CN112465590A - 基于电子商务大数据的用户画像解析方法及系统 - Google Patents

Abstract

本公开实施例提供一种基于电子商务大数据的用户画像解析方法及系统，通过获取直播观众账号的视频直播终端对于直播观众账号的直播商品推荐信息的浏览行为信息，然后进行深度分析后得到当前正浏览关系特征和当前负浏览关系特征，通过比较后得到浏览倾向信息，并基于浏览倾向信息确定主播观众账号的浏览行为标签信息，然后根据预设人工智能模型对主播观众账号的浏览行为标签信息进行分析，生成主播观众账号的用户画像。如此，能够实现观众对于直播商品推荐信息的进一步浏览行为的深度挖掘，从而有效挖掘观众的浏览倾向，扩展针对观众的用户画像的分析过程的深度维度，以便于后续的信息推送和观众体验优化。

Description

基于电子商务大数据的用户画像解析方法及系统

技术领域

本公开涉及电子商务及大数据技术领域，具体而言，涉及一种基于电子商务大数据的用户画像解析方法及系统。

背景技术

随着互联网和移动通信技术的快速发展，互联网视频直播可以将电子商务商品等内容现场发布到互联网上，利用互联网的直观、快速，表现形式好、内容丰富、交互性强、地域不受限制、受众可划分等特点，加强电子商务商品的互动效果。

目前，在发起互动的线上互动直播商品的直播过程中，可以通过基于观众在线上互动直播商品的直播过程中的图形互动情况对观众的互动行为特征进行有效挖掘，从而为其推荐感兴趣的直播商品推荐信息。然而，目前缺乏针对观众对于直播商品推荐信息的进一步浏览行为的深度挖掘，难以进一步有效挖掘观众的浏览倾向，从而导致针对观众的用户画像的分析过程深度维度不够广泛，进而影响后续的信息推送和观众体验优化。

发明内容

为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于电子商务大数据的用户画像解析方法及系统，能够实现观众对于直播商品推荐信息的进一步浏览行为的深度挖掘，从而有效挖掘观众的浏览倾向，扩展针对观众的用户画像的分析过程的深度维度，以便于后续的信息推送和观众体验优化。

第一方面，本公开提供一种基于电子商务大数据的用户画像解析方法，应用于与多个视频直播终端通信连接的人工智能平台，所述方法包括：

获取所述直播观众账号的视频直播终端对于所述直播观众账号的直播商品推荐信息的浏览行为信息，从所述浏览行为信息对应的浏览节点集合的初始浏览节点中，确定包括画像特征目标的目标浏览对象信息；

从所述浏览节点集合的比较浏览节点中，获取与关联画像特征目标对应的至少一个浏览访问对象信息，所述比较浏览节点为所述浏览节点集合中除所述初始浏览节点之外的任一浏览节点，所述关联画像特征目标为所述画像特征目标对应的主播观众账号在所述比较浏览节点的关联浏览节点中的画像目标；

对当前浏览访问对象信息和所述目标浏览对象信息均进行特征提取，得到分别对应的当前浏览特征向量和目标浏览特征向量；所述当前浏览访问对象信息为所述至少一个浏览访问对象信息中的任一浏览访问对象信息；

对所述当前浏览特征向量和所述目标浏览特征向量进行浏览关系特征的提取，得到当前正浏览关系特征和当前负浏览关系特征；所述当前正浏览关系特征和所述当前负浏览关系特征均为浏览关系特征；

比较所述当前正浏览关系特征和所述当前负浏览关系特征，得到浏览倾向信息，并基于所述浏览倾向信息从所述至少一个浏览访问对象信息中确定所述主播观众账号的浏览行为标签信息，根据预设人工智能模型对所述主播观众账号的浏览行为标签信息进行分析，生成所述主播观众账号的用户画像。

在第一方面的一种可能的实现方式中，所述从所述浏览行为信息对应的浏览节点集合的初始浏览节点中，确定包括画像特征目标的目标浏览对象信息的步骤，包括：

从所述浏览行为信息对应的所述浏览节点集合的所述比较浏览节点中，获取所述画像特征目标的所对应的浏览对象区域，得到所述目标浏览对象信息；

所述从所述浏览节点集合的比较浏览节点中，获取与关联画像特征目标对应的至少一个浏览访问对象信息的步骤，包括：

在所述比较浏览节点中，确定与所述关联画像特征目标对应的目标浏览行为标签信息；

以所述目标浏览行为标签信息为搜索目标，根据预设搜索范围，获取至少一个搜索区间，对所述至少一个搜索区间的浏览访问对象信息搜索，得到与所述关联画像特征目标对应的所述至少一个浏览访问对象信息，其中，所述预设搜索范围为预先设置的用于确定不同类型的浏览行为标签的搜索区域的搜索区间。

在第一方面的一种可能的实现方式中，所述对当前浏览访问对象信息和所述目标浏览对象信息均进行特征提取，得到分别对应的当前浏览特征向量和目标浏览特征向量的步骤，包括：

对所述当前浏览访问对象信息和所述目标浏览对象信息均进行朴素贝叶斯特征提取，得到分别对应的当前朴素贝叶斯特征和目标朴素贝叶斯特征；

对所述当前朴素贝叶斯特征和所述目标朴素贝叶斯特征均进行特征向量提取，得到分别对应的所述当前浏览特征向量和所述目标浏览特征向量。

在第一方面的一种可能的实现方式中，所述对所述当前浏览特征向量和所述目标浏览特征向量进行浏览关系特征的提取，得到当前正浏览关系特征和当前负浏览关系特征，包括：

对所述当前浏览特征向量和所述目标浏览特征向量所涉及的各浏览特征区间进行进行浏览关系特征的提取，确定所述直播观众账号对应的浏览关系描述向量；

根据所述浏览关系描述向量确定关联浏览向量片段序列，并提取所述浏览关系描述向量的浏览频繁向量片段及以设定阈值为浏览向量片段区间，提取所述浏览频繁向量片段关联所述关联浏览向量片段序列的集中关联浏览向量片段，其中，所述浏览频繁向量片段用于表示所述浏览关系描述向量中在浏览关系描述轴中的可关联向量点数量大于设定数量所形成的向量片段；

根据所述集中关联浏览向量片段中关联的至少两个集中关联浏览向量点，将集中关联浏览向量点所对应的轴区间段按照向量倾向方向生成多个向量倾向单元，并计算下一个集中关联浏览向量点中的所有轴区间段与上一个集中关联浏览向量点中所有轴区间段间的重叠区间段，并根据得到的每个重叠区间段得到对应的向量倾向方向表；

根据所述向量倾向方向表，获取向量倾向方向相匹配且两向量倾向单元的各轴区间段之间的重叠区间段小于所述浏览关系描述向量在该重叠区间段内的最大持续重叠区间段的向量倾向单元以形成集中关联浏览向量点空间；

对每一集中关联浏览向量点空间中的向量点空间进行匹配，得到匹配的每一集中关联浏览向量点空间的匹配区间，并根据所述每一集中关联浏览向量点空间的匹配区间在所述浏览关系描述轴的方向；

根据所述每一集中关联浏览向量点空间的匹配区间在所述浏览关系描述轴的方向确定正方向和负方向，并将确定的所述正方向和负方向分别对应的集中关联浏览向量点空间的匹配区间的特征信息，作为当前正浏览关系特征和当前负浏览关系特征。

在第一方面的一种可能的实现方式中，所述比较所述当前正浏览关系特征和所述当前负浏览关系特征，得到浏览倾向信息，并基于所述浏览倾向信息从所述至少一个浏览访问对象信息中确定所述主播观众账号的浏览行为标签信息，根据预设人工智能模型对所述主播观众账号的浏览行为标签信息进行分析，生成所述主播观众账号的用户画像的步骤，包括：

比较所述当前正浏览关系特征和所述当前负浏览关系特征，得到浏览倾向信息；

从所述浏览倾向信息中选择倾向度最高的浏览倾向信息，得到目标浏览倾向信息；

从所述至少一个浏览访问对象信息中，确定与所述目标浏览倾向信息匹配的浏览访问对象信息，得到目标浏览访问对象信息；

计算所述目标浏览访问对象信息和所述关联画像特征目标的浏览行为参数，得到当前浏览行为参数，获取历史浏览行为参数；所述历史浏览行为参数为所述比较浏览节点之前的历史浏览节点所对应的浏览行为参数；

根据所述当前浏览行为参数和所述历史浏览行为参数，从所述至少一个浏览访问对象信息中确定所述主播观众账号的浏览行为标签信息；

根据预设人工智能模型对所述主播观众账号的浏览行为标签信息进行分析，生成所述主播观众账号的用户画像。

在第一方面的一种可能的实现方式中，所述比较所述当前正浏览关系特征和所述当前负浏览关系特征，得到浏览倾向信息的步骤，包括：

比较所述当前正浏览关系特征和所述当前负浏览关系特征之间的浏览关系特征差异；

根据所述浏览关系特征差异所对应的浏览倾向浏览关系得到浏览倾向信息。

在第一方面的一种可能的实现方式中，所述根据所述当前浏览行为参数和所述历史浏览行为参数，从所述至少一个浏览访问对象信息中确定所述主播观众账号的浏览行为标签信息的步骤，包括：

获取所述当前浏览行为参数与所述历史浏览行为参数之间的重合浏览行为参数；

根据所述重合浏览行为参数，从所述至少一个浏览访问对象信息中确定相关联的所述主播观众账号的浏览行为标签信息。

在第一方面的一种可能的实现方式中，所述根据预设人工智能模型对所述主播观众账号的浏览行为标签信息进行分析，生成所述主播观众账号的用户画像的步骤，包括：

根据所述预设人工智能模型对所述主播观众账号的浏览行为标签信息中每个浏览行为标签项目进行分析识别，确定出所述每个浏览行为标签项目的候选画像特征，并根据所述候选画像特征，确定所述浏览行为标签项目的主画像分布信息，基于所述主画像分布信息查找出所述浏览行为标签项目对应的从画像分布信息，根据所述从画像分布信息将所述每个浏览行为标签项目合并为至少一个浏览行为标签项目展示条；

基于每个浏览行为标签项目展示条获取所述每个浏览行为标签项目展示条对应的用于表征对所述每个浏览行为标签项目展示条进行画像解析的画像解析参数；

根据所述画像解析参数确定出所述每个浏览行为标签项目展示条在映射所述浏览行为标签项目时的映射信息，根据每个映射信息的映射逻辑关系对所述每个浏览行为标签项目展示条进行融合，得到融合浏览行为标签项目展示条；

根据所述融合浏览行为标签项目展示条上的融合标签项目节点提取对应的融合标签项目节点画像信息，将所述融合标签项目节点画像信息按照不同对象展示标签分组，计算每个对象展示标签的画像调节信息，并根据所述画像调节信息选取融合标签项目节点画像区间；

在根据所述融合标签项目节点画像区间在所述融合标签项目节点画像信息中生成用于对用户画像进行更新的更新流程时，根据所述更新流程获取所述融合标签项目节点画像区间对应的画像映射标签编码；

生成用于记录所述画像映射标签编码的映射位空间，将所述画像映射标签编码映射至所述映射位空间，根据所述融合标签项目节点画像信息的对象展示标签设置所述画像映射标签编码的映射关联信息；

根据所述映射关联信息判断所述融合标签项目节点画像信息是否匹配所述用户画像，在所述融合标签项目节点画像信息匹配所述用户画像时，根据所述更新流程确定对所述用户画像进行更新的至少一个更新参数，以根据所述至少一个更新参数更新出所述用户画像。

在第一方面的一种可能的实现方式中，所述方法还包括：

根据所述主播观众账号的用户画像为所述主播观众账号分配对应的直播商品场景信息。

第四方面，本公开实施例还提供一种基于电子商务大数据的用户画像解析装置，其特征在于，应用于与多个视频直播终端通信连接的人工智能平台，所述装置包括：

第一获取模块，用于获取所述直播观众账号的视频直播终端对于所述直播观众账号的直播商品推荐信息的浏览行为信息，从所述浏览行为信息对应的浏览节点集合的初始浏览节点中，确定包括画像特征目标的目标浏览对象信息；

第二获取模块，用于从所述浏览节点集合的比较浏览节点中，获取与关联画像特征目标对应的至少一个浏览访问对象信息，所述比较浏览节点为所述浏览节点集合中除所述初始浏览节点之外的任一浏览节点，所述关联画像特征目标为所述画像特征目标对应的主播观众账号在所述比较浏览节点的关联浏览节点中的画像目标；

第一提取模块，用于对当前浏览访问对象信息和所述目标浏览对象信息均进行特征提取，得到分别对应的当前浏览特征向量和目标浏览特征向量；所述当前浏览访问对象信息为所述至少一个浏览访问对象信息中的任一浏览访问对象信息；

第二提取模块，用于对所述当前浏览特征向量和所述目标浏览特征向量进行浏览关系特征的提取，得到当前正浏览关系特征和当前负浏览关系特征；所述当前正浏览关系特征和所述当前负浏览关系特征均为浏览关系特征；

画像分析模块，用于比较所述当前正浏览关系特征和所述当前负浏览关系特征，得到浏览倾向信息，并基于所述浏览倾向信息从所述至少一个浏览访问对象信息中确定所述主播观众账号的浏览行为标签信息，根据预设人工智能模型对所述主播观众账号的浏览行为标签信息进行分析，生成所述主播观众账号的用户画像。

第三方面，本公开实施例还提供一种基于电子商务大数据的用户画像解析系统，所述基于电子商务大数据的用户画像解析系统包括人工智能平台以及与所述人工智能平台通信连接的多个视频直播终端；

所述人工智能平台，用于获取所述直播观众账号的视频直播终端对于所述直播观众账号的直播商品推荐信息的浏览行为信息，从所述浏览行为信息对应的浏览节点集合的初始浏览节点中，确定包括画像特征目标的目标浏览对象信息；

所述人工智能平台，用于从所述浏览节点集合的比较浏览节点中，获取与关联画像特征目标对应的至少一个浏览访问对象信息，所述比较浏览节点为所述浏览节点集合中除所述初始浏览节点之外的任一浏览节点，所述关联画像特征目标为所述画像特征目标对应的主播观众账号在所述比较浏览节点的关联浏览节点中的画像目标；

所述人工智能平台，用于对当前浏览访问对象信息和所述目标浏览对象信息均进行特征提取，得到分别对应的当前浏览特征向量和目标浏览特征向量；所述当前浏览访问对象信息为所述至少一个浏览访问对象信息中的任一浏览访问对象信息；

所述人工智能平台，用于对所述当前浏览特征向量和所述目标浏览特征向量进行浏览关系特征的提取，得到当前正浏览关系特征和当前负浏览关系特征；所述当前正浏览关系特征和所述当前负浏览关系特征均为浏览关系特征；

所述人工智能平台，用于比较所述当前正浏览关系特征和所述当前负浏览关系特征，得到浏览倾向信息，并基于所述浏览倾向信息从所述至少一个浏览访问对象信息中确定所述主播观众账号的浏览行为标签信息，根据预设人工智能模型对所述主播观众账号的浏览行为标签信息进行分析，生成所述主播观众账号的用户画像。

第四方面，本公开实施例还提供一种人工智能平台，所述人工智能平台包括处理器、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视频直播终端通信连接，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设计中的基于电子商务大数据的用户画像解析方法。

第五方面，本公开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设计中的基于电子商务大数据的用户画像解析方法。

基于上述任意一个方面，本公开通过获取直播观众账号的视频直播终端对于直播观众账号的直播商品推荐信息的浏览行为信息，然后进行深度分析后得到当前正浏览关系特征和当前负浏览关系特征，通过比较后得到浏览倾向信息，并基于浏览倾向信息确定主播观众账号的浏览行为标签信息，然后根据预设人工智能模型对主播观众账号的浏览行为标签信息进行分析，生成主播观众账号的用户画像。如此，能够实现观众对于直播商品推荐信息的进一步浏览行为的深度挖掘，从而有效挖掘观众的浏览倾向，扩展针对观众的用户画像的分析过程的深度维度，以便于后续的信息推送和观众体验优化。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，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为本公开实施例提供的基于电子商务大数据的用户画像解析系统的应用场景示意图；

图2为本公开实施例提供的基于电子商务大数据的用户画像解析方法的流程示意图；

图3为本公开实施例提供的基于电子商务大数据的用户画像解析装置的功能模块示意图；

图4为本公开实施例提供的用于实现上述的基于电子商务大数据的用户画像解析方法的人工智能平台的结构示意框图。

具体实施方式

下面结合说明书附图对本公开进行具体说明，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是本公开一种实施例提供的基于电子商务大数据的用户画像解析系统10的互动示意图。基于电子商务大数据的用户画像解析系统10可以包括人工智能平台100以及与所述人工智能平台100通信连接的视频直播终端200。图1所示的基于电子商务大数据的用户画像解析系统10仅为一种可行的示例，在其它可行的实施例中，该基于电子商务大数据的用户画像解析系统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。

本实施例中，视频直播终端200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等，或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理、游戏设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。

本实施例中，基于电子商务大数据的用户画像解析系统10中的人工智能平台100和视频直播终端200可以通过配合执行以下方法实施例所描述的基于电子商务大数据的用户画像解析方法，具体人工智能平台100和视频直播终端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为本公开实施例提供的基于电子商务大数据的用户画像解析方法的流程示意图，本实施例提供的基于电子商务大数据的用户画像解析方法可以由图1中所示的人工智能平台100执行，下面对该基于电子商务大数据的用户画像解析方法进行详细介绍。

步骤S110，获取直播观众账号的视频直播终端200对于直播观众账号的直播商品推荐信息的浏览行为信息，从浏览行为信息对应的浏览节点集合的初始浏览节点中，确定包括画像特征目标的目标浏览对象信息。

步骤S120，从浏览节点集合的比较浏览节点中，获取与关联画像特征目标对应的至少一个浏览访问对象信息。

步骤S130，对当前浏览访问对象信息和目标浏览对象信息均进行特征提取，得到分别对应的当前浏览特征向量和目标浏览特征向量。

步骤S140，对当前浏览特征向量和目标浏览特征向量进行浏览关系特征的提取，得到当前正浏览关系特征和当前负浏览关系特征。

步骤S150，比较当前正浏览关系特征和当前负浏览关系特征，得到浏览倾向信息，并基于浏览倾向信息从至少一个浏览访问对象信息中确定主播观众账号的浏览行为标签信息，根据预设人工智能模型对主播观众账号的浏览行为标签信息进行分析，生成主播观众账号的用户画像。

本实施例中，线上互动直播商品可以是任意进行商品宣传和展示的商品，例如可以是但不限于电子产品、农产品、婴幼儿产品、孕妇产品等等，但不限于此。

本实施例中，浏览行为信息可以用于表示主播观众账号在浏览直播商品推荐信息过程中产生的一系列信息，例如链接点击信息、商品停留信息、商品下单信息等等，在此不作具体限定。

本实施例中，比较浏览节点可以为浏览节点集合中除初始浏览节点之外的任一浏览节点，关联画像特征目标可以为画像特征目标对应的主播观众账号在比较浏览节点的关联浏览节点中的画像目标。其中，每个浏览节点可以是指某个浏览行为过程中的各个节点（例如时间节点等）。画像目标可以是指画像分析时所需要获取的对象目标。

本实施例中，当前浏览访问对象信息可以为至少一个浏览访问对象信息中的任一浏览访问对象信息。当前正浏览关系特征和当前负浏览关系特征均为浏览关系特征。其中值得说明的是，当前正浏览关系特征和当前负浏览关系特征可以是指主播观众账号产生的浏览行为在浏览倾向维度的倾向行为特征。

本实施例中，预设人工智能模型可以预先进行训练，例如可以预先根据样本浏览行为标签信息和对应的用户画像类别输入到初始人工智能模型中进行训练获得。

基于上述步骤，本实施例通过获取直播观众账号的视频直播终端对于直播观众账号的直播商品推荐信息的浏览行为信息，然后进行深度分析后得到当前正浏览关系特征和当前负浏览关系特征，通过比较后得到浏览倾向信息，并基于浏览倾向信息确定主播观众账号的浏览行为标签信息，然后根据预设人工智能模型对主播观众账号的浏览行为标签信息进行分析，生成主播观众账号的用户画像。如此，能够实现观众对于直播商品推荐信息的进一步浏览行为的深度挖掘，从而有效挖掘观众的浏览倾向，扩展针对观众的用户画像的分析过程的深度维度，以便于后续的信息推送和观众体验优化。

在一种可能的实现方式中，针对步骤S110，在获取直播观众账号的视频直播终端200对于直播观众账号的直播商品推荐信息的浏览行为信息的过程中，可以通过以下子步骤具体实现，详细描述如下。

子步骤S111，获取视频直播终端200发起互动的线上互动直播商品，并根据线上互动直播商品的直播图形互动标签确定图像互动区域，获取图像互动区域对应的各个直播观众账号的互动行为序列和互动类型转换信息。

子步骤S112，将互动行为序列和互动类型转换信息分别输入至训练得到的信息推送网络，通过信息推送网络的第一特征向量提取层提取各个直播观众账号的第一互动特征向量，通过信息推送网络的第二特征向量提取层提取各个直播观众账号的第二互动特征向量。

子步骤S113，通过信息推送网络的特征向量融合层对第一互动特征向量和第二互动特征向量进行融合得到目标互动特征向量。

子步骤S114，根据目标互动特征向量确定各个直播观众账号对应线上互动直播商品的直播互动热点节点，并根据直播互动热点节点分别生成对应的各个直播观众账号的直播商品推荐信息，将直播商品推荐信息发送给对应的视频直播终端200。

子步骤S115，获取视频直播终端200对于直播观众账号的直播商品推荐信息的浏览行为信息。

本实施例中，直播图形互动标签可以是指观众在发起直播图形互动时产生的互动控件类型，例如可以是指在某个线上互动直播商品的某个互动区域中的互动控件类型，或者也可以是指某个线上互动直播商品的某个互动时间节点的互动控件类型，互动控件类型可以表示互动过程中的控件类别，例如“点赞”、“喜欢”等。

本实施例中，图像互动区域可以根据直播图形互动标签所在的节点具体确定，例如直播图形互动标签所在的节点为线上互动直播商品A在直播过程中的互动区域B，那么图像互动区域则为该互动区域B。

本实施例中，互动行为序列可以用于表征具体产生的互动行为（例如弹幕行为、礼物行为等），互动类型转换信息可以用于表征具体产生的互动行为类型的前后转换过程，例如从弹幕行为切换到礼物行为过程中的信息。

本实施例中，直播互动热点节点可以用于表示针对每个直播观众账号而言所对应的兴趣点信息，例如针对某个线上互动直播商品A的直播过程中的关联商品C，或者临时提及到的下一次发布的线上互动直播商品D等，在此不作具体限定。

基于上述步骤，本实施例根据线上互动直播商品的直播图形互动标签确定图像互动区域，然后获取图像互动区域对应的各个直播观众账号的互动行为序列和互动类型转换信息，而后提取各个直播观众账号的第一互动特征向量和各个直播观众账号的第二互动特征向量，并对其进行融合得到目标互动特征向量后，确定各个直播观众账号对应线上互动直播商品的直播互动热点节点，由此进行直播商品推荐信息的推送。如此，能够基于观众在线上互动直播商品的直播过程中的图形互动情况对观众的互动行为特征进行有效挖掘，从而为观众推送其可能感兴趣的直播商品推荐信息，以便于减少观众的搜索成本和查找成本。

在一种可能的实现方式中，针对子步骤S111，互动类型转换信息具体可以包括互动节点、转换类型和互动图像位置。

其中，互动节点可以是指互动类型转换时的时间节点或者区域节点，转换类型可以是指互动类型转换前的互动类型和互动类型转换后的互动类型，互动图像位置可以是指互动类型转换时互动图像所在的位置。

在此基础上，针对步骤S112，可以通过以下示例性子步骤具体实现，详细描述如下。

子步骤S1121，将互动行为序列输入至第一特征向量提取层，对互动行为序列中的互动行为进行特征提取，得到对应的互动行为特征。

子步骤S1122，利用第一特征向量提取层和直播图形互动标签相应的互动偏向参数对互动行为特征进行特征偏移处理，得到特征偏移处理后的互动行为特征。

子步骤S1123，根据特征偏移处理后的互动行为特征提取各个直播观众账号的第一互动特征向量。

子步骤S1124，将互动类型转换信息输入至第二特征向量提取层，对互动类型转换信息进行特征抽取，得到互动节点特征、互动图像位置特征和转换类型特征。

子步骤S1125，利用第二特征向量提取层和直播图形互动标签相应的互动偏向参数对互动节点特征、互动图像位置特征和转换类型特征进行特征偏移处理，得到互动类型转换信息阵列。

子步骤S1126，获取互动行为序列对应的互动行为特征，将互动行为特征输入至互动类型转换信息阵列进行特征融合，得到融合后的特征向量阵列，根据特征向量阵列提取各个直播观众账号的第二互动特征向量。

在一种可能的实现方式中，针对步骤S113，为了提高融合效率，本实施例可以通过信息推送网络的特征向量融合层对第一互动特征向量和第二互动特征向量分别各自一一对应的特征向量节点进行融合得到目标互动特征向量。

在一种可能的实现方式中，针对步骤S114，为了准确确定各个直播观众账号对应线上互动直播商品的直播互动热点节点，可以通过以下示例性子步骤具体实现，详细描述如下。

子步骤S1141，从目标互动特征向量中获取由参与线上互动直播商品的互动的互动项目对应的互动项目特征数据，其中，互动项目特征数据通过采用与相应互动项目的互动项目关联商品匹配的特征表达形式，对目标互动特征向量中的互动项目过程向量进行特征嵌入式表达得到。

子步骤S1142，按照与各特征表达形式分别匹配的特征映射方式，对相应各个互动项目发送的互动项目特征数据进行特征映射，得到相应的互动项目过程向量。

子步骤S1143，对各互动项目过程向量分别进行互动规律分析，确定与各互动项目对应的互动规律兴趣度。其中，互动规律兴趣度用于反映参与线上互动直播商品的互动项目的互动的兴趣程度。

子步骤S1144，从各互动项目对应的互动规律兴趣度中筛选出互动规律最高兴趣度，并按照各互动项目对应的互动规律兴趣度分别与互动规律最高兴趣度间的对比值，确定各互动项目分别对应的互动规律比较度。其中，互动项目对应的互动规律比较度与相对应的对比值呈正相关。

子步骤S1145，对互动规律比较度大于设定互动规律比较度的互动项目的互动项目过程向量进行节点源追溯，得到各个直播观众账号对应线上互动直播商品的直播互动热点节点，其中，直播互动热点节点用于表示在互动过程中的互动对象或者互动结果。

在一种可能的实现方式中，针对步骤S110，在从浏览行为信息对应的浏览节点集合的初始浏览节点中，确定包括画像特征目标的目标浏览对象信息过程中，可以从浏览行为信息对应的浏览节点集合的比较浏览节点中，获取画像特征目标的所对应的浏览对象区域，得到目标浏览对象信息。

同时，针对步骤S120，在从浏览节点集合的比较浏览节点中，获取与关联画像特征目标对应的至少一个浏览访问对象信息的过程中，可以通过以下示例性子步骤具体实现，详细描述如下。

子步骤S121，在比较浏览节点中，确定与关联画像特征目标对应的目标浏览行为标签信息。

子步骤S122，以目标浏览行为标签信息为搜索目标，根据预设搜索范围，获取至少一个搜索区间，对至少一个搜索区间的浏览访问对象信息搜索，得到与关联画像特征目标对应的至少一个浏览访问对象信息。

本实施例中，预设搜索范围可以为预先设置的用于确定不同类型的浏览行为标签的搜索区域的搜索区间。

在一种可能的实现方式中，针对步骤S130，可以通过以下示例性子步骤具体实现，详细描述如下。

子步骤S131，对当前浏览访问对象信息和目标浏览对象信息均进行朴素贝叶斯特征提取，得到分别对应的当前朴素贝叶斯特征和目标朴素贝叶斯特征。

子步骤S132，对当前朴素贝叶斯特征和目标朴素贝叶斯特征均进行特征向量提取，得到分别对应的当前浏览特征向量和目标浏览特征向量。

在一种可能的实现方式中，针对步骤S140，可以通过以下示例性子步骤具体实现，详细描述如下。

子步骤S141，对当前浏览特征向量和目标浏览特征向量所涉及的各浏览特征区间进行进行浏览关系特征的提取，确定直播观众账号对应的浏览关系描述向量。

子步骤S142，根据浏览关系描述向量确定关联浏览向量片段序列，并提取浏览关系描述向量的浏览频繁向量片段及以设定阈值为浏览向量片段区间，提取浏览频繁向量片段关联关联浏览向量片段序列的集中关联浏览向量片段，其中，浏览频繁向量片段用于表示浏览关系描述向量中在浏览关系描述轴中的可关联向量点数量大于设定数量所形成的向量片段。

子步骤S143，根据集中关联浏览向量片段中关联的至少两个集中关联浏览向量点，将集中关联浏览向量点所对应的轴区间段按照向量倾向方向生成多个向量倾向单元，并计算下一个集中关联浏览向量点中的所有轴区间段与上一个集中关联浏览向量点中所有轴区间段间的重叠区间段，并根据得到的每个重叠区间段得到对应的向量倾向方向表。

子步骤S144，根据向量倾向方向表，获取向量倾向方向相匹配且两向量倾向单元的各轴区间段之间的重叠区间段小于浏览关系描述向量在该重叠区间段内的最大持续重叠区间段的向量倾向单元以形成集中关联浏览向量点空间。

子步骤S145，对每一集中关联浏览向量点空间中的向量点空间进行匹配，得到匹配的每一集中关联浏览向量点空间的匹配区间，并根据每一集中关联浏览向量点空间的匹配区间在浏览关系描述轴的方向。

子步骤S146，根据每一集中关联浏览向量点空间的匹配区间在浏览关系描述轴的方向确定正方向和负方向，并将确定的正方向和负方向分别对应的集中关联浏览向量点空间的匹配区间的特征信息，作为当前正浏览关系特征和当前负浏览关系特征。

在一种可能的实现方式中，针对步骤S150，可以通过以下示例性子步骤具体实现，详细描述如下。

子步骤S151，比较当前正浏览关系特征和当前负浏览关系特征，得到浏览倾向信息。

子步骤S152，从浏览倾向信息中选择倾向度最高的浏览倾向信息，得到目标浏览倾向信息。

子步骤S153，从至少一个浏览访问对象信息中，确定与目标浏览倾向信息匹配的浏览访问对象信息，得到目标浏览访问对象信息。

子步骤S154，计算目标浏览访问对象信息和关联画像特征目标的浏览行为参数，得到当前浏览行为参数，获取历史浏览行为参数。历史浏览行为参数为比较浏览节点之前的历史浏览节点所对应的浏览行为参数。

子步骤S155，根据当前浏览行为参数和历史浏览行为参数，从至少一个浏览访问对象信息中确定主播观众账号的浏览行为标签信息。

子步骤S156，根据预设人工智能模型对主播观众账号的浏览行为标签信息进行分析，生成主播观众账号的用户画像。

在一种可能的实现方式中，在子步骤S151中，可以通过以下示例性实施方式具体实现。

（1）比较当前正浏览关系特征和当前负浏览关系特征之间的浏览关系特征差异。

（2）根据浏览关系特征差异所对应的浏览倾向浏览关系得到浏览倾向信息。

在一种可能的实现方式中，在子步骤S155中，可以通过以下示例性实施方式具体实现。

（1）获取当前浏览行为参数与历史浏览行为参数之间的重合浏览行为参数。

（2）根据重合浏览行为参数，从至少一个浏览访问对象信息中确定相关联的主播观众账号的浏览行为标签信息。

在一种可能的实现方式中，在子步骤S156中，可以通过以下示例性实施方式具体实现。

（1）根据预设人工智能模型对主播观众账号的浏览行为标签信息中每个浏览行为标签项目进行分析识别，确定出每个浏览行为标签项目的候选画像特征，并根据候选画像特征，确定浏览行为标签项目的主画像分布信息，基于主画像分布信息查找出浏览行为标签项目对应的从画像分布信息，根据从画像分布信息将每个浏览行为标签项目合并为至少一个浏览行为标签项目展示条。

（2）基于每个浏览行为标签项目展示条获取每个浏览行为标签项目展示条对应的用于表征对每个浏览行为标签项目展示条进行画像解析的画像解析参数。

（3）根据画像解析参数确定出每个浏览行为标签项目展示条在映射浏览行为标签项目时的映射信息，根据每个映射信息的映射逻辑关系对每个浏览行为标签项目展示条进行融合，得到融合浏览行为标签项目展示条。

（4）根据融合浏览行为标签项目展示条上的融合标签项目节点提取对应的融合标签项目节点画像信息，将融合标签项目节点画像信息按照不同对象展示标签分组，计算每个对象展示标签的画像调节信息，并根据画像调节信息选取融合标签项目节点画像区间。

（5）在根据融合标签项目节点画像区间在融合标签项目节点画像信息中生成用于对用户画像进行更新的更新流程时，根据更新流程获取融合标签项目节点画像区间对应的画像映射标签编码。

（6）生成用于记录画像映射标签编码的映射位空间，将画像映射标签编码映射至映射位空间，根据融合标签项目节点画像信息的对象展示标签设置画像映射标签编码的映射关联信息。

（7）根据映射关联信息判断融合标签项目节点画像信息是否匹配用户画像，在融合标签项目节点画像信息匹配用户画像时，根据更新流程确定对用户画像进行更新的至少一个更新参数，以根据至少一个更新参数更新出用户画像。

由此，在确定出每个主播观众账号的用户画像后，即可根据主播观众账号的用户画像为主播观众账号分配对应的直播商品场景信息，从而为主播观众账号进一步深度推荐感兴趣的直播商品，并结合具体的直播商品场景使得主播观众账号能够关注更多与感兴趣的直播商品类似的其它商品。

图3为本公开实施例提供的基于电子商务大数据的用户画像解析装置300的功能模块示意图，本实施例可以根据上述人工智能平台100执行的方法实施例对该基于电子商务大数据的用户画像解析装置300进行功能模块的划分，也即该基于电子商务大数据的用户画像解析装置300所对应的以下各个功能模块可以用于执行上述人工智能平台100执行的各个方法实施例。其中，该基于电子商务大数据的用户画像解析装置300可以包括第一获取模块310、第二获取模块320、第一提取模块330、第二提取模块340以及画像分析模块350，下面分别对该基于电子商务大数据的用户画像解析装置300的各个功能模块的功能进行详细阐述。

第一获取模块310，用于获取直播观众账号的视频直播终端200对于直播观众账号的直播商品推荐信息的浏览行为信息，从浏览行为信息对应的浏览节点集合的初始浏览节点中，确定包括画像特征目标的目标浏览对象信息。其中，第一获取模块310可以用于执行上述的步骤S110，关于第一获取模块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。

第二获取模块320，用于从浏览节点集合的比较浏览节点中，获取与关联画像特征目标对应的至少一个浏览访问对象信息，比较浏览节点为浏览节点集合中除初始浏览节点之外的任一浏览节点，关联画像特征目标为画像特征目标对应的主播观众账号在比较浏览节点的关联浏览节点中的画像目标。其中，第二获取模块320可以用于执行上述的步骤S120，关于第二获取模块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。

第一提取模块330，用于对当前浏览访问对象信息和目标浏览对象信息均进行特征提取，得到分别对应的当前浏览特征向量和目标浏览特征向量。当前浏览访问对象信息为至少一个浏览访问对象信息中的任一浏览访问对象信息。其中，第一提取模块330可以用于执行上述的步骤S130，关于第一提取模块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。

第二提取模块340，用于对当前浏览特征向量和目标浏览特征向量进行浏览关系特征的提取，得到当前正浏览关系特征和当前负浏览关系特征。当前正浏览关系特征和当前负浏览关系特征均为浏览关系特征。其中，第二提取模块340可以用于执行上述的步骤S140，关于第二提取模块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。

画像分析模块350，用于比较当前正浏览关系特征和当前负浏览关系特征，得到浏览倾向信息，并基于浏览倾向信息从至少一个浏览访问对象信息中确定主播观众账号的浏览行为标签信息，根据预设人工智能模型对主播观众账号的浏览行为标签信息进行分析，生成主播观众账号的用户画像。其中，画像分析模块350可以用于执行上述的基于电子商务大数据的用户画像解析的步骤S150，关于画像分析模块350的详细实现方式可以参照上述针对步骤S150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，第一获取模块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第一获取模块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。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。

图4示出了本公开实施例提供的用于实现上述的控制设备的人工智能平台100的硬件结构示意图，如图4所示，人工智能平台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执行所述机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于电子商务大数据的用户画像解析装置300包括的第一获取模块310、第二获取模块320、第一提取模块330、第二提取模块340以及画像分析模块350），使得处理器110可以执行如上方法实施例的基于电子商务大数据的用户画像解析方法，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，从而可以与前述的视频直播终端200进行数据收发。

处理器110的具体实现过程可参见上述人工智能平台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单元(英文：Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，DSP)、专用集成电路(英文：ApplicationSpecificIntegrated Circuit，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，本公开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，实现如上基于电子商务大数据的用户画像解析方法。

上述的可读存储介质可以是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。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (10)

1.一种基于电子商务大数据的用户画像解析方法，其特征在于，应用于与多个视频直播终端通信连接的人工智能平台，所述方法包括：

获取所述直播观众账号的视频直播终端对于所述直播观众账号的直播商品推荐信息的浏览行为信息，从所述浏览行为信息对应的浏览节点集合的初始浏览节点中，确定包括画像特征目标的目标浏览对象信息；

从所述浏览节点集合的比较浏览节点中，获取与关联画像特征目标对应的至少一个浏览访问对象信息，所述比较浏览节点为所述浏览节点集合中除所述初始浏览节点之外的任一浏览节点，所述关联画像特征目标为所述画像特征目标对应的主播观众账号在所述比较浏览节点的关联浏览节点中的画像目标；

对当前浏览访问对象信息和所述目标浏览对象信息均进行特征提取，得到分别对应的当前浏览特征向量和目标浏览特征向量；所述当前浏览访问对象信息为所述至少一个浏览访问对象信息中的任一浏览访问对象信息；

对所述当前浏览特征向量和所述目标浏览特征向量进行浏览关系特征的提取，得到当前正浏览关系特征和当前负浏览关系特征；所述当前正浏览关系特征和所述当前负浏览关系特征均为浏览关系特征；

比较所述当前正浏览关系特征和所述当前负浏览关系特征，得到浏览倾向信息，并基于所述浏览倾向信息从所述至少一个浏览访问对象信息中确定所述主播观众账号的浏览行为标签信息，根据预设人工智能模型对所述主播观众账号的浏览行为标签信息进行分析，生成所述主播观众账号的用户画像；

所述浏览行为信息用于表示主播观众账号在浏览直播商品推荐信息过程中产生的一系列信息，所述一系列信息包括链接点击信息、商品停留信息、商品下单信息；

所述每个浏览节点是指浏览行为过程中的各个节点，所述画像目标是指画像分析时所需要获取的对象目标；

所述当前正浏览关系特征和当前负浏览关系特征均为浏览关系特征，所述当前正浏览关系特征和当前负浏览关系特征是指主播观众账号产生的浏览行为在浏览倾向维度的倾向行为特征；

所述预设人工智能模型预先根据样本浏览行为标签信息和对应的用户画像类别输入到初始人工智能模型中进行训练获得。

2.根据权利要求1所述的基于电子商务大数据的用户画像解析方法，其特征在于，所述从所述浏览行为信息对应的浏览节点集合的初始浏览节点中，确定包括画像特征目标的目标浏览对象信息的步骤，包括：

从所述浏览行为信息对应的所述浏览节点集合的所述比较浏览节点中，获取所述画像特征目标的所对应的浏览对象区域，得到所述目标浏览对象信息；

所述从所述浏览节点集合的比较浏览节点中，获取与关联画像特征目标对应的至少一个浏览访问对象信息的步骤，包括：

在所述比较浏览节点中，确定与所述关联画像特征目标对应的目标浏览行为标签信息；

以所述目标浏览行为标签信息为搜索目标，根据预设搜索范围，获取至少一个搜索区间，对所述至少一个搜索区间的浏览访问对象信息搜索，得到与所述关联画像特征目标对应的所述至少一个浏览访问对象信息，其中，所述预设搜索范围为预先设置的用于确定不同类型的浏览行为标签的搜索区域的搜索区间。

3.根据权利要求1所述的基于电子商务大数据的用户画像解析方法，其特征在于，所述对当前浏览访问对象信息和所述目标浏览对象信息均进行特征提取，得到分别对应的当前浏览特征向量和目标浏览特征向量的步骤，包括：

对所述当前浏览访问对象信息和所述目标浏览对象信息均进行朴素贝叶斯特征提取，得到分别对应的当前朴素贝叶斯特征和目标朴素贝叶斯特征；

对所述当前朴素贝叶斯特征和所述目标朴素贝叶斯特征均进行特征向量提取，得到分别对应的所述当前浏览特征向量和所述目标浏览特征向量。

4.根据权利要求1所述的基于电子商务大数据的用户画像解析方法，其特征在于，所述对所述当前浏览特征向量和所述目标浏览特征向量进行浏览关系特征的提取，得到当前正浏览关系特征和当前负浏览关系特征，包括：

对所述当前浏览特征向量和所述目标浏览特征向量所涉及的各浏览特征区间进行进行浏览关系特征的提取，确定所述直播观众账号对应的浏览关系描述向量；

根据所述浏览关系描述向量确定关联浏览向量片段序列，并提取所述浏览关系描述向量的浏览频繁向量片段及以设定阈值为浏览向量片段区间，提取所述浏览频繁向量片段关联所述关联浏览向量片段序列的集中关联浏览向量片段，其中，所述浏览频繁向量片段用于表示所述浏览关系描述向量中在浏览关系描述轴中的可关联向量点数量大于设定数量所形成的向量片段；

根据所述集中关联浏览向量片段中关联的至少两个集中关联浏览向量点，将集中关联浏览向量点所对应的轴区间段按照向量倾向方向生成多个向量倾向单元，并计算下一个集中关联浏览向量点中的所有轴区间段与上一个集中关联浏览向量点中所有轴区间段间的重叠区间段，并根据得到的每个重叠区间段得到对应的向量倾向方向表；

根据所述向量倾向方向表，获取向量倾向方向相匹配且两向量倾向单元的各轴区间段之间的重叠区间段小于所述浏览关系描述向量在该重叠区间段内的最大持续重叠区间段的向量倾向单元以形成集中关联浏览向量点空间；

对每一集中关联浏览向量点空间中的向量点空间进行匹配，得到匹配的每一集中关联浏览向量点空间的匹配区间，并根据所述每一集中关联浏览向量点空间的匹配区间在所述浏览关系描述轴的方向；

根据所述每一集中关联浏览向量点空间的匹配区间在所述浏览关系描述轴的方向确定正方向和负方向，并将确定的所述正方向和负方向分别对应的集中关联浏览向量点空间的匹配区间的特征信息，作为当前正浏览关系特征和当前负浏览关系特征。

5.根据权利要求1所述的基于电子商务大数据的用户画像解析方法，其特征在于，所述比较所述当前正浏览关系特征和所述当前负浏览关系特征，得到浏览倾向信息，并基于所述浏览倾向信息从所述至少一个浏览访问对象信息中确定所述主播观众账号的浏览行为标签信息，根据预设人工智能模型对所述主播观众账号的浏览行为标签信息进行分析，生成所述主播观众账号的用户画像的步骤，包括：

比较所述当前正浏览关系特征和所述当前负浏览关系特征，得到浏览倾向信息；

从所述浏览倾向信息中选择倾向度最高的浏览倾向信息，得到目标浏览倾向信息；

从所述至少一个浏览访问对象信息中，确定与所述目标浏览倾向信息匹配的浏览访问对象信息，得到目标浏览访问对象信息；

计算所述目标浏览访问对象信息和所述关联画像特征目标的浏览行为参数，得到当前浏览行为参数，获取历史浏览行为参数；所述历史浏览行为参数为所述比较浏览节点之前的历史浏览节点所对应的浏览行为参数；

根据所述当前浏览行为参数和所述历史浏览行为参数，从所述至少一个浏览访问对象信息中确定所述主播观众账号的浏览行为标签信息；

根据预设人工智能模型对所述主播观众账号的浏览行为标签信息进行分析，生成所述主播观众账号的用户画像。

6.根据权利要求5所述的基于电子商务大数据的用户画像解析方法，其特征在于，所述比较所述当前正浏览关系特征和所述当前负浏览关系特征，得到浏览倾向信息的步骤，包括：

比较所述当前正浏览关系特征和所述当前负浏览关系特征之间的浏览关系特征差异；

根据所述浏览关系特征差异所对应的浏览倾向浏览关系得到浏览倾向信息。

7.根据权利要求5所述的基于电子商务大数据的用户画像解析方法，其特征在于，所述根据所述当前浏览行为参数和所述历史浏览行为参数，从所述至少一个浏览访问对象信息中确定所述主播观众账号的浏览行为标签信息的步骤，包括：

获取所述当前浏览行为参数与所述历史浏览行为参数之间的重合浏览行为参数；

根据所述重合浏览行为参数，从所述至少一个浏览访问对象信息中确定相关联的所述主播观众账号的浏览行为标签信息。

8.根据权利要求5所述的基于电子商务大数据的用户画像解析方法，其特征在于，所述根据预设人工智能模型对所述主播观众账号的浏览行为标签信息进行分析，生成所述主播观众账号的用户画像的步骤，包括：

根据所述预设人工智能模型对所述主播观众账号的浏览行为标签信息中每个浏览行为标签项目进行分析识别，确定出所述每个浏览行为标签项目的候选画像特征，并根据所述候选画像特征，确定所述浏览行为标签项目的主画像分布信息，基于所述主画像分布信息查找出所述浏览行为标签项目对应的从画像分布信息，根据所述从画像分布信息将所述每个浏览行为标签项目合并为至少一个浏览行为标签项目展示条；

基于每个浏览行为标签项目展示条获取所述每个浏览行为标签项目展示条对应的用于表征对所述每个浏览行为标签项目展示条进行画像解析的画像解析参数；

根据所述画像解析参数确定出所述每个浏览行为标签项目展示条在映射所述浏览行为标签项目时的映射信息，根据每个映射信息的映射逻辑关系对所述每个浏览行为标签项目展示条进行融合，得到融合浏览行为标签项目展示条；

根据所述融合浏览行为标签项目展示条上的融合标签项目节点提取对应的融合标签项目节点画像信息，将所述融合标签项目节点画像信息按照不同对象展示标签分组，计算每个对象展示标签的画像调节信息，并根据所述画像调节信息选取融合标签项目节点画像区间；

在根据所述融合标签项目节点画像区间在所述融合标签项目节点画像信息中生成用于对用户画像进行更新的更新流程时，根据所述更新流程获取所述融合标签项目节点画像区间对应的画像映射标签编码；

生成用于记录所述画像映射标签编码的映射位空间，将所述画像映射标签编码映射至所述映射位空间，根据所述融合标签项目节点画像信息的对象展示标签设置所述画像映射标签编码的映射关联信息；

根据所述映射关联信息判断所述融合标签项目节点画像信息是否匹配所述用户画像，在所述融合标签项目节点画像信息匹配所述用户画像时，根据所述更新流程确定对所述用户画像进行更新的至少一个更新参数，以根据所述至少一个更新参数更新出所述用户画像。

9.根据权利要求1-8中任意一项所述的基于电子商务大数据的用户画像解析方法，其特征在于，所述方法还包括：

根据所述主播观众账号的用户画像为所述主播观众账号分配对应的直播商品场景信息。

10.一种基于电子商务大数据的用户画像解析系统，其特征在于，所述基于电子商务大数据的用户画像解析系统包括人工智能平台以及与所述人工智能平台通信连接的多个视频直播终端；

所述人工智能平台，用于获取所述直播观众账号的视频直播终端对于所述直播观众账号的直播商品推荐信息的浏览行为信息，从所述浏览行为信息对应的浏览节点集合的初始浏览节点中，确定包括画像特征目标的目标浏览对象信息；

所述人工智能平台，用于从所述浏览节点集合的比较浏览节点中，获取与关联画像特征目标对应的至少一个浏览访问对象信息，所述比较浏览节点为所述浏览节点集合中除所述初始浏览节点之外的任一浏览节点，所述关联画像特征目标为所述画像特征目标对应的主播观众账号在所述比较浏览节点的关联浏览节点中的画像目标；

所述人工智能平台，用于对当前浏览访问对象信息和所述目标浏览对象信息均进行特征提取，得到分别对应的当前浏览特征向量和目标浏览特征向量；所述当前浏览访问对象信息为所述至少一个浏览访问对象信息中的任一浏览访问对象信息；

所述人工智能平台，用于对所述当前浏览特征向量和所述目标浏览特征向量进行浏览关系特征的提取，得到当前正浏览关系特征和当前负浏览关系特征；所述当前正浏览关系特征和所述当前负浏览关系特征均为浏览关系特征；

所述人工智能平台，用于比较所述当前正浏览关系特征和所述当前负浏览关系特征，得到浏览倾向信息，并基于所述浏览倾向信息从所述至少一个浏览访问对象信息中确定所述主播观众账号的浏览行为标签信息，根据预设人工智能模型对所述主播观众账号的浏览行为标签信息进行分析，生成所述主播观众账号的用户画像；

所述浏览行为信息用于表示主播观众账号在浏览直播商品推荐信息过程中产生的一系列信息，所述一系列信息包括链接点击信息、商品停留信息、商品下单信息；

所述每个浏览节点是指浏览行为过程中的各个节点，所述画像目标是指画像分析时所需要获取的对象目标；

所述当前正浏览关系特征和当前负浏览关系特征均为浏览关系特征，所述当前正浏览关系特征和当前负浏览关系特征是指主播观众账号产生的浏览行为在浏览倾向维度的倾向行为特征；

所述预设人工智能模型预先根据样本浏览行为标签信息和对应的用户画像类别输入到初始人工智能模型中进行训练获得。

Images