[發明專利]一種標簽配置方法、裝置、設備及存儲介質

在審

• 申請號: 202110019037.9
• 申請日: 2021-01-07
• 公開（公告）號: CN113392317A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 葉振旭;楊偉東;岑杰鵬;曹圣明;王珩;陳宇;車翔;徐孩
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/78;G06N3/08;G06N3/04
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 王兆林

本申請實施例公開了一種人工智能領域的標簽配置方法、裝置、設備及存儲介質，其中該方法包括：獲取待配置標簽的目標資源；通過特征提取模型，對目標資源的目標參考數據進行特征提取處理，得到目標參考數據對應的特征向量；通過標簽分類模型，根據目標參考數據對應的特征向量，確定目標資源所屬于各候選分類標簽的概率，標簽分類模型與特征提取模型互相獨立；根據目標資源所屬于各候選分類標簽的概率，確定目標資源對應的目標分類標簽。該方法可以使用大規模的訓練樣本對所使用的模型進行訓練，并且所耗費的迭代訓練時間較短，能夠滿足網絡平臺的實際應用需求。

技術領域

本申請涉及人工智能(Artificial Intelligence，AI)技術領域，尤其涉及一種標簽配置方法、裝置、設備及存儲介質。

背景技術

在互聯網大數據時代，很多網絡平臺需要針對自身所能提供的資源配置對應的標簽，以便基于資源對應的標簽為用戶提供資源推薦等個性化服務。以視頻網絡平臺為例，其需要針對自身的視頻資源配置對應的標簽，從而依據視頻資源對應的標簽為用戶進行個性化的視頻資源推薦。

現階段，一種主流的標簽配置方法是利用通過端到端(End2End)的方式訓練得到的標簽配置模型，針對待配置標簽的資源確定對應的標簽。然而，這種標簽配置方法通常難以滿足實際產品應用中的業務需求，其原因在于，通過End2End的方式訓練的標簽配置模型通常比較復雜，其中包含耦合的特征提取結構和分類結構，對于此類復雜的模型進行端到端全鏈路地學習，通常無法使用大規模的訓練樣本，因為大規模的訓練樣本會使模型的迭代訓練時間變得很長；而在實際產品應用中，只有使用大規模的訓練樣本對模型進行迭代訓練，才能使模型具有較好的泛化能力。由此可見，上述標簽配置方法目前難以滿足網絡平臺的實際應用需求。

發明內容

本申請實施例提供了一種標簽配置方法、裝置、設備及存儲介質，可以使用大規模的訓練樣本對所使用的模型進行訓練，并且所耗費的迭代訓練時間較短，能夠滿足網絡平臺的實際應用需求。

有鑒于此，本申請第一方面提供了一種標簽配置方法，所述方法包括：

獲取待配置標簽的目標資源；

通過特征提取模型，對所述目標資源的目標參考數據進行特征提取處理，得到所述目標參考數據對應的特征向量；

通過標簽分類模型，根據所述目標參考數據對應的特征向量，確定所述目標資源所屬于各候選分類標簽的概率；所述標簽分類模型與所述特征提取模型互相獨立；

根據所述目標資源所屬于各候選分類標簽的概率，確定所述目標資源對應的目標分類標簽。

本申請第二方面提供了一種標簽配置裝置，所述裝置包括：

資源獲取模塊，用于獲取待配置標簽的目標資源；

特征提取模塊，用于通過特征提取模型，對所述目標資源的目標參考數據進行特征提取處理，得到所述目標參考數據對應的特征向量；

標簽分類模塊，用于通過標簽分類模型，根據所述目標參考數據對應的特征向量，確定所述目標資源所屬于各候選分類標簽的概率；所述標簽分類模型與所述特征提取模型互相獨立；

標簽確定模塊，用于根據所述目標資源所屬于各候選分類標簽的概率，確定所述目標資源對應的目標分類標簽。

本申請第三方面提供了一種設備，所述設備包括處理器以及存儲器：

所述存儲器用于存儲計算機程序；

所述處理器用于根據所述計算機程序，執行如上述第一方面所述的標簽配置方法的步驟。

本申請第四方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質用于存儲計算機程序，所述計算機程序用于執行上述第一方面所述的標簽配置方法的步驟。