CN112464084A - 基于大数据定位和人工智能的业务优化方法及云计算中心 - Google Patents

基于大数据定位和人工智能的业务优化方法及云计算中心 Download PDF

Info

Publication number
CN112464084A
CN112464084A CN202011288919.7A CN202011288919A CN112464084A CN 112464084 A CN112464084 A CN 112464084A CN 202011288919 A CN202011288919 A CN 202011288919A CN 112464084 A CN112464084 A CN 112464084A
Authority
CN
China
Prior art keywords
service
business
information
tracing
corpus
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011288919.7A
Other languages
English (en)
Other versions
CN112464084B (zh
Inventor
崔海燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Limayao Network Technology Co ltd
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202011288919.7A priority Critical patent/CN112464084B/zh
Priority to CN202110531183.XA priority patent/CN113326427A/zh
Priority to CN202110531182.5A priority patent/CN113326426A/zh
Publication of CN112464084A publication Critical patent/CN112464084A/zh
Application granted granted Critical
Publication of CN112464084B publication Critical patent/CN112464084B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供一种基于大数据定位和人工智能的业务优化方法及云计算中心，通过业务关系提取业务服务链路的目标用户意图特征与业务服务链路的用户画像特征信息，以综合业务服务链路的业务流标签信息与业务服务链路的用户画像特征信息，提取到丰富的业务服务链路的业务关系特征信息，为精准的基于大数据定位的信息推送提供数据支撑；另外，通过业务服务链路的目标用户意图特征，对业务服务链路进行业务推送配置更新，得到业务服务链路的业务推送配置优化信息，以实现精准的基于大数据定位的信息推送过程。

Description

基于大数据定位和人工智能的业务优化方法及云计算中心
技术领域
本申请涉及大数据定位和人工智能技术领域，具体而言，涉及一种基于大数据定位和人工智能的业务优化方法及云计算中心。
背景技术
现有技术中，通过对用户的大数据业务定位数据进行数据挖掘，以分析出用户的喜好或者意图，从而有效为用户进行信息推荐，对于服务平台的业务改善、业务优化和/或业务推广起到重要作用。
经本申请发明人研究发现，相关技术中，在进行数据挖掘时，没有考虑用户意图与用户画像的业务关系，导致基于大数据定位的信息推送过程的精准度较低。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于大数据定位和人工智能的业务优化方法及云计算中心，通过业务关系提取业务服务链路的目标用户意图特征与业务服务链路的用户画像特征信息，以综合业务服务链路的业务流标签信息与业务服务链路的用户画像特征信息，提取到丰富的业务服务链路的业务关系特征信息，为精准的基于大数据定位的信息推送提供数据支撑；另外，通过业务服务链路的目标用户意图特征，对业务服务链路进行业务推送配置更新，得到业务服务链路的业务推送配置优化信息，以实现精准的基于大数据定位的信息推送过程。
第一方面，本申请提供一种基于大数据定位和人工智能的业务优化方法，应用于云计算中心，所述云计算中心与多个业务服务终端通信连接，所述方法包括：
获取所述业务服务终端的大数据业务定位数据，对所述大数据业务定位数据进行业务流标签提取处理，得到所述大数据业务定位数据中业务服务链路的业务流标签信息，其中，所述大数据业务定位数据为基于单个订阅业务进行采集到的各个业务服务链路所记录的业务数据构成的数据集合；
基于所述业务服务链路的业务流标签信息进行用户意图特征挖掘，得到所述业务服务链路的目标用户意图特征；
基于人工智能模型对所述大数据业务定位数据进行用户画像特征提取处理，得到所述业务服务链路的用户画像特征信息；
将所述大数据业务定位数据中业务服务链路的目标用户意图特征与所述业务服务链路的用户画像特征信息进行业务关系提取，得到所述业务服务链路的业务关系提取信息，并基于所述业务服务链路的业务关系提取信息对所述订阅业务进行业务推送配置更新，得到所述业务服务链路的业务推送配置优化信息。
在第一方面的一种可能的实现方式中，所述对大数据业务定位数据进行业务流标签提取处理，得到所述大数据业务定位数据中业务服务链路的业务流标签信息，包括：
获取所述大数据业务定位数据中的每个大数据语料单元的业务流记录进程所记录的业务流更新数据清单，所述业务流更新数据清单包括以每个业务流更新时序范围为一记录单元范围的业务流更新数据，所述业务流更新数据包括该业务流更新时序范围的语料采集触发信息、语料指向信息以及该业务流更新时序范围内的更新语料记录；
针对每个业务流更新时序范围，根据每个大数据语料单元在该业务流更新时序范围的更新语料记录中的多个行为更新语料中的每一个行为更新语料，根据该行为更新语料中行为语料描述信息的描述特征向量，确定该行为更新语料中每个行为语料描述信息是否为候选目标行为语料描述信息，根据该行为更新语料中候选目标行为语料描述信息的数量，确定该行为更新语料对应的每个候选语料标注语料单元段，针对每个候选语料标注语料单元段，将该候选语料标注语料单元段划分为多个子语料单元段，根据每个子语料单元段内各行为语料描述信息的描述标签及预设的标签范围，确定候选语料标注语料单元段是否为目标语料标注语料单元段，其中，每个行为语料描述信息对应于每个语料单元更新行为；
获取预设业务流规则匹配所述目标语料标注语料单元段内每个行为语料描述信息的业务流节点信息，所述业务流节点信息包括语料单元调用信息和语料单元订阅信息，所述预设业务流规则包括不同语料单元使用类型所对应的匹配方式；
根据所述业务流更新数据清单中的各个不同业务流更新时序范围的所述每个更新语料记录的业务流节点信息确定每个语料单元主题意图拓扑树的语料单元主题特征和每个语料单元摘要意图拓扑树的语料单元摘要特征，并根据所述目标语料标注语料单元段内每个语料单元主题意图拓扑树的语料单元主题特征和每个语料单元摘要意图拓扑树的语料单元摘要特征，确定每个大数据语料单元在该业务流更新时序范围的语料单元标签对象，将位于所述语料单元标签对象的语料单元范围内的特征以及位于所述语料单元标签对象的语料单元范围外而关联于所述语料单元标签对象的语料单元范围的特征作为每个大数据语料单元在该业务流更新时序范围内的语料标签特征后，将每个大数据语料单元在所有业务流更新时序范围内的语料标签特征进行汇总后，得到所述大数据业务定位数据中业务服务链路的业务流标签信息。
在第一方面的一种可能的实现方式中，所述基于所述业务服务链路的业务流标签信息进行用户意图特征挖掘，得到所述业务服务链路的目标用户意图特征的步骤，包括：
获取所述业务服务链路的业务流标签信息中的每个语料标签特征的语料描述信息上添加的用户检索指令集合的检索指令请求信息，并确定与所述检索指令请求信息对应的第一检索行为清单，所述检索指令请求信息包括根据所述用户检索指令集合的意图词输入信息和意图词输出信息所确定出的意图词检索信息的访问意图对象信息，所述第一检索行为清单包括所述访问意图对象信息的多个访问意图等级的高低顺序；
确定每个语料标签特征的语料描述信息基于意图词输入信息的第一意图词向量和基于意图词输出信息的第二意图词向量；
根据所述第一意图词向量和所述第二意图词向量的访问意图等级关系确定用于对所述第一检索行为清单进行决策树挖掘的决策树挖掘参数；
基于所述决策树挖掘参数对所述第一检索行为清单进行决策树挖掘获得第二检索行为清单；
对所述第二检索行为清单进行聚类得到多个检索类别聚类簇，对每个检索类别聚类簇进行特征提取得到簇特征向量；
根据所述第二检索行为清单对应的多个簇特征向量所对应的用户意图特征，确定为每个语料标签特征的用户意图特征；
基于每个语料标签特征的用户意图特征获得所述业务服务链路的目标用户意图特征。
在第一方面的一种可能的实现方式中，所述基于人工智能模型对所述大数据业务定位数据进行用户画像特征提取处理，得到所述业务服务链路的用户画像特征信息的步骤，包括：
将所述大数据业务定位数据输入到预先训练的人工智能模型中，获得所述大数据业务定位数据匹配于每个预设用户画像的置信度，其中，所述人工智能模型基于训练样本以及训练样本对应的训练标注信息训练获得，所述训练样本为大数据业务定位数据样本，所述训练标注信息为用户画像标注信息；
根据所述大数据业务定位数据匹配于每个预设用户画像的置信度确定所述大数据业务定位数据对应的目标用户画像；
从所述大数据业务定位数据对应的目标用户画像的用户画像描述信息中提取匹配于每个业务服务链路的用户画像特征信息。
在第一方面的一种可能的实现方式中，所述将所述大数据业务定位数据中业务服务链路的目标用户意图特征与所述业务服务链路的用户画像特征信息进行业务关系提取，得到所述业务服务链路的业务关系提取信息的步骤，包括：
将所述业务服务链路的目标用户意图特征和用户画像特征信息添加到业务关系提取空间中，从所述业务关系提取空间中确定出各业务关系提取节点所对应所述业务服务链路的目标用户意图特征和用户画像特征信息的业务溯源脚本；
依据各不同业务溯源脚本中业务关系提取节点之间的业务关系的关系网络标签对各业务溯源脚本进行聚类，得到至少一个业务溯源脚本集；其中，同一业务溯源脚本集中任意两个业务溯源脚本中的业务关系提取节点的业务关系的关系网络标签覆盖预设标签范围；
针对每一业务溯源脚本集，基于该业务溯源脚本集中各业务溯源脚本，从所述业务关系提取空间中确定该业务溯源脚本集针对所述业务服务链路的目标用户意图特征和用户画像特征信息对应的业务溯源特征；其中，所述业务溯源特征至少包括业务溯源脚本集中各业务溯源脚本针对所述业务服务链路的目标用户意图特征和用户画像特征信息的每个业务溯源表项的特征信息数据，所述业务溯源特征用于确定该业务溯源脚本集中各业务溯源脚本中的业务关系提取节点对应所述业务服务链路的目标用户意图特征和用户画像特征信息的业务关系溯源结果；
基于所述业务溯源特征确定该业务溯源脚本集中各业务溯源脚本中的业务关系提取节点对应的业务关系溯源结果，采用预设业务关系分类模型对所述业务关系溯源结果进行分类得到分类结果，根据所述分类结果，得到所述业务服务链路的业务关系提取信息。
在第一方面的一种可能的实现方式中，所述基于所述业务溯源特征确定该业务溯源脚本集中各业务溯源脚本中的业务关系提取节点对应的业务关系溯源结果的步骤，包括：
确定所述业务溯源特征的溯源业务轨迹信息和溯源业务类别，根据历史业务关系向量结果中的多个业务关系指标，确定多个溯源业务联动组合，根据每个溯源业务联动组合中各个业务关系指标在所述溯源业务轨迹信息内与所述溯源业务类别的业务匹配度，进行相似度计算，得到分别与所述多个溯源业务联动组合对应的多个相似度计算结果，并将每个相似度计算结果对应的溯源业务联动组合的业务调用频繁度加权值作为每个相似度计算结果的权重值；
基于所述多个相似度计算结果，分别获取在所述溯源业务轨迹信息内确定与所述溯源业务类别对应的各业务溯源脚本的相似业务关系轨迹，得到多个相似业务关系轨迹，根据每个相似度计算结果的权重值，对基于所述多个相似度计算结果获取到的多个相似业务关系轨迹进行整合，得到第一相似业务关系轨迹集，其中，每个溯源业务联动组合中任两个业务关系指标之间的业务调用频繁度加权值相等，且不同溯源业务联动组合对应的业务调用频繁度加权值不等，每个相似度计算结果用于确定在任一设定时序段内与所述溯源业务类别对应的各业务溯源脚本中的业务关系提取节点对应的业务重合数据，所述相似度计算结果通过根据历史业务关系向量结果进行相似度计算后得到；
根据所述历史业务关系向量结果和所述溯源业务类别对应的多个业务关系提取节点的业务重合数据，获取所述多个业务关系提取节点在所述溯源业务轨迹信息内与所述溯源业务类别的之间的业务关系提取识别结果，将所述多个业务关系提取节点对应的业务关系提取识别结果的对应的目标请求报文作为第二相似业务关系轨迹；
计算所述第一相似业务关系轨迹集与所述第二相似业务关系轨迹的业务关系相关参数，根据所述业务关系相关参数以及每个业务关系提取节点的业务重合数据确定每个业务关系提取节点对应的业务关系溯源结果。
在第一方面的一种可能的实现方式中，根据所述业务关系相关参数以及每个业务关系提取节点的业务重合数据确定每个业务关系提取节点对应的业务关系溯源结果，包括：
基于所述业务关系相关参数确定每个业务关系提取节点对应的业务关系圈网络的知识图谱信息，通过每个业务关系提取节点的业务重合数据在对应的业务溯源脚本中的业务覆盖区间确定每个业务关系提取节点的业务触发指标信息；
提取所述知识图谱信息对应的第一用户意图特征序列以及所述业务触发指标信息对应的第二用户意图特征序列，并确定所述第一用户意图特征序列和所述第二用户意图特征序列中分别包括的若干个具有不同的特征描述值的业务关系元知识网络；其中，所述业务关系元知识网络为所述第一用户意图特征序列和所述第二用户意图特征序列中的存在关联关系的用户意图特征构成的元知识网络；
在所述第一用户意图特征序列的实体间业务关系和所述第二用户意图特征序列的实体间业务关系相同的前提下，获得所述知识图谱信息在所述第一用户意图特征序列的任一业务关系元知识网络的基础关系图谱信息，并行地将所述第二用户意图特征序列中具有最小特征描述值的业务关系元知识网络确定为目标业务关系元知识网络；
基于每个业务关系提取节点的业务关系提取字段的提取策略，将所述基础关系图谱信息添加到所述目标业务关系元知识网络，在所述目标业务关系元知识网络中确定出与所述基础关系图谱信息对应的业务上下游关系信息；
通过所述基础关系图谱信息和所述业务上下游关系信息之间的业务差异信息，生成所述知识图谱信息和所述业务触发指标信息之间的知识图谱连接边；
以所述业务上下游关系信息为参考信息在所述目标业务关系元知识网络中获取目标实体成员信息，根据所述知识图谱连接边对应的多个信息匹配路径，将所述目标实体成员信息添加到所述基础关系图谱信息所在业务关系元知识网络，以在所述基础关系图谱信息所在业务关系元知识网络中得到所述目标实体成员信息对应的成员匹配结果，并根据所述参考信息确定所述成员匹配结果为业务溯源结果；其中，所述目标实体成员信息为访问动作对应的实体成员的信息；
确定将所述基础关系图谱信息添加到所述目标业务关系元知识网络时对应的业务关系结果；
根据所述成员匹配结果与所述业务关系结果中的多个业务关系溯源节点对应的业务关系特征标签之间的关联度，在所述第二用户意图特征序列中按照时序权重的由大到小的顺序依次获取所述业务溯源结果对应的业务溯源标签，直至获取到的所述业务溯源标签所在业务关系元知识网络的知识产权网络节点数量与所述业务溯源结果在所述第一用户意图特征序列中的知识产权网络节点数量一致时，停止获取下一业务关系元知识网络中的业务溯源标签，并建立所述业务溯源结果与最后一次获取到的业务溯源标签之间的溯源关联信息，基于所述溯源关联信息确定每个业务关系提取节点对应的业务关系溯源结果。
在第一方面的一种可能的实现方式中，采用预设业务关系分类模型对所述业务关系溯源结果进行分类得到分类结果，根据所述分类结果，得到所述业务服务链路的业务关系提取信息，包括：
确定预设业务关系分类模型的样本序列的业务关系浮动参数，在所述业务关系浮动参数未达到设定浮动范围时，根据前一业务关系分类结果对所述样本序列进行更新，在所述业务关系浮动参数达到设定浮动范围时，将所述业务关系溯源结果输入所述预设业务关系分类模型，并判断是否接收到所述预设业务关系分类模型输出的分类结果；其中，前一时段根据所述设定时序段确定；
在接收到所述预设业务关系分类模型输出的分类结果时，根据所述分类结果创建模型更新进程；
在预设业务关系分类模型输出有业务溯源分类标签对应的分类结果时，确定所述业务溯源分类标签对应的分类结果在所述模型更新进程中的更新源参数；
当确定出所述业务溯源分类标签对应的分类结果在所述模型更新进程中的更新源参数为动态更新源参数或者为设定类别中的静态更新源参数时，将所述业务溯源分类标签对应的分类结果直接加载至所述模型更新进程的待处理参数集中，或者将所述业务溯源分类标签对应的分类结果加载至所述预设业务关系分类模型的预处理数据集后，经由所述预设业务关系分类模型将所述所述业务溯源分类标签对应的分类结果传导至所述模型更新进程的待处理参数集中；运行所述模型更新进程，获取所述模型更新进程对所述分类结果进行深度特征提取后输出的深度特征分布信息；
确定所述深度特征分布信息的深度特征分布业务节点以及各深度特征标签；
在根据所述深度特征分布业务节点确定出所述深度特征分布信息中包含有偏离特征分布的情况下，根据所述深度特征分布信息的偏离特征分布下的深度特征标签及其分布方式信息确定所述深度特征分布信息的分布区域下的各深度特征标签与所述深度特征分布信息的偏离特征分布下的各深度特征标签之间的相关参数，并将所述深度特征分布信息的分布区域下的与偏离特征分布下的深度特征标签相关的深度特征标签分配到所述偏离特征分布下；
提取所述偏离特征分布的深度特征标签对应的第一特征向量以及所述分布区域下的深度特征标签对应的第二特征向量，确定所述第一特征向量和所述第二特征向量的业务关系提取队列特征，将所述业务关系提取队列特征输入到所述预设业务关系分类模型中，获得所述预设业务关系分类模型针对所述业务关系提取队列特征进行分类输出的分类结果；
根据所述分类结果，得到所述业务服务链路的业务关系提取信息。
在第一方面的一种可能的实现方式中，所述基于所述业务服务链路的业务关系提取信息对所述订阅业务进行业务推送配置更新，得到所述业务服务链路的业务推送配置优化信息，包括：
获取所述业务服务链路在所述订阅业务下的业务推送配置信息；
获取所述业务推送配置信息下的业务推送配置项目以及每个所述业务推送配置项目对应的业务关系配置信息；
将所述业务服务链路的业务关系提取信息覆盖配置于每个所述业务推送配置项目对应的业务关系配置信息下，得到所述业务服务链路的业务推送配置优化信息。
第二方面，本申请实施例还提供一种基于大数据定位和人工智能的业务优化装置，应用于云计算中心，所述云计算中心与多个业务服务终端通信连接，所述装置包括：
获取模块，用于获取所述业务服务终端的大数据业务定位数据，对所述大数据业务定位数据进行业务流标签提取处理，得到所述大数据业务定位数据中业务服务链路的业务流标签信息，其中，所述大数据业务定位数据为基于单个订阅业务进行采集到的各个业务服务链路所记录的业务数据构成的数据集合；
挖掘模块，用于基于所述业务服务链路的业务流标签信息进行用户意图特征挖掘，得到所述业务服务链路的目标用户意图特征；
提取模块，用于基于人工智能模型对所述大数据业务定位数据进行用户画像特征提取处理，得到所述业务服务链路的用户画像特征信息；
更新模块，用于将所述大数据业务定位数据中业务服务链路的目标用户意图特征与所述业务服务链路的用户画像特征信息进行业务关系提取，得到所述业务服务链路的业务关系提取信息，并基于所述业务服务链路的业务关系提取信息对所述订阅业务进行业务推送配置更新，得到所述业务服务链路的业务推送配置优化信息。
第三方面，本申请实施例还提供一种基于大数据定位和人工智能的业务优化系统，所述基于大数据定位和人工智能的业务优化系统包括云计算中心以及与所述云计算中心通信连接的多个业务服务终端；
所述云计算中心，用于：
获取所述业务服务终端的大数据业务定位数据，对所述大数据业务定位数据进行业务流标签提取处理，得到所述大数据业务定位数据中业务服务链路的业务流标签信息，其中，所述大数据业务定位数据为基于单个订阅业务进行采集到的各个业务服务链路所记录的业务数据构成的数据集合；
基于所述业务服务链路的业务流标签信息进行用户意图特征挖掘，得到所述业务服务链路的目标用户意图特征；
基于人工智能模型对所述大数据业务定位数据进行用户画像特征提取处理，得到所述业务服务链路的用户画像特征信息；
将所述大数据业务定位数据中业务服务链路的目标用户意图特征与所述业务服务链路的用户画像特征信息进行业务关系提取，得到所述业务服务链路的业务关系提取信息，并基于所述业务服务链路的业务关系提取信息对所述订阅业务进行业务推送配置更新，得到所述业务服务链路的业务推送配置优化信息。
第四方面，本申请实施例还提供一种云计算中心，所述云计算中心包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个业务服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的实现方式中的基于大数据定位和人工智能的业务优化方法。
第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的基于大数据定位和人工智能的业务优化方法。
基于上述任意一个方面，本申请通过业务关系提取业务服务链路的目标用户意图特征与业务服务链路的用户画像特征信息，以综合业务服务链路的业务流标签信息与业务服务链路的用户画像特征信息，提取到丰富的业务服务链路的业务关系特征信息，为精准的基于大数据定位的信息推送提供数据支撑；另外，通过业务服务链路的目标用户意图特征，对业务服务链路进行业务推送配置更新，得到业务服务链路的业务推送配置优化信息，以实现精准的基于大数据定位的信息推送过程。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的基于大数据定位和人工智能的业务优化系统的应用场景示意图；
图2为本申请实施例提供的基于大数据定位和人工智能的业务优化方法的流程示意图；
图3为本申请实施例提供的基于大数据定位和人工智能的业务优化装置的功能模块示意图；
图4为本申请实施例提供的用于实现上述的基于大数据定位和人工智能的业务优化方法的云计算中心的结构组件示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本申请一种实施例提供的基于大数据定位和人工智能的业务优化系统10的交互示意图。基于大数据定位和人工智能的业务优化系统10可以包括云计算中心100以及与云计算中心100通信连接的业务服务终端200。图1所示的基于大数据定位和人工智能的业务优化系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据定位和人工智能的业务优化系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
基于本申请提供的技术方案的发明构思出发，本申请提供的云计算中心100可以应用在例如智慧医疗、智慧城市管理、智慧工业互联网、通用业务监控管理等可以应用大数据技术或者是云计算技术等的场景中，再比如，还可以应用在包括但不限于新能源汽车系统管理、智能云办公、云平台数据处理、云游戏数据处理、云直播处理、云汽车管理平台、区块链金融数据服务平台等，但不限于此。
本实施例中，基于大数据定位和人工智能的业务优化系统10中的云计算中心100和业务服务终端200可以通过配合执行以下方法实施例所描述的基于大数据定位和人工智能的业务优化方法，具体云计算中心100和业务服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题，图2为本申请实施例提供的基于大数据定位和人工智能的业务优化方法的流程示意图，本实施例提供的基于大数据定位和人工智能的业务优化方法可以由图1中所示的云计算中心100执行，下面对该基于大数据定位和人工智能的业务优化方法进行详细介绍。
步骤S110，获取业务服务终端200的大数据业务定位数据，对大数据业务定位数据进行业务流标签提取处理，得到大数据业务定位数据中业务服务链路的业务流标签信息。
步骤S120，基于业务服务链路的业务流标签信息进行用户意图特征挖掘，得到业务服务链路的目标用户意图特征。
步骤S130，基于人工智能模型对大数据业务定位数据进行用户画像特征提取处理，得到业务服务链路的用户画像特征信息。
步骤S140，将大数据业务定位数据中业务服务链路的目标用户意图特征与业务服务链路的用户画像特征信息进行业务关系提取，得到业务服务链路的业务关系提取信息，并基于业务服务链路的业务关系提取信息对订阅业务进行业务推送配置更新，得到业务服务链路的业务推送配置优化信息。
本实施例中，大数据业务定位数据可以理解为基于单个订阅业务进行采集到的各个业务服务链路所记录的业务数据构成的数据集合。其中，订阅业务可以是指业务服务终端200在使用任意互联网服务（例如团购服务、论坛服务、电商服务等）过程中所订阅关注的业务项目（例如家居业务项目、学习教育业务项目等）。业务服务链路可以是指订阅业务下形成的业务服务节点构成的链路，业务服务节点可以理解为业务项目下所存在的业务功能，不同的业务功能之间通常会存在关联关系，因此可以基于关联关系将各个存在关联关系业务服务节点组成业务服务链路。此外，业务流标签信息可以用于表征业务流数据相关的用户偏好情况。
本实施例中，用户意图特征可以用于表征用户针对各个业务功能部分所提供的内容服务的关注或者兴趣点，用户画像特征信息可以用于描述用户的关注或者兴趣点的行为规律情况。
本实施例中，在获得业务服务链路的业务推送配置优化信息后，即可基于业务服务链路的业务推送配置优化信息进行后续的业务信息推送的操作，这样本实施例通过业务关系提取业务服务链路的目标用户意图特征与业务服务链路的用户画像特征信息，以综合业务服务链路的业务流标签信息与业务服务链路的用户画像特征信息，提取到丰富的业务服务链路的业务关系特征信息，为精准的基于大数据定位的信息推送提供数据支撑；另外，通过业务服务链路的目标用户意图特征，对业务服务链路进行业务推送配置更新，得到业务服务链路的业务推送配置优化信息，以实现精准的基于大数据定位的信息推送过程。
在一种可能的实现方式中，针对步骤S110而言，在对大数据业务定位数据进行业务流标签提取处理，得到大数据业务定位数据中业务服务链路的业务流标签信息的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S111，获取大数据业务定位数据中的每个大数据语料单元的业务流记录进程所记录的业务流更新数据清单。
本实施例中，值得说明的是，业务流更新数据清单包括以每个业务流更新时序范围为一记录单元范围的业务流更新数据，业务流更新数据包括该业务流更新时序范围的语料采集触发信息、语料指向信息以及该业务流更新时序范围内的更新语料记录。譬如，业务流更新时序范围可以用于表示业务流更新过程中相关的时间记录区间，语料采集触发信息可以用于表征语料采集时的触发节点（例如用户的点击或者浏览操作可以作为一个触发节点），语料指向信息可以用于表征语料采集后所指示的业务跳转信息。
子步骤S112，针对每个业务流更新时序范围，根据每个大数据语料单元在该业务流更新时序范围的更新语料记录中的多个行为更新语料中的每一个行为更新语料，根据该行为更新语料中行为语料描述信息的描述特征向量，确定该行为更新语料中每个行为语料描述信息是否为候选目标行为语料描述信息，根据该行为更新语料中候选目标行为语料描述信息的数量，确定该行为更新语料对应的每个候选语料标注语料单元段，针对每个候选语料标注语料单元段，将该候选语料标注语料单元段划分为多个子语料单元段，根据每个子语料单元段内各行为语料描述信息的描述标签及预设的标签范围，确定候选语料标注语料单元段是否为目标语料标注语料单元段，其中，每个行为语料描述信息对应于每个语料单元更新行为。
子步骤S113，获取预设业务流规则匹配目标语料标注语料单元段内每个行为语料描述信息的业务流节点信息，业务流节点信息包括语料单元调用信息和语料单元订阅信息，预设业务流规则包括不同语料单元使用类型所对应的匹配方式。
子步骤S114，根据业务流更新数据清单中的各个不同业务流更新时序范围的每个更新语料记录的业务流节点信息确定每个语料单元主题意图拓扑树的语料单元主题特征和每个语料单元摘要意图拓扑树的语料单元摘要特征，并根据目标语料标注语料单元段内每个语料单元主题意图拓扑树的语料单元主题特征和每个语料单元摘要意图拓扑树的语料单元摘要特征，确定每个大数据语料单元在该业务流更新时序范围的语料单元标签对象，将位于语料单元标签对象的语料单元范围内的特征以及位于语料单元标签对象的语料单元范围外而关联于语料单元标签对象的语料单元范围的特征作为每个大数据语料单元在该业务流更新时序范围内的语料标签特征后，将每个大数据语料单元在所有业务流更新时序范围内的语料标签特征进行汇总后，得到大数据业务定位数据中业务服务链路的业务流标签信息。
在一种可能的实现方式中，针对步骤S120而言，在基于业务服务链路的业务流标签信息进行用户意图特征挖掘，得到业务服务链路的目标用户意图特征的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S121，获取业务服务链路的业务流标签信息中的每个语料标签特征的语料描述信息上添加的用户检索指令集合的检索指令请求信息，并确定与检索指令请求信息对应的第一检索行为清单，检索指令请求信息包括根据用户检索指令集合的意图词输入信息和意图词输出信息所确定出的意图词检索信息的访问意图对象信息，第一检索行为清单包括访问意图对象信息的多个访问意图等级的高低顺序。
子步骤S122，确定每个语料标签特征的语料描述信息基于意图词输入信息的第一意图词向量和基于意图词输出信息的第二意图词向量。
子步骤S123，根据第一意图词向量和第二意图词向量的访问意图等级关系确定用于对第一检索行为清单进行决策树挖掘的决策树挖掘参数。
子步骤S124，基于决策树挖掘参数对第一检索行为清单进行决策树挖掘获得第二检索行为清单。
子步骤S125，对第二检索行为清单进行聚类得到多个检索类别聚类簇，对每个检索类别聚类簇进行特征提取得到簇特征向量。
子步骤S126，根据第二检索行为清单对应的多个簇特征向量所对应的用户意图特征，确定为每个语料标签特征的用户意图特征。
子步骤S127，基于每个语料标签特征的用户意图特征获得业务服务链路的目标用户意图特征。
进一步地，在一种可能的实现方式中，针对步骤S130而言，在基于人工智能模型对大数据业务定位数据进行用户画像特征提取处理，得到业务服务链路的用户画像特征信息的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S131，将大数据业务定位数据输入到预先训练的人工智能模型中，获得大数据业务定位数据匹配于每个预设用户画像的置信度。
其中，值得说明的是，该人工智能模型基于训练样本以及训练样本对应的训练标注信息训练获得，训练样本为大数据业务定位数据样本，训练标注信息为用户画像标注信息。具体训练的过程可以参见现有技术中所提供的常规训练方式即可，该训练过程中不属于本申请实施例旨在解决的技术问题，在此不再过多赘述。
子步骤S132，根据大数据业务定位数据匹配于每个预设用户画像的置信度确定大数据业务定位数据对应的目标用户画像。
譬如，可以将置信度大于预设置信度阈值的预设用户画像确定为大数据业务定位数据对应的目标用户画像。
子步骤S133，从大数据业务定位数据对应的目标用户画像的用户画像描述信息中提取匹配于每个业务服务链路的用户画像特征信息。
譬如，在提取过程中，可以具体提取用户画像描述信息中匹配于每个业务服务链路的具有结构化描述信息的特征信息。
在一种可能的实现方式中，针对步骤S140而言，在将大数据业务定位数据中业务服务链路的目标用户意图特征与业务服务链路的用户画像特征信息进行业务关系提取，得到业务服务链路的业务关系提取信息的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S141，将业务服务链路的目标用户意图特征和用户画像特征信息添加到业务关系提取空间中，从业务关系提取空间中确定出各业务关系提取节点所对应业务服务链路的目标用户意图特征和用户画像特征信息的业务溯源脚本。
子步骤S142，依据各不同业务溯源脚本中业务关系提取节点之间的业务关系的关系网络标签对各业务溯源脚本进行聚类，得到至少一个业务溯源脚本集。
本实施例中，同一业务溯源脚本集中任意两个业务溯源脚本中的业务关系提取节点的业务关系的关系网络标签覆盖预设标签范围。
子步骤S143，针对每一业务溯源脚本集，基于该业务溯源脚本集中各业务溯源脚本，从业务关系提取空间中确定该业务溯源脚本集针对业务服务链路的目标用户意图特征和用户画像特征信息对应的业务溯源特征。
本实施例中，业务溯源特征至少包括业务溯源脚本集中各业务溯源脚本针对业务服务链路的目标用户意图特征和用户画像特征信息的每个业务溯源表项的特征信息数据，业务溯源特征用于确定该业务溯源脚本集中各业务溯源脚本中的业务关系提取节点对应业务服务链路的目标用户意图特征和用户画像特征信息的业务关系溯源结果。
子步骤S144，基于业务溯源特征确定该业务溯源脚本集中各业务溯源脚本中的业务关系提取节点对应的业务关系溯源结果，采用预设业务关系分类模型对业务关系溯源结果进行分类得到分类结果，根据分类结果，得到业务服务链路的业务关系提取信息。
示例性地，在一种可能的示例中，对于子步骤S144而言，在基于业务溯源特征确定该业务溯源脚本集中各业务溯源脚本中的业务关系提取节点对应的业务关系溯源结果的过程中，可以通过以下可替代的实施方式来实现。
子步骤S1441，确定业务溯源特征的溯源业务轨迹信息和溯源业务类别，根据历史业务关系向量结果中的多个业务关系指标，确定多个溯源业务联动组合，根据每个溯源业务联动组合中各个业务关系指标在溯源业务轨迹信息内与溯源业务类别的业务匹配度，进行相似度计算，得到分别与多个溯源业务联动组合对应的多个相似度计算结果，并将每个相似度计算结果对应的溯源业务联动组合的业务调用频繁度加权值作为每个相似度计算结果的权重值。
子步骤S1442，基于多个相似度计算结果，分别获取在溯源业务轨迹信息内确定与溯源业务类别对应的各业务溯源脚本的相似业务关系轨迹，得到多个相似业务关系轨迹，根据每个相似度计算结果的权重值，对基于多个相似度计算结果获取到的多个相似业务关系轨迹进行整合，得到第一相似业务关系轨迹集。
其中，值得说明的是，每个溯源业务联动组合中任两个业务关系指标之间的业务调用频繁度加权值相等，且不同溯源业务联动组合对应的业务调用频繁度加权值不等，每个相似度计算结果用于确定在任一设定时序段内与溯源业务类别对应的各业务溯源脚本中的业务关系提取节点对应的业务重合数据，相似度计算结果通过根据历史业务关系向量结果进行相似度计算后得到。
子步骤S1443，根据历史业务关系向量结果和溯源业务类别对应的多个业务关系提取节点的业务重合数据，获取多个业务关系提取节点在溯源业务轨迹信息内与溯源业务类别的之间的业务关系提取识别结果，将多个业务关系提取节点对应的业务关系提取识别结果的对应的目标请求报文作为第二相似业务关系轨迹。
子步骤S1444，计算第一相似业务关系轨迹集与第二相似业务关系轨迹的业务关系相关参数，根据业务关系相关参数以及每个业务关系提取节点的业务重合数据确定每个业务关系提取节点对应的业务关系溯源结果。
例如，在一种可替代的实施例中，对于子步骤S1444，可以通过以下实施例来实现。
（1）基于业务关系相关参数确定每个业务关系提取节点对应的业务关系圈网络的知识图谱信息，通过每个业务关系提取节点的业务重合数据在对应的业务溯源脚本中的业务覆盖区间确定每个业务关系提取节点的业务触发指标信息。
（2）提取知识图谱信息对应的第一用户意图特征序列以及业务触发指标信息对应的第二用户意图特征序列，并确定第一用户意图特征序列和第二用户意图特征序列中分别包括的若干个具有不同的特征描述值的业务关系元知识网络。
其中，业务关系元知识网络可以理解为第一用户意图特征序列和第二用户意图特征序列中的存在关联关系的用户意图特征构成的元知识网络。
（3）在第一用户意图特征序列的实体间业务关系和第二用户意图特征序列的实体间业务关系相同的前提下，获得知识图谱信息在第一用户意图特征序列的任一业务关系元知识网络的基础关系图谱信息，并行地将第二用户意图特征序列中具有最小特征描述值的业务关系元知识网络确定为目标业务关系元知识网络。
（4）基于每个业务关系提取节点的业务关系提取字段的提取策略，将基础关系图谱信息添加到目标业务关系元知识网络，在目标业务关系元知识网络中确定出与基础关系图谱信息对应的业务上下游关系信息。
（5）通过基础关系图谱信息和业务上下游关系信息之间的业务差异信息，生成知识图谱信息和业务触发指标信息之间的知识图谱连接边。
（6）以业务上下游关系信息为参考信息在目标业务关系元知识网络中获取目标实体成员信息，根据知识图谱连接边对应的多个信息匹配路径，将目标实体成员信息添加到基础关系图谱信息所在业务关系元知识网络，以在基础关系图谱信息所在业务关系元知识网络中得到目标实体成员信息对应的成员匹配结果，并根据参考信息确定成员匹配结果为业务溯源结果。
其中，目标实体成员信息可以理解为访问动作对应的实体成员的信息。
（7）确定将基础关系图谱信息添加到目标业务关系元知识网络时对应的业务关系结果。
（8）根据成员匹配结果与业务关系结果中的多个业务关系溯源节点对应的业务关系特征标签之间的关联度，在第二用户意图特征序列中按照时序权重的由大到小的顺序依次获取业务溯源结果对应的业务溯源标签，直至获取到的业务溯源标签所在业务关系元知识网络的知识产权网络节点数量与业务溯源结果在第一用户意图特征序列中的知识产权网络节点数量一致时，停止获取下一业务关系元知识网络中的业务溯源标签，并建立业务溯源结果与最后一次获取到的业务溯源标签之间的溯源关联信息，基于溯源关联信息确定每个业务关系提取节点对应的业务关系溯源结果。
示例性地，在一种可能的示例中，对于子步骤S144而言，在采用预设业务关系分类模型对业务关系溯源结果进行分类得到分类结果，根据分类结果，得到业务服务链路的业务关系提取信息的过程中，可以通过以下可替代的实施方式来实现。
子步骤S1445，确定预设业务关系分类模型的样本序列的业务关系浮动参数，在业务关系浮动参数未达到设定浮动范围时，根据前一业务关系分类结果对样本序列进行更新，在业务关系浮动参数达到设定浮动范围时，将业务关系溯源结果输入预设业务关系分类模型，并判断是否接收到预设业务关系分类模型输出的分类结果。其中，前一时段可以根据设定时序段确定，具体不作限定。
子步骤S1446，在接收到预设业务关系分类模型输出的分类结果时，根据分类结果创建模型更新进程。
子步骤S1447，在预设业务关系分类模型输出有业务溯源分类标签对应的分类结果时，确定业务溯源分类标签对应的分类结果在模型更新进程中的更新源参数。
子步骤S1448，当确定出业务溯源分类标签对应的分类结果在模型更新进程中的更新源参数为动态更新源参数或者为设定类别中的静态更新源参数时，将业务溯源分类标签对应的分类结果直接加载至模型更新进程的待处理参数集中，或者将业务溯源分类标签对应的分类结果加载至预设业务关系分类模型的预处理数据集后，经由预设业务关系分类模型将业务溯源分类标签对应的分类结果传导至模型更新进程的待处理参数集中。并且，运行模型更新进程，获取模型更新进程对分类结果进行深度特征提取后输出的深度特征分布信息。
子步骤S1449，确定深度特征分布信息的深度特征分布业务节点以及各深度特征标签。
子步骤S14491，在根据深度特征分布业务节点确定出深度特征分布信息中包含有偏离特征分布的情况下，根据深度特征分布信息的偏离特征分布下的深度特征标签及其分布方式信息确定深度特征分布信息的分布区域下的各深度特征标签与深度特征分布信息的偏离特征分布下的各深度特征标签之间的相关参数，并将深度特征分布信息的分布区域下的与偏离特征分布下的深度特征标签相关的深度特征标签分配到偏离特征分布下。
子步骤S14492，提取偏离特征分布的深度特征标签对应的第一特征向量以及分布区域下的深度特征标签对应的第二特征向量，确定第一特征向量和第二特征向量的业务关系提取队列特征，将业务关系提取队列特征输入到预设业务关系分类模型中，获得预设业务关系分类模型针对业务关系提取队列特征进行分类输出的分类结果。
子步骤S14493，根据分类结果，得到业务服务链路的业务关系提取信息。
在一种可能的实现方式中，仍旧针对步骤S140，在基于业务服务链路的业务关系提取信息对订阅业务进行业务推送配置更新，得到业务服务链路的业务推送配置优化信息的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S145，获取业务服务链路在订阅业务下的业务推送配置信息。
子步骤S146，获取业务推送配置信息下的业务推送配置项目以及每个业务推送配置项目对应的业务关系配置信息。
子步骤S147，将业务服务链路的业务关系提取信息覆盖配置于每个业务推送配置项目对应的业务关系配置信息下，得到业务服务链路的业务推送配置优化信息。
譬如，在一种可能的实现方式中，在步骤S140之后，还可以包括以下步骤。
步骤S150，获取业务服务终端的大数据业务定位数据中业务服务链路的业务推送配置优化信息。
步骤S160，基于业务推送配置优化信息获取匹配多个待推荐页面节点的待索引推荐对象以及待索引推荐对象对应的目标索引数据源。
本实施例中，目标索引数据源可以理解为为待索引推荐对象的内容所属业务标签的索引数据源，其中，目标索引数据源包括至少一个数据源推荐页面。在一种可替代的实现方式中，业务推送配置优化信息中可以具有一个或者多个待推荐页面节点，待推荐页面节点可以理解为一个推荐页面中所包括的页面内容区，推荐页面可以理解为最终为用户推送时所展示的完整内容服务界面，页面内容区可以是指针对该完整内容服务界面中某个服务推送区域的内容展示信息的区域。
此外，匹配各个待推荐页面节点的待索引推荐对象可以基于待推荐页面节点从当前实时的索引推荐对象库中对应获得，或者从预先配置的索引推荐对象库中对应获得，具体不作限制。此外，待索引推荐对象对应的目标索引数据源可以基于每个待索引推荐对象预先关联的数据源参数（例如调用数据接口SDK参数等）获得。
步骤S170，对多个待推荐页面节点进行组合，得到与至少一个数据源推荐页面存在主题关联的选定推荐页面，并根据选定推荐页面与至少一个数据源推荐页面在目标用户订阅标签下的主题相似度，生成选定推荐页面与目标数据源推荐页面之间的推荐权重参数。
本实施例中，主题相似度可以理解为选定推荐页面与至少一个数据源推荐页面在目标用户订阅标签下属于相同推送主题的置信度，具体计算方式可以参见现有的常见主题算法模型。此外，推荐权重参数可以用于表示选定推荐页面与目标数据源推荐页面可以被信息推荐的相对权重。
步骤S180，融合各用户订阅标签下选定推荐页面与目标数据源推荐页面之间的推荐权重参数，并根据融合结果从预设目标推荐素材库中选择与待索引推荐对象匹配的目标推荐素材，并向业务服务终端200推送目标推荐素材。
本实施例中，推荐素材可以理解为最终向业务服务终端推送的具体素材内容，例如可以包括但不限于时事素材内容、电商素材内容、短视频素材内容等，但不限于此。
譬如，在根据融合结果从预设目标推荐素材库中选择与待索引推荐对象匹配的目标推荐素材，并向业务服务终端200推送目标推荐素材的过程中，可以确定与推荐权重参数大于预设推荐权重参数的选定推荐页面所包括的推荐页面节点匹配的目标索引推荐对象，然后再从预设目标推荐素材库中获得与这些目标索引推荐对象所对应的目标推荐素材后进行推送。
基于上述步骤，本实施例在根据选定推荐页面与目标数据源推荐页面在至少一个数据源推荐页面下的主题相似度，生成选定推荐页面与目标数据源推荐页面之间的推荐权重参数后，通过融合各用户订阅标签下选定推荐页面与目标数据源推荐页面之间的推荐权重参数，可以利用大量以推荐页面为基础的参考依据，使得获取的目标数据源推荐页面更多，有利于提高后续素材匹配的准确性，并且，在以推荐页面为最小基础单位时可以避免对待索引推荐对象进行索引时出现误差的情况，因此，提高了素材匹配的准确性。
图3为本公开实施例提供的基于大数据定位和人工智能的业务优化装置300的功能模块示意图，本实施例可以根据上述云计算中心100执行的方法实施例对该基于大数据定位和人工智能的业务优化装置300进行功能模块的划分，也即该基于大数据定位和人工智能的业务优化装置300所对应的以下各个功能模块可以用于执行上述云计算中心100执行的各个方法实施例。其中，该基于大数据定位和人工智能的业务优化装置300可以包括获取模块310、挖掘模块320、提取模块330以及更新模块340，下面分别对该基于大数据定位和人工智能的业务优化装置300的各个功能模块的功能进行详细阐述。
获取模块310，用于获取业务服务终端200的大数据业务定位数据，对大数据业务定位数据进行业务流标签提取处理，得到大数据业务定位数据中业务服务链路的业务流标签信息，其中，大数据业务定位数据为基于单个订阅业务进行采集到的各个业务服务链路所记录的业务数据构成的数据集合。其中，获取模块310可以用于执行上述的步骤S110，关于获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
挖掘模块320，用于基于业务服务链路的业务流标签信息进行用户意图特征挖掘，得到业务服务链路的目标用户意图特征。其中，挖掘模块320可以用于执行上述的步骤S120，关于挖掘模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
提取模块330，用于基于人工智能模型对大数据业务定位数据进行用户画像特征提取处理，得到业务服务链路的用户画像特征信息。其中，提取模块330可以用于执行上述的步骤S130，关于提取模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
更新模块340，用于将大数据业务定位数据中业务服务链路的目标用户意图特征与业务服务链路的用户画像特征信息进行业务关系提取，得到业务服务链路的业务关系提取信息，并基于业务服务链路的业务关系提取信息对订阅业务进行业务推送配置更新，得到业务服务链路的业务推送配置优化信息。其中，更新模块340可以用于执行上述的步骤S140，关于更新模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图4示出了本公开实施例提供的用于实现上述的基于大数据定位和人工智能的业务优化方法的云计算中心100的硬件结构示意图，如图4所示，云计算中心100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于大数据定位和人工智能的业务优化装置300包括的获取模块310、挖掘模块320、提取模块330以及更新模块340），使得处理器110可以执行如上方法实施例的基于大数据定位和人工智能的业务优化方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的业务服务终端200进行数据收发。
处理器110的具体实现过程可参见上述云计算中心100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图4所示的实施例中，应理解，处理器可以是中央处理器(英文：CentralProcessing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(英文：DigitalSignal Processor，DSP)、专用集成电路(英文：Application SpecificIntegratedCircuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于大数据定位和人工智能的业务优化方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定推送要素来描述本说明书的实施例。如“一个实施例”、“一实施例”和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对它们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、系统或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，被动编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本说明书处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种基于大数据定位和人工智能的业务优化方法，其特征在于，应用于云计算中心，所述云计算中心与多个业务服务终端通信连接，所述方法包括：
获取所述业务服务终端的大数据业务定位数据，对所述大数据业务定位数据进行业务流标签提取处理，得到所述大数据业务定位数据中业务服务链路的业务流标签信息，其中，所述大数据业务定位数据为基于单个订阅业务进行采集到的各个业务服务链路所记录的业务数据构成的数据集合；
基于所述业务服务链路的业务流标签信息进行用户意图特征挖掘，得到所述业务服务链路的目标用户意图特征；
基于人工智能模型对所述大数据业务定位数据进行用户画像特征提取处理，得到所述业务服务链路的用户画像特征信息；
将所述大数据业务定位数据中业务服务链路的目标用户意图特征与所述业务服务链路的用户画像特征信息进行业务关系提取，得到所述业务服务链路的业务关系提取信息，并基于所述业务服务链路的业务关系提取信息对所述订阅业务进行业务推送配置更新，得到所述业务服务链路的业务推送配置优化信息。
2.根据权利要求1所述的基于大数据定位和人工智能的业务优化方法，其特征在于，所述对大数据业务定位数据进行业务流标签提取处理，得到所述大数据业务定位数据中业务服务链路的业务流标签信息，包括：
获取所述大数据业务定位数据中的每个大数据语料单元的业务流记录进程所记录的业务流更新数据清单，所述业务流更新数据清单包括以每个业务流更新时序范围为一记录单元范围的业务流更新数据，所述业务流更新数据包括该业务流更新时序范围的语料采集触发信息、语料指向信息以及该业务流更新时序范围内的更新语料记录；
针对每个业务流更新时序范围，根据每个大数据语料单元在该业务流更新时序范围的更新语料记录中的多个行为更新语料中的每一个行为更新语料，根据该行为更新语料中行为语料描述信息的描述特征向量，确定该行为更新语料中每个行为语料描述信息是否为候选目标行为语料描述信息，根据该行为更新语料中候选目标行为语料描述信息的数量，确定该行为更新语料对应的每个候选语料标注语料单元段，针对每个候选语料标注语料单元段，将该候选语料标注语料单元段划分为多个子语料单元段，根据每个子语料单元段内各行为语料描述信息的描述标签及预设的标签范围，确定候选语料标注语料单元段是否为目标语料标注语料单元段，其中，每个行为语料描述信息对应于每个语料单元更新行为；
获取预设业务流规则匹配所述目标语料标注语料单元段内每个行为语料描述信息的业务流节点信息，所述业务流节点信息包括语料单元调用信息和语料单元订阅信息，所述预设业务流规则包括不同语料单元使用类型所对应的匹配方式；
根据所述业务流更新数据清单中的各个不同业务流更新时序范围的所述每个更新语料记录的业务流节点信息确定每个语料单元主题意图拓扑树的语料单元主题特征和每个语料单元摘要意图拓扑树的语料单元摘要特征，并根据所述目标语料标注语料单元段内每个语料单元主题意图拓扑树的语料单元主题特征和每个语料单元摘要意图拓扑树的语料单元摘要特征，确定每个大数据语料单元在该业务流更新时序范围的语料单元标签对象，将位于所述语料单元标签对象的语料单元范围内的特征以及位于所述语料单元标签对象的语料单元范围外而关联于所述语料单元标签对象的语料单元范围的特征作为每个大数据语料单元在该业务流更新时序范围内的语料标签特征后，将每个大数据语料单元在所有业务流更新时序范围内的语料标签特征进行汇总后，得到所述大数据业务定位数据中业务服务链路的业务流标签信息。
3.根据权利要求1所述的基于大数据定位和人工智能的业务优化方法，其特征在于，所述基于所述业务服务链路的业务流标签信息进行用户意图特征挖掘，得到所述业务服务链路的目标用户意图特征的步骤，包括：
获取所述业务服务链路的业务流标签信息中的每个语料标签特征的语料描述信息上添加的用户检索指令集合的检索指令请求信息，并确定与所述检索指令请求信息对应的第一检索行为清单，所述检索指令请求信息包括根据所述用户检索指令集合的意图词输入信息和意图词输出信息所确定出的意图词检索信息的访问意图对象信息，所述第一检索行为清单包括所述访问意图对象信息的多个访问意图等级的高低顺序；
确定每个语料标签特征的语料描述信息基于意图词输入信息的第一意图词向量和基于意图词输出信息的第二意图词向量；
根据所述第一意图词向量和所述第二意图词向量的访问意图等级关系确定用于对所述第一检索行为清单进行决策树挖掘的决策树挖掘参数；
基于所述决策树挖掘参数对所述第一检索行为清单进行决策树挖掘获得第二检索行为清单；
对所述第二检索行为清单进行聚类得到多个检索类别聚类簇，对每个检索类别聚类簇进行特征提取得到簇特征向量；
根据所述第二检索行为清单对应的多个簇特征向量所对应的用户意图特征，确定为每个语料标签特征的用户意图特征；
基于每个语料标签特征的用户意图特征获得所述业务服务链路的目标用户意图特征。
4.根据权利要求1所述的基于大数据定位和人工智能的业务优化方法，其特征在于，所述基于人工智能模型对所述大数据业务定位数据进行用户画像特征提取处理，得到所述业务服务链路的用户画像特征信息的步骤，包括：
将所述大数据业务定位数据输入到预先训练的人工智能模型中，获得所述大数据业务定位数据匹配于每个预设用户画像的置信度，其中，所述人工智能模型基于训练样本以及训练样本对应的训练标注信息训练获得，所述训练样本为大数据业务定位数据样本，所述训练标注信息为用户画像标注信息；
根据所述大数据业务定位数据匹配于每个预设用户画像的置信度确定所述大数据业务定位数据对应的目标用户画像；
从所述大数据业务定位数据对应的目标用户画像的用户画像描述信息中提取匹配于每个业务服务链路的用户画像特征信息。
5.根据权利要求1所述的基于大数据定位和人工智能的业务优化方法，其特征在于，所述将所述大数据业务定位数据中业务服务链路的目标用户意图特征与所述业务服务链路的用户画像特征信息进行业务关系提取，得到所述业务服务链路的业务关系提取信息的步骤，包括：
将所述业务服务链路的目标用户意图特征和用户画像特征信息添加到业务关系提取空间中，从所述业务关系提取空间中确定出各业务关系提取节点所对应所述业务服务链路的目标用户意图特征和用户画像特征信息的业务溯源脚本；
依据各不同业务溯源脚本中业务关系提取节点之间的业务关系的关系网络标签对各业务溯源脚本进行聚类，得到至少一个业务溯源脚本集；其中，同一业务溯源脚本集中任意两个业务溯源脚本中的业务关系提取节点的业务关系的关系网络标签覆盖预设标签范围；
针对每一业务溯源脚本集，基于该业务溯源脚本集中各业务溯源脚本，从所述业务关系提取空间中确定该业务溯源脚本集针对所述业务服务链路的目标用户意图特征和用户画像特征信息对应的业务溯源特征；其中，所述业务溯源特征至少包括业务溯源脚本集中各业务溯源脚本针对所述业务服务链路的目标用户意图特征和用户画像特征信息的每个业务溯源表项的特征信息数据，所述业务溯源特征用于确定该业务溯源脚本集中各业务溯源脚本中的业务关系提取节点对应所述业务服务链路的目标用户意图特征和用户画像特征信息的业务关系溯源结果；
基于所述业务溯源特征确定该业务溯源脚本集中各业务溯源脚本中的业务关系提取节点对应的业务关系溯源结果，采用预设业务关系分类模型对所述业务关系溯源结果进行分类得到分类结果，根据所述分类结果，得到所述业务服务链路的业务关系提取信息。
6.根据权利要求5所述的基于大数据定位和人工智能的业务优化方法，其特征在于，所述基于所述业务溯源特征确定该业务溯源脚本集中各业务溯源脚本中的业务关系提取节点对应的业务关系溯源结果的步骤，包括：
确定所述业务溯源特征的溯源业务轨迹信息和溯源业务类别，根据历史业务关系向量结果中的多个业务关系指标，确定多个溯源业务联动组合，根据每个溯源业务联动组合中各个业务关系指标在所述溯源业务轨迹信息内与所述溯源业务类别的业务匹配度，进行相似度计算，得到分别与所述多个溯源业务联动组合对应的多个相似度计算结果，并将每个相似度计算结果对应的溯源业务联动组合的业务调用频繁度加权值作为每个相似度计算结果的权重值；
基于所述多个相似度计算结果，分别获取在所述溯源业务轨迹信息内确定与所述溯源业务类别对应的各业务溯源脚本的相似业务关系轨迹，得到多个相似业务关系轨迹，根据每个相似度计算结果的权重值，对基于所述多个相似度计算结果获取到的多个相似业务关系轨迹进行整合，得到第一相似业务关系轨迹集，其中，每个溯源业务联动组合中任两个业务关系指标之间的业务调用频繁度加权值相等，且不同溯源业务联动组合对应的业务调用频繁度加权值不等，每个相似度计算结果用于确定在任一设定时序段内与所述溯源业务类别对应的各业务溯源脚本中的业务关系提取节点对应的业务重合数据，所述相似度计算结果通过根据历史业务关系向量结果进行相似度计算后得到；
根据所述历史业务关系向量结果和所述溯源业务类别对应的多个业务关系提取节点的业务重合数据，获取所述多个业务关系提取节点在所述溯源业务轨迹信息内与所述溯源业务类别的之间的业务关系提取识别结果，将所述多个业务关系提取节点对应的业务关系提取识别结果的对应的目标请求报文作为第二相似业务关系轨迹；
计算所述第一相似业务关系轨迹集与所述第二相似业务关系轨迹的业务关系相关参数，根据所述业务关系相关参数以及每个业务关系提取节点的业务重合数据确定每个业务关系提取节点对应的业务关系溯源结果。
7.根据权利要求6所述的基于大数据定位和人工智能的业务优化方法，其特征在于，根据所述业务关系相关参数以及每个业务关系提取节点的业务重合数据确定每个业务关系提取节点对应的业务关系溯源结果，包括：
基于所述业务关系相关参数确定每个业务关系提取节点对应的业务关系圈网络的知识图谱信息，通过每个业务关系提取节点的业务重合数据在对应的业务溯源脚本中的业务覆盖区间确定每个业务关系提取节点的业务触发指标信息；
提取所述知识图谱信息对应的第一用户意图特征序列以及所述业务触发指标信息对应的第二用户意图特征序列，并确定所述第一用户意图特征序列和所述第二用户意图特征序列中分别包括的若干个具有不同的特征描述值的业务关系元知识网络；其中，所述业务关系元知识网络为所述第一用户意图特征序列和所述第二用户意图特征序列中的存在关联关系的用户意图特征构成的元知识网络；
在所述第一用户意图特征序列的实体间业务关系和所述第二用户意图特征序列的实体间业务关系相同的前提下，获得所述知识图谱信息在所述第一用户意图特征序列的任一业务关系元知识网络的基础关系图谱信息，并行地将所述第二用户意图特征序列中具有最小特征描述值的业务关系元知识网络确定为目标业务关系元知识网络；
基于每个业务关系提取节点的业务关系提取字段的提取策略，将所述基础关系图谱信息添加到所述目标业务关系元知识网络，在所述目标业务关系元知识网络中确定出与所述基础关系图谱信息对应的业务上下游关系信息；
通过所述基础关系图谱信息和所述业务上下游关系信息之间的业务差异信息，生成所述知识图谱信息和所述业务触发指标信息之间的知识图谱连接边；
以所述业务上下游关系信息为参考信息在所述目标业务关系元知识网络中获取目标实体成员信息，根据所述知识图谱连接边对应的多个信息匹配路径，将所述目标实体成员信息添加到所述基础关系图谱信息所在业务关系元知识网络，以在所述基础关系图谱信息所在业务关系元知识网络中得到所述目标实体成员信息对应的成员匹配结果，并根据所述参考信息确定所述成员匹配结果为业务溯源结果；其中，所述目标实体成员信息为访问动作对应的实体成员的信息；
确定将所述基础关系图谱信息添加到所述目标业务关系元知识网络时对应的业务关系结果；
根据所述成员匹配结果与所述业务关系结果中的多个业务关系溯源节点对应的业务关系特征标签之间的关联度，在所述第二用户意图特征序列中按照时序权重的由大到小的顺序依次获取所述业务溯源结果对应的业务溯源标签，直至获取到的所述业务溯源标签所在业务关系元知识网络的知识产权网络节点数量与所述业务溯源结果在所述第一用户意图特征序列中的知识产权网络节点数量一致时，停止获取下一业务关系元知识网络中的业务溯源标签，并建立所述业务溯源结果与最后一次获取到的业务溯源标签之间的溯源关联信息，基于所述溯源关联信息确定每个业务关系提取节点对应的业务关系溯源结果。
8.根据权利要求6所述的基于大数据定位和人工智能的业务优化方法，其特征在于，采用预设业务关系分类模型对所述业务关系溯源结果进行分类得到分类结果，根据所述分类结果，得到所述业务服务链路的业务关系提取信息，包括：
确定预设业务关系分类模型的样本序列的业务关系浮动参数，在所述业务关系浮动参数未达到设定浮动范围时，根据前一业务关系分类结果对所述样本序列进行更新，在所述业务关系浮动参数达到设定浮动范围时，将所述业务关系溯源结果输入所述预设业务关系分类模型，并判断是否接收到所述预设业务关系分类模型输出的分类结果；其中，前一时段根据所述设定时序段确定；
在接收到所述预设业务关系分类模型输出的分类结果时，根据所述分类结果创建模型更新进程；
在预设业务关系分类模型输出有业务溯源分类标签对应的分类结果时，确定所述业务溯源分类标签对应的分类结果在所述模型更新进程中的更新源参数；
当确定出所述业务溯源分类标签对应的分类结果在所述模型更新进程中的更新源参数为动态更新源参数或者为设定类别中的静态更新源参数时，将所述业务溯源分类标签对应的分类结果直接加载至所述模型更新进程的待处理参数集中，或者将所述业务溯源分类标签对应的分类结果加载至所述预设业务关系分类模型的预处理数据集后，经由所述预设业务关系分类模型将所述所述业务溯源分类标签对应的分类结果传导至所述模型更新进程的待处理参数集中；运行所述模型更新进程，获取所述模型更新进程对所述分类结果进行深度特征提取后输出的深度特征分布信息；
确定所述深度特征分布信息的深度特征分布业务节点以及各深度特征标签；
在根据所述深度特征分布业务节点确定出所述深度特征分布信息中包含有偏离特征分布的情况下，根据所述深度特征分布信息的偏离特征分布下的深度特征标签及其分布方式信息确定所述深度特征分布信息的分布区域下的各深度特征标签与所述深度特征分布信息的偏离特征分布下的各深度特征标签之间的相关参数，并将所述深度特征分布信息的分布区域下的与偏离特征分布下的深度特征标签相关的深度特征标签分配到所述偏离特征分布下；
提取所述偏离特征分布的深度特征标签对应的第一特征向量以及所述分布区域下的深度特征标签对应的第二特征向量，确定所述第一特征向量和所述第二特征向量的业务关系提取队列特征，将所述业务关系提取队列特征输入到所述预设业务关系分类模型中，获得所述预设业务关系分类模型针对所述业务关系提取队列特征进行分类输出的分类结果；
根据所述分类结果，得到所述业务服务链路的业务关系提取信息。
9.根据权利要求1所述的基于大数据定位和人工智能的业务优化方法，其特征在于，所述基于所述业务服务链路的业务关系提取信息对所述订阅业务进行业务推送配置更新，得到所述业务服务链路的业务推送配置优化信息，包括：
获取所述业务服务链路在所述订阅业务下的业务推送配置信息；
获取所述业务推送配置信息下的业务推送配置项目以及每个所述业务推送配置项目对应的业务关系配置信息；
将所述业务服务链路的业务关系提取信息覆盖配置于每个所述业务推送配置项目对应的业务关系配置信息下，得到所述业务服务链路的业务推送配置优化信息。
10.一种云计算中心，其特征在于，所述云计算中心包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个业务服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行权利要求1-9中任意一项的基于大数据定位和人工智能的业务优化方法。
CN202011288919.7A 2020-11-17 2020-11-17 基于大数据定位和人工智能的业务优化方法及云计算中心 Expired - Fee Related CN112464084B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011288919.7A CN112464084B (zh) 2020-11-17 2020-11-17 基于大数据定位和人工智能的业务优化方法及云计算中心
CN202110531183.XA CN113326427A (zh) 2020-11-17 2020-11-17 基于大数据定位的业务推送配置更新方法及云计算中心
CN202110531182.5A CN113326426A (zh) 2020-11-17 2020-11-17 基于大数据定位和人工智能的信息推送方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011288919.7A CN112464084B (zh) 2020-11-17 2020-11-17 基于大数据定位和人工智能的业务优化方法及云计算中心

Related Child Applications (2)

Application Number Title Priority Date Filing Date
CN202110531182.5A Division CN113326426A (zh) 2020-11-17 2020-11-17 基于大数据定位和人工智能的信息推送方法及系统
CN202110531183.XA Division CN113326427A (zh) 2020-11-17 2020-11-17 基于大数据定位的业务推送配置更新方法及云计算中心

Publications (2)

Publication Number Publication Date
CN112464084A true CN112464084A (zh) 2021-03-09
CN112464084B CN112464084B (zh) 2021-07-02

Family

ID=74837615

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202110531183.XA Withdrawn CN113326427A (zh) 2020-11-17 2020-11-17 基于大数据定位的业务推送配置更新方法及云计算中心
CN202110531182.5A Withdrawn CN113326426A (zh) 2020-11-17 2020-11-17 基于大数据定位和人工智能的信息推送方法及系统
CN202011288919.7A Expired - Fee Related CN112464084B (zh) 2020-11-17 2020-11-17 基于大数据定位和人工智能的业务优化方法及云计算中心

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202110531183.XA Withdrawn CN113326427A (zh) 2020-11-17 2020-11-17 基于大数据定位的业务推送配置更新方法及云计算中心
CN202110531182.5A Withdrawn CN113326426A (zh) 2020-11-17 2020-11-17 基于大数据定位和人工智能的信息推送方法及系统

Country Status (1)

Country Link
CN (3) CN113326427A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990324A (zh) * 2021-03-23 2021-06-18 李光伟 基于大数据线上模式的资源推送方法及深度学习服务系统
CN113032547A (zh) * 2021-03-31 2021-06-25 龙关玲 基于人工智能的大数据处理方法、系统及云平台
CN113065362A (zh) * 2021-03-19 2021-07-02 联想(北京)有限公司 一种智能回复方法及装置
CN113095583A (zh) * 2021-04-23 2021-07-09 何桂霞 应用于业务管理的数据分析方法及业务管理服务器
CN113779431A (zh) * 2021-11-12 2021-12-10 杭银消费金融股份有限公司 基于时序特征的业务信息处理方法及服务器
CN114491168A (zh) * 2022-01-27 2022-05-13 中国电力科学研究院有限公司 调控云样本数据共享方法、系统、计算机设备及存储介质
CN116738009A (zh) * 2023-08-09 2023-09-12 北京谷器数据科技有限公司 一种对数据进行归档回溯的方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549078B (zh) * 2022-02-22 2024-05-14 中国平安人寿保险股份有限公司 基于时序的客户行为处理方法、装置及相关设备
CN114840513B (zh) * 2022-05-25 2023-07-14 金润方舟科技股份有限公司 服务于大数据去噪优化的ai分析输出方法及人工智能系统
CN114817377B (zh) * 2022-06-29 2022-09-20 深圳红途科技有限公司 基于用户画像的数据风险检测方法、装置、设备及介质
CN115293933A (zh) * 2022-08-15 2022-11-04 维正知识产权科技有限公司 知识产权内容推荐方法、装置、计算机设备和存储介质
CN115689616B (zh) * 2022-12-20 2023-11-17 北京国联视讯信息技术股份有限公司 基于大数据特征分析的云端内容推送方法及系统
CN116303376B (zh) * 2023-05-24 2023-09-08 川投信息产业集团有限公司 一种基于资产大数据平台的资产管理优化方法及系统
CN116755890B (zh) * 2023-08-16 2023-10-24 国网浙江省电力有限公司 基于大数据平台的多场景业务数据协同处置方法及系统

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5913032A (en) * 1994-04-04 1999-06-15 Inprise Corporation System and methods for automatically distributing a particular shared data object through electronic mail
CN101938713A (zh) * 2009-06-30 2011-01-05 华为终端有限公司 个人信息更改情况的通知方法、装置及终端
CN102750291A (zh) * 2011-04-21 2012-10-24 中国移动通信集团安徽有限公司 用户定制分析装置、通讯终端及其访问互联网方法和系统
CN103686679A (zh) * 2012-09-17 2014-03-26 中国移动通信集团公司 从广播网络接收数据推送业务的方法、系统及相关设备
US20140310595A1 (en) * 2012-12-20 2014-10-16 Sri International Augmented reality virtual personal assistant for external representation
US20150081776A1 (en) * 2013-09-17 2015-03-19 Samsung Electronics Co., Ltd. Method and system for establishing integrated group isc session based on content interest
CN104797991A (zh) * 2012-11-07 2015-07-22 微软公司 用于逻辑传感器平台的逻辑传感器服务器
CN105096149A (zh) * 2014-05-09 2015-11-25 华为软件技术有限公司 业务内容产品关联分析方法及装置
CN105930539A (zh) * 2016-06-27 2016-09-07 北京百度网讯科技有限公司 话题订阅方法和装置
CN106489159A (zh) * 2016-06-29 2017-03-08 深圳狗尾草智能科技有限公司 一种基于深度神经网络的用户画像表示学习系统及方法
CN110134466A (zh) * 2018-02-02 2019-08-16 北京三星通信技术研究有限公司 信息处理方法和终端设备
CN110164427A (zh) * 2018-02-13 2019-08-23 阿里巴巴集团控股有限公司 语音交互方法、装置、设备以及存储介质
CN110516152A (zh) * 2019-08-28 2019-11-29 百度在线网络技术（北京）有限公司 兴趣点推送方法、装置、电子设备及存储介质
CN111198978A (zh) * 2019-12-27 2020-05-26 深圳市优必选科技股份有限公司 信息处理方法、装置、存储介质和智能终端
CN111382352A (zh) * 2020-03-02 2020-07-07 腾讯科技（深圳）有限公司 数据推荐方法、装置、计算机设备以及存储介质
CN111581222A (zh) * 2020-03-30 2020-08-25 深圳壹账通智能科技有限公司 业务数据的关联分析方法、装置、计算机设备及计算机存储介质
CN111787042A (zh) * 2019-09-19 2020-10-16 北京京东尚科信息技术有限公司 用于推送信息的方法和装置
CN111814487A (zh) * 2020-07-17 2020-10-23 科大讯飞股份有限公司 一种语义理解方法、装置、设备及存储介质
CN111931049A (zh) * 2020-08-02 2020-11-13 吕维东 基于大数据和人工智能的业务处理方法及区块链金融平台
CN111932130A (zh) * 2020-08-12 2020-11-13 上海冰鉴信息科技有限公司 业务类型识别方法及装置

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5913032A (en) * 1994-04-04 1999-06-15 Inprise Corporation System and methods for automatically distributing a particular shared data object through electronic mail
CN101938713A (zh) * 2009-06-30 2011-01-05 华为终端有限公司 个人信息更改情况的通知方法、装置及终端
CN102750291A (zh) * 2011-04-21 2012-10-24 中国移动通信集团安徽有限公司 用户定制分析装置、通讯终端及其访问互联网方法和系统
CN103686679A (zh) * 2012-09-17 2014-03-26 中国移动通信集团公司 从广播网络接收数据推送业务的方法、系统及相关设备
CN104797991A (zh) * 2012-11-07 2015-07-22 微软公司 用于逻辑传感器平台的逻辑传感器服务器
US20140310595A1 (en) * 2012-12-20 2014-10-16 Sri International Augmented reality virtual personal assistant for external representation
US20150081776A1 (en) * 2013-09-17 2015-03-19 Samsung Electronics Co., Ltd. Method and system for establishing integrated group isc session based on content interest
CN105096149A (zh) * 2014-05-09 2015-11-25 华为软件技术有限公司 业务内容产品关联分析方法及装置
CN105930539A (zh) * 2016-06-27 2016-09-07 北京百度网讯科技有限公司 话题订阅方法和装置
CN106489159A (zh) * 2016-06-29 2017-03-08 深圳狗尾草智能科技有限公司 一种基于深度神经网络的用户画像表示学习系统及方法
CN110134466A (zh) * 2018-02-02 2019-08-16 北京三星通信技术研究有限公司 信息处理方法和终端设备
CN110164427A (zh) * 2018-02-13 2019-08-23 阿里巴巴集团控股有限公司 语音交互方法、装置、设备以及存储介质
CN110516152A (zh) * 2019-08-28 2019-11-29 百度在线网络技术（北京）有限公司 兴趣点推送方法、装置、电子设备及存储介质
CN111787042A (zh) * 2019-09-19 2020-10-16 北京京东尚科信息技术有限公司 用于推送信息的方法和装置
CN111198978A (zh) * 2019-12-27 2020-05-26 深圳市优必选科技股份有限公司 信息处理方法、装置、存储介质和智能终端
CN111382352A (zh) * 2020-03-02 2020-07-07 腾讯科技（深圳）有限公司 数据推荐方法、装置、计算机设备以及存储介质
CN111581222A (zh) * 2020-03-30 2020-08-25 深圳壹账通智能科技有限公司 业务数据的关联分析方法、装置、计算机设备及计算机存储介质
CN111814487A (zh) * 2020-07-17 2020-10-23 科大讯飞股份有限公司 一种语义理解方法、装置、设备及存储介质
CN111931049A (zh) * 2020-08-02 2020-11-13 吕维东 基于大数据和人工智能的业务处理方法及区块链金融平台
CN111932130A (zh) * 2020-08-12 2020-11-13 上海冰鉴信息科技有限公司 业务类型识别方法及装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065362A (zh) * 2021-03-19 2021-07-02 联想(北京)有限公司 一种智能回复方法及装置
CN112990324A (zh) * 2021-03-23 2021-06-18 李光伟 基于大数据线上模式的资源推送方法及深度学习服务系统
CN113032547A (zh) * 2021-03-31 2021-06-25 龙关玲 基于人工智能的大数据处理方法、系统及云平台
CN113032547B (zh) * 2021-03-31 2021-12-07 三峡高科信息技术有限责任公司 基于人工智能的大数据处理方法、系统及云平台
CN113095583A (zh) * 2021-04-23 2021-07-09 何桂霞 应用于业务管理的数据分析方法及业务管理服务器
CN113095583B (zh) * 2021-04-23 2024-05-03 浙江皓亮智享信息技术咨询有限公司 应用于业务管理的数据分析方法及业务管理服务器
CN113779431A (zh) * 2021-11-12 2021-12-10 杭银消费金融股份有限公司 基于时序特征的业务信息处理方法及服务器
CN113779431B (zh) * 2021-11-12 2022-02-08 杭银消费金融股份有限公司 基于时序特征的业务信息处理方法及服务器
CN114491168A (zh) * 2022-01-27 2022-05-13 中国电力科学研究院有限公司 调控云样本数据共享方法、系统、计算机设备及存储介质
CN114491168B (zh) * 2022-01-27 2022-12-13 中国电力科学研究院有限公司 调控云样本数据共享方法、系统、计算机设备及存储介质
CN116738009A (zh) * 2023-08-09 2023-09-12 北京谷器数据科技有限公司 一种对数据进行归档回溯的方法
CN116738009B (zh) * 2023-08-09 2023-11-21 北京谷器数据科技有限公司 一种对数据进行归档回溯的方法

Also Published As

Publication number Publication date
CN113326427A (zh) 2021-08-31
CN112464084B (zh) 2021-07-02
CN113326426A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN112464084B (zh) 基于大数据定位和人工智能的业务优化方法及云计算中心
CN112464105B (zh) 基于大数据定位的互联网平台信息推送方法及云计算中心
CN110245496B (zh) 一种源代码漏洞检测方法及检测器和其训练方法及系统
CN112199580B (zh) 面向云计算和大数据定位的业务处理方法及人工智能平台
CN112394942B (zh) 基于云计算的分布式软件开发编译方法及软件开发平台
CN112308627B (zh) 基于区块链和人工智能的广告数据接入方法及大数据中心
CN113596131A (zh) 基于深度学习的页面词条提取模型训练方法及系统
CN112600893A (zh) 基于大数据定位的软件应用数据挖掘方法及软件服务平台
CN114661994B (zh) 基于人工智能的用户兴趣数据处理方法、系统及云平台
CN112187890B (zh) 基于云计算和大数据的信息分发方法及区块链金融云中心
CN113722719A (zh) 针对安全拦截大数据分析的信息生成方法及人工智能系统
CN114492601A (zh) 资源分类模型的训练方法、装置、电子设备及存储介质
CN114416998A (zh) 文本标签的识别方法、装置、电子设备及存储介质
CN112308626B (zh) 基于区块链和人工智能的广告推送方法及大数据挖掘中心
CN112579755A (zh) 基于人工智能和云计算的信息应答方法及信息互动平台
CN112671885A (zh) 基于云计算和大数据的信息解析方法及数字金融服务平台
CN113472860A (zh) 大数据和数字化环境下的业务资源分配方法及服务器
CN112114907A (zh) 基于电子商务云计算的应用加载方法及人工智能计算中心
CN111931514A (zh) 基于深度学习和大数据的信息处理方法及区块链服务平台
CN114978765B (zh) 服务于信息攻击防御的大数据处理方法及ai攻击防御系统
CN116821903A (zh) 检测规则确定及恶意二进制文件检测方法、设备及介质
CN115576789A (zh) 流失用户识别方法和系统
CN112948251B (zh) 软件自动测试方法及装置
CN112579756A (zh) 基于云计算和区块链的服务响应方法及人工智能互动平台
CN112214669A (zh) 家装材料甲醛释放数据处理方法、装置及监控服务器

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20210609

Address after: 361000 unit 0410, 366 Chengyi street, phase III, software park, Xiamen City, Fujian Province

Applicant after: Xiamen limayao Network Technology Co.,Ltd.

Address before: Room 1216, 12 / F, block a, austy business center, Wanhong Road, Panlong District, Kunming City, Yunnan Province, 650051

Applicant before: Cui Haiyan

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210702

Termination date: 20211117

CF01 Termination of patent right due to non-payment of annual fee