一种确定用户标签的方法及相关装置

技术领域

本申请涉及数据处理技术领域，尤其涉及一种确定用户标签的方法及相关装置。

背景技术

随着人工智能的快速发展，各种各样的人工智能产品不断推出，人们对人工智能充满了想象和期待。人工智能中一个重要体现是用户个性化；即，人工智能产品面对不同用户时，能够根据不同用户的标签提供个性化的人工智能服务。基于此，确定用户的标签对实现人工智能用户个性化具有巨大作用，尤其是用户的细粒度标签。

目前，一般是通过用户的社交数据、属性数据、行为数据等确定用户的人口属性标签、兴趣标签、行为标签等。但是，该方式确定的用户的人口属性标签、兴趣标签、行为标签均是粗粒度标签；即，现有的方式无法或者很难确定用户的细粒度标签，无法满足确定用户的细粒度标签的需求，从而影响人工智能用户个性化的性能。

发明内容

有鉴于此，本申请提供一种确定用户标签的方法及相关装置，该确定用户标签的方式较为方便，且确定的用户标签为细粒度标签，从而便于提高人工智能用户个性化的性能。

第一方面，本申请实施例提供了一种确定用户标签的方法，该方法包括：

对目标用户的输入信息进行自然语言处理；

获得所述输入信息中细粒度槽位信息；

基于所述细粒度槽位信息推断所述目标用户的细粒度标签。

可选的，所述对目标用户的输入信息进行自然语言处理，具体为：

利用槽位挖掘算法和意图分类器对所述输入信息进行自然语言处理；所述槽位挖掘算法包括槽位挖掘模板或槽位挖掘模型。

可选的，还包括：

确定所述目标用户所属的目标用户聚类簇；

基于所述目标用户聚类簇中用户的输入信息与对应的细粒度槽位信息，调整所述槽位挖掘算法获得新槽位挖掘算法；

其中，所述利用槽位挖掘算法和意图分类器对所述输入信息进行自然语言处理，具体为：

利用所述新槽位挖掘算法和所述意图分类器对所述输入信息进行自然语言处理。

可选的，还包括：

基于所述细粒度槽位信息推断所述目标用户的人设标签；

从所述细粒度标签中筛选与所述人设标签匹配的细粒度标签；

确定所述目标用户的目标细粒度标签。

可选的，还包括：

确定所述目标用户所属的目标用户聚类簇；

若所述目标用户聚类簇中预设数量用户的目标细粒度标签均包括第一目标细粒度标签，将所述第一目标细粒度标签确定为所述目标用户聚类簇中用户的目标细粒度标签；

其中，所述预设数量小于所述目标用户聚类簇中用户数量。

可选的，所述确定所述目标用户所属的目标用户聚类簇，具体为：

基于所述目标用户的相关数据、其他用户的相关数据，确定所述目标用户所属的目标用户聚类簇；所述相关数据包括社交数据、属性数据和/或行为数据。

可选的，所述基于所述目标用户、其他用户的相关数据，确定所述目标用户所属的目标用户聚类簇，包括：

基于所述目标用户的相关数据、所述其他用户的相关数据，获得各个用户之间的相似度；

基于各个所述用户之间的相似度，构建用户图网络；

基于所述用户图网络确定所述目标用户所属的目标用户聚类簇。

第二方面，本申请实施例提供了一种确定用户标签的装置，所述装置包括：

处理单元，用于对目标用户的输入信息进行自然语言处理；

获得单元，用于获得所述输入信息中细粒度槽位信息；

第一推断单元，用于基于所述细粒度槽位信息推断所述目标用户的细粒度标签。

可选的，所述处理单元具体用于：

利用槽位挖掘算法和意图分类器对所述输入信息进行自然语言处理；所述槽位挖掘算法包括槽位挖掘模板或槽位挖掘模型。

可选的，所述装置还包括：

第一确定单元，用于确定所述目标用户所属的目标用户聚类簇；

调整单元，用于基于所述目标用户聚类簇中用户的输入信息与对应的细粒度槽位信息，调整所述槽位挖掘算法获得新槽位挖掘算法；

其中，所述处理单元具体用于：

利用新槽位挖掘算法和所述意图分类器对所述输入信息进行自然语言处理。

可选的，所述装置还包括：

第二推断单元，用于基于所述细粒度槽位信息推断所述目标用户的人设标签；

筛选单元，用于从所述细粒度标签中筛选与所述人设标签匹配的细粒度标签；

第二确定单元，用于确定所述目标用户的目标细粒度标签。

可选的，所述装置还包括：

第一确定单元，用于确定所述目标用户所属的目标用户聚类簇；

第三确定单元，用于若所述目标用户聚类簇中预设数量用户的目标细粒度标签均包括第一目标细粒度标签，将所述第一目标细粒度标签确定为所述目标用户聚类簇中用户的目标细粒度标签；

其中，所述预设数量小于所述目标用户聚类簇中用户数量。

可选的，所述第一确定单元具体用于：

基于所述目标用户的相关数据、其他用户的相关数据，确定所述目标用户所属的目标用户聚类簇；所述相关数据包括社交数据、属性数据和/或行为数据。

可选的，所述第一确定单元包括：

获得子单元，用于基于所述目标用户的相关数据、所述其他用户的相关数据，获得各个用户之间的相似度；

构建子单元，用于基于各个所述用户之间的相似度，构建用户图网络；

确定子单元，用于基于所述用户图网络确定所述目标用户所属的目标用户聚类簇。

第三方面，本申请实施例提供了一种用于确定用户标签的装置，所述装置包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

对目标用户的输入信息进行自然语言处理；

获得所述输入信息中细粒度槽位信息；

基于所述细粒度槽位信息推断所述目标用户的细粒度标签。

第四方面，本申请实施例提供了一种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行如上述第一方面中任一项所述的确定用户标签的方法。

与现有技术相比，本申请至少具有以下优点：

采用本申请实施例的技术方案，对目标用户的输入信息进行自然语言处理，获得输入信息中细粒度槽位信息；通过细粒度槽位信息推断目标用户的细粒度标签。其中，用户的输入信息是符合用户个性化习惯的相关输入内容，其细粒度槽位信息能够细致地表征用户个性化标签信息；则通过挖掘用户的输入信息中细粒度槽位信息，利用细粒度槽位信息即可分析得到用户的标签；该确定用户标签的方式较为方便，且确定的用户标签为细粒度标签，从而便于提高人工智能用户个性化的性能。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例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为本申请实施例中一种应用场景所涉及的系统框架示意图；

图2为本申请实施例提供的一种确定用户标签的方法的流程示意图；

图3为本申请实施例提供的一种用户图网络的示意图；

图4为本申请实施例提供的一种确定用户标签的装置的结构示意图；

图5为本申请实施例提供的一种用于确定用户标签的装置的结构示意图；

图6为本申请实施例提供的一种服务器的结构示意图。

具体实施方式

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。

现阶段，通常是利用用户的社交数据、属性数据、行为数据等确定用户的人口属性标签、兴趣标签、行为标签等。但是，该方式确定的用户的人口属性标签、兴趣标签、行为标签均是粗粒度标签，而为了更好地实现人工智能用户个性化，需要确定用户的细粒度标签；即，现有的方式无法或者很难确定用户的细粒度标签，从而影响人工智能用户个性化的性能。

为了解决这一问题，在本申请实施例中，对目标用户的输入信息进行自然语言处理，获得输入信息中细粒度槽位信息；通过细粒度槽位信息推断目标用户的细粒度标签。其中，用户的输入信息是符合用户个性化习惯的相关输入内容，其细粒度槽位信息能够细致地表征用户个性化标签信息；则通过挖掘用户的输入信息中细粒度槽位信息，利用细粒度槽位信息即可分析得到用户的标签；该确定用户标签的方式较为方便，且确定的用户标签为细粒度标签，从而便于提高人工智能用户个性化的性能。

举例来说，本申请实施例的场景之一，可以是应用到如图1所示的场景中，该场景包括用户终端101和处理器102。目标用户通过用户终端101进行输入操作得到输入信息，用户终端101将目标用户的输入信息发送至处理器102，处理器102采用本申请实施例提供的实施方式得到目标用户的细粒度标签。

可以理解的是，在上述应用场景中，虽然将本申请实施方式的动作描述由服务器101执行；但是，本申请在执行主体方面不受限制，只要执行了本申请实施方式所公开的动作即可。

可以理解的是，上述场景仅是本申请实施例提供的一个场景示例，本申请实施例并不限于此场景。

下面结合附图，通过实施例来详细说明本申请实施例中确定用户标签的方法及相关装置的具体实现方式。

参见图2，示出了本申请实施例中一种确定用户标签的方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：

步骤201：对目标用户的输入信息进行自然语言处理。

由于通过用户的社交数据、属性数据、行为数据确定的用户的人口属性标签、兴趣标签、行为标签均是粗粒度标签，无法满足确定用户的细粒度标签的需求；该方式中用户的社交数据、属性数据、行为数据获取收集较为复杂困难，且不同类型数据确定用户的标签的方式不一致。在本申请实施例中，考虑到用户的输入信息作为符合用户个性化习惯的相关输入内容，是比较容易获取收集的；且采用自然语言处理方式即可从用户的输入信息中挖掘表征用户个性化标签信息的内容。因此，将任意一个用户作为目标用户，首先需要对该目标用户的输入信息进行自然语言处理；即，执行步骤201。

在本申请实施例中，步骤201具体实施时，由于对目标用户的输入信息进行自然语言处理的目的是：从目标用户的输入信息中挖掘表征用户个性化标签信息的内容；即，挖掘目标用户的输入信息中各个槽位对应的内容。因此，在对目标用户的输入信息进行自然语言处理时需要利用槽位挖掘算法，其中，槽位挖掘算法分为基于模板的槽位挖掘算法(槽位挖掘模板)和基于模型的槽位挖掘算法(槽位挖掘模型)；即，槽位挖掘算法既可以是槽位挖掘模板，也可以是槽位挖掘模型。此外，还需要分析目标用户的输入信息的意图，以提升利用槽位挖掘算法从用户的输入信息中挖掘表征用户个性化标签信息的内容的准确性，则在对目标用户的输入信息进行自然语言处理时还需要利用意图分类器。因此，在本申请实施例一种可选的实施方式中，所述步骤201例如具体可以为：利用槽位挖掘算法和意图分类器对所述输入信息进行自然语言处理；所述槽位挖掘算法包括槽位挖掘模板或槽位挖掘模型。

作为一种示例，槽位挖掘算法可以是条件随机场(英文：conditional randomfield algorithm，缩写：CRF)模型或长短期记忆-条件随机场(英文：Long Short-TermMemory-conditional random field algorithm，缩写：LSTM-CRF)模型等；意图分类器可以是文本卷积神经网络(英文：Text Convolutional Neural Networks，缩写：TextCNN)模型、支持向量机(英文：support vector machines，缩写：SVM)模型或朴素贝叶斯模型(英文：Naive Bayes model，缩写：NBM)等。

步骤202：获得所述输入信息中细粒度槽位信息。

在本申请实施例中，在步骤201对目标用户的输入信息进行自然语言处理，从用户的输入信息中挖掘表征用户个性化标签信息的内容后，可以将挖掘得到的表征用户个性化标签信息的内容作为细粒度槽位信息；即，获得目标用户的输入信息中细粒度槽位信息。

作为一种示例，目标用户的输入信息为“我考研到了XX大学”，利用槽位挖掘算法和意图分类器对输入信息进行自然语言处理，获得输入信息中细粒度槽位信息为“考研”、“XX大学”。作为另一种示例，目标用户的输入信息为“我在写作业”，采用上述方式，输入信息中细粒度槽位信息为“写作业”。作为又一种示例，目标用户的输入信息为“我导师给我布置了一个课题”，采用上述方式，输入信息中细粒度槽位信息为“导师”、“课题”。

此外，在本申请实施例中，考虑到槽位挖掘算法包括槽位挖掘模板或槽位挖掘模型，槽位挖掘模板实质上预先设置得到的，槽位挖掘模型实质上是预先训练得到的；即，利用槽位挖掘算法对于输入信息进行槽位挖掘所得到的细粒度槽位信息，并非是毫无遗漏的；因此，还需要获得大量的输入信息与对应的细粒度槽位信息，用于调整槽位挖掘算法以优化槽位挖掘算法，以便在步骤201具体实施时采用新槽位挖掘算法，从而充分地挖掘目标用户的输入信息中细粒度槽位信息。

