CN112949746A - 应用于用户行为分析的大数据处理方法及人工智能服务器 - Google Patents

应用于用户行为分析的大数据处理方法及人工智能服务器 Download PDF

Info

Publication number
CN112949746A
CN112949746A CN202110310724.6A CN202110310724A CN112949746A CN 112949746 A CN112949746 A CN 112949746A CN 202110310724 A CN202110310724 A CN 202110310724A CN 112949746 A CN112949746 A CN 112949746A
Authority
CN
China
Prior art keywords
service
feedback content
behavior analysis
analysis result
service feedback
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110310724.6A
Other languages
English (en)
Other versions
CN112949746B (zh
Inventor
耿赛
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.)
Sino Parsons Technology Beijing Co ltd
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202210062818.0A priority Critical patent/CN114580495A/zh
Priority to CN202110310724.6A priority patent/CN112949746B/zh
Priority to CN202210062807.2A priority patent/CN114492612A/zh
Publication of CN112949746A publication Critical patent/CN112949746A/zh
Application granted granted Critical
Publication of CN112949746B publication Critical patent/CN112949746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开的应用于用户行为分析的大数据处理方法及人工智能服务器，能够在获取第一服务反馈内容记录和第二服务反馈内容记录之后进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果。由于第一服务反馈内容记录和第二服务反馈内容记录对应不同类型的业务服务，在进行用户行为分析时，通过对不同的服务反馈内容记录进行关联分析，能够考虑不同业务服务模式之间的关联和影响，这样所确定出的用户行为分析结果之间不仅具有一定的差异性，还具有一定的关联性，且上述服务反馈内容记录为大数据业务端与人工智能服务器在业务交互过程中生成的，因而能够全面、深层次地实现对大数据业务端的用户行为分析。

Description

应用于用户行为分析的大数据处理方法及人工智能服务器
技术领域
本申请涉及大数据分析技术领域，特别涉及一种应用于用户行为分析的大数据处理方法及人工智能服务器。
背景技术
随着科技的进步，各行各业的业务办理逐渐向数字化处理方向发展。大数据（bigdata）技术的不断优化为线上业务服务办理提供了诸多便利，打破了传统的地域限制和时间限制等缺点，使得各类业务服务的办理和交互更加智能化和低成本化。
现目前，随着各类智能终端的功能的不断改进，相关技术已经支持智能终端在云端的业务互动，然而在云端业务互动的规模不断扩大的前提下，一些业务交互可能出现耗时较长、响应过慢等效率低下的问题。发明人对该现象进行研究和分析后发现，造成上述问题的其中一个原因是业务交互过程中智能终端之间不存在针对性的业务服务推送，这样会导致智能终端花费大量时间去匹配对应的业务服务。因此，为改善上述问题，需要对智能终端进行针对性的业务服务推送。
基于上述内容，相关技术在智能终端的业务交互过程中进行了业务服务推送，但是效果不佳。进一步地，发明人对相关技术进行了研究和分析后发现，造成业务服务推送效果不佳的原因是没有对智能终端的用户行为进行全面、深层次地分析。因而，如何全面、深层次地实现对智能终端的用户行为分析是现目前继续改善的一个技术问题。
发明内容
本申请实施例之一提供一种人工智能服务器，所述人工智能服务器包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现以下步骤：
获取第一服务反馈内容记录和第二服务反馈内容记录，其中，所述第一服务反馈内容记录为针对引导型业务服务的服务反馈内容记录，所述第二服务反馈内容记录为针对交互型业务服务的服务反馈内容记录；所述第一服务反馈内容记录和所述第二服务反馈内容记录为大数据业务端与所述人工智能服务器在业务交互过程中生成的；
通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果。
优选的，所述通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果，包括：
根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行业务需求识别，得到业务需求识别结果，根据所述业务需求识别结果对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述业务需求识别结果对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果；
根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行用户评价识别，得到用户评价识别结果，根据所述用户评价识别结果对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述用户评价识别结果对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
优选的，根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行业务需求识别，得到业务需求识别结果，包括：
根据所述第一服务反馈内容记录和第一历史用户行为分析结果生成第一动态服务反馈内容，根据所述第一动态服务反馈内容和多个第一反馈内容更新数据确定所述第一服务反馈内容记录中每个服务反馈内容事项的第一显性画像挖掘策略，所述第一历史用户行为分析结果是指对所述第一服务反馈内容记录的前i组服务反馈内容中的任一组服务反馈内容进行大数据分析后的行为分析结果，i大于或等于1，所述多个第一反馈内容更新数据与所述第一动态服务反馈内容中的多个服务反馈内容事项一一对应；
根据所述第二服务反馈内容记录和第二历史用户行为分析结果生成第二动态服务反馈内容，根据所述第二动态服务反馈内容和多个第二反馈内容更新数据确定所述第二服务反馈内容记录中每个服务反馈内容事项的第二显性画像挖掘策略，所述第二历史用户行为分析结果是指对所述第二服务反馈内容记录的前i组服务反馈内容中的任一组服务反馈内容进行大数据分析后的行为分析结果，所述多个第二反馈内容更新数据与所述第二动态服务反馈内容中的多个服务反馈内容事项一一对应；
对每个服务反馈内容事项的第一显性画像挖掘策略和第二显性画像挖掘策略进行整合，得到每个服务反馈内容事项的关联显性画像挖掘策略；
或者，
从每个服务反馈内容事项的第一显性画像挖掘策略和第二显性画像挖掘策略中选择一个显性画像挖掘策略作为相应服务反馈内容事项的关联显性画像挖掘策略；
其中，所述业务需求识别结果包括每个服务反馈内容事项的第一显性画像挖掘策略和/或每个服务反馈内容事项的关联显性画像挖掘策略。
优选的，所述根据所述业务需求识别结果对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述业务需求识别结果对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果，包括：
根据每个服务反馈内容事项的第一显性画像挖掘策略对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项的第一显性画像挖掘策略对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果；
或者根据每个服务反馈内容事项的第一显性画像挖掘策略对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项的关联显性画像挖掘策略对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果；
或者根据每个服务反馈内容事项的关联显性画像挖掘策略对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项的关联显性画像挖掘策略对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
优选的，所述根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行用户评价识别，得到用户评价识别结果，包括：
通过预先训练好的内容事项识别模型确定所述第一服务反馈内容记录中每个服务反馈内容事项的第一潜在画像挖掘策略；
通过预先训练好的内容事项识别模型确定所述第二服务反馈内容记录中每个服务反馈内容事项的第二潜在画像挖掘策略；
通过预先训练好的内容事项识别模型对所述第一服务反馈内容记录进行内容关联标识信息提取，得到第一内容关联标识信息，对所述第二服务反馈内容记录进行内容关联标识信息提取，得到第二内容关联标识信息；
根据所述第一潜在画像挖掘策略、所述第二潜在画像挖掘策略、所述第一内容关联标识信息和所述第二内容关联标识信息确定每个服务反馈内容事项对应的关联潜在画像挖掘策略；其中，所述用户评价识别结果包括每个服务反馈内容事项的第一潜在画像挖掘策略和/或关联潜在画像挖掘策略；
所述根据所述用户评价识别结果对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述用户评价识别结果对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果，包括：
根据每个服务反馈内容事项对应的第一潜在画像挖掘策略对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项对应的第一潜在画像挖掘策略对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果；
或者根据每个服务反馈内容事项对应的第一潜在画像挖掘策略对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项对应的关联潜在画像挖掘策略对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果；
或者根据每个服务反馈内容事项对应的关联潜在画像挖掘策略对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项对应的关联潜在画像挖掘策略对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
优选的，所述对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果，包括：
根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行业务需求识别，得到业务需求识别结果，根据所述业务需求识别结果对所述第一服务反馈内容记录进行显性画像挖掘，得到第一显性画像对应的用户行为分析结果，根据所述业务需求识别结果对所述第二服务反馈内容记录进行显性画像挖掘，得到第二显性画像对应的用户行为分析结果；
