CN112988774B - 一种基于大数据采集的用户信息更新方法及信息服务器 - Google Patents

一种基于大数据采集的用户信息更新方法及信息服务器 Download PDF

Info

Publication number
CN112988774B
CN112988774B CN202110309730.XA CN202110309730A CN112988774B CN 112988774 B CN112988774 B CN 112988774B CN 202110309730 A CN202110309730 A CN 202110309730A CN 112988774 B CN112988774 B CN 112988774B
Authority
CN
China
Prior art keywords
big data
information
data interaction
interaction information
target
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.)
Active
Application number
CN202110309730.XA
Other languages
English (en)
Other versions
CN112988774A (zh
Inventor
汪威
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.)
Baojiade (Shanghai) Cultural Development Co.,Ltd.
Original Assignee
Baojiade Shanghai Cultural Development Co ltd
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 Baojiade Shanghai Cultural Development Co ltd filed Critical Baojiade Shanghai Cultural Development Co ltd
Priority to CN202111017429.8A priority Critical patent/CN113918579A/zh
Priority to CN202111023807.3A priority patent/CN113918580A/zh
Priority to CN202110309730.XA priority patent/CN112988774B/zh
Publication of CN112988774A publication Critical patent/CN112988774A/zh
Application granted granted Critical
Publication of CN112988774B publication Critical patent/CN112988774B/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
    • 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
    • G06F16/23—Updating
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请实施例公开了一种基于大数据采集的用户信息更新方法及信息服务器，在实施该技术方案时，由于第二大数据交互状态是适于目标大数据交互信息进行用户信息更新的，因而在大数据用户设备侧进行第一动态大数据交互信息的确定，能够确保目标大数据交互信息尽可能与用户的实际业务场景相匹配。此外，通过对第一动态大数据交互信息至少进行信息校正处理，能够使得目标大数据交互信息适配于信息服务器的运行状态，从而确保信息服务器能够完整、准确地利用目标大数据交互信息进行用户信息更新，进而实现对用户画像的知识图谱的精准、实时更新，以确保后续在利用知识图谱进行业务推送时的准确性和可信度。

Description

一种基于大数据采集的用户信息更新方法及信息服务器
技术领域
本申请涉及大数据和用户分析技术领域，特别涉及一种基于大数据采集的用户信息更新方法及信息服务器。
背景技术
随着互联网（internet）、物联网（Internet of Things，IOT）、云计算（cloudcomputing）等信息技术在内的IT通信业迅速发展，数据的快速增长成了许多行业共同面对的严峻挑战和宝贵机遇，因此现代信息社会已经进入了大数据时代。事实上，大数据改变的不只是人们的日常生活和工作模式、企业运作和经营模式，甚至还引起科学研究模式的根本性改变。
一般意义上，大数据（big data）是指无法在一定时间内用常规机器和软硬件工具对其进行感知、获取、管理、处理和服务的数据集合。网络大数据是指“人、机、物”在网络空间中彼此交互与融合所产生并在互联网上可获得的大数据。将数据应用到生活生产中，可以有效地帮助人们或企业对信息作出比较准确的判断，以便采取适当行动。数据分析是组织有目的地收集数据、分析数据，并使之成为信息的过程。也就是指个人或者企业为了解决生活生产中的决策或者营销等问题，运用分析方法对数据进行处理的过程。
现目前，大数据统计分析的应用领域涉及范围广，结合各类线上业务服务功能的不断完善，运用大数据进行业务推送的相关技术已经逐渐开始应用。然而相关的业务推送技术仍然存在准确性差且可信度低下的问题，发明人对该技术问题进行研究和分析后发现，用户信息更新的偏差和滞后性是造成这一问题的其中一个原因。
发明内容
本申请实施例之一提供一种基于大数据采集的用户信息更新方法，应用于基于大数据采集的用户信息更新系统，所述系统包括互相之间通信的大数据用户设备和信息服务器，所述方法包括：
所述大数据用户设备从采集的第一大数据交互状态的第一大数据交互信息获取目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息；从所述第一大数据交互信息中确定所述大数据用户元素信息对应的第一动态大数据交互信息；将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，所述第二大数据交互状态适于所述目标大数据交互信息进行用户信息更新；将所述目标大数据交互信息发送至所述信息服务器；
所述信息服务器基于所述目标大数据交互信息进行用户信息更新。
在一个可选的实施例中，从采集的第一大数据交互状态的第一大数据交互信息获取目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息，包括：
对第一大数据交互信息进行交互信息转换得到第二大数据交互信息；
在所述第二大数据交互信息中抽取出所述目标大数据事项的大数据用户元素信息，将抽取出的大数据用户元素信息确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息；
在所述第二大数据交互信息中抽取出所述目标大数据事项的大数据用户元素信息，将抽取出的大数据用户元素信息确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息，包括：
将所述第二大数据交互信息输入至预先完成训练的第一机器学习模型；其中所述第一机器学习模型至少通过用于进行特征提取的特征提取层、用于进行特征识别的特征识别层、用于进行特征分类的特征分类层、用于进行用户标签提取的标签提取层和用于进行元素信息匹配的信息匹配层实现所述目标大数据事项的大数据用户元素信息的识别和抽取；
将所述第一机器学习模型抽取的结果确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息。
在一个可选的实施例中，将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，包括：
将所述第一动态大数据交互信息输入至预先完成训练的第二机器学习模型中；所述第二机器学习模型至少通过用于进行业务热度识别的热度识别层、用于进行用户兴趣分类的兴趣分类层实现输入的第一动态大数据交互信息的交互信息校正，并输出交互信息校正后的大数据交互信息；
将第二机器学习模型输出的大数据交互信息作为所述目标大数据交互信息。
在一个可选的实施例中，将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，包括：
将所述第一动态大数据交互信息输入至预先完成训练的第三机器学习模型中；所述第三机器学习模型通过交互状态转换层将所述第一动态大数据交互信息转换成第一待处理大数据交互信息，所述交互状态转换层用于进行以下至少一种交互状态转换方式：交互状态标签筛分处理、交互状态特征对换处理，并至少通过用于进行业务热度识别的热度识别层、用于进行用户兴趣分类的兴趣分类层实现对所述第一待处理大数据交互信息的交互信息校正，并输出交互信息校正后的大数据交互信息；
将第三机器学习模型输出的大数据交互信息作为所述目标大数据交互信息。
在一个可选的实施例中，将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，包括：
将所述第一动态大数据交互信息输入至预先完成训练的第四机器学习模型，以由所述第四机器学习模型的信息更新频率检测子网络检测输入的第一动态大数据交互信息在指定信息更新指示下的更新频率统计结果，所述更新频率统计结果中每个大数据用户元素的元素属性更新频率描述了输入的第一动态大数据交互信息中对应大数据用户元素的元素属性受指定信息更新指示影响的程度，并由所述第四机器学习模型的信息关系重构子网络依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理，并输出关系重构处理的大数据交互信息；
将第四机器学习模型输出的大数据交互信息作为所述目标大数据交互信息；
所述信息更新频率检测子网络检测输入的第一动态大数据交互信息在各信息更新指示下的更新频率统计结果，包括：
所述信息更新频率检测子网络至少通过更新频率检测层实现对输入的第一动态大数据交互信息在指定信息更新指示下的更新频率统计结果的检测；
所述信息关系重构子网络依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理，包括：
所述信息关系重构子网络至少通过用于进行特征提取的特征提取层、用于进行特征识别的特征识别层以及用于进行关系拆分的关系拆分层实现依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理。
在一个可选的实施例中，
将所述目标大数据交互信息发送至所述信息服务器之前，该方法还包括：获取经由所述第一大数据交互信息转换所得的包含所述目标大数据事项的第三大数据交互信息，并从所述第三大数据交互信息中确定出目标大数据事项所处的第二动态大数据交互信息；
将所述目标大数据交互信息发送至所述信息服务器，包括：将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息，将所述实时大数据交互信息发送至所述信息服务器，以使所述信息服务器从所述实时大数据交互信息中获取所述目标大数据交互信息并基于所述目标大数据交互信息进行用户信息更新。
在一个可选的实施例中，
将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息，包括：采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息；
所述信息服务器从所述实时大数据交互信息中获取所述目标大数据交互信息，包括：所述信息服务器从所述实时大数据交互信息的设定位置中提取出第一关键交互信息，并利用提取的第一关键交互信息生成所述目标大数据交互信息。
在一个可选的实施例中，
将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息，包括：采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息进行信息加密得到加密关键交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息；将所述加密关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息；
所述信息服务器从所述实时大数据交互信息中获取所述目标大数据交互信息，包括：所述信息服务器从所述实时大数据交互信息的设定位置中提取出加密关键交互信息，对提取的加密关键交互信息进行信息解密得到所述第一关键交互信息，并利用信息解密得到的第一关键交互信息生成所述目标大数据交互信息。
在一个可选的实施例中，所述信息服务器基于所述目标大数据交互信息进行用户信息更新，包括：
所述信息服务器从所述目标大数据交互信息中提取目标用户画像分布，所述目标用户画像分布用于描述所述目标大数据交互信息中的目标大数据事项对应的用户画像变化情况；
所述信息服务器确定所述目标用户画像分布与预设的参考用户画像分布之间的比较结果，依据所述比较结果识别所述目标大数据交互信息中的目标大数据事项是否为指定的目标大数据事项，所述参考用户画像分布用于描述指定目标大数据事项；
所述信息服务器在依据所述比较结果识别出所述目标大数据交互信息中的目标大数据事项为指定的目标大数据事项时，基于所述目标用户画像分布对所述参考用户画像分布进行更新；
基于所述目标用户画像分布对所述参考用户画像分布进行更新，包括：
获取所述参考用户画像分布的目标画像关系网络；
确定所述目标画像关系网络的关系网络更新区域对应的目标画像活跃度，其中，所述关系网络更新区域为各个用户画像的画像活跃度均小于所述目标画像关系网络的第一全局画像活跃度的画像分布区域，且所述目标画像活跃度为目标用户画像数量对应的画像活跃度，所述目标用户画像数量为所述关系网络更新区域中，各个画像活跃度对应的用户画像数量中最大的用户画像数量；
基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围；
基于所确定的画像活跃度范围，确定第二全局画像活跃度；
基于所述目标用户画像分布对应的平均画像活跃度对所述关系网络更新区域进行画像活跃度调整，直至所述目标画像关系网络的全局画像活跃度为所述第二全局画像活跃度时，完成对所述目标画像关系网络的画像活跃度更新；其中，所述第二全局画像活跃度为对所述目标画像关系网络进行画像活跃度更新后，所述目标画像关系网络的全局画像活跃度；
按照所述目标画像关系网络对应的第二全局画像活跃度对所述关系网络更新区域中的用户画像之间的关联关系进行更新；
在所述基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围的步骤之前，所述方法还包括：判断所述目标画像活跃度是否符合预设的画像活跃度范围确定条件；
所述基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围的步骤，包括：当判断出所述目标画像活跃度符合预设的画像活跃度范围确定条件时，基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围。
本申请实施例之一提供一种信息服务器，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行上述的基于所述目标大数据交互信息进行用户信息更新的步骤。
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示例性基于大数据采集的用户信息更新系统的框图。
图2是根据本发明的一些实施例所示的一种示例性基于大数据采集的用户信息更新方法和/或过程的流程图。
图3是根据本发明的一些实施例所示的一种示例性基于大数据采集的用户信息更新方法和/或过程的另一流程图。
图4是根据本发明的一些实施例所示的一种示例性信息服务器中硬件和软件组成的示意图。
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。
为实现对用户画像的知识图谱的精准、实时更新，以确保后续在利用知识图谱进行业务推送时的准确性和可信度，发明人针对性地提出了一种基于大数据采集的用户信息更新方法及信息服务器。
为便于理解整个方案，首先对本方案的应用环境进行说明，请参阅图1，示出了一种基于大数据采集的用户信息更新系统100的通信架构示意图，该系统可以包括互相之间通信的大数据用户设备110和信息服务器120。其中，大数据用户设备110包括但不限于手机、平板电脑、笔记本电脑等，信息服务器120包括但不限于云服务器、关系型数据库等。可以理解，大数据用户设备110可以为多个，信息服务器120也可以为多个，进一步地，大数据用户设备110和信息服务器120的通信连接关系可以是一对一、一对多、多对一或者多对多，为便于说明，本实施例以一对一的通信连接关系进行说明，也即如图1所示的通信连接关系。在实际实施过程中，上述用户信息更新系统100可以应用于电子商务领域、在线办公领域、远程教育领域、云游戏服务领域、智慧城市领域、智能工厂领域以及智慧医疗领域等在线业务场景或者云业务场景，在此不作限定。
本方案提出的用户信息更新方法，可以理解为针对用户画像的知识图谱的更新方法，知识图谱（Knowledge Graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论，它能为学科研究提供切实的、有价值的参考。在线业务推送的决策过程大多时候会使用到知识图谱，而相关的业务推送技术存在的效率低下的问题也是由于用户画像的知识图谱更新不到位引起的，因此，本实施例在大数据用户设备110侧和信息服务器120侧均进行了改进，从而实现对用户画像的知识图谱的精准、实时更新，以确保后续在利用知识图谱进行业务推送时的准确性和可信度。
在图1的基础上，请结合参阅图2，是根据本发明的一些实施例所示的一种示例性基于大数据采集的用户信息更新方法和/或过程的流程图，基于大数据采集的用户信息更新方法可以应用于图1所示的系统，进一步可以包括以下步骤S100-步骤S200所描述的技术方案。
S100：大数据用户设备从采集的第一大数据交互状态的第一大数据交互信息获取目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息；从所述第一大数据交互信息中确定所述大数据用户元素信息对应的第一动态大数据交互信息；将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，所述第二大数据交互状态适于所述目标大数据交互信息进行用户信息更新；将所述目标大数据交互信息发送至所述信息服务器。
举例而言，大数据用户设备在与信息服务器通信时可能存在不同的交互状态，比如单向交互状态或者双向交互状态，单向交互状态是指大数据用户设备和信息服务器两者之间只有一方进行业务动作的交互状态，双向交互状态是指大数据用户设备和信息服务器两者均进行业务动作的交互状态，当然，不同的交互状态的分类还可以通过是否存在第三方交互对象进行分类，在此不作限定。进一步地，大数据交互信息可以是大数据用户设备与信息服务器之间的交互记录，以电子商务业务为例，大数据交互信息可以是大数据用户设备的页面操作信息和页面访问信息，以在线办公业务为例，大数据交互信息可以是大数据用户设备的办公软件使用记录等。更近一步地，目标大数据事项可以是预先根据大量样本确定出的具有较高业务交互热度或者搜索指数的大数据事项，比如电子商务业务中的某项购物业务，在线办公业务中的某项办公功能等。大数据用户元素信息则可以理解为针对业务用户层面的特征信息，元素信息用户记录不同用户的特点、爱好，可以在一定程度上理解为较为模糊的画像信息。在上述内容的基础上，第一动态大数据交互信息可以理解为随着时间的变化而变化的大数据交互信息，也即大数据用户设备在与信息服务器交互时存在持续性更新和变化的大数据交互信息。在本实施例中，第二大数据交互状态适于所述目标大数据交互信息进行用户信息更新，相应地，第二大数据交互状态可以理解为与信息服务期的运行状态相匹配的交互状态，且第二大数据交互状态和第一大数据交互状态是相对的，比如，若第一大数据交互状态为单向交互状态，那么第二大数据交互状态可能为双向交互状态，若第一大数据交互状态为双向交互状态，那么第二大数据交互状态可能为单向交互状态。大数据用户设备在确定出了目标大数据交互信息之后，将目标大数据交互信息发送给信息服务器以使得信息服务器基于所述目标大数据交互信息进行用户信息更新。相关实施例中，目标大数据交互信息可以是经过用户兴趣修正之后的交互信息，且目标大数据交互信息的确定是在大数据用户设备侧进行的，因而能够确保目标大数据交互信息尽可能与大数据用户设备的实时业务情况相匹配。当然，在实际实施过程中，上述S100可以在大数据用户设备对应的关联设备中执行，也可以在大数据用户设备中执行。比如，当大数据用户设备为手机等处理能力较弱的设备时，上述S100可以在大数据用户设备对应的关联设备中执行。又比如，当大数据用户设备为大型计算机等处理能力较强的设备时，上述S100可以在大数据用户设备中执行。
在相关的实施例中，为了确保得到的大数据用户元素信息的准确性，步骤“从采集的第一大数据交互状态的第一大数据交互信息获取目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息”，可以通过以下方式实现：对第一大数据交互信息进行交互信息转换得到第二大数据交互信息；在所述第二大数据交互信息中抽取出所述目标大数据事项的大数据用户元素信息，将抽取出的大数据用户元素信息确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息。其中，通过交互信息转换，能够尽可能确保大数据交互信息的信息格式的统一性，这样在进行目标大数据事项的大数据用户元素信息的抽取时，能够尽可能减少信息失真等问题，从而确保得到的大数据用户元素信息的准确性。进一步地，在实际实施过程中，为了提高确定大数据用户元素信息的效率，可以借助相关的机器学习模型实现上述步骤“在所述第二大数据交互信息中抽取出所述目标大数据事项的大数据用户元素信息，将抽取出的大数据用户元素信息确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息”。机器学习（MachineLearning）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。因此，利用机器学习模型，比如神经网络模型（Neural Networks，NN）实现相应的数据信息处理，能够提高处理的准确性和效率。为实现这一目的，步骤“在所述第二大数据交互信息中抽取出所述目标大数据事项的大数据用户元素信息，将抽取出的大数据用户元素信息确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息”，可以通过以下内容实现：将所述第二大数据交互信息输入至预先完成训练的第一机器学习模型；其中所述第一机器学习模型至少通过用于进行特征提取的特征提取层、用于进行特征识别的特征识别层、用于进行特征分类的特征分类层、用于进行用户标签提取的标签提取层和用于进行元素信息匹配的信息匹配层实现所述目标大数据事项的大数据用户元素信息的识别和抽取；将所述第一机器学习模型抽取的结果确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息。
举例而言，第一机器学习模型可以是神经网络模型，第一机器学习模型可以包括多个网络层，比如上述提到的用于进行特征提取的特征提取层、用于进行特征识别的特征识别层、用于进行特征分类的特征分类层、用于进行用户标签提取的标签提取层和用于进行元素信息匹配的信息匹配层，这些网络层可以通过预训练实现对应功能的学习和优化，从而更好地应用到大数据用户元素信息的确定过程中。比如，在对第一机器学习模型进行训练时，可以将样本集按照一定比例划分为训练集和测试集，并通过训练集对第一机器学习模型进行训练，通过测试集对第一机器学习模型进行测试，并通过调整相关的模型参数确保测试率满足设定条件，从而完成对第一机器学习模型的训练。由于训练之后的第一机器学习模型包括不同的功能层，且这些功能层之间能够进行输入输出的传递，这样能够减少对目标大数据事项的大数据用户元素信息进行识别和抽取时产生的误差，从而提高确定大数据用户元素信息的效率。
在实际实施过程中，步骤“将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息”的进一步实施方式可以包括多种，下面将对至少部分的实施方式进行说明，当然，在实际实施过程中，并不限于以下的实施方式。
关于步骤“将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息”的实施方式A：将所述第一动态大数据交互信息输入至预先完成训练的第二机器学习模型中；所述第二机器学习模型至少通过用于进行业务热度识别的热度识别层、用于进行用户兴趣分类的兴趣分类层实现输入的第一动态大数据交互信息的交互信息校正，并输出交互信息校正后的大数据交互信息；将第二机器学习模型输出的大数据交互信息作为所述目标大数据交互信息。在实施方式A中，第二机器学习模型的训练方式和第一机器学习模型的训练方式类似，在此不作赘述。由于在进行交互信息校正时考虑了业务热度和用户兴趣，因而能够确保得到的目标大数据交互信息能够与不同的业务热度和不同的用户兴趣相适配，进而确保后续用户信息更新的准确性和可靠性。可以理解，第二机器学习模型输出的交互信息校正后的大数据交互信息为第二大数据交互状态的目标大数据交互信息。
关于步骤“将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息”的实施方式B：将所述第一动态大数据交互信息输入至预先完成训练的第三机器学习模型中；所述第三机器学习模型通过交互状态转换层将所述第一动态大数据交互信息转换成第一待处理大数据交互信息，所述交互状态转换层用于进行以下至少一种交互状态转换方式：交互状态标签筛分处理、交互状态特征对换处理，并至少通过用于进行业务热度识别的热度识别层、用于进行用户兴趣分类的兴趣分类层实现对所述第一待处理大数据交互信息的交互信息校正，并输出交互信息校正后的大数据交互信息；将第三机器学习模型输出的大数据交互信息作为所述目标大数据交互信息。在实施方式B中，第三机器学习模型的训练方式和第一机器学习模型的训练方式类似，在此不作赘述。由于在进行交互信息校正时考虑了交互状态转换，因而能够实现大数据交互信息由大数据用户设备侧向信息服务器侧的完整转换。在本实施例中，交互状态标签筛分处理用于对不同的交互状态进行分组，交互状态特征对换处理用于按照大数据用户设备侧和信息服务器侧之间的装填差异进行交互状态调整，这样一来，在完成交互状态转换之后，在通过用于进行业务热度识别的热度识别层、用于进行用户兴趣分类的兴趣分类层实现对所述第一待处理大数据交互信息的交互信息校正并输出交互信息校正后的大数据交互信息，能够确保目标大数据交互信息与信息服务器的运行状态的高适配性。
关于步骤“将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息”的实施方式C：将所述第一动态大数据交互信息输入至预先完成训练的第四机器学习模型，以由所述第四机器学习模型的信息更新频率检测子网络检测输入的第一动态大数据交互信息在指定信息更新指示下的更新频率统计结果，所述更新频率统计结果中每个大数据用户元素的元素属性更新频率描述了输入的第一动态大数据交互信息中对应大数据用户元素的元素属性受指定信息更新指示影响的程度，并由所述第四机器学习模型的信息关系重构子网络依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理，并输出关系重构处理的大数据交互信息；将第四机器学习模型输出的大数据交互信息作为所述目标大数据交互信息。在实施方式C中，第四机器学习模型的训练方式和第一机器学习模型的训练方式类似，在此不作赘述。由于在实施方式C中引入了元素属性更新频率的分析，因而能够基于知识图谱本身的实体、关系和属性层面实现第一动态大数据交互信息的信息校正处理。举例而言，信息更新指示可以是用户通过大数据用户设备输入的，也可以时信息服务器基于自适应学习之后发送的，在此不作限定。大数据用户元素可以理解为知识图谱中的属性，相应地，元素属性更新频率可以理解为大数据用户元素的更新速率，比如元素属性更新频率r1表征大数据用户元素的更新速率为r1，元素属性更新频率r2表征大数据用户元素的更新速率为r2，元素属性更新频率r3表征大数据用户元素的更新速率为r3，元素属性更新频率r4表征大数据用户元素的更新速率为r4，元素属性更新频率r5表征大数据用户元素的更新速率为r5，在此不作限定。关系重构处理可以理解为对第一动态大数据交互信息对应的知识图谱进行实体之间的关系的重新连接和调整，从而实现对第一动态大数据交互信息的信息校正以得到目标大数据交互信息。如此设计，能够确保目标大数据交互信息更加贴近于知识图谱本身的应用场景，从而提高后续信息服务器基于目标大数据交互信息进行用户信息更新的效率。在实施方式C中，步骤“信息更新频率检测子网络检测输入的第一动态大数据交互信息在各信息更新指示下的更新频率统计结果”可以包括：所述信息更新频率检测子网络至少通过更新频率检测层实现对输入的第一动态大数据交互信息在指定信息更新指示下的更新频率统计结果的检测。在实施方式C中，步骤“信息关系重构子网络依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理”可以包括以下内容：所述信息关系重构子网络至少通过用于进行特征提取的特征提取层、用于进行特征识别的特征识别层以及用于进行关系拆分的关系拆分层实现依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理。可以理解，通过进行关系拆分，能够减少在先的关系网络对后续的关系重构处理的影响，从而确保信息校正的精准性。
可以理解，上述实施方式A、实施方式B和实施方式C可以根据实际情况择一使用，在此不作限定。
相关实施例中，信息服务器基于所述目标大数据交互信息进行用户信息更新主要可以是对大数据用户设备的用户画像对应的知识图谱进行更新。在实际实施时，为了确保知识图谱更新的全面性，还需要考虑目标大数据事项可能对应的其他动态大数据交互信息，为实现这一目的，步骤“将所述目标大数据交互信息发送至所述信息服务器”之前，还可以包括：获取经由所述第一大数据交互信息转换所得的包含所述目标大数据事项的第三大数据交互信息，并从所述第三大数据交互信息中确定出目标大数据事项所处的第二动态大数据交互信息，在此基础上，步骤“将所述目标大数据交互信息发送至所述信息服务器”，可以包括以下内容：将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息，将所述实时大数据交互信息发送至所述信息服务器，以使所述信息服务器从所述实时大数据交互信息中获取所述目标大数据交互信息并基于所述目标大数据交互信息进行用户信息更新。在本实施例中，关键交互信息可以是用户行为指数（用户交互热度）较高的交互信息，也可以理解为较为热门的交互信息。通过将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息，能够确保信息服务器接收到的实时大数据业务信息是与实际业务场景存在时序一致性的，从而能够确保后续用户信息更新的时效性。在相关的实施例中，步骤“将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息”，可以通过以下内容实现：采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息。在本实施中，通过将第二动态大数据交互信息进行拆分，能够减少交互信息之间的互相影响。举例而言，交互信息片段集可以为{m1、m2、m3、m4、m5、...、mi}，目标大数据交互信息的第一关键交互信息可以为mk，设定位置可以根据交互信息片段集中每相邻两个信息片段之间的关联性确定，比如可以选择关联性最小的两个信息片段之间的位置作为设定位置，比如m3和m4的关联性最小，那么可以将mk添加到m3和m4之间，从而得到{m1、m2、m3、mk、m4、m5、...、mi}，进一步得到与{m1、m2、m3、mk、m4、m5、...、mi}对应的实时大数据交互信息m123k45...i。用户元素属性类别用于对用户元素属性进行区分，属性类别描述信息可以通过数值的方式进行确定，在此不作限定。在另外的实施例中，为了确保信息传输的安全性，步骤“将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息”，可以包括：采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息进行信息加密得到加密关键交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息；将所述加密关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息。进一步地，加密方式可以采用现有的加密技术，在此不作限定。
S200：信息服务器基于所述目标大数据交互信息进行用户信息更新。
在相关实施例中，在“采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息”的实施例的基础上，所述信息服务器从所述实时大数据交互信息中获取所述目标大数据交互信息，进一步可以包括以下内容：所述信息服务器从所述实时大数据交互信息的设定位置中提取出第一关键交互信息，并利用提取的第一关键交互信息生成所述目标大数据交互信息。如此设计，通过将第一关键交互信息添加到设定位置，能够避免在信息传输过程中第一关键交互信息的丢失。从而确保后续得到的目标大数据交互信息的完整性。
在相关实施例中，在“采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息进行信息加密得到加密关键交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息；将所述加密关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息”的实施例的基础上，所述信息服务器从所述实时大数据交互信息中获取所述目标大数据交互信息，包括：所述信息服务器从所述实时大数据交互信息的设定位置中提取出加密关键交互信息，对提取的加密关键交互信息进行信息解密得到所述第一关键交互信息，并利用信息解密得到的第一关键交互信息生成所述目标大数据交互信息。如此设计，通过信息加解密，能够在确保信息完整性的前提下保证信息传输的安全性，从而保护用户隐私不被泄露。
在上述S200所描述的内容的基础上，步骤“信息服务器基于所述目标大数据交互信息进行用户信息更新”，可以通过以下方式实现：所述信息服务器从所述目标大数据交互信息中提取目标用户画像分布，所述目标用户画像分布用于描述所述目标大数据交互信息中的目标大数据事项对应的用户画像变化情况；所述信息服务器确定所述目标用户画像分布与预设的参考用户画像分布之间的比较结果，依据所述比较结果识别所述目标大数据交互信息中的目标大数据事项是否为指定的目标大数据事项，所述参考用户画像分布用于描述指定目标大数据事项；所述信息服务器在依据所述比较结果识别出所述目标大数据交互信息中的目标大数据事项为指定的目标大数据事项时，基于所述目标用户画像分布对所述参考用户画像分布进行更新。在相关实施例中，用户画像分布可以理解为用户画像对应的知识图谱，所述目标用户画像分布与预设的参考用户画像分布之间的比较结果可以是所述目标用户画像分布与预设的参考用户画像分布之间的差异信息，该差异信息可以提现在实体之间的关系连接方面、实体的属性节点分布方面，在此不作限定。指定的目标大数据事项可以理解为信息服务器预先确定出的需要进行画像分布更新所对应的大数据事项，也即后续考虑需要进行业务推送的大数据事项。如此设计，在进行用户画像分布更新之前，能够基于指定的目标大数据事项进行判断，从而确保用户画像分布更新之后能够及时地被使用。在相关实施例中，步骤“基于所述目标用户画像分布对所述参考用户画像分布进行更新”，可以通过图3所示的步骤S310-S360所描述的内容实现。
S310：获取所述参考用户画像分布的目标画像关系网络。
举例而言，目标画像关系网络可以理解为参考用户画像分布的知识图谱的拓扑结构。
S320：确定所述目标画像关系网络的关系网络更新区域对应的目标画像活跃度。
举例而言，所述关系网络更新区域为各个用户画像的画像活跃度均小于所述目标画像关系网络的第一全局画像活跃度的画像分布区域，且所述目标画像活跃度为目标用户画像数量对应的画像活跃度，所述目标用户画像数量为所述关系网络更新区域中，各个画像活跃度对应的用户画像数量中最大的用户画像数量。本实施例中，画像活跃度可以用于表征用户画像的热门程度，画像活跃度越高，对应的用户画像越热门。
S330：基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围。举例而言，画像活跃度范围可以根据实际情况进行设置，比如设置为[h1，h2]。在相关实施例中，步骤“基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围”之前，还可以包括：判断所述目标画像活跃度是否符合预设的画像活跃度范围确定条件，基于此，步骤“基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围”，可以包括：当判断出所述目标画像活跃度符合预设的画像活跃度范围确定条件时，基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围。如此设计，能够避免确定出的画像活跃度范围过大或过小而导致后续的知识图谱更新出现异常。
在相关的实施例中，步骤“判断所述目标画像活跃度是否符合预设的画像活跃度范围确定条件的步骤”，可以包括以下内容：确定至少一组画像关系网络的关系网络更新区域对应的第一画像活跃度，其中，所述至少一组画像关系网络为所述目标画像关系网络的前一组画像关系网络，或者，所述目标画像关系网络的前连续N组画像关系网络，任一组画像关系网络的关系网络更新区域对应的第一画像活跃度为第一用户画像数量对应的画像活跃度，所述第一用户画像数量为该组画像关系网络的关系网络更新区域中，各个画像活跃度对应的用户画像数量中最大的用户画像数量；判断所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，得到第一判定结果；并判断各个第一画像活跃度与预设画像活跃度范围的范围限值的比较结果，得到第二判定结果；检测所述第一判定结果与所得到的各个第二判定结果是否均一致；若为是，判定所述目标画像活跃度符合预设的画像活跃度范围确定条件。进一步地，任一组画像关系网络的关系网络更新区域对应的第一画像活跃度的确定过程包括：针对一组画像关系网络的关系网络更新区域的多个画像活跃度中的每一画像活跃度，确定具有该画像活跃度的用户画像的统计结果；按照所述目标画像关系网络的关系网络更新区域的各个画像活跃度的大小顺序，对确定得到的多个统计结果进行排序；在排序之后，针对每一统计结果，对包含该统计结果在内的连续画像活跃度对应的多个统计结果进行融合，并将融合结果确定为该统计结果所对应画像活跃度的用户画像数量；将所确定的最大的用户画像数量所对应的画像活跃度，确定为该组画像关系网络的关系网络更新区域对应的第一画像活跃度。在上述内容的基础上，步骤“判断所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，得到第一判定结果”，可以包括以下内容：在所述目标画像活跃度小于预设画像活跃度范围的第一范围限值时，将目标画像活跃度小于第一范围限值确定为第一判定结果；在所述目标画像活跃度大于或等于预设画像活跃度范围的第一范围限值，且小于或等于预设画像活跃度范围的第二范围限值时，将目标画像活跃度大于或等于第一范围限值，且小于或等于第二范围限值确定为第一判定结果；在所述目标画像活跃度大于预设画像活跃度范围的第二范围限值时，将目标画像活跃度大于第二范围限值确定为第一判定结果。步骤“判断各个第一画像活跃度与预设画像活跃度范围的范围限值的比较结果，得到第二判定结果”，可以包括以下内容：对于各个第一画像活跃度中的每一画像活跃度，在该第一画像活跃度小于预设画像活跃度范围的第一范围限值时，将第一画像活跃度小于第一范围限值确定为第二判定结果；在该第一画像活跃度大于或等于预设画像活跃度范围的第一范围限值，且小于或等于预设画像活跃度范围的第二范围限值时，将第一画像活跃度大于或等于第一范围限值，且小于或等于第二范围限值确定为第二判定结果；在该第一画像活跃度大于预设画像活跃度范围的第二范围限值时，将第一画像活跃度大于第二范围限值确定为第二判定结果。举例而言，第一范围限值可以是h1，第二范围限值可以是h2。
S340：基于所确定的画像活跃度范围，确定第二全局画像活跃度。
在相关实施例中，第一全局画像活跃度和第二全局画像活跃度可以理解为目标画像关系网络的全局性层面的画像活跃度。一般而言，第二全局画像活跃度的取值位于画像活跃度范围内。比如第二全局画像活跃度可以为h3，且h1<h3<h2。
S350：基于所述目标用户画像分布对应的平均画像活跃度对所述关系网络更新区域进行画像活跃度调整，直至所述目标画像关系网络的全局画像活跃度为所述第二全局画像活跃度时，完成对所述目标画像关系网络的画像活跃度更新。
举例而言，所述第二全局画像活跃度为对所述目标画像关系网络进行画像活跃度更新后，所述目标画像关系网络的全局画像活跃度。可以理解，在进行画像活跃度调整时，可以通过对部分用户画像的画像活跃度进行调整，从而通过迭代调整的方式实现对所述关系网络更新区域进行画像活跃度调整。
S360：按照所述目标画像关系网络对应的第二全局画像活跃度对所述关系网络更新区域中的用户画像之间的关联关系进行更新。
可以理解，在进行的画像活跃度调整之后，通过对关系网络更新区域中的用户画像之间的关联关系进行更新，能够实现对知识谱图的精准、实时更新，这样在后续进行业务推送决策时，可以利用最新的知识图谱确定用户的兴趣倾向，进而确保业务推送的精准性。可以理解，对所述关系网络更新区域中的用户画像之间的关联关系进行更新可以理解为重新调整不同用户画像之间的关联关系和关联系数等，当然也可以通过其他实施方式实现，在此不作限定。
综上所述，在实施上述技术方案时，大数据用户设备能够从采集的第一大数据交互状态的第一大数据交互信息获取目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息，并从第一大数据交互信息中确定所述大数据用户元素信息对应的第一动态大数据交互信息，在将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息之后发送至信息服务器，这样可以使得信息服务器基于目标大数据交互信息进行用户信息更新，由于第二大数据交互状态是适于目标大数据交互信息进行用户信息更新的，因而在大数据用户设备侧进行第一动态大数据交互信息的确定，能够确保目标大数据交互信息尽可能与用户的实际业务场景相匹配。此外，通过对第一动态大数据交互信息至少进行信息校正处理，能够使得目标大数据交互信息适配于信息服务器的运行状态，从而确保信息服务器能够完整、准确地利用目标大数据交互信息进行用户信息更新，进而实现对用户画像的知识图谱的精准、实时更新，以确保后续在利用知识图谱进行业务推送时的准确性和可信度。
进一步地，请结合参阅图4，信息服务器120可以包括处理引擎121、网络模块122和存储器123，处理引擎121和存储器123通过网络模块122通信。
处理引擎121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，处理引擎121可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎121可以包括中央处理单元(Central ProcessingUnit，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。
网络模块122可以促进信息和/或数据的交换。在一些实施例中，网络模块122可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块122可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网络(Wireless Local Area Network，WLAN)、城域网(Metropolitan Area Network，MAN)、公用电话交换网(Public Telephone SwitchedNetwork，PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络模块122可以包括至少一个网络接入点。例如，网络模块122可以包括有线或无线网路接入点，如基站和/或网路接入点。
存储器123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123用于存储程序，所述处理引擎121在接收到执行指令后，执行所述程序。
可以理解，图4所示的结构仅为示意，信息服务器120还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
在一些选择性的方案中，还提供了一种基于大数据采集的用户信息更新方法，应用于与大数据用户设备通信的信息服务器，所述方法包括：
基于大数据用户设备发送的目标大数据交互信息进行用户信息更新；其中，目标大数据交互信息是所述大数据用户设备通过以下方式确定的：从采集的第一大数据交互状态的第一大数据交互信息获取目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息；从所述第一大数据交互信息中确定所述大数据用户元素信息对应的第一动态大数据交互信息；将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，所述第二大数据交互状态适于所述目标大数据交互信息进行用户信息更新。
在一些选择性的方案中，还提供了一种基于大数据采集的用户信息更新方法，应用于与信息服务器通信的大数据用户设备，所述方法包括：
从采集的第一大数据交互状态的第一大数据交互信息获取目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息；
从所述第一大数据交互信息中确定所述大数据用户元素信息对应的第一动态大数据交互信息；
将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，所述第二大数据交互状态适于所述目标大数据交互信息进行用户信息更新；
将所述目标大数据交互信息发送至所述信息服务器，以使所述信息服务器基于所述目标大数据交互信息进行用户信息更新。
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 (9)

1.一种基于大数据采集的用户信息更新方法，其特征在于，应用于基于大数据采集的用户信息更新系统，所述系统包括互相之间通信的大数据用户设备和信息服务器，所述方法包括：
所述大数据用户设备从采集的第一大数据交互状态的第一大数据交互信息获取目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息；从所述第一大数据交互信息中确定所述大数据用户元素信息对应的第一动态大数据交互信息；将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，所述第二大数据交互状态适于所述目标大数据交互信息进行用户信息更新；将所述目标大数据交互信息发送至所述信息服务器；
所述信息服务器基于所述目标大数据交互信息进行用户信息更新；
其中，所述信息服务器基于所述目标大数据交互信息进行用户信息更新，包括：
所述信息服务器从所述目标大数据交互信息中提取目标用户画像分布，所述目标用户画像分布用于描述所述目标大数据交互信息中的目标大数据事项对应的用户画像变化情况；
所述信息服务器确定所述目标用户画像分布与预设的参考用户画像分布之间的比较结果，依据所述比较结果识别所述目标大数据交互信息中的目标大数据事项是否为指定的目标大数据事项，所述参考用户画像分布用于描述指定目标大数据事项；
所述信息服务器在依据所述比较结果识别出所述目标大数据交互信息中的目标大数据事项为指定的目标大数据事项时，基于所述目标用户画像分布对所述参考用户画像分布进行更新；
基于所述目标用户画像分布对所述参考用户画像分布进行更新，包括：
获取所述参考用户画像分布的目标画像关系网络；
确定所述目标画像关系网络的关系网络更新区域对应的目标画像活跃度，其中，所述关系网络更新区域为各个用户画像的画像活跃度均小于所述目标画像关系网络的第一全局画像活跃度的画像分布区域，且所述目标画像活跃度为目标用户画像数量对应的画像活跃度，所述目标用户画像数量为所述关系网络更新区域中，各个画像活跃度对应的用户画像数量中最大的用户画像数量；
基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围；
基于所确定的画像活跃度范围，确定第二全局画像活跃度；
基于所述目标用户画像分布对应的平均画像活跃度对所述关系网络更新区域进行画像活跃度调整，直至所述目标画像关系网络的全局画像活跃度为所述第二全局画像活跃度时，完成对所述目标画像关系网络的画像活跃度更新；其中，所述第二全局画像活跃度为对所述目标画像关系网络进行画像活跃度更新后，所述目标画像关系网络的全局画像活跃度；
按照所述目标画像关系网络对应的第二全局画像活跃度对所述关系网络更新区域中的用户画像之间的关联关系进行更新；
在所述基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围的步骤之前，所述方法还包括：判断所述目标画像活跃度是否符合预设的画像活跃度范围确定条件；
所述基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围的步骤，包括：当判断出所述目标画像活跃度符合预设的画像活跃度范围确定条件时，基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围。
2.如权利要求1所述的基于大数据采集的用户信息更新方法，其特征在于，从采集的第一大数据交互状态的第一大数据交互信息获取目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息，包括：
对第一大数据交互信息进行交互信息转换得到第二大数据交互信息；
在所述第二大数据交互信息中抽取出所述目标大数据事项的大数据用户元素信息，将抽取出的大数据用户元素信息确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息；
在所述第二大数据交互信息中抽取出所述目标大数据事项的大数据用户元素信息，将抽取出的大数据用户元素信息确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息，包括：
将所述第二大数据交互信息输入至预先完成训练的第一机器学习模型；其中所述第一机器学习模型至少通过用于进行特征提取的特征提取层、用于进行特征识别的特征识别层、用于进行特征分类的特征分类层、用于进行用户标签提取的标签提取层和用于进行元素信息匹配的信息匹配层实现所述目标大数据事项的大数据用户元素信息的识别和抽取；
将所述第一机器学习模型抽取的结果确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息。
3.如权利要求1所述的基于大数据采集的用户信息更新方法，其特征在于，将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，包括：
将所述第一动态大数据交互信息输入至预先完成训练的第二机器学习模型中；所述第二机器学习模型至少通过用于进行业务热度识别的热度识别层、用于进行用户兴趣分类的兴趣分类层实现输入的第一动态大数据交互信息的交互信息校正，并输出交互信息校正后的大数据交互信息；
将第二机器学习模型输出的大数据交互信息作为所述目标大数据交互信息。
4.如权利要求1所述的基于大数据采集的用户信息更新方法，其特征在于，将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，包括：
将所述第一动态大数据交互信息输入至预先完成训练的第三机器学习模型中；所述第三机器学习模型通过交互状态转换层将所述第一动态大数据交互信息转换成第一待处理大数据交互信息，所述交互状态转换层用于进行以下至少一种交互状态转换方式：交互状态标签筛分处理、交互状态特征对换处理，并至少通过用于进行业务热度识别的热度识别层、用于进行用户兴趣分类的兴趣分类层实现对所述第一待处理大数据交互信息的交互信息校正，并输出交互信息校正后的大数据交互信息；
将第三机器学习模型输出的大数据交互信息作为所述目标大数据交互信息。
5.如权利要求1所述的基于大数据采集的用户信息更新方法，其特征在于，将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，包括：
将所述第一动态大数据交互信息输入至预先完成训练的第四机器学习模型，以由所述第四机器学习模型的信息更新频率检测子网络检测输入的第一动态大数据交互信息在指定信息更新指示下的更新频率统计结果，所述更新频率统计结果中每个大数据用户元素的元素属性更新频率描述了输入的第一动态大数据交互信息中对应大数据用户元素的元素属性受指定信息更新指示影响的程度，并由所述第四机器学习模型的信息关系重构子网络依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理，并输出关系重构处理的大数据交互信息；
将第四机器学习模型输出的大数据交互信息作为所述目标大数据交互信息；
所述信息更新频率检测子网络检测输入的第一动态大数据交互信息在各信息更新指示下的更新频率统计结果，包括：
所述信息更新频率检测子网络至少通过更新频率检测层实现对输入的第一动态大数据交互信息在指定信息更新指示下的更新频率统计结果的检测；
所述信息关系重构子网络依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理，包括：
所述信息关系重构子网络至少通过用于进行特征提取的特征提取层、用于进行特征识别的特征识别层以及用于进行关系拆分的关系拆分层实现依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理。
6.如权利要求1所述的基于大数据采集的用户信息更新方法，其特征在于，
将所述目标大数据交互信息发送至所述信息服务器之前，该方法还包括：获取经由所述第一大数据交互信息转换所得的包含所述目标大数据事项的第三大数据交互信息，并从所述第三大数据交互信息中确定出目标大数据事项所处的第二动态大数据交互信息；
将所述目标大数据交互信息发送至所述信息服务器，包括：将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息，将所述实时大数据交互信息发送至所述信息服务器，以使所述信息服务器从所述实时大数据交互信息中获取所述目标大数据交互信息并基于所述目标大数据交互信息进行用户信息更新。
7.如权利要求6所述的基于大数据采集的用户信息更新方法，其特征在于，
将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息，包括：采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息；
所述信息服务器从所述实时大数据交互信息中获取所述目标大数据交互信息，包括：所述信息服务器从所述实时大数据交互信息的设定位置中提取出第一关键交互信息，并利用提取的第一关键交互信息生成所述目标大数据交互信息。
8.如权利要求6所述的基于大数据采集的用户信息更新方法，其特征在于，
将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息，包括：采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息进行信息加密得到加密关键交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息；将所述加密关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息；
所述信息服务器从所述实时大数据交互信息中获取所述目标大数据交互信息，包括：所述信息服务器从所述实时大数据交互信息的设定位置中提取出加密关键交互信息，对提取的加密关键交互信息进行信息解密得到所述第一关键交互信息，并利用信息解密得到的第一关键交互信息生成所述目标大数据交互信息。
9.一种信息服务器，其特征在于，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行权利要求1-8任一项所述的基于所述目标大数据交互信息进行用户信息更新的步骤。
CN202110309730.XA 2021-03-23 2021-03-23 一种基于大数据采集的用户信息更新方法及信息服务器 Active CN112988774B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111017429.8A CN113918579A (zh) 2021-03-23 2021-03-23 一种大数据用户画像处理方法及大数据服务器
CN202111023807.3A CN113918580A (zh) 2021-03-23 2021-03-23 应用于大数据的用户画像关系网络更新方法及服务器
CN202110309730.XA CN112988774B (zh) 2021-03-23 2021-03-23 一种基于大数据采集的用户信息更新方法及信息服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110309730.XA CN112988774B (zh) 2021-03-23 2021-03-23 一种基于大数据采集的用户信息更新方法及信息服务器

Related Child Applications (2)

Application Number Title Priority Date Filing Date
CN202111023807.3A Division CN113918580A (zh) 2021-03-23 2021-03-23 应用于大数据的用户画像关系网络更新方法及服务器
CN202111017429.8A Division CN113918579A (zh) 2021-03-23 2021-03-23 一种大数据用户画像处理方法及大数据服务器

Publications (2)

Publication Number Publication Date
CN112988774A CN112988774A (zh) 2021-06-18
CN112988774B true CN112988774B (zh) 2021-10-15

Family

ID=76333153

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202111017429.8A Pending CN113918579A (zh) 2021-03-23 2021-03-23 一种大数据用户画像处理方法及大数据服务器
CN202111023807.3A Pending CN113918580A (zh) 2021-03-23 2021-03-23 应用于大数据的用户画像关系网络更新方法及服务器
CN202110309730.XA Active CN112988774B (zh) 2021-03-23 2021-03-23 一种基于大数据采集的用户信息更新方法及信息服务器

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202111017429.8A Pending CN113918579A (zh) 2021-03-23 2021-03-23 一种大数据用户画像处理方法及大数据服务器
CN202111023807.3A Pending CN113918580A (zh) 2021-03-23 2021-03-23 应用于大数据的用户画像关系网络更新方法及服务器

Country Status (1)

Country Link
CN (3) CN113918579A (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114153716B (zh) * 2022-02-08 2022-05-06 中国电子科技集团公司第五十四研究所 语义信息交换网络下有无人对象实时画像生成方法
CN115048387A (zh) * 2022-06-30 2022-09-13 支付宝(杭州)信息技术有限公司 一种图数据处理方法和系统
CN115618850B (zh) * 2022-09-30 2023-11-10 广东亿佛手健康科技有限公司 基于穴位医疗微服务的局部语法表达方法及系统
CN116501726B (zh) * 2023-06-20 2023-09-29 中国人寿保险股份有限公司上海数据中心 基于GraphX图计算的信创云平台数据化运营系统
CN117216228B (zh) * 2023-11-08 2024-02-02 好心情健康产业集团有限公司 一种心理陪伴机器人及其交互方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106294744A (zh) * 2016-08-11 2017-01-04 上海动云信息科技有限公司 兴趣识别方法及系统
WO2017041372A1 (zh) * 2015-09-07 2017-03-16 百度在线网络技术（北京）有限公司 基于人工智能的人机交互方法和系统
CN106649347A (zh) * 2015-10-30 2017-05-10 北京国双科技有限公司 一种兴趣信息的识别方法及装置
CN106874266A (zh) * 2015-12-10 2017-06-20 中国电信股份有限公司 用户画像方法和用于用户画像的装置
CN110674144A (zh) * 2019-08-14 2020-01-10 深圳壹账通智能科技有限公司 用户画像生成方法、装置、计算机设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005587A (zh) * 2015-06-26 2015-10-28 深圳市腾讯计算机系统有限公司 一种用户画像的更新方法、装置和系统
CN107526754A (zh) * 2016-09-26 2017-12-29 广州速鸿信息科技有限公司 一种基于大数据的用户画像平台建立方法
CN110659414B (zh) * 2019-09-02 2023-01-13 惠州学院 一种基于用户画像的个性化信息推送方法及用户端
CN111625726A (zh) * 2020-06-02 2020-09-04 小红书科技有限公司 一种用户画像的处理方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017041372A1 (zh) * 2015-09-07 2017-03-16 百度在线网络技术（北京）有限公司 基于人工智能的人机交互方法和系统
CN106649347A (zh) * 2015-10-30 2017-05-10 北京国双科技有限公司 一种兴趣信息的识别方法及装置
CN106874266A (zh) * 2015-12-10 2017-06-20 中国电信股份有限公司 用户画像方法和用于用户画像的装置
CN106294744A (zh) * 2016-08-11 2017-01-04 上海动云信息科技有限公司 兴趣识别方法及系统
CN110674144A (zh) * 2019-08-14 2020-01-10 深圳壹账通智能科技有限公司 用户画像生成方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN113918580A (zh) 2022-01-11
CN112988774A (zh) 2021-06-18
CN113918579A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN112988774B (zh) 一种基于大数据采集的用户信息更新方法及信息服务器
Rao et al. Lstm-trajgan: A deep learning approach to trajectory privacy protection
US20230013306A1 (en) Sensitive Data Classification
US11694064B1 (en) Method, system, and computer program product for local approximation of a predictive model
CN111931950B (zh) 一种基于联邦学习进行模型参数更新的方法及系统
US11190562B2 (en) Generic event stream processing for machine learning
US10990899B2 (en) Deep and wide machine learned model for job recommendation
US11113738B2 (en) Presenting endorsements using analytics and insights
US10984365B2 (en) Industry classification
CN111291125B (zh) 一种数据处理方法及相关设备
US11216512B2 (en) Accessible machine learning backends
CN115391670B (zh) 一种基于知识图谱的互联网行为分析方法与系统
Verma et al. A unified lightweight CNN-based model for disease detection and identification in corn, rice, and wheat
Ma et al. A spectral method for assessing and combining multiple data visualizations
Avram et al. Context quality impact in context-aware data mining for predicting soil moisture
CN113761375A (zh) 基于神经网络的消息推荐方法、装置、设备及存储介质
CN115210742A (zh) 用于防止暴露于违反内容政策的内容的系统和方法
CN108345620B (zh) 品牌信息处理方法、装置、存储介质及电子设备
CN117290561A (zh) 业务状态信息反馈方法、装置、设备和计算机可读介质
US10037359B2 (en) Search results using social routing of content
Bharadhwaj Layer-wise relevance propagation for explainable recommendations
CN109508735A (zh) 一种基于神经动力学的软间隔支持向量机分类方法
CN109885647B (zh) 用户履历验证方法、装置、电子设备及存储介质
CN113409014A (zh) 基于人工智能的大数据业务处理方法及人工智能服务器
CN109376315B (zh) 一种基于机器学习的民航旅客标签分析方法及处理终端

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

Effective date of registration: 20210924

Address after: Room 328, 3 / F, unit 2, No. 231, Shibo Village Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 200120

Applicant after: Baojiade (Shanghai) Cultural Development Co.,Ltd.

Address before: No.105, Yunda West Road, Kunming Economic and Technological Development Zone, Yunnan 650000

Applicant before: Wang Wei

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant