0104]
解码器用于根据输入的某一时段用户节点兴趣拓扑的潜在空间向量表示z，输出重构的邻接矩阵。具体地，第六层为内积层(inner product)，用于将潜在空间向量表示z与z的转置相乘输入至激活函数，激活函数设置为sifmoid函数，具体可以表示为以下函数：
[0105][0106]
再计算重构的邻接矩阵和真实的邻接矩阵a
ij
之间的误差，训练目标是最小化该误差。即损失函数为：
[0107]
lr为图自编码器的损失函数。
[0108]
可以根据图自编码器的重建误差判断图自编码器是否已训练收敛，若否，则继续进行迭代训练。若是，则获取训练完毕的图自编码器中的消息终端用户兴趣拓扑潜在空间向量表示z，从终端用户兴趣拓扑潜在空间向量表示z中选取出用户节点的向量表示，并将用户节点的向量表示输入至聚类模块进行自训练，输出该时段终端用户共性聚类结果。聚类的方式多种，本领域技术人员可以根据自身需要进行选择，在本实施例中，提供以下方式：
[0109]
假设节点μ为聚类中心，用户节点i属于某个共类簇μ的概率q
iu
表示为：
[0110]
zi代表用户节点i的向量表示，μu代表第u个聚类中心，μk代表第k个聚类中心。
[0111]
为了引入聚类信息来实现聚类导向的节点表示，所以需要迫使每个节点与相应的聚类中心更近一些，以实现类内距离最小，类间距离最大。因此定义目标分布p
iu
如下：
[0112]
其中q
iu
代表用户节点i属于某个共类簇μ的概率，p
iu
代表目标分布。
[0113]
最后，通过计算两个目标分布p和假设分布q之间的kl散度来实现互相约束，即自训练，目标是最小化两个分布之间的kl散度：
[0114]
lc代表聚类模块的损失函数。
[0115]
因此，模型最终的损失函数包括图自编码器和聚类模块两部分的损失函数：
[0116]
l＝lr+γlc。
[0117]
在本实施例中，将训练回合数设置为2000(epochs＝2000)，梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer＝'adam')。神经网络通过梯度下降，可以找到使目标函数最小的最优权重值，神经网络通过训练会自主学习到权重值。用训练集进行训练，使得目标函数越小越好，并在每轮训练后用测试集来评价验证模型。模型收敛后则导出该模型的权重。
[0118]
用户节点i所属于的某个共性簇si可通过下式计算：
[0119][0120]
此外，参照图6，本发明实施例还提供一种用户标签的优化装置，包括：
[0121]
数据集生成模块10，用于每间隔预设时间获取各终端用户对应行业兴趣信息，根据所述行业兴趣信息，构建兴趣拓扑数据集，所述兴趣拓扑数据集包括用户节点、行业节点和标签节点，所述兴趣拓扑数据集以邻接矩阵和特征矩阵表征；
[0122]
图自编码模块20，用于将所述邻接矩阵和特征矩阵表征输入图自编码器中，获得与各用户节点对应的向量表示；
[0123]
聚类模块30，用于根据所述向量表示对各所述用户节点进行共性聚类，生成多个共类簇；
[0124]
优化模块40，用于确定各所述共类簇中位于聚类中心的用户节点，根据所述位于聚类中心的用户节点对应的用户标签信息优化位于同一所述共类簇的其他用户节点对应用户标签信息。
[0125]
可选地，所述数据集生成模块10用于：
[0126]
每间隔预设时间获取各终端用户对应的用户标签信息和行业兴趣信息，以及所述用户标签、终端用户、行业兴趣的静态属性信息；
[0127]
根据所述用户标签信息、行业兴趣信息和属性信息，生成与终端用户对应的用户节点、与行业兴趣信息对应的行业节点、以及与用户标签对应的标签节点；
[0128]
计算所述用户节点、行业节点和标签节点之间的连接关系，并根据所述连接关系生成邻接矩阵；
[0129]
根据所述用户标签信息、行业兴趣信息和属性信息，生成与各所述用户节点、行业节点和标签节点对应的特征描述，并根据所述特征描述生成特征矩阵；
[0130]
根据邻接矩阵和特征矩阵生成以终端用户为中心节点的兴趣拓扑数据集。
[0131]
可选地，所述数据集生成模块10还用于：
[0132]
根据所述用户标签信息、行业兴趣信息和属性信息，计算用户节点、行业节点和标签节点之间的连接关系；
[0133]
对所述连接关系进行独热编码处理，并根据进行独热编码处理的所述连接关系生成邻接矩阵。
[0134]
可选地，所述数据集生成模块10还用于：
[0135]
根据所述用户标签信息、行业兴趣信息和属性信息，生成与各所述用户节点、行业节点和标签节点对应的特征描述；
[0136]
设置所述特征描述中最长文本长度为序列化长度，将各所述特征描述填充处理，生成序列化长度的所述特征描述；
[0137]
根据序列化长度的所述特征描述生成特征矩阵。
[0138]
可选地，所述图自编码模块20用于：
[0139]
将所述兴趣拓扑数据集输入图自编码器中，输出重建的所述邻接矩阵，根据重建的所述邻接矩阵和真实的所述邻接矩阵之间的误差进行迭代训练，直至训练完成；
[0140]
根据训练完成的图自编码器，获得与各用户节点对应的向量表示。
[0141]
可选地，所述优化模块40用于：
[0142]
确定各所述共类簇中位于聚类中心的用户节点，根据所述位于聚类中心的用户节点对应的用户标签信息；
[0143]
将所述位于聚类中心的用户节点对应的用户标签信息与位于同一所述共类簇的其他用户节点关联。
[0144]
可选地，所述优化模块40还用于：
[0145]
获取各所述共类簇中所有用户节点对应的各用户标签信息数量，并根据用户标签的数量，确定各所述共类簇对应的推荐标签集合；
[0146]
将所述推荐标签集合发送至对应所述共类簇的各终端用户；
[0147]
接收用户根据所述推荐标签集合反馈的选择标签，存储所述终端用户关联所述选择标签。
[0148]
所述处理器用于执行所述用户标签优化程序，以实现上述用户标签的优化方法各实施例的步骤。
[0149]
本发明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存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述用户标签的优化方法各实施例的步骤。
[0150]
本发明计算机可读存储介质具体实施方式与上述用户标签的优化方法各实施例基本相同，在此不再赘述。
[0151]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0152]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0153]
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，本发明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如上所述的一个存储介质(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)执行本发明各个实施例所述的方法。
[0154]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。