目标用户的输入信息中细粒度槽位信息的数据量不大，还需要获得其他用户的输入信息与对应的细粒度槽位信息；但是，并非任意其他用户的输入信息与对应的细粒度槽位信息均可用于调整槽位挖掘算法以优化槽位挖掘算法，容易导致槽位挖掘算法的调整优化工程量巨大。考虑到不同用户聚类得到的不同用户聚类簇，可以利用目标用户所属的目标用户聚类簇中用户的输入信息与对应的细粒度槽位信息，调整槽位挖掘算法以优化槽位挖掘算法，既可以大大减少槽位挖掘算法的调整优化工程量，而且通过用户聚类簇中用户的输入信息中细粒度槽位信息之间的相关性，极大地避免了漫无目的地调整优化位挖掘算法。即，在本申请实施例一种可选的实施方式中，例如还可以包括以下步骤：

步骤A：确定所述目标用户所属的目标用户聚类簇。

其中，对于任意用户而言，可以获得其社交数据、属性数据和/或行为数据，在此基础上，可以通过目标用户、其他用户的社交数据、属性数据和/或行为数据对目标用户、其他用户进行聚类，从而确定目标用户所属的目标用户聚类簇。因此，在本申请实施例一种可选的实施方式中，所述步骤A例如具体可以为：基于所述目标用户的相关数据、其他用户的相关数据，确定所述目标用户所属的目标用户聚类簇；所述相关数据包括社交数据、属性数据和/或行为数据。

在上述说明的基础上，步骤A具体实施时，首先，可以通过目标用户、其他用户的社交数据、属性数据和/或行为数据，计算各个用户之间的相似度，以表征各个用户之间的聚集程度；然后，根据各个用户之间的相似度，在各个用户之间建立边关系，以构建用户图网络，例如，如图3所示的一种用户图网络的示意图；最后，在用户图网络的基础上进行图网络聚类，从而确定目标用户所属的目标用户聚类簇。图网络聚类的算法可以是Kernighan-Lin算法、谱分析法、凝聚法或Newman算法。因此，在本申请实施例一种可选的实施方式中，所述步骤A例如可以包括以下步骤：

步骤A1：基于所述目标用户的相关数据、所述其他用户相关数据，获得各个用户之间的相似度。

步骤A2：基于各个所述用户之间的相似度，构建用户图网络。

步骤A3：基于所述用户图网络确定所述目标用户所属的目标用户聚类簇。

步骤B：基于所述目标用户聚类簇中用户的输入信息与对应的细粒度槽位信息，调整所述槽位挖掘算法获得新槽位挖掘算法。

其中，目标用户聚类簇中用户的输入信息与对应的细粒度槽位信息可以采用参考步骤201至步骤202中获得输入信息中细粒度槽位信息的具体实施方式。

对应地，在执行步骤A至步骤B之后，所述步骤201例如具体可以为：利用新槽位挖掘算法和所述意图分类器对所述输入信息进行自然语言处理。

步骤203：基于所述细粒度槽位信息推断所述目标用户的细粒度标签。

在本申请实施例中，在步骤202获得目标用户的输入信息中细粒度槽位信息之后，在该细粒度槽位信息表征目标用户个性化标签信息的基础上，可以根据该细粒度槽位信息推断目标用户的细粒度标签。具体地，可以直接将细粒度槽位信息直接作为目标用户的细粒度标签，也可以通过分析细粒度槽位信息推断得到目标用户的细粒度标签。

作为一种示例，目标用户的输入信息为“我考研到了XX大学”，其细粒度槽位信息为“考研”、“XX大学”，根据细粒度槽位信息可以推断目标用户的细粒度标签为“XX大学”。

在步骤203推断目标用户的细粒度标签的之后，为了提高目标用户的细粒度标签的准确性，还需要对目标用户的细粒度标签进行进一步验证，只有符合目标用户的人设标签的细粒度标签，才能确定为目标用户的目标细粒度标签。具体地，首先，可以通过目标用户的输入信息中细粒度槽位信息，推断目标用户的人设标签；然后，判断目标用户的细粒度标签与目标用户的人设标签是否匹配；最后，确定匹配目标用户的人设标签得细粒度标签，作为目标用户的目标细粒度标签。该方式使得目标用户的目标细粒度标签相较于细粒度标签更为准确。因此，在本申请实施例一种可选的实施方式中，例如还可以包括以下步骤：

步骤C：基于所述细粒度槽位信息推断所述目标用户的人设标签。

步骤D：从所述细粒度标签中筛选与所述人设标签匹配的细粒度标签。

步骤E：确定所述目标用户的目标细粒度标签。

作为一种示例，目标用户的输入信息为“我在写作业”、“我导师给我布置了一个课题”，其细粒度槽位信息为“写作业”、“导师”、“课题”，根据细粒度槽位信息可以推断目标用户的人设标签为“研究生”。若目标用户的细粒度标签为“XX大学”，细粒度标签“XX大学”与人设标签“研究生”匹配，则目标用户的目标细粒度标签为“XX大学”。

此外，在本申请实施例中，基于上述目标用户所属的目标用户聚类簇的确定，目标用户聚类簇中任意用户都可采用上述具体实施方式，确定其目标细粒度标签；在此基础上，当目标用户聚类簇中部分用户的目标细粒度标签均包括第一目标细粒度标签时，可以认为目标用户聚类簇中用户均具有该第一目标细粒度标签，即；将第一目标细粒度标签传播复制至目标用户聚类簇中用户；其中，目标用户聚类簇中部分用户数量(预设数量)由目标用户聚类簇中用户数量预先设定。因此，在本申请实施例一种可选的实施方式中，例如还可以包括以下步骤：

步骤F：确定所述目标用户所属的目标用户聚类簇。

其中，步骤F与上述步骤A相同，则步骤F的详细具体实施方式说明参见上述步骤A的详细具体实施方式说明，在此不再赘述。

步骤G：若所述目标用户聚类簇中预设数量用户的目标细粒度标签均包括第一目标细粒度标签，将所述第一目标细粒度标签确定为所述目标用户聚类簇中用户的目标细粒度标签。

其中，所述预设数量小于所述目标用户聚类簇中用户数量。

需要说明的是，采用上述具体实施方式，统计用户聚类簇中不同用户之间的细粒度标签的相同情况，在用户聚类簇中传播相同的细粒度标签，能够解决用户聚类簇中用户的输入信息较少时，仅采用输入信息推断细粒度标签，导致确定的细粒度标签较少的问题。

通过本实施例提供的各种实施方式，对目标用户的输入信息进行自然语言处理，获得输入信息中细粒度槽位信息；通过细粒度槽位信息推断目标用户的细粒度标签。其中，用户的输入信息是符合用户个性化习惯的相关输入内容，其细粒度槽位信息能够细致地表征用户个性化标签信息；则通过挖掘用户的输入信息中细粒度槽位信息，利用细粒度槽位信息即可分析得到用户的标签；该确定用户标签的方式较为方便，且确定的用户标签为细粒度标签，从而便于提高人工智能用户个性化的性能。

参见图4，示出了本申请实施例中一种确定用户标签的装置的结构示意图。在本实施例中，所述装置例如具体可以包括：

处理单元401，用于对目标用户的输入信息进行自然语言处理；

获得单元402，用于获得所述输入信息中细粒度槽位信息；

第一推断单元403，用于基于所述细粒度槽位信息推断所述目标用户的细粒度标签。

在本申请实施例一种可选的实施方式中，所述处理单元401具体用于：

利用槽位挖掘算法和意图分类器对所述输入信息进行自然语言处理；所述槽位挖掘算法包括槽位挖掘模板或槽位挖掘模型。

在本申请实施例一种可选的实施方式中，所述装置还包括：

第一确定单元，用于确定所述目标用户所属的目标用户聚类簇；

调整单元，用于基于所述目标用户聚类簇中用户的输入信息与对应的细粒度槽位信息，调整所述槽位挖掘算法获得新槽位挖掘算法；

其中，所述处理单元401具体用于：

利用新槽位挖掘算法和所述意图分类器对所述输入信息进行自然语言处理。

在本申请实施例一种可选的实施方式中，所述装置还包括：

第二推断单元，用于基于所述细粒度槽位信息推断所述目标用户的人设标签；

筛选单元，用于从所述细粒度标签中筛选与所述人设标签匹配的细粒度标签；

第二确定单元，用于确定所述目标用户的目标细粒度标签。

在本申请实施例一种可选的实施方式中，所述装置还包括：

第一确定单元，用于确定所述目标用户所属的目标用户聚类簇；

第三确定单元，用于若所述目标用户聚类簇中预设数量用户的目标细粒度标签均包括第一目标细粒度标签，将所述第一目标细粒度标签确定为所述目标用户聚类簇中用户的目标细粒度标签；

其中，所述预设数量小于所述目标用户聚类簇中用户数量。

在本申请实施例一种可选的实施方式中，所述第一确定单元具体用于：

基于所述目标用户的相关数据、其他用户的相关数据，确定所述目标用户所属的目标用户聚类簇；所述相关数据包括社交数据、属性数据和/或行为数据。

在本申请实施例一种可选的实施方式中，所述第一确定单元包括：

获得子单元，用于基于所述目标用户的相关数据、所述其他用户的相关数据，获得各个用户之间的相似度；

构建子单元，用于基于各个所述用户之间的相似度，构建用户图网络；

确定子单元，用于基于所述用户图网络确定所述目标用户所属的目标用户聚类簇。

通过本实施例提供的各种实施方式，对目标用户的输入信息进行自然语言处理，获得输入信息中细粒度槽位信息；通过细粒度槽位信息推断目标用户的细粒度标签。其中，用户的输入信息是符合用户个性化习惯的相关输入内容，其细粒度槽位信息能够细致地表征用户个性化标签信息；则通过挖掘用户的输入信息中细粒度槽位信息，利用细粒度槽位信息即可分析得到用户的标签；该确定用户标签的方式较为方便，且确定的用户标签为细粒度标签，从而便于提高人工智能用户个性化的性能。

图5是根据一示例性实施例示出的一种用于确定用户标签的装置500的框图。例如，装置500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图5，装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。

处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理部件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。

存储器505被配置为存储各种类型的数据以支持在设备500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件506为装置500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。

多媒体组件508包括在所述装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相互关联的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当设备500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。

I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到设备500的打开/关闭状态，组件的相对定位，例如所述组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子组件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由装置500的处理器520执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种确定用户标签的方法，所述方法包括：

对目标用户的输入信息进行自然语言处理；

获得所述输入信息中细粒度槽位信息；

基于所述细粒度槽位信息推断所述目标用户的细粒度标签。

在本申请实施例一种可选的实施方式中，所述对目标用户的输入信息进行自然语言处理，具体为：

利用槽位挖掘算法和意图分类器对所述输入信息进行自然语言处理；所述槽位挖掘算法包括槽位挖掘模板或槽位挖掘模型。

在本申请实施例一种可选的实施方式中，还包括：

确定所述目标用户所属的目标用户聚类簇；

基于所述目标用户聚类簇中用户的输入信息与对应的细粒度槽位信息，调整所述槽位挖掘算法获得新槽位挖掘算法；

其中，所述利用槽位挖掘算法和意图分类器对所述输入信息进行自然语言处理，具体为：

利用所述新槽位挖掘算法和所述意图分类器对所述输入信息进行自然语言处理。

在本申请实施例一种可选的实施方式中，还包括：

基于所述细粒度槽位信息推断所述目标用户的人设标签；

从所述细粒度标签中筛选与所述人设标签匹配的细粒度标签；

确定所述目标用户的目标细粒度标签。

在本申请实施例一种可选的实施方式中，还包括：

确定所述目标用户所属的目标用户聚类簇；

若所述目标用户聚类簇中预设数量用户的目标细粒度标签均包括第一目标细粒度标签，将所述第一目标细粒度标签确定为所述目标用户聚类簇中用户的目标细粒度标签；

其中，所述预设数量小于所述目标用户聚类簇中用户数量。

在本申请实施例一种可选的实施方式中，所述确定所述目标用户所属的目标用户聚类簇，具体为：

基于所述目标用户的相关数据、其他用户的相关数据，确定所述目标用户所属的目标用户聚类簇；所述相关数据包括社交数据、属性数据和/或行为数据。

在本申请实施例一种可选的实施方式中，所述基于所述目标用户、其他用户的相关数据，确定所述目标用户所属的目标用户聚类簇，包括：

基于所述目标用户的相关数据、所述其他用户的相关数据，获得各个用户之间的相似度；

基于各个所述用户之间的相似度，构建用户图网络；

基于所述用户图网络确定所述目标用户所属的目标用户聚类簇。

图6是本申请实施例中服务器的结构示意图。该服务器600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)622(例如，一个或一个以上处理器)和存储器632，一个或一个以上存储应用程序642或数据644的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器632和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器622可以设置为与存储介质630通信，在服务器600上执行存储介质630中的一系列指令操作。

服务器600还可以包括一个或一个以上电源626，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口658，一个或一个以上键盘656，和/或，一个或一个以上操作系统641，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请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申请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，凡是未脱离本申请技术方案的内容，依据本申请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，均仍属于本申请技术方案保护的范围内。