根据所述第一显性画像对应的用户行为分析结果和所述第二显性画像对应的用户行为分析结果进行用户评价识别，得到用户评价识别结果，根据所述用户评价识别结果对所述第一显性画像对应的用户行为分析结果进行潜在画像挖掘，得到所述针对引导型业务服务的用户行为分析结果，根据所述用户评价识别结果对所述第二显性画像对应的用户行为分析结果进行潜在画像挖掘，得到所述针对交互型业务服务的用户行为分析结果；
或者，
根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行用户评价识别，得到用户评价识别结果，根据所述用户评价识别结果对所述第一服务反馈内容记录进行潜在画像挖掘，得到第一潜在画像对应的用户行为分析结果，根据所述用户评价识别结果对所述第二服务反馈内容记录进行潜在画像挖掘，得到第二潜在画像对应的用户行为分析结果；
根据所述第一潜在画像对应的用户行为分析结果和所述第二潜在画像对应的用户行为分析结果进行业务需求识别，得到业务需求识别结果，根据所述业务需求识别结果对所述第一潜在画像对应的用户行为分析结果进行显性画像挖掘，得到所述针对引导型业务服务的用户行为分析结果，根据所述业务需求识别结果对所述第二潜在画像对应的用户行为分析结果进行显性画像挖掘，得到所述针对交互型业务服务的用户行为分析结果。
优选的，所述计算机程序被所述处理器执行时还实现以下步骤：
通过预先训练好的分析结果处理模型对所述针对引导型业务服务的用户行为分析结果和所述针对交互型业务服务的用户行为分析结果进行整合，得到全局行为分析结果。
优选的，所述计算机程序被所述处理器执行时还实现以下步骤：
根据全局行为分析结果进行针对所述大数据业务端的业务服务挖掘，得到对应的业务服务预推送目录。
优选的，所述根据全局行为分析结果进行针对所述大数据业务端的业务服务挖掘，得到对应的业务服务预推送目录，包括：
对所述全局行为分析结果中的目标服务行为事件进行行为意图信息识别，得到所述目标服务行为事件的行为意图信息集合，所述行为意图信息集合包括多个服务行为意图信息；
从预设数据库中获取与所述全局行为分析结果关联的目标业务参考数据，所述目标业务参考数据包括：局部行为分析结果和该局部行为分析结果的局部交互行为业务信息；
根据所述局部交互行为业务信息从所述行为意图信息集合中确定行为意图信息片段，并确定所述行为意图信息片段中各服务行为意图信息在所述全局行为分析结果中的意图倾向评价结果；
根据所述各服务行为意图信息在所述全局行为分析结果的意图倾向评价结果为所述局部行为分析结果确定针对所述大数据业务端的业务服务挖掘策略，并按照所述针对所述大数据业务端的业务服务挖掘策略在所述全局行为分析结果中融合所述局部行为分析结果，得到待处理行为分析结果；
采用预设大数据挖掘算法对所述待处理行为分析结果进行业务服务挖掘，得到业务服务挖掘结果；根据所述业务服务挖掘结果生成所述业务服务预推送目录。
本申请实施例之一提供一种应用于用户行为分析的大数据处理方法，应用于人工智能服务器，所述方法包括：
获取第一服务反馈内容记录和第二服务反馈内容记录，其中，所述第一服务反馈内容记录为针对引导型业务服务的服务反馈内容记录，所述第二服务反馈内容记录为针对交互型业务服务的服务反馈内容记录；所述第一服务反馈内容记录和所述第二服务反馈内容记录为大数据业务端与所述人工智能服务器在业务交互过程中生成的；
通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构。
图1是根据本发明的一些实施例所示的一种人工智能服务器的硬件和软件的组成示意图。
图2是根据本发明的一些实施例所示的一种应用于用户行为分析的大数据处理方法的流程图。
图3是根据本发明的一些实施例所示的一种应用于用户行为分析的大数据处理方法的另一流程图。
图4是根据本发明的一些实施例所示的一种示例性应用于用户行为分析的大数据处理装置的框图；
图5是根据本发明的一些实施例所示的一种示例性应用于用户行为分析的大数据处理系统的框图。
具体实施方式
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申请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申请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，本文使用的“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。
如本申请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。
本申请中使用了流程图用来说明根据本申请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。
为改善如背景技术所述的技术问题，发明人针对性地提出了一种应用于用户行为分析的大数据处理方法及人工智能服务器。
请参阅图1，示出了一种人工智能服务器100的框图，所述人工智能服务器100可以包括存储器110、处理器120以及存储在存储器110上并可在处理器120上运行的计算机程序130，计算机程序130被所述处理器120执行时实现本申请中的应用于用户行为分析的大数据处理方法。
存储器110可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器110用于存储计算机程序130，所述处理器120在接收到执行指令后，执行所述计算机程序130。
处理器120可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，在一些实施例中，处理器120可以包括至少一个处理器(例如，单核处理器或多核处理器)。仅作为示例，处理器120可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer，RISC)、微处理器等或其任意组合。
可以理解，图1所示的结构仅为示意，人工智能服务器100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
在图1的基础上，请结合参阅图2，示出了计算机程序130被所述处理器120执行时所实现的应用于用户行为分析的大数据处理方法流程示意图，该方法可以包括以下步骤S210和S220所描述的内容。
S210：获取第一服务反馈内容记录和第二服务反馈内容记录。
本申请实施例中，所述第一服务反馈内容记录为针对引导型业务服务的服务反馈内容记录，所述第二服务反馈内容记录为针对交互型业务服务的服务反馈内容记录。所述第一服务反馈内容记录和所述第二服务反馈内容记录为大数据业务端与所述人工智能服务器在业务交互过程中生成的。在实际应用中，大数据业务端可以是智能终端，如手机、平板电脑或者笔记本电脑等。进一步地，引导型业务服务和交互型业务服务的区别在于业务服务的参与方。比如，引导型业务服务的参与方可以仅包括人工智能服务器和大数据业务端，也即人工智能服务器为大数据业务端提供相关的指导性服务项目，比如一些政企办事事项等。交互型业务服务的参与方可以包括人工智能服务器、大数据业务端和大数据交互端。其中，大数据交互端同样可以为智能终端，如手机、平板电脑或者笔记本电脑等，在交互型业务服务中，大数据业务端和大数据交互端通过人工智能服务器进行交互。在上述基础上，不同的服务反馈内容记录可以通过不同的内容标签进行区分，比如第一服务反馈内容记录的内容标签可以为“1”，第二服务反馈内容记录的内容标签可以为“2”，如此设计，能够对大量的服务反馈内容记录进行有效区分。此外，服务反馈内容记录可以是文字内容或者视频图像内容，在此不作限定。
在本实施例中，获取第一服务反馈内容记录和第二服务反馈内容记录的方式可以是人工智能服务器实时获取，比如大数据业务端每生成一条服务反馈内容记录，人工智能服务器就获取一条服务反馈内容记录，然后在人工智能服务器获取到的第一服务反馈内容记录和第二服务反馈内容记录各自的数量达到对应的阈值时开始执行步骤S220。当然，获取第一服务反馈内容记录和第二服务反馈内容记录的方式可以是人工智能服务器按照时间间隔获取，比如人工智能服务器每隔设定时段从大数据业务端中获取对应的服务反馈内容记录，然后在人工智能服务器获取到的第一服务反馈内容记录和第二服务反馈内容记录各自的数量达到对应的阈值时开始执行步骤S220。可以理解，不管是引导型业务服务还是交互型业务服务，大数据业务端均需要和人工智能服务器通信，因此，所述第一服务反馈内容记录和所述第二服务反馈内容记录可以视为大数据业务端与所述人工智能服务器在业务交互过程中生成的。
S220：通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果。
本申请实施例中，所述第一服务反馈内容记录和所述第二服务反馈内容记录之间可能存在关联，因此，为了精准地确定出针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果，需要对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，从而将不同业务服务模式之间的关联和影响考虑在内，从而差异化地确定出不同的用户行为分析结果，以便为后续的业务服务挖掘提供准确可靠的分析依据。
在相关实施例中，由于针对不同的服务反馈内容记录进行关联分析时可能涉及到不同业务交互的交叉，因此，为了将各种业务关联情况考虑在内，本申请实施例提供了以下几种实施方式来对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析以得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果。当然，在具体实施过程中，并不限于以下几种实施方式。
第一种实施方式，步骤“通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果”可以通过以下步骤S2211和S2212实现。
S2211：根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行业务需求识别，得到业务需求识别结果，根据所述业务需求识别结果对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述业务需求识别结果对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
相关实施例中，业务需求识别可以用于进行用户画像的挖掘处理，显性画像可以理解为通过第一服务反馈内容记录能够直接确定出的用户画像，一般而言可以称之为表面画像或者直接画像。在S2211中，能够通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行业务需求层面的分析，同时结合显性画像挖掘，得到所述针对引导型业务服务的用户行为分析结果以及所述针对交互型业务服务的用户行为分析结果，这样一来，可以确保所述针对引导型业务服务的用户行为分析结果以及所述针对交互型业务服务的用户行为分析结果中能够包含大数据业务端的业务需求信息和显性画像信息，从而增加用户行为分析结果所涵盖的内容。
相关实施例中，步骤“根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行业务需求识别，得到业务需求识别结果”，可以包括以下步骤S22111-S22113所描述的内容。
S22111：根据所述第一服务反馈内容记录和第一历史用户行为分析结果生成第一动态服务反馈内容，根据所述第一动态服务反馈内容和多个第一反馈内容更新数据确定所述第一服务反馈内容记录中每个服务反馈内容事项的第一显性画像挖掘策略。
相关实施例中，所述第一历史用户行为分析结果是指对所述第一服务反馈内容记录的前i组服务反馈内容中的任一组服务反馈内容进行大数据分析后的行为分析结果，i大于或等于1，所述多个第一反馈内容更新数据与所述第一动态服务反馈内容中的多个服务反馈内容事项一一对应。
相关实施例中，第一历史用户行为分析结果可以是上一个时间节点所对应的用户行为分析结果，比如当前时段为t4，那么第一历史用户行为分析结果可以是时段t3对应的用户行为分析结果，相应地，动态服务反馈内容可以根据所述第一服务反馈内容记录和所述第一历史用户行为分析结果的差异化分析得到，可以理解，不同时段的用户行为分析结果可能不同，那么动态服务反馈内容也可以代表不同的服务反馈内容。进一步地，反馈内容更新数据可以用于表示反馈内容的更新情况或者变化情况。由于所述多个第一反馈内容更新数据与所述第一动态服务反馈内容中的多个服务反馈内容事项是一一对应的，因而能够确保每个第一显性画像挖掘策略之间的区别度。本申请实施例中，第一显性画像挖掘策略用于指示进行显性画像挖掘的指导信息，比如决策树挖掘的路径指示信息，又比如基于神经网络挖掘的模型参数调整信息等。
S22112：根据所述第二服务反馈内容记录和第二历史用户行为分析结果生成第二动态服务反馈内容，根据所述第二动态服务反馈内容和多个第二反馈内容更新数据确定所述第二服务反馈内容记录中每个服务反馈内容事项的第二显性画像挖掘策略，所述第二历史用户行为分析结果是指对所述第二服务反馈内容记录的前i组服务反馈内容中的任一组服务反馈内容进行大数据分析后的行为分析结果，所述多个第二反馈内容更新数据与所述第二动态服务反馈内容中的多个服务反馈内容事项一一对应。
相关实施例中，S22112的相关描述可以参阅对S22111的说明，在此不作赘述。可以理解，通过上述S22111和S22112，能够基于不同的业务服务类型确定出不同的显性画像挖掘策略，可以理解，第一显性画像挖掘策略为多个，第二显性画像挖掘策略也为多个，这样在进行后续分析时，能够提高针对不同的服务反馈内容事项的分析处理的针对性。
S22113：对每个服务反馈内容事项的第一显性画像挖掘策略和第二显性画像挖掘策略进行整合，得到每个服务反馈内容事项的关联显性画像挖掘策略；或者，从每个服务反馈内容事项的第一显性画像挖掘策略和第二显性画像挖掘策略中选择一个显性画像挖掘策略作为相应服务反馈内容事项的关联显性画像挖掘策略；其中，所述业务需求识别结果包括每个服务反馈内容事项的第一显性画像挖掘策略和/或每个服务反馈内容事项的关联显性画像挖掘策略。
相关实施例中，确定关联显性画像挖掘策略的方式可以包括两种，第一种是对每个服务反馈内容事项的第一显性画像挖掘策略和第二显性画像挖掘策略进行整合，得到每个服务反馈内容事项的关联显性画像挖掘策略，第二种是从每个服务反馈内容事项的第一显性画像挖掘策略和第二显性画像挖掘策略中选择一个显性画像挖掘策略作为相应服务反馈内容事项的关联显性画像挖掘策略。如此设计，可以着重考虑引导型的业务服务模式，从而提高后续业务服务挖掘的针对性。相应地，由于业务需求识别结果包括每个服务反馈内容事项的第一显性画像挖掘策略和/或每个服务反馈内容事项的关联显性画像挖掘策略，因而在后续进行显性画像挖掘处理时，能够确保显性画像挖掘的精准性和可信度。
在上述基础上，步骤“根据所述业务需求识别结果对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述业务需求识别结果对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果”，可以通过以下实施方式A、实施方式B和实施方式C中的任意一种实施方式实现。
实施方式A，根据每个服务反馈内容事项的第一显性画像挖掘策略对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项的第一显性画像挖掘策略对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
在实施方式A中，确定针对引导型业务服务的用户行为分析结果以及针对交互型业务服务的用户行为分析结果可以均根据每个服务反馈内容事项的第一显性画像挖掘策略得到。
实施方式B，根据每个服务反馈内容事项的第一显性画像挖掘策略对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项的关联显性画像挖掘策略对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
在实施方式B中，确定针对引导型业务服务的用户行为分析结果以及针对交互型业务服务的用户行为分析结果可以根据不同的显性画像挖掘策略得到，比如根据每个服务反馈内容事项的第一显性画像挖掘策略对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，并根据每个服务反馈内容事项的关联显性画像挖掘策略对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果，这样一来，通过第一显性画像挖掘策略和关联显性画像挖掘策略分别对不同的服务反馈内容记录进行显性画像挖掘处理，能够确保得到的不同的用户行为分析结果之间在存在差异的前提下又能够保证一定的关联性。
实施方式C，根据每个服务反馈内容事项的关联显性画像挖掘策略对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项的关联显性画像挖掘策略对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
在实施方式C中，确定针对引导型业务服务的用户行为分析结果以及针对交互型业务服务的用户行为分析结果可以均根据每个服务反馈内容事项的关联显性画像挖掘策略得到。
可以理解，上述实施方式A-C在实施过程中，可以择一实施，在此不作限定。
S2212：根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行用户评价识别，得到用户评价识别结果，根据所述用户评价识别结果对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述用户评价识别结果对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
相关实施例中，确定用户评价识别结果的方式可以根据预先训练好的机器学习模型实现，比如，步骤“根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行用户评价识别，得到用户评价识别结果”，可以通过以下步骤S22121-S22124所描述的内容实现。
S22121：通过预先训练好的内容事项识别模型确定所述第一服务反馈内容记录中每个服务反馈内容事项的第一潜在画像挖掘策略。
S22122：通过预先训练好的内容事项识别模型确定所述第二服务反馈内容记录中每个服务反馈内容事项的第二潜在画像挖掘策略。
在上述内容中，潜在画像挖掘策略用于进行潜在画像的挖掘，潜在画像和显性画像是相对的，一般而言，潜在画像包含了大数据业务端在后期的且更深层次的业务需求信息，一般难以直接通过对业务需求进行识别得到。因此，在本实施例中，可以预先训练内容事项识别模型，然后利用内容事项识别模型进行潜在画像挖掘策略的确定，从而确保后续的潜在画像挖掘的精准性。
S22123：通过预先训练好的内容事项识别模型对所述第一服务反馈内容记录进行内容关联标识信息提取，得到第一内容关联标识信息，对所述第二服务反馈内容记录进行内容关联标识信息提取，得到第二内容关联标识信息。
相关实施例中，内容关联标识信息可以用于表征服务反馈内容记录中的不同内容的关联情况，内容关联标识信息可以以数组的形式进行表达，比如内容关联标识信息[content1、x、content2]可以表示服务反馈内容记录中的内容content1和内容content2的关联情况。
S22124：根据所述第一潜在画像挖掘策略、所述第二潜在画像挖掘策略、所述第一内容关联标识信息和所述第二内容关联标识信息确定每个服务反馈内容事项对应的关联潜在画像挖掘策略；其中，所述用户评价识别结果包括每个服务反馈内容事项的第一潜在画像挖掘策略和/或关联潜在画像挖掘策略。
相关实施例中，在确定每个服务反馈内容事项对应的关联潜在画像挖掘策略时，能够将不同的潜在画像挖掘策略以及不同的内容关联标识信息进行综合考虑，这样可以确保关联潜在画像挖掘策略尽可能将不同的潜在画像挖掘策略以及不同的内容关联标识信息进行融合。比如，可以根据所述第一内容关联标识信息和所述第二内容关联标识信息将所述第一潜在画像挖掘策略、所述第二潜在画像挖掘策略进行绑定或者重组，以得到每个服务反馈内容事项对应的关联潜在画像挖掘策略。可以理解，由于潜在画像挖掘策略是针对业务用户的深层次需求的挖掘策略，因此第一潜在画像挖掘策略和/或关联潜在画像挖掘策略也可以包含在用户评价识别结果中。
在上述基础上，步骤“根据所述用户评价识别结果对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述用户评价识别结果对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果”，可以通过以下实施方式D、实施方式E和实施方式F中的任一方式实现，当然，在具体实施时，并不限于以下实施方式。
实施方式D，根据每个服务反馈内容事项对应的第一潜在画像挖掘策略对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项对应的第一潜在画像挖掘策略对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
在实施方式D中，确定针对引导型业务服务的用户行为分析结果以及针对交互型业务服务的用户行为分析结果可以均根据每个服务反馈内容事项的第一潜在画像挖掘策略得到。
实施方式E，根据每个服务反馈内容事项对应的第一潜在画像挖掘策略对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项对应的关联潜在画像挖掘策略对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
在实施方式E中，确定针对引导型业务服务的用户行为分析结果以及针对交互型业务服务的用户行为分析结果可以根据不同的潜在画像挖掘策略得到，比如根据每个服务反馈内容事项的第一潜在画像挖掘策略对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，并根据每个服务反馈内容事项的关联潜在画像挖掘策略对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果，这样一来，通过第一潜在画像挖掘策略和关联潜在画像挖掘策略分别对不同的服务反馈内容记录进行潜在画像挖掘处理，能够确保得到的不同的用户行为分析结果之间在存在差异的前提下又能够保证一定的关联性。
实施方式F，根据每个服务反馈内容事项对应的关联潜在画像挖掘策略对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项对应的关联潜在画像挖掘策略对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
在实施方式F中，确定针对引导型业务服务的用户行为分析结果以及针对交互型业务服务的用户行为分析结果可以均根据每个服务反馈内容事项的关联潜在画像挖掘策略得到。
在实际实施过程中，通过择一选择实施方式A-C中的实施方式以及择一选择实施方式D-F中的实施方式来确定不同业务服务的用户行为分析结果，能够将显性画像和潜在画像同时考虑在内，并且能够将不同业务服务之间的关联和差异考虑在内，从而差异化地确定出不同的用户行为分析结果，以便为后续的业务服务挖掘提供准确可靠的分析依据。
第二种实施方式，步骤“通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果”，还可以通过以下步骤实现：根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行业务需求识别，得到业务需求识别结果，根据所述业务需求识别结果对所述第一服务反馈内容记录进行显性画像挖掘，得到第一显性画像对应的用户行为分析结果，根据所述业务需求识别结果对所述第二服务反馈内容记录进行显性画像挖掘，得到第二显性画像对应的用户行为分析结果；根据所述第一显性画像对应的用户行为分析结果和所述第二显性画像对应的用户行为分析结果进行用户评价识别，得到用户评价识别结果，根据所述用户评价识别结果对所述第一显性画像对应的用户行为分析结果进行潜在画像挖掘，得到所述针对引导型业务服务的用户行为分析结果，根据所述用户评价识别结果对所述第二显性画像对应的用户行为分析结果进行潜在画像挖掘，得到所述针对交互型业务服务的用户行为分析结果。
第三种实施方式，步骤“通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果”，还可以通过以下步骤实现：根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行用户评价识别，得到用户评价识别结果，根据所述用户评价识别结果对所述第一服务反馈内容记录进行潜在画像挖掘，得到第一潜在画像对应的用户行为分析结果，根据所述用户评价识别结果对所述第二服务反馈内容记录进行潜在画像挖掘，得到第二潜在画像对应的用户行为分析结果；根据所述第一潜在画像对应的用户行为分析结果和所述第二潜在画像对应的用户行为分析结果进行业务需求识别，得到业务需求识别结果，根据所述业务需求识别结果对所述第一潜在画像对应的用户行为分析结果进行显性画像挖掘，得到所述针对引导型业务服务的用户行为分析结果，根据所述业务需求识别结果对所述第二潜在画像对应的用户行为分析结果进行显性画像挖掘，得到所述针对交互型业务服务的用户行为分析结果。
可以理解，上述的第二种实施方式和第三种实施方式的进一步说明可以参阅对第一种实施方式的说明，在此不作限定。
在上述步骤S210和S220的基础上，该方法还可以包括以下内容：通过预先训练好的分析结果处理模型对所述针对引导型业务服务的用户行为分析结果和所述针对交互型业务服务的用户行为分析结果进行整合，得到全局行为分析结果。
相关实施例中，通过将不同的用户行为分析结果进行整合，能够便于后续进行全局性的业务服务挖掘。其中，分析结果处理模型可以基于机器学习模型训练得到，包括但不限于卷积神经网络（Convolutional Neural Networks，CNN）或前向反馈神经网络（BackPropagation Neural Network，BPNN）。在训练过程中，可以通过模型指标（比如损失函数）来调整对应的模型参数以实现模型训练，从而实现对不同用户行为分析结果的整合。在整合不同的用户行为分析结果的过程中，可以考虑用户行为分析结果在业务事项、交互时段上的一致性和相关性，从而确保全局行为分析结果能够从不同业务事项和不同交互时段层面反映出大数据业务端的业务行为交互情况。
在确定出全局行为分析结果之后，该方法还可以包括以下内容：根据全局行为分析结果进行针对所述大数据业务端的业务服务挖掘，得到对应的业务服务预推送目录。其中，业务服务预推送目录包括了不同的业务服务项目，比如业务服务项目1、业务服务项目2、业务服务项目3、...业务服务项目n。进一步地，业务服务预推送目录中的业务服务项目可以按照用户的意图倾向值的降序进行排列，以业务服务项目1-3为例，业务服务项目1的意图倾向值为value1、业务服务项目2的意图倾向值为value2、业务服务项目3的意图倾向值为value3，若value2>value3>value1，那么业务服务预推送目录中的业务服务项目的排列顺序可以是业务服务项目2、业务服务项目1以及业务服务项目3。如此设计，能够尽可能减少大数据业务端在后期进行业务服务选择时的耗时，从而提高定向业务服务推送的精准度，进而提高业务服务交互的效率，减少不必要的耗时。
在一些选择性的方案中，请结合参阅图3，示出了步骤“根据全局行为分析结果进行针对所述大数据业务端的业务服务挖掘，得到对应的业务服务预推送目录”的进一步实施方式的步骤，该步骤可以包括S310-S350。
S310，对所述全局行为分析结果中的目标服务行为事件进行行为意图信息识别，得到所述目标服务行为事件的行为意图信息集合，所述行为意图信息集合包括多个服务行为意图信息。
相关实施例中，目标服务行为事件可以是大数据业务端触发频率达到设定频率的行为事件，也即目标服务行为事件的触发端是大数据业务端。行为意图识别用于对目标服务行为事件进行用户意图层面的分析，服务行为意图信息可以理解为大数据业务端在执行相关的行为事件时所想要得到的相关事件结果对应的意图信息。
S320，从预设数据库中获取与所述全局行为分析结果关联的目标业务参考数据，所述目标业务参考数据包括：局部行为分析结果和该局部行为分析结果的局部交互行为业务信息。
相关实施例中，预设数据库可以是关系型数据库例如mysql、hive等。目标业务参考数据中的局部行为分析结果是与全局行为分析结果在业务交互时段上对应的个别行为事件的分析结果，局部交互行为业务信息记载了大数据业务端和人工智能服务器之间的交互信息。
S330，根据所述局部交互行为业务信息从所述行为意图信息集合中确定行为意图信息片段，并确定所述行为意图信息片段中各服务行为意图信息在所述全局行为分析结果中的意图倾向评价结果。
相关实施例中，行为意图信息片段可以包括多个存在关联的服务行为意图信息，意图倾向评价结果可以通过数值形式进行表示，比如评价结果对应数值区间为0~10，那么不同的服务行为意图信息在所述全局行为分析结果中的意图倾向评价结果对应可以为0~10之间的数值。
S340，根据所述各服务行为意图信息在所述全局行为分析结果的意图倾向评价结果为所述局部行为分析结果确定针对所述大数据业务端的业务服务挖掘策略，并按照所述针对所述大数据业务端的业务服务挖掘策略在所述全局行为分析结果中融合所述局部行为分析结果，得到待处理行为分析结果。
相关实施例中，通过意图倾向评价结果，能够确定大数据业务端相对于不同行为事件的意图倾向情况，也即大数据业务端存在哪些方面意图倾向，这样一来，可以为所述局部行为分析结果确定针对所述大数据业务端的业务服务挖掘策略，从而按照所述针对所述大数据业务端的业务服务挖掘策略在所述全局行为分析结果中融合所述局部行为分析结果，得到待处理行为分析结果，通过在所述全局行为分析结果中融合所述局部行为分析结果，能够尽可能确保待处理行为分析结果的完整性。比如，可以根据业务服务挖掘策略中的事项挖掘优先级将所述局部行为分析结果按照设定顺序迭代融合至所述全局行为分析结果中。
S350，采用预设大数据挖掘算法对所述待处理行为分析结果进行业务服务挖掘，得到业务服务挖掘结果；根据所述业务服务挖掘结果生成所述业务服务预推送目录。
相关实施例中，预设大数据挖掘算法包括但不限于CART、KNN、Naive Bayes、SVM、EM、Apriori、FP-tree以及K-Means等。可以理解，在实际实施过程中，可以根据实际的业务需求选择不同的大数据挖掘算法进行业务服务挖掘，由于上述的挖掘算法为本领域的公知常识，因此在此不作赘述。在得到业务服务挖掘结果之后，可以根据业务服务挖掘结果中的不同业务服务项目及其意图倾向值生成对应的业务服务预推送目录。其中，人工智能服务器可以根据业务服务预推送目录选择性地向大数据业务端推送相关的业务服务项目，从而提高大数据业务端在后续的业务服务交互中的业务办理效率。
综上，应用于本申请实施例提供的方案，在获取第一服务反馈内容记录和第二服务反馈内容记录之后，能够通过对第一服务反馈内容记录和第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果。由于第一服务反馈内容记录为针对引导型业务服务的服务反馈内容记录且第二服务反馈内容记录为针对交互型业务服务的服务反馈内容记录，如此一来，在进行用户行为分析时，通过对不同的服务反馈内容记录进行关联分析，能够考虑不同业务服务模式之间的关联和影响，这样所确定出的用户行为分析结果之间不仅具有一定的差异性，还具有一定的关联性，且第一服务反馈内容记录和第二服务反馈内容记录为大数据业务端与人工智能服务器在业务交互过程中生成的，这样能够全面、深层次地实现对大数据业务端的用户行为分析。
这样，在得到了针对不同的业务服务模式的用户行为分析结果之后，可以基于用户行为分析结果进行较为精准的业务服务推送，从而避免大数据业务端花费大量时间去匹配对应的业务服务，进而提高业务处理的效率。
针对上述方法，本发明实施例还提出了一种示例性的应用于用户行为分析的大数据处理装置，如图4所示，应用于用户行为分析的大数据处理装置400可以包括以下的功能模块。
记录获取模块410，用于获取第一服务反馈内容记录和第二服务反馈内容记录，其中，所述第一服务反馈内容记录为针对引导型业务服务的服务反馈内容记录，所述第二服务反馈内容记录为针对交互型业务服务的服务反馈内容记录；所述第一服务反馈内容记录和所述第二服务反馈内容记录为大数据业务端与所述人工智能服务器在业务交互过程中生成的。
关联分析模块420，用于通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果。
可以理解，关于上述记录获取模块410和关联分析模块420的进一步说明可以参阅对图2所示的方法的说明，在此不作赘述。
基于上述的方法实施例和装置实施例，本发明实施例还提出了一种系统实施例，请结合参阅图5，示出了一种应用于用户行为分析的大数据处理系统500，包括互相之间通信的人工智能服务器100和大数据业务端200，人工智能服务器100用于获取第一服务反馈内容记录和第二服务反馈内容记录，其中，所述第一服务反馈内容记录为针对引导型业务服务的服务反馈内容记录，所述第二服务反馈内容记录为针对交互型业务服务的服务反馈内容记录；所述第一服务反馈内容记录和所述第二服务反馈内容记录为大数据业务端与所述人工智能服务器在业务交互过程中生成的；通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果。可以理解，关于上述系统的进一步说明可以参阅对图2所示的方法的说明，在此不作赘述。
应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
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，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请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，本申请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，本申请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，本申请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，本申请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。
本申请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，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。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申请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，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，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申请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。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (10)

1.一种人工智能服务器，其特征在于，所述人工智能服务器包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现以下步骤：
获取第一服务反馈内容记录和第二服务反馈内容记录，其中，所述第一服务反馈内容记录为针对引导型业务服务的服务反馈内容记录，所述第二服务反馈内容记录为针对交互型业务服务的服务反馈内容记录；所述第一服务反馈内容记录和所述第二服务反馈内容记录为大数据业务端与所述人工智能服务器在业务交互过程中生成的；
通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果。
2.如权利要求1所述的人工智能服务器，其特征在于，所述通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果，包括：
根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行业务需求识别，得到业务需求识别结果，根据所述业务需求识别结果对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述业务需求识别结果对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果；
根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行用户评价识别，得到用户评价识别结果，根据所述用户评价识别结果对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述用户评价识别结果对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
3.如权利要求2所述的人工智能服务器，其特征在于，根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行业务需求识别，得到业务需求识别结果，包括：
根据所述第一服务反馈内容记录和第一历史用户行为分析结果生成第一动态服务反馈内容，根据所述第一动态服务反馈内容和多个第一反馈内容更新数据确定所述第一服务反馈内容记录中每个服务反馈内容事项的第一显性画像挖掘策略，所述第一历史用户行为分析结果是指对所述第一服务反馈内容记录的前i组服务反馈内容中的任一组服务反馈内容进行大数据分析后的行为分析结果，i大于或等于1，所述多个第一反馈内容更新数据与所述第一动态服务反馈内容中的多个服务反馈内容事项一一对应；
根据所述第二服务反馈内容记录和第二历史用户行为分析结果生成第二动态服务反馈内容，根据所述第二动态服务反馈内容和多个第二反馈内容更新数据确定所述第二服务反馈内容记录中每个服务反馈内容事项的第二显性画像挖掘策略，所述第二历史用户行为分析结果是指对所述第二服务反馈内容记录的前i组服务反馈内容中的任一组服务反馈内容进行大数据分析后的行为分析结果，所述多个第二反馈内容更新数据与所述第二动态服务反馈内容中的多个服务反馈内容事项一一对应；
对每个服务反馈内容事项的第一显性画像挖掘策略和第二显性画像挖掘策略进行整合，得到每个服务反馈内容事项的关联显性画像挖掘策略；
或者，
从每个服务反馈内容事项的第一显性画像挖掘策略和第二显性画像挖掘策略中选择一个显性画像挖掘策略作为相应服务反馈内容事项的关联显性画像挖掘策略；
其中，所述业务需求识别结果包括每个服务反馈内容事项的第一显性画像挖掘策略和/或每个服务反馈内容事项的关联显性画像挖掘策略。
4.如权利要求3所述的人工智能服务器，其特征在于，所述根据所述业务需求识别结果对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述业务需求识别结果对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果，包括：
根据每个服务反馈内容事项的第一显性画像挖掘策略对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项的第一显性画像挖掘策略对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果；
或者根据每个服务反馈内容事项的第一显性画像挖掘策略对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项的关联显性画像挖掘策略对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果；
或者根据每个服务反馈内容事项的关联显性画像挖掘策略对所述第一服务反馈内容记录进行显性画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项的关联显性画像挖掘策略对所述第二服务反馈内容记录进行显性画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
5.如权利要求2所述的人工智能服务器，其特征在于，所述根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行用户评价识别，得到用户评价识别结果，包括：
通过预先训练好的内容事项识别模型确定所述第一服务反馈内容记录中每个服务反馈内容事项的第一潜在画像挖掘策略；
通过预先训练好的内容事项识别模型确定所述第二服务反馈内容记录中每个服务反馈内容事项的第二潜在画像挖掘策略；
通过预先训练好的内容事项识别模型对所述第一服务反馈内容记录进行内容关联标识信息提取，得到第一内容关联标识信息，对所述第二服务反馈内容记录进行内容关联标识信息提取，得到第二内容关联标识信息；
根据所述第一潜在画像挖掘策略、所述第二潜在画像挖掘策略、所述第一内容关联标识信息和所述第二内容关联标识信息确定每个服务反馈内容事项对应的关联潜在画像挖掘策略；其中，所述用户评价识别结果包括每个服务反馈内容事项的第一潜在画像挖掘策略和/或关联潜在画像挖掘策略；
优选的，所述根据所述用户评价识别结果对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据所述用户评价识别结果对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果，包括：
根据每个服务反馈内容事项对应的第一潜在画像挖掘策略对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项对应的第一潜在画像挖掘策略对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果；
或者根据每个服务反馈内容事项对应的第一潜在画像挖掘策略对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项对应的关联潜在画像挖掘策略对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果；
或者根据每个服务反馈内容事项对应的关联潜在画像挖掘策略对所述第一服务反馈内容记录进行潜在画像挖掘处理，得到所述针对引导型业务服务的用户行为分析结果，根据每个服务反馈内容事项对应的关联潜在画像挖掘策略对所述第二服务反馈内容记录进行潜在画像挖掘处理，得到所述针对交互型业务服务的用户行为分析结果。
6.如权利要求1所述的人工智能服务器，其特征在于，所述对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果，包括：
根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行业务需求识别，得到业务需求识别结果，根据所述业务需求识别结果对所述第一服务反馈内容记录进行显性画像挖掘，得到第一显性画像对应的用户行为分析结果，根据所述业务需求识别结果对所述第二服务反馈内容记录进行显性画像挖掘，得到第二显性画像对应的用户行为分析结果；
根据所述第一显性画像对应的用户行为分析结果和所述第二显性画像对应的用户行为分析结果进行用户评价识别，得到用户评价识别结果，根据所述用户评价识别结果对所述第一显性画像对应的用户行为分析结果进行潜在画像挖掘，得到所述针对引导型业务服务的用户行为分析结果，根据所述用户评价识别结果对所述第二显性画像对应的用户行为分析结果进行潜在画像挖掘，得到所述针对交互型业务服务的用户行为分析结果；
或者，
根据所述第一服务反馈内容记录和所述第二服务反馈内容记录进行用户评价识别，得到用户评价识别结果，根据所述用户评价识别结果对所述第一服务反馈内容记录进行潜在画像挖掘，得到第一潜在画像对应的用户行为分析结果，根据所述用户评价识别结果对所述第二服务反馈内容记录进行潜在画像挖掘，得到第二潜在画像对应的用户行为分析结果；
根据所述第一潜在画像对应的用户行为分析结果和所述第二潜在画像对应的用户行为分析结果进行业务需求识别，得到业务需求识别结果，根据所述业务需求识别结果对所述第一潜在画像对应的用户行为分析结果进行显性画像挖掘，得到所述针对引导型业务服务的用户行为分析结果，根据所述业务需求识别结果对所述第二潜在画像对应的用户行为分析结果进行显性画像挖掘，得到所述针对交互型业务服务的用户行为分析结果。
7.如权利要求1-6任一所述的人工智能服务器，其特征在于，所述计算机程序被所述处理器执行时还实现以下步骤：
通过预先训练好的分析结果处理模型对所述针对引导型业务服务的用户行为分析结果和所述针对交互型业务服务的用户行为分析结果进行整合，得到全局行为分析结果。
8.如权利要求7所述的人工智能服务器，其特征在于，所述计算机程序被所述处理器执行时还实现以下步骤：
根据全局行为分析结果进行针对所述大数据业务端的业务服务挖掘，得到对应的业务服务预推送目录。
9.如权利要求8所述的人工智能服务器，其特征在于，所述根据全局行为分析结果进行针对所述大数据业务端的业务服务挖掘，得到对应的业务服务预推送目录，包括：
对所述全局行为分析结果中的目标服务行为事件进行行为意图信息识别，得到所述目标服务行为事件的行为意图信息集合，所述行为意图信息集合包括多个服务行为意图信息；
从预设数据库中获取与所述全局行为分析结果关联的目标业务参考数据，所述目标业务参考数据包括：局部行为分析结果和该局部行为分析结果的局部交互行为业务信息；
根据所述局部交互行为业务信息从所述行为意图信息集合中确定行为意图信息片段，并确定所述行为意图信息片段中各服务行为意图信息在所述全局行为分析结果中的意图倾向评价结果；
根据所述各服务行为意图信息在所述全局行为分析结果的意图倾向评价结果为所述局部行为分析结果确定针对所述大数据业务端的业务服务挖掘策略，并按照所述针对所述大数据业务端的业务服务挖掘策略在所述全局行为分析结果中融合所述局部行为分析结果，得到待处理行为分析结果；
采用预设大数据挖掘算法对所述待处理行为分析结果进行业务服务挖掘，得到业务服务挖掘结果；根据所述业务服务挖掘结果生成所述业务服务预推送目录。
10.一种应用于用户行为分析的大数据处理方法，其特征在于，应用于人工智能服务器，所述方法包括：
获取第一服务反馈内容记录和第二服务反馈内容记录，其中，所述第一服务反馈内容记录为针对引导型业务服务的服务反馈内容记录，所述第二服务反馈内容记录为针对交互型业务服务的服务反馈内容记录；所述第一服务反馈内容记录和所述第二服务反馈内容记录为大数据业务端与所述人工智能服务器在业务交互过程中生成的；
通过对所述第一服务反馈内容记录和所述第二服务反馈内容记录进行关联分析，得到针对引导型业务服务的用户行为分析结果和针对交互型业务服务的用户行为分析结果。
CN202110310724.6A 2021-03-23 2021-03-23 应用于用户行为分析的大数据处理方法及人工智能服务器 Active CN112949746B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210062818.0A CN114580495A (zh) 2021-03-23 2021-03-23 基于人工智能的业务服务信息分析方法及服务器
CN202110310724.6A CN112949746B (zh) 2021-03-23 2021-03-23 应用于用户行为分析的大数据处理方法及人工智能服务器
CN202210062807.2A CN114492612A (zh) 2021-03-23 2021-03-23 基于大数据的用户行为分析方法及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110310724.6A CN112949746B (zh) 2021-03-23 2021-03-23 应用于用户行为分析的大数据处理方法及人工智能服务器

Related Child Applications (2)

Application Number Title Priority Date Filing Date
CN202210062818.0A Division CN114580495A (zh) 2021-03-23 2021-03-23 基于人工智能的业务服务信息分析方法及服务器
CN202210062807.2A Division CN114492612A (zh) 2021-03-23 2021-03-23 基于大数据的用户行为分析方法及服务器

Publications (2)

Publication Number Publication Date
CN112949746A true CN112949746A (zh) 2021-06-11
CN112949746B CN112949746B (zh) 2022-02-25

Family

ID=76227628

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202210062807.2A Withdrawn CN114492612A (zh) 2021-03-23 2021-03-23 基于大数据的用户行为分析方法及服务器
CN202110310724.6A Active CN112949746B (zh) 2021-03-23 2021-03-23 应用于用户行为分析的大数据处理方法及人工智能服务器
CN202210062818.0A Withdrawn CN114580495A (zh) 2021-03-23 2021-03-23 基于人工智能的业务服务信息分析方法及服务器

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202210062807.2A Withdrawn CN114492612A (zh) 2021-03-23 2021-03-23 基于大数据的用户行为分析方法及服务器

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210062818.0A Withdrawn CN114580495A (zh) 2021-03-23 2021-03-23 基于人工智能的业务服务信息分析方法及服务器

Country Status (1)

Country Link
CN (3) CN114492612A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114168973A (zh) * 2021-12-21 2022-03-11 江西省锐华互联网科技有限公司 一种基于云计算的app安全漏洞分析方法及服务器
CN114510725A (zh) * 2022-03-04 2022-05-17 泰安佳永信计算机有限公司 一种基于数字化服务的漏洞信息处理方法及服务器

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140067579A1 (en) * 2012-08-30 2014-03-06 International Business Machines Corporation Listing a candidate service in a service catalog
US20180316776A1 (en) * 2016-04-29 2018-11-01 Tencent Technology (Shenzhen) Company Limited User portrait obtaining method, apparatus, and storage medium
CN109214418A (zh) * 2018-07-25 2019-01-15 百度在线网络技术（北京）有限公司 用户意图的挖掘方法及装置、计算机设备及可读介质
CN109684635A (zh) * 2018-12-20 2019-04-26 上海四宸软件技术有限公司 一种基于智能营销的用户评价观点挖掘系统
CN110737693A (zh) * 2019-09-06 2020-01-31 平安城市建设科技(深圳)有限公司 数据挖掘处理方法、装置、设备及计算机可读存储介质
US20200125921A1 (en) * 2016-06-02 2020-04-23 Kodak Alaris Inc. System and method for predictive curation, production infrastructure, and personal content assistant
CN112232771A (zh) * 2020-10-17 2021-01-15 严怀华 应用于智慧政企云服务的大数据分析方法及大数据云平台
CN112463859A (zh) * 2020-12-14 2021-03-09 王玉华 基于大数据和业务分析的用户数据处理方法及大数据平台

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245296A (zh) * 2019-06-14 2019-09-17 浙江华坤道威数据科技有限公司 一种基于大数据的pas用户画像分析系统及其方法
CN112163156B (zh) * 2020-10-06 2021-04-30 青岛仁科信息技术有限公司 基于人工智能和云计算的大数据处理方法及云端服务中心

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140067579A1 (en) * 2012-08-30 2014-03-06 International Business Machines Corporation Listing a candidate service in a service catalog
US20180316776A1 (en) * 2016-04-29 2018-11-01 Tencent Technology (Shenzhen) Company Limited User portrait obtaining method, apparatus, and storage medium
US20200125921A1 (en) * 2016-06-02 2020-04-23 Kodak Alaris Inc. System and method for predictive curation, production infrastructure, and personal content assistant
CN109214418A (zh) * 2018-07-25 2019-01-15 百度在线网络技术（北京）有限公司 用户意图的挖掘方法及装置、计算机设备及可读介质
CN109684635A (zh) * 2018-12-20 2019-04-26 上海四宸软件技术有限公司 一种基于智能营销的用户评价观点挖掘系统
CN110737693A (zh) * 2019-09-06 2020-01-31 平安城市建设科技(深圳)有限公司 数据挖掘处理方法、装置、设备及计算机可读存储介质
CN112232771A (zh) * 2020-10-17 2021-01-15 严怀华 应用于智慧政企云服务的大数据分析方法及大数据云平台
CN112463859A (zh) * 2020-12-14 2021-03-09 王玉华 基于大数据和业务分析的用户数据处理方法及大数据平台

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIN ZHANG 等: "A Preliminary Examination of the User Behavior in Query by Drawing Portrait Painting Search on Mobile Devices", 《ACM》 *
马小培: "智慧校园环境下图书馆用户画像及其应用研究", 《晋图学刊》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114168973A (zh) * 2021-12-21 2022-03-11 江西省锐华互联网科技有限公司 一种基于云计算的app安全漏洞分析方法及服务器
CN114510725A (zh) * 2022-03-04 2022-05-17 泰安佳永信计算机有限公司 一种基于数字化服务的漏洞信息处理方法及服务器

Also Published As

Publication number Publication date
CN112949746B (zh) 2022-02-25
CN114492612A (zh) 2022-05-13
CN114580495A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
US11966204B2 (en) Determining causal models for controlling environments
CN110147551A (zh) 多类别实体识别模型训练、实体识别方法、服务器及终端
CN112949746B (zh) 应用于用户行为分析的大数据处理方法及人工智能服务器
CN113553596B (zh) 一种应用于大数据服务的信息防护方法及服务器
CN112765462B (zh) 针对大数据业务以及人工智能的数据处理方法及云服务器
CN113468338A (zh) 针对数字化云业务的大数据分析方法及大数据服务器
CN113378554A (zh) 一种医疗信息智能交互的方法及系统
CN114175063B (zh) 用于机器学习系统的自适应训练的系统和方法
CN111309975A (zh) 一种增强图模型抗攻击能力的方法和系统
CN113408897A (zh) 应用于大数据业务的数据资源共享方法及大数据服务器
CN115934490A (zh) 服务器性能预测模型训练方法、装置、设备及存储介质
CN113313463A (zh) 应用于大数据云办公的数据分析方法及数据分析服务器
Huang et al. Variation-aware vision transformer quantization
CN113472860A (zh) 大数据和数字化环境下的业务资源分配方法及服务器
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
CN113468017A (zh) 应用于区块链的在线业务状态检测方法及业务服务器
CN110909885B (zh) 一种平衡多个任务的方法及系统
US20210365831A1 (en) Identifying claim complexity by integrating supervised and unsupervised learning
CN110909147A (zh) 一种训练排序结果选择模型输出标准问法的方法和系统
KR102340867B1 (ko) 수산물의 판매량을 추정하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체
KR102441442B1 (ko) 그래프 컨볼루션 네트워크 학습 방법 및 장치
US20230022253A1 (en) Fast and accurate prediction methods and systems based on analytical models
KR102284440B1 (ko) 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법
CN112988699B (zh) 模型训练方法、数据标签的生成方法及装置
CN113407836A (zh) 应用于大数据的业务互动分析方法及业务互动服务器

Legal Events

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

Effective date of registration: 20220208

Address after: 101300 North Cultural Ying Village, Gaoliying Town, Shunyi District, Beijing (No. 1, Linkong Second Road)

Applicant after: SINO-PARSONS TECHNOLOGY (BEIJING) Co.,Ltd.

Address before: 650000 room 603, building 5, building 17, Haigui Pioneer Park, 80 chunman Avenue, economic development zone, Kunming City, Yunnan Province

Applicant before: Geng Sai

GR01 Patent grant
GR01 Patent grant