CN113032236A - 应用于人工智能和云计算的业务行为处理方法及服务器 - Google Patents
应用于人工智能和云计算的业务行为处理方法及服务器 Download PDFInfo
- Publication number
- CN113032236A CN113032236A CN202110354720.8A CN202110354720A CN113032236A CN 113032236 A CN113032236 A CN 113032236A CN 202110354720 A CN202110354720 A CN 202110354720A CN 113032236 A CN113032236 A CN 113032236A
- Authority
- CN
- China
- Prior art keywords
- behavior
- target
- summary record
- network
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 230000006399 behavior Effects 0.000 claims abstract description 860
- 230000003993 interaction Effects 0.000 claims abstract description 270
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 230000002452 interceptive effect Effects 0.000 claims description 134
- 238000012545 processing Methods 0.000 claims description 108
- 238000000034 method Methods 0.000 claims description 73
- 238000011156 evaluation Methods 0.000 claims description 51
- 230000003068 static effect Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 16
- 230000008859 change Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及人工智能和云计算业务技术领域，涉及应用于人工智能和云计算的业务行为处理方法及服务器，能够基于目标流式业务交互行为确保初始交互行为统计信息和轨迹拟合指示信息的时序连续性，通过多次行为属性提取尽可能完整地得到目标动态行为属性以充分考虑目标动态行为属性的多个维度上的特征，然后确定目标交互行为汇总记录对应的目标行为识别情况以对目标流式业务交互行为进行轨迹拟合得到全局轨迹拟合结果。由于全局轨迹拟合结果与目标行为识别情况相关且目标流式业务交互行为存在时序连续性，可以有效结合不同交互行为在时序层面的关联性进行分析，确保拟合得到的全局轨迹拟合结果可以从实际业务层面反应用户的真实互动行为变化情况。
Description
技术领域
本申请实施例涉及人工智能和云计算业务技术领域，具体涉及一种应用于人工智能和云计算的业务行为处理方法及服务器。
背景技术
人工智能（Artificial Intelligence）是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，比如机器翻译领域、智能控制领域、专家系统领域、机器人学领域、语言理解领域、图像理解领域和自动程序设计领域等。
随着云计算技术的不断优化和完善，对于各类云业务行为的分析需求也不断增多，通过将人工智能和云计算进行结合，可以对云业务行为进行行为分析处理。然而在实际应用过程中发明人发现，相关的用户行为分析技术仍然存在需要完善的地方。
发明内容
有鉴于此，本申请实施例提供了一种应用于人工智能和云计算的业务行为处理方法及服务器。
本申请实施例提供了一种应用于人工智能和云计算的业务行为处理方法，所述方法包括：
获取目标流式业务交互行为对应的目标交互行为汇总记录、所述目标交互行为汇总记录对应的初始交互行为统计信息以及所述目标交互行为汇总记录对应的轨迹拟合指示信息；
基于目标行为识别网络、所述初始交互行为统计信息和所述轨迹拟合指示信息，得到行为轨迹标签信息；
依据所述行为轨迹标签信息进行多次行为属性提取处理，得到目标动态行为属性；
通过所述目标动态行为属性确定所述目标交互行为汇总记录对应的目标行为识别情况，并结合所述目标行为识别情况对所述目标流式业务交互行为进行轨迹拟合得到全局轨迹拟合结果。
优选的，所述轨迹拟合指示信息基于所述目标流式业务交互行为在所述目标交互行为汇总记录中的局部轨迹拟合结果确定；
所述基于目标行为识别网络、所述初始交互行为统计信息和所述轨迹拟合指示信息，得到行为轨迹标签信息，包括：
调用目标行为识别网络，将所述初始交互行为统计信息和所述轨迹拟合指示信息输入所述目标行为识别网络，得到所述初始交互行为统计信息和所述轨迹拟合指示信息的行为轨迹标签信息；
所述依据所述行为轨迹标签信息进行多次行为属性提取处理，得到目标动态行为属性，包括：
基于所述行为轨迹标签信息，依次执行第一设定数量次静态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标静态行为属性；基于所述目标静态行为属性对应的目标行为更新内容，依次执行所述第一设定数量次动态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标动态行为属性。
优选的，所述通过所述目标动态行为属性确定所述目标交互行为汇总记录对应的目标行为识别情况，并结合所述目标行为识别情况对所述目标流式业务交互行为进行轨迹拟合得到全局轨迹拟合结果，包括：
对所述目标动态行为属性进行目标行为识别处理，得到所述目标交互行为汇总记录对应的目标行为识别情况，所述目标行为识别情况用于指示所述目标交互行为汇总记录中的各个交互行为事件数据的目标类型，任一交互行为事件数据的目标类型用于指示所述任一交互行为事件数据属于所述目标流式业务交互行为或者所述任一交互行为事件数据不属于所述目标流式业务交互行为；
基于所述目标行为识别情况，在所述目标交互行为汇总记录中对所述目标流式业务交互行为进行轨迹拟合，得到所述目标流式业务交互行为在所述目标交互行为汇总记录中的全局轨迹拟合结果。
优选的，所述第一设定数量次为三次，任一次静态行为属性提取处理包括一次行为识别处理和一次噪声过滤处理；所述基于所述行为轨迹标签信息，依次执行第一设定数量次静态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标静态行为属性，包括：
对所述行为轨迹标签信息进行第一行为识别处理，得到所述目标交互行为汇总记录对应的第一行为更新内容；对所述第一行为更新内容进行第一噪声过滤处理，得到所述目标交互行为汇总记录对应的第一噪声过滤属性；
对所述第一噪声过滤属性进行第二行为识别处理，得到所述目标交互行为汇总记录对应的第二行为更新内容；对所述第二行为更新内容进行第二噪声过滤处理，得到所述目标交互行为汇总记录对应的第二噪声过滤属性；
对所述第二噪声过滤属性进行第三行为识别处理，得到所述目标交互行为汇总记录对应的第三行为更新内容；对所述第三行为更新内容进行第三噪声过滤处理，得到所述目标交互行为汇总记录对应的目标静态行为属性。
优选的，任一次动态行为属性提取处理包括一次场景识别处理和一次行为识别处理；所述基于所述目标静态行为属性对应的目标行为更新内容，依次执行所述第一设定数量次动态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标动态行为属性，包括：
对所述目标静态行为属性对应的目标行为更新内容进行第一场景识别处理，得到所述目标交互行为汇总记录对应的第一动态场景时序属性；对所述第一动态场景时序属性和所述第三行为更新内容的行为内容分布属性进行第四行为识别处理，得到所述目标交互行为汇总记录对应的第四行为更新内容；
对所述第四行为更新内容进行第二场景识别处理，得到所述目标交互行为汇总记录对应的第二动态场景时序属性；对所述第二动态场景时序属性和所述第二行为更新内容的行为内容分布属性进行第五行为识别处理，得到所述目标交互行为汇总记录对应的第五行为更新内容；
对所述第五行为更新内容进行第三场景识别处理，得到所述目标交互行为汇总记录对应的第三动态场景时序属性；对所述第三动态场景时序属性和所述第一行为更新内容的行为内容分布属性进行第六行为识别处理，得到所述目标交互行为汇总记录对应的目标动态行为属性。
优选的，所述得到所述目标交互行为汇总记录对应的目标行为识别情况之后，所述方法还包括：
调用目标决策网络，基于所述初始交互行为统计信息和所述目标行为识别情况，获取目标轨迹拟合评价度信息。
优选的，所述目标决策网络包括顺次连接的至少一层行为更新子网络、至少一层轨迹拼接子网络和一层评价度生成子网络；所述调用目标决策网络，基于所述初始交互行为统计信息和所述目标行为识别情况，获取目标轨迹拟合评价度信息，包括：
将所述初始交互行为统计信息和所述目标行为识别情况输入所述目标决策网络中的第一层行为更新子网络进行处理，得到所述第一层行为更新子网络输出的决策属性；
从第二层行为更新子网络开始，将前一层行为更新子网络输出的决策属性输入后一层行为更新子网络进行处理，得到后一层行为更新子网络输出的决策属性；
将最后一层行为更新子网络输出的决策属性输入第一层轨迹拼接子网络进行处理，得到所述第一层轨迹拼接子网络输出的轨迹拼接属性；
从第二层轨迹拼接子网络开始，将前一层轨迹拼接子网络输出的轨迹拼接属性输入后一层轨迹拼接子网络进行处理，得到后一层轨迹拼接子网络输出的轨迹拼接属性；
将最后一层轨迹拼接子网络输出的轨迹拼接属性输入所述评价度生成子网络进行处理，得到所述评价度生成子网络输出的所述目标轨迹拟合评价度信息。
优选的，所述调用目标行为识别网络之前，所述方法还包括：
获取至少一个样本交互行为汇总记录、所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况；
基于所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况对未训练的行为识别网络进行机器学习训练，得到所述目标行为识别网络。
优选的，所述调用目标行为识别网络之前，所述方法还包括：
获取至少一个样本交互行为汇总记录、所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况；
基于所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况对未训练的行为识别网络和未训练的决策网络进行半监督训练，得到所述目标行为识别网络和所述目标决策网络；
相应的，所述基于所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况对未训练的行为识别网络和未训练的决策网络进行半监督训练，得到所述目标行为识别网络和所述目标决策网络，包括：
调用所述未训练的行为识别网络，基于所述至少一个样本交互行为汇总记录中的第一样本交互行为汇总记录对应的样本交互行为统计信息和所述第一样本交互行为汇总记录对应的样本轨迹拟合指示信息，获取所述第一样本交互行为汇总记录对应的行为识别预测情况；
调用所述未训练的决策网络，基于所述第一样本交互行为汇总记录对应的样本交互行为统计信息和所述第一样本交互行为汇总记录对应的行为识别预测情况，获取第一轨迹拟合评价度信息；
基于所述第一样本交互行为汇总记录对应的样本交互行为统计信息和所述第一样本交互行为汇总记录对应的真实行为识别情况，获取第二轨迹拟合评价度信息；
基于所述第一轨迹拟合评价度信息和所述第二轨迹拟合评价度信息，确定第一模型评价指标；基于所述第一模型评价指标调整所述未训练的决策网络的网络模型参数；
响应于所述未训练的决策网络的网络模型参数的调整过程符合第一训练完成条件，得到第一决策网络；
调用所述未训练的行为识别网络，基于所述至少一个样本交互行为汇总记录中的第二样本交互行为汇总记录对应的样本交互行为统计信息和所述第二样本交互行为汇总记录对应的样本轨迹拟合指示信息，获取所述第二样本交互行为汇总记录对应的行为识别预测情况；
调用所述第一决策网络，基于所述第二样本交互行为汇总记录对应的样本交互行为统计信息和所述第二样本交互行为汇总记录对应的行为识别预测情况，获取第三轨迹拟合评价度信息；
基于所述第三轨迹拟合评价度信息、所述第二样本交互行为汇总记录对应的行为识别预测情况和所述第二样本交互行为汇总记录对应的真实行为识别情况，确定第二模型评价指标；基于所述第二模型评价指标调整所述未训练的行为识别网络的网络模型参数；
响应于所述未训练的行为识别网络的网络模型参数的调整过程符合第二训练完成条件，得到第一行为识别网络；
响应于半监督训练过程不符合目标训练完成条件，继续对所述第一决策网络和所述第一行为识别网络进行半监督训练，直至半监督训练过程符合所述目标训练完成条件，得到所述目标决策网络和所述目标行为识别网络。
本申请实施例还提供了一种业务行为处理服务器，包括处理器、通信总线和存储器；所述处理器和所述存储器通过所述通信总线通信，所述处理器从所述存储器中读取计算机程序并运行，以执行上述的方法。
本申请实施例还提供了一种计算机用可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在运行时实现上述的方法。
相较于现有技术，本申请实施例提供的应用于人工智能和云计算的业务行为处理方法及服务器具有以下技术效果：
能够基于目标流式业务交互行为确保初始交互行为统计信息和轨迹拟合指示信息的时序连续性，通过多次行为属性提取尽可能完整地得到目标动态行为属性以充分考虑目标动态行为属性的多个维度上的特征，然后确定目标交互行为汇总记录对应的目标行为识别情况以对目标流式业务交互行为进行轨迹拟合得到全局轨迹拟合结果。由于全局轨迹拟合结果与目标行为识别情况相关且目标流式业务交互行为存在时序连续性，可以有效结合不同交互行为在时序层面的关联性进行分析，确保拟合得到的全局轨迹拟合结果可以从实际业务层面反应用户的真实互动行为变化情况。
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
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种业务行为处理服务器的方框示意图。
图2为本申请实施例所提供的一种应用于人工智能和云计算的业务行为处理方法的流程图。
图3为本申请实施例所提供的一种应用于人工智能和云计算的业务行为处理装置的框图。
图4为本申请实施例所提供的一种应用于人工智能和云计算的业务行为处理系统的架构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本申请的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
发明人经调查发现，相关的用户行为分析技术在进行轨迹拟合时，很难对行为属性进行充分考虑，也难以有效结合不同交互行为在时序层面的关联性进行分析，这样会导致拟合得到的行为轨迹难以从实际业务层面反应用户的真实互动行为变化情况，从而造成相关的用户行为分析结果难以满足实际的需求。
以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案，都应该是发明人在本申请过程中对本申请做出的贡献。
基于上述研究，本申请实施例提供了一种应用于人工智能和云计算的业务行为处理方法及服务器，能够获取目标流式业务交互行为对应的目标交互行为汇总记录、目标交互行为汇总记录对应的初始交互行为统计信息以及轨迹拟合指示信息，从而确保初始交互行为统计信息和轨迹拟合指示信息的时序连续性。进一步基于目标行为识别网络、初始交互行为统计信息和轨迹拟合指示信息得到行为轨迹标签信息并依据行为轨迹标签信息进行多次行为属性提取处理得到目标动态行为属性，能够通过多次行为属性提取尽可能完整地得到目标动态行为属性，以充分考虑目标动态行为属性的多个维度上的特征，然后确定目标交互行为汇总记录对应的目标行为识别情况，最后结合目标行为识别情况对目标流式业务交互行为进行轨迹拟合得到全局轨迹拟合结果。
如此，由于全局轨迹拟合结果与目标行为识别情况相关，且目标流式业务交互行为存在时序连续性，因而可以有效结合不同交互行为在时序层面的关联性进行分析，确保拟合得到的全局轨迹拟合结果可以从实际业务层面反应用户的真实互动行为变化情况。由此可见，采用本申请实施例提供的方案，能够有效改善相关的用户行为分析技术所存在的缺陷。
图1示出了本申请实施例所提供的一种业务行为处理服务器10的方框示意图。本申请实施例中的业务行为处理服务器10可以为具有数据存储、传输、处理功能的服务端，如图1所示，业务行为处理服务器10包括：存储器11、处理器12、通信总线13和应用于人工智能和云计算的业务行为处理装置20。
存储器11、处理器12和通信总线13之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有应用于人工智能和云计算的业务行为处理装置20，所述应用于人工智能和云计算的业务行为处理装置20包括至少一个可以软件或固件（firmware）的形式储存于所述存储器11中的软件功能模块，所述处理器12通过运行存储在存储器11内的软件程序以及模块，例如本申请实施例中的应用于人工智能和云计算的业务行为处理装置20，从而执行各种功能应用以及数据处理，即实现本申请实施例中的应用于人工智能和云计算的业务行为处理方法。
其中，所述存储器11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11用于存储程序，所述处理器12在接收到执行指令后，执行所述程序。
所述处理器12可能是一种集成电路芯片，具有数据的处理能力。上述的处理器12可以是通用处理器，包括中央处理器 (Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等。可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。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。
通信总线13用于通过网络建立业务行为处理服务器10与其他通信终端设备之间的通信连接，实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。
可以理解，图1所示的结构仅为示意，业务行为处理服务器10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。
本申请实施例还提供了一种计算机用可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在运行时实现上述的方法。
图2示出了本申请实施例所提供的一种应用于人工智能和云计算的业务行为处理方法的流程图。所述方法有关的流程所定义的方法步骤应用于业务行为处理服务器10，可以由所述处理器12实现，所述方法包括以下步骤S21-步骤S24。
步骤S21，获取目标流式业务交互行为对应的目标交互行为汇总记录、所述目标交互行为汇总记录对应的初始交互行为统计信息以及所述目标交互行为汇总记录对应的轨迹拟合指示信息。
本申请实施例中，目标流式业务交互行为可以是一连串在时序上存在连续性的业务交互行为，目标流式业务交互行为可以时用户业务端在业务交互过程中发起，目标流式业务交互行为也可以理解为一直存在变化和更新的业务交互行为。
进一步地，目标交互行为汇总记录用于对目标流式业务交互行为进行记录，目标交互行为汇总记录的形式可以是列表也可以是曲线，但不限于此。相应地，初始交互行为统计信息可以是预设时间段对应的交互行为统计信息，预设时间段可以根据实际情况进行选择和调整。此外，目标交互行为汇总记录对应的轨迹拟合指示信息用于指示进行相关业务交互行为的拟合，从而得到用户针对某次业务办理或者某个业务事件的整体行为情况。
在一些可能的实施例中，所述轨迹拟合指示信息基于所述目标流式业务交互行为在所述目标交互行为汇总记录中的局部轨迹拟合结果确定。局部轨迹拟合结果用于表征部分时段或者部分业务场景下的行为轨迹拟合情况。
步骤S22，基于目标行为识别网络、所述初始交互行为统计信息和所述轨迹拟合指示信息，得到行为轨迹标签信息。
本申请实施例中，行为轨迹标签信息用于对行为轨迹进行分类，还可以用于指示相关的行为属性提取，由于行为轨迹标签信息携带了较多维度的轨迹特征内容，因而在后续进行行为属性提取时，能够确保得到的行为属性具有多个维度下的特征。
在一些可能的实施例中，步骤S22所描述的基于目标行为识别网络、所述初始交互行为统计信息和所述轨迹拟合指示信息，得到行为轨迹标签信息，进一步可以通过以下步骤S220实现。
步骤S220，调用目标行为识别网络，将所述初始交互行为统计信息和所述轨迹拟合指示信息输入所述目标行为识别网络，得到所述初始交互行为统计信息和所述轨迹拟合指示信息的行为轨迹标签信息。
本申请实施例中，目标行为识别网络可以是基于人工智能/机器学习的卷积神经网络（Convolutional Neural Networks，CNN），目标行为识别网络可以通过训练样本预先进行训练得到并进行存储，比如存储在业务行为处理服务器的本地存储空间中，或者存储在云存储空间中，业务行为处理服务器可以通过调用目标行为识别网络实现相关的业务功能。
步骤S23，依据所述行为轨迹标签信息进行多次行为属性提取处理，得到目标动态行为属性。
本申请实施例中，通过多次行为属性提取处理，能将每次行为属性提取处理对行为属性的遗漏情况考虑在内，从而确保得到的目标动态行为属性的完整性。一般而言，目标动态行为属性可以理解为动态行为特征，比如随时间变化而更新、随业务交互对象变化而更新或者随业务交互场景变化而更新的动态行为特征。进一步地，目标动态行为属性可以通过特征向量或者特征图的形式进行表达，但不限于此。
在一些可选的实施例中，上述步骤S23所描述的依据所述行为轨迹标签信息进行多次行为属性提取处理，得到目标动态行为属性，可以包括以下步骤S230所描述的技术方案。
步骤S230，基于所述行为轨迹标签信息，依次执行第一设定数量次静态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标静态行为属性；基于所述目标静态行为属性对应的目标行为更新内容，依次执行所述第一设定数量次动态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标动态行为属性。
本申请实施例中，静态行为属性可以理解为交互行为固有的属性特征，比如行为函数调用路径，行为函数的瞬时执行参数等。一般而言，目标静态行为属性和交互行为是一一对应的，因此，目标静态行为属性对应的目标行为更新内容可以理解为交互行为的更新内容。在此基础上，基于目标静态行为属性对应的目标行为更新内容进行动态行为属性提取处理，能够通过交互行为固有的属性特征进行属性提取策略的定位，然后基于目标静态行为属性对应的目标行为更新内容进行动态行为属性的提取，这样可以确保目标动态行为属性与目标静态行为属性在业务事件层面的高度关联性，避免目标动态行为属性脱离业务事件本身。
在一些可能的示例中，所述第一设定数量次为三次，任一次静态行为属性提取处理包括一次行为识别处理和一次噪声过滤处理。基于此，步骤S230所描述的基于所述行为轨迹标签信息，依次执行第一设定数量次静态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标静态行为属性，可以包括以下步骤S2311-步骤S2313所描述的内容。
步骤S2311，对所述行为轨迹标签信息进行第一行为识别处理，得到所述目标交互行为汇总记录对应的第一行为更新内容；对所述第一行为更新内容进行第一噪声过滤处理，得到所述目标交互行为汇总记录对应的第一噪声过滤属性。
步骤S2312，对所述第一噪声过滤属性进行第二行为识别处理，得到所述目标交互行为汇总记录对应的第二行为更新内容；对所述第二行为更新内容进行第二噪声过滤处理，得到所述目标交互行为汇总记录对应的第二噪声过滤属性。
步骤S2313，对所述第二噪声过滤属性进行第三行为识别处理，得到所述目标交互行为汇总记录对应的第三行为更新内容；对所述第三行为更新内容进行第三噪声过滤处理，得到所述目标交互行为汇总记录对应的目标静态行为属性。
在上述步骤S2311-步骤S2313中，第一行为更新内容、第二行为更新内容以及第三行为更新内容之间存在先后的内容叠加关系，相应的，第一噪声过滤属性、第二噪声过滤属性以及目标静态行为属性也存在先后的属性叠加关系。通过三次静态行为属性提取处理，能够在确保目标静态行为属性的噪声比例尽可能趋于最小化的前提下有效减少静态行为属性提取处理的次数，从而减轻业务行为处理服务器的运算负荷和压力。
在一些可能的示例中，任一次动态行为属性提取处理包括一次场景识别处理和一次行为识别处理。基于此，上述步骤S230所描述的基于所述目标静态行为属性对应的目标行为更新内容，依次执行所述第一设定数量次动态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标动态行为属性，可以包括以下步骤S2321-步骤S2324所描述的内容。
步骤S2321，对所述目标静态行为属性对应的目标行为更新内容进行第一场景识别处理，得到所述目标交互行为汇总记录对应的第一动态场景时序属性；
步骤S2322，对所述第一动态场景时序属性和所述第三行为更新内容的行为内容分布属性进行第四行为识别处理，得到所述目标交互行为汇总记录对应的第四行为更新内容。对所述第四行为更新内容进行第二场景识别处理，得到所述目标交互行为汇总记录对应的第二动态场景时序属性；
步骤S2323，对所述第二动态场景时序属性和所述第二行为更新内容的行为内容分布属性进行第五行为识别处理，得到所述目标交互行为汇总记录对应的第五行为更新内容；对所述第五行为更新内容进行第三场景识别处理，得到所述目标交互行为汇总记录对应的第三动态场景时序属性。
步骤S2324，对所述第三动态场景时序属性和所述第一行为更新内容的行为内容分布属性进行第六行为识别处理，得到所述目标交互行为汇总记录对应的目标动态行为属性。
在上述步骤S2321-步骤S2324中，场景识别处理用于对业务交互行为的交互场景进行识别定位，从而确保得到的目标动态行为属性与业务场景的高相关性，此外，动态场景时序属性可以理解为相关业务交互行为在时序层面上与场景的匹配特征，可以理解，通过三次动态行为属性提取，可以尽量确保目标动态行为属性与对应业务场景之间的偏差不会太大，进而确保目标动态行为属性的完整性和业务场景适配性。
步骤S24，通过所述目标动态行为属性确定所述目标交互行为汇总记录对应的目标行为识别情况，并结合所述目标行为识别情况对所述目标流式业务交互行为进行轨迹拟合得到全局轨迹拟合结果。
本申请实施例中，目标交互行为汇总记录对应的目标行为识别情况可以用于反映目标交互行为汇总记录中的业务交互行为之间的行为关联情况，比如不同业务交互行为之间的传递关系或者先后逻辑关系，亦或者不同业务交互行为之间互相影响情况，这样一来，在对目标流式业务交互行为进行轨迹拟合时，通过考虑不同业务交互行为之间的传递关系或者先后逻辑关系，亦或者不同业务交互行为之间互相影响情况，能够确保全局轨迹拟合结果与目标行为识别情况的高相关性，又由于目标行为识别情况是基于目标流式业务交互行为的目标交互行为汇总记录得到的，且目标流式业务交互行为存在时序连续性，因而可以有效结合不同交互行为在时序层面的关联性进行分析，确保拟合得到的全局轨迹拟合结果可以从实际业务层面反应用户的真实互动行为变化情况。
在一些优选的实施例中，上述步骤S24所描述的通过所述目标动态行为属性确定所述目标交互行为汇总记录对应的目标行为识别情况，并结合所述目标行为识别情况对所述目标流式业务交互行为进行轨迹拟合得到全局轨迹拟合结果，可以通过以下步骤S241和步骤S242所描述的内容实现。
步骤S241，对所述目标动态行为属性进行目标行为识别处理，得到所述目标交互行为汇总记录对应的目标行为识别情况。
本申请实施例中，所述目标行为识别情况用于指示所述目标交互行为汇总记录中的各个交互行为事件数据的目标类型，任一交互行为事件数据的目标类型用于指示所述任一交互行为事件数据属于所述目标流式业务交互行为或者所述任一交互行为事件数据不属于所述目标流式业务交互行为。
步骤S242，基于所述目标行为识别情况，在所述目标交互行为汇总记录中对所述目标流式业务交互行为进行轨迹拟合，得到所述目标流式业务交互行为在所述目标交互行为汇总记录中的全局轨迹拟合结果。
在一些可选的实施例中，在上述步骤S241所描述的得到所述目标交互行为汇总记录对应的目标行为识别情况之后，该方法还可以包括以下步骤S25所描述的内容。
步骤S25，调用目标决策网络，基于所述初始交互行为统计信息和所述目标行为识别情况，获取目标轨迹拟合评价度信息。
本申请实施例中，目标决策网络可以是决策树模型。决策树（Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。目标轨迹拟合评价度信息用于对轨迹拟合的质量和拟合成功的可能性进行评价。
可以理解，通过调用决策树模型，能够通过对所述初始交互行为统计信息和所述目标行为识别情况进行深度决策分析，从而尽可能精准地得到目标轨迹拟合评价度信息。
在一些示例中，所述目标决策网络可以包括顺次连接的至少一层行为更新子网络、至少一层轨迹拼接子网络和一层评价度生成子网络。基于此，上述步骤S25所描述的调用目标决策网络，基于所述初始交互行为统计信息和所述目标行为识别情况，获取目标轨迹拟合评价度信息，可以通过以下步骤S251-步骤S255所描述的实施方式实现。
步骤S251，将所述初始交互行为统计信息和所述目标行为识别情况输入所述目标决策网络中的第一层行为更新子网络进行处理，得到所述第一层行为更新子网络输出的决策属性。
步骤S252，从第二层行为更新子网络开始，将前一层行为更新子网络输出的决策属性输入后一层行为更新子网络进行处理，得到后一层行为更新子网络输出的决策属性。
步骤S253，将最后一层行为更新子网络输出的决策属性输入第一层轨迹拼接子网络进行处理，得到所述第一层轨迹拼接子网络输出的轨迹拼接属性。
步骤S254，从第二层轨迹拼接子网络开始，将前一层轨迹拼接子网络输出的轨迹拼接属性输入后一层轨迹拼接子网络进行处理，得到后一层轨迹拼接子网络输出的轨迹拼接属性。
步骤S255，将最后一层轨迹拼接子网络输出的轨迹拼接属性输入所述评价度生成子网络进行处理，得到所述评价度生成子网络输出的所述目标轨迹拟合评价度信息。
在上述步骤S251-步骤S255中，决策属性可以理解为轨迹拟合的决策结果对应的特征信息，轨迹拼接属性用于表征不同业务交互行为之间在进行轨迹拟合时的关联特征信息，由于决策属性和轨迹拼接属性之间具有相对性，因而通过多次确定决策属性和轨迹拼接属性，能够确保最后一层轨迹拼接子网络输出的轨迹拼接属性的抗干扰性，这样可以确保评价度生成子网络输出的目标轨迹拟合评价度信息的可信度。
在实际应用过程中，可以预先对目标行为识别网络进行训练。在一些可能的实施例中，在步骤S220所描述的调用目标行为识别网络之前，该方法还可以包括以下步骤A和步骤B所描述的内容。
步骤A，获取至少一个样本交互行为汇总记录、所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况。
步骤B，基于所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况对未训练的行为识别网络进行机器学习训练，得到所述目标行为识别网络。
如此设计，可以基于相关样本对行为识别网络进行训练，从而确保行为识别网络的模型性能。
在实际应用过程中，还可以通过其他方法预先对目标行为识别网络进行训练。在一些可能的实施例中，在步骤S220所描述的调用目标行为识别网络之前，该方法还可以包括以下步骤S11和步骤S12所描述的内容。
步骤S11，获取至少一个样本交互行为汇总记录、所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况。
步骤S12，基于所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况对未训练的行为识别网络和未训练的决策网络进行半监督训练，得到所述目标行为识别网络和所述目标决策网络。
可以理解，通过半监督训练，能够确保所述目标行为识别网络和所述目标决策网络之间的业务场景相关性，从而确保所述目标行为识别网络和所述目标决策网络在运行时的模型稳定性。
在一些可能的实施例中，上述步骤S12所描述的基于所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况对未训练的行为识别网络和未训练的决策网络进行半监督训练，得到所述目标行为识别网络和所述目标决策网络，可以通过以下步骤S121-步骤S129所描述的技术方案实现。
步骤S121，调用所述未训练的行为识别网络，基于所述至少一个样本交互行为汇总记录中的第一样本交互行为汇总记录对应的样本交互行为统计信息和所述第一样本交互行为汇总记录对应的样本轨迹拟合指示信息，获取所述第一样本交互行为汇总记录对应的行为识别预测情况。
步骤S122，调用所述未训练的决策网络，基于所述第一样本交互行为汇总记录对应的样本交互行为统计信息和所述第一样本交互行为汇总记录对应的行为识别预测情况，获取第一轨迹拟合评价度信息。
步骤S123，基于所述第一样本交互行为汇总记录对应的样本交互行为统计信息和所述第一样本交互行为汇总记录对应的真实行为识别情况，获取第二轨迹拟合评价度信息。
步骤S124，基于所述第一轨迹拟合评价度信息和所述第二轨迹拟合评价度信息，确定第一模型评价指标；基于所述第一模型评价指标调整所述未训练的决策网络的网络模型参数。
本申请实施例中，模型评价指标可以为损失函数，比如交叉熵损失。
步骤S125，响应于所述未训练的决策网络的网络模型参数的调整过程符合第一训练完成条件，得到第一决策网络。
步骤S126，调用所述未训练的行为识别网络，基于所述至少一个样本交互行为汇总记录中的第二样本交互行为汇总记录对应的样本交互行为统计信息和所述第二样本交互行为汇总记录对应的样本轨迹拟合指示信息，获取所述第二样本交互行为汇总记录对应的行为识别预测情况。
步骤S127，调用所述第一决策网络，基于所述第二样本交互行为汇总记录对应的样本交互行为统计信息和所述第二样本交互行为汇总记录对应的行为识别预测情况，获取第三轨迹拟合评价度信息。
步骤S128，基于所述第三轨迹拟合评价度信息、所述第二样本交互行为汇总记录对应的行为识别预测情况和所述第二样本交互行为汇总记录对应的真实行为识别情况，确定第二模型评价指标；基于所述第二模型评价指标调整所述未训练的行为识别网络的网络模型参数。
步骤S129，响应于所述未训练的行为识别网络的网络模型参数的调整过程符合第二训练完成条件，得到第一行为识别网络；响应于半监督训练过程不符合目标训练完成条件，继续对所述第一决策网络和所述第一行为识别网络进行半监督训练，直至半监督训练过程符合所述目标训练完成条件，得到所述目标决策网络和所述目标行为识别网络。
在上述步骤S121-步骤S129所描述的方案中，不同的训练完成条件对应的参数判断指标可以不同，具体判断数值可以根据实际情况进行调整和修改，本实施例不再一一列举。可以理解，通过上述内容，能够通过多次训练、预测、比较以及参数修改实现对所述目标决策网络和所述目标行为识别网络的半监督训练，从而确保所述目标决策网络和所述目标行为识别网络的模型稳定性和可用性。
在一些选择性的实施例中，所述目标交互行为汇总记录为初始交互行为汇总记录中与所述目标流式业务交互行为对应的原始的局部交互行为汇总记录。基于此，在步骤S242所描述的基于所述目标行为识别情况，在所述目标交互行为汇总记录中对所述目标流式业务交互行为进行轨迹拟合，得到所述目标流式业务交互行为在所述目标交互行为汇总记录中的全局轨迹拟合结果之后，该方法还可以包括以下步骤S31-步骤S33所描述的内容。
步骤S31，响应于所述目标流式业务交互行为在所述目标交互行为汇总记录中的全局轨迹拟合结果不符合轨迹拟合完成条件，基于所述目标流式业务交互行为在所述目标交互行为汇总记录中的全局轨迹拟合结果，在所述初始交互行为汇总记录中获取与所述目标流式业务交互行为对应的下一组局部交互行为汇总记录。
本申请实施例中，轨迹拟合完成条件可以用于评判全局轨迹拟合结果是否满足预设的使用条件，比如后续的用户画像挖掘条件或者行为安全检测条件等。
步骤S32，获取所述目标流式业务交互行为在所述下一组局部交互行为汇总记录中的全局轨迹拟合结果。
步骤S33，响应于所述目标流式业务交互行为在所述下一组局部交互行为汇总记录中的全局轨迹拟合结果符合所述轨迹拟合完成条件，基于已获取的所述目标流式业务交互行为在各个局部交互行为汇总记录中的全局轨迹拟合结果，获取所述目标流式业务交互行为在所述初始交互行为汇总记录中的全局轨迹拟合结果。
可以理解，通过实施上述步骤S31-步骤S33，能够通过轨迹拟合完成条件对所述目标流式业务交互行为在所述下一组局部交互行为汇总记录中的全局轨迹拟合结果进行判断，从而确保全局轨迹拟合结果的可用性，以保证全局轨迹拟合结果满足预设的使用条件，进而用于后续的用户画像挖掘分析或者行为安全检测分析等。
在一些选择性的实施例中，所述目标流式业务交互行为可以为目标交互行为列表，所述目标交互行为汇总记录从包含所述目标交互行为列表的连续交互行为汇总记录中获取得到。
在一些选择性的实施例中，所述任一交互行为事件数据的目标类型用于指示所述任一交互行为事件数据属于所述目标交互行为列表或者所述任一交互行为事件数据不属于所述目标交互行为列表。基于此，步骤S242所描述的基于所述目标行为识别情况，在所述目标交互行为汇总记录中对所述目标流式业务交互行为进行轨迹拟合，得到所述目标流式业务交互行为在所述目标交互行为汇总记录中的全局轨迹拟合结果，可以包括以下步骤S2421-步骤S2423所描述的内容。
步骤S2421，基于所述目标行为识别情况，在所述目标交互行为汇总记录中的各个交互行为事件数据中确定属于所述目标交互行为列表的目标交互行为事件数据。
步骤S2422，基于所述目标交互行为事件数据，在所述目标交互行为汇总记录中定位出所述目标交互行为列表的交互行为场景信息以及所述目标交互行为列表的交互行为场景信息之间的场景关联关系，得到目标场景定位情况。
步骤S2423，基于所述目标场景定位情况，获取所述目标交互行为列表在所述目标交互行为汇总记录中的全局轨迹拟合结果。
在上述步骤S2421-步骤S2423所描述的内容中，交互行为事件数据用于记录不同的交互行为事件，场景关联关系用于对交互行为事件数据进行场景定位，相应的目标场景定位情况用于表征不同业务交互行为和不同交互行为场景信息之间的匹配程度信息，如此设计，可以结合目标场景定位情况确定全局轨迹拟合结果，从而确保全局轨迹拟合结果能够与实际业务场景相匹配，提高全局轨迹拟合结果的可信度。
基于上述同样的发明构思，请结合参阅图3，应用于人工智能和云计算的业务行为处理装置20，可以包括以下功能模块：
信息获取模块21，获取目标流式业务交互行为对应的目标交互行为汇总记录、所述目标交互行为汇总记录对应的初始交互行为统计信息以及所述目标交互行为汇总记录对应的轨迹拟合指示信息；
信息识别模块22，用于基于目标行为识别网络、所述初始交互行为统计信息和所述轨迹拟合指示信息，得到行为轨迹标签信息；
属性提取模块23，用于依据所述行为轨迹标签信息进行多次行为属性提取处理，得到目标动态行为属性；
轨迹拟合模块24，用于通过所述目标动态行为属性确定所述目标交互行为汇总记录对应的目标行为识别情况，并结合所述目标行为识别情况对所述目标流式业务交互行为进行轨迹拟合得到全局轨迹拟合结果。
基于上述同样的发明构思，请结合参阅图4，提供了一种应用于人工智能和云计算的业务行为处理系统，包括互相之间通信的业务行为处理服务器10和用户业务端30，业务行为处理服务器10获取用户业务端30的目标流式业务交互行为对应的目标交互行为汇总记录、所述目标交互行为汇总记录对应的初始交互行为统计信息以及所述目标交互行为汇总记录对应的轨迹拟合指示信息；基于目标行为识别网络、所述初始交互行为统计信息和所述轨迹拟合指示信息，得到行为轨迹标签信息；依据所述行为轨迹标签信息进行多次行为属性提取处理，得到目标动态行为属性；通过所述目标动态行为属性确定所述目标交互行为汇总记录对应的目标行为识别情况，并结合所述目标行为识别情况对所述目标流式业务交互行为进行轨迹拟合得到全局轨迹拟合结果。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，业务行为处理服务器10，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种应用于人工智能和云计算的业务行为处理方法，其特征在于，所述方法包括：
获取目标流式业务交互行为对应的目标交互行为汇总记录、所述目标交互行为汇总记录对应的初始交互行为统计信息以及所述目标交互行为汇总记录对应的轨迹拟合指示信息；
基于目标行为识别网络、所述初始交互行为统计信息和所述轨迹拟合指示信息，得到行为轨迹标签信息；
依据所述行为轨迹标签信息进行多次行为属性提取处理，得到目标动态行为属性；
通过所述目标动态行为属性确定所述目标交互行为汇总记录对应的目标行为识别情况，并结合所述目标行为识别情况对所述目标流式业务交互行为进行轨迹拟合得到全局轨迹拟合结果。
2.根据权利要求1所述的方法，其特征在于，所述轨迹拟合指示信息基于所述目标流式业务交互行为在所述目标交互行为汇总记录中的局部轨迹拟合结果确定；
所述基于目标行为识别网络、所述初始交互行为统计信息和所述轨迹拟合指示信息，得到行为轨迹标签信息，包括：
调用目标行为识别网络，将所述初始交互行为统计信息和所述轨迹拟合指示信息输入所述目标行为识别网络，得到所述初始交互行为统计信息和所述轨迹拟合指示信息的行为轨迹标签信息；
所述依据所述行为轨迹标签信息进行多次行为属性提取处理，得到目标动态行为属性，包括：
基于所述行为轨迹标签信息，依次执行第一设定数量次静态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标静态行为属性；基于所述目标静态行为属性对应的目标行为更新内容，依次执行所述第一设定数量次动态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标动态行为属性。
3.根据权利要求2所述的方法，其特征在于，所述通过所述目标动态行为属性确定所述目标交互行为汇总记录对应的目标行为识别情况，并结合所述目标行为识别情况对所述目标流式业务交互行为进行轨迹拟合得到全局轨迹拟合结果，包括：
对所述目标动态行为属性进行目标行为识别处理，得到所述目标交互行为汇总记录对应的目标行为识别情况，所述目标行为识别情况用于指示所述目标交互行为汇总记录中的各个交互行为事件数据的目标类型，任一交互行为事件数据的目标类型用于指示所述任一交互行为事件数据属于所述目标流式业务交互行为或者所述任一交互行为事件数据不属于所述目标流式业务交互行为；
基于所述目标行为识别情况，在所述目标交互行为汇总记录中对所述目标流式业务交互行为进行轨迹拟合，得到所述目标流式业务交互行为在所述目标交互行为汇总记录中的全局轨迹拟合结果。
4.根据权利要求3所述的方法，其特征在于，所述第一设定数量次为三次，任一次静态行为属性提取处理包括一次行为识别处理和一次噪声过滤处理；所述基于所述行为轨迹标签信息，依次执行第一设定数量次静态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标静态行为属性，包括：
对所述行为轨迹标签信息进行第一行为识别处理，得到所述目标交互行为汇总记录对应的第一行为更新内容；对所述第一行为更新内容进行第一噪声过滤处理，得到所述目标交互行为汇总记录对应的第一噪声过滤属性；
对所述第一噪声过滤属性进行第二行为识别处理，得到所述目标交互行为汇总记录对应的第二行为更新内容；对所述第二行为更新内容进行第二噪声过滤处理，得到所述目标交互行为汇总记录对应的第二噪声过滤属性；
对所述第二噪声过滤属性进行第三行为识别处理，得到所述目标交互行为汇总记录对应的第三行为更新内容；对所述第三行为更新内容进行第三噪声过滤处理，得到所述目标交互行为汇总记录对应的目标静态行为属性。
5.根据权利要求4所述的方法，其特征在于，任一次动态行为属性提取处理包括一次场景识别处理和一次行为识别处理；所述基于所述目标静态行为属性对应的目标行为更新内容，依次执行所述第一设定数量次动态行为属性提取处理，得到所述目标交互行为汇总记录对应的目标动态行为属性，包括：
对所述目标静态行为属性对应的目标行为更新内容进行第一场景识别处理，得到所述目标交互行为汇总记录对应的第一动态场景时序属性；对所述第一动态场景时序属性和所述第三行为更新内容的行为内容分布属性进行第四行为识别处理，得到所述目标交互行为汇总记录对应的第四行为更新内容；
对所述第四行为更新内容进行第二场景识别处理，得到所述目标交互行为汇总记录对应的第二动态场景时序属性；对所述第二动态场景时序属性和所述第二行为更新内容的行为内容分布属性进行第五行为识别处理，得到所述目标交互行为汇总记录对应的第五行为更新内容；
对所述第五行为更新内容进行第三场景识别处理，得到所述目标交互行为汇总记录对应的第三动态场景时序属性；对所述第三动态场景时序属性和所述第一行为更新内容的行为内容分布属性进行第六行为识别处理，得到所述目标交互行为汇总记录对应的目标动态行为属性。
6.根据权利要求3-5任一所述的方法，其特征在于，所述得到所述目标交互行为汇总记录对应的目标行为识别情况之后，所述方法还包括：
调用目标决策网络，基于所述初始交互行为统计信息和所述目标行为识别情况，获取目标轨迹拟合评价度信息。
7.根据权利要求6所述的方法，其特征在于，所述目标决策网络包括顺次连接的至少一层行为更新子网络、至少一层轨迹拼接子网络和一层评价度生成子网络；所述调用目标决策网络，基于所述初始交互行为统计信息和所述目标行为识别情况，获取目标轨迹拟合评价度信息，包括：
将所述初始交互行为统计信息和所述目标行为识别情况输入所述目标决策网络中的第一层行为更新子网络进行处理，得到所述第一层行为更新子网络输出的决策属性；
从第二层行为更新子网络开始，将前一层行为更新子网络输出的决策属性输入后一层行为更新子网络进行处理，得到后一层行为更新子网络输出的决策属性；
将最后一层行为更新子网络输出的决策属性输入第一层轨迹拼接子网络进行处理，得到所述第一层轨迹拼接子网络输出的轨迹拼接属性；
从第二层轨迹拼接子网络开始，将前一层轨迹拼接子网络输出的轨迹拼接属性输入后一层轨迹拼接子网络进行处理，得到后一层轨迹拼接子网络输出的轨迹拼接属性；
将最后一层轨迹拼接子网络输出的轨迹拼接属性输入所述评价度生成子网络进行处理，得到所述评价度生成子网络输出的所述目标轨迹拟合评价度信息。
8.根据权利要求3-5任一所述的方法，其特征在于，所述调用目标行为识别网络之前，所述方法还包括：
获取至少一个样本交互行为汇总记录、所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况；
基于所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况对未训练的行为识别网络进行机器学习训练，得到所述目标行为识别网络。
9.根据权利要求6所述的方法，其特征在于，所述调用目标行为识别网络之前，所述方法还包括：
获取至少一个样本交互行为汇总记录、所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况；
基于所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况对未训练的行为识别网络和未训练的决策网络进行半监督训练，得到所述目标行为识别网络和所述目标决策网络；
相应的，所述基于所述至少一个样本交互行为汇总记录分别对应的样本交互行为统计信息、所述至少一个样本交互行为汇总记录分别对应的样本轨迹拟合指示信息以及所述至少一个样本交互行为汇总记录分别对应的真实行为识别情况对未训练的行为识别网络和未训练的决策网络进行半监督训练，得到所述目标行为识别网络和所述目标决策网络，包括：
调用所述未训练的行为识别网络，基于所述至少一个样本交互行为汇总记录中的第一样本交互行为汇总记录对应的样本交互行为统计信息和所述第一样本交互行为汇总记录对应的样本轨迹拟合指示信息，获取所述第一样本交互行为汇总记录对应的行为识别预测情况；
调用所述未训练的决策网络，基于所述第一样本交互行为汇总记录对应的样本交互行为统计信息和所述第一样本交互行为汇总记录对应的行为识别预测情况，获取第一轨迹拟合评价度信息；
基于所述第一样本交互行为汇总记录对应的样本交互行为统计信息和所述第一样本交互行为汇总记录对应的真实行为识别情况，获取第二轨迹拟合评价度信息；
基于所述第一轨迹拟合评价度信息和所述第二轨迹拟合评价度信息，确定第一模型评价指标；基于所述第一模型评价指标调整所述未训练的决策网络的网络模型参数；
响应于所述未训练的决策网络的网络模型参数的调整过程符合第一训练完成条件，得到第一决策网络；
调用所述未训练的行为识别网络，基于所述至少一个样本交互行为汇总记录中的第二样本交互行为汇总记录对应的样本交互行为统计信息和所述第二样本交互行为汇总记录对应的样本轨迹拟合指示信息，获取所述第二样本交互行为汇总记录对应的行为识别预测情况；
调用所述第一决策网络，基于所述第二样本交互行为汇总记录对应的样本交互行为统计信息和所述第二样本交互行为汇总记录对应的行为识别预测情况，获取第三轨迹拟合评价度信息；
基于所述第三轨迹拟合评价度信息、所述第二样本交互行为汇总记录对应的行为识别预测情况和所述第二样本交互行为汇总记录对应的真实行为识别情况，确定第二模型评价指标；基于所述第二模型评价指标调整所述未训练的行为识别网络的网络模型参数；
响应于所述未训练的行为识别网络的网络模型参数的调整过程符合第二训练完成条件，得到第一行为识别网络；
响应于半监督训练过程不符合目标训练完成条件，继续对所述第一决策网络和所述第一行为识别网络进行半监督训练，直至半监督训练过程符合所述目标训练完成条件，得到所述目标决策网络和所述目标行为识别网络。
10.一种业务行为处理服务器，其特征在于，包括处理器、通信总线和存储器；所述处理器和所述存储器通过所述通信总线通信，所述处理器从所述存储器中读取计算机程序并运行，以执行权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110354720.8A CN113032236B (zh) | 2021-04-01 | 2021-04-01 | 应用于人工智能和云计算的业务行为处理方法及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110354720.8A CN113032236B (zh) | 2021-04-01 | 2021-04-01 | 应用于人工智能和云计算的业务行为处理方法及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113032236A true CN113032236A (zh) | 2021-06-25 |
| CN113032236B CN113032236B (zh) | 2021-12-21 |
Family
ID=76453518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110354720.8A Active CN113032236B (zh) | 2021-04-01 | 2021-04-01 | 应用于人工智能和云计算的业务行为处理方法及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113032236B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090276705A1 (en) * | 2008-05-05 | 2009-11-05 | Matsushita Electric Industrial Co., Ltd. | System architecture and process for assessing multi-perspective multi-context abnormal behavior |
| US20120237081A1 (en) * | 2011-03-16 | 2012-09-20 | International Business Machines Corporation | Anomalous pattern discovery |
| CN103052022A (zh) * | 2011-10-17 | 2013-04-17 | 中国移动通信集团公司 | 基于移动行为的用户稳定点发现方法和系统 |
| CN111563190A (zh) * | 2020-04-07 | 2020-08-21 | 中国电子科技集团公司第二十九研究所 | 一种区域网络用户行为的多维度分析与监管方法及系统 |
| CN111984383A (zh) * | 2020-08-18 | 2020-11-24 | 薛东 | 基于云网融合和人工智能的业务数据处理方法及云端平台 |
-
2021
- 2021-04-01 CN CN202110354720.8A patent/CN113032236B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090276705A1 (en) * | 2008-05-05 | 2009-11-05 | Matsushita Electric Industrial Co., Ltd. | System architecture and process for assessing multi-perspective multi-context abnormal behavior |
| US20120237081A1 (en) * | 2011-03-16 | 2012-09-20 | International Business Machines Corporation | Anomalous pattern discovery |
| CN103052022A (zh) * | 2011-10-17 | 2013-04-17 | 中国移动通信集团公司 | 基于移动行为的用户稳定点发现方法和系统 |
| CN111563190A (zh) * | 2020-04-07 | 2020-08-21 | 中国电子科技集团公司第二十九研究所 | 一种区域网络用户行为的多维度分析与监管方法及系统 |
| CN111984383A (zh) * | 2020-08-18 | 2020-11-24 | 薛东 | 基于云网融合和人工智能的业务数据处理方法及云端平台 |
Non-Patent Citations (1)
| Title |
|---|
| 杨兴东: "基于B-Spline曲线的流式大数据事件模板构建及匹配方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113032236B (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112464084B (zh) | 基于大数据定位和人工智能的业务优化方法及云计算中心 | |
| CN111540466B (zh) | 基于大数据的智慧医疗信息推送方法及大数据医疗云平台 | |
| CN113051543B (zh) | 在大数据环境下的云服务安全校验方法及云服务系统 | |
| CN112184872A (zh) | 基于大数据和云计算的游戏渲染优化方法及云端计算中心 | |
| CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
| CN111338581B (zh) | 基于云计算的数据存储方法、装置、云服务器及系统 | |
| KR20220085739A (ko) | 인공지능 데이터 증강 방법 및 장치 | |
| CN114494935B (zh) | 视频信息的处理方法、装置、电子设备和介质 | |
| CN115048370A (zh) | 用于大数据清洗的人工智能处理方法及大数据清洗系统 | |
| CN114328277A (zh) | 一种软件缺陷预测和质量分析方法、装置、设备及介质 | |
| CN115729796A (zh) | 基于人工智能的异常操作分析方法及大数据应用系统 | |
| CN109783626A (zh) | 问题生成方法、智能问答系统、介质以及计算机系统 | |
| CN113434857A (zh) | 一种应用深度学习的用户行为安全解析方法及系统 | |
| CN113032236B (zh) | 应用于人工智能和云计算的业务行为处理方法及服务器 | |
| CN113811897B (zh) | 神经网络模型的推理方法、装置、计算机设备和存储介质 | |
| CN112486969A (zh) | 应用于大数据和深度学习的数据清洗方法及云服务器 | |
| CN113077285A (zh) | 基于区块链和人工智能的信息反馈方法及系统 | |
| CN111046262A (zh) | 一种数据标注方法、装置及计算机存储介质 | |
| CN116484881A (zh) | 对话生成模型的训练方法、装置、存储介质及计算机设备 | |
| CN112801156B (zh) | 用于人工智能机器学习的业务大数据采集方法及服务器 | |
| CN113672514A (zh) | 测试方法、装置、服务器及存储介质 | |
| CN114462417A (zh) | 一种应用于大数据的评论文本处理方法及存储介质 | |
| 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 | |
| CN107025615B (zh) | 一种基于学习跟踪模型的学习情况统计方法 | |
| CN111428886A (zh) | 一种故障诊断的深度学习模型自适应更新的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yuan Daohong Inventor after: Guo Hongtong Inventor after: Zhao Qi Inventor before: Guo Hongtong Inventor before: Zhao Qi |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211203 Address after: 464000 Nongfu Pu Zi digital economy industrial park, Gushi County, Xinyang City, Henan Province Applicant after: Nongfu shop Development Group Co.,Ltd. Address before: C15, entrepreneurial base of Harbin Institute of technology, No.73, Huanghe Road, Nangang District, Harbin City, Heilongjiang Province Applicant before: Guo Hongtong |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |