CN121365166A - 数据合集推荐方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请涉及一种数据合集推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。所述方法包括：获取目标标签；将与所述目标标签相匹配的目标数据聚合至相应的推荐合集中；所述目标数据是从至少两个应用程序中记录的；所述目标数据是基于预设记录操作得到的；显示所述推荐合集。采用本方法能够实现自动并准确地推荐数据合集。

Description

数据合集推荐方法、装置、电子设备及可读存储介质

技术领域

本申请涉及信息技术领域，特别是涉及一种数据合集推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

随着计算机和网络技术的飞速发展，电子设备的使用越来越广泛，功能越来越多，已经成为人们日常生活中不可缺少的部分。用户可以通过电子设备记录工作和生活中的点滴，并通过一条条数据的形式进行存储，然而，在存储的数据较多的情况下，无法通过简单搜索呈现用户真实需要的数据内容，因此，亟需一种能够自动呈现与用户真实需求相匹配的数据合集的策略。

发明内容

本申请实施例提供了一种数据合集推荐方法、装置、电子设备、计算机可读存储介质，可以自动向用户推荐与用户真实需求相匹配的数据合集。

第一方面，本申请提供了一种数据合集推荐方法，包括：

获取目标标签；

将与所述目标标签相匹配的目标数据聚合至相应的推荐合集中；所述目标数据是从至少两个应用程序中记录的；所述目标数据是基于预设记录操作得到的；

显示所述推荐合集。

第二方面，本申请还提供了一种数据合集推荐装置，包括：

标签获取模块，用于获取目标标签；

数据聚合模块，用于将与所述目标标签相匹配的目标数据聚合至相应的推荐合集中；所述目标数据是从至少两个应用程序中记录的；所述目标数据是基于预设记录操作得到的；

合集显示模块，用于显示所述推荐合集。

第三方面，本申请还提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所提供的数据合集推荐方法的步骤。

第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所提供的数据合集推荐方法的步骤。

第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所提供的数据合集推荐方法的步骤。

上述数据合集推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品，通过获取目标标签，然后将与目标标签相匹配的目标数据聚合至相应的推荐合集中，并显示推荐合集，能够实现将与用户真实需求相匹配的数据挑选出来并聚合为合集后向用户推荐，提高推荐的准确性，同时自动向用户提供与用户真实需求相匹配的数据信息，能够提高设备的使用体验。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对本申请实施例或相关技术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他相关的附图。

图1为一些实施例中执行视觉或多模态搜索服务的计算机系统框图；

图2为一些实施例中电子设备的数据处理系统的框架示意图；

图3为一些实施例中电子设备的数据处理系统的内部结构示意图；

图4为一些实施例中数据合集推荐方法的流程示意图；

图5为一些实施例中推荐合集的显示示意图；

图6为一些实施例中目标推荐合集中的记录数据显示示意图；

图7为一些实施例中“保留合集”控件触发后的显示示意图；

图8为一些实施例中“不感兴趣”控件触发后的显示示意图；

图9为一些实施例中候选功能控件的显示示意图；

图10为另一些实施例中数据合集推荐方法的流程示意图；

图11为一些实施例中数据合集推荐装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的数据合集推荐方法，可以应用于电子设备中。其中，电子设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、飞行器、无人机、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备、投影设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。头戴设备可以为虚拟现实（Virtual Reality，VR）设备、增强现实（Augmented Reality，AR）设备、智能眼镜等。服务器104可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或分布式系统，还可以是提供云计算服务的云服务器。需要说明的是，电子设备可以是终端，也可以是服务器。

图1描绘了根据本申请的示例实施例的执行视觉或多模态搜索服务的示例计算系统100的框图。计算系统100包括通过网络160通信地耦合的用户计算系统110、服务器计算系统130和/或第三方计算系统150。

用户计算系统110可包括任何类型的计算装置，诸如，例如个人计算装置（例如，膝上型计算机或台式计算机）、移动计算装置（例如，智能手机或平板计算机）、游戏控制台或控制器、可穿戴计算装置（如智能手表或智能眼镜等）、嵌入式计算装置或任何其他类型的计算装置。

用户计算系统110包括一个或多个处理器112和存储器114。一个或多个处理器112可以是任何合适的处理装置（例如，处理器核心、微处理器、ASIC（Application SpecificIntegrated Circuit，专用集成电路）、FPGA（Field Programmable Gate Array，现场可编程逻辑门阵列）、控制器、微控制器等）并且可以是一个处理器或操作性地连接的多个处理器。存储器114可包括一个或多个非暂时性计算机可读存储介质，诸如RAM（Random AccessMemory，随机存储器）、ROM（Read-Only Memory，只读存储器）、EEPROM（ElectricallyErasable Programmable Read-Only Memory，电擦除可编程只读存储器）、EPROM（ErasableProgrammable Read-Only Memory，可擦除可编程只读存储器）、闪存存储器装置、磁盘等以及它们的组合。存储器114可存储由处理器112执行以使用户计算系统110执行操作的数据116和指令118。

在一些实现方式中，用户计算系统110可存储或包括一个或多个机器学习模型120。例如，机器学习模型120可以是或可以以其他方式包括各种机器学习模型，诸如神经网络（例如，深度神经网络）或其他类型的机器学习模型，包括非线性模型和/或线性模型。神经网络可包括前馈神经网络、循环神经网络（例如，长短期记忆循环神经网络）、卷积神经网络或其他形式的神经网络。

在一些实现方式中，一个或多个机器学习模型120可通过网络160从服务器计算系统130接收、存储在用户计算系统110的存储器114中，然后由一个或多个处理器112使用或以其他方式实现。在一些实现方式中，用户计算系统110可实现单个机器学习模型120的多个并行实例（例如，以跨输入数据和/或检测到的特征的多个实例执行并行机器学习模型处理）。

另外地或替代地，一个或多个机器学习模型140可包括在服务器计算系统130中或以其他方式由服务器计算系统130存储并实现，服务器计算系统130根据客户端/服务器关系与用户计算系统110通信。例如，机器学习模型140可由服务器计算系统130实现为网络服务（例如，取景器服务、视觉搜索服务、图像处理服务、环境计算服务和/或叠加应用服务）的一部分。因此，一个或多个机器学习模型120可在用户计算系统110处存储并实现，和/或一个或多个机器学习模型140可在服务器计算系统130处存储并实现。

机器学习模型120或140可包括一个或多个生成模型、一个或多个对象检测模型、一个或多个分割模型、一个或多个分类模型、一个或多个嵌入模型、一个或多个语义分析模型、和/或一个或多个搜索引擎等。

一个或多个生成模型可以用于处理显示数据和/或一个或多个处理输出以生成自然语言输出（例如，包括关于显示数据的附加信息和/或与所显示的内容中描绘的数据相关联的实体的自然语言输出）、生成图像、和/或其他模型生成的媒体内容项。例如，可以访问和处理一个或多个web资源来生成特定主题的摘要。一个或多个对象检测模型可以用于执行显示数据中的对象检测。一个或多个分割模型可以用于从所显示的内容中分割对象和/或文本片段。一个或多个分类模型可以用于执行对象分类、图像分类、实体分类、格式分类、情感分类、和/或其他分类任务。一个或多个嵌入模型可以用于嵌入显示数据的部分和/或全部。然后可以利用嵌入来搜索相似的对象和/或文本、分类、分组、和/或压缩。语义分析模型可以用于处理显示数据，以生成关于主题理解、场景理解、焦点、模式识别、应用理解描述对显示数据的理解的语义输出和/或一个或多个其他语义输出。

一个或多个搜索引擎可以处理显示数据、显示数据的部分、和/或一个或多个机器学习模型输出以确定一个或多个搜索结果。一个或多个搜索结果可以包括网页、图像、文本、视频、和/或其他数据。搜索结果可以基于特征映射、特征匹配、嵌入搜索、元数据搜索、标签搜索、聚类、和/或其他搜索技术来确定。搜索结果可以基于查询意图分类、搜索结果分类、和/或实体分类来确定。模型的输出和/或搜索结果可以被发送回到用户计算装置，以通过由视觉搜索界面生成和提供的一个或多个用户界面元素提供给用户。

用户计算系统110还可以包括接收用户输入的一个或多个用户输入组件122。例如，用户输入组件122可以是对用户输入对象（例如，手指或触笔）的触摸敏感的触敏组件（例如，触敏显示屏或触摸板）。触敏组件可用于实现虚拟键盘。其他示例用户输入组件包括麦克风、传统键盘或用户可借助来提供用户输入的其他装置。

在一些实现方式中，用户计算系统110可存储和/或提供一个或多个用户界面124，所述用户界面124可与一个或多个应用程序相关联。一个或多个用户界面124可被配置为接收输入和/或提供用于显示的数据（例如，图像数据、文本数据、音频数据、一个或多个用户界面元素、增强现实体验、虚拟现实体验和/或其他用于显示的数据）。用户界面124可与一个或多个其他计算系统（例如，服务器计算系统130和/或第三方计算系统150）相关联。用户界面124可包括取景器界面、搜索界面、生成模型界面、社交媒体界面、媒体内容画廊界面等。

用户计算系统110可包括一个或多个传感器126和/或从一个或多个传感器126接收数据。一个或多个传感器126可容纳在外壳组件中，所述外壳组件容纳一个或多个处理器112、存储器114和/或一个或多个硬件组件，所述一个或多个硬件组件可存储一个或多个软件包和/或致使执行一个或多个软件包。一个或多个传感器126可包括一个或多个图像传感器（例如，相机）、一个或多个雷达传感器、一个或多个音频传感器（例如，麦克风）、一个或多个惯性传感器（例如，惯性测量单元）、一个或多个生物传感器（例如，心率传感器、脉搏传感器、视网膜传感器和/或指纹传感器）、一个或多个红外传感器、一个或多个位置传感器（例如，全球定位系统GPS）、一个或多个触摸传感器（例如，导电触摸传感器和/或机械触摸传感器），和/或一个或多个其他传感器。可利用一个或多个传感器来获得与用户环境相关联的数据（例如，用户环境的图像、环境的记录和/或用户的位置）。

用户计算系统110可包括用户计算装置111和/或是用户计算装置111的部分。用户计算装置111可包括移动计算装置（例如，智能手机或平板计算机）、台式计算机、膝上型计算机、智能可穿戴设备和/或智能家电或飞行器或车载设备等。另外地和/或替代地，用户计算系统110可从一个或多个用户计算装置111获得数据和/或使用一个或多个用户计算装置111生成数据。例如，可利用智能手机的相机来捕获描绘环境的图像数据，和/或可利用用户计算装置111的叠加应用程序来跟踪和/或处理提供给用户的数据。类似地，可利用与智能可穿戴设备相关联的一个或多个传感器来获得关于用户和/或关于用户环境的数据（例如，可使用容纳在用户的智能眼镜中的相机来获得图像数据）。另外地和/或替代地，可从可专门用于数据获得或生成的其他用户装置获得和上传数据。

服务器计算系统130包括一个或多个处理器132和存储器134。一个或多个处理器132可以是任何合适的处理装置（例如，处理器核心、微处理器、ASIC、FPGA、控制器、微控制器等）并且可以是一个处理器或操作性地连接的多个处理器。存储器134可包括一个或多个非暂时性计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪存存储器装置、磁盘等以及它们的组合。存储器134可存储由处理器132执行以致使服务器计算系统130执行操作的数据136和指令138。

在一些实现方式中，服务器计算系统130包括一个或多个服务器计算装置或以其他方式由一个或多个服务器计算装置实现。在服务器计算系统130包括多个服务器计算装置的情况下，此类服务器计算装置可根据顺序计算架构、并行计算架构或它们的某种组合来操作。

如上所述，服务器计算系统130可存储或以其他方式包括一个或多个机器学习模型140。例如，机器学习模型140可以是或可以以其他方式包括各种机器学习模型。示例机器学习模型包括神经网络或其他多层非线性模型。示例神经网络包括前馈神经网络、深度神经网络、循环神经网络和卷积神经网络。

另外地和/或替代地，服务器计算系统130可包括搜索引擎142和/或与搜索引擎142通信地连接，所述搜索引擎可用于抓取一个或多个数据库（和/或资源）。搜索引擎142可处理来自用户计算系统110、服务器计算系统130和/或第三方计算系统150的数据以确定与输入数据相关联的一个或多个搜索结果。搜索引擎142可执行基于术语的搜索、基于标签的搜索、基于布尔的搜索、图像搜索、基于嵌入的搜索（例如，最近邻搜索）、多模态搜索和/或一种或多种其他搜索技术。

服务器计算系统130可存储和/或提供用于获得输入数据和/或向一个或多个用户提供输出数据的一个或多个用户界面144。一个或多个用户界面144可包括一个或多个用户界面元素，所述用户界面元素可包括输入字段、导航工具、内容小片、可选图块、小部件、数据显示轮播、动态动画、信息弹出窗口、图像增强、文本转语音、语音转文本、增强现实、虚拟现实、反馈回路和/或其他界面元素。

用户计算系统110和/或服务器计算系统130可经由与通过网络160通信地耦合的第三方计算系统150的交互来训练机器学习模型120和/或140。第三方计算系统150可与服务器计算系统130分开或可以是服务器计算系统130的一部分。替代地和/或另外地，第三方计算系统150可与一个或多个网络资源、一个或多个网络平台、一个或多个其他用户和/或一个或多个上下文相关联。

第三方计算系统150可包括一个或多个处理器152和存储器154。一个或多个处理器152可以是任何合适的处理装置（例如，处理器核心、微处理器、ASIC、FPGA、控制器、微

控制器等）并且可以是一个处理器或操作性地连接的多个处理器。存储器154可包括一个或多个非暂时性计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪存存储器装置、磁盘等以及它们的组合。存储器154可存储由处理器152执行以致使第三方计算系统150执行操作的数据156和指令158。在一些实现方式中，第三方计算系统150包括一个或多个服务器计算装置或以其他方式由一个或多个服务器计算装置实现。

网络160可以是任何类型的通信网络，诸如局域网（例如，内联网）、广域网（例如，互联网）或者它们的某个组合，并且可包括任何数量的有线或无线链路。一般地，通过网络180的通信可使用多种通信协议（例如，TCP/IP、HTTP、SMTP、FTP）、编码或格式（例如，HTML、XML）和/或保护方案（例如，VPN、安全HTTP、SSL）经由任何类型的有线和/或无线连接来执行。

本申请中描述的机器学习模型可用于各种任务、应用和/或用例。

在一些实现方式中，本申请的机器学习模型的输入可以是图像数据。机器学习模型可处理图像数据以生成输出。作为一个示例，机器学习模型可处理图像数据以生成图像识别输出（例如，图像数据的识别、图像数据的潜在嵌入、图像数据的编码表示、图像数据的哈希等）。作为另一个示例，机器学习模型可处理图像数据以生成图像分割输出。作为另一个示例，机器学习模型可处理图像数据以生成图像分类输出。作为另一个示例，机器学习模型可处理图像数据以生成图像数据修改输出（例如，图像数据的更改等）。作为另一个示例，机器学习模型可处理图像数据以生成编码图像数据输出（例如，图像数据的编码和/或压缩表示等）。作为另一个示例，机器学习模型可处理图像数据以生成升级的图像数据输出。作为另一个示例，机器学习模型可处理图像数据以生成预测输出。

在一些实现方式中，本公开的机器学习模型的输入可以是文本或自然语言数据。机器学习模型可处理文本或自然语言数据以生成输出。作为一个示例，机器学习模型可处理自然语言数据以生成语言编码输出。作为另一个示例，机器学习模型可处理文本或自然语言数据以生成潜在文本嵌入输出。作为另一个示例，机器学习模型可处理文本或自然语言数据以生成翻译输出。作为另一个示例，机器学习模型可处理文本或自然语言数据以生成分类输出。作为另一个示例，机器学习模型可处理文本或自然语言数据以生成文本分割输出。作为另一个示例，机器学习模型可处理文本或自然语言数据以生成语义意图输出。作为另一个示例，机器学习模型可处理文本或自然语言数据以生成升级的文本或自然语言输出（例如，质量比输入文本或自然语言更高的文本或自然语言数据等）。作为另一个示例，机器学习模型可处理文本或自然语言数据以生成预测输出。

在一些实现方式中，本公开的机器学习模型的输入可以是语音数据。机器学习模型可处理语音数据以生成输出。作为一个示例，机器学习模型可处理语音数据以生成语音识别输出。作为另一个示例，机器学习模型可处理语音数据以生成语音翻译输出。作为另一个示例，机器学习模型可处理语音数据以生成潜在嵌入输出。作为另一个示例，机器学习模型可处理语音数据以生成经编码语音输出（例如，语音数据的编码和/或压缩表示等）。作为另一个示例，机器学习模型可处理语音数据以生成升级的语音输出（例如，质量比输入语音数据更高的语音数据等）。作为另一个示例，机器学习模型可处理语音数据以生成文本表示输出（例如，输入语音数据的文本表示等）。作为另一个示例，机器学习模型可处理语音数据以生成预测输出。

在一些实现方式中，本公开的机器学习模型的输入可以是传感器数据。机器学习模型可处理传感器数据以生成输出。作为一个示例，机器学习模型可处理传感器数据以生成识别输出。作为另一个示例，机器学习模型可处理传感器数据以生成预测输出。作为另一个示例，机器学习模型可处理传感器数据以生成分类输出。作为另一个示例，机器学习模型可处理传感器数据以生成分割输出。作为另一个示例，机器学习模型可处理传感器数据以生成分割输出。作为另一个示例，机器学习模型可处理传感器数据以生成可视化输出。作为另一个示例，机器学习模型可处理传感器数据以生成诊断输出。作为另一个示例，机器学习模型可处理传感器数据以生成检测输出。

在一些情况下，输入包括视觉数据，并且任务是计算机视觉任务。在一些情况下，输入包括一个或多个图像的像素数据，并且任务是图像处理任务。例如，图像处理任务可以是图像分类，其中输出是一组分数，每个分数对应于不同的对象类并表示一个或多个图像描绘属于所述对象类的对象的可能性。

用户计算系统110可包括多个应用程序（例如，应用程序1至N）。每个应用程序可包括它自己的相应机器学习库和机器学习模型。例如，每个应用程序均可包括机器学习模型。示例应用程序包括文本消息传递应用程序、电子邮件应用程序、听写应用程序、虚拟键盘应用程序、浏览器应用程序等。在一些实现方式中，每个应用程序可使用API（例如，跨所有应用程序的公共API）来与中央智能层（以及存储在其中的模型）通信。

中央智能层可包括多个机器学习模型。例如，可为每个应用程序提供相应的机器学习模型（例如，模型），并且所述机器学习模型由中央智能层管理。在其他实现方式中，两个或更多个应用程序可共享单个机器学习模型。例如，在一些实现方式中，中央智能层可为所有应用程序提供单个模型（例如，单个模型）。在一些实现方式中，中央智能层包括在计算系统1100的操作系统内或以其他方式由所述操作系统实现。

中央智能层可与中央装置数据层通信。中央装置数据层可以是计算系统100的集中式数据存储库。中央装置数据层可与计算装置的许多其他组件进行通信，诸如，例如一个或多个传感器、上下文管理器、装置状态组件和/或额外组件。在一些实现方式中，中央装置数据层可使用API（例如，私有API）与每个装置组件进行通信。

用户计算装置111可以为电子设备。图2为一些实施例中电子设备200的数据处理系统的框架示意图。电子设备200包括数据采集模块210、大模型220、数据库230。电子设备200能够实现对各类应用的数据采集、预处理、存储、挖掘、检索、推荐、问答等一系列功能。

其中，电子设备200在显示应用页面内容或网页内容的过程中，可以检测到用户通过预设的触发方式来开启数据记录功能，预设的触发方式可以是对目标功能按键的触发、手势触发（如三指向上滑动）、或数据记录应用程序的触发等。

数据采集模块210用于根据开启的数据记录功能对电子设备200的屏幕显示内容或在后台运行的应用程序的页面内容进行记录。屏幕显示内容或后台运行应用程序的页面内容可以包括文本、图片、视频、音频等数据内容。若是文本，则可以直接获取文本数据。若是图片，则可以根据图片的地址下载图片。若是视频，则可以获取视频的URL地址，根据URL地址下载视频的全部或片段内容。若是音频，则可以获取音频的下载地址，下载音频的全部或部分数据。数据采集模块210还可以采用截图方式对屏幕显示内容进行记录，或通过麦克风采集用户输入的语音数据进行预处理。

数据采集模块210还用于调用大模型220或一些算法对记录的屏幕显示内容进行预处理，得到目标格式的数据。例如若屏幕显示内容为文本，则可以进行实体提取和归纳总结；若屏幕显示内容为图片，则可以对图片进行识别，得到图片内容并对图片进行分类等；若屏幕显示内容为视频，则可以对视频进行关键帧提取和关键帧内容的识别，以及对视频生成摘要信息等。处理后的数据可以存储至数据库230中。其中，大模型220可以是图1中的机器学习模型。

数据库230是用于存储、管理和检索信息的载体或系统，其形态会根据存储对象、使用场景和技术架构的不同有所不同。数据库230可以存储数据，且具备分类、检索、同步、权限控制等至少一种管理能力。数据库230可以是应用程序、小程序、API接口、个人专用存储硬件、嵌入式硬件记录模块、云端服务形态的数据库、浏览器插件、书签管理工具、企业知识库系统、缓存型数据库、个人信息库等。个人专用存储硬件可以是带有专属管理系统的移动硬盘、加密U盘、个人云存储硬盘等。嵌入式硬件记录模块可以智能设备中的专用存储模块，用于记录各类数据。云端服务形态的数据库可以是提供接口调用服务功能的云端数据库，或个人云端数据管理服务的数据库。

数据库230包括数据管理模块240和数据交互模块250。数据管理模块240可以调用大模型220对存储的数据进行挖掘，并将挖掘的数据可以存储在数据库230中，并可以提供数据检索功能等。挖掘方式可以包括数据脱敏处理、标签分类、实体提取、日程提取、待办项提取、摘要生成、生成合集、推荐合集、数据关联等。数据管理模块240还可以根据用户记录的各类数据进行归纳整理，可以得到用户画像信息。用户画像信息可以包括用户个人信息、个人偏好信息等。用户个人信息可以包括用户的身份信息、职业、学历、家庭等信息、个人偏好信息可以包括喜欢的人、物、地点、风景、游戏等等，不限于此。

数据交互模块250可以提供与应用程序之间的交互功能，可以通过数据管理模块240获取交互所需数据。交互功能可以包括推荐合集、数据搜索、数据详情查看、数据分享、AI问答、数据联想等，不限于此。例如AI问答功能，数据交互模块250获取用户在AI问答应用中提供的问题，并将该问题发送给数据管理模块240，数据管理模块240搜索相应的答案，并提供给数据交互模块250反馈到AI问答相关应用中。

进一步地，电子设备200中数据采集模块210采集的数据和挖掘的用户画像信息等可以根据需要同步到云端，也可以借助云端的大模型对采集的数据进行处理，还可以将同步到云端的数据，通过云端同步到其他电子设备，实现数据在不同设备之间的共享。

图3为一些实施例中电子设备的数据处理系统的内部结构示意图。数据采集模块210可以包括采集入口子模块211、提取子模块212、截图获取子模块213、预处理子模块214和写入子模块215等。

采集入口子模块211用于提供数据采集的入口，例如可以是语音助手入口，通过语音助手入口接收用户语音输入的数据记录指令，也可以是手势触发入口，如硬件按键的长入口，或三指向上滑动入口，还可以是用户对特定控件的触发入口，如点赞控件，收藏控件，分享控件等。采集入口子模块21可以根据设置的规则自动采集，如采集触发条件为预设的页面内容，检测到电子设备显示的页面信息存在预设的页面内容，则自动采集该页面信息。采集入口子模块21还可以接收一些应用程序（如天气应用、时钟应用、计步应用等）的捐赠数据，如天气数据、时间数据、步行数据、跑步里程数等，不限于此。

提取子模块212可以对需要记录的应用的页面内容进行图文提取。

截图获取子模块213可以通过对屏幕内容进行截图，然后调用OCR识别算法的截图内容进行文字识别得到文字内容。

预处理子模块214可以对采集的数据进行分词或去噪或处理成预设格式的数据。

写入子模块215用于把采集的数据或经过预处理的数据写入数据库230中。

数据管理模块240可以包括数据挖掘子模块241、问答子模块242、检索子模块243、源数据处理子模块244等。

数据挖掘子模块241用于对数据进行挖掘。挖掘方式可以包括数据脱敏处理、标签分类、实体提取、日程提取、待办项提取、摘要生成、生成合集、推荐合集、数据关联等。

问答子模块242用于实现根据用户问题搜索相应的数据，并根据搜索的数据生成对应的答案。

检索子模块243用于根据搜索请求，从数据库230中检索相应的数据，并将检索的数据进行整理或直接反馈给用户。

源数据处理子模块244用于提供对源数据的添加、修改、删除、更新操作。源数据可以是指采集后记录在数据库230的数据或者对采集的数据经过预处理后的数据。

数据交互模块250包括数据添加/编辑/查看子模块251、数据推荐子模块252、数据搜索子模块254、关联数据子模块254等。

数据添加/编辑/查看子模块251用于提供数据的添加、编辑、查看等功能。

数据推荐子模块252用于向用户推荐合集数据或按照用户画像推荐存储的数据。

数据搜索子模块253用于获取用户的搜索需求，并将搜索需求传输给数据管理模块240中的检索子模块243。检索子模块243从数据库230中根据搜索需求检索到相应的数据，并将检索到的数据反馈给数据搜索子模块253。

关联数据子模块254用于将记录的数据关联或推荐给其他应用程序。

在一些示例性的实施例中，如图4所示，提供了一种数据合集推荐方法，包括以下步骤402至步骤406。其中：

步骤402，获取目标标签。

其中，记录数据可以是通过电子设备的数据记录功能获得、并经过处理后得到的结构化信息。数据记录功能用于对数据信息进行分析后存储。结构化信息是一种数据组织形式，其中数据被组织成预定义的格式，结构化信息中可以包括明确的字段或列，以及相应的数据类型等，这样的数据组织方式可以使得数据的存储、检索和分析变得更为高效和准确。实际应用场景中，记录数据可以通过数据记录功能对用户输入的语音信息进行处理得到，或者通过数据功能对用户输入的文本信息进行处理得到，或者通过数据功能对界面的界面信息进行处理得到。在获取一条条的记录数据之后，可以将这些记录数据进行存储，以供用户需要时进行查阅。

容易理解地，每条记录数据均有相应的标签。可以在生成记录数据时，对应生成该记录数据的标签。标签可以理解为相应记录数据的语义关键词。每条记录数据可以包括一个或多个标签。每条记录数据的标签可以通过人工标注生成，或者可以通过语义识别算法对记录数据进行语义识别生成。在假设不存在重复记录数据的情况下，不同记录数据的标签通常不同。目标标签可以用于表征用户感兴趣内容。在确定目标标签之后，可以基于目标标签获取用户感兴趣的记录数据。

示例性地，可以根据所有记录数据的标签所对应的记录数据数量，确定目标标签。例如，将记录数据数量超过数量阈值的标签确定为目标标签，或者将记录数据数量由高到低目标数量的标签确定为目标标签等。或者，还可以根据预设条件从本地数据列表中筛选出候选数据存储在候选数据列表中，根据候选数据的候选标签在本地数据列表中匹配的记录数据数量，确定目标标签。或者，还可以根据用户操作内容确定目标标签。

步骤404，将与目标标签相匹配的目标数据聚合至相应的推荐合集中；其中，目标数据是从至少两个应用程序中记录的；目标数据是基于预设记录操作得到的。

其中，聚合用于表征按照预设的归类规则进行归类的过程。每个合集用于表征一种类别的记录数据。例如，可以按照事务属性对记录数据进行归类，并创建相应类别数据的合集，如旅游攻略、健身、美食或者人际关系等对应的合集。容易理解地，合集的数量和类型可以根据实际应用场景进行设置，在此不作具体限定。

示例性地，可以将本地数据列表中包括目标标签的记录数据，作为与目标标签相匹配的目标数据。在实际应用场景中，若目标标签包括多个，可以从与每个目标标签相匹配的目标数据中，选取数量不大于第一阈值的目标数据作为聚合数据，各个目标标签对应的聚合数据的总数量不超过第二阈值，第一阈值小于第二阈值。第二阈值可以是第一阈值的整数倍数。例如，第一阈值为100，第二阈值为1000。第一阈值或第二阈值可以根据实际应用场景进行设置，在此不作限定。容易理解地，若存在与目标标签相匹配的目标数据的数量大于第一阈值，则可以从与该目标标签相匹配的目标数据中，按照数据生成时间由近至远选取第一阈值数量的目标数据作为聚合数据。然后将聚合数据聚合至相应的推荐合集中，由此可以限制每次聚合至相应推荐合集中的聚合数据的数量，降低推荐合集的存储压力。

示例性地，可以将目标数据与推荐合集的合集关键词进行匹配，将与目标数据相匹配的合集关键词对应的推荐合集作为目标数据相应的推荐合集。其中，合集关键词用于表征相应合集，每个合集可以包括一个或多个合集关键词。容易理解地，目标数据与推荐合集相匹配，也可以是目标数据的标签与推荐合集的合集关键词之间的语义相似度高于相似度阈值。

其中，电子设备中存储的记录数据可以是从电子设备上安装的一个或多个应用程序中记录的。即电子设备上每个应用程序中的数据均可以进行记录。目标数据是从至少两个应用程序中记录的。例如，目标数据包括从A应用程序中记录的数据和从B应用程序中记录的数据，或者，目标数据包括从A应用程序中记录的数据、从B应用程序中记录的数据和从C应用程序中记录的数据等。在一些应用场景中，至少两个应用程序可以包括具有数据记录功能的目标应用程序。

预设记录操作例如包括截图操作、点赞操作、分享操作、收藏操作或者搜索操作等。预设记录操作还可以包括触发语音对话的操作，或者满足其他预设记录条件等。在实际应用场景中，响应于预设记录操作的触发，对预设记录操作对应的内容进行记录，得到相应记录数据。通常情况下，目标数据可以是电子设备中保存的记录数据中的一部分或全部。

步骤406，显示推荐合集。

其中，将目标数据聚合至相应的推荐合集中，相当于是对原有推荐合集进行更新的过程。在得到更新后的推荐合集之后，可以显示推荐合集。推荐合集可以包括多个，例如，可以按照预设顺序轮流显示多个推荐合集，或者也可以随机显示推荐合集。推荐合集的显示方式例如可以通过卡片、弹窗、横幅、弹幕等形式显示，在此不作限定。

示例性地，可以在相应应用界面的推荐列表中显示推荐合集，例如，可以动态显示各个推荐合集，或者平铺显示各个推荐合集，或者堆叠显示各个推荐合集等。

上述数据合集推荐方法，通过获取目标标签，然后将与目标标签相匹配的目标数据聚合至相应的推荐合集中，并显示推荐合集，能够实现将与用户真实需求相匹配的数据挑选出来并聚合为合集后向用户推荐，提高推荐的准确性，同时自动向用户提供与用户真实需求相匹配的数据信息，能够提高设备的使用体验。

在一些实施例中，步骤402中获取目标标签，包括：

根据候选数据列表中候选数据的候选标签在本地数据列表中所匹配的记录数据数量，获取目标标签。

其中，候选数据列表是用于存储候选数据的列表。候选数据是本地数据列表中根据预设条件筛选出来的记录数据。候选标签是指候选数据的标签。本地数据列表中的记录数据用于表征在电子设备本机中存储的所有记录数据，即本地数据列表中存储有用户记录并保存的全量数据。预设条件例如可以是预设时段、预设主题或者预设位置等。容易理解地，不同的应用场景，对应的预设条件可以不同。例如，在一种应用场景下，预设条件可以是预设时段，在另一种场景下，预设条件可以是预设主题等。示例性地，预设时段包括最近预设时长的时段，例如最近一天（24小时）、最近2天或者最近一个月等，可以根据实际应用场景进行设置。

在一个示例性的实施例中，电子设备预先建立有候选数据列表和本地数据列表，候选数据列表中存储候选数据，本地数据列表中存储有用户记录的全量数据。电子设备可以获取候选数据的候选标签，将每个候选标签与本地数据列表中的记录数据进行匹配，获取每个候选标签所匹配的记录数据数量，将匹配的记录数据数量由多到少的指定数量的候选标签作为目标标签。容易理解地，匹配的记录数据数量越多，说明相应的候选标签出现的频次越多，越能够代表用户的真实意图。或者，也可以将匹配的记录数据数量大于数量阈值的候选标签，作为目标标签。

本实施例中，通过根据候选数据列表中候选数据的候选标签在本地数据列表中所匹配的记录数据数量，获取目标标签，能够实现从候选标签中快速确定目标标签，同时确保目标标签的准确性。

在一些实施例中，根据候选数据列表中的候选数据的候选标签在本地数据列表中所匹配的记录数据数量，获取目标标签，包括：

获取候选数据列表中候选数据的候选标签；将本地数据列表中的记录数据与候选标签进行匹配，并获取与每个候选标签相匹配的记录数据数量；从候选标签中确定相匹配的记录数据数量大于数量阈值的目标标签。

其中，可以将本地数据列表中每条记录数据的标签依次与候选标签进行比较，若某一记录数据的标签包括其中一个候选标签，则说明该记录数据与相应候选标签相匹配，以此类推，可以获取与每个候选标签相匹配的记录数据以及相匹配记录数据的数量。

实际应用场景中，电子设备可以获取候选数据列表中每条候选数据的标签，将候选数据列表中所有候选数据的标签进行去重处理，得到候选数据的候选标签。将本地数据列表中的记录数据与每个候选标签相匹配，可以得到与每个候选标签相匹配的记录数据，并获取与每个候选标签相匹配的记录数据的数量，将每个候选标签相匹配的记录数据的数量与数量阈值进行比较，将相匹配的记录数据的数量大于数量阈值的候选标签，作为目标标签。容易理解地，相匹配的记录数据的数量大于数量阈值的候选标签，说明该候选标签出现的频次较高，能够一定程度上表征用户的意图，基于目标标签能够筛选出更加符合用户需求的目标数据。其中，数量阈值可以根据实际应用场景进行设定。例如，数量阈值可以为3、5或者10等。

本实施例中，通过将本地数据列表中的记录数据与候选数据列表中的候选数据的候选标签进行匹配，从候选标签中确定相匹配的记录数据数量大于数量阈值的目标标签，能够快速确定与用户真实需求相匹配的目标标签，提高目标标签的准确性和确定效率。

在一些实施例中，在获取候选数据列表中候选数据的候选标签之前，上述方法还包括：

识别候选数据列表中候选数据的数量；在候选数据的数量达到目标数量的情况下，执行获取候选数据列表中候选数据的候选标签的步骤。

其中，候选数据是从本地数据列表中挑选出来的记录数据。若候选数据的数量较少，基于候选数据的候选标签确定的目标标签的数量也较少，基于目标标签相匹配的目标数据数量也较少，从而会增加数据合集推荐流程的执行次数，增加功耗。同时，每次对推荐合集更新的程度也较小，容易导致推荐合集的重复性较高，降低对数据合集推荐的使用体验。

示例性地，电子设备可以实时从本地数据列表中筛选符合预设条件的数据作为候选数据存储至候选数据列表中，并识别候选数据列表中候选数据的数量，若候选数据列表中候选数据的数量达到目标数量，则执行获取候选数据列表中候选数据的候选标签的步骤，即执行数据合集推荐流程。其中，目标数量可以根据实际应用场景进行设定。例如，目标数量为5、10或者20等。

示例性地，电子设备对候选数据列表中候选数据的数量进行监控，可以在初始状态下将候选数据列表中候选数据的数量变量值置为0，每往候选数据列表中增加一条候选数据，则将数量变量值加1，直至数量变量值为目标数量，则获取候选数据列表中候选数据的候选标签，然后将本地数据列表中的数据与候选标签相匹配，获取与每个候选标签相匹配的数据数量，从候选标签中确定相匹配的数据数量大于数量阈值的目标标签，或者，将相匹配的数据数量由多到少的指定数量的候选标签作为目标标签，将本地数据列表中与目标标签相匹配的目标数据聚合至相应的推荐合集，显示该推荐合集。

本实施例中，通过对候选数据列表中候选数据的数量进行识别，在候选数据的数量达到目标数量的情况下，执行获取候选数据列表中候选数据的候选标签的步骤，能够减少固定时间内数据合集推荐流程的执行次数，降低设备功耗。同时，通过目标数量的设置，能够较好地平衡设备功耗与推荐重复度，从而提高设备使用体验。

在一些实施例中，在获取候选数据列表中候选数据的候选标签之后，上述方法还包括：

将已获取候选标签的候选数据从候选数据列表中移除。

其中，本实施例中，若候选数据的候选标签已被获取，说明相应候选数据已经被执行数据合集推荐流程，即候选数据的候选标签已经参与过进行目标数据的筛选，并进行相应推荐合集的显示，则可以把已获取候选标签的候选数据从数据列表中移除，避免对候选数据的候选标签的重复获取，从而影响推荐合集的准确性。

在一些实际应用场景中，电子设备在识别候选数据列表中候选数据的数量达到目标数量的情况下，获取候选数据列表中候选数据的候选标签，将本地数据列表中的数据与候选标签进行匹配，并获取与每个候选标签相匹配的数据数量，从候选标签中确定相匹配的数据数量大于数量阈值的目标标签，将本地数据列表中与目标标签相匹配的目标数据聚合至相应的推荐合集中，从而按照既定策略显示相应推荐合集。在获取候选数据列表中候选数据的候选标签之后，将已获取候选标签的候选数据从候选数据列表中移除，即不保存在候选数据列表中。候选数据列表用于保存后续新筛选出来的候选数据，待新筛选出来的候选数据的数量达到目标数量时，获取当前情况下的候选数据列表中候选数据的候选标签，即可重复执行上述数据合集推荐过程。

本实施例中，通过在获取候选数据列表中候选数据的候选标签之后，将已获取候选标签的候选数据从候选数据列表中移除，能够避免候选标签的重复获取和使用，实现候选数据列表中候选数据的充分更新，提高从候选标签中确定的目标标签的准确性，从而提高每次进行数据合集推荐的推荐准确性。

在一些实施例中，步骤404中将与目标标签相匹配的目标数据聚合至相应的推荐合集中，包括：

从本地数据列表中确定与目标标签相匹配的目标数据；将与目标标签相匹配的目标数据进行去重处理，得到去重后的目标数据；将去重后的目标数据聚合至相应的推荐合集中。

其中，目标标签可能包括一个或多个。若某个目标数据的标签包括目标标签，则说明该目标数据与包括的目标标签相匹配。例如，假设目标标签包括标签2、标签4和标签5，目标数据A的标签包括标签1、标签2和标签3，由于目标数据A的标签包括目标标签中的标签2，则说明目标数据A与目标标签中的标签2相匹配。假设目标数据B的标签包括标签2、标签4，由于目标数据B的标签包括目标标签中的标签2和标签4，则说明目标数据A与目标标签中的标签2和标签4均相匹配。或者，若某个目标数据的标签中存在与目标标签的相似度达到相似度阈值，则说明该目标数据与目标标签相匹配。可以从本地数据列表中分别确定与每个目标标签相匹配的目标数据，将与各个目标标签相匹配的目标数据进行去重处理，得到去重后的目标数据，然后将去重后的目标数据聚合至相应的推荐合集中。去重处理，是指重复的对象仅保留其中一个的处理。由于一条记录数据可能包括多个标签，不同的目标标签可能匹配相同的目标数据，从而可能出现重复的目标数据，需要对目标数据进行去重处理。

示例性地，电子设备可以从本地数据列表中确定与每个目标标签相匹配的目标数据，从而得到各个目标标签相匹配的目标数据，将各个目标标签相匹配的目标数据进行去重处理，得到去重后的目标数据。例如，可以在各个目标标签相匹配的目标数据中筛选重复数据，若存在重复数据，则保留重复数据中的一条记录数据即可，直至所有的目标数据中均不存在重复的记录数据，得到去重后的目标数据。然后将去重后的目标数据聚合至相应的推荐合集中。需要说明的是，去重处理的实现方式在此不作限定，只需实现去重后的目标数据中不存在重复的记录数据即可。

本实施例中，通过从本地数据列表中确定与目标标签相匹配的目标数据，将与目标标签相匹配的目标数据进行去重处理，得到去重后的目标数据，然后将去重后的目标数据聚合至相应的推荐合集中，能够避免由于不同目标标签匹配相同的目标数据而导致最终匹配的目标数据出现重复的情况，提高设备的合集推荐体验。

在一些实施例中，步骤104中将与目标标签相匹配的目标数据聚合至相应的推荐合集中，包括：

将本地数据列表中与目标标签相匹配的每条目标数据与历史推荐合集进行匹配；若存在历史推荐合集与目标数据匹配成功，则将目标数据聚合至相匹配的历史推荐合集中；若目标数据与所有历史推荐合集均未匹配成功，则根据目标数据创建新的推荐合集；新的推荐合集中包括目标数据。

其中，历史推荐合集是指已经建立好的推荐合集。历史推荐合集可以根据初始化确定的目标数据进行创建。历史推荐合集可以包括一个或多个。容易理解地，若是第一次实施数据合集推荐流程，可能不存在历史推荐合集，则需要根据目标数据创建对应的推荐合集。将目标数据聚合至相匹配的历史推荐合集中，可以理解为是将目标数据归类至相应的数据类别中。

示例性地，电子设备将本地数据列表中与目标标签相匹配的每条目标数据与各个历史推荐合集依次进行匹配，若存在历史推荐合集与目标数据匹配成功，则将目标数据聚合至相匹配的历史推荐合集中。其中，若历史推荐合集的合集关键词中存在与目标数据之间的语义相似度大于相似度阈值的，则说明目标数据与该历史推荐合集相匹配。或者，也可以将历史推荐合集的合集关键词与目标数据的标签相匹配，若存在一个合集关键词与目标数据的一个标签之间的语义相似度大于相似度阈值，则说明相应历史推荐合集与目标数据相匹配。反之，若历史推荐合集的合集关键词中不存在与目标数据之间的语义相似度大于相似度阈值的，或者，不存在合集关键词与目标数据的标签之间的语义相似度大于相似度阈值的，则说明历史推荐合集与目标数据不相匹配。

示例性地，若目标数据与所有历史推荐合集均未匹配成功，说明目标数据不属于任意一个历史推荐合集所对应的数据类别，则需要根据该目标数据创建新的推荐合集，该目标数据即可理解为是初始化确定的。换句话说，初始化确定的目标数据即是指用来创建新的推荐合集的目标数据。例如，若目标数据与所有历史推荐合集均未匹配成功，可以根据该目标数据确定合集关键词，根据合集关键词创建目标数据对应的新的推荐合集。示例性地，可以将确定的合集关键词作为合集名称创建新的推荐合集，并将目标数据添加至新的推荐合集中。作为示例，若确定的合集关键词为“各地美食”，则可以创建合集名称为“各地美食”的新的推荐合集，并将目标数据添加至名称为“各地美食”的新的推荐合集中。

在一些示例中，若出现目标数据与所有历史推荐合集均未匹配成功，则根据该目标数据确定合集关键词，在后续出现的其他与所有历史推荐合集均未匹配成功的目标数据中，筛选与确定的合集关键词匹配的第一数据，在第一数据的数量达到预置数量的情况下，基于第一数据创建与合集关键词对应的新的推荐合集；若第一数据的数量未达到预置数量，则可以不创建与合集关键词对应的新的推荐合集。每个推荐合集通常包括多条目标数据。

示例性地，在创建完成新的推荐合集的情况下，可以支持用户手动对新的推荐合集进行更新。例如，支持用户手动修改新的推荐合集的合集名称，支持用户手动添加其他数据信息至新的推荐合集中，支持用户手动从新的推荐合集中删除部分数据信息等。

本实施例中，通过将本地数据列表中与目标标签相匹配的每条目标数据与历史推荐合集相匹配，若存在历史推荐合集与目标数据匹配成功，则将目标数据聚合至相匹配的历史推荐合集中，若目标数据与所有历史推荐合集均未匹配成功，则根据目标数据创建新的推荐合集，能够保证所有与目标标签相匹配的目标数据都能够准确聚合至相应推荐合集中，提高推荐合集的准确性。

在一些实施例中，若存在历史推荐合集与目标数据匹配成功，则将目标数据聚合至相匹配的历史推荐合集中，包括：

若存在历史推荐合集与目标数据匹配成功，则计算目标数据与相匹配的历史推荐合集中每条记录数据的相似度；若在相匹配的历史推荐合集中每条记录数据与目标数据的相似度均小于或等于相似度阈值，则将目标数据聚合至相匹配的历史推荐合集中；若在相匹配的历史推荐合集中存在与目标数据的相似度大于相似度阈值的记录数据，则不将目标数据聚合至相匹配的历史推荐合集中。

其中，历史推荐合集中每条记录数据与目标数据的相似度，用于表征历史推荐合集中每条记录数据与目标数据之间的语义相似性。若相似度大于阈值，说明历史推荐合集中的相应记录数据与目标数据较相似，则可以不将相似的目标数据聚合至相应历史推荐合集中；若相似度小于或等于相似度阈值，说明历史推荐合集中相应记录数据与目标数据较不相似，可以将不相似的目标数据聚合至相应历史推荐合集中。相似度阈值可以根据实际应用场景进行设置，例如，相似度阈值为80%、85%或90%等。

示例性地，在确定目标数据相匹配的历史推荐合集之后，计算相匹配的历史推荐合集中每条记录数据与目标数据的相似度，将相匹配的历史推荐合集中每条记录数据与目标数据的相似度与相似度阈值进行比较，若相匹配的历史推荐合集中每条记录数据与目标数据的相似度均小于或等于相似度阈值，则将目标数据聚合至相匹配的历史推荐合集中；若相匹配的历史推荐合集中存在与目标数据的相似度大于相似度阈值的记录数据，说明相匹配的历史推荐合集中已经存在与目标数据语义相似的记录数据，则可以不将该目标数据聚合至相匹配的历史推荐合集中，即将该目标数据视为重复数据，避免将重复的两条数据聚合至同一推荐合集中。

本实施例中，通过计算目标数据与相匹配的历史推荐合集中的记录数据之间的相似度，在相似度都小于或等于相似度阈值的情况下，即目标数据与相匹配的历史推荐合集中的记录数据都不太相似的情况下，将目标数据聚合至相匹配的历史推荐合集中，若历史推荐合集中存在记录数据与目标数据的相似度大于相似度阈值，即相匹配的历史推荐合集中存在与目标数据相似的数据的情况下，不将目标数据聚合至相匹配的推荐合集中，能够避免语义相似的多条数据都聚合到同一推荐合集中，占用推荐资源，实现提高推荐效率。

在一些实施例中，步骤402中获取目标标签，包括：

获取用户操作内容，根据用户操作内容获取目标标签。

其中，用户操作内容例如可以是用户在系统应用或者第三方应用上进行搜索、浏览、点赞、收藏或转载分享的内容，用户操作内容用于表征用户感兴趣的内容。

示例性地，电子设备可以实时检测用户操作内容，并根据目标时长内检测的用户操作内容确定目标标签。其中，目标时长可以根据实际应用场景进行设置。例如，目标时长为1小时、2小时或者5小时等。或者，也可以是在检测的用户操作内容达到目标量时，根据检测的用户操作内容确定目标标签。

示例性地，电子设备可以根据用户操作内容的语义确定目标标签。

本实施例中，通过根据用户操作内容获取目标标签，将与目标标签在本地数据列表中所匹配的目标数据聚合到相应推荐合集，并将推荐合集推荐至用户，能够提高推荐合集与用户真实需求之间的匹配度，提高数据合集推荐的准确性。

在一些实施例中，根据用户操作内容获取目标标签，包括：

对用户操作内容进行语义识别，得到语义识别结果；根据语义识别结果确定内容关键词，将内容关键词确定为目标标签。

其中，电子设备可以对用户操作内容进行检测，并提取用户操作内容的语义信息，得到语义识别结果，将语义识别结果通过内容关键词进行表征，将内容关键词确定为目标标签。内容关键词可以用于表征用户操作内容。

在实际应用场景中，电子设备可以对用户在系统应用或第三方应用中进行目标操作的内容进行实时检测，得到用户操作内容，通过语义提取工具提取用户操作内容的语义信息，得到语义识别结果，将语义识别结果总结为内容关键词，从而得到目标标签。其中，目标操作可以是用户进行搜索、浏览、点赞、收藏或转载分享等操作。例如，用户在搜索引擎上搜索“XX地方的美食有哪些”，则电子设备可以检测到搜索操作的内容为“XX地方的美食有哪些”，则可以根据相应搜索操作的内容进行语义识别，得到语义识别结果，根据语义识别结果可以确定内容关键词为“XX地方”、“美食”，则可以将内容关键词“XX地方”、“美食”确定为目标标签。作为示例，若目标操作为浏览操作，可以根据浏览时长确定用户操作内容，例如，可以将浏览时长大于或等于时长阈值的内容作为用户操作内容，若浏览时长小于时长阈值，则可以不作为用户操作内容。换句话说，电子设备若检测到用户浏览操作，则需要进一步检测浏览操作对应的浏览时长，在浏览时长大于或等于时长阈值的情况下，将浏览操作的内容确定为用户操作内容；否则，若浏览时长小于时长阈值，即使检测到浏览操作，也不会将浏览操作对应的内容确定为用户操作内容。

在一个示例性的实施例中，电子设备可以将目标时长内检测到的用户操作内容或者达到目标量的用户操作内容进行归纳整合，得到整合操作内容，对整合操作内容进行语义识别，得到语义识别结果，然后根据语义识别结果确定内容关键词，将内容关键词确定为目标标签。其中，目标量可以通过占用的存储空间大小或结构复杂度进行表征。目标量的大小可以根据实际应用场景进行设置。作为示例，归纳整合可以通过人工智能模型实现，例如，通过人工智能模型生成用户操作内容进行归纳整合得到整合操作内容，并生成整合操作内容对应的摘要，基于摘要提取内容关键词，将提取的内容关键词确定为目标标签。归纳整合的方式不局限于通过人工智能模型实现，也可以通过其他方式实现，在此不作限定。或者，也可以直接对目标时长内检测到的用户操作内容或者达到目标量的用户操作内容进行语义识别，得到语义识别结果，然后根据语义识别结果确定内容关键词。

本实施例中，通过对用户操作内容进行语义识别，得到语义识别结果，根据语义识别结果确定内容关键词，将内容关键词确定为目标标签，能够使得目标标签与用户操作内容的语义相匹配，实现通过用户操作内容准确确定目标标签，提高目标标签与用户意图之间的匹配性，从而提高推荐准确性。

在一些实施例中，步骤406中显示推荐合集，包括：

按照预设顺序轮流显示推荐合集。

通常情况下，推荐合集包括多个，每个推荐合集包括多条记录数据。每个推荐合集中的记录数据可以按照产生的时间顺序从新到旧或者从旧到新进行排列，也可以按照其他的顺序排列，每个合集中的多条记录数据的预设排列顺序可以根据实际应用场景进行设定。显示的每个推荐合集，可以对应显示推荐合集的合集名称、包括的记录数据数量等信息。预设顺序可以根据实际应用场景进行设置，预设顺序包括随机顺序，即随机显示推荐合集。或者，预设顺序可以是推荐合集的更新时间顺序，例如，预设顺序为推荐合集更新时间从晚到早的顺序，越晚更新的推荐合集排列在前，越早更新的推荐合集排列在后。

示例性地，可以按照预设顺序轮流显示推荐合集，每次显示预设数量的推荐合集，并持续显示预置时长。预设数量或预置时长可以根据实际应用场景进行设置，例如，预设数量为3、4或5等，预置时长为1秒、2秒或3秒等，在此不作限制。作为示例，按照预设顺序，每次显示3个推荐合集，每次显示的3个推荐合集持续显示1秒，然后更换另外3个推荐合集显示，从而实现推荐合集的动态显示。

在一个示例性的实施例中，在按照预设顺序轮流显示推荐合集的过程中，响应于用户对目标推荐合集的选中操作，电子设备可以按照目标推荐合集中数据的排列方式每次显示一定数量的数据，并显示目标推荐合集的摘要信息。其中，每次显示的记录数据数量可以根据实际应用场景进行设置。目标推荐合集可以是任意一个推荐合集。目标推荐合集中每条数据可以显示相应的记录数据名称、记录数据来源、关联数据数量、记录数据摘要、记录数据记录时间、代表性图片等中至少一种数据信息。数据信息的排列方式在此不作具体限定。

作为示例，推荐合集的显示示意图如图5所示。可以在目标应用的应用界面按照预设顺序轮流显示推荐合集，每个推荐合集显示合集名称以及推荐合集包括的记录数据数量。响应于对目标推荐合集“XX旅游攻略”的选中操作，如图6所示，可以按照列表、堆叠或者平铺的形式按照预设排列顺序依次显示目标推荐合集所包括的记录数据信息，并显示每条记录数据的记录数据名称、记录数据来源、关联数据数量、记录数据摘要及代表性图片等信息。还可以显示目标推荐合集的名称和摘要信息。

本实施例中，通过按照预设顺序轮流显示推荐合集，能够较好地向用户展示各个推荐合集的信息，提高设备的数据合集推荐体验。

在一些实施例中，步骤406中显示推荐合集，包括：

堆叠显示所述推荐合集。

其中，堆叠显示是指将多个推荐合集交错堆叠进行显示的方式。在实际应用场景中，各个推荐合集可以按照从新到旧或者从旧到新的顺序进行堆叠显示。或者，可以按照合集的精彩程度从高到低堆叠显示各个推荐合集。其中，每个推荐合集的精彩程度可以根据推荐合集的合集关键词进行确定。例如，若合集关键词表征运动、聚会、旅游等主题，表征精彩程度高，若合集关键词表征日程待办、工作备忘等主题，表示精彩程度低。容易理解地，精彩程度可以根据实际应用场景进行确定。

本实施例中，通过堆叠显示推荐合集，能够直观显示推荐合集的整体信息，提升数据合集推荐体验。

在一些实施例中，上述方法还包括：

显示多个推荐合集以及合集编辑控件；响应于对合集编辑控件的触发操作，添加或删除推荐合集。

其中，合集编辑控件是指对推荐合集进行编辑的控件。每个推荐合集对应有相应的合集编辑控件，响应于对合集编辑控件的触发操作，可以添加或删除相应推荐合集。合集编辑控件至少包括添加控件和删除控件。

示例性地，响应于对目标推荐合集的添加控件的触发，将目标推荐合集添加至“我的合集”中。响应于对目标推荐合集的删除控件的触发，将目标推荐合集从推荐合集列表中删除。

在一些示例中，合集编辑控件还包括更改控件。例如，在推荐合集的显示界面，可以对显示的目标推荐合集的名称进行更改；或者，将目标推荐合集中不感兴趣的记录数据删除，或者，新增记录数据至目标推荐合集中；或者，还可以将显示的目标推荐合集移动至其他合集类别中，例如移动至表征用户重点关注的合集类别“我的合集”中；或者，对目标推荐合集标注预设标签，预设标签例如“感兴趣”、“不感兴趣”、“不再推荐”等；或者，可以删除目标推荐合集。目标推荐合集可以是任意一个显示的推荐合集。

示例性地，在推荐合集的显示界面设置有对推荐合集进行编辑操作对应的编辑控件，响应于对编辑控件的触发，对显示的推荐合集进行编辑操作对应的处理。作为示例，响应于对目标推荐合集的选中操作，按照预设排列顺序显示目标推荐合集所包括的记录数据信息，还可以显示“保留合集”、“不感兴趣”以及“聊一聊”等编辑控件。其中，“保留合集”控件用于将目标推荐合集移动至“我的合集”类别中；“不感兴趣”控件用于表征当前情况下对相应目标推荐合集不感兴趣，则“不再推荐此合集”；“聊一聊”控件用于表示根据输入内容或问题进行回应或处理。容易理解地，编辑控件可以根据实际应用场景进行设置。实际应用场景中，若响应于对图6中“保留合集”控件的触发，如图7所示，显示“已添加至我的合集”，表示将目标推荐合集添加至“我的合集”中。电子设备还可以从对话框获取用户输入的目标推荐合集相关的问题，响应于用户对“聊一聊”控件的触发，显示对话框中问题对应的答案。若响应于对“不感兴趣”控件的触发，如图8所示，显示“不再推荐此合集”。

本实施例中，通过显示多个推荐合集以及合集编辑控件，响应于对合集编辑控件的触发操作，添加或删除推荐合集，能够灵活方便地对推荐合集进行删除或添加处理，提高对显示的推荐合集的编辑效率，从而提高设备的合集推荐体验。

在一些实施例中，上述方法还包括：

响应于对目标推荐合集的查看操作，显示目标推荐合集的合集页面；响应于针对目标推荐合集的目标页面的目标控件的触发操作，显示候选功能控件；响应于针对目标功能控件的触发操作，执行目标功能控件对应的功能。

其中，目标推荐合集是任意一个推荐合集。目标控件是用于触发显示候选功能控件的控件。目标功能控件是其中一个候选功能控件。每个候选功能控件对应一种合集处理功能。例如，添加记录数据、目标推荐合集中的记录数据的批量管理、修改合集名称、调整合集规则或者删除合集等功能。

在一个示例中，如图9所示，查看操作包括点击操作。响应于对目标推荐合集的点击操作，显示目标推荐合集的合集页面902，响应于针对目标推荐合集的目标页面的目标控件904的点击操作，显示候选功能控件906，响应于针对目标功能控件908的点击操作，执行目标功能控件对应的功能。

本实施例中，通过响应于对目标推荐合集的查看操作，显示目标推荐合集的合集页面，响应于针对目标推荐合集的目标页面的目标控件的触发操作，显示候选功能控件，响应于针对目标功能控件的触发操作，执行目标功能控件对应的功能，能够方便实现对目标推荐合集中记录数据的处理，提升数据合集推荐体验。

在一些实施例中，上述方法还包括：

显示目标应用程序的显示界面，在显示界面显示有问答助手入口；目标应用程序用于基于预设记录操作记录数据；响应于对问答助手入口的触发操作，显示问答助手界面；响应于在问答助手界面中输入的问答信息，显示与问答信息对应的问答结果。

其中，目标应用程序是指记录数据并显示上述推荐合集的应用程序。目标应用程序可以基于预设记录操作记录数据。其中，预设记录操作例如包括截图操作、点赞操作、分享操作、收藏操作或者搜索操作等。预设记录操作还可以包括触发语音对话的操作，或者满足其他预设记录条件等。

示例性地，电子设备响应于对问答助手入口的长按操作、点击操作或者预设语音输入等的触发操作，显示问答助手界面，响应于在问答助手界面中输入的问答信息，可以从本地记录列表中查找与问答信息对应的问答结果，并显示问答结果。或者，可以响应于在问答助手界面中输入的问答信息，从互联网上查找与问答信息对应的问答结果，显示问答结果。其中，问答助手界面可以唤起人工智能问答助手，通过人工智能问答助手确定与问答信息对应的问答结果。容易理解地，人工智能问答助手可以通过人工智能问答模型或者问答算法等实现。

本实施例中，通过响应于在目标应用程度的显示界面显示的问答助手入口的触发操作，显示问答助手界面，响应于问答助手界面中输入的问答信息，显示与问答信息对应的问答结果，能够方便实现问答，以及得到问答信息对应的问答结果，提升设备使用体验。

在一个示例中，数据合集推荐方法的流程示意图如图10所示。包括以下步骤1002至步骤1012。

步骤1002，触发数据合集推荐流程，获取队列中记录数据的所有A2标签。

其中，可以在目标应用程序运行时，实施数据合集推荐流程。目标应用程序是加载了上述各实施例中数据合集推荐方法的应用程序。队列相当于候选数据列表，队列中的数据相当于候选数据，队列中数据的所有A2标签，相当于是候选数据的所有候选标签。即获取候选数据列表中候选数据的所有候选标签。候选数据列表例如为最近预设时长的时段内生成的数据。候选数据可以从本地数据列表中筛选得到。在实际应用场景中，可以在候选数据列表中的候选数据的数量达到5（目标数量）时再触发推荐，不足5条则不触发推荐。容易理解地，在生成记录数据时，对应标签也相应可以产生。

步骤1004，检索本地数据，统计各A2标签匹配的数据数量。

其中，本地数据相当于是本地数据列表中的记录数据。即将本地数据列表中的数据与候选标签进行匹配，获取每个候选标签相匹配的记录数据数量。

步骤1006，筛选出匹配的记录数据数量大于3的A2标签。

本示例中以数量阈值为3为例进行说明，即从候选标签筛选出相匹配的记录数据数量大于3的目标标签。

步骤1008，根据筛选的A2标签过滤本地数据列表中的记录数据。

其中，筛选出的A2标签相当于是目标标签。即从本地数据列表中筛选出与目标标签相匹配的目标数据。在筛选过程中，每个目标标签所匹配的目标数据的数量不超过第一阈值，所有目标标签相匹配的目标数据的数量不超过第二阈值。本示例以第一阈值为100，第二阈值为1000为例进行说明。若与某个目标标签相匹配的目标数据的数量超过了第一阈值，则可以从相匹配的目标数据中按照数据产生时间由近至远选取第一阈值的目标数据，作为最终筛选出来的目标数据。

步骤1010，请求服务端归纳合集。

电子设备可以向云端或服务器发送数据聚合请求，以实现将筛选出来的目标数据聚合（归纳）至相应推荐合集中。

步骤1012，存储返回结果并放入推荐合集队列中。

其中，返回结果可以是指服务器或云端返回的目标数据的聚合信息，即将每条目标数据与相应推荐合集的关联信息。或者，返回结果可以是服务器或云端返回的将目标数据聚合后的推荐合集。若不存在与目标数据相匹配的历史推荐合集，则根据目标数据创建新的推荐合集，并根据合集创建算法生成新的推荐合集的合集名称。即推荐合集包括历史推荐合集和新的推荐合集。

电子设备接收到返回结果后，可以将返回结果放入推荐合集队列中，然后按照预设顺序轮流显示各个推荐合集。例如，对推荐合集进行轮播，每天播放N次，每天至多显示预设推荐数量的推荐合集，例如，每天最多显示10个推荐合集。其中，N为正整数，N可以根据实际应用场景进行设置。用户可以对显示的推荐合集进行删除、更新等编辑操作。

上述实施例中，通过将本地数据列表中的记录数据与队列中的候选数据的候选标签相匹配，将与候选标签相匹配的记录数据数量大于数量阈值的候选标签作为目标标签，能够快速确定与用户历史记录数据对应的真实需求相匹配的目标标签，从而基于目标标签筛选相应的数据进行聚合，对聚合后的推荐合集进行推荐，实现对用户进行数据合集的自动推荐，并能够提高推荐的准确性，从而大大提高设备的数据合集推荐体验。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的数据合集推荐方法的数据合集推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个数据合集推荐装置实施例中的具体限定可以参见上文中对于数据合集推荐方法的限定，在此不再赘述。

在一些示例性的实施例中，如图11所示，提供了一种数据合集推荐装置1100，包括：标签获取模块1102、数据聚合模块1104和合集显示模块1106，其中：

标签获取模块1102，用于获取目标标签；

数据聚合模块1104，用于将与目标标签相匹配的目标数据聚合至相应的推荐合集中；所述目标数据是从至少两个应用程序中记录的；所述目标数据是基于预设记录操作得到的；

合集显示模块1106，用于显示推荐合集。

在一些实施例中，标签获取模块1102还用于根据候选数据列表中候选数据的候选标签在本地数据列表中所匹配的记录数据数量，获取目标标签。

在一些实施例中，标签获取模块1102还用于获取候选数据列表中候选数据的候选标签；将本地数据列表中的记录数据与候选标签进行匹配，并获取与每个候选标签相匹配的记录数据数量；从候选标签中确定相匹配的记录数据数量大于数量阈值的目标标签。

在一些实施例中，上述装置还包括数据数量监控模块，用于在获取候选数据列表中候选数据的候选标签之前，识别候选数据列表中候选数据的数量；在候选数据的数量达到目标数量的情况下，执行获取候选数据列表中候选数据的候选标签。

在一些实施例中，上述装置还包括数据移除模块，用于在获取候选数据列表中候选数据的候选标签之后，将已获取候选标签的候选数据从候选数据列表中移除。

在一些实施例中，数据聚合模块1104，还用于从本地数据列表中确定与目标标签相匹配的目标数据；将与目标标签相匹配的目标数据进行去重处理，得到去重后的目标数据；将去重后的目标数据聚合至相应的推荐合集中。

在一些实施例中，数据聚合模块1104，还用于将本地数据列表中与目标标签相匹配的每条目标数据与历史推荐合集进行匹配；若存在历史推荐合集与目标数据匹配成功，则将目标数据聚合至相匹配的历史推荐合集中；若目标数据与所有历史推荐合集均未匹配成功，则根据目标数据创建新的推荐合集；新的推荐合集中包括目标数据。

在一些实施例中，数据聚合模块1104，还用于若存在历史推荐合集与目标数据匹配成功，则计算目标数据与相匹配的历史推荐合集中每条记录数据的相似度；若在相匹配的历史推荐合集中每条记录数据与目标数据的相似度均小于或等于相似度阈值，则将目标数据聚合至相匹配的历史推荐合集中；

若在相匹配的历史推荐合集中存在与目标数据的相似度大于相似度阈值的记录数据，则不将目标数据聚合至相匹配的历史推荐合集中。

在一些实施例中，标签获取模块1102还用于获取用户操作内容，根据所述用户操作内容获取目标标签。

在一些实施例中，标签获取模块1102还用于对用户操作内容进行语义识别，得到语义识别结果；根据语义识别结果确定内容关键词，将内容关键词确定为目标标签。

在一些实施例中，合集显示模块1106，还用于按照预设顺序轮流显示推荐合集。

在一些实施例中，上述装置还包括合集编辑模块，用于显示多个推荐合集以及合集编辑控件；响应于对合集编辑控件的触发操作，添加或删除推荐合集。

在一些实施例中，上述装置还包括合集处理模块，用于响应于对目标推荐合集的查看操作，显示目标推荐合集的合集页面；响应于针对目标推荐合集的目标页面的目标控件的触发操作，显示候选功能控件；响应于针对目标功能控件的触发操作，执行目标功能控件对应的功能。

在一些实施例中，上述装置还包括问答显示模块，用于显示目标应用程序的显示界面，在所述显示界面显示有问答助手入口；所述目标应用程序用于基于预设记录操作记录数据；响应于对所述问答助手入口的触发操作，显示问答助手界面；响应于在问答助手界面中输入的问答信息，显示与所述问答信息对应的问答结果。

上述数据合集推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一些示例性的实施例中，提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例中数据合集推荐方法的步骤。

在一些实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中数据合集推荐方法的步骤。

在一些实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例中数据合集推荐方法的步骤。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性存储器和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（Resistive Random Access Memory，ReRAM）、磁变存储器（Magnetoresistive RandomAccess Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器、人工智能（Artificial Intelligence，AI）处理器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本申请记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (19)

1.一种数据合集推荐方法，其特征在于，所述方法包括：

获取目标标签；

将与所述目标标签相匹配的目标数据聚合至相应的推荐合集中；所述目标数据是从至少两个应用程序中记录的；所述目标数据是基于预设记录操作得到的；

显示所述推荐合集。

2.根据权利要求1所述的方法，其特征在于，所述获取目标标签，包括：

根据候选数据列表中候选数据的候选标签在本地数据列表中所匹配的记录数据数量，获取目标标签。

3.根据权利要求2所述的方法，其特征在于，所述根据候选数据列表中候选数据的候选标签在本地数据列表中所匹配的记录数据数量，获取目标标签，包括：

获取候选数据列表中候选数据的候选标签；

将本地数据列表中的记录数据与所述候选标签进行匹配，并获取与每个所述候选标签相匹配的记录数据数量；

从所述候选标签中确定相匹配的记录数据数量大于数量阈值的目标标签。

4.根据权利要求3所述的方法，其特征在于，在所述获取候选数据列表中候选数据的候选标签之前，所述方法还包括：

识别候选数据列表中候选数据的数量；

在所述候选数据的数量达到目标数量的情况下，执行所述获取候选数据列表中候选数据的候选标签的步骤。

5.根据权利要求3所述的方法，其特征在于，在所述获取候选数据列表中候选数据的候选标签之后，所述方法还包括：

将已获取候选标签的候选数据从所述候选数据列表中移除。

6.根据权利要求1所述的方法，其特征在于，所述将与所述目标标签相匹配的目标数据聚合至相应的推荐合集中，包括：

从本地数据列表中确定与所述目标标签相匹配的目标数据；

将与所述目标标签相匹配的目标数据进行去重处理，得到去重后的目标数据；

将所述去重后的目标数据聚合至相应的推荐合集中。

7.根据权利要求1所述的方法，其特征在于，所述将与所述目标标签相匹配的目标数据聚合至相应的推荐合集中，包括：

将本地数据列表中与所述目标标签相匹配的每条目标数据与历史推荐合集进行匹配；

若存在历史推荐合集与所述目标数据匹配成功，则将所述目标数据聚合至相匹配的历史推荐合集中；

若所述目标数据与所有历史推荐合集均未匹配成功，则根据所述目标数据创建新的推荐合集；所述新的推荐合集中包括所述目标数据。

8.根据权利要求7所述的方法，其特征在于，所述若存在历史推荐合集与所述目标数据匹配成功，则将所述目标数据聚合至相匹配的历史推荐合集中，包括：

若存在历史推荐合集与所述目标数据匹配成功，则计算所述目标数据与相匹配的历史推荐合集中每条记录数据的相似度；

若在所述相匹配的历史推荐合集中每条记录数据与所述目标数据的相似度均小于或等于相似度阈值，则将所述目标数据聚合至所述相匹配的历史推荐合集中；

若在所述相匹配的历史推荐合集中存在与所述目标数据的相似度大于相似度阈值的记录数据，则不将所述目标数据聚合至所述相匹配的历史推荐合集中。

9.根据权利要求1所述的方法，其特征在于，所述获取目标标签，包括：

获取用户操作内容，根据所述用户操作内容获取目标标签。

10.根据权利要求9所述的方法，其特征在于，所述根据所述用户操作内容获取目标标签，包括：

对所述用户操作内容进行语义识别，得到语义识别结果；

根据所述语义识别结果确定内容关键词，将所述内容关键词确定为目标标签。

11.根据权利要求1至10中任一项所述的方法，其特征在于，所述显示所述推荐合集，包括：

按照预设顺序轮流显示所述推荐合集。

12.根据权利要求1至10中任一项所述的方法，其特征在于，所述显示所述推荐合集，包括：

堆叠显示所述推荐合集。

13.根据权利要求1所述的方法，其特征在于，所述方法还包括：

显示多个所述推荐合集以及合集编辑控件；

响应于对所述合集编辑控件的触发操作，添加或删除所述推荐合集。

14.根据权利要求1所述的方法，其特征在于，所述方法还包括：

响应于对目标推荐合集的查看操作，显示所述目标推荐合集的合集页面；

响应于针对所述目标推荐合集的目标页面的目标控件的触发操作，显示候选功能控件；

响应于针对目标功能控件的触发操作，执行所述目标功能控件对应的功能。

15.根据权利要求1所述的方法，其特征在于，所述方法还包括：

显示目标应用程序的显示界面，在所述显示界面显示有问答助手入口；所述目标应用程序用于基于预设记录操作记录数据；

响应于对所述问答助手入口的触发操作，显示问答助手界面；

响应于在问答助手界面中输入的问答信息，显示与所述问答信息对应的问答结果。

16.一种数据合集推荐装置，其特征在于，所述装置包括：

标签获取模块，用于获取目标标签；

数据聚合模块，用于将与所述目标标签相匹配的目标数据聚合至相应的推荐合集中；所述目标数据是从至少两个应用程序中记录的；所述目标数据是基于预设记录操作得到的；

合集显示模块，用于显示所述推荐合集。

17.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至15中任一项所述的方法的步骤。

18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至15中任一项所述的方法的步骤。

19.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至15中任一项所述的方法的步骤。