[发明专利]用户生成内容标签数据生成方法、装置及相关方法和装置

说明书

本申请公开了一种用户生成内容（UGC）的标签数据的生成方法、装置及相关方法和装置，包括：获取UGC数据；对所述UGC数据进行分词，计算各词的词频，选择词频排在前指定位的词组成词表；计算所述词表中的词的两两之间的词距离，对该词表中的词进行聚类，得到N个词集合；对所述各词集合中的每个词进行扩展，得到扩展后词表，计算拓展后词表中的词的两两之间的词距离，对该扩展后词表中的词进行聚类，得到B个词集合；判断B–N是否小于指定值，如果是则跳到下一步，否则重复本步骤；从所述B个词集合中识别指定类型的词，根据所识别出的词生成UGC的标签数据。利用本发明，可以提高用户获取有效目标信息的获取效率，降低获取成本。

技术领域

本申请涉及计算机和互联网数据处理技术领域，尤其涉及一种用户生成内容（UGC，User Generated Content）标签数据生成方法、装置及相关方法和装置。

背景技术

目前，随着互联网技术的发展，网络逐渐成为人们获取信息的重要来源，特别是在互联网进入Web2.0时代后，用户既是网站内容的浏览者，也是网站内容的制造者。用户参与创造的内容被称为UGC，如用户发表的日志、照片等。在Web2.0时代，由于UGC的大量涌现，网络信息量呈几何级快速增长，形成一个多、广、专的局面，对人类知识的积累和传播起到了一个非常大的作用。

可以发表UGC的网站系统通常被称为UGC网站系统。例如目前常用的UGC网站系统包括：微博客（MicroBlog）系统、社交网络服务系统（SNS，Social Network Service））、社区论坛系统、知识分享系统等等。其中某些UGC网站系统的功能也是相互融合的，具有多种属性。

例如，微博客（MicroBlog），简称微博，是一个基于用户关系的信息分享、传播以及获取的UGC网站系统，也属于一种SNS系统，用户可以通过有线通信网络或无线通信网络、以及各种客户端访问微博，以指定数目的文字和/或其它多媒体信息更新信息，并实现即时分享。

但是，随着UGC网站系统用户数量的不断增大，每个用户所发布的UGC数量也在持续增加，使得互联网上形成了巨量的UGC信息。这就导致了严重的信息碎片化。所述信息碎片化，是指人们通过网络传媒了解阅读非常多的信息，但却没有深刻的理解和记忆，也没有直接获取到UGC中的关键信息，从而使得大量的UGC信息成为用户的过眼云烟，严重干扰了用户对有效目标信息的获取效率。

例如，如果用户希望了解某个最新电影的评价信息，则不但需要到相关的电影网站上查看该电影的剧情、海报、综合评分、票房，还需要去BBS、微博等UGC平台去查看广大用户的评论信息。但是面对如此海量的信息，用户需要通过较多次的人机交互进行网页的打开、关闭、切换等操作来寻找有效的目标信息，用户获知有效的目标信息的过程比较耗时费力，无法直达目标点，获取效率低，获取成本较高。同时由于在此过程中需要较多的人机交互，而每一次人机交互操作都会占用相应的机器资源和网络带宽资源，耗费了大量的机器资源和网络带宽资源。

发明内容

有鉴于此，本发明的主要目的是提供一种UGC标签数据生成方法、装置及相关方法和装置，以提高用户获取有效目标信息的获取效率，降低获取成本。

本发明的技术方案是这样实现的：

一种用户生成内容UGC的标签数据的生成方法，包括：

获取UGC数据；

对所述UGC数据进行分词，计算各词的词频，选择词频排在前指定位的词组成词表；

计算所述词表中的词的两两之间的词距离，按照所述两两之间的词距离对该词表中的词进行聚类，得到N个词集合；