一种标签排序方法、装置、设备及存储介质与流程

本公开涉及互联网，尤其涉及一种标签排序方法、装置、设备及存储介质。

背景技术：

1、随着网络技术飞速发展，各种多媒体资源已经成为大数据的主体。标签可以精确提炼多媒体资源的内容，利用标签可以实现为订阅标签的用户精准推送多媒体资源。

2、但是，多媒体资源通常对应多个标签，例如，打篮球的视频，对应的标签可以包括：运动、男生、操场、篮球等。由于不同的标签与多媒体资源的关联程度不同，当关联程度越高时，多媒体资源更容易引起订阅该标签的用户的兴趣。因此，对多媒体资源的多个标签进行排序，是多媒体资源的推广过程中可以改进的地方。

技术实现思路

1、本公开提供一种标签排序方法、装置、设备及存储介质，可以实现对多媒体资源的多个标签进行准确排序。

2、本公开实施例的技术方案如下：

3、根据本公开实施例的第一方面，提供一种标签排序方法，包括：获取目标资源，以及目标资源的多个标签；将目标资源和多个标签输入预先训练好的目标模型中，得到每个标签与目标资源的目标相似度；目标模型是根据样本数据训练初始模型得到的；样本数据包括：样本资源，以及与样本资源对应的多个样本标签；根据目标相似度和多个标签的标签信息，对多个标签进行排序，得到标签序列。

4、可选的，初始模型包括第一特征提取模型、第二特征提取模型；标签排序方法，还包括：获取样本数据；将样本资源输入第一特征提取模型，得到样本资源的样本资源特征；将每个样本标签输入第二特征提取模型，得到每个样本标签的样本标签特征；当第二特征提取模型为多层神经网络模型时，样本标签特征包括多层神经网络模型中的多个隐含层数据。

5、可选的，每个样本标签包括：多个字符；第二特征提取模型包括：bert模型；标签排序方法，还包括：对输入的每个样本标签的至少一个字符进行遮蔽，得到每个样本标签对应的遮蔽训练数据；遮蔽训练数据包括：每个样本标签中，与至少一个字符一一对应的至少一个遮蔽位置；将遮蔽训练数据输入bert模型，得到遮蔽位置的字符的预测值。

6、可选的，标签排序方法，还包括：获取第一损失和第二损失；第一损失用于表征样本资源特征与样本标签特征的差异；第二对比损失用于表征字符的预测值与字符的真实值的差异；根据模型整体损失训练初始模型，直至满足收敛条件，得到目标模型；模型整体损失是根据损失集合得到的；损失集合包括：第一损失和第二损失。

7、可选的，初始模型还包括：判别模型；损失集合，还包括：判别模型的对抗损失；标签排序方法，还包括：将样本数据输入判别模型，得到样本数据的数据类型的预测值；数据类型用于表征样本数据为样本资源或者样本标签；对抗损失用于表征数据类型的预测值与数据类型的真实值的差异。

8、可选的，根据样本数据训练初始模型，直至模型整体损失满足收敛条件，得到目标模型的方法，包括：将训练数据输入初始模型，确定软目标标签，以及模型整体损失；训练数据包括样本数据；软目标标签包括：多个样本标签中，对应的样本标签特征与样本资源特征的相关度大于预设阈值的标签；当模型整体损失不满足收敛条件时，更新初始模型的模型参数，并将软目标标签和样本资源作为训练数据，输入更新后的初始模型中，直至更新后的初始模型对应的模型整体损失满足收敛条件。

9、可选的，标签信息包括：标签的维度信息和/或属性信息；维度信息用于表征标签的类型特征；属性信息用于表征标签的数据来源、出现位置、相互关系中的至少一种；根据目标相似度和多个标签的标签信息，对多个标签进行排序，得到标签序列的方法，包括：根据目标相似度，对多个标签进行排序，得到初始序列；根据标签信息和预设优先级策略，更新初始序列，得到标签序列。

10、根据本公开实施例的第二方面，提供一种标签排序装置，包括：获取单元和第一处理单元；获取单元，被配置为执行获取目标资源，以及目标资源的多个标签；第一处理单元，被配置为执行将目标资源和多个标签输入预先训练好的目标模型中，得到每个标签与目标资源的目标相似度；目标模型是根据样本数据训练初始模型得到的；样本数据包括：样本资源，以及与样本资源对应的多个样本标签；第一处理单元，还被配置为执行根据目标相似度和多个标签的标签信息，对多个标签进行排序，得到标签序列。

11、可选的，初始模型包括第一特征提取模型、第二特征提取模型；该标签排序装置，还包括：第二处理单元；第二处理单元，被配置为执行获取样本数据；将样本资源输入第一特征提取模型，得到样本资源的样本资源特征；将每个样本标签输入第二特征提取模型，得到每个样本标签的样本标签特征；当第二特征提取模型为多层神经网络模型时，样本标签特征包括多层神经网络模型中的多个隐含层数据。

12、可选的，每个样本标签包括：多个字符；第二特征提取模型包括：bert模型；第二处理单元，还被配置为执行对输入的每个样本标签的至少一个字符进行遮蔽，得到每个样本标签对应的遮蔽训练数据；遮蔽训练数据包括：每个样本标签中，与至少一个字符一一对应的至少一个遮蔽位置；将遮蔽训练数据输入bert模型，得到遮蔽位置的字符的预测值。

13、可选的，第二处理单元，还被配置为执行获取第一损失和第二损失；第一损失用于表征样本资源特征与样本标签特征的差异；第二对比损失用于表征字符的预测值与字符的真实值的差异；根据样本数据训练初始模型，直至模型整体损失满足收敛条件，得到目标模型；模型整体损失是根据损失集合得到的；损失集合包括：第一损失和第二损失。

14、可选的，初始模型还包括：判别模型；损失集合，还包括：判别模型的对抗损失；第二处理单元，还被配置为执行将样本数据输入判别模型，得到样本数据的数据类型的预测值；数据类型用于表征样本数据为样本资源或者样本标签；对抗损失用于表征数据类型的预测值与数据类型的真实值的差异。

15、可选的，第二处理单元，具体被配置为执行将训练数据输入初始模型，确定软目标标签，以及模型整体损失；训练数据包括样本数据；软目标标签包括：多个样本标签中，对应的样本标签特征与样本资源特征的相关度大于预设阈值的标签；当模型整体损失不满足收敛条件时，更新初始模型的模型参数，并将软目标标签和样本资源作为训练数据，输入更新后的初始模型中，直至更新后的初始模型对应的模型整体损失满足收敛条件。

16、可选的，标签信息包括：标签的维度信息和/或属性信息；维度信息用于表征标签的类型特征；属性信息用于表征标签的数据来源、出现位置、相互关系中的至少一种；第一处理单元，具体被配置为执行根据目标相似度，对多个标签进行排序，得到初始序列；根据标签信息和预设优先级策略，更新初始序列，得到标签序列。

17、根据本公开实施例的第三方面，提供一种电子设备，可以包括：处理器和用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现上述第一方面中任一种可选的标签排序方法。

18、根据本公开实施例的第四方面，提供一种计算机可读存储介质，计算机可读存储介质上存储有指令，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述第一方面中任一种可选的标签排序方法。

19、根据本公开实施例的第五方面，提供一种计算机程序产品，包含指令，当其在电子设备的处理器上运行时，使得电子设备执行上述第一方面中任一种可选的标签排序方法。

20、本公开提供的技术方案至少带来以下有益效果：

21、基于上述任一方面，本公开中，在获取到目标资源，以及目标资源的多个标签之后，可以将目标资源和多个标签，输入预先训练好的目标模型中，得到每个标签与目标资源的目标相似度。其中，目标模型是根据样本数据训练初始模型得到的。样本数据包括：样本资源，以及与样本资源的多个样本标签。然后，可以根据目标相似度和多个标签的标签信息，对多个标签进行排序，得到标签序列。由于本公开融合了考虑标签与资源的相似度，以及标签自身的标签信息，因此，可以实现对目标资源的多个标签的合理排序，进而使得目标资源的推广可以更精准地契合用户的兴趣标签，提高推广效率。