[发明专利]多标签识别方法、装置、电子设备及存储介质

权利要求书

1.一种多标签识别方法，其特征在于，所述方法包括：

获取原始数据，其中，所述原始数据包括用户基础数据、用户行为数据以及用户评论数据；

对所述用户基础数据进行归一化处理，得到用户基础特征；

通过预先训练的图卷积模型对所述用户行为数据进行特征提取，得到行为特征矩阵；

对所述用户评论数据进行分词处理，得到评论文本词段向量；

将所述评论文本词段向量输入至预先训练的对比学习模型中，以使所述评论文本词段向量与所述对比学习模型中的参考词嵌入矩阵进行矩阵相乘，得到评论词嵌入向量；

对所述用户基础特征、所述行为特征矩阵以及所述评论词嵌入向量进行融合处理，得到标准画像特征向量；

通过预先训练的标签识别模型对所述标准画像特征向量进行标签识别处理，得到每一预设画像标签的概率值；

根据所述概率值与预设概率阈值的大小关系，得到目标画像标签。

2.根据权利要求1所述的多标签识别方法，其特征在于，所述通过预先训练的图卷积模型对所述用户行为数据进行特征提取，得到行为特征矩阵的步骤，包括：

将所述用户行为数据映射到预设的向量空间，得到用户行为特征向量；

根据预设的课程类型和所述用户行为特征向量，构建行为特征图；

对所述行为特征图进行图卷积处理，得到行为度矩阵和行为邻接矩阵；

对所述行为度矩阵和所述行为矩阵进行做差处理，得到行为特征矩阵。

3.根据权利要求1所述的多标签识别方法，其特征在于，所述对所述用户评论数据进行分词处理，得到评论文本词段向量的步骤，包括：

通过预设的分词器对所述用户评论数据进行分词处理，得到评论文本词段；

对所述评论文本词段进行编码处理，得到评论文本词段向量。

4.根据权利要求1所述的多标签识别方法，其特征在于，所述将所述评论文本词段向量输入至预先训练的对比学习模型中，以使所述评论文本词段向量与所述对比学习模型中的参考词嵌入矩阵进行矩阵相乘，得到评论词嵌入向量的步骤，包括：

将所述评论文本词段向量输入到对比学习模型中，以使所述评论文本词段向量与参考词嵌入矩阵进行矩阵相乘，得到多个基本词嵌入向量；

对所述基本词嵌入向量进行映射处理，得到评论词嵌入向量。

5.根据权利要求1所述的多标签识别方法，其特征在于，所述通过预先训练的标签识别模型对所述标准画像特征向量进行标签识别处理，得到每一预设画像标签的概率值的步骤，包括：

根据预设的标签维度对所述标准画像特征向量进行重构处理，得到标签特征向量；

利用预设函数对所述标签特征向量进行识别处理，得到每一预设画像标签的概率值。

6.根据权利要求1所述的多标签识别方法，其特征在于，所述根据所述概率值与预设概率阈值的大小关系，得到目标画像标签的步骤，包括：

将所述概率值大于或者等于所述预设概率阈值的画像标签纳入同一集合，得到候选画像标签集；

对所述候选画像标签集进行筛选处理，得到所述目标画像标签。

7.根据权利要求1至6任一项述的多标签识别方法，其特征在于，在所述通过预先训练的标签识别模型对所述标准画像特征向量进行标签识别处理，得到每一预设画像标签的概率值的步骤之前，所述方法还包括预先训练所述标签识别模型，具体包括：

获取标注用户数据；

对所述标注用户数据进行特征提取，得到样本特征向量；

将所述样本特征向量输入到标签识别模型中；

通过所述标签识别模型的损失函数计算出每一画像标签类别的样本概率预测值；

根据所述样本概率预测值对所述标签识别模型的损失函数进行优化，以更新所述标签识别模型。