CN112948671A - 基于大数据和人工智能的业务处理方法及业务处理系统 - Google Patents

基于大数据和人工智能的业务处理方法及业务处理系统 Download PDF

Info

Publication number
CN112948671A
CN112948671A CN202110166488.5A CN202110166488A CN112948671A CN 112948671 A CN112948671 A CN 112948671A CN 202110166488 A CN202110166488 A CN 202110166488A CN 112948671 A CN112948671 A CN 112948671A
Authority
CN
China
Prior art keywords
service
information
business
list
form operation
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.)
Withdrawn
Application number
CN202110166488.5A
Other languages
English (en)
Inventor
吕维东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202110166488.5A priority Critical patent/CN112948671A/zh
Publication of CN112948671A publication Critical patent/CN112948671A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes

Abstract

本发明实施例提供一种基于大数据和人工智能的业务处理方法及业务处理系统，通过实体关系识别的方式抽取各业务关键词列表的实体关系特征，并基于实体业务事项等级确定各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，从而将各业务处理流程转化为有效的推送分类依据，由此根据各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项，并生成所述业务请求信息对应的信息推荐进程的推荐画像特征后向所述数字金融服务终端推送对应的请求推荐信息，从而能够根据业务请求信息去有效结合业务服务场景的具体类型进行请求响应推荐，进而提高信息推送的分类精度。

Description

基于大数据和人工智能的业务处理方法及业务处理系统
技术领域
本发明涉及大数据和人工智能技术领域，具体而言，涉及一种基于大数据和人工智能的业务处理方法及业务处理系统。
背景技术
遍布设置于各个便民服务点的数字金融服务终端，可以为用户提供便利的业务推送信息的查询服务，从而便于用户及时了解到数字金融服务的各类资讯和相关的服务使用情况。
然而，经本申请发明人研究发现，目前在数字金融服务终端的业务请求过程中，对于不同类型的业务服务场景（例如区块链支付服务、数字货币服务等），无法根据业务请求信息去有效结合业务服务场景的具体类型进行请求响应推荐，导致信息推送的分类精度较低。
发明内容
为了至少克服现有技术中的上述不足，本发明的目的在于提供一种基于大数据和人工智能的业务处理方法及业务处理系统，能够根据业务请求信息去有效结合业务服务场景的具体类型进行请求响应推荐，进而提高信息推送的分类精度。
第一方面，本发明提供一种基于大数据和人工智能的业务处理方法，应用于区块链金融平台，所述区块链金融平台与多个数字金融服务终端通信连接，所述方法包括：
从所述数字金融服务终端在预设时间段的业务请求信息中获取至少一个业务关键词列表，每个所述业务关键词列表中各业务关键词标注属于同一业务服务场景，并且，每个所述业务关键词标注对应于所属业务服务场景下的业务处理流程；
基于所属业务服务场景下各业务处理流程对所述业务关键词列表进行实体关系识别，得到各业务关键词列表的实体关系特征和对应的实体业务事项等级；
根据所述实体关系特征和对应的实体业务事项等级，确定各所述业务关键词标注对应所属业务服务场景的表单操作轨迹；
根据各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项，并根据每个业务服务场景对应的表单跟踪热度化表项生成所述业务请求信息对应的信息推荐进程的推荐画像特征，并根据所述信息推荐进程的推荐画像特征向所述数字金融服务终端推送对应的请求推荐信息。
在第一方面的一种可能的实现方式中，所述从所述数字金融服务终端在预设时间段的业务请求信息中获取至少一个业务关键词列表的步骤，包括：
从所述数字金融服务终端在预设时间段的业务请求信息中获取业务服务场景属于同一业务服务场景的业务关键词标注，并将属于每个业务服务场景的业务关键词标注确定为对应的业务关键词列表。
在第一方面的一种可能的实现方式中，所述基于所属业务服务场景下各业务处理流程对所述业务关键词列表进行实体关系识别，得到各业务关键词列表的实体关系特征和对应的实体业务事项等级的步骤，包括：
对每个业务关键词列表，遍历所述业务关键词列表中的业务关键词标注，从所述业务关键词标注中提取融合该业务关键词列表所属业务服务场景下各业务处理流程的业务关键词描述表示，根据提取的业务关键词描述表示确定与所述业务关键词列表对应的业务逻辑信息；
剔除所述业务逻辑信息中各业务关键词描述表示包含的设定描述信息，对剔除设定描述信息的业务关键词描述表示进行业务推送特征分段拆分，获得第一业务逻辑信息，根据所述业务推送特征分段在所述第一业务逻辑信息所包含的业务关键词描述表示中的业务逻辑强度，确定各业务推送特征分段的实体关系强度；
剔除所述第一业务逻辑信息中实体关系强度小于预设实体关系强度阈值的业务推送特征分段，得到第二业务逻辑信息，将实体关系强度不小于预设实体关系强度阈值的业务推送特征分段作为第一业务推送特征分段，得到第一业务推送特征分段列表，根据所述第一业务推送特征分段列表中各第一业务推送特征分段在所述第二业务逻辑信息中的匹配信息，确定与各第一业务推送特征分段对应的由接续在该第一业务推送特征分段之后的业务推送特征分段组成的第二业务推送特征分段列表；
判断所述第二业务推送特征分段列表是否为空，如果所述第二业务推送特征分段列表为空，则循环返回，如果所述第二业务推送特征分段列表不为空，则统计所述第二业务推送特征分段列表中各业务推送特征分段的实体关系强度，判断各业务推送特征分段的实体关系强度是否满足最小实体关系强度条件；
如果业务推送特征分段的实体关系强度不满足最小实体关系强度条件，则循环返回，如果业务推送特征分段的实体关系强度满足最小实体关系强度条件，则将所述业务推送特征分段与所述第二业务推送特征分段列表对应的第一业务推送特征分段拼接，得到新第一业务推送特征分段，确定新第一业务推送特征分段的第二业务推送特征分段列表，并对新第一业务推送特征分段对应的第二业务推送特征分段列表执行循环识别，获得所有满足最小实体关系强度条件的目标第一业务推送特征分段和对应的实体关系强度；
其中，循环返回的数据为当前获得的所有满足最小实体关系强度条件的目标第一业务推送特征分段和对应的实体关系强度，获得所有满足最小实体关系强度条件的目标第一业务推送特征分段和对应的实体关系强度，将所述目标第一业务推送特征分段作为所述业务关键词列表的实体关系特征，将所述第二业务推送特征分段列表中各目标第一业务推送特征分段的实体关系强度作为与实体关系特征对应的实体业务事项等级。
在第一方面的一种可能的实现方式中，所述根据所述实体关系特征和对应的实体业务事项等级，确定各所述业务关键词标注对应所属业务服务场景的表单操作轨迹的步骤，包括：
根据所述实体关系特征和对应的实体业务事项等级从所述实体关系特征中筛选获得大于预设实体业务事项等级的标记实体关系特征；
获取在标记实体关系特征上第一实体关系对象对应的第一表单操作元素列表和第二实体关系对象对应的第二表单操作元素列表，其中，所述第一表单操作元素列表包括所述第一实体关系对象对所述标记实体关系特征中的相关表单区域进行表单操作的多个表单操作节点，所述第二表单操作元素列表包括所述第二实体关系对象对所述标记实体关系特征中的相关表单区域进行表单操作的多个表单操作节点，并且每个表单操作节点包括多个表单操作节点分量；
基于预设表单操作节点类别，对所述第一表单操作元素列表中的多个表单操作节点进行高斯分类，得到高斯分类后的第一表单操作元素列表；所述预设表单操作节点类别属于多个表单操作节点分量对应的类型；
将所述高斯分类后的第一表单操作元素列表中，与预设表单操作节点类别列表中的每个预设表单操作节点类别对应的各个表单操作节点分量，组合为第一初始表单操作节点列表；
对所述第一初始表单操作节点列表进行去重，得到第一表单操作节点列表，从而得到与所述预设表单操作节点类别列表对应的第一表单操作节点列表列表；
将所述第一表单操作节点列表列表中的各个表单操作节点分量，组合为所述第一实体关系对象对应的第一表单操作节点分量列表，其中，所述第一表单操作节点分量列表与所述预设表单操作节点类别列表相对应，所述预设表单操作节点类别类型为用于进行表单操作爬取的各个表单操作节点类别所组成的列表；
从所述第二表单操作元素列表中，提取与所述预设表单操作节点类别列表中的各个预设表单操作节点类别分别对应的各个表单操作节点分量，组合为所述第二实体关系对象对应的第二表单操作节点分量列表，其中，所述第二表单操作节点分量列表与所述预设表单操作节点类别列表相对应，其中，所述第一表单操作节点分量列表和所述第二表单操作节点分量列表分别是从所对应表单操作元素列表中提取出的表单操作节点分量所组成的列表；
确定所述第一表单操作节点分量列表和所述第二表单操作节点分量列表之间的相同表单操作节点分量的轨迹节点，并将所述轨迹节点对应的轨迹范围值得到操作描述值；
当所述操作描述值大于预设描述值阈值时，确定所述第一实体关系对象和所述第二实体关系对象为表单操作单位；
将所述标记实体关系特征中的任意两个实体关系元素，作为第一实体关系对象和第二实体关系对象进行表单操作爬取，直到完成所述标记实体关系特征中的实体关系元素相互之间的检测时，得到所述标记实体关系特征中存在表单操作行为的表单操作单位列表；
将所述表单操作单位列表中实体关系元素的轨迹节点，作为目标表单操作单位轨迹节点；
将所述标记实体关系特征对应的实体关系元素的轨迹节点，作为目标总实体关系元素轨迹节点；
计算所述目标表单操作单位轨迹节点与所述目标总实体关系元素轨迹节点的轨迹分段，得到所述标记实体关系特征对应的轨迹分段特征；
当所述轨迹分段特征满足预设分段长度时，将所述标记实体关系特征所对应的轨迹分段特征构成的轨迹确定为各所述业务关键词标注对应所属业务服务场景的表单操作轨迹。
在第一方面的一种可能的实现方式中，所述根据各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项的步骤，包括：
从各所述业务关键词标注对应所属业务服务场景的表单操作轨迹中获得对应的轨迹经由业务段以及所述轨迹经由业务段的初始业务表项；
根据预先训练的人工智能模型对所述轨迹经由业务段进行分类，得到分类业务表项；
将所述初始业务表项与所述分类业务表项进行比对，得到表项匹配信息；
根据所述表项匹配信息确定每个所述业务服务场景对应的表单跟踪热度化表项。
在第一方面的一种可能的实现方式中，所述初始业务表项包括至少一个初始子业务表项，所述分类业务表项包括至少一个分类子业务表项；
所述将所述初始业务表项与所述分类业务表项进行比对，得到表项匹配信息的步骤，包括：
将每个所述初始子业务表项，分别和每个分类子业务表项进行融合，得到子融合信息，当所述至少一个分类子业务表项均融合完成时，得到至少一个子融合信息；其中，所述至少一个分类子业务表项与所述至少一个子融合信息一一对应，所述子融合信息表征初始子业务表项与分类子业务表项是否匹配；
对所述至少一个子融合信息进行拼接，得到与每个初始子业务表项对应的融合信息；其中，所述融合信息表征是否存在与初始子业务表项融合的分类子业务表项，所述融合信息与每个所述初始子业务表项相对应；
对所述至少一个初始子业务表项中，所述融合信息表征存在融合的分类子业务表项的初始子业务表项进行提取，得到融合初始子业务表项；
根据所述融合信息，从所述至少一个分类子业务表项中，提取出与所述融合初始子业务表项相融合的分类子业务表项，作为融合分类子业务表项；
对所述至少一个初始子业务表项中，除所述融合初始子业务表项之外的初始子业务表项进行拼接，得到初始拼接信息列表；
对所述至少一个分类子业务表项中，除所述融合分类子业务表项之外的分类子业务表项进行拼接，得到分类拼接信息列表；
将所述初始拼接信息列表和所述分类拼接信息列表进行拼接，得到所述表项匹配信息；
其中，所述初始子业务表项包括初始业务标签信息、初始业务主键信息和初始关联对象信息，所述分类子业务表项包括分类业务标签信息、分类业务主键信息和分类关联对象信息。
在第一方面的一种可能的实现方式中，每个所述初始子业务表项均包含初始业务标签信息和初始业务主键信息，每个分类子业务表项均包含分类业务标签信息和分类业务主键信息；
所述将每个所述初始子业务表项，分别和每个分类子业务表项进行融合，得到子融合信息，当所述至少一个分类子业务表项均融合完成时，得到至少一个子融合信息的步骤，包括：
将所述初始业务标签信息，分别和每个所述分类子业务表项的分类业务标签信息进行编码，得到每个所述分类子业务表项对应的编码判别信息；所述编码判别信息表征所述初始业务标签信息与分类业务标签信息是否相同；
利用所述初始业务主键信息确定出初始业务主键接口，利用每个所述分类子业务表项的分类业务主键信息，确定出每个所述分类子业务表项的分类业务主键接口；
根据所述初始业务主键接口和每个分类业务主键接口，得到每个所述分类业务主键接口与所述初始业务主键接口所对应的接口关联信息以及每个所述分类业务主键接口与所述初始业务主键接口所对应的所对应的拼接结果；
利用所述接口关联信息和所述拼接结果，得到至少一个子融合信息。
在第一方面的一种可能的实现方式中，所述根据所述表项匹配信息确定每个所述业务服务场景对应的表单跟踪热度化表项的步骤，包括：
从所述表项匹配信息中获得每个表项匹配节点所对应的目标跟踪热度化项目，并将每个目标跟踪热度化项目以聚类后排列的方式作为确定每个所述业务服务场景对应的表单跟踪热度化表项。
在第一方面的一种可能的实现方式中，所述根据每个业务服务场景对应的表单跟踪热度化表项生成所述业务请求信息对应的信息推荐进程的推荐画像特征，并根据所述信息推荐进程的推荐画像特征向所述数字金融服务终端推送对应的请求推荐信息的步骤，包括：
从每个业务服务场景对应的表单跟踪热度化表项所映射的信息列表中获取表项业务访问信息以及与所述表项业务访问信息关联的业务访问对象信息和历史访问对象信息，所述历史访问对象信息中包括至少一个历史访问请求的访问对象信息；
将所述业务访问对象信息和所述历史访问对象信息输入机器学习模型，通过所述机器学习模型对所述业务访问对象信息进行业务推送特征提取，得到第一业务推送特征向量，并对各所述历史访问对象信息进行业务推送特征提取，得到第二业务推送特征向量；
对所述第一业务推送特征向量中的各向量进行拼接处理，得到用于表示所述业务访问对象信息的业务接入认证的第一业务接入认证向量，并对所述第二业务推送特征向量中的各向量进行拼接处理，得到用于表示所述历史访问对象信息业务接入认证的第二业务接入认证向量；
计算所述第一业务接入认证向量与各所述第二业务接入认证向量之间的汉明距离，将计算所得的汉明距离作为所述业务访问对象信息和所述历史访问对象信息的汉明距离；
将计算所得的汉明距离确定为对应业务访问对象信息强关联所述历史访问对象信息时对应的强关联度；所述强关联度用于衡量所述业务访问对象信息正关联于所述历史访问对象信息的程度；
基于所述第一业务推送特征向量和所述表项业务访问信息的第三业务推送特征向量，计算所述业务访问对象信息对所述表项业务访问信息的推送服务信息，并对所述推送服务信息和所述强关联度进行操作，得到所述表项业务访问信息针对所述业务访问对象信息的推送服务配置信息和所述历史访问对象信息在所述表项业务访问信息的推送服务区域；
根据所述推送服务配置信息和所述强关联度达到强关联条件所对应的推送服务区域，在所述推送服务配置信息中确定所述推送服务区域对应的推荐画像特征信息，并根据提取的推荐画像特征信息生成所述业务请求信息对应的信息推荐进程的推荐画像特征
第二方面，本发明实施例还提供一种基于大数据和人工智能的业务处理装置，应用于区块链金融平台，所述区块链金融平台与多个数字金融服务终端通信连接，所述装置包括：
获取模块，用于从所述数字金融服务终端在预设时间段的业务请求信息中获取至少一个业务关键词列表，每个所述业务关键词列表中各业务关键词标注属于同一业务服务场景，并且，每个所述业务关键词标注对应于所属业务服务场景下的业务处理流程；
识别模块，用于基于所属业务服务场景下各业务处理流程对所述业务关键词列表进行实体关系识别，得到各业务关键词列表的实体关系特征和对应的实体业务事项等级；
确定模块，用于根据所述实体关系特征和对应的实体业务事项等级，确定各所述业务关键词标注对应所属业务服务场景的表单操作轨迹；
生成模块，用于根据各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项，并根据每个业务服务场景对应的表单跟踪热度化表项生成所述业务请求信息对应的信息推荐进程的推荐画像特征，并根据所述信息推荐进程的推荐画像特征向所述数字金融服务终端推送对应的请求推荐信息。
第三方面，本发明实施例还提供一种基于大数据和人工智能的业务处理系统，所述基于大数据和人工智能的业务处理系统包括区块链金融平台以及与所述区块链金融平台通信连接的多个数字金融服务终端；
所述区块链金融平台用于从所述数字金融服务终端在预设时间段的业务请求信息中获取至少一个业务关键词列表，每个所述业务关键词列表中各业务关键词标注属于同一业务服务场景，并且，每个所述业务关键词标注对应于所属业务服务场景下的业务处理流程；
所述区块链金融平台用于基于所属业务服务场景下各业务处理流程对所述业务关键词列表进行实体关系识别，得到各业务关键词列表的实体关系特征和对应的实体业务事项等级；
所述区块链金融平台用于根据所述实体关系特征和对应的实体业务事项等级，确定各所述业务关键词标注对应所属业务服务场景的表单操作轨迹；
所述区块链金融平台用于根据各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项，并根据每个业务服务场景对应的表单跟踪热度化表项生成所述业务请求信息对应的信息推荐进程的推荐画像特征，并根据所述信息推荐进程的推荐画像特征向所述数字金融服务终端推送对应的请求推荐信息。
第四方面，本发明实施例还提供一种区块链金融平台，所述区块链金融平台包括处理器、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数字金融服务终端通信连接，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中的基于大数据和人工智能的业务处理方法。
第五方面，本发明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大数据和人工智能的业务处理方法。
基于上述任意一个方面，本发明通过实体关系识别的方式抽取各业务关键词列表的实体关系特征，并基于实体业务事项等级确定各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，从而将各业务处理流程转化为有效的推送分类依据。由此根据各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项，并根据每个业务服务场景对应的表单跟踪热度化表项生成所述业务请求信息对应的信息推荐进程的推荐画像特征，并根据所述信息推荐进程的推荐画像特征向所述数字金融服务终端推送对应的请求推荐信息，从而能够根据业务请求信息去有效结合业务服务场景的具体类型进行请求响应推荐，进而提高信息推送的分类精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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为本发明实施例提供的基于大数据和人工智能的业务处理系统的应用场景示意图；
图2为本发明实施例提供的基于大数据和人工智能的业务处理方法的流程示意图；
图3为本发明实施例提供的基于大数据和人工智能的业务处理装置的功能模块示意图；
图4为本发明实施例提供的用于实现上述的基于大数据和人工智能的业务处理方法的区块链金融平台的结构示意框图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是本发明一种实施例提供的基于大数据和人工智能的业务处理系统10的交互示意图。基于大数据和人工智能的业务处理系统10可以包括区块链金融平台100以及与所述区块链金融平台100通信连接的数字金融服务终端200。图1所示的基于大数据和人工智能的业务处理系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据和人工智能的业务处理系统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，基于大数据和人工智能的业务处理系统10中的物联网云区块链金融平台100和数字金融服务终端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和人工智能的业务处理方法，具体区块链金融平台100和数字金融服务终端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为本发明实施例提供的基于大数据和人工智能的业务处理方法的流程示意图，本实施例提供的基于大数据和人工智能的业务处理方法可以由图1中所示的区块链金融平台100执行，下面对该基于大数据和人工智能的业务处理方法进行详细介绍。
步骤S110，从数字金融服务终端在预设时间段的业务请求信息中获取至少一个业务关键词列表。
步骤S120，基于所属业务服务场景下各业务处理流程对业务关键词列表进行实体关系识别，得到各业务关键词列表的实体关系特征和对应的实体业务事项等级。
步骤S130，根据实体关系特征和对应的实体业务事项等级，确定各业务关键词标注对应所属业务服务场景的表单操作轨迹。
步骤S140，根据各业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项，并根据每个业务服务场景对应的表单跟踪热度化表项生成业务请求信息对应的信息推荐进程的推荐画像特征。
本实施例中，每个业务关键词列表中各业务关键词标注属于同一业务服务场景，并且，每个业务关键词标注对应于所属业务服务场景下的业务处理流程。例如，可以从数字金融服务终端在预设时间段的业务请求信息中获取业务服务场景属于同一业务服务场景的业务关键词标注，并将属于每个业务服务场景的业务关键词标注确定为对应的业务关键词列表。
示例性地，业务请求信息中可包括多个业务关键词标注，每个业务关键词标注可以是指关键词的相关的词性和语义构成的字段序列，这些词性和语义构成的字段序列可以用于表示实际业务请求推送中的不同具有分类属性的信息。同理，对于不同的业务关键词标注，其所对应的业务服务场景的类型各有不同，因此其可以与某个业务服务场景一一对应，也即业务服务场景可以用于表示上述的业务服务场景字段的类型。
本实施例中，实体关系可以用于表示具有可以表示与相关联的业务场景服务的关系字段，实体关系特征可以用于表示实体关系所对应的关系字段序列，其对应的实体业务事项等级可以用于表示实体关系所对应的关系字段序列具有与相关联的业务场景服务之间的互动标签的频繁模式项的频繁程度。
本实施例中，表单操作轨迹可以用于表示产生的表单操作行为的时间轴为单位的记录信息，由此可以根据各业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项，这些表单跟踪热度化表项用于表示表单操作过程中的热度化项目（例如操作循环次数超过两次的项目），由此可以具体根据每个业务服务场景对应的表单跟踪热度化表项生成业务请求信息对应的信息推荐进程的推荐画像特征。
基于上述设计，本实施例通过实体关系识别的方式抽取各业务关键词列表的实体关系特征，并基于实体业务事项等级确定各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，从而将各业务处理流程转化为有效的推送分类依据。由此根据各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项，并根据每个业务服务场景对应的表单跟踪热度化表项生成所述业务请求信息对应的信息推荐进程的推荐画像特征，并根据所述信息推荐进程的推荐画像特征向所述数字金融服务终端推送对应的请求推荐信息，从而能够根据业务请求信息去有效结合业务服务场景的具体类型进行请求响应推荐，进而提高信息推送的分类精度。
在一种可能的实现方式中，对于步骤S120，可以通过以下的示例性子步骤来实现，详细描述如下。
子步骤S121，对每个业务关键词列表，遍历业务关键词列表中的业务关键词标注，从业务关键词标注中提取融合该业务关键词列表所属业务服务场景下各业务处理流程的业务关键词描述表示，根据提取的业务关键词描述表示确定与业务关键词列表对应的业务逻辑信息。
子步骤S122，剔除业务逻辑信息中各业务关键词描述表示包含的设定描述信息，对剔除设定描述信息的业务关键词描述表示进行业务推送特征分段拆分，获得第一业务逻辑信息，根据业务推送特征分段在第一业务逻辑信息所包含的业务关键词描述表示中的业务逻辑强度，确定各业务推送特征分段的实体关系强度。
譬如，业务推送特征分段在第一业务逻辑信息所包含的业务关键词描述表示中的业务逻辑强度可以是指业务推送特征分段在第一业务逻辑信息所包含的业务关键词描述表示中存在重叠段部分的长度。
子步骤S123，剔除第一业务逻辑信息中实体关系强度小于预设实体关系强度阈值的业务推送特征分段，得到第二业务逻辑信息，将实体关系强度不小于预设实体关系强度阈值的业务推送特征分段作为第一业务推送特征分段，得到第一业务推送特征分段列表，根据第一业务推送特征分段列表中各第一业务推送特征分段在第二业务逻辑信息中的匹配信息，确定与各第一业务推送特征分段对应的由接续在该第一业务推送特征分段之后的业务推送特征分段组成的第二业务推送特征分段列表。
子步骤S124，判断第二业务推送特征分段列表是否为空，如果第二业务推送特征分段列表为空，则循环返回，如果第二业务推送特征分段列表不为空，则统计第二业务推送特征分段列表中各业务推送特征分段的实体关系强度，判断各业务推送特征分段的实体关系强度是否满足最小实体关系强度条件。
子步骤S125，如果业务推送特征分段的实体关系强度不满足最小实体关系强度条件，则循环返回，如果业务推送特征分段的实体关系强度满足最小实体关系强度条件，则将业务推送特征分段与第二业务推送特征分段列表对应的第一业务推送特征分段拼接，得到新第一业务推送特征分段，确定新第一业务推送特征分段的第二业务推送特征分段列表，并对新第一业务推送特征分段对应的第二业务推送特征分段列表执行循环识别，获得所有满足最小实体关系强度条件的目标第一业务推送特征分段和对应的实体关系强度。
例如，其中，循环返回的数据为当前获得的所有满足最小实体关系强度条件的目标第一业务推送特征分段和对应的实体关系强度，获得所有满足最小实体关系强度条件的目标第一业务推送特征分段和对应的实体关系强度，将目标第一业务推送特征分段作为业务关键词列表的实体关系特征，将第二业务推送特征分段列表中各目标第一业务推送特征分段的实体关系强度作为与实体关系特征对应的实体业务事项等级。
在一种可能的实现方式中，针对步骤S130，为了能够准确且全面地确定出具有表单操作行为的实体关系元素，从而提升表单操作爬取的覆盖率和准确率，有效确定出各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，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，根据实体关系特征和对应的实体业务事项等级从实体关系特征中筛选获得大于预设实体业务事项等级的标记实体关系特征。
子步骤S132，获取在标记实体关系特征上第一实体关系对象对应的第一表单操作元素列表和第二实体关系对象对应的第二表单操作元素列表。
例如，第一表单操作元素列表包括第一实体关系对象对标记实体关系特征中的相关表单区域进行表单操作的多个表单操作节点，第二表单操作元素列表包括第二实体关系对象对标记实体关系特征中的相关表单区域进行表单操作的多个表单操作节点，并且每个表单操作节点包括多个表单操作节点分量。
子步骤S133，基于预设表单操作节点类别，对第一表单操作元素列表中的多个表单操作节点进行高斯分类，得到高斯分类后的第一表单操作元素列表。预设表单操作节点类别属于多个表单操作节点分量对应的类型。
子步骤S134，将高斯分类后的第一表单操作元素列表中，与预设表单操作节点类别列表中的每个预设表单操作节点类别对应的各个表单操作节点分量，组合为第一初始表单操作节点列表。
子步骤S135，对第一初始表单操作节点列表进行去重，得到第一表单操作节点列表，从而得到与预设表单操作节点类别列表对应的第一表单操作节点列表列表，将第一表单操作节点列表列表中的各个表单操作节点分量，组合为第一实体关系对象对应的第一表单操作节点分量列表.
例如，第一表单操作节点分量列表与预设表单操作节点类别列表相对应，预设表单操作节点类别类型为用于进行表单操作爬取的各个表单操作节点类别所组成的列表。
子步骤S136，从第二表单操作元素列表中，提取与预设表单操作节点类别列表中的各个预设表单操作节点类别分别对应的各个表单操作节点分量，组合为第二实体关系对象对应的第二表单操作节点分量列表。
例如，第二表单操作节点分量列表与预设表单操作节点类别列表相对应，第一表单操作节点分量列表和第二表单操作节点分量列表分别是从所对应表单操作元素列表中提取出的表单操作节点分量所组成的列表。
子步骤S137，确定第一表单操作节点分量列表和第二表单操作节点分量列表之间的相同表单操作节点分量的轨迹节点，并将所述轨迹节点对应的轨迹范围值得到操作描述值，当操作描述值大于预设描述值阈值时，确定第一实体关系对象和第二实体关系对象为表单操作单位。
子步骤S138，将标记实体关系特征中的任意两个实体关系元素，作为第一实体关系对象和第二实体关系对象进行表单操作爬取，直到完成标记实体关系特征中的实体关系元素相互之间的检测时，得到标记实体关系特征中存在表单操作行为的表单操作单位列表。
子步骤S139，将表单操作单位列表中实体关系元素的轨迹节点，作为目标表单操作单位轨迹节点，将标记实体关系特征对应的实体关系元素的轨迹节点，作为目标总实体关系元素轨迹节点，计算目标表单操作单位轨迹节点与目标总实体关系元素轨迹节点的轨迹分段，得到标记实体关系特征对应的轨迹分段特征，当轨迹分段特征满足预设分段长度时，将标记实体关系特征所对应的轨迹分段特征构成的轨迹确定为各业务关键词标注对应所属业务服务场景的表单操作轨迹。
基于上述步骤，由于具有表单操作行为的实体关系元素在进行表单操作时，所对应的表单操作节点之间是存在相同表单操作节点分量的；因此，在进行表单操作爬取时，通过对实体关系元素的多个表单操作节点组成的表单操作元素列表进行获取，并根据实体关系元素间的操作列表对应的表单操作节点分量列表之间是否出现了共同属性情况来确定实体关系元素是否存在表单操作行为，进而确定实体关系元素是否是表单操作单位，如此，能够准确且全面地确定出具有表单操作行为的实体关系元素，从而提升了表单操作爬取的覆盖率和准确率，有效确定出各业务关键词标注对应所属业务服务场景的表单操作轨迹。
在一种可能的实现方式中，进一步针对步骤S140，在根据各业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项的过程中，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，从各业务关键词标注对应所属业务服务场景的表单操作轨迹中获得对应的轨迹经由业务段以及轨迹经由业务段的初始业务表项。
子步骤S142，根据预先训练的人工智能模型对轨迹经由业务段进行分类，得到分类业务表项。
子步骤S143，将初始业务表项与分类业务表项进行比对，得到表项匹配信息。
例如，初始业务表项可以包括至少一个初始子业务表项，分类业务表项包括至少一个分类子业务表项。在此基础上，可以将每个初始子业务表项，分别和每个分类子业务表项进行融合，得到子融合信息，当至少一个分类子业务表项均融合完成时，得到至少一个子融合信息。其中，至少一个分类子业务表项与至少一个子融合信息一一对应，子融合信息表征初始子业务表项与分类子业务表项是否匹配。
然后，对至少一个子融合信息进行拼接，得到与每个初始子业务表项对应的融合信息。其中，融合信息表征是否存在与初始子业务表项融合的分类子业务表项，融合信息与每个初始子业务表项相对应。
由此，可以对至少一个初始子业务表项中，融合信息表征存在融合的分类子业务表项的初始子业务表项进行提取，得到融合初始子业务表项，根据融合信息，从至少一个分类子业务表项中，提取出与融合初始子业务表项相融合的分类子业务表项，作为融合分类子业务表项。
而后，对至少一个初始子业务表项中，除融合初始子业务表项之外的初始子业务表项进行拼接，得到初始拼接信息列表，对至少一个分类子业务表项中，除融合分类子业务表项之外的分类子业务表项进行拼接，得到分类拼接信息列表，将初始拼接信息列表和分类拼接信息列表进行拼接，得到表项匹配信息。
其中，初始子业务表项可以包括初始业务标签信息、初始业务主键信息和初始关联对象信息，分类子业务表项包括分类业务标签信息、分类业务主键信息和分类关联对象信息。
示例性地，每个初始子业务表项均包含初始业务标签信息和初始业务主键信息，每个分类子业务表项均包含分类业务标签信息和分类业务主键信息。
由此，在将每个初始子业务表项，分别和每个分类子业务表项进行融合，得到子融合信息，当至少一个分类子业务表项均融合完成时，得到至少一个子融合信息的过程，可以将初始业务标签信息，分别和每个分类子业务表项的分类业务标签信息进行编码，得到每个分类子业务表项对应的编码判别信息。
其中，编码判别信息可以表征初始业务标签信息与分类业务标签信息是否相同。
然后，利用初始业务主键信息确定出初始业务主键接口，利用每个分类子业务表项的分类业务主键信息，确定出每个分类子业务表项的分类业务主键接口。
由此，可以根据初始业务主键接口和每个分类业务主键接口，得到每个分类业务主键接口与初始业务主键接口所对应的接口关联信息以及每个分类业务主键接口与初始业务主键接口所对应的所对应的拼接结果，然后利用接口关联信息和拼接结果，得到至少一个子融合信息。
譬如，在利用接口关联信息和拼接结果，得到至少一个子融合信息的过程中，可以构造出每个分类子业务表项对应的业务融合信息；业务融合信息表征初始业务主键信息所确定的初始业务主键接口和分类业务主键信息所确定的分类业务主键接口的业务匹配度，当编码判别信息表征初始业务标签信息与分类业务标签信息相同，且业务融合信息超过预设的匹配度阈值时，生成初始子业务表项与分类子业务表项匹配的子融合信息。又例如，当编码判别信息表征初始业务标签信息与分类业务标签信息相同，业务融合信息小于或等于预设的匹配度阈值时，生成初始子业务表项与分类子业务表项不匹配的子融合信息。
又例如，当编码判别信息表征初始业务标签信息与分类业务标签信息不同，业务融合信息超过预设的匹配度阈值时，生成初始子业务表项与分类子业务表项不匹配的子融合信息。
再例如，当编码判别信息表征初始业务标签信息与分类业务标签信息不同，且业务融合信息小于或等于预设的匹配度阈值时，生成初始子业务表项与分类子业务表项不匹配的子融合信息，当至少一个分类子业务表项均拼接完成时，得到至少一个子融合信息。其中，该至少一个子融合信息与至少一个分类子业务表项一一对应。
子步骤S144，根据表项匹配信息采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项。
例如，可以从表项匹配信息中获得每个表项匹配节点所对应的目标跟踪热度化项目，并将每个目标跟踪热度化项目以聚类后排列的方式作为采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项。
在一种可能的实现方式中，仍旧针对步骤S140，在根据每个业务服务场景对应的表单跟踪热度化表项生成业务请求信息对应的信息推荐进程的推荐画像特征的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S145，从每个业务服务场景对应的表单跟踪热度化表项所映射的信息列表中获取表项业务访问信息以及与表项业务访问信息关联的业务访问对象信息和历史访问对象信息，历史访问对象信息中包括至少一个历史访问请求的访问对象信息。
子步骤S146，将业务访问对象信息和历史访问对象信息输入机器学习模型，通过机器学习模型对业务访问对象信息进行业务推送特征提取，得到第一业务推送特征向量，并对各历史访问对象信息进行业务推送特征提取，得到第二业务推送特征向量。
子步骤S147，对第一业务推送特征向量中的各向量进行拼接处理，得到用于表示业务访问对象信息的业务接入认证的第一业务接入认证向量，并对第二业务推送特征向量中的各向量进行拼接处理，得到用于表示历史访问对象信息业务接入认证的第二业务接入认证向量。
子步骤S148，计算第一业务接入认证向量与各第二业务接入认证向量之间的汉明距离，将计算所得的汉明距离作为业务访问对象信息和历史访问对象信息的汉明距离。
子步骤S149，将计算所得的汉明距离确定为对应业务访问对象信息强关联历史访问对象信息时对应的强关联度。强关联度用于衡量业务访问对象信息正关联于历史访问对象信息的程度。
子步骤S1491，基于第一业务推送特征向量和表项业务访问信息的第三业务推送特征向量，计算业务访问对象信息对表项业务访问信息的推送服务信息，并对推送服务信息和强关联度进行操作，得到表项业务访问信息针对业务访问对象信息的推送服务配置信息和历史访问对象信息在表项业务访问信息的推送服务区域。
子步骤S1492，根据推送服务配置信息和强关联度达到强关联条件所对应的推送服务区域，在推送服务配置信息中确定推送服务区域对应的推荐画像特征信息，并根据提取的推荐画像特征信息生成业务请求信息对应的信息推荐进程的推荐画像特征。
如此，通过强关联的识别模式进一步进行推荐画像特征推送服务的深度识别，从而在推送服务配置信息中确定推送服务区域对应的推荐画像特征信息，并根据提取的推荐画像特征信息生成业务请求信息对应的信息推荐进程的推荐画像特征，可以有效提高推送分类的精确度。
又譬如，在步骤S140之后，本实施例提供的基于大数据和人工智能的业务处理方法还可以还包括以下步骤，详细描述如下。
步骤S150，获取目标识别推送信息，并对目标识别推送信息进行业务指标分类和推送结构体关联处理，得到相应的目标业务指标分类列表。
步骤S160，对目标业务指标分类列表进行信息识别，得到信息推送标签列表以及相应的历史推送反馈参数，将历史推送反馈参数满足预设匹配规则的信息推送标签列表确定为目标推送参考策略。
步骤S170，根据目标推送参考策略对目标业务指标分类列表进行遍历，循环更新推送结构体的推送关键要素，为符合目标推送参考策略的目标业务指标分类列表添加推送节点，并提取添加推送节点的目标业务指标分类列表中的推送源特征和相应的源特征重要程度信息。
步骤S180，根据推送源特征、源特征重要程度信息以及推送节点对预设信息推送模型进行配置，得到配置后的预设信息推送模型，基于配置后的预设信息推送模型对目标业务指标分类列表进行信息推送处理。
本实施例中，目标识别推送信息可以为数字金融服务终端200在预设时间段的业务请求信息所对应的请求推荐信息。例如，数字金融服务终端200可以遍布设置于不同网点为用户提供服务，用户可以在操作过程中随时发送业务请求信息从而获取请求推荐信息。
本实施例中，业务指标可以是指具体的数字金融服务过程中产生的用于衡量每个请求推荐业务的指标信息，推送结构体可以是指具体的数字金融服务过程中用于进行推送策略参考的结构化配置信息，例如可以是指以预设标定的固定格式排列好的配置信息。
本实施例中，信息推送标签列表中的每个信息推送标签可以用于表示在信息推送过程中后续具体参照的分类列表，相应的历史推送反馈参数可以是指该信息推送标签作为后续推送的参照对象时，在此之前的用户反馈的内容特征信息，例如评价信息、收藏信息等。
本实施例中，推送关键要素可以是指在后续的推送过程中的推送信息中所包含的内容节点，每个内容节点可以对应一个推送节点，推送源特征可以用于表示在后续的推送过程中的信息来源的特征，相应的源特征重要程度信息可以用于表示该信息来源的特征所占用的权重。
本实施例中，在步骤S180中，可以根据推送源特征、源特征重要程度信息对预设信息推送模型进行配置，得到配置后的预设信息推送模型。例如，可以将推送源特征、源特征重要程度信息以及推送节点输入到预设信息推送模型中进行训练获得对应的信息推送节点列表，并与前述的推送节点进行比较，然后根据比较差异继续更新预设信息推送模型的模型参数，直到达到训练终止条件时，可以基于配置后的预设信息推送模型对目标业务指标分类列表进行信息推送处理。例如，可以基于配置后的预设信息推送模型对目标业务指标分类列表获得对应的目标推送节点，然后基于目标推送节点相关的推送源内容进行信息推送处理。
基于上述步骤，本实施例通过对目标识别推送信息中的业务指标进行推送结构体的迭代标定，实现推送结构体的推送关键要素的不断更新，并且将推送源特征和相应的源特征重要程度信息进行融合对预设信息推送模型进行配置，使得配置后的预设信息推送模型的信息推送的准确性更高，极大的提升了数据处理的效率，进而提升了信息推送的分析效率。
在一种可能的实现方式中，针对步骤S160，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S161，对目标业务指标分类列表进行信息识别，得到相应的信息推送标签列表。
子步骤S162，获取每一信息推送标签列表中包含的推送结构体的第一目标推送反馈参数以及推送结构体的全局推送反馈参数。
子步骤S163，根据第一目标推送反馈参数与全局推送反馈参数的匹配关系确定相应的第一历史推送反馈参数。
子步骤S164，将第一历史推送反馈参数匹配预设参数特征的信息推送标签列表确定为目标推送参考策略。
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的子步骤来实现，详细描述如下。
子步骤S151，对目标识别推送信息进行切分和业务指标分类操作，得到相应的业务指标分类列表。
子步骤S152，获取推送结构体的推送关键要素，并确定业务指标分类列表中的推送关键要素。
子步骤S153，为业务指标分类列表中的推送关键要素标定相应的推送结构体，得到相应的目标业务指标分类列表。
在一种可能的实现方式中，针对步骤S170，在根据目标推送参考策略对目标业务指标分类列表进行遍历，循环更新推送结构体的推送关键要素的过程中，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S171，确定目标业务指标分类列表中与目标推送参考策略的信息推送标签列表匹配的业务指标序列。
子步骤S172，获取每一业务指标序列中包含的推送结构体的第二目标推送反馈参数以及推送结构体的全局推送反馈参数，并根据第二目标推送反馈参数与全局推送反馈参数的匹配关系确定相应的第二历史推送反馈参数。
子步骤S173，将第二历史推送反馈参数大于第二预设历史推送反馈参数阈值的业务指标序列确定为目标业务指标序列，并按照目标推送参考策略对目标业务指标序列中的业务指标进行推送结构体标定，更新推送结构体的推送关键要素。
例如，可以获取目标推送参考策略中对每一策略单元进行推送结构体标定的标定规则。然后，根据标定规则对目标业务指标序列中的业务指标按照策略单元进行推送结构体标定，更新推送结构体的推送关键要素。
子步骤S174，重新执行获取每一业务指标序列中包含的推送结构体的第二目标推送反馈参数以及推送结构体的全局推送反馈参数的步骤，迭代对目标业务指标序列中的业务指标进行推送结构体标定，更新推送结构体的推送关键要素，直至迭代次数满足预设迭代阈值。
在一种可能的实现方式中，针对步骤S170，在提取添加推送节点的目标业务指标分类列表中的推送源特征和相应的源特征重要程度信息的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S175，确定添加推送节点的目标业务指标分类列表的推送源特征。
子步骤S176，计算添加推送节点的目标业务指标分类列表的源特征重要程度信息。
例如，可以获取添加推送节点的目标业务指标分类列表中目标业务指标的出现次数，并获取目标识别推送信息中出现的总推送节点数量。然后，根据目标业务指标的出现次数与总推送节点数量的匹配关系确定相应的频繁模式项信息。在此基础上，获取目标识别推送信息中的全局推送数量，并获取包含目标业务指标的目标业务推送数量，计算全局推送数量与目标业务推送数量的目标匹配关系，并计算目标匹配关系的对数，得到相应的对数结果。而后，将频繁模式项信息乘以对数结果得到目标业务指标的重要程度，将同一目标业务指标分类列表中的业务指标相应的重要程度组合，生成源特征重要程度信息。
图3为本发明实施例提供的基于大数据和人工智能的业务处理装置300的功能模块示意图，本实施例可以根据上述区块链金融平台100执行的方法实施例对该基于大数据和人工智能的业务处理装置300进行功能模块的划分，也即该基于大数据和人工智能的业务处理装置300所对应的以下各个功能模块可以用于执行上述区块链金融平台100执行的各个方法实施例。其中，该基于大数据和人工智能的业务处理装置300可以包括获取模块310、识别模块320、确定模块330以及生成模块340，下面分别对该基于大数据和人工智能的业务处理装置300的各个功能模块的功能进行详细阐述。
获取模块310，用于从数字金融服务终端在预设时间段的业务请求信息中获取至少一个业务关键词列表，每个业务关键词列表中各业务关键词标注属于同一业务服务场景，并且，每个业务关键词标注对应于所属业务服务场景下的业务处理流程。其中，获取模块310可以用于执行上述的步骤S110，关于获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
识别模块320，用于基于所属业务服务场景下各业务处理流程对业务关键词列表进行实体关系识别，得到各业务关键词列表的实体关系特征和对应的实体业务事项等级。其中，识别模块320可以用于执行上述的步骤S120，关于识别模块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。
确定模块330，用于根据实体关系特征和对应的实体业务事项等级，确定各业务关键词标注对应所属业务服务场景的表单操作轨迹。其中，确定模块330可以用于执行上述的步骤S130，关于确定模块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。
生成模块340，用于根据各业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项，并根据每个业务服务场景对应的表单跟踪热度化表项生成业务请求信息对应的信息推荐进程的推荐画像特征。其中，生成模块340可以用于执行上述的步骤S140，关于生成模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
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示出了本发明实施例提供的用于实现上述的基于大数据和人工智能的业务处理方法的区块链金融平台100的硬件结构示意图，如图4所示，区块链金融平台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中所示的基于大数据和人工智能的业务处理装置300包括的获取模块310、识别模块320、确定模块330以及生成模块340），使得处理器110可以执行如上方法实施例的基于大数据和人工智能的业务处理方法，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，从而可以与前述的数字金融服务终端200进行数据收发。
处理器110的具体实现过程可参见上述区块链金融平台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，本发明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，本发明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和人工智能的业务处理方法。
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词语来描述本说明书的实施例。如“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”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“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”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，或对他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、装置或设备以实现通讯、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、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。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医疗服务平台上运行。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，本说明书所述处理元素和列表的顺序、数字字母的使用、或其他名称的使用，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，如在现有的医疗服务平台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。
需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。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)

1.一种基于大数据和人工智能的业务处理方法，其特征在于，应用于区块链金融平台，所述区块链金融平台与多个数字金融服务终端通信连接，所述方法包括：
从所述数字金融服务终端在预设时间段的业务请求信息中获取至少一个业务关键词列表，每个所述业务关键词列表中各业务关键词标注属于同一业务服务场景，并且，每个所述业务关键词标注对应于所属业务服务场景下的业务处理流程；
基于所属业务服务场景下各业务处理流程对所述业务关键词列表进行实体关系识别，得到各业务关键词列表的实体关系特征和对应的实体业务事项等级；
根据所述实体关系特征和对应的实体业务事项等级，确定各所述业务关键词标注对应所属业务服务场景的表单操作轨迹；
根据各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项，并根据每个业务服务场景对应的表单跟踪热度化表项生成所述业务请求信息对应的信息推荐进程的推荐画像特征，并根据所述信息推荐进程的推荐画像特征向所述数字金融服务终端推送对应的请求推荐信息；
所述实体关系用于表示具有表示与相关联的业务场景服务的关系字段，所述实体关系特征用于表示实体关系所对应的关系字段序列，其对应的实体业务事项等级用于表示实体关系所对应的关系字段序列具有与相关联的业务场景服务之间的互动标签的频繁模式项的频繁程度；
所述表单操作轨迹用于表示产生的表单操作行为的时间轴为单位的记录信息。
2.根据权利要求1所述的基于大数据和人工智能的业务处理方法，其特征在于，所述从所述数字金融服务终端在预设时间段的业务请求信息中获取至少一个业务关键词列表的步骤，包括：
从所述数字金融服务终端在预设时间段的业务请求信息中获取业务服务场景属于同一业务服务场景的业务关键词标注，并将属于每个业务服务场景的业务关键词标注确定为对应的业务关键词列表。
3.根据权利要求1所述的基于大数据和人工智能的业务处理方法，其特征在于，所述基于所属业务服务场景下各业务处理流程对所述业务关键词列表进行实体关系识别，得到各业务关键词列表的实体关系特征和对应的实体业务事项等级的步骤，包括：
对每个业务关键词列表，遍历所述业务关键词列表中的业务关键词标注，从所述业务关键词标注中提取融合该业务关键词列表所属业务服务场景下各业务处理流程的业务关键词描述表示，根据提取的业务关键词描述表示确定与所述业务关键词列表对应的业务逻辑信息；
剔除所述业务逻辑信息中各业务关键词描述表示包含的设定描述信息，对剔除设定描述信息的业务关键词描述表示进行业务推送特征分段拆分，获得第一业务逻辑信息，根据所述业务推送特征分段在所述第一业务逻辑信息所包含的业务关键词描述表示中的业务逻辑强度，确定各业务推送特征分段的实体关系强度；
剔除所述第一业务逻辑信息中实体关系强度小于预设实体关系强度阈值的业务推送特征分段，得到第二业务逻辑信息，将实体关系强度不小于预设实体关系强度阈值的业务推送特征分段作为第一业务推送特征分段，得到第一业务推送特征分段列表，根据所述第一业务推送特征分段列表中各第一业务推送特征分段在所述第二业务逻辑信息中的匹配信息，确定与各第一业务推送特征分段对应的由接续在该第一业务推送特征分段之后的业务推送特征分段组成的第二业务推送特征分段列表；
判断所述第二业务推送特征分段列表是否为空，如果所述第二业务推送特征分段列表为空，则循环返回，如果所述第二业务推送特征分段列表不为空，则统计所述第二业务推送特征分段列表中各业务推送特征分段的实体关系强度，判断各业务推送特征分段的实体关系强度是否满足最小实体关系强度条件；
如果业务推送特征分段的实体关系强度不满足最小实体关系强度条件，则循环返回，如果业务推送特征分段的实体关系强度满足最小实体关系强度条件，则将所述业务推送特征分段与所述第二业务推送特征分段列表对应的第一业务推送特征分段拼接，得到新第一业务推送特征分段，确定新第一业务推送特征分段的第二业务推送特征分段列表，并对新第一业务推送特征分段对应的第二业务推送特征分段列表执行循环识别，获得所有满足最小实体关系强度条件的目标第一业务推送特征分段和对应的实体关系强度；
其中，循环返回的数据为当前获得的所有满足最小实体关系强度条件的目标第一业务推送特征分段和对应的实体关系强度，获得所有满足最小实体关系强度条件的目标第一业务推送特征分段和对应的实体关系强度，将所述目标第一业务推送特征分段作为所述业务关键词列表的实体关系特征，将所述第二业务推送特征分段列表中各目标第一业务推送特征分段的实体关系强度作为与实体关系特征对应的实体业务事项等级。
4.根据权利要求1所述的基于大数据和人工智能的业务处理方法，其特征在于，所述根据所述实体关系特征和对应的实体业务事项等级，确定各所述业务关键词标注对应所属业务服务场景的表单操作轨迹的步骤，包括：
根据所述实体关系特征和对应的实体业务事项等级从所述实体关系特征中筛选获得大于预设实体业务事项等级的标记实体关系特征；
获取在标记实体关系特征上第一实体关系对象对应的第一表单操作元素列表和第二实体关系对象对应的第二表单操作元素列表，其中，所述第一表单操作元素列表包括所述第一实体关系对象对所述标记实体关系特征中的相关表单区域进行表单操作的多个表单操作节点，所述第二表单操作元素列表包括所述第二实体关系对象对所述标记实体关系特征中的相关表单区域进行表单操作的多个表单操作节点，并且每个表单操作节点包括多个表单操作节点分量；
基于预设表单操作节点类别，对所述第一表单操作元素列表中的多个表单操作节点进行高斯分类，得到高斯分类后的第一表单操作元素列表；所述预设表单操作节点类别属于多个表单操作节点分量对应的类型；
将所述高斯分类后的第一表单操作元素列表中，与预设表单操作节点类别列表中的每个预设表单操作节点类别对应的各个表单操作节点分量，组合为第一初始表单操作节点列表；
对所述第一初始表单操作节点列表进行去重，得到第一表单操作节点列表，从而得到与所述预设表单操作节点类别列表对应的第一表单操作节点列表列表；
将所述第一表单操作节点列表列表中的各个表单操作节点分量，组合为所述第一实体关系对象对应的第一表单操作节点分量列表，其中，所述第一表单操作节点分量列表与所述预设表单操作节点类别列表相对应，所述预设表单操作节点类别类型为用于进行表单操作爬取的各个表单操作节点类别所组成的列表；
从所述第二表单操作元素列表中，提取与所述预设表单操作节点类别列表中的各个预设表单操作节点类别分别对应的各个表单操作节点分量，组合为所述第二实体关系对象对应的第二表单操作节点分量列表，其中，所述第二表单操作节点分量列表与所述预设表单操作节点类别列表相对应，其中，所述第一表单操作节点分量列表和所述第二表单操作节点分量列表分别是从所对应表单操作元素列表中提取出的表单操作节点分量所组成的列表；
确定所述第一表单操作节点分量列表和所述第二表单操作节点分量列表之间的相同表单操作节点分量的轨迹节点，并将所述轨迹节点对应的轨迹范围值得到操作描述值；
当所述操作描述值大于预设描述值阈值时，确定所述第一实体关系对象和所述第二实体关系对象为表单操作单位；
将所述标记实体关系特征中的任意两个实体关系元素，作为第一实体关系对象和第二实体关系对象进行表单操作爬取，直到完成所述标记实体关系特征中的实体关系元素相互之间的检测时，得到所述标记实体关系特征中存在表单操作行为的表单操作单位列表；
将所述表单操作单位列表中实体关系元素的轨迹节点，作为目标表单操作单位轨迹节点；
将所述标记实体关系特征对应的实体关系元素的轨迹节点，作为目标总实体关系元素轨迹节点；
计算所述目标表单操作单位轨迹节点与所述目标总实体关系元素轨迹节点的轨迹分段，得到所述标记实体关系特征对应的轨迹分段特征；
当所述轨迹分段特征满足预设分段长度时，将所述标记实体关系特征所对应的轨迹分段特征构成的轨迹确定为各所述业务关键词标注对应所属业务服务场景的表单操作轨迹。
5.根据权利要求1-4中任意一项所述的基于大数据和人工智能的业务处理方法，其特征在于，所述根据各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项的步骤，包括：
从各所述业务关键词标注对应所属业务服务场景的表单操作轨迹中获得对应的轨迹经由业务段以及所述轨迹经由业务段的初始业务表项；
根据预先训练的人工智能模型对所述轨迹经由业务段进行分类，得到分类业务表项；
将所述初始业务表项与所述分类业务表项进行比对，得到表项匹配信息；
根据所述表项匹配信息确定每个所述业务服务场景对应的表单跟踪热度化表项。
6.根据权利要求5所述的基于大数据和人工智能的业务处理方法，其特征在于，所述初始业务表项包括至少一个初始子业务表项，所述分类业务表项包括至少一个分类子业务表项；
所述将所述初始业务表项与所述分类业务表项进行比对，得到表项匹配信息的步骤，包括：
将每个所述初始子业务表项，分别和每个分类子业务表项进行融合，得到子融合信息，当所述至少一个分类子业务表项均融合完成时，得到至少一个子融合信息；其中，所述至少一个分类子业务表项与所述至少一个子融合信息一一对应，所述子融合信息表征初始子业务表项与分类子业务表项是否匹配；
对所述至少一个子融合信息进行拼接，得到与每个初始子业务表项对应的融合信息；其中，所述融合信息表征是否存在与初始子业务表项融合的分类子业务表项，所述融合信息与每个所述初始子业务表项相对应；
对所述至少一个初始子业务表项中，所述融合信息表征存在融合的分类子业务表项的初始子业务表项进行提取，得到融合初始子业务表项；
根据所述融合信息，从所述至少一个分类子业务表项中，提取出与所述融合初始子业务表项相融合的分类子业务表项，作为融合分类子业务表项；
对所述至少一个初始子业务表项中，除所述融合初始子业务表项之外的初始子业务表项进行拼接，得到初始拼接信息列表；
对所述至少一个分类子业务表项中，除所述融合分类子业务表项之外的分类子业务表项进行拼接，得到分类拼接信息列表；
将所述初始拼接信息列表和所述分类拼接信息列表进行拼接，得到所述表项匹配信息；
其中，所述初始子业务表项包括初始业务标签信息、初始业务主键信息和初始关联对象信息，所述分类子业务表项包括分类业务标签信息、分类业务主键信息和分类关联对象信息。
7.根据权利要求6所述的基于大数据和人工智能的业务处理方法，其特征在于，每个所述初始子业务表项均包含初始业务标签信息和初始业务主键信息，每个分类子业务表项均包含分类业务标签信息和分类业务主键信息；
所述将每个所述初始子业务表项，分别和每个分类子业务表项进行融合，得到子融合信息，当所述至少一个分类子业务表项均融合完成时，得到至少一个子融合信息的步骤，包括：
将所述初始业务标签信息，分别和每个所述分类子业务表项的分类业务标签信息进行编码，得到每个所述分类子业务表项对应的编码判别信息；所述编码判别信息表征所述初始业务标签信息与分类业务标签信息是否相同；
利用所述初始业务主键信息确定出初始业务主键接口，利用每个所述分类子业务表项的分类业务主键信息，确定出每个所述分类子业务表项的分类业务主键接口；
根据所述初始业务主键接口和每个分类业务主键接口，得到每个所述分类业务主键接口与所述初始业务主键接口所对应的接口关联信息以及每个所述分类业务主键接口与所述初始业务主键接口所对应的所对应的拼接结果；
利用所述接口关联信息和所述拼接结果，得到至少一个子融合信息。
8.根据权利要求5所述的基于大数据和人工智能的业务处理方法，其特征在于，所述根据所述表项匹配信息确定每个所述业务服务场景对应的表单跟踪热度化表项的步骤，包括：
从所述表项匹配信息中获得每个表项匹配节点所对应的目标跟踪热度化项目，并将每个目标跟踪热度化项目以聚类后排列的方式作为每个所述业务服务场景对应的表单跟踪热度化表项。
9.根据权利要求1-8中任意一项所述的基于大数据和人工智能的业务处理方法，其特征在于，所述根据每个业务服务场景对应的表单跟踪热度化表项生成所述业务请求信息对应的信息推荐进程的推荐画像特征，并根据所述信息推荐进程的推荐画像特征向所述数字金融服务终端推送对应的请求推荐信息的步骤，包括：
从每个业务服务场景对应的表单跟踪热度化表项所映射的信息列表中获取表项业务访问信息以及与所述表项业务访问信息关联的业务访问对象信息和历史访问对象信息，所述历史访问对象信息中包括至少一个历史访问请求的访问对象信息；
将所述业务访问对象信息和所述历史访问对象信息输入机器学习模型，通过所述机器学习模型对所述业务访问对象信息进行业务推送特征提取，得到第一业务推送特征向量，并对各所述历史访问对象信息进行业务推送特征提取，得到第二业务推送特征向量；
对所述第一业务推送特征向量中的各向量进行拼接处理，得到用于表示所述业务访问对象信息的业务接入认证的第一业务接入认证向量，并对所述第二业务推送特征向量中的各向量进行拼接处理，得到用于表示所述历史访问对象信息业务接入认证的第二业务接入认证向量；
计算所述第一业务接入认证向量与各所述第二业务接入认证向量之间的汉明距离，将计算所得的汉明距离作为所述业务访问对象信息和所述历史访问对象信息的汉明距离；
将计算所得的汉明距离确定为对应业务访问对象信息强关联所述历史访问对象信息时对应的强关联度；所述强关联度用于衡量所述业务访问对象信息正关联于所述历史访问对象信息的程度；
基于所述第一业务推送特征向量和所述表项业务访问信息的第三业务推送特征向量，计算所述业务访问对象信息对所述表项业务访问信息的推送服务信息，并对所述推送服务信息和所述强关联度进行操作，得到所述表项业务访问信息针对所述业务访问对象信息的推送服务配置信息和所述历史访问对象信息在所述表项业务访问信息的推送服务区域；
根据所述推送服务配置信息和所述强关联度达到强关联条件所对应的推送服务区域，在所述推送服务配置信息中确定所述推送服务区域对应的推荐画像特征信息，并根据提取的推荐画像特征信息生成所述业务请求信息对应的信息推荐进程的推荐画像特征；
根据所述信息推荐进程的推荐画像特征向所述数字金融服务终端推送对应的请求推荐信息。
10.一种基于大数据和人工智能的业务处理系统，其特征在于，所述基于大数据和人工智能的业务处理系统包括区块链金融平台以及与所述区块链金融平台通信连接的多个数字金融服务终端；
所述区块链金融平台用于从所述数字金融服务终端在预设时间段的业务请求信息中获取至少一个业务关键词列表，每个所述业务关键词列表中各业务关键词标注属于同一业务服务场景，并且，每个所述业务关键词标注对应于所属业务服务场景下的业务处理流程；
所述区块链金融平台用于基于所属业务服务场景下各业务处理流程对所述业务关键词列表进行实体关系识别，得到各业务关键词列表的实体关系特征和对应的实体业务事项等级；
所述区块链金融平台用于根据所述实体关系特征和对应的实体业务事项等级，确定各所述业务关键词标注对应所属业务服务场景的表单操作轨迹；
所述区块链金融平台用于根据各所述业务关键词标注对应所属业务服务场景的表单操作轨迹，采用人工智能模型确定每个业务服务场景对应的表单跟踪热度化表项，并根据每个业务服务场景对应的表单跟踪热度化表项生成所述业务请求信息对应的信息推荐进程的推荐画像特征，并根据所述信息推荐进程的推荐画像特征向所述数字金融服务终端推送对应的请求推荐信息；
所述实体关系用于表示具有表示与相关联的业务场景服务的关系字段，所述实体关系特征用于表示实体关系所对应的关系字段序列，其对应的实体业务事项等级用于表示实体关系所对应的关系字段序列具有与相关联的业务场景服务之间的互动标签的频繁模式项的频繁程度；
所述表单操作轨迹用于表示产生的表单操作行为的时间轴为单位的记录信息。
CN202110166488.5A 2020-08-02 2020-08-02 基于大数据和人工智能的业务处理方法及业务处理系统 Withdrawn CN112948671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110166488.5A CN112948671A (zh) 2020-08-02 2020-08-02 基于大数据和人工智能的业务处理方法及业务处理系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110166488.5A CN112948671A (zh) 2020-08-02 2020-08-02 基于大数据和人工智能的业务处理方法及业务处理系统
CN202010764378.4A CN111931049B (zh) 2020-08-02 2020-08-02 基于大数据和人工智能的业务处理方法及区块链金融系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202010764378.4A Division CN111931049B (zh) 2020-08-02 2020-08-02 基于大数据和人工智能的业务处理方法及区块链金融系统

Publications (1)

Publication Number Publication Date
CN112948671A true CN112948671A (zh) 2021-06-11

Family

ID=73315962

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202010764378.4A Active CN111931049B (zh) 2020-08-02 2020-08-02 基于大数据和人工智能的业务处理方法及区块链金融系统
CN202110156338.6A Withdrawn CN112948669A (zh) 2020-08-02 2020-08-02 基于大数据和人工智能的业务处理方法及区块链金融平台
CN202110166488.5A Withdrawn CN112948671A (zh) 2020-08-02 2020-08-02 基于大数据和人工智能的业务处理方法及业务处理系统

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202010764378.4A Active CN111931049B (zh) 2020-08-02 2020-08-02 基于大数据和人工智能的业务处理方法及区块链金融系统
CN202110156338.6A Withdrawn CN112948669A (zh) 2020-08-02 2020-08-02 基于大数据和人工智能的业务处理方法及区块链金融平台

Country Status (1)

Country Link
CN (3) CN111931049B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326427A (zh) * 2020-11-17 2021-08-31 崔海燕 基于大数据定位的业务推送配置更新方法及云计算中心
CN113905024A (zh) * 2020-11-19 2022-01-07 苏州燎原网络科技有限公司 一种基于大数据的直播带货推送方法及系统
CN112579457B (zh) * 2020-12-24 2024-04-19 北京志翔信息技术有限公司 基于人工智能的数据架构管控方法及系统
CN112835853B (zh) * 2020-12-31 2024-03-22 北京聚云科技有限公司 一种数据处理类型确定方法及装置
CN113642885B (zh) * 2021-08-12 2022-08-26 中投国信(北京)科技发展有限公司 基于人工智能的业务环境指标信息处理方法及系统
CN117234738B (zh) * 2023-11-10 2024-04-09 浙江毫微米科技有限公司 基于人工智能模型的区块链系统和智能合约处理方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6611881B1 (en) * 2000-03-15 2003-08-26 Personal Data Network Corporation Method and system of providing credit card user with barcode purchase data and recommendation automatically on their personal computer
EP2531969A4 (en) * 2010-02-01 2013-12-04 Jumptap Inc INTEGRATED ADVERTISING SYSTEM
CN104361093A (zh) * 2014-11-19 2015-02-18 南京大学 一种通用的Web自动浏览导航方法
US10051064B2 (en) * 2016-06-22 2018-08-14 Conduent Business Services, Llc Method and system for recommending services to requestors
CN107169861A (zh) * 2017-04-07 2017-09-15 平安科技（深圳）有限公司 网点销售服务系统及方法
CN108809718B (zh) * 2018-06-12 2021-03-19 深圳华讯网络科技有限公司 基于虚拟资源的网络访问方法、系统、计算机设备和介质
CN109657236B (zh) * 2018-12-07 2022-02-18 腾讯科技（深圳）有限公司 引导信息获取方法、装置、电子装置及存储介质
CN109783730A (zh) * 2019-01-03 2019-05-21 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机设备和存储介质
CN111104590A (zh) * 2019-11-19 2020-05-05 泰康保险集团股份有限公司 信息推荐方法、装置、介质及电子设备
CN111160961B (zh) * 2019-12-20 2023-10-17 深圳前海微众银行股份有限公司 一种信息推荐方法及装置
CN111132145B (zh) * 2019-12-27 2021-02-23 太原清众鑫科技有限公司 网络通信安全监测方法、装置、服务器及网络通信系统
CN111291266B (zh) * 2020-02-13 2023-03-21 深圳市雅阅科技有限公司 基于人工智能的推荐方法、装置、电子设备及存储介质
CN111368219B (zh) * 2020-02-27 2024-04-26 广州腾讯科技有限公司 信息推荐方法、装置、计算机设备以及存储介质
CN111444428B (zh) * 2020-03-27 2022-08-30 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111931049A (zh) 2020-11-13
CN111931049B (zh) 2021-04-30
CN112948669A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN111931049B (zh) 基于大数据和人工智能的业务处理方法及区块链金融系统
CN110069709B (zh) 意图识别方法、装置、计算机可读介质及电子设备
CN111309822B (zh) 用户身份识别方法及装置
CN111861463A (zh) 基于区块链和人工智能的信息智能识别方法及大数据平台
CN110377733B (zh) 一种基于文本的情绪识别方法、终端设备及介质
CN112711578B (zh) 用于云计算业务的大数据去噪方法及云计算金融服务器
CN112600893A (zh) 基于大数据定位的软件应用数据挖掘方法及软件服务平台
CN111931050B (zh) 基于智能识别和大数据的信息推送方法及区块链金融服务器
CN112711580B (zh) 用于云计算业务的大数据挖掘方法及云计算金融服务器
CN112784008B (zh) 案件相似度确定方法及装置、存储介质、终端
US20230351121A1 (en) Method and system for generating conversation flows
CN116662555A (zh) 一种请求文本处理方法、装置、电子设备及存储介质
US20230134218A1 (en) Continuous learning for document processing and analysis
US20230138491A1 (en) Continuous learning for document processing and analysis
CN114090781A (zh) 基于文本数据的容斥事件检测方法和装置
CN114462417A (zh) 一种应用于大数据的评论文本处理方法及存储介质
CN114443834A (zh) 一种证照信息提取的方法、装置及存储介质
CN112541357A (zh) 实体识别方法、装置及智能设备
CN112613072A (zh) 基于档案大数据的信息管理方法、管理系统及管理云平台
CN112579756A (zh) 基于云计算和区块链的服务响应方法及人工智能互动平台
CN113761184A (zh) 文本数据的分类方法、设备及存储介质
CN111737405B (zh) 一种图文素材存档管理方法及系统
Wang et al. Feature extraction by using attention mechanism in text classification
CN116883181B (zh) 基于用户画像的金融服务推送方法、存储介质及服务器
CN111984714B (zh) 基于智能在线通信和大数据的信息生成方法及云服务平台

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210611