CN112749851A - 基于人工智能的大数据需求预测方法及大数据云服务中心 - Google Patents
基于人工智能的大数据需求预测方法及大数据云服务中心 Download PDFInfo
- Publication number
- CN112749851A CN112749851A CN202110077297.1A CN202110077297A CN112749851A CN 112749851 A CN112749851 A CN 112749851A CN 202110077297 A CN202110077297 A CN 202110077297A CN 112749851 A CN112749851 A CN 112749851A
- Authority
- CN
- China
- Prior art keywords
- service
- information
- entity node
- index data
- preference
- 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
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 86
- 238000005192 partition Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims description 86
- 239000013598 vector Substances 0.000 claims description 57
- 238000001514 detection method Methods 0.000 claims description 40
- 238000012790 confirmation Methods 0.000 claims description 21
- 238000013480 data collection Methods 0.000 claims description 15
- 238000005065 mining Methods 0.000 claims description 15
- 230000006978 adaptation Effects 0.000 claims description 14
- 238000013508 migration Methods 0.000 claims description 12
- 230000005012 migration Effects 0.000 claims description 12
- 238000013277 forecasting method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 description 48
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 17
- 238000013459 approach Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012098 association analyses Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010408 sweeping Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供一种基于人工智能的大数据需求预测方法及大数据云服务中心，可以基于业务服务索引数据上的变动偏好实体节点和非变动偏好实体节点共同来进行订阅业务项目的兴趣分类，对于非变动偏好实体节点而言，考虑了非变动偏好实体节点所在数据分区的索引数据标签属性，而对于变动偏好实体节点而言，不仅考虑了变动偏好实体节点所在数据分区的索引数据标签属性，而且考虑了变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，进而使得能够根据各个非变动偏好实体节点对应的兴趣分类信息和各个变动偏好实体节点对应的兴趣分类信息来识别目标订阅业务项目的兴趣分类，提高了大数据需求预测的准确性。
Description
技术领域
本公开涉及大数据技术领域，示例性地，涉及一种基于人工智能的大数据需求预测方法及大数据云服务中心。
背景技术
随着大数据应用越来越广泛，应用的行业也越来越低，大数据的各种更新迭代应用软件服务可以帮助用户从中获取到真正有用的价值。大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
在大数据技术等因素的推动下，业务将实现一些方向性调整，如趋势预测性业务需求信息的增加，数据呈现、分析与解读能力的提高，进而提高信息服务的迭代更新效率。在相关技术中，并没有考虑到一些存在动态变动的用户行为产生的数据对象在多个业务服务索引数据之间的变化标签属性，导致大数据需求预测的准确性较低。
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人工智能的大数据需求预测方法及大数据云服务中心，可以基于业务服务索引数据上的变动偏好实体节点和非变动偏好实体节点共同来进行订阅业务项目的兴趣分类，对于变动偏好实体节点而言，不仅考虑了变动偏好实体节点所在数据分区的索引数据标签属性，而且考虑了变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，进而使得能够根据各个非变动偏好实体节点对应的兴趣分类信息和各个变动偏好实体节点对应的兴趣分类信息来识别目标订阅业务项目的兴趣分类，提高了大数据需求预测的准确性。
第一方面，本公开提供一种基于人工智能的大数据需求预测方法，应用于大数据云服务中心，所述大数据云服务中心与多个业务服务终端通信连接，所述方法包括：
检测所述业务服务终端所关联的目标订阅业务项目的多个业务服务索引数据中包含的变动偏好实体节点和非变动偏好实体节点，所述多个业务服务索引数据是通过不同业务大数据采集维度对所述目标订阅业务项目进行索引数据采集得到的；
提取所述非变动偏好实体节点所在数据分区的索引数据标签属性，得到非变动偏好特征，提取所述变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，得到变动偏好特征；
基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，基于所述变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息；
根据所述各个非变动偏好实体节点对应的兴趣分类信息和所述各个变动偏好实体节点对应的兴趣分类信息确定所述目标订阅业务项目的兴趣分类，并基于所述目标订阅业务项目的兴趣分类预测所述业务服务终端的用户需求信息。
在第一方面的一种可能的设计思路中，所述方法还包括：
通过不同业务大数据采集维度采集包含所述目标订阅业务项目的订阅业务大数据，并通过级联的多个特征提取单元对所述订阅业务大数据中的订阅业务索引数据进行编码特征提取，其中所述多个特征提取单元中的第一个特征提取单元用于对所述订阅业务索引数据进行编码特征提取，所述多个特征提取单元中的第N+1个特征提取单元用于对第N个特征提取单元的输出描述向量进行编码特征提取，N大于0；
依次将所述多个特征提取单元中的第N+1个特征提取单元的对应描述向量进行解码特征提取，并将解码特征提取的结果与第N个特征提取单元的输出描述向量进行融合，将融合结果作为所述第N个特征提取单元的对应描述向量，所述解码特征提取与所述编码特征提取的特征提取维度相同；
根据所述多个特征提取单元中第一个特征提取单元的对应描述向量识别所述订阅业务索引数据所包含的目标订阅业务项目的资源定位信息；
若检测到所述目标订阅业务项目的资源定位信息不符合预设条件，则重新采集包含所述目标订阅业务项目的订阅业务大数据，直至采集到的订阅业务索引数据所包含的目标订阅业务项目的资源定位信息符合所述预设条件；
若检测到所述目标订阅业务项目的资源定位信息符合所述预设条件，则从所述订阅业务大数据包含的订阅业务索引数据中获取所述多个业务服务索引数据；以及
在所述订阅业务大数据包含的订阅业务索引数据中进行目标订阅业务项目检测，以在所述订阅业务索引数据中识别包含所述目标订阅业务项目的订阅业务项目检测区；
根据在所述订阅业务索引数据中识别到的订阅业务项目检测区的检测区参数，确定所述订阅业务索引数据中所包含的目标订阅业务项目的适配业务大数据采集维度；
若检测到的所述目标订阅业务项目的适配业务大数据采集维度不符合预设条件，则重新采集包含所述目标订阅业务项目的订阅业务大数据，直至采集到的订阅业务索引数据所包含的目标订阅业务项目的适配业务大数据采集维度符合所述预设条件。
在第一方面的一种可能的设计思路中，提取所述变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，得到变动偏好特征，以及基于所述变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息，包括：
将包含所述变动偏好实体节点所在数据分区的多个业务服务索引数据输入至人工智能模型，以通过所述人工智能模型提取所述变动偏好实体节点在多个业务服务索引数据之间的多服务描述向量以及变动偏好实体节点所在数据分区的索引数据标签属性；
通过所述人工智能模型中的转换单元将所述多服务描述向量转换为归一化描述向量，作为所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，并将所述索引数据标签属性和所述变化标签属性作为所述变动偏好特征，通过所述人工智能模型中决策单元输出所述变动偏好实体节点对应的兴趣分类信息。
在第一方面的一种可能的设计思路中，基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，包括：
根据各个非变动偏好实体节点的非变动偏好特征所处的第一偏好特征范围，以及所述第一偏好特征范围所关联的兴趣分类信息，确定所述各个非变动偏好实体节点对应的兴趣分类信息；
基于所述变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息，包括：
根据各变动偏好实体节点的变动偏好特征所处的第二偏好特征范围，以及所述第二偏好特征范围所关联的兴趣分类信息，确定所述各个变动偏好实体节点对应的兴趣分类信息。
在第一方面的一种可能的设计思路中，所述多个业务服务索引数据包括：
从包含所述目标订阅业务项目的订阅业务大数据中提取出的指定订阅业务索引数据，所述指定订阅业务索引数据包括以下任一：
所述订阅业务大数据中的每一订阅业务索引数据、按照设定间隔从所述订阅业务大数据中提取出的一个或多个订阅业务索引数据、所述目标订阅业务项目处于水平位置的订阅业务索引数据；
提取所述非变动偏好实体节点所在数据分区的索引数据标签属性，包括：在所述指定订阅业务索引数据中提取非变动偏好实体节点所在数据分区的索引数据标签属性；
基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，包括：
基于从各个指定订阅业务索引数据中提取出的非变动偏好特征，识别各个指定订阅业务索引数据中包含的非变动偏好实体节点的兴趣分类信息；
根据各个指定订阅业务索引数据中包含的非变动偏好实体节点的兴趣分类信息，确定同一个非变动偏好实体节点在各个指定订阅业务索引数据中的兴趣分类信息；
根据同一个非变动偏好实体节点在各个指定订阅业务索引数据中的兴趣分类信息，计算所述目标订阅业务项目上的各个非变动偏好实体节点的兴趣分类信息。
在第一方面的一种可能的设计思路中，所述多个业务服务索引数据包括：
从包含所述目标订阅业务项目的订阅业务大数据中提取出的至少一组订阅业务索引数据；
提取所述变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，包括：
在所述至少一组订阅业务索引数据中提取变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点的变化标签属性；
若从包含所述目标订阅业务项目的订阅业务大数据中提取多组订阅业务索引数据，则基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，包括：
基于从各组订阅业务索引数据中提取出的变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点的变化标签属性，识别各组订阅业务索引数据中包含的变动偏好实体节点的兴趣分类信息；
根据各组订阅业务索引数据中包含的变动偏好实体节点的兴趣分类信息，确定同一个变动偏好实体节点在各组订阅业务索引数据中的兴趣分类信息；
根据同一个变动偏好实体节点在各组订阅业务索引数据中的兴趣分类信息，计算所述目标订阅业务项目上的各个变动偏好实体节点的兴趣分类信息。
在第一方面的一种可能的设计思路中，所述兴趣分类信息包括兴趣分类概率；
根据所述各个非变动偏好实体节点对应的兴趣分类信息和所述各个变动偏好实体节点对应的兴趣分类信息确定所述目标订阅业务项目的兴趣分类，包括：
根据所述各个非变动偏好实体节点的权重和所述各个变动偏好实体节点的权重，对所述各个非变动偏好实体节点对应的兴趣分类概率和所述各个变动偏好实体节点对应的兴趣分类概率进行加权，得到兴趣分类概率综合值；
根据所述兴趣分类概率综合值确定所述目标订阅业务项目的兴趣分类。
在第一方面的一种可能的设计思路中，所述基于所述目标订阅业务项目的兴趣分类预测所述业务服务终端的用户需求信息的步骤，包括：
获取所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和所述务服务终端的用户的社交圈业务信息；
基于所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息之间的信息关联度，对所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息进行匹配，得到业务匹配结果；
将匹配成功的社交圈业务信息确定为候选社交圈业务信息，根据所述业务匹配结果中的社交圈业务信息与所述候选社交圈业务信息之间的区别业务信息，确定与所述候选社交圈业务信息相对应的业务需求资源定位信息；
对与所述候选社交圈业务信息相对应的业务需求资源定位信息和所述候选社交圈业务信息进行业务需求挖掘，得到业务需求挖掘结果；
根据所述业务需求挖掘结果和所述业务匹配结果，确定所述目标订阅业务项目的兴趣分类所对应的需求确认信息和所述需求确认信息对应的需求热度结果，根据所述需求热度结果预测所述业务服务终端的用户需求信息。
在第一方面的一种可能的设计思路中，所述获取所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和所述业务服务终端的用户的社交圈业务信息，包括：
获取所述目标订阅业务项目的兴趣分类中的至少两个人群兴趣点资源和至少两个社交圈业务资源；
获取所述至少两个人群兴趣点资源之间的兴趣点更新信息和人群兴趣点资源的资源迁移信息，获取所述至少两个社交圈业务资源之间的社交圈业务更新信息和社交圈业务资源的资源迁移信息；
根据所述兴趣点更新信息和所述人群兴趣点资源的资源迁移信息，对所述至少两个人群兴趣点资源进行组合，得到所述目标订阅业务项目的兴趣分类中的人群兴趣点信息；其中，一个人群兴趣点信息包括至少一个人群兴趣点资源；
根据所述社交圈业务更新信息和所述社交圈业务资源的资源迁移信息，对所述至少两个社交圈业务资源进行组合，得到所述目标订阅业务项目的兴趣分类中的社交圈业务信息；其中，一个社交圈业务信息包括至少一个社交圈业务资源。
在第一方面的一种可能的设计思路中，所述基于所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息之间的信息关联度，对所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息进行匹配，得到业务匹配结果，包括：
将所述目标订阅业务项目的兴趣分类中的社交圈业务信息确定为已标记社交圈业务信息，将所述目标订阅业务项目的兴趣分类中的人群兴趣点信息确定为已标记人群兴趣点信息；其中，所述已标记社交圈业务信息中的社交圈业务资源是从针对所述目标订阅业务项目的兴趣分类的实时配置资源中所确定的；
获取所述实时配置资源中的人群兴趣点资源；将所述实时配置资源中的人群兴趣点资源与所述已标记人群兴趣点信息中的人群兴趣点资源之间的配置资源相关度，确定为所述已标记社交圈业务信息与所述已标记人群兴趣点信息之间的所述信息关联度；当所述信息关联度大于或等于预设信息关联度时，对所述已标记社交圈业务信息和所述已标记人群兴趣点信息进行匹配，得到所述业务匹配结果。
譬如，在第一方面的一种可能的设计思路中，所述候选社交圈业务信息包括所述目标订阅业务项目的兴趣分类中的散列分布社交圈业务资源；所述业务匹配结果的数量为至少两个；每个业务匹配结果中的社交圈业务信息分别包括所述目标订阅业务项目的兴趣分类中的整体社交圈业务资源；所述根据所述业务匹配结果中的社交圈业务信息与所述候选社交圈业务信息之间的区别业务信息，确定与所述候选社交圈业务信息相对应的业务需求资源定位信息，包括：
根据所述散列分布社交圈业务资源，获取所述候选社交圈业务信息的散列分布事务操作数据；
根据所述每个业务匹配结果包括的整体社交圈业务资源，分别获取所述每个业务匹配结果中的社交圈业务信息的整体事务操作数据；
获取所述散列分布事务操作数据分别与所述每个业务匹配结果对应的整体事务操作数据之间的事务操作关联解析信息；
根据所述每个业务匹配结果所属的事务操作关联解析信息，确定所述每个业务匹配结果中的社交圈业务信息分别与所述候选社交圈业务信息之间的区别业务信息；
当目标业务匹配结果的频繁访问热度大于第一预设频繁访问热度阈值且小于或等于第二预设频繁访问热度阈值时，将所述目标业务匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息，确定为与所述候选社交圈业务信息相对应的业务需求资源定位信息；所述目标业务匹配结果，指所属的区别业务信息对应的区别参数大于或等于预设区别参数的业务匹配结果。
在第一方面的一种可能的设计思路中，所述散列分布社交圈业务资源的配置资源数量为至少两个；所述根据所述散列分布社交圈业务资源，获取所述候选社交圈业务信息的散列分布事务操作数据，包括：
获取至少两个散列分布社交圈业务资源中的每个散列分布社交圈业务资源分别对应的资源查询意图；
根据所述每个散列分布社交圈业务资源分别对应的资源查询意图，获取所述至少两个散列分布社交圈业务资源对应的散列分布关联识别意图；
将所述散列分布关联识别意图，确定为所述散列分布事务操作数据。
在第一方面的一种可能的设计思路中，所述至少两个业务匹配结果包括业务匹配结果i，i为小于或等于所述至少两个业务匹配结果的总数量的正整数；所述业务匹配结果i包括的整体社交圈业务资源的配置资源数量为至少两个；所述根据所述每个业务匹配结果包括的整体社交圈业务资源，分别获取所述每个业务匹配结果中的社交圈业务信息的整体事务操作数据，包括：
获取所述业务匹配结果i包括的至少两个整体社交圈业务资源中的每个整体社交圈业务资源分别对应的资源查询意图；
根据所述每个整体社交圈业务资源分别对应的资源查询意图，获取所述至少两个整体社交圈业务资源对应的整体关联识别意图；
将所述整体关联识别意图，确定为所述业务匹配结果i中的社交圈业务信息的整体事务操作数据。
在第一方面的一种可能的设计思路中，所述候选社交圈业务信息的数量为至少两个；所述方法还包括：
当所述目标业务匹配结果的数量小于或等于所述第一预设频繁访问热度阈值时，将与每个候选社交圈业务信息之间的区别业务信息对应的区别参数最大的社交圈业务信息所对应的业务匹配结果，分别确定为所述每个候选社交圈业务信息对应的候选匹配结果；
将所述每个候选社交圈业务信息对应的候选匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息，分别确定为所述每个候选社交圈业务信息对应的候选业务需求资源定位信息；
根据所述每个候选社交圈业务信息对应的候选业务需求资源定位信息，确定候选知识协同内容对应的至少两个知识协同内容描述信息；
获取所述至少两个知识协同内容描述信息在至少两个业务匹配结果的人群兴趣点信息所包含的业务需求资源定位信息中的第一知识协同内容统计结果；
根据所述第一知识协同内容统计结果，确定所述每个候选社交圈业务信息针对所述候选知识协同内容的第一目标知识协同内容描述信息；
将分别具有所述每个候选社交圈业务信息对应的第一目标知识协同内容描述信息的所述候选知识协同内容，确定为与所述每个候选社交圈业务信息相对应的业务需求资源定位信息；所述至少两个知识协同内容描述信息在与所述每个候选社交圈业务信息相对应的业务需求资源定位信息中的第二知识协同内容统计结果对应的知识协同内容的推荐转化率，等于所述第一知识协同内容统计结果的知识协同内容的推荐转化率。
在第一方面的一种可能的设计思路中，所述方法还包括：
当所述目标业务匹配结果的数量大于所述第二预设频繁访问热度阈值时，统计候选知识协同内容的至少两个知识协同内容描述信息在所述目标业务匹配结果的人群兴趣点资源所包含的业务需求资源定位信息中的资源定位信息位置信息；所述至少两个知识协同内容描述信息，是根据所述目标业务匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息所确定的；
根据所述候选社交圈业务信息与所述目标业务匹配结果之间的区别业务信息、以及所述目录位置信息，从所述至少两个知识协同内容描述信息中，确定所述候选社交圈业务信息针对所述候选知识协同内容的第二目标知识协同内容描述信息；
将具有所述第二目标知识协同内容描述信息的所述候选知识协同内容，确定为与所述候选社交圈业务信息相对应的业务需求资源定位信息。
在第一方面的一种可能的设计思路中，所述方法还包括：
将所述业务匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息，确定为所述业务匹配结果所包含的业务需求资源定位信息；
将所述业务匹配结果和所述业务需求挖掘结果，确定为所述目标订阅业务项目的兴趣分类中的已标记匹配结果；
将所述已标记匹配结果所包含的业务需求资源定位信息，确定为目标业务需求资源定位信息；
为所述目标业务需求资源定位信息与所对应的所述已标记匹配结果中的社交圈业务信息添加相同的资源定位信息标签；
将具有所述社交圈业务标签的所述目标业务需求资源定位信息，分别输入至预设的多服务均值聚类网络中，获得所述目标业务需求资源定位信息的需求热度结果；
其中，所述根据所述业务需求挖掘结果和所述业务匹配结果，确定所述目标订阅业务项目的兴趣分类所对应的需求确认信息和所述需求确认信息对应的需求热度结果，包括：
根据所述已标记匹配结果中的社交圈业务信息，确定所述目标订阅业务项目的兴趣分类中的所述需求确认信息；
根据所述已标记匹配结果中的社交圈业务信息所具有的所述社交圈业务标签，从所述预设的多服务均值聚类网络、预设的深度学习神经网络以及预设的前向反馈神经网络中，获取所述需求确认信息对应的需求热度结果；
其中，所述根据所述已标记匹配结果中的社交圈业务信息所具有的所述社交圈业务标签，从所述预设的多服务均值聚类网络、预设的深度学习神经网络以及预设的前向反馈神经网络中，获取所述需求确认信息对应的需求热度结果，包括：
根据所述已标记匹配结果中的社交圈业务信息所具有的所述社交圈业务标签，生成用于在所述预设的多服务均值聚类网络中检测所述目标业务需求资源定位信息的第一特征分布信息，当根据所述第一特征分布信息未从所述预设的多服务均值聚类网络中确定出所述需求确认信息对应的需求热度结果时，根据所述第一特征分布信息，生成用于在所述预设的深度学习神经网络中检测所述目标业务需求资源定位信息的第二特征分布信息；
当根据所述第二特征分布信息未从所述预设的深度学习神经网络中确定出所述需求确认信息对应的需求热度结果时，根据所述第二特征分布信息，生成用于在所述预设的前向反馈神经网络中检测所述目标业务需求资源定位信息的第三特征分布信息；
根据所述第三特征分布信息，从所述预设的前向反馈神经网络中获取所述需求确认信息对应的需求热度结果。
第二方面，本公开实施例还提供一种基于人工智能的大数据需求预测装置，应用于大数据云服务中心，所述大数据云服务中心与多个业务服务终端通信连接，所述大数据云服务中心基于云计算平台实现，所述装置包括：
检测模块，用于检测所述业务服务终端所关联的目标订阅业务项目的多个业务服务索引数据中包含的变动偏好实体节点和非变动偏好实体节点，所述多个业务服务索引数据是通过不同业务大数据采集维度对所述目标订阅业务项目进行索引数据采集得到的；
提取模块，用于提取所述非变动偏好实体节点所在数据分区的索引数据标签属性，得到非变动偏好特征，提取所述变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，得到变动偏好特征；
识别模块，用于基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，基于所述变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息；
预测模块，用于根据所述各个非变动偏好实体节点对应的兴趣分类信息和所述各个变动偏好实体节点对应的兴趣分类信息确定所述目标订阅业务项目的兴趣分类，并基于所述目标订阅业务项目的兴趣分类预测所述业务服务终端的用户需求信息。
第三方面，本公开实施例还提供一种基于人工智能的大数据需求预测系统，所述基于人工智能的大数据需求预测系统包括大数据云服务中心以及与所述大数据云服务中心通信连接的多个业务服务终端；
所述大数据云服务中心，用于：
检测所述业务服务终端所关联的目标订阅业务项目的多个业务服务索引数据中包含的变动偏好实体节点和非变动偏好实体节点，所述多个业务服务索引数据是通过不同业务大数据采集维度对所述目标订阅业务项目进行索引数据采集得到的；
提取所述非变动偏好实体节点所在数据分区的索引数据标签属性，得到非变动偏好特征，提取所述变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，得到变动偏好特征；
基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，基于所述变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息；
根据所述各个非变动偏好实体节点对应的兴趣分类信息和所述各个变动偏好实体节点对应的兴趣分类信息确定所述目标订阅业务项目的兴趣分类，并基于所述目标订阅业务项目的兴趣分类预测所述业务服务终端的用户需求信息。
第四方面，本公开实施例还提供一种大数据云服务中心，所述大数据云服务中心包括处理器、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设计示例中的基于人工智能的大数据需求预测方法。
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预设有指令，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示例中的基于人工智能的大数据需求预测方法。
基于上述任意一个方面，本公开通过检测目标订阅业务项目的多个业务服务索引数据中包含的变动偏好实体节点和非变动偏好实体节点，使得可以提取非变动偏好实体节点所在数据分区的索引数据标签属性，得到非变动偏好特征，提取变动偏好实体节点所在数据分区的索引数据标签属性及变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，得到变动偏好特征，并基于非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，基于变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息，进而根据各个非变动偏好实体节点对应的兴趣分类信息和各个变动偏好实体节点对应的兴趣分类信息确定目标订阅业务项目的兴趣分类。可见，本申请实施例的技术方案可以基于业务服务索引数据上的变动偏好实体节点和非变动偏好实体节点共同来进行订阅业务项目的兴趣分类，对于变动偏好实体节点而言，不仅考虑了变动偏好实体节点所在数据分区的索引数据标签属性，而且考虑了变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，进而使得能够根据各个非变动偏好实体节点对应的兴趣分类信息和各个变动偏好实体节点对应的兴趣分类信息来识别目标订阅业务项目的兴趣分类，提高了大数据需求预测的准确性。
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调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人工智能的大数据需求预测系统的应用场景示意图；
图2为本公开实施例提供的基于人工智能的大数据需求预测方法的流程示意图；
图3为本公开实施例提供的基于人工智能的大数据需求预测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人工智能的大数据需求预测方法的大数据云服务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人工智能的大数据需求预测系统10的交互示意图。基于人工智能的大数据需求预测系统10可以包括大数据云服务中心100以及与大数据云服务中心100通信连接的业务服务终端200。图1所示的基于人工智能的大数据需求预测系统10仅为一种可行的示例，在其它可行的实施例中，该基于人工智能的大数据需求预测系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
基于本公开提供的技术方案的发明构思出发，本公开提供的大数据云服务中心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、区块链金融服务平台等，但不限于此。
在一种可能的设计思路中，基于人工智能的大数据需求预测系统10中的大数据云服务中心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人工智能的大数据需求预测方法，具体大数据云服务中心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为本公开实施例提供的基于人工智能的大数据需求预测方法的流程示意图，本实施例提供的基于人工智能的大数据需求预测方法可以由图1中所示的大数据云服务中心100执行，下面对该基于人工智能的大数据需求预测方法进行详细介绍。
步骤S110，检测目标订阅业务项目的多个业务服务索引数据中包含的变动偏好实体节点和非变动偏好实体节点，该多个业务服务索引数据是通过不同业务大数据采集维度对目标订阅业务项目进行索引数据采集得到的。
在一种可能的设计思路中，目标订阅业务项目可以是电商业务项目、直播带货项目等实体订阅业务项目，变动偏好实体节点可以是订阅业务项目位于不同的用户业务使用模式时内容服务属性信息存在动态变化的具有用户信息偏好的偏好实体节点，例如，用户行为产生的数据对象，如注册实体节点、浏览实体节点、点击实体节点、购买实体节点、签收实体节点、评价实体节点等，当订阅业务项目处于不同业务使用模式时，订阅业务项目上的变动偏好实体节点将发生一定变化，且变动偏好实体节点的变化符合一定的规律变化，例如，订阅业务项目的变动偏好实体节点的注册内容、浏览内容、点击内容、购买内容等内容服务属性信息发生变化。非变动偏好实体节点通常是不会因为订阅业务项目的业务大数据采集维度或业务类型不同而发生变化的偏好实体节点，如用户的注册居住服务区、注册年龄、注册星座等等，但不限于此。
一般而言，对于用户误操作的订阅业务项目，在其后通常不包含偏好实体节点，或者只包含部分偏好实体节点，或者偏好实体节点与真实订阅业务项目存在差异(如误操作的订阅业务项目上的变动偏好实体节点通常不会或者很少由于业务大数据采集维度和业务类型发生变化而变化、或者变化方式与真实订阅业务项目存在区别等)，因此可以获取通过不同业务大数据采集维度对目标订阅业务项目进行索引数据采集得到的多个业务服务索引数据，以基于变动偏好实体节点和非变动偏好实体节点来综合确定订阅业务项目的兴趣分类识别结果。
在一种可能的设计思路中，可以通过不同业务大数据采集维度采集包含目标订阅业务项目的订阅业务大数据，然后从该订阅业务大数据中获取多个业务服务索引数据；或者也可以通过不同采集业务大数据采集维度直接采集目标订阅业务项目的多个业务服务索引数据。例如，在检测到业务服务索引数据采集请求后，可以通过不同业务大数据采集维度对目标订阅业务项目进行索引数据采集，以获取从不同业务大数据采集维度采集得到的订阅业务大数据或者多个业务服务索引数据。
在一种可能的设计思路中，在对目标订阅业务项目进行索引数据采集时，可以将目标订阅业务项目进行不同业务大数据采集维度的适配，例如对适配至不同资源定位信息(如资源定位信息A、资源定位信息B、资源定位信息C、资源定位信息D)的目标订阅业务项目进行索引数据采集，从而得到订阅业务大数据或者多个业务服务索引数据。
在一种可能的设计思路中，例如，通过不同业务大数据采集维度对目标订阅业务项目进行索引数据采集的方式还可以是将目标订阅业务项目绑定在于非变动位置，从而变换到不同业务大数据采集维度(如业务大数据采集维度a、业务大数据采集维度b、业务大数据采集维度c、业务大数据采集维度d)，按不同采集业务大数据采集维度对目标订阅业务项目进行索引数据采集，从而得到订阅业务大数据或者多个业务服务索引数据。
在一种可能的设计思路中，在采集目标订阅业务项目的订阅业务大数据或者多个业务服务索引数据时，还可以检测采集到的订阅业务大数据中的订阅业务索引数据或采集到的订阅业务项目资源所包含的目标订阅业务项目的资源定位信息，如果检测到的目标订阅业务项目的资源定位信息不符合预设条件，则可以重新进行采集，直至采集到的订阅业务索引数据或订阅业务项目资源所包含的目标订阅业务项目的资源定位信息符合预设条件为止。可选地，如果检测到的目标订阅业务项目的资源定位信息位于订阅业务索引数据或订阅业务项目资源的资源定位信息之外，或者检测到的目标订阅业务项目在订阅业务索引数据或订阅业务项目资源中占用过度，则可以提示重新进行采集。
在一种可能的设计思路中，可以通过以下方式检测订阅业务索引数据所包含的目标订阅业务项目的资源定位信息(由于检测订阅业务项目资源中的目标订阅业务项目位置的方式类似，以下以检测订阅业务索引数据所包含的目标订阅业务项目的资源定位信息为例进行说明)：
通过级联的多个特征提取单元对订阅业务索引数据进行编码特征提取，其中该多个特征提取单元中的第一个特征提取单元用于对订阅业务索引数据进行编码特征提取，该多个特征提取单元中的第N+1个特征提取单元用于对第N个特征提取单元的输出描述向量进行编码特征提取，N大于0。
依次将该多个特征提取单元中的第N+1个特征提取单元的对应描述向量进行解码特征提取，并将解码特征提取的结果与第N个特征提取单元的输出描述向量进行融合，将融合结果作为第N个特征提取单元的对应描述向量，其中的解码特征提取与编码特征提取的特征提取维度相同。
根据该多个特征提取单元中第一个特征提取单元的对应描述向量识别订阅业务索引数据所包含的目标订阅业务项目的资源定位信息。需要说明的是，这多个特征提取单元中的最后一个特征提取单元的对应描述向量即为最后一个特征提取单元的输出描述向量。
示例性地，对于一个订阅业务索引数据A1，通过一个特征提取单元进行编码特征提取得到描述向量A01(描述向量A01即为第1个特征提取单元的输出描述向量)，然后继续编码特征提取得到描述向量A02(描述向量A02即为第2个特征提取单元的输出描述向量)，并依次类推得到描述向量A03和描述向量A04(描述向量A03即为第3个特征提取单元的输出描述向量，描述向量A04即为第4个特征提取单元的输出描述向量，本实施例可以以4个特征提取单元为例进行说明)。将第4个特征提取单元(即这4个级联的特征提取单元中的最后一个特征提取单元)的对应描述向量A04'(由于第4个特征提取单元是最后一个特征提取单元，因此第4个特征提取单元的对应描述向量即为第4个特征提取单元的输出描述向量)进行解码特征提取，并与第3个特征提取单元的输出描述向量A03进行融合得到第3个特征提取单元的对应描述向量A03'，然后第3个特征提取单元的对应描述向量A03'进行解码特征提取，并与第2个特征提取单元的输出描述向量A02进行融合得到第2个特征提取单元的对应描述向量A02'，第2个特征提取单元的对应描述向量A02'进行解码特征提取，并与第1个特征提取单元的输出描述向量A01进行融合得到第1个特征提取单元的对应描述向量A01'，描述向量A01'即为与订阅业务索引数据A1同样大小的描述向量，最后将该描述向量输入sigmoid函数中得到目标订阅业务项目的分类结果，从而获得检测到的目标订阅业务项目的资源定位信息。
在一种可能的设计思路中，在采集目标订阅业务项目的订阅业务大数据或者多个业务服务索引数据时，还可以检测采集到的订阅业务大数据中的订阅业务索引数据或采集到的订阅业务项目资源所包含的目标订阅业务项目的适配业务大数据采集维度，如果检测到的目标订阅业务项目的适配业务大数据采集维度不符合预设条件，则可以重新进行采集，直至采集到的订阅业务索引数据或订阅业务项目资源所包含的目标订阅业务项目的适配业务大数据采集维度符合预设条件为止。可选地，如果检测到的目标订阅业务项目的适配业务大数据采集维度的跨度过大或过小，则可以提示重新进行采集。
在一种可能的设计思路中，检测订阅业务大数据中的订阅业务索引数据所包含的目标订阅业务项目的适配业务大数据采集维度(由于检测订阅业务项目资源中的目标订阅业务项目适配业务大数据采集维度的方式类似，以下以检测订阅业务索引数据所包含的目标订阅业务项目的适配业务大数据采集维度为例进行说明)，可以是在订阅业务大数据包含的订阅业务索引数据中进行目标订阅业务项目检测，以在订阅业务索引数据中识别包含目标订阅业务项目的订阅业务项目检测区，然后根据在订阅业务索引数据中识别到的订阅业务项目检测区的检测区参数，确定订阅业务索引数据中所包含的目标订阅业务项目的适配业务大数据采集维度。
示例性地，可以计算订阅业务项目检测区的业务初始边界与目标订阅业务项目的业务初始边界的比例得到第一业务大数据采集维度，同理，可以计算订阅业务项目检测区的业务终止边界与目标订阅业务项目的业务终止边界的比例得到第二业务大数据采集维度，对第一业务大数据采集维度与第二业务大数据采集维度进行加权判定，计算得到目标订阅业务项目的适配业务大数据采集维度。
在一种可能的设计思路中，也可以计算订阅业务项目检测区的相关联两检测区参数，以及目标订阅业务项目的相关联两检测区参数，然后根据各个订阅业务索引数据中的订阅业务项目检测区的相关联两检测区参数与目标订阅业务项目的相关联两检测区参数之间的对应关系，确定各个订阅业务索引数据中所包含的目标订阅业务项目的适配业务大数据采集维度。例如，计算订阅业务项目检测区的相关联两检测区参数与目标订阅业务项目的相关联两检测区参数之间的关联关系，根据该关联关系确定出与该关联关系对应的适配业务大数据采集维度。该实施例中通过目标订阅业务项目的相关联两检测区参数以及订阅业务项目检测区的相关联两检测区参数之间的对应关系确定适配业务大数据采集维度的方法的效果更好，不会受到不同订阅业务索引数据中的目标订阅业务项目大小不一的影响。
在一种可能的设计思路中，可以利用索引数据检测模型对各个订阅业务索引数据进行检测，索引数据检测模型的训练样本包括标注有订阅业务项目检测区的订阅业务索引数据样本，以及对订阅业务索引数据样本进行索引数据扩展处理得到的扩展索引数据。可选地，可以将订阅业务大数据中包含的订阅业务索引数据输入索引数据检测模型，利用索引数据检测模型对各个订阅业务索引数据进行检测，得到各个订阅业务索引数据中包含目标订阅业务项目的订阅业务项目检测区。
例如，索引数据扩展处理可以是：
（1）如针对点击标题。通常在搜索日志中，会以一个session为单位，一个session中保存的是一个时间段内的相关搜索信息，可以用的信息字段是查询串-点击标题-点击次数-时间等，在不同session的同一查询可能对应的点击记录不一样，可以进行合并后并进行标题扩展。
（2）如针对相似查询串。同样，同一点击记录的不同查询也可以用于扩展。
（3）同义词词林、利用word2vec得到的相关性主题集合进行扩展。
在一种可能的设计思路中，以上选取的训练样本可以包括：标注有订阅业务项目检测区的订阅业务索引数据样本，以及对订阅业务索引数据样本进行索引数据扩展处理得到的扩展索引数据。可选地，扩展索引数据可以是进行索引数据扩展处理得到的索引数据，比如可以是对订阅业务索引数据样本使用相同数据扩充、相似数据扩充等方法进行扩展处理得到的。
步骤S120，提取非变动偏好实体节点所在数据分区的索引数据标签属性，得到非变动偏好特征，提取变动偏好实体节点所在数据分区的索引数据标签属性及变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，得到变动偏好特征。
在一种可能的设计思路中，非变动偏好实体节点标签属性即是二维索引数据标签属性，因此可以通过提取非变动偏好实体节点所在数据分区的索引数据标签属性作为非变动偏好特征，比如可以通过K-MEANS算法来提取非变动偏好特征等，或者也可以通过卷积神经网络来提取非变动偏好特征。而对于变动偏好实体节点而言，不仅需要考虑非变动偏好实体节点所在数据分区的索引数据标签属性，而且还要在此基础上增加时序维度，以捕捉视频多帧间变动偏好实体节点的变化特征，具体可以采用人工智能模型来提取变动偏好特征，详见后文。
步骤S130，基于非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，基于变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息。
在一种可能的设计思路中，可以根据各个非变动偏好实体节点的非变动偏好特征所处的第一偏好特征范围，以及第一偏好特征范围所关联的兴趣分类信息，确定各个非变动偏好实体节点对应的兴趣分类信息。比如，可以事先设定兴趣分类偏好实体节点的偏好特征范围范围，然后根据非变动偏好特征所处的偏好特征范围范围来确定非变动偏好实体节点的兴趣分类信息。
类似地，也可以根据各变动偏好实体节点的变动偏好特征所处的第二偏好特征范围，以及第二偏好特征范围所关联的兴趣分类信息，确定各个变动偏好实体节点对应的兴趣分类信息。
在一种可能的设计思路中，也可以采用兴趣分类分类的方法来确定非变动偏好实体节点和变动偏好实体节点的兴趣分类信息。比如采用SVM(Support Vector Machine，支持向量机)分类器进行偏好实体节点的兴趣分类分类，或者通过神经网络中的决策单元来进行偏好实体节点的兴趣分类分类等。
在一种可能的设计思路中，可以从包含目标订阅业务项目的订阅业务大数据中提取指定订阅业务索引数据，该指定订阅业务索引数据可以是订阅业务大数据中的所有订阅业务索引数据，或者可以是按照设定间隔从订阅业务大数据中提取出的一个或多个订阅业务索引数据，或者也可以是目标订阅业务项目处于水平位置的订阅业务索引数据。然后在该指定订阅业务索引数据中提取非变动偏好实体节点所在数据分区的索引数据标签属性。基于此，在一种可能的设计思路中，可以根据从各个指定订阅业务索引数据中提取出的非变动偏好特征，识别各个指定订阅业务索引数据中包含的非变动偏好实体节点的兴趣分类信息，然后根据各个指定订阅业务索引数据中包含的非变动偏好实体节点的兴趣分类信息，确定同一个非变动偏好实体节点在各个指定订阅业务索引数据中的兴趣分类信息，进而根据同一个非变动偏好实体节点在各个指定订阅业务索引数据中的兴趣分类信息，计算目标订阅业务项目上的各个非变动偏好实体节点的兴趣分类信息。
示例性地，对于任意一个订阅业务索引数据，都可以采用前述实施例中的技术方案来检测其中包含的非变动偏好实体节点，并识别其中的非变动偏好实体节点的兴趣分类信息。然后将提取出的指定订阅业务索引数据中包含的相同非变动偏好实体节点的兴趣分类信息进行综合来得到各个非变动偏好实体节点的兴趣分类信息。比如，兴趣分类信息可以是兴趣分类概率，进而可以将指定订阅业务索引数据中包含的相同非变动偏好实体节点的兴趣分类概率进行平均，然后将得到的平均值作为各个非变动偏好实体节点的兴趣分类信息。
需要说明的是，如果不是从订阅业务大数据中提取出指定订阅业务索引数据来确定非变动偏好实体节点的兴趣分类信息，而是直接采集多张业务服务索引数据来确定非变动偏好实体节点的兴趣分类信息，那么具体的处理方式与基于从订阅业务大数据中提取出指定订阅业务索引数据来确定非变动偏好实体节点的兴趣分类信息的方案是类似的，不再赘述。
在一种可能的设计思路中，可以从包含目标订阅业务项目的订阅业务大数据中提取至少一组订阅业务索引数据，然后在这至少一组订阅业务索引数据中提取变动偏好实体节点所在数据分区的索引数据标签属性及变动偏好实体节点的变化标签属性。基于此，在一种可能的设计思路中，可以根据从各组订阅业务索引数据中提取出的变动偏好实体节点所在数据分区的索引数据标签属性及变动偏好实体节点的变化标签属性，识别各组订阅业务索引数据中包含的变动偏好实体节点的兴趣分类信息，然后根据各组订阅业务索引数据中包含的变动偏好实体节点的兴趣分类信息，确定同一个变动偏好实体节点在各组订阅业务索引数据中的兴趣分类信息，进而根据同一个变动偏好实体节点在各组订阅业务索引数据中的兴趣分类信息，计算目标订阅业务项目上的各个变动偏好实体节点的兴趣分类信息。
示例性地，对于任意一组订阅业务索引数据，都可以采用前述实施例中的技术方案来检测其中包含的变动偏好实体节点，并识别其中的变动偏好实体节点的兴趣分类信息。然后将提取出的各组订阅业务索引数据中包含的相同变动偏好实体节点的兴趣分类信息进行综合来得到各个变动偏好实体节点的兴趣分类信息。比如，兴趣分类信息可以是兴趣分类概率，进而可以将各组订阅业务索引数据中包含的相同变动偏好实体节点的兴趣分类概率进行平均，然后将得到的平均值作为各个变动偏好实体节点的兴趣分类信息。
当然，如果不是从订阅业务大数据中提取出至少一组订阅业务索引数据来确定变动偏好实体节点的兴趣分类信息，而是直接采集多张业务服务索引数据来确定变动偏好实体节点的兴趣分类信息，那么具体的处理方式与基于从订阅业务大数据中提取出至少一组订阅业务索引数据来确定变动偏好实体节点的兴趣分类信息的方案是类似的，比如也可以根据这多张业务服务索引数据来划分得到至少一组业务服务索引数据，然后进行兴趣分类识别，不再赘述。
在一种可能的设计思路中，如前实施例所述，可以通过人工智能模型来提取变动偏好特征，同时也可以输出变动偏好实体节点对应的兴趣分类信息。具体地，可以将包含变动偏好实体节点所在数据分区的多个业务服务索引数据输入至人工智能模型，以通过人工智能模型提取变动偏好实体节点在多个业务服务索引数据之间的多服务描述向量以及变动偏好实体节点所在数据分区的索引数据标签属性。然后，通过人工智能模型中的转换单元将多服务描述向量转换为归一化描述向量，作为变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，并将索引数据标签属性和变化标签属性作为变动偏好特征，通过人工智能模型中决策单元输出变动偏好实体节点对应的兴趣分类信息。
作为示例，人工智能模型可以采用4个特征提取单元，这4个特征提取单元依次串行，每个特征提取单元是conv3d+BN(即Batch Normalization，批量归一化)层+Relu(Rectified Linear Unit，线性整流单元)的结构，4个特征提取单元的特征单元分别对应于4列，描述向量特征之间的连接用于表示下一层的一个特征单元是由上一层的相关联几个特征单元卷积得到的，最后将多服务描述向量转换为归一化描述向量，作为变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，并将索引数据标签属性和变化标签属性作为变动偏好特征，通过决策单元输出偏好实体节点对应的兴趣分类概率。该兴趣分类概率可以是：“可折叠柔性产品”+概率，以及“扫地机器人产品”+概率的形式。比如，“可折叠柔性产品”79.3％；“扫地机器人产品”23.8％。
步骤S140，根据各个非变动偏好实体节点对应的兴趣分类信息和各个变动偏好实体节点对应的兴趣分类信息确定目标订阅业务项目的兴趣分类。
在一种可能的设计思路中，如果兴趣分类信息包括兴趣分类概率，那么可以根据各个非变动偏好实体节点的权重和各个变动偏好实体节点的权重，对各个非变动偏好实体节点对应的兴趣分类概率和各个变动偏好实体节点对应的兴趣分类概率进行加权，得到兴趣分类概率综合值，进而根据兴趣分类概率综合值确定目标订阅业务项目的兴趣分类。
例如，假设目标订阅业务项目有1个非变动偏好实体节点和2个变动偏好实体节点，非变动偏好实体节点a的权重为0.2，变动偏好实体节点b的权重为0.4，变动偏好实体节点c的权重为0.4，而非变动偏好实体节点a的兴趣分类概率为：“可折叠柔性产品”0.4；变动偏好实体节点b的兴趣分类概率为：“扫地机器人产品”0.7；变动偏好实体节点c的兴趣分类概率为“可折叠柔性产品”0.5，则可以计算目标订阅业务项目对应的兴趣分类为“可折叠柔性产品”的概率综合值为0.2×0.4+0.4×(1-0.7)+0.4×0.5＝0.4。
示例性地，在计算得到目标订阅业务项目的兴趣分类概率综合值后，可以将该兴趣分类概率综合值与预设阈值进行比较，如果目标订阅业务项目的兴趣分类为“可折叠柔性产品”的概率综合值大于预设阈值，则判定目标订阅业务项目的兴趣分类为“可折叠柔性产品”，反之，如果目标订阅业务项目为“可折叠柔性产品”的概率综合值小于等于预设阈值，则判定目标订阅业务项的兴趣分类不为“可折叠柔性产品”。其中，预设阈值可以根据实际情况进行设定。
这样，本实施例主要是基于业务服务索引数据上的变动偏好实体节点和非变动偏好实体节点共同来进行订阅业务项目的兴趣分类，对于非变动偏好实体节点而言，考虑了非变动偏好实体节点所在数据分区的索引数据标签属性，对于变动偏好实体节点而言，不仅考虑了变动偏好实体节点所在数据分区的索引数据标签属性，而且考虑了变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，并且可以先确定各个非变动偏好实体节点对应的兴趣分类信息和各个变动偏好实体节点对应的兴趣分类信息，进而根据各个非变动偏好实体节点对应的兴趣分类信息和各个变动偏好实体节点对应的兴趣分类信息来识别目标订阅业务项目的兴趣分类，提高了大数据需求预测的准确性。
在一种可能的设计思路中，针对步骤S140，在基于所述目标订阅业务项目的兴趣分类预测所述业务服务终端200的用户需求信息的流程中，可以通过以下示例性的子步骤实现，详细描述如下。
子步骤S141，获取目标订阅业务项目的兴趣分类中的人群兴趣点信息和业务服务终端200的用户的社交圈业务信息。
子步骤S142，基于目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息之间的信息关联度，对目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息进行匹配，得到业务匹配结果。
子步骤S143，将匹配成功的社交圈业务信息确定为候选社交圈业务信息，根据业务匹配结果中的社交圈业务信息与候选社交圈业务信息之间的区别业务信息，确定与候选社交圈业务信息相对应的业务需求资源定位信息。
子步骤S144，对与候选社交圈业务信息相对应的业务需求资源定位信息和候选社交圈业务信息进行业务需求挖掘，得到业务需求挖掘结果。
子步骤S145，根据业务需求挖掘结果和业务匹配结果，确定目标订阅业务项目的兴趣分类所对应的需求确认信息和需求确认信息对应的需求热度结果，根据需求热度结果预测业务服务终端200的用户需求信息。
基于上述子步骤，本实施例首先获取目标订阅业务项目的兴趣分类中的人群兴趣点信息和业务服务终端200的用户的社交圈业务信息，其次基于信息关联度进行人群兴趣点信息和社交圈业务信息的匹配以得到业务匹配结果，然后根据匹配成功的社交圈业务信息确定业务需求资源定位信息从而进行业务需求挖掘得到业务需求挖掘结果，以根据业务需求挖掘结果和业务匹配结果确定目标订阅业务项目的兴趣分类所对应的需求确认信息对应的需求热度结果，根据需求热度结果预测业务服务终端200的用户需求信息。能够通过需求热度结果进行针对性的需求预测，进而可以使得预测获得的用户需求更符合用户的实际意图，提高后续信息推送的准确性。
在一种可能的设计思路中，对于子步骤S141，可以通过以下示例性的实施方式实现。
（1）获取目标订阅业务项目的兴趣分类中的至少两个人群兴趣点资源和至少两个社交圈业务资源。
（2）获取至少两个人群兴趣点资源之间的兴趣点更新信息和人群兴趣点资源的资源迁移信息，获取至少两个社交圈业务资源之间的社交圈业务更新信息和社交圈业务资源的资源迁移信息。
（3）根据兴趣点更新信息和人群兴趣点资源的资源迁移信息，对至少两个人群兴趣点资源进行组合，得到目标订阅业务项目的兴趣分类中的人群兴趣点信息。其中，一个人群兴趣点信息包括至少一个人群兴趣点资源。
（4）根据社交圈业务更新信息和社交圈业务资源的资源迁移信息，对至少两个社交圈业务资源进行组合，得到目标订阅业务项目的兴趣分类中的社交圈业务信息。其中，一个社交圈业务信息包括至少一个社交圈业务资源。
在一种可能的设计思路中，对于子步骤S142，可以通过以下示例性的实施方式实现。
（1）将目标订阅业务项目的兴趣分类中的社交圈业务信息确定为已标记社交圈业务信息，将目标订阅业务项目的兴趣分类中的人群兴趣点信息确定为已标记人群兴趣点信息。
其中，已标记社交圈业务信息中的社交圈业务资源是从针对目标订阅业务项目的兴趣分类的实时配置资源中所确定的。
（2）获取实时配置资源中的人群兴趣点资源。将实时配置资源中的人群兴趣点资源与已标记人群兴趣点信息中的人群兴趣点资源之间的配置资源相关度，确定为已标记社交圈业务信息与已标记人群兴趣点信息之间的信息关联度。
当信息关联度大于或等于预设信息关联度时，对已标记社交圈业务信息和已标记人群兴趣点信息进行匹配，得到业务匹配结果。
譬如，在一种可能的设计思路中，候选社交圈业务信息包括目标订阅业务项目的兴趣分类中的散列分布社交圈业务资源。业务匹配结果的数量为至少两个。每个业务匹配结果中的社交圈业务信息分别包括目标订阅业务项目的兴趣分类中的整体社交圈业务资源。
在此基础上，在一种可能的设计思路中，对于子步骤S143，可以通过以下示例性的实施方式实现。
（1）根据散列分布社交圈业务资源，获取候选社交圈业务信息的散列分布事务操作数据。
（2）根据每个业务匹配结果包括的整体社交圈业务资源，分别获取每个业务匹配结果中的社交圈业务信息的整体事务操作数据。
（3）获取散列分布事务操作数据分别与每个业务匹配结果对应的整体事务操作数据之间的事务操作关联解析信息。
（4）根据每个业务匹配结果所属的事务操作关联解析信息，确定每个业务匹配结果中的社交圈业务信息分别与候选社交圈业务信息之间的区别业务信息。
（5）当目标业务匹配结果的频繁访问热度大于第一预设频繁访问热度阈值且小于或等于第二预设频繁访问热度阈值时，将目标业务匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息，确定为与候选社交圈业务信息相对应的业务需求资源定位信息。目标业务匹配结果，指所属的区别业务信息对应的区别参数大于或等于预设区别参数的业务匹配结果。
在一种可能的设计思路中，散列分布社交圈业务资源的配置资源数量为至少两个。在子步骤S143的（1）中根据散列分布社交圈业务资源，获取候选社交圈业务信息的散列分布事务操作数据的过程中，可以获取至少两个散列分布社交圈业务资源中的每个散列分布社交圈业务资源分别对应的资源查询意图，根据每个散列分布社交圈业务资源分别对应的资源查询意图，获取至少两个散列分布社交圈业务资源对应的散列分布关联识别意图，将散列分布关联识别意图，确定为散列分布事务操作数据。
在一种可能的设计思路中，至少两个业务匹配结果包括业务匹配结果i，i为小于或等于至少两个业务匹配结果的总数量的正整数。业务匹配结果i包括的整体社交圈业务资源的配置资源数量为至少两个。
这样，在子步骤S143的（2）中根据每个业务匹配结果包括的整体社交圈业务资源，分别获取每个业务匹配结果中的社交圈业务信息的整体事务操作数据的过程中，可以获取业务匹配结果i包括的至少两个整体社交圈业务资源中的每个整体社交圈业务资源分别对应的资源查询意图，然后根据每个整体社交圈业务资源分别对应的资源查询意图，获取至少两个整体社交圈业务资源对应的整体关联识别意图，将整体关联识别意图，确定为业务匹配结果i中的社交圈业务信息的整体事务操作数据。
在一种可能的设计思路中，候选社交圈业务信息的数量为至少两个，当目标业务匹配结果的数量小于或等于第一预设频繁访问热度阈值时，将与每个候选社交圈业务信息之间的区别业务信息对应的区别参数最大的社交圈业务信息所对应的业务匹配结果，分别确定为每个候选社交圈业务信息对应的候选匹配结果。
在此基础上，可以将每个候选社交圈业务信息对应的候选匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息，分别确定为每个候选社交圈业务信息对应的候选业务需求资源定位信息，然后根据每个候选社交圈业务信息对应的候选业务需求资源定位信息，确定候选知识协同内容对应的至少两个知识协同内容描述信息。
接着，可以获取至少两个知识协同内容描述信息在至少两个业务匹配结果的人群兴趣点信息所包含的业务需求资源定位信息中的第一知识协同内容统计结果，根据第一知识协同内容统计结果，确定每个候选社交圈业务信息针对候选知识协同内容的第一目标知识协同内容描述信息，将分别具有每个候选社交圈业务信息对应的第一目标知识协同内容描述信息的候选知识协同内容，确定为与每个候选社交圈业务信息相对应的业务需求资源定位信息。至少两个知识协同内容描述信息在与每个候选社交圈业务信息相对应的业务需求资源定位信息中的第二知识协同内容统计结果对应的知识协同内容的推荐转化率，等于第一知识协同内容统计结果的知识协同内容的推荐转化率。
在一种可能的设计思路中，当目标业务匹配结果的数量大于第二预设频繁访问热度阈值时，统计候选知识协同内容的至少两个知识协同内容描述信息在目标业务匹配结果的人群兴趣点资源所包含的业务需求资源定位信息中的资源定位信息位置信息。至少两个知识协同内容描述信息，是根据目标业务匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息所确定的。
在此基础上，可以根据候选社交圈业务信息与目标业务匹配结果之间的区别业务信息、以及目录位置信息，从至少两个知识协同内容描述信息中，确定候选社交圈业务信息针对候选知识协同内容的第二目标知识协同内容描述信息，将具有第二目标知识协同内容描述信息的候选知识协同内容，确定为与候选社交圈业务信息相对应的业务需求资源定位信息。
在一种可能的设计思路中，本实施例还可以进一步将业务匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息，确定为业务匹配结果所包含的业务需求资源定位信息，将业务匹配结果和业务需求挖掘结果，确定为目标订阅业务项目的兴趣分类中的已标记匹配结果，将已标记匹配结果所包含的业务需求资源定位信息，确定为目标业务需求资源定位信息，为目标业务需求资源定位信息与所对应的已标记匹配结果中的社交圈业务信息添加相同的资源定位信息标签，将具有社交圈业务标签的目标业务需求资源定位信息，分别输入至预设的多服务均值聚类网络中，获得目标业务需求资源定位信息的需求热度结果。
其中，对于子步骤S145，可以根据已标记匹配结果中的社交圈业务信息，确定目标订阅业务项目的兴趣分类中的需求确认信息，根据已标记匹配结果中的社交圈业务信息所具有的社交圈业务标签，从预设的多服务均值聚类网络、预设的深度学习神经网络以及预设的前向反馈神经网络中，获取需求确认信息对应的需求热度结果。
其中，根据已标记匹配结果中的社交圈业务信息所具有的社交圈业务标签，从预设的多服务均值聚类网络、预设的深度学习神经网络以及预设的前向反馈神经网络中，获取需求确认信息对应的需求热度结果可以通过以下示例性的实施方式实现。
（1）根据已标记匹配结果中的社交圈业务信息所具有的社交圈业务标签，生成用于在预设的多服务均值聚类网络中检测目标业务需求资源定位信息的第一特征分布信息，当根据第一特征分布信息未从预设的多服务均值聚类网络中确定出需求确认信息对应的需求热度结果时，根据第一特征分布信息，生成用于在预设的深度学习神经网络中检测目标业务需求资源定位信息的第二特征分布信息。
（2）当根据第二特征分布信息未从预设的深度学习神经网络中确定出需求确认信息对应的需求热度结果时，根据第二特征分布信息，生成用于在预设的前向反馈神经网络中检测目标业务需求资源定位信息的第三特征分布信息。
（3）根据第三特征分布信息，从预设的前向反馈神经网络中获取需求确认信息对应的需求热度结果。
图3为本公开实施例提供的基于人工智能的大数据需求预测装置300的功能模块示意图，本实施例可以根据上述大数据云服务中心100执行的方法实施例对该基于人工智能的大数据需求预测装置300进行功能模块的划分，也即该基于人工智能的大数据需求预测装置300所对应的以下各个功能模块可以用于执行上述大数据云服务中心100执行的各个方法实施例。其中，该基于人工智能的大数据需求预测装置300可以包括检测模块310、提取模块320、识别模块330和预测模块340，下面分别对该基于人工智能的大数据需求预测装置300的各个功能模块的功能进行详细阐述。
检测模块310，用于检测所述业务服务终端200所关联的目标订阅业务项目的多个业务服务索引数据中包含的变动偏好实体节点和非变动偏好实体节点，所述多个业务服务索引数据是通过不同业务大数据采集维度对所述目标订阅业务项目进行索引数据采集得到的。其中，检测模块310可以用于执行上述的步骤S110，关于检测模块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。
提取模块320，用于提取所述非变动偏好实体节点所在数据分区的索引数据标签属性，得到非变动偏好特征，提取所述变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，得到变动偏好特征。其中，提取模块320可以用于执行上述的步骤S120，关于提取模块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。
识别模块330，用于基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，基于所述变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息。其中，识别模块330可以用于执行上述的步骤S130，关于识别模块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。
预测模块340，用于根据所述各个非变动偏好实体节点对应的兴趣分类信息和所述各个变动偏好实体节点对应的兴趣分类信息确定所述目标订阅业务项目的兴趣分类，并基于所述目标订阅业务项目的兴趣分类预测所述业务服务终端的用户需求信息。其中，预测模块340可以用于执行上述的步骤S140，关于预测模块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对象上，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，检测模块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检测模块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人工智能的大数据需求预测方法的大数据云服务中心100的硬件结构示意图，如图4所示，大数据云服务中心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中所示的基于人工智能的大数据需求预测装置300包括的检测模块310、提取模块320、识别模块330和预测模块340），使得处理器110可以执行如上方法实施例的基于人工智能的大数据需求预测方法，其特征在于，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大数据云服务中心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、存储集群互连(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，本公开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预设有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于人工智能的大数据需求预测方法。
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)
1.一种基于人工智能的大数据需求预测方法，其特征在于，应用于大数据云服务中心，所述大数据云服务中心与多个业务服务终端通信连接，所述方法包括：
检测所述业务服务终端所关联的目标订阅业务项目的多个业务服务索引数据中包含的变动偏好实体节点和非变动偏好实体节点，所述多个业务服务索引数据是通过不同业务大数据采集维度对所述目标订阅业务项目进行索引数据采集得到的；
提取所述非变动偏好实体节点所在数据分区的索引数据标签属性，得到非变动偏好特征，提取所述变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，得到变动偏好特征；
基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，基于所述变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息；
根据所述各个非变动偏好实体节点对应的兴趣分类信息和所述各个变动偏好实体节点对应的兴趣分类信息确定所述目标订阅业务项目的兴趣分类，并基于所述目标订阅业务项目的兴趣分类预测所述业务服务终端的用户需求信息。
2.根据权利要求1所述的基于人工智能的大数据需求预测方法，其特征在于，所述方法还包括：
通过不同业务大数据采集维度采集包含所述目标订阅业务项目的订阅业务大数据，并通过级联的多个特征提取单元对所述订阅业务大数据中的订阅业务索引数据进行编码特征提取，其中所述多个特征提取单元中的第一个特征提取单元用于对所述订阅业务索引数据进行编码特征提取，所述多个特征提取单元中的第N+1个特征提取单元用于对第N个特征提取单元的输出描述向量进行编码特征提取，N大于0；
依次将所述多个特征提取单元中的第N+1个特征提取单元的对应描述向量进行解码特征提取，并将解码特征提取的结果与第N个特征提取单元的输出描述向量进行融合，将融合结果作为所述第N个特征提取单元的对应描述向量，所述解码特征提取与所述编码特征提取的特征提取维度相同；
根据所述多个特征提取单元中第一个特征提取单元的对应描述向量识别所述订阅业务索引数据所包含的目标订阅业务项目的资源定位信息；
若检测到所述目标订阅业务项目的资源定位信息不符合预设条件，则重新采集包含所述目标订阅业务项目的订阅业务大数据，直至采集到的订阅业务索引数据所包含的目标订阅业务项目的资源定位信息符合所述预设条件；
若检测到所述目标订阅业务项目的资源定位信息符合所述预设条件，则从所述订阅业务大数据包含的订阅业务索引数据中获取所述多个业务服务索引数据；以及
在所述订阅业务大数据包含的订阅业务索引数据中进行目标订阅业务项目检测，以在所述订阅业务索引数据中识别包含所述目标订阅业务项目的订阅业务项目检测区；
根据在所述订阅业务索引数据中识别到的订阅业务项目检测区的检测区参数，确定所述订阅业务索引数据中所包含的目标订阅业务项目的适配业务大数据采集维度；
若检测到的所述目标订阅业务项目的适配业务大数据采集维度不符合预设条件，则重新采集包含所述目标订阅业务项目的订阅业务大数据，直至采集到的订阅业务索引数据所包含的目标订阅业务项目的适配业务大数据采集维度符合所述预设条件。
3.根据权利要求1所述的基于人工智能的大数据需求预测方法，其特征在于，提取所述变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，得到变动偏好特征，以及基于所述变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息，包括：
将包含所述变动偏好实体节点所在数据分区的多个业务服务索引数据输入至人工智能模型，以通过所述人工智能模型提取所述变动偏好实体节点在多个业务服务索引数据之间的多服务描述向量以及变动偏好实体节点所在数据分区的索引数据标签属性；
通过所述人工智能模型中的转换单元将所述多服务描述向量转换为归一化描述向量，作为所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，并将所述索引数据标签属性和所述变化标签属性作为所述变动偏好特征，通过所述人工智能模型中决策单元输出所述变动偏好实体节点对应的兴趣分类信息。
4.根据权利要求1所述的基于人工智能的大数据需求预测方法，其特征在于， 基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，包括：
根据各个非变动偏好实体节点的非变动偏好特征所处的第一偏好特征范围，以及所述第一偏好特征范围所关联的兴趣分类信息，确定所述各个非变动偏好实体节点对应的兴趣分类信息；
基于所述变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息，包括：
根据各变动偏好实体节点的变动偏好特征所处的第二偏好特征范围，以及所述第二偏好特征范围所关联的兴趣分类信息，确定所述各个变动偏好实体节点对应的兴趣分类信息。
5.根据权利要求1所述的基于人工智能的大数据需求预测方法，其特征在于，所述多个业务服务索引数据包括：
从包含所述目标订阅业务项目的订阅业务大数据中提取出的指定订阅业务索引数据，所述指定订阅业务索引数据包括以下任一：
所述订阅业务大数据中的每一订阅业务索引数据、按照设定间隔从所述订阅业务大数据中提取出的一个或多个订阅业务索引数据、所述目标订阅业务项目处于水平位置的订阅业务索引数据；
提取所述非变动偏好实体节点所在数据分区的索引数据标签属性，包括：在所述指定订阅业务索引数据中提取非变动偏好实体节点所在数据分区的索引数据标签属性；
基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，包括：
基于从各个指定订阅业务索引数据中提取出的非变动偏好特征，识别各个指定订阅业务索引数据中包含的非变动偏好实体节点的兴趣分类信息；
根据各个指定订阅业务索引数据中包含的非变动偏好实体节点的兴趣分类信息，确定同一个非变动偏好实体节点在各个指定订阅业务索引数据中的兴趣分类信息；
根据同一个非变动偏好实体节点在各个指定订阅业务索引数据中的兴趣分类信息，计算所述目标订阅业务项目上的各个非变动偏好实体节点的兴趣分类信息。
6.根据权利要求1所述的基于人工智能的大数据需求预测方法，其特征在于，所述多个业务服务索引数据包括：
从包含所述目标订阅业务项目的订阅业务大数据中提取出的至少一组订阅业务索引数据；
提取所述变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，包括：
在所述至少一组订阅业务索引数据中提取变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点的变化标签属性；
若从包含所述目标订阅业务项目的订阅业务大数据中提取多组订阅业务索引数据，则基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，包括：
基于从各组订阅业务索引数据中提取出的变动偏好实体节点所在数据分区的索引数据标签属性及所述变动偏好实体节点的变化标签属性，识别各组订阅业务索引数据中包含的变动偏好实体节点的兴趣分类信息；
根据各组订阅业务索引数据中包含的变动偏好实体节点的兴趣分类信息，确定同一个变动偏好实体节点在各组订阅业务索引数据中的兴趣分类信息；
根据同一个变动偏好实体节点在各组订阅业务索引数据中的兴趣分类信息，计算所述目标订阅业务项目上的各个变动偏好实体节点的兴趣分类信息。
7.根据权利要求1-6中任意一项所述的基于人工智能的大数据需求预测方法，其特征在于，所述兴趣分类信息包括兴趣分类概率；
根据所述各个非变动偏好实体节点对应的兴趣分类信息和所述各个变动偏好实体节点对应的兴趣分类信息确定所述目标订阅业务项目的兴趣分类，包括：
根据所述各个非变动偏好实体节点的权重和所述各个变动偏好实体节点的权重，对所述各个非变动偏好实体节点对应的兴趣分类概率和所述各个变动偏好实体节点对应的兴趣分类概率进行加权，得到兴趣分类概率综合值；
根据所述兴趣分类概率综合值确定所述目标订阅业务项目的兴趣分类。
8.根据权利要求1-7中任意一项所述的基于人工智能的大数据需求预测方法，其特征在于，所述基于所述目标订阅业务项目的兴趣分类预测所述业务服务终端的用户需求信息的步骤，包括：
获取所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和所述业务服务终端的用户的社交圈业务信息；
基于所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息之间的信息关联度，对所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息进行匹配，得到业务匹配结果；
将匹配成功的社交圈业务信息确定为候选社交圈业务信息，根据所述业务匹配结果中的社交圈业务信息与所述候选社交圈业务信息之间的区别业务信息，确定与所述候选社交圈业务信息相对应的业务需求资源定位信息；
对与所述候选社交圈业务信息相对应的业务需求资源定位信息和所述候选社交圈业务信息进行业务需求挖掘，得到业务需求挖掘结果；
根据所述业务需求挖掘结果和所述业务匹配结果，确定所述目标订阅业务项目的兴趣分类所对应的需求确认信息和所述需求确认信息对应的需求热度结果，根据所述需求热度结果预测所述业务服务终端的用户需求信息。
9.根据权利要求1所述的基于人工智能的大数据需求预测方法，其特征在于，所述获取所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和所述业务服务终端的用户的社交圈业务信息，包括：
获取所述目标订阅业务项目的兴趣分类中的至少两个人群兴趣点资源和至少两个社交圈业务资源；
获取所述至少两个人群兴趣点资源之间的兴趣点更新信息和人群兴趣点资源的资源迁移信息，获取所述至少两个社交圈业务资源之间的社交圈业务更新信息和社交圈业务资源的资源迁移信息；
根据所述兴趣点更新信息和所述人群兴趣点资源的资源迁移信息，对所述至少两个人群兴趣点资源进行组合，得到所述目标订阅业务项目的兴趣分类中的人群兴趣点信息；其中，一个人群兴趣点信息包括至少一个人群兴趣点资源；
根据所述社交圈业务更新信息和所述社交圈业务资源的资源迁移信息，对所述至少两个社交圈业务资源进行组合，得到所述目标订阅业务项目的兴趣分类中的社交圈业务信息；其中，一个社交圈业务信息包括至少一个社交圈业务资源；
所述基于所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息之间的信息关联度，对所述目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息进行匹配，得到业务匹配结果，包括：
将所述目标订阅业务项目的兴趣分类中的社交圈业务信息确定为已标记社交圈业务信息，将所述目标订阅业务项目的兴趣分类中的人群兴趣点信息确定为已标记人群兴趣点信息；其中，所述已标记社交圈业务信息中的社交圈业务资源是从针对所述目标订阅业务项目的兴趣分类的实时配置资源中所确定的；
获取所述实时配置资源中的人群兴趣点资源；将所述实时配置资源中的人群兴趣点资源与所述已标记人群兴趣点信息中的人群兴趣点资源之间的配置资源相关度，确定为所述已标记社交圈业务信息与所述已标记人群兴趣点信息之间的所述信息关联度；当所述信息关联度大于或等于预设信息关联度时，对所述已标记社交圈业务信息和所述已标记人群兴趣点信息进行匹配，得到所述业务匹配结果。
10.一种大数据云服务中心，其特征在于，所述大数据云服务中心包括处理器、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中任意一项的基于人工智能的大数据需求预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110077297.1A CN112749851B (zh) | 2021-01-20 | 2021-01-20 | 基于人工智能的大数据需求预测方法及大数据云服务中心 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110077297.1A CN112749851B (zh) | 2021-01-20 | 2021-01-20 | 基于人工智能的大数据需求预测方法及大数据云服务中心 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112749851A true CN112749851A (zh) | 2021-05-04 |
| CN112749851B CN112749851B (zh) | 2021-09-07 |
Family
ID=75652676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110077297.1A Expired - Fee Related CN112749851B (zh) | 2021-01-20 | 2021-01-20 | 基于人工智能的大数据需求预测方法及大数据云服务中心 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112749851B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435948A (zh) * | 2021-08-25 | 2021-09-24 | 汇通达网络股份有限公司 | 一种电商平台数据监测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103412903A (zh) * | 2013-07-31 | 2013-11-27 | 无锡安拓思科技有限责任公司 | 基于兴趣对象预测的物联网实时搜索方法及系统 |
| US20140233430A1 (en) * | 2013-02-18 | 2014-08-21 | Tekelec, Inc. | Methods, systems, and computer readable media for providing targeted services to telecommunications network subscribers based on information extracted from network signaling and data traffic |
| CN108205768A (zh) * | 2016-12-20 | 2018-06-26 | 百度在线网络技术（北京）有限公司 | 数据库建立方法和数据推荐方法及装置、设备和存储介质 |
| CN110647676A (zh) * | 2019-08-14 | 2020-01-03 | 平安科技（深圳）有限公司 | 基于大数据的兴趣属性挖掘方法、装置和计算机设备 |
| CN111931063A (zh) * | 2020-08-28 | 2020-11-13 | 张坚伟 | 基于区块链和人工智能的信息推送处理方法及云服务平台 |
-
2021
- 2021-01-20 CN CN202110077297.1A patent/CN112749851B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140233430A1 (en) * | 2013-02-18 | 2014-08-21 | Tekelec, Inc. | Methods, systems, and computer readable media for providing targeted services to telecommunications network subscribers based on information extracted from network signaling and data traffic |
| CN103412903A (zh) * | 2013-07-31 | 2013-11-27 | 无锡安拓思科技有限责任公司 | 基于兴趣对象预测的物联网实时搜索方法及系统 |
| CN108205768A (zh) * | 2016-12-20 | 2018-06-26 | 百度在线网络技术（北京）有限公司 | 数据库建立方法和数据推荐方法及装置、设备和存储介质 |
| CN110647676A (zh) * | 2019-08-14 | 2020-01-03 | 平安科技（深圳）有限公司 | 基于大数据的兴趣属性挖掘方法、装置和计算机设备 |
| CN111931063A (zh) * | 2020-08-28 | 2020-11-13 | 张坚伟 | 基于区块链和人工智能的信息推送处理方法及云服务平台 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435948A (zh) * | 2021-08-25 | 2021-09-24 | 汇通达网络股份有限公司 | 一种电商平台数据监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112749851B (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
| CN109471938A (zh) | 一种文本分类方法及终端 | |
| CN108629358B (zh) | 对象类别的预测方法及装置 | |
| CN111966914A (zh) | 基于人工智能的内容推荐方法、装置和计算机设备 | |
| CN112000822B (zh) | 多媒体资源排序方法、装置、电子设备及存储介质 | |
| CN113051345A (zh) | 基于云计算和大数据的信息推送方法、系统及金融服务器 | |
| CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
| CN112765385A (zh) | 基于大数据和互联网的信息管理方法及系统 | |
| CN112749850B (zh) | 基于云计算和大数据需求的信息更新方法及大数据服务器 | |
| CN117216362A (zh) | 内容推荐方法、装置、设备、介质和程序产品 | |
| CN115391589A (zh) | 内容召回模型的训练方法、装置、电子设备及存储介质 | |
| CN114221991B (zh) | 基于大数据的会话推荐反馈处理方法及深度学习服务系统 | |
| CN112749851B (zh) | 基于人工智能的大数据需求预测方法及大数据云服务中心 | |
| CN110083766B (zh) | 一种基于元路径引导嵌入的查询推荐方法及装置 | |
| CN116958622A (zh) | 数据的分类方法、装置、设备、介质及程序产品 | |
| CN114547439A (zh) | 基于大数据和人工智能的业务优化方法及电子商务ai系统 | |
| Zhuge et al. | Absent multiview semisupervised classification | |
| Xu et al. | DHA: Supervised deep learning to hash with an adaptive loss function | |
| CN113407837A (zh) | 基于人工智能的智慧医疗大数据处理方法及智慧医疗系统 | |
| CN113407838A (zh) | 基于智慧医疗大数据的医疗信息推送方法及智慧医疗系统 | |
| CN116151815A (zh) | 一种基于特征因子的支付方式推荐方法及系统 | |
| CN108984513B (zh) | 一种词串识别方法和服务器 | |
| CN115730152A (zh) | 基于用户画像分析的大数据处理方法及大数据处理系统 | |
| CN114547440A (zh) | 基于互联网大数据的用户画像挖掘方法及人工智能云系统 | |
| CN114282119A (zh) | 一种基于异构信息网络的科技信息资源检索方法及系统 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xia Fei Inventor after: Zou Haodong Inventor after: Song Hu Inventor after: Chen Wangqin Inventor before: Chen Wangqin |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210824 Address after: No.20, Beijing West Road, Nanjing, Jiangsu Province, 210000 Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. INFORMATION & TELECOMMUNICATION BRANCH Address before: 650051 No. A3, 15 / F, Danlian building, No. 548 Baiyun Road, Panlong District, Kunming City, Yunnan Province Applicant before: Chen Wangqin |
|
| 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: 20210907 Termination date: 20220120 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |