CN112600893A - 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 - Google Patents

Abstract

本申请实施例提供一种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，通过对软件应用大数据进行多业务挖掘场景模板的业务挖掘以及对应业务挖掘场景模板的业务信息推送引擎生成处理，并将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，基于所述业务更新推送应用程序对软件应用服务终端进行业务信息推送，实现了软件应用大数据层面的多业务挖掘场景模板的匹配过程，提高业务推送过程中的信息有效率，并结合业务挖掘关联关系应用到后续的业务推送过程中，能够在进行推送时保证多个业务挖掘场景的推送过程互不冲突，提升业务推送的有序性和合理性。

Description

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

技术领域

本申请涉及软件信息推送服务技术领域，具体而言，涉及一种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。

背景技术

随着互联网技术的发展，各种多种多样的软件应用成为用户的软件服务终端的线上业务对象，当前运营商通常都会基于软件应用过程中的大数据信息进行用户画像的挖掘，从而从海量人群中挖掘出潜在用户的需求，以便向挖掘出的潜在用户推送业务相关信息，例如产品更新信息、服务更新信息、新闻资讯更新信息等等。然而，在当前的业务推送过程中，通常是基于单种业务挖掘场景进行的，没有考虑到针对同一用户的软件开发应用大数据进行多种不同的业务挖掘场景的考虑，导致业务推送过程中存在信息遗漏或者缺失的情况。

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的软件应用数据挖掘方法及软件服务平台，通过对软件应用大数据进行多业务挖掘场景模板的业务挖掘以及对应业务挖掘场景模板的业务信息推送引擎生成处理，并将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序，并基于所述业务更新推送应用程序对软件应用服务终端进行业务信息推送，实现了软件应用大数据层面的多业务挖掘场景模板的匹配过程，提高业务推送过程中的信息有效率，并结合业务挖掘关联关系应用到后续的业务推送过程中，能够在进行推送时保证多个业务挖掘场景的推送过程互不冲突，提升业务推送的有序性和合理性。

第一方面，本申请提供种基于大数据定位的软件应用数据挖掘方法，其特征在于，应用于软件服务平台，所述软件服务平台与多个软件应用服务终端通信连接，所述方法包括：

对所述软件应用服务终端的软件应用大数据进行应用业务行为数据提取，得到所述软件应用大数据中每个应用业务行为数据的业务行为特征信息；

对所述软件应用大数据中每个应用业务行为数据分别进行多个业务挖掘场景模板的业务挖掘处理，得到对应每个业务挖掘场景模板的业务挖掘结果；

基于所述软件应用大数据中每个应用业务行为数据的业务行为特征信息以及每个业务挖掘场景模板的业务挖掘结果，确定对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像；

基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，生成对应业务挖掘场景模板的业务信息推送引擎，并将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序，并基于所述业务更新推送应用程序对所述软件应用服务终端进行业务信息推送。

在第一方面的一种可能的实现方式中，所述基于所述软件应用大数据中每个应用业务行为数据的业务行为特征信息以及每个业务挖掘场景模板的业务挖掘结果，确定对应每个业务挖掘场景模板的业务信息推送引擎中每个应用业务行为数据的业务挖掘画像之前，所述方法还包括：

将通过所述应用业务行为数据提取得到的每个应用业务行为数据的业务行为特征信息作为原始业务行为特征信息，对每个应用业务行为数据的原始业务行为特征信息进行应用更新处理，得到每个应用业务行为数据的更新业务行为特征信息，将每个应用业务行为数据的更新业务行为特征信息更新对应的原始业务行为特征信息。

在第一方面的一种可能的实现方式中，所述对每个应用业务行为数据的原始业务行为特征信息进行应用更新处理，得到每个应用业务行为数据的更新业务行为特征信息，包括：

针对所述软件应用大数据中任意一个应用业务行为数据，当所述应用业务行为数据的原始业务行为特征信息的业务行为知识点与至少一个相关联的最近应用业务行为数据的原始业务行为特征信息的业务行为知识点之间的差异小于预设差异时，将所述应用业务行为数据确定为非候选应用业务行为数据；其中，所述相关联的最近应用业务行为数据为位于所述任意一个应用业务行为数据的相关联业务的应用业务行为数据；

当所述应用业务行为数据的原始业务行为特征信息的业务行为知识点与每个相关联的最近应用业务行为数据的原始业务行为特征信息的业务行为知识点之间的差异不小于所述预设差异时，将所述应用业务行为数据确定为候选应用业务行为数据；

针对所述软件应用大数据中任意一个应用业务行为数据，当所述应用业务行为数据的连续数据段内中至少存在一个候选应用业务行为数据时，确定所述应用业务行为数据为待更新应用业务行为数据；

当所述应用业务行为数据的连续数据段内中不存在候选应用业务行为数据时，确定所述应用业务行为数据为维持应用业务行为数据；

将所述待更新应用业务行为数据的连续数据段内所有候选应用业务行为数据的原始业务行为特征信息进行更新处理，并将更新处理结果作为所述待更新应用业务行为数据的更新业务行为特征信息，其中，所述更新处理包括基于最新更新的业务模板对所述所有候选应用业务行为数据的原始业务行为特征信息中的业务行为知识点的数据权重进行更新处理；

保留所述维持应用业务行为数据的原始业务行为特征信息作为所述维持应用业务行为数据的更新业务行为特征信息。

在第一方面的一种可能的实现方式中，所述对所述软件应用大数据中每个应用业务行为数据分别进行多个业务挖掘场景模板的业务挖掘处理，得到对应每个业务挖掘场景模板的业务挖掘结果，包括：

将所述软件应用大数据中每个应用业务行为数据匹配到多个业务挖掘场景模板，分别进行每个业务挖掘场景模板所对应的挖掘规则的数据匹配和挖掘处理，得到对应每个业务挖掘场景模板的业务挖掘结果。

在第一方面的一种可能的实现方式中，所述每个业务挖掘场景模板的业务挖掘结果包括所述软件应用大数据中每个应用业务行为数据被映射到所述业务挖掘场景模板后进行业务挖掘后获得的兴趣挖掘图谱中的兴趣偏好信息，其中，所述兴趣挖掘图谱的业务分布区间与所述软件应用大数据的业务分布区间相同；

所述基于所述软件应用大数据中每个应用业务行为数据的业务行为特征信息以及每个业务挖掘场景模板的业务挖掘结果，确定对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，包括：

针对每个业务挖掘场景模板对应的兴趣挖掘图谱中每个待预测应用业务行为数据，确定所述待预测应用业务行为数据的贡献应用业务行为数据，其中，所述贡献应用业务行为数据是所述软件应用大数据中兴趣偏好信息位于所述待预测应用业务行为数据的连续数据段内的应用业务行为数据；

基于所述软件应用大数据中每个应用业务行为数据在所述业务挖掘场景模板的兴趣挖掘图谱中的兴趣偏好信息、以及所述软件应用大数据中每个应用业务行为数据的业务行为特征信息，确定所述贡献应用业务行为数据对应所述待预测应用业务行为数据的贡献权重；

基于每个所述贡献应用业务行为数据的贡献权重对每个所述贡献应用业务行为数据的业务挖掘画像进行加权处理，得到所述待预测应用业务行为数据的业务挖掘画像。

在第一方面的一种可能的实现方式中，所述基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，生成对应业务挖掘场景模板的业务信息推送引擎的步骤，包括：

基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，获取对应每个业务挖掘场景模板的初始化业务信息推送引擎的潜在画像流数据和扩展画像流数据；

对所述潜在画像流数据进行画像特征提取，得到第一画像特征信息，其中，所述潜在画像流数据用于表征对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像的直接关系的画像流数据，所述扩展画像流数据用于表征对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像的间接关系的画像流数据；

对所述扩展画像流数据中的扩展画像片段进行多解释维度解析，得到多解释维度解析特征，对所述多解释维度解析特征进行第一业务分段，并从所述第一业务分段的结果中确定画像解释向量序列，所述画像解释向量序列中任意画像解释向量的解释度大于预设阈值，其中，所述多解释维度解析特征用于表征所述扩展画像流数据中的扩展画像片段在多个解释维度的数据特征，所述解释维度用于表示针对所述扩展画像流数据中的扩展画像片段随业务变化所对信息推送策略产生影响的解释数据，所述解释度用于表示针对所述扩展画像流数据中的扩展画像片段随业务变化所对信息推送策略产生影响的影响因子；

确定所述画像解释向量序列中所有画像解释向量的推送策略热力分布；其中，所述推送策略热力分布包括所述画像解释向量序列中每个画像解释向量的单策略热力分布和若干个画像解释向量之间的多策略热力分布，所述若干个画像解释向量包括至少两个画像解释向量；

根据所述单策略热力分布和所述多策略热力分布，构建得到推送策略库，并根据所述推送策略库，构建业务信息推送索引；

对所述第一画像特征信息进行第二业务分段，并根据所述第二业务分段的结果构建参考推送策略后，根据所述业务信息推送索引，在所述推送策略库中确定所述参考推送策略对应的初始更新推送策略节点；

根据所述初始更新推送策略节点的置信度，确定目标更新推送策略节点，并通过所述目标更新推送策略节点对所述第一画像特征信息进行更新，得到第二画像特征信息；

基于所述第二画像特征信息对所述初始化业务信息推送引擎进行推送规则的更新配置，生成对应业务挖掘场景模板的业务信息推送引擎。

在第一方面的一种可能的实现方式中，所述根据所述初始更新推送策略节点的置信度，确定目标更新推送策略节点，至少包括以下步骤之一：

确定所述初始更新推送策略节点的候选热力值；

确定所述初始更新推送策略节点在所述推送策略库中的推送策略热力分布；

确定所述初始更新推送策略节点的推送策略节点片段个数趋势变化；

根据所述候选热力值、所述初始更新推送策略节点在所述推送策略库中的推送策略热力分布以及所述推送策略节点片段个数趋势变化，确定所述初始更新推送策略节点的置信度；

根据所述初始更新推送策略节点的置信度，将所述初始更新推送策略节点中满足第一预设条件的初始更新推送策略节点确定为目标更新推送策略节点；或者

对过往订阅画像特征信息进行标注，并根据标注结果构建训练样本；其中，所述训练样本的内容包括过往订阅的标识、每个过往订阅对应的过往订阅推送策略以及每个过往订阅推送策略对应的准确推送策略；

对所述过往订阅画像特征信息进行第三业务分段，并根据所述第三业务分段的结果构建每个过往订阅的更新推送策略节点列表；

将所述更新推送策略节点列表中的每个更新推送策略节点与所述准确推送策略进行比对，并根据比对结果对所述更新推送策略节点进行概率标注；

根据所述概率标注的结果，确定所述初始更新推送策略节点的置信度，并确定目标更新推送策略节点。

在第一方面的一种可能的实现方式中，所述根据所述概率标注的结果，确定所述初始更新推送策略节点的置信度，并确定目标更新推送策略节点，包括：

获取概率标注分类模型的训练数据；其中，所述训练数据包括以下至少之一：

所述更新推送策略节点与对应的准确推送策略之间的词向量热力值、所述更新推送策略节点与对应的准确推送策略之间的行为向量热力值、所述更新推送策略节点与对应的准确推送策略之间的差异，以及所述更新推送策略节点与对应的准确推送策略之间的策略节点数量差值、第一画像分布差异以及第二画像分布差异；

根据所述训练数据，通过逻辑回归模型训练得到概率标注分类模型，并根据所述概率标注分类模型确定所述初始更新推送策略节点的置信度；

根据所述初始更新推送策略节点的置信度，将所述初始更新推送策略节点中满足第二预设条件的初始更新推送策略节点确定为目标更新推送策略节点； 其中，所述第一画像分布差异为所述更新推送策略节点处于所述第一画像特征信息中时，所述第一画像特征信息的画像关系网络与通用语料画像关系网络之间的画像分布差异，所述第二画像分布差异为所述更新推送策略节点处于所述第一画像特征信息中时，所述第一画像特征信息的画像关系网络与所述推送策略库对应的画像关系网络之间的画像分布差异。

在第一方面的一种可能的实现方式中，所述将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序，包括：

将所述多个业务挖掘场景模板的业务信息推送引擎添加到业务挖掘关联知识图谱中，从所述业务挖掘关联知识图谱中确定出各业务挖掘关联对象所对应所述多个业务挖掘场景模板的业务信息推送引擎的业务挖掘知识分区；

依据各不同业务挖掘知识分区中业务挖掘关联对象之间的推送规则的关系标签对各业务挖掘知识分区进行业务形式划分，得到至少一个业务挖掘知识分区列表；其中，同一业务挖掘知识分区列表中任意两个业务挖掘知识分区中的业务挖掘关联对象的推送规则的关系标签覆盖预设标签区间；

针对每一业务挖掘知识分区列表，基于该业务挖掘知识分区列表中各业务挖掘知识分区，从所述业务挖掘关联知识图谱中确定该业务挖掘知识分区列表针对所述多个业务挖掘场景模板的业务信息推送引擎对应的知识图谱索引信息；其中，所述知识图谱索引信息至少包括业务挖掘知识分区列表中各业务挖掘知识分区针对所述多个业务挖掘场景模板的业务信息推送引擎的每个知识图谱索引表项的特征信息数据，所述知识图谱索引信息用于确定该业务挖掘知识分区列表中各业务挖掘知识分区中的业务挖掘关联对象对应所述多个业务挖掘场景模板的业务信息推送引擎的业务挖掘关联关系的知识图谱索引结果；

确定所述知识图谱索引信息的索引编译信息和索引知识库，根据历史推送规则分量结果中的多个推送规则分布，确定多个索引推送规则分布组合，根据每个索引推送规则分布组合中各个推送规则分布在所述索引编译信息内与所述索引知识库的知识图谱抽象参数，进行索引场景节点计算，得到分别与所述多个索引推送规则分布组合对应的多个索引场景节点计算结果，并将每个索引场景节点计算结果对应的索引推送规则分布组合的推送规则参数作为每个索引场景节点计算结果的业务推送实体；

基于所述多个索引场景节点计算结果，分别获取在所述索引编译信息内确定与所述索引知识库对应的各业务挖掘知识分区的潜在推送规则节点，得到多个潜在推送规则节点，根据每个索引场景节点计算结果的业务推送实体，对基于所述多个索引场景节点计算结果获取到的多个潜在推送规则节点进行整合，得到第一潜在推送规则节点集，其中，每个索引推送规则分布组合中任两个推送规则分布之间的推送规则参数匹配，且不同索引推送规则分布组合对应的推送规则参数不等，每个索引场景节点计算结果用于确定在任一设定业务区间内与所述索引知识库对应的各业务挖掘知识分区中的业务挖掘关联对象对应的共同业务挖掘关联信息，所述索引场景节点计算结果通过根据历史推送规则分量结果进行索引场景节点计算后得到；

根据所述历史推送规则分量结果和所述索引知识库对应的多个业务挖掘关联对象的共同业务挖掘关联信息，获取所述多个业务挖掘关联对象在所述索引编译信息内与所述索引知识库的之间的业务挖掘关联结果，将所述多个业务挖掘关联对象对应的业务挖掘关联结果的对应的目标节点作为第二潜在推送规则节点；

比对所述第一潜在推送规则节点集与所述第二潜在推送规则节点的推送规则相关参数，根据所述推送规则相关参数以及每个业务挖掘关联对象的共同业务挖掘关联信息确定每个业务挖掘关联对象所对应所述多个业务挖掘场景模板的业务信息推送引擎的推送规则融合信息；

基于所述推送规则融合信息对所述多个业务挖掘场景模板的业务信息推送引擎进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序。

第二方面，本申请实施例还提供一种基于大数据定位的软件应用数据挖掘装置，应用于软件服务平台，所述软件服务平台与多个软件应用服务终端通信连接，所述装置包括：

提取模块，用于对所述软件应用服务终端的软件应用大数据进行应用业务行为数据提取，得到所述软件应用大数据中每个应用业务行为数据的业务行为特征信息；

挖掘模块，用于对所述软件应用大数据中每个应用业务行为数据分别进行多个业务挖掘场景模板的业务挖掘处理，得到对应每个业务挖掘场景模板的业务挖掘结果；

确定模块，用于基于所述软件应用大数据中每个应用业务行为数据的业务行为特征信息以及每个业务挖掘场景模板的业务挖掘结果，确定对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像；

推送模块，用于基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，生成对应业务挖掘场景模板的业务信息推送引擎，并将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序，并基于所述业务更新推送应用程序对所述软件应用服务终端进行业务信息推送。

第三方面，本申请实施例还提供一种基于大数据定位的软件应用数据挖掘系统，所述基于大数据定位的软件应用数据挖掘系统包括软件服务平台以及与所述软件服务平台通信连接的多个软件应用服务终端；

所述软件服务平台，用于：

对所述软件应用服务终端的软件应用大数据进行应用业务行为数据提取，得到所述软件应用大数据中每个应用业务行为数据的业务行为特征信息；

对所述软件应用大数据中每个应用业务行为数据分别进行多个业务挖掘场景模板的业务挖掘处理，得到对应每个业务挖掘场景模板的业务挖掘结果；

基于所述软件应用大数据中每个应用业务行为数据的业务行为特征信息以及每个业务挖掘场景模板的业务挖掘结果，确定对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像；

基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，生成对应业务挖掘场景模板的业务信息推送引擎，并将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序，并基于所述业务更新推送应用程序对所述软件应用服务终端进行业务信息推送。

第四方面，本申请实施例还提供一种软件服务平台，所述软件服务平台包括处理器、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软件应用服务终端通信连接，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的软件应用数据挖掘方法。

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的软件应用数据挖掘方法。

基于上述任意一个方面，本申请通过对软件应用大数据进行多业务挖掘场景模板的业务挖掘以及对应业务挖掘场景模板的业务信息推送引擎生成处理，并将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序，并基于所述业务更新推送应用程序对软件应用服务终端进行业务信息推送，实现了软件应用大数据层面的多业务挖掘场景模板的匹配过程，提高业务推送过程中的信息有效率，并结合业务挖掘关联关系应用到后续的业务推送过程中，能够在进行推送时保证多个业务挖掘场景的推送过程互不冲突，提升业务推送的有序性和合理性。

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的软件应用数据挖掘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的软件应用数据挖掘方法的流程示意图；

图3为本申请实施例提供的基于大数据定位的软件应用数据挖掘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的软件应用数据挖掘方法的软件服务平台的结构对象示意框图。

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的软件应用数据挖掘系统10的交互示意图。基于大数据定位的软件应用数据挖掘系统10可以包括软件服务平台100以及与软件服务平台100通信连接的软件应用服务终端200。图1所示的基于大数据定位的软件应用数据挖掘系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据定位的软件应用数据挖掘系统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，本申请提供的软件服务平台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，基于大数据定位的软件应用数据挖掘系统10中的软件服务平台100和软件应用服务终端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的软件应用数据挖掘方法，具体软件服务平台100和软件应用服务终端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的软件应用数据挖掘方法的流程示意图，本实施例提供的基于大数据定位的软件应用数据挖掘方法可以由图1中所示的软件服务平台100执行，下面对该基于大数据定位的软件应用数据挖掘方法进行详细介绍。

步骤S110，对软件应用服务终端200的软件应用大数据进行应用业务行为数据提取，得到软件应用大数据中每个应用业务行为数据的业务行为特征信息。

本实施例中，软件应用大数据可以是指各种应用程序在使用过程中，被用户授权可以收集的各种用户操作行为数据构成的大数据集合。此外，应用业务行为数据可以是指每一次持续产生的用户操作行为数据，应用业务行为数据的业务行为特征信息可以是指每一次持续产生的用户操作行为数据中的操作行为记录特征，例如操作软件项目、操作时间、操作对象、操作轨迹等。

步骤S120，对软件应用大数据中每个应用业务行为数据分别进行多个业务挖掘场景模板的业务挖掘处理，得到对应每个业务挖掘场景模板的业务挖掘结果。

本实施例中，业务挖掘场景模板可以是指针对不同业务挖掘需求所预先配置的模板，例如可以包括多个业务挖掘规则的配置信息。

步骤S130，基于软件应用大数据中每个应用业务行为数据的业务行为特征信息以及每个业务挖掘场景模板的业务挖掘结果，确定对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像。

本实施例中，业务挖掘画像可以是指每个应用业务行为数据在业务挖掘场景模板下的推送标签属性或者推送标签行为等信息。

步骤S140，基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，生成对应业务挖掘场景模板的业务信息推送引擎，并将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序，并基于业务更新推送应用程序对软件应用服务终端200进行业务信息推送。

本实施例中，业务信息推送引擎可以是指用于执行业务推送功能的功能化软件开发模块，其中可以配置有用于控制业务信息推送过程中的索引数据源的访问和筛选规则。业务挖掘关联关系可以是指业务信息推送引擎在业务挖掘过程中的索引数据源的分区顺序关系，或者其它任意的分区逻辑关系。由此，在基于业务更新推送应用程序对软件应用服务终端200进行业务信息推送的过程中，可以在基于业务更新推送应用程序获取相匹配的索引数据源的访问订阅数据，并按照相匹配的筛选规则筛选出待推送的业务信息并推送给软件应用服务终端200。

在一种可能的实现方式中，在步骤S130之前，为了使得应用业务行为数据的业务行为特征信息符合最新的配置规则，以减少数据特征损失，本申请实施例所提供的基于大数据定位的软件应用数据挖掘方法还可以包括以下步骤，详细描述如下。

步骤S130A，将通过应用业务行为数据提取得到的每个应用业务行为数据的业务行为特征信息作为原始业务行为特征信息，对每个应用业务行为数据的原始业务行为特征信息进行应用更新处理，得到每个应用业务行为数据的更新业务行为特征信息，将每个应用业务行为数据的更新业务行为特征信息更新对应的原始业务行为特征信息。

在一种可能的实现方式中，步骤S130A可以通过以下示例性的实施方式来实现。

（1）针对软件应用大数据中任意一个应用业务行为数据，当应用业务行为数据的原始业务行为特征信息的业务行为知识点与至少一个相关联的最近应用业务行为数据的原始业务行为特征信息的业务行为知识点之间的差异小于预设差异时，将应用业务行为数据确定为非候选应用业务行为数据。

其中，相关联的最近应用业务行为数据可以为位于任意一个应用业务行为数据的相关联业务的应用业务行为数据。

（2）当应用业务行为数据的原始业务行为特征信息的业务行为知识点与每个相关联的最近应用业务行为数据的原始业务行为特征信息的业务行为知识点之间的差异不小于预设差异时，将应用业务行为数据确定为候选应用业务行为数据。

（3）针对软件应用大数据中任意一个应用业务行为数据，当应用业务行为数据的连续数据段内中至少存在一个候选应用业务行为数据时，确定应用业务行为数据为待更新应用业务行为数据。

（4）当应用业务行为数据的连续数据段内中不存在候选应用业务行为数据时，确定应用业务行为数据为维持应用业务行为数据。

（5）将待更新应用业务行为数据的连续数据段内所有候选应用业务行为数据的原始业务行为特征信息进行更新处理，并将更新处理结果作为待更新应用业务行为数据的更新业务行为特征信息。

其中，上述的更新处理可以包括：基于最新更新的业务模板对所有候选应用业务行为数据的原始业务行为特征信息中的业务行为知识点的数据权重进行更新处理。

（6）保留维持应用业务行为数据的原始业务行为特征信息作为维持应用业务行为数据的更新业务行为特征信息。

在上述描述基础上，针对步骤S120，本实施例可以将软件应用大数据中每个应用业务行为数据匹配到多个业务挖掘场景模板，分别进行每个业务挖掘场景模板所对应的挖掘规则的数据匹配和挖掘处理，得到对应每个业务挖掘场景模板的业务挖掘结果。

譬如，挖掘规则可以包括针对每个应用业务行为数据的挖掘节点模型，例如针对应用业务行为数据中的某些项目的业务行为数据，可以采用以关键词匹配规则的挖掘节点构成的模型对每个应用业务行为数据进行数据匹配和挖掘处理。针对应用业务行为数据中的另一些项目的业务行为数据，可以采用以深度学习匹配规则的挖掘节点构成的模型对每个应用业务行为数据进行数据匹配和挖掘处理。

在一种可能的实现方式中，进一步针对步骤S130，每个业务挖掘场景模板的业务挖掘结果可以包括软件应用大数据中每个应用业务行为数据被映射到业务挖掘场景模板后进行业务挖掘后获得的兴趣挖掘图谱中的兴趣偏好信息。其中，兴趣挖掘图谱的业务分布区间与软件应用大数据的业务分布区间相同。

这样，步骤S130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，针对每个业务挖掘场景模板对应的兴趣挖掘图谱中每个待预测应用业务行为数据，确定待预测应用业务行为数据的贡献应用业务行为数据。

本实施例中，贡献应用业务行为数据可以是软件应用大数据中兴趣偏好信息位于待预测应用业务行为数据的连续数据段内的应用业务行为数据。

子步骤S132，基于软件应用大数据中每个应用业务行为数据在业务挖掘场景模板的兴趣挖掘图谱中的兴趣偏好信息、以及软件应用大数据中每个应用业务行为数据的业务行为特征信息，确定贡献应用业务行为数据对应待预测应用业务行为数据的贡献权重。

譬如，本实施例中，可以计算软件应用大数据中每个应用业务行为数据在业务挖掘场景模板的兴趣挖掘图谱中的兴趣偏好信息下的兴趣点与软件应用大数据中每个应用业务行为数据的业务行为特征信息下的兴趣点之前的比例，确定贡献应用业务行为数据对应待预测应用业务行为数据的贡献权重。

子步骤S133，基于每个贡献应用业务行为数据的贡献权重对每个贡献应用业务行为数据的业务挖掘画像进行加权处理，得到待预测应用业务行为数据的业务挖掘画像。

例如，每个贡献应用业务行为数据的业务挖掘画像可以通过解析该贡献应用业务行为数据下的行为标签的频率和行为属性的频率获得，例如可以将频率大于设定频率的行为标签和行为属性构建为该贡献应用业务行为数据下的行为标签。在此基础上，通过基于每个贡献应用业务行为数据的贡献权重对每个贡献应用业务行为数据的业务挖掘画像进行加权处理，继续解析待预测应用业务行为数据下的行为标签的频率和行为属性的频率，从而按照上述方式可以继续得到待预测应用业务行为数据的业务挖掘画像，并进行组合后得到对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像。

在一种可能的实现方式中，针对步骤S140，在基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，生成对应业务挖掘场景模板的业务信息推送引擎的过程中，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，基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，获取对应每个业务挖掘场景模板的初始化业务信息推送引擎的潜在画像流数据和扩展画像流数据。

子步骤S142，对潜在画像流数据进行画像特征提取，得到第一画像特征信息。

例如，潜在画像流数据用于表征对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像的直接关系的画像流数据，扩展画像流数据用于表征对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像的间接关系的画像流数据。

子步骤S143，对扩展画像流数据中的扩展画像片段进行多解释维度解析，得到多解释维度解析特征，对多解释维度解析特征进行第一业务分段，并从第一业务分段的结果中确定画像解释向量序列。

例如，画像解释向量序列中任意画像解释向量的解释度大于预设阈值，其中，多解释维度解析特征用于表征扩展画像流数据中的扩展画像片段在多个解释维度的数据特征，解释维度用于表示针对扩展画像流数据中的扩展画像片段随业务变化所对信息推送策略产生影响的解释数据，解释度用于表示针对扩展画像流数据中的扩展画像片段随业务变化所对信息推送策略产生影响的影响因子。

子步骤S144，确定画像解释向量序列中所有画像解释向量的推送策略热力分布。

例如，推送策略热力分布包括画像解释向量序列中每个画像解释向量的单策略热力分布和若干个画像解释向量之间的多策略热力分布，若干个画像解释向量包括至少两个画像解释向量。

子步骤S145，根据单策略热力分布和多策略热力分布，构建得到推送策略库，并根据推送策略库，构建业务信息推送索引。

譬如，可以对推送策略库中画像解释向量进行业务规则索引，得到画像解释向量的全局业务推送信息和从属单元业务推送信息，然后根据全局业务推送信息和该全局业务推送信息对应的画像解释向量构建第一业务信息推送索引，从而根据从属单元业务推送信息和该从属单元业务推送信息对应的画像解释向量构建第二业务信息推送索引。

子步骤S146，对第一画像特征信息进行第二业务分段，并根据第二业务分段的结果构建参考推送策略后，根据业务信息推送索引，在推送策略库中确定参考推送策略对应的初始更新推送策略节点。

子步骤S147，根据初始更新推送策略节点的置信度，确定目标更新推送策略节点，并通过目标更新推送策略节点对第一画像特征信息进行更新，得到第二画像特征信息。

例如，可以确定初始更新推送策略节点的候选热力值，并确定初始更新推送策略节点在推送策略库中的推送策略热力分布，同时确定初始更新推送策略节点的推送策略节点片段个数趋势变化。

在此基础上，可以根据候选热力值、初始更新推送策略节点在推送策略库中的推送策略热力分布以及推送策略节点片段个数趋势变化，确定初始更新推送策略节点的置信度，然后根据初始更新推送策略节点的置信度，将初始更新推送策略节点中满足第一预设条件的初始更新推送策略节点确定为目标更新推送策略节点。

又例如，还可以对过往订阅画像特征信息进行标注，并根据标注结果构建训练样本。其中，训练样本的内容包括过往订阅的标识、每个过往订阅对应的过往订阅推送策略以及每个过往订阅推送策略对应的准确推送策略。

然后，对过往订阅画像特征信息进行第三业务分段，并根据第三业务分段的结果构建每个过往订阅的更新推送策略节点列表，将更新推送策略节点列表中的每个更新推送策略节点与准确推送策略进行比对，并根据比对结果对更新推送策略节点进行概率标注。

由此，可以根据概率标注的结果，确定初始更新推送策略节点的置信度，并确定目标更新推送策略节点。

例如，在一种可能的实现方式中，首先可以获取概率标注分类模型的训练数据。其中，训练数据包括以下至少之一：更新推送策略节点与对应的准确推送策略之间的词向量热力值、更新推送策略节点与对应的准确推送策略之间的行为向量热力值、更新推送策略节点与对应的准确推送策略之间的差异，以及更新推送策略节点与对应的准确推送策略之间的策略节点数量差值、第一画像分布差异以及第二画像分布差异。

在此基础上，可以根据训练数据，通过逻辑回归模型训练得到概率标注分类模型，并根据概率标注分类模型确定初始更新推送策略节点的置信度。

然后，可以根据初始更新推送策略节点的置信度，将初始更新推送策略节点中满足第二预设条件的初始更新推送策略节点确定为目标更新推送策略节点。

其中，值得说明的是，第一画像分布差异为更新推送策略节点处于第一画像特征信息中时，第一画像特征信息的画像关系网络与通用语料画像关系网络之间的画像分布差异，第二画像分布差异为更新推送策略节点处于第一画像特征信息中时，第一画像特征信息的画像关系网络与推送策略库对应的画像关系网络之间的画像分布差异。

子步骤S148，基于第二画像特征信息对初始化业务信息推送引擎进行推送规则的更新配置，生成对应业务挖掘场景模板的业务信息推送引擎。

基于上述步骤，本实施例基于对应每个业务挖掘场景模板的初始化业务信息推送引擎的扩展画像片段的多解释维度解析来更新画像特征提取到的画像特征信息，能够将涉及扩展画像片段的画像特征信息进行更新，提升画像特征提取到的画像特征信息与实际业务场景之间的一致性，进而提高后续业务信息推送的准确性。

在一种可能的实现方式中，仍旧针对步骤S140，在将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序的过程中，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S149，将多个业务挖掘场景模板的业务信息推送引擎添加到业务挖掘关联知识图谱中，从业务挖掘关联知识图谱中确定出各业务挖掘关联对象所对应多个业务挖掘场景模板的业务信息推送引擎的业务挖掘知识分区。

子步骤S1491，依据各不同业务挖掘知识分区中业务挖掘关联对象之间的推送规则的关系标签对各业务挖掘知识分区进行业务形式划分，得到至少一个业务挖掘知识分区列表。

例如，同一业务挖掘知识分区列表中任意两个业务挖掘知识分区中的业务挖掘关联对象的推送规则的关系标签覆盖预设标签区间。

子步骤S1492，针对每一业务挖掘知识分区列表，基于该业务挖掘知识分区列表中各业务挖掘知识分区，从业务挖掘关联知识图谱中确定该业务挖掘知识分区列表针对多个业务挖掘场景模板的业务信息推送引擎对应的知识图谱索引信息。

例如，知识图谱索引信息至少包括业务挖掘知识分区列表中各业务挖掘知识分区针对多个业务挖掘场景模板的业务信息推送引擎的每个知识图谱索引表项的特征信息数据，知识图谱索引信息用于确定该业务挖掘知识分区列表中各业务挖掘知识分区中的业务挖掘关联对象对应多个业务挖掘场景模板的业务信息推送引擎的业务挖掘关联关系的知识图谱索引结果。

子步骤S1493，确定知识图谱索引信息的索引编译信息和索引知识库，根据历史推送规则分量结果中的多个推送规则分布，确定多个索引推送规则分布组合，根据每个索引推送规则分布组合中各个推送规则分布在索引编译信息内与索引知识库的知识图谱抽象参数，进行索引场景节点计算，得到分别与多个索引推送规则分布组合对应的多个索引场景节点计算结果，并将每个索引场景节点计算结果对应的索引推送规则分布组合的推送规则参数作为每个索引场景节点计算结果的业务推送实体。

子步骤S1494，基于多个索引场景节点计算结果，分别获取在索引编译信息内确定与索引知识库对应的各业务挖掘知识分区的潜在推送规则节点，得到多个潜在推送规则节点，根据每个索引场景节点计算结果的业务推送实体，对基于多个索引场景节点计算结果获取到的多个潜在推送规则节点进行整合，得到第一潜在推送规则节点集。

例如，每个索引推送规则分布组合中任两个推送规则分布之间的推送规则参数匹配，且不同索引推送规则分布组合对应的推送规则参数不等，每个索引场景节点计算结果用于确定在任一设定业务区间内与索引知识库对应的各业务挖掘知识分区中的业务挖掘关联对象对应的共同业务挖掘关联信息，索引场景节点计算结果通过根据历史推送规则分量结果进行索引场景节点计算后得到。

子步骤S1495，根据历史推送规则分量结果和索引知识库对应的多个业务挖掘关联对象的共同业务挖掘关联信息，获取多个业务挖掘关联对象在索引编译信息内与索引知识库的之间的业务挖掘关联结果，将多个业务挖掘关联对象对应的业务挖掘关联结果的对应的目标节点作为第二潜在推送规则节点。

子步骤S1496，比对第一潜在推送规则节点集与第二潜在推送规则节点的推送规则相关参数，根据推送规则相关参数以及每个业务挖掘关联对象的共同业务挖掘关联信息确定每个业务挖掘关联对象所对应多个业务挖掘场景模板的业务信息推送引擎的推送规则融合信息。

子步骤S1497，基于推送规则融合信息对多个业务挖掘场景模板的业务信息推送引擎进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序。

在一种可能的实现方式中，譬如，上述方法还可以包括以下步骤：

步骤S150，调用通过对当前云计算容器的业务推送应用程序进行编译更新后的业务更新推送应用程序，并基于业务更新推送应用程序生成至少一个待推送数据源的数据索引定义字段接口。

本实施例中，待推送数据源可以用于表示提供推送数据的数据源，例如某新闻资讯数据源、某音乐数据源、某影视数据源等，但不限于此。数据索引定义字段接口可以用于表示在进行推送数据索引时所调用的定义字段接口，例如新闻资讯的某个大类别或者小类别的定义字段接口，或者某影视数据源的某个影视标签（如谍战、爱情、都市）的定义字段接口。

步骤S160，从数据索引定义字段接口的多个候选定义字段接口中确定定义字段接口组合。

本实施例中，定义字段接口组合可以包括多个候选定义字段接口中的任意两个候选定义字段接口。例如，当候选定义字段接口包括候选定义字段接口A、候选定义字段接口B和候选定义字段接口C时，定义字段接口组合可以是候选定义字段接口A和候选定义字段接口B，候选定义字段接口B和候选定义字段接口C，以及候选定义字段接口A和候选定义字段接口C。

步骤S170，将定义字段接口组合中业务推送关联度大于目标关联度的定义字段接口组合确定为目标定义字段接口组合，并将目标定义字段接口组合中的两个候选定义字段接口进行业务拼接，得到业务拼接定义字段接口。

本实施例中，当业务推送关联度大于目标关联度时，则表示该定义字段接口组合可能需要在业务推送时进行推送信息的拼接整合，从而避免用户信息整理的繁琐，有效地确保定义字段接口拼接的准确度。关于业务推送关联度的具体获得方式将在后续实施例的描述中进行详细说明。

步骤S180，将业务拼接定义字段接口和剩余定义字段接口确定为候选定义字段接口，直到数据索引定义字段接口中不存在业务推送关联度大于目标关联度的定义字段接口组合时，输出与业务拼接定义字段接口相关联的联动字段接口，并基于业务拼接定义字段接口相关联的联动字段接口对软件应用服务终端进行业务信息推送。

本实施例中，剩余定义字段接口可以理解为多个候选定义字段接口中除业务拼接定义字段接口外的候选定义字段接口。

本实施例中，在输出与业务拼接定义字段接口相关联的联动字段接口，并基于业务拼接定义字段接口相关联的联动字段接口对软件应用服务终端进行业务信息推送的过程中，可以将业务拼接定义字段接口进行接口实例化，从而得到与业务拼接定义字段接口相关联的联动字段接口，然后从联动字段接口获得对应的推送信息后，对软件应用服务终端进行业务信息推送。

基于上述步骤，本实施例通过计算出的业务推送关联度可以快速地从数据索引定义字段接口所包含的定义字段接口组合中找出能够进行合并的定义字段接口组合，从而可以将找出的定义字段接口组合中的两个候选定义字段接口进行自动组合，得到业务拼接定义字段接口，进而可以有效地避免用户信息整理的繁琐，以提高定义字段接口组合的在应用到信息推送后的用户操作体验。此外，可以将最后一次组合得到的业务拼接定义字段接口进行联动生成，以输出最终的联动字段接口，进而可以有效地确保定义字段接口拼接的准确度。

图3为本公开实施例提供的基于大数据定位的软件应用数据挖掘装置300的功能模块示意图，本实施例可以根据上述软件服务平台100执行的方法实施例对该基于大数据定位的软件应用数据挖掘装置300进行功能模块的划分，也即该基于大数据定位的软件应用数据挖掘装置300所对应的以下各个功能模块可以用于执行上述软件服务平台100执行的各个方法实施例。其中，该基于大数据定位的软件应用数据挖掘装置300可以包括提取模块310、挖掘模块320、确定模块330以及推送模块340，下面分别对该基于大数据定位的软件应用数据挖掘装置300的各个功能模块的功能进行详细阐述。

提取模块310，用于对软件应用服务终端200的软件应用大数据进行应用业务行为数据提取，得到软件应用大数据中每个应用业务行为数据的业务行为特征信息。

挖掘模块320，用于对软件应用大数据中每个应用业务行为数据分别进行多个业务挖掘场景模板的业务挖掘处理，得到对应每个业务挖掘场景模板的业务挖掘结果。

确定模块330，用于基于软件应用大数据中每个应用业务行为数据的业务行为特征信息以及每个业务挖掘场景模板的业务挖掘结果，确定对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像。

推送模块340，用于基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，生成对应业务挖掘场景模板的业务信息推送引擎，并将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序，并基于业务更新推送应用程序对软件应用服务终端200进行业务信息推送。

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，提取模块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提取模块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的软件应用数据挖掘方法的软件服务平台100的硬件结构示意图，如图4所示，软件服务平台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的软件应用数据挖掘装置300包括的提取模块310、挖掘模块320、确定模块330以及推送模块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的软件应用数据挖掘方法，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，从而可以与前述的软件应用服务终端200进行数据收发。

处理器110的具体实现过程可参见上述软件服务平台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的软件应用数据挖掘方法。

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的软件应用数据挖掘方法，其特征在于，应用于软件服务平台，所述软件服务平台与多个软件应用服务终端通信连接，所述方法包括：

对所述软件应用服务终端的软件应用大数据进行应用业务行为数据提取，得到所述软件应用大数据中每个应用业务行为数据的业务行为特征信息；

对所述软件应用大数据中每个应用业务行为数据分别进行多个业务挖掘场景模板的业务挖掘处理，得到对应每个业务挖掘场景模板的业务挖掘结果；

基于所述软件应用大数据中每个应用业务行为数据的业务行为特征信息以及每个业务挖掘场景模板的业务挖掘结果，确定对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像；

基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，生成对应业务挖掘场景模板的业务信息推送引擎，并将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序，并基于所述业务更新推送应用程序对所述软件应用服务终端进行业务信息推送。

2.根据权利要求1所述的基于大数据定位的软件应用数据挖掘方法，其特征在于，所述基于所述软件应用大数据中每个应用业务行为数据的业务行为特征信息以及每个业务挖掘场景模板的业务挖掘结果，确定对应每个业务挖掘场景模板的业务信息推送引擎中每个应用业务行为数据的业务挖掘画像之前，所述方法还包括：

将通过所述应用业务行为数据提取得到的每个应用业务行为数据的业务行为特征信息作为原始业务行为特征信息，对每个应用业务行为数据的原始业务行为特征信息进行应用更新处理，得到每个应用业务行为数据的更新业务行为特征信息，将每个应用业务行为数据的更新业务行为特征信息更新对应的原始业务行为特征信息。

3.根据权利要求2所述的基于大数据定位的软件应用数据挖掘方法，其特征在于，所述对每个应用业务行为数据的原始业务行为特征信息进行应用更新处理，得到每个应用业务行为数据的更新业务行为特征信息，包括：

针对所述软件应用大数据中任意一个应用业务行为数据，当所述应用业务行为数据的原始业务行为特征信息的业务行为知识点与至少一个相关联的最近应用业务行为数据的原始业务行为特征信息的业务行为知识点之间的差异小于预设差异时，将所述应用业务行为数据确定为非候选应用业务行为数据；其中，所述相关联的最近应用业务行为数据为位于所述任意一个应用业务行为数据的相关联业务的应用业务行为数据；

当所述应用业务行为数据的原始业务行为特征信息的业务行为知识点与每个相关联的最近应用业务行为数据的原始业务行为特征信息的业务行为知识点之间的差异不小于所述预设差异时，将所述应用业务行为数据确定为候选应用业务行为数据；

针对所述软件应用大数据中任意一个应用业务行为数据，当所述应用业务行为数据的连续数据段内中至少存在一个候选应用业务行为数据时，确定所述应用业务行为数据为待更新应用业务行为数据；

当所述应用业务行为数据的连续数据段内中不存在候选应用业务行为数据时，确定所述应用业务行为数据为维持应用业务行为数据；

将所述待更新应用业务行为数据的连续数据段内所有候选应用业务行为数据的原始业务行为特征信息进行更新处理，并将更新处理结果作为所述待更新应用业务行为数据的更新业务行为特征信息，其中，所述更新处理包括基于最新更新的业务模板对所述所有候选应用业务行为数据的原始业务行为特征信息中的业务行为知识点的数据权重进行更新处理；

保留所述维持应用业务行为数据的原始业务行为特征信息作为所述维持应用业务行为数据的更新业务行为特征信息。

4.根据权利要求1所述的基于大数据定位的软件应用数据挖掘方法，其特征在于，所述对所述软件应用大数据中每个应用业务行为数据分别进行多个业务挖掘场景模板的业务挖掘处理，得到对应每个业务挖掘场景模板的业务挖掘结果，包括：

将所述软件应用大数据中每个应用业务行为数据匹配到多个业务挖掘场景模板，分别进行每个业务挖掘场景模板所对应的挖掘规则的数据匹配和挖掘处理，得到对应每个业务挖掘场景模板的业务挖掘结果。

5.根据权利要求1所述的基于大数据定位的软件应用数据挖掘方法，其特征在于，所述每个业务挖掘场景模板的业务挖掘结果包括所述软件应用大数据中每个应用业务行为数据被映射到所述业务挖掘场景模板后进行业务挖掘后获得的兴趣挖掘图谱中的兴趣偏好信息，其中，所述兴趣挖掘图谱的业务分布区间与所述软件应用大数据的业务分布区间相同；

所述基于所述软件应用大数据中每个应用业务行为数据的业务行为特征信息以及每个业务挖掘场景模板的业务挖掘结果，确定对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，包括：

针对每个业务挖掘场景模板对应的兴趣挖掘图谱中每个待预测应用业务行为数据，确定所述待预测应用业务行为数据的贡献应用业务行为数据，其中，所述贡献应用业务行为数据是所述软件应用大数据中兴趣偏好信息位于所述待预测应用业务行为数据的连续数据段内的应用业务行为数据；

基于所述软件应用大数据中每个应用业务行为数据在所述业务挖掘场景模板的兴趣挖掘图谱中的兴趣偏好信息、以及所述软件应用大数据中每个应用业务行为数据的业务行为特征信息，确定所述贡献应用业务行为数据对应所述待预测应用业务行为数据的贡献权重；

基于每个所述贡献应用业务行为数据的贡献权重对每个所述贡献应用业务行为数据的业务挖掘画像进行加权处理，得到所述待预测应用业务行为数据的业务挖掘画像。

6.根据权利要求1-5中任意一项所述的基于大数据定位的软件应用数据挖掘方法，其特征在于，所述基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，生成对应业务挖掘场景模板的业务信息推送引擎的步骤，包括：

基于对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像，获取对应每个业务挖掘场景模板的初始化业务信息推送引擎的潜在画像流数据和扩展画像流数据；

对所述潜在画像流数据进行画像特征提取，得到第一画像特征信息，其中，所述潜在画像流数据用于表征对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像的直接关系的画像流数据，所述扩展画像流数据用于表征对应每个业务挖掘场景模板中每个应用业务行为数据的业务挖掘画像的间接关系的画像流数据；

对所述扩展画像流数据中的扩展画像片段进行多解释维度解析，得到多解释维度解析特征，对所述多解释维度解析特征进行第一业务分段，并从所述第一业务分段的结果中确定画像解释向量序列，所述画像解释向量序列中任意画像解释向量的解释度大于预设阈值，其中，所述多解释维度解析特征用于表征所述扩展画像流数据中的扩展画像片段在多个解释维度的数据特征，所述解释维度用于表示针对所述扩展画像流数据中的扩展画像片段随业务变化所对信息推送策略产生影响的解释数据，所述解释度用于表示针对所述扩展画像流数据中的扩展画像片段随业务变化所对信息推送策略产生影响的影响因子；

确定所述画像解释向量序列中所有画像解释向量的推送策略热力分布；其中，所述推送策略热力分布包括所述画像解释向量序列中每个画像解释向量的单策略热力分布和若干个画像解释向量之间的多策略热力分布，所述若干个画像解释向量包括至少两个画像解释向量；

根据所述单策略热力分布和所述多策略热力分布，构建得到推送策略库，并根据所述推送策略库，构建业务信息推送索引；

对所述第一画像特征信息进行第二业务分段，并根据所述第二业务分段的结果构建参考推送策略后，根据所述业务信息推送索引，在所述推送策略库中确定所述参考推送策略对应的初始更新推送策略节点；

根据所述初始更新推送策略节点的置信度，确定目标更新推送策略节点，并通过所述目标更新推送策略节点对所述第一画像特征信息进行更新，得到第二画像特征信息；

基于所述第二画像特征信息对所述初始化业务信息推送引擎进行推送规则的更新配置，生成对应业务挖掘场景模板的业务信息推送引擎。

7.根据权利要求6所述的基于大数据定位的软件应用数据挖掘方法，其特征在于，所述根据所述初始更新推送策略节点的置信度，确定目标更新推送策略节点，至少包括以下步骤之一：

确定所述初始更新推送策略节点的候选热力值；

确定所述初始更新推送策略节点在所述推送策略库中的推送策略热力分布；

确定所述初始更新推送策略节点的推送策略节点片段个数趋势变化；

根据所述候选热力值、所述初始更新推送策略节点在所述推送策略库中的推送策略热力分布以及所述推送策略节点片段个数趋势变化，确定所述初始更新推送策略节点的置信度；

根据所述初始更新推送策略节点的置信度，将所述初始更新推送策略节点中满足第一预设条件的初始更新推送策略节点确定为目标更新推送策略节点；或者

对过往订阅画像特征信息进行标注，并根据标注结果构建训练样本；其中，所述训练样本的内容包括过往订阅的标识、每个过往订阅对应的过往订阅推送策略以及每个过往订阅推送策略对应的准确推送策略；

对所述过往订阅画像特征信息进行第三业务分段，并根据所述第三业务分段的结果构建每个过往订阅的更新推送策略节点列表；

将所述更新推送策略节点列表中的每个更新推送策略节点与所述准确推送策略进行比对，并根据比对结果对所述更新推送策略节点进行概率标注；

根据所述概率标注的结果，确定所述初始更新推送策略节点的置信度，并确定目标更新推送策略节点。

8.根据权利要求1所述的基于大数据定位的软件应用数据挖掘方法，其特征在于，所述根据所述概率标注的结果，确定所述初始更新推送策略节点的置信度，并确定目标更新推送策略节点，包括：

获取概率标注分类模型的训练数据；其中，所述训练数据包括以下至少之一：

所述更新推送策略节点与对应的准确推送策略之间的词向量热力值、所述更新推送策略节点与对应的准确推送策略之间的行为向量热力值、所述更新推送策略节点与对应的准确推送策略之间的差异，以及所述更新推送策略节点与对应的准确推送策略之间的策略节点数量差值、第一画像分布差异以及第二画像分布差异；

根据所述训练数据，通过逻辑回归模型训练得到概率标注分类模型，并根据所述概率标注分类模型确定所述初始更新推送策略节点的置信度；

根据所述初始更新推送策略节点的置信度，将所述初始更新推送策略节点中满足第二预设条件的初始更新推送策略节点确定为目标更新推送策略节点； 其中，所述第一画像分布差异为所述更新推送策略节点处于所述第一画像特征信息中时，所述第一画像特征信息的画像关系网络与通用语料画像关系网络之间的画像分布差异，所述第二画像分布差异为所述更新推送策略节点处于所述第一画像特征信息中时，所述第一画像特征信息的画像关系网络与所述推送策略库对应的画像关系网络之间的画像分布差异。

9.根据权利要求1-8中任意一项所述的基于大数据定位的软件应用数据挖掘方法，其特征在于，所述将多个业务挖掘场景模板的业务信息推送引擎按照业务挖掘关联关系进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序，包括：

将所述多个业务挖掘场景模板的业务信息推送引擎添加到业务挖掘关联知识图谱中，从所述业务挖掘关联知识图谱中确定出各业务挖掘关联对象所对应所述多个业务挖掘场景模板的业务信息推送引擎的业务挖掘知识分区；

依据各不同业务挖掘知识分区中业务挖掘关联对象之间的推送规则的关系标签对各业务挖掘知识分区进行业务形式划分，得到至少一个业务挖掘知识分区列表；其中，同一业务挖掘知识分区列表中任意两个业务挖掘知识分区中的业务挖掘关联对象的推送规则的关系标签覆盖预设标签区间；

针对每一业务挖掘知识分区列表，基于该业务挖掘知识分区列表中各业务挖掘知识分区，从所述业务挖掘关联知识图谱中确定该业务挖掘知识分区列表针对所述多个业务挖掘场景模板的业务信息推送引擎对应的知识图谱索引信息；其中，所述知识图谱索引信息至少包括业务挖掘知识分区列表中各业务挖掘知识分区针对所述多个业务挖掘场景模板的业务信息推送引擎的每个知识图谱索引表项的特征信息数据，所述知识图谱索引信息用于确定该业务挖掘知识分区列表中各业务挖掘知识分区中的业务挖掘关联对象对应所述多个业务挖掘场景模板的业务信息推送引擎的业务挖掘关联关系的知识图谱索引结果；

确定所述知识图谱索引信息的索引编译信息和索引知识库，根据历史推送规则分量结果中的多个推送规则分布，确定多个索引推送规则分布组合，根据每个索引推送规则分布组合中各个推送规则分布在所述索引编译信息内与所述索引知识库的知识图谱抽象参数，进行索引场景节点计算，得到分别与所述多个索引推送规则分布组合对应的多个索引场景节点计算结果，并将每个索引场景节点计算结果对应的索引推送规则分布组合的推送规则参数作为每个索引场景节点计算结果的业务推送实体；

基于所述多个索引场景节点计算结果，分别获取在所述索引编译信息内确定与所述索引知识库对应的各业务挖掘知识分区的潜在推送规则节点，得到多个潜在推送规则节点，根据每个索引场景节点计算结果的业务推送实体，对基于所述多个索引场景节点计算结果获取到的多个潜在推送规则节点进行整合，得到第一潜在推送规则节点集，其中，每个索引推送规则分布组合中任两个推送规则分布之间的推送规则参数匹配，且不同索引推送规则分布组合对应的推送规则参数不等，每个索引场景节点计算结果用于确定在任一设定业务区间内与所述索引知识库对应的各业务挖掘知识分区中的业务挖掘关联对象对应的共同业务挖掘关联信息，所述索引场景节点计算结果通过根据历史推送规则分量结果进行索引场景节点计算后得到；

根据所述历史推送规则分量结果和所述索引知识库对应的多个业务挖掘关联对象的共同业务挖掘关联信息，获取所述多个业务挖掘关联对象在所述索引编译信息内与所述索引知识库的之间的业务挖掘关联结果，将所述多个业务挖掘关联对象对应的业务挖掘关联结果的对应的目标节点作为第二潜在推送规则节点；

比对所述第一潜在推送规则节点集与所述第二潜在推送规则节点的推送规则相关参数，根据所述推送规则相关参数以及每个业务挖掘关联对象的共同业务挖掘关联信息确定每个业务挖掘关联对象所对应所述多个业务挖掘场景模板的业务信息推送引擎的推送规则融合信息；

基于所述推送规则融合信息对所述多个业务挖掘场景模板的业务信息推送引擎进行融合后编译到云计算容器的业务推送应用程序中，得到业务更新推送应用程序。

10.一种软件服务平台，其特征在于，所述软件服务平台包括处理器、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软件应用服务终端通信连接，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的软件应用数据挖掘方法。

Images