发明内容
为了至少克服现有技术中的上述不足,本公开的目的在于提供一种基于人工智能的大数据处理方法、系统及云平台,通过将业务轨迹信息用于第一业务操作兴趣度确定,并在进行第二业务操作兴趣度的确定时共享对应同样特征的业务兴趣项目特征,减少了不同阶段业务操作兴趣度的确定过程中所需要进行数次处理的时间成本,通过多个阶段的业务操作兴趣度确定的方式,相比于对大数据量级别进行一次性进行业务操作兴趣度的确定,进而提高数据处理效率,且基于业务兴趣项目特征进一步确定第二业务操作兴趣度可以进一步提高确定业务操作兴趣度的精度,从而基于第一业务操作兴趣度和第二业务操作兴趣度能够对业务服务逻辑分区进行全面的排序,并以此进行后续的业务展示信息的配置,保证了业务展示信息与用户兴趣的匹配度。
第一方面,本公开提供一种基于人工智能的大数据处理方法,应用于大数据云平台,所述大数据云平台与多个智慧业务终端通信连接,所述方法包括:
基于所述智慧业务终端在访问各个智慧云端业务时生成的第一智慧云端业务大数据中每个业务服务逻辑分区的多个业务轨迹信息,确定对应的第一业务操作兴趣度,并从所述第一业务操作兴趣度的降序排列信息中选取预设数量的多个业务服务逻辑分区,以形成第二智慧云端业务大数据;
对所述第二智慧云端业务大数据中每个业务服务逻辑分区的多个业务轨迹信息进行特征提取,得到对应所述每个业务服务逻辑分区的多个业务兴趣项目特征;
基于所述第二智慧云端业务大数据中每个业务服务逻辑分区的多个业务兴趣项目特征,确定对应的第二业务操作兴趣度;
基于所述第二智慧云端业务大数据中每个业务服务逻辑分区的第二业务操作兴趣度的降序排列信息,分别执行每个业务服务逻辑分区的业务展示信息的业务展示更新操作。
第二方面,本公开实施例还提供一种基于人工智能的大数据处理装置,应用于大数据云平台,所述大数据云平台与多个智慧业务终端通信连接,所述装置包括:
第一确定模块,用于基于所述智慧业务终端在访问各个智慧云端业务时生成的第一智慧云端业务大数据中每个业务服务逻辑分区的多个业务轨迹信息,确定对应的第一业务操作兴趣度,并从所述第一业务操作兴趣度的降序排列信息中选取预设数量的多个业务服务逻辑分区,以形成第二智慧云端业务大数据;
特征提取模块,用于对所述第二智慧云端业务大数据中每个业务服务逻辑分区的多个业务轨迹信息进行特征提取,得到对应所述每个业务服务逻辑分区的多个业务兴趣项目特征;
第二确定模块,用于基于所述第二智慧云端业务大数据中每个业务服务逻辑分区的多个业务兴趣项目特征,确定对应的第二业务操作兴趣度;
业务展示优先级配置模块,用于基于所述第二智慧云端业务大数据中每个业务服务逻辑分区的第二业务操作兴趣度的降序排列信息,分别执行每个业务服务逻辑分区的业务展示信息的业务展示更新操作。
第三方面,本公开实施例还提供一种基于人工智能的大数据处理系统,所述基于人工智能的大数据处理系统包括大数据云平台以及与所述大数据云平台通信连接的多个智慧业务终端;
所述大数据云平台用于基于所述智慧业务终端在访问各个智慧云端业务时生成的第一智慧云端业务大数据中每个业务服务逻辑分区的多个业务轨迹信息,确定对应的第一业务操作兴趣度,并从所述第一业务操作兴趣度的降序排列信息中选取预设数量的多个业务服务逻辑分区,以形成第二智慧云端业务大数据;
所述大数据云平台用于对所述第二智慧云端业务大数据中每个业务服务逻辑分区的多个业务轨迹信息进行特征提取,得到对应所述每个业务服务逻辑分区的多个业务兴趣项目特征;
所述大数据云平台用于基于所述第二智慧云端业务大数据中每个业务服务逻辑分区的多个业务兴趣项目特征,确定对应的第二业务操作兴趣度;
所述大数据云平台用于基于所述第二智慧云端业务大数据中每个业务服务逻辑分区的第二业务操作兴趣度的降序排列信息,分别执行每个业务服务逻辑分区的业务展示信息的业务展示更新操作。
第四方面,本公开实施例还提供一种大数据云平台,所述大数据云平台包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连,所述网络接口用于与至少一个智慧业务终端通信连接,所述机器可读存储介质用于存储机器可执行指令,所述处理器用于执行所述机器可读存储介质中的机器可执行指令,以执行第一方面或者第一方面中任意一个可能的设计中的基于人工智能的大数据处理方法。
第五方面,本公开实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其被执行时,使得计算机执行上述第一方面或者第一方面中任意一个可能的设计中的基于人工智能的大数据处理方法。
基于上述任意一个方面,本公开通过将业务轨迹信息用于第一业务操作兴趣度确定,并在进行第二业务操作兴趣度的确定时共享对应同样特征的业务兴趣项目特征,减少了不同阶段业务操作兴趣度的确定过程中所需要进行数次处理的时间成本,通过多个阶段的业务操作兴趣度确定的方式,相比于对大数据量级别进行一次性进行业务操作兴趣度的确定,进而提高数据处理效率,且基于业务兴趣项目特征进一步确定第二业务操作兴趣度可以进一步提高确定业务操作兴趣度的精度,从而基于第一业务操作兴趣度和第二业务操作兴趣度能够对业务服务逻辑分区进行全面的排序,并以此进行后续的业务展示信息的配置,保证了业务展示信息与用户兴趣的匹配度。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。
图1是本公开一种实施例提供的基于人工智能的大数据处理系统10的交互示意图。基于人工智能的大数据处理系统10可以包括大数据云平台100以及与所述大数据云平台100通信连接的智慧业务终端200。图1所示的基于人工智能的大数据处理系统10仅为一种可行的示例,在其它可行的实施例中,该基于人工智能的大数据处理系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中,基于人工智能的大数据处理系统10中的物联网云大数据云平台100和智慧业务终端200可以通过配合执行以下方法实施例所描述的基于人工智能的大数据处理方法,具体大数据云平台100和智慧业务终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题,图2为本公开实施例提供的基于人工智能的大数据处理方法的流程示意图,本实施例提供的基于人工智能的大数据处理方法可以由图1中所示的大数据云平台100执行,下面对该基于人工智能的大数据处理方法进行详细介绍。
步骤S110,基于智慧业务终端在访问各个智慧云端业务时生成的第一智慧云端业务大数据中每个业务服务逻辑分区的多个业务轨迹信息,确定对应的第一业务操作兴趣度,并从第一业务操作兴趣度的降序排列信息中选取预设数量的多个业务服务逻辑分区,以形成第二智慧云端业务大数据。
步骤S120,对第二智慧云端业务大数据中每个业务服务逻辑分区的多个业务轨迹信息进行特征提取,得到对应每个业务服务逻辑分区的多个业务兴趣项目特征。
步骤S130,基于第二智慧云端业务大数据中每个业务服务逻辑分区的多个业务兴趣项目特征,确定对应的第二业务操作兴趣度。
步骤S140,基于第二智慧云端业务大数据中每个业务服务逻辑分区的第二业务操作兴趣度的降序排列信息,分别执行每个业务服务逻辑分区的业务展示信息的业务展示更新操作。
本实施例中,智慧业务终端200在访问各个智慧云端业务时,当发现除检测到用户操作行为时,可以生成第一智慧云端业务大数据中每个业务服务逻辑分区的多个业务轨迹信息。
其中,业务服务逻辑分区可以是指可能产生业务互动意图的目标业务目标所针对的业务分区,业务轨迹信息可以用于表征产生业务互动意图时的业务流程发起的业务流程进展信息。业务操作兴趣度可以用于表示在产生业务互动意图时的业务轨迹信息可以转换到具体的业务流程发起兴趣标记的概率。业务兴趣项目特征可以用于表示产生业务互动意图时的业务流程进展信息以一预设图网络为表征特征的特征向量。
本实施例中,在步骤S140中,可以基于第二智慧云端业务大数据中每个业务服务逻辑分区的第二业务操作兴趣度的降序排列信息,分别执行每个业务服务逻辑分区的业务展示信息的业务展示更新操作,这样每个业务服务逻辑分区的业务展示信息的业务展示优先级可以按照第二业务操作兴趣度的由高到低的顺序进行依次配置,由此在之后的业务展示过程中可以以业务操作兴趣度更高的业务服务逻辑分区进行优先业务展示,从而可以保证业务展示信息与用户兴趣的匹配度。
基于上述步骤,本实施例通过将业务轨迹信息用于第一业务操作兴趣度确定,并在进行第二业务操作兴趣度的确定时共享对应同样特征的业务兴趣项目特征,减少了不同阶段业务操作兴趣度的确定过程中所需要进行数次处理的时间成本,通过多个阶段的业务操作兴趣度确定的方式,相比于对大数据量级别进行一次性进行业务操作兴趣度的确定,进而提高数据处理效率,且基于业务兴趣项目特征进一步确定第二业务操作兴趣度可以进一步提高确定业务操作兴趣度的精度,从而基于第一业务操作兴趣度和第二业务操作兴趣度能够对业务服务逻辑分区进行全面的排序,并以此进行后续的业务展示信息的配置,保证了业务展示信息与用户兴趣的匹配度。
一种实施例中,针对步骤S110,第一智慧云端业务大数据通过以下方式获得:
子步骤S111,获取智慧业务终端在访问智慧云端业务时解析到的业务互动通道在业务有效时序范围内每个互动流程的业务互动统计数据。
子步骤S112,根据每个互动流程的业务互动统计数据确定与业务互动通道对应的每个关键互动目标,对于每个关键互动目标,从剩余的互动流程的业务互动统计数据中分别确定与当前关键互动目标存在共享关系的目标关键互动目标。
子步骤S113,对当前关键互动目标进行互动行为追溯,并对目标关键互动目标进行互动行为追溯,分别得到当前关键互动目标的第一互动行为追溯信息和目标关键互动目标的第二互动行为追溯信息。
子步骤S114,根据第一互动行为追溯信息和第二互动行为追溯信息生成每个当前关键互动目标与对应的目标关键互动目标的互动关联特征信息。
子步骤S115,根据互动关联特征信息分别对每个当前关键互动目标与对应的目标关键互动目标进行解析,并将解析到的互动关联数据片段按照时序排列的方式进行拼接后,得到多个拼接互动关联数据片段集,并基于机器学习网络对每个拼接互动关联数据片段集进行生成业务互动通道的业务分类信息。
子步骤S116,根据业务分类信息所对应的业务分类类别属性获取对应的业务服务逻辑分区下的业务大数据,作为第一智慧云端业务大数据。
本实施例中,智慧业务终端200可以在各种数字货币交易业务被启用之后,在访问智慧云端业务时,当发现除预设交易行为之外的其余的兴趣识别行为时,可以采集业务互动通道在业务有效时序范围内每个互动流程的业务互动统计数据。其中,业务互动通道可以是指智慧业务终端200预先配置的业务互动流程所指定的数据区域,互动流程区间可以根据不同的业务需求进行灵活设置,对于此不作具体限制。每个互动流程可以用于针对互动操作过程中的不同互动操作参数进行发起,具体可根据实际的业务应用场景进行灵活设计,在此不作具体限制。
本实施例中,关键互动目标可以理解为可能进行后续兴趣识别的追踪对象。
本实施例中,第一互动行为追溯信息和第二互动行为追溯信息分别包括各自对应的互动流程片段的知识图谱,互动流程片段可以分别为各自对应的互动调用控件(例如兴趣识别跟踪业务等)所关联的多个预设的流程实例,例如互动流程片段下的不同服务类别的兴趣识别跟踪形式。
基于上述设计,本实施例通过确定出每个互动流程的每个关键互动目标以及与当前关键互动目标存在共享关系的目标关键互动目标,因而可以基于关键互动目标和目标关键互动目标的关联关系进行互动行为追溯后,通过机器学习网络进行兴趣识别,从而可以能够提高业务互动通道在业务有效时序范围内的互动流程片段上的业务互动意图的决策精度,提高兴趣识别的准确性。
一种实施例中,针对步骤S112,为了提高每个关键互动目标在确定过程中的准确性,减少解析误差,本实施例进一步考虑到兴趣识别跟踪过程中可能产生的跳转路径的行为,例如可以通过以下示例性的子步骤来实现,具体描述如下。
子步骤S1121,根据每个互动流程的业务互动统计数据,确定包含有业务互动通道的互动操作特性信息的互动操作跳转路径清单,并在互动操作跳转路径清单中确定具有第一互动调用控件的第一跳转路径清单,和具有第二互动调用控件的第二跳转路径清单。
例如,第一互动调用控件可以用于表示互动操作等级大于第一优先级所对应的互动调用控件,第二互动调用控件可以用于表示互动操作等级小于第二优先级所对应的互动调用控件。
值得说明的是,第一优先级和第二优先级可以相同,也可以不同,具体可以灵活设置,当第一优先级和第二优先级不以相同时,那么第二优先级小于第一优先级。
子步骤S1122,在与业务互动通道的交易共识匹配对象相对应的互动操作跳转路径清单的互动调用控件中,确定交易共识匹配对象关键节点的互动调用控件。
子步骤S1123,获取第一跳转路径清单上的第一跳转路径节点的统计数量,以及第二跳转路径清单上的第二跳转路径节点的统计数量。
若第一跳转路径节点的统计数量和第二跳转路径节点的统计数量都大于或等于预设数量,则将第一跳转路径节点的统计数量与第二跳转路径节点的统计数量进行比较,若第一跳转路径节点的统计数量大于第二跳转路径节点的统计数量,则将第一跳转路径节点作为候选兴趣识别跳转目标。
再例如,若第二跳转路径节点的统计数量大于第一跳转路径节点的统计数量,则将第二跳转路径节点作为候选兴趣识别跳转目标。
再例如,若第一跳转路径节点的统计数量等于第二跳转路径节点的统计数量,则将第一跳转路径节点或者第二跳转路径节点作为候选兴趣识别跳转目标。
子步骤S1124,将匹配各候选兴趣识别跳转目标且与交易共识匹配对象关键节点的互动调用控件匹配的区域,确定为待定关键互动目标,根据确定的待定关键互动目标,将互动操作跳转路径清单切分为多个兴趣识别分割行为序列,并根据各兴趣识别分割行为序列的兴趣识别区间与设定区间之间的关系,将满足条件的待定关键互动目标确定为业务互动通道对应的关键互动目标。
例如,在一种可能的示例中,各兴趣识别分割行为序列的兴趣识别区间处于设定区间时,可以确定待定关键互动目标满足条件,否则确定待定关键互动目标不满足条件。
譬如,一种实施例中,针对步骤S114,可以通过以下示例性的子步骤来实现,详细描述如下。
子步骤S1141,获取第一互动行为追溯信息和第二互动行为追溯信息各自对应的互动流程片段的知识图谱之间的共享知识图谱的知识库网络以及各流程参考知识点序列。
子步骤S1142,在根据知识库网络确定出共享知识图谱中包含有目标知识库索引信息的情况下,根据共享知识图谱在目标知识库索引信息下的流程参考知识点序列确定共享知识图谱在设定目标知识库索引信息下的各流程参考知识点序列与共享知识图谱在目标知识库索引信息下的各流程参考知识点序列之间的知识点联动信息,并将共享知识图谱在设定目标知识库索引信息下的与在目标知识库索引信息下的流程参考知识点序列的图谱范围差异相同的流程参考知识点序列添加到相应的目标知识库索引信息下。
其中,值得说明的是,上述的目标知识库索引信息可以表示知识库网络采用预设知识配置区间时的知识库索引信息。
子步骤S1143,在共享知识图谱的当前设定目标知识库索引信息下包含有多个流程参考知识点序列的情况下,根据共享知识图谱在目标知识库索引信息下的流程参考知识点序列确定共享知识图谱在当前设定目标知识库索引信息下的各流程参考知识点序列之间的知识点联动信息,并根据各流程参考知识点序列之间的知识点联动信息对当前设定目标知识库索引信息下的各流程参考知识点序列进行筛选。
子步骤S1144,根据共享知识图谱在目标知识库索引信息下的流程参考知识点序列为上述筛选得到的每一个流程参考知识点序列设置目标知识库索引信息的标签,并将每一个流程参考知识点序列添加到目标知识库索引信息下。
子步骤S1145,根据设定目标知识库索引信息下的第一流程参考知识点序列、目标知识库索引信息下的第二流程参考知识点序列、第一互动行为追溯信息的第一流程记录参数以及第二互动行为追溯信息的第二流程记录参数,确定第一互动行为追溯信息和第二互动行为追溯信息各自对应的第一互动关联数据片段集和第二互动关联数据片段集。
其中,值得说明的是,第一互动关联数据片段集包括第一互动行为追溯信息在共享知识图谱的图谱范围差异内针对第二互动行为追溯信息的追溯位图,第二互动关联数据片段集包括第二互动行为追溯信息在共享知识图谱的图谱范围差异内针对第一互动行为追溯信息所对应的追溯位图的位图节点,第一流程记录参数和第二流程记录参数分别用于表示第一互动行为追溯信息和第二互动行为追溯信息各自关联的互动流程片段向量所对应的流程记录参数。
子步骤S1146,分别从第一互动关联数据片段集和第二互动关联数据片段集中确定第一互动行为追溯信息的第一候选互动关联数据片段和第二互动行为追溯信息的第二候选互动关联数据片段。当确定出第一候选互动关联数据片段和第二候选互动关联数据片段时,以第一候选互动关联数据片段和第二候选互动关联数据片段进行匹配,获得匹配信息,并根据匹配信息判断第一候选互动关联数据片段和第二候选互动关联数据片段是否为多融合互动关联数据片段的候选互动关联数据片段,若是,则按照每个融合互动关联数据片段将第一候选互动关联数据片段和第二候选互动关联数据片段分别转换为多个具有融合互动关联数据片段的第一融合互动关联数据片段集和第二融合互动关联数据片段集,而后分别按照第一融合互动关联数据片段集和第二融合互动关联数据片段集查找与第一融合互动关联数据片段集和第二融合互动关联数据片段集具有相同或相似融合互动关联数据片段的源域信息,并根据所述源域信息对应的互动关联数据片段集生成每个当前关键互动目标与对应的目标关键互动目标的互动关联特征信息。
一种实施例中,仍旧针对步骤S110,每个业务服务逻辑分区的业务轨迹信息可以通过以下详细的实施方式获得:
子步骤S117,针对第一智慧云端业务大数据中的每个业务服务逻辑分区,从业务兴趣决策网络相关联的收集的业务轨迹信息集中,查询与业务服务逻辑分区的业务操作行为对应的业务轨迹信息。
其中,业务兴趣决策网络可以用于基于业务轨迹信息确定第一业务操作兴趣度。例如,可以预先收集大量的业务轨迹信息的样本和对应的业务操作兴趣度进行模型训练,从而可以得到业务兴趣决策网络,得到的业务兴趣决策网络可以具有业务操作兴趣度的预测能力。
子步骤S118,当业务服务逻辑分区的业务操作行为是对应业务兴趣决策网络的业务操作行为,且从业务兴趣决策网络相关联的收集的业务轨迹信息集中未查询到业务操作行为时,将业务操作行为的业务操作日志数据转化为业务操作知识图谱,并将业务操作知识图谱进行识别处理,得到业务操作知识图谱对应的实体关系信息。
子步骤S119,将业务操作行为的业务操作属性进行识别处理得到业务操作实体属性,并将业务操作实体属性以及业务操作知识图谱对应的实体关系信息进行拼接,得到业务服务逻辑分区的业务轨迹信息。
其中,作为一种可能的示例,针对步骤S115,在基于机器学习网络对每个拼接互动关联数据片段集进行生成业务互动通道的业务分类信息的过程中,可以通过以下示例性的子步骤实现,详细描述如下。
子步骤S1151,基于机器学习网络提取每个拼接互动关联数据片段集的深度描述向量,并将拼接互动关联数据片段集的深度描述向量输入到分类层进行分类,输出拼接互动关联数据片段集的深度描述向量在每个业务分类类别属性的分类概率。
子步骤S1152,根据拼接互动关联数据片段集的深度描述向量在每个业务分类类别属性的分类概率得到业务互动通道的业务分类信息。
例如,假设拼接互动关联数据片段集的深度描述向量在某个业务分类类别属性A的分类概率大于设定分类概率,则表示业务分类信息为业务分类类别属性A,从而以便于后续的业务展示信息的选定。例如,可以选定不同业务分类类别属性对应的业务展示信息,具体配置过程可以根据实际业务的具体情况进行配置,在此不作具体限制。
可选地,上述的机器学习网络可以通过预先配置的训练样本序列以及训练样本序列中每个训练样本对应的训练业务分类类别属性基于深度学习网络训练得到,训练样本即为互动关联数据片段集,具体的训练方式可以参照现有技术中的常规训练方式即可,训练过程不是本公开实施例的重点,在此不作赘述。
一种实施例中,对于步骤S120而言,当业务轨迹信息为静态业务轨迹信息时,可以将分别对应多个业务轨迹信息的业务操作兴趣度影响因子,与对应的业务轨迹信息的静态轨迹特征进行权重计算,得到对应每个业务服务逻辑分区的多个业务兴趣项目特征。
本实施例中,权重计算的方式可以是指乘以各自对应的影响因子后,再一起进行拼接处理。值得说明的是,在之后的权重计算的过程中可以参照以上示例进行,此后的描述中不再进行赘述。
又例如,在另一种可能的情况下,当业务轨迹信息为动态业务轨迹信息时,将分别对应多个业务轨迹信息的业务操作兴趣度影响因子,与对应的业务轨迹信息的静态轨迹特征的多个动态轨迹特征进行权重计算,并对权重计算结果进行权重计算处理,得到对应每个业务服务逻辑分区的多个业务兴趣项目特征。
在另一种可能的实施方式中,对于步骤S120而言,可以针对第二智慧云端业务大数据中的每个业务服务逻辑分区,获取业务服务逻辑分区的业务热度特征,且业务热度特征与每次被启用的业务更新需求相关。
例如,当业务轨迹信息和业务热度特征为静态业务轨迹信息时,将分别对应多个业务热度特征的业务操作兴趣度影响因子,与对应的业务热度特征进行权重计算,得到对应每个业务服务逻辑分区的多个业务兴趣项目特征。在此基础上,可以将分别对应多个业务轨迹信息的业务操作兴趣度影响因子,与对应的业务轨迹信息的静态轨迹特征进行权重计算,得到对应每个业务服务逻辑分区的多个业务兴趣项目特征。
再例如,在另一种可能的情况下,当业务轨迹信息和业务热度特征为动态业务轨迹信息时,将分别对应多个业务热度特征的业务操作兴趣度影响因子,与对应的业务热度特征的多个动态轨迹特征进行权重计算,并将得到的对应业务热度特征的多个动态轨迹特征的权重计算结果进行权重计算处理,得到对应每个业务服务逻辑分区的多个业务兴趣项目特征,将分别对应多个业务轨迹信息的业务操作兴趣度影响因子,与对应的业务轨迹信息的静态轨迹特征的多个动态轨迹特征进行权重计算,并将得到的对应业务轨迹信息的多个动态轨迹特征的权重计算结果进行权重计算处理,得到对应每个业务服务逻辑分区的多个业务兴趣项目特征。
一种实施例中,业务服务逻辑分区的业务热度特征的类型可以包括静态热度特征和动态热度特征。基于此,在获取业务服务逻辑分区的业务热度特征的过程中,可以获取业务服务逻辑分区的被启用的业务更新需求的多个需求字段的需求字段描述分量,并将每个需求字段的需求字段描述分量作为静态热度特征。
由此,可以通过以下组合策略至少之一得到动态热度特征:
例如,将被启用的业务更新需求的至少一个需求字段的需求字段描述分量与业务服务逻辑分区的至少一个需求字段相关的需求字段描述分量进行拼接。
再例如,将被启用的业务更新需求的至少一个需求字段的需求字段描述分量与业务场景相关的至少一个需求字段的需求字段描述分量进行拼接。
一种实施例中,对于步骤S130而言,可以通过以下的示例性子步骤实现,详细描述如下。
子步骤S131,基于第二智慧云端业务大数据中每个业务服务逻辑分区的多个业务兴趣项目特征,以及多个业务兴趣项目特征之间的关联关系,确定对应的第三业务操作兴趣度。
子步骤S132,对业务服务逻辑分区的多个业务兴趣项目特征进行拼接,并将拼接结果与逻辑回归分析模型的逻辑回归参数进行拼接,得到对应业务服务逻辑分区的兴趣分类信息。
子步骤S133,将兴趣分类信息从兴趣分类信息空间映射到业务操作兴趣度空间,得到对应业务服务逻辑分区的第四业务操作兴趣度。
子步骤S134,对第二智慧云端业务大数据中每个业务服务逻辑分区的第三业务操作兴趣度以及第四业务操作兴趣度进行权重计算,得到对应的第二业务操作兴趣度。
示例性地,在子步骤S131中,可以通过以下详细的实施方式来实现,描述如下。
(1)针对第二智慧云端业务大数据中每个业务服务逻辑分区执行以下处理:
(2)将业务服务逻辑分区的多个业务兴趣项目特征进行按照以下方式中的至少之一进行拼接,以得到对应的拼接描述分量:
1)将对应至少两个业务轨迹信息的业务兴趣项目特征进行权重计算,将得到的相乘结果作为对应的拼接描述分量。
2)将对应至少一个业务轨迹信息的业务兴趣项目特征和对应至少一个业务热度特征的业务兴趣项目特征进行权重计算,将得到的相乘结果作为对应的拼接描述分量。
3)将分别对应至少两个业务热度特征的业务兴趣项目特征进行权重计算,将得到的权重计算结果作为对应的拼接描述分量,其中,每次拼接所使用的业务兴趣项目特征部分不同或完全不同,以形成业务服务逻辑分区的多个拼接描述分量。
4)将业务服务逻辑分区的多个拼接描述分量进行权重计算,得到第一权重计算信息,并以多个业务轨迹信息以及多个业务热度特征分别对应的业务场景权重为影响因子,对多个业务轨迹信息以及多个业务热度特征进行权重计算处理,得到第二权重计算信息。
5)将第一权重计算信息作为业务服务逻辑分区的第三业务操作兴趣度,或者,将第一权重计算信息和第二权重计算信息的加和进行权重计算处理,并将权重计算信息作为业务服务逻辑分区的第三业务操作兴趣度。
由此,通过融合业务热度特征进行一系列的权重计算处理,以考虑到不同维度的情况,从而可以提高第三业务操作兴趣度的判定准确率。
图3为本公开实施例提供的基于人工智能的大数据处理装置300的功能模块示意图,下面分别对该基于人工智能的大数据处理装置300的各个功能模块的功能进行详细阐述。
第一确定模块310,用于基于所述智慧业务终端在访问各个智慧云端业务时生成的第一智慧云端业务大数据中每个业务服务逻辑分区的多个业务轨迹信息,确定对应的第一业务操作兴趣度,并从所述第一业务操作兴趣度的降序排列信息中选取预设数量的多个业务服务逻辑分区,以形成第二智慧云端业务大数据。其中,第一确定模块310可以用于执行上述的步骤S110,关于第一确定模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
特征提取模块320,用于对所述第二智慧云端业务大数据中每个业务服务逻辑分区的多个业务轨迹信息进行特征提取,得到对应所述每个业务服务逻辑分区的多个业务兴趣项目特征。其中,特征提取模块320可以用于执行上述的步骤S120,关于特征提取模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
第二确定模块330,用于基于所述第二智慧云端业务大数据中每个业务服务逻辑分区的多个业务兴趣项目特征,确定对应的第二业务操作兴趣度。其中,第二确定模块330可以用于执行上述的步骤S130,关于第二确定模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
更新模块340,用于基于所述第二智慧云端业务大数据中每个业务服务逻辑分区的第二业务操作兴趣度的降序排列信息,分别执行每个业务服务逻辑分区的业务展示信息的业务展示更新操作。其中,更新模块340可以用于执行上述的步骤S140,关于更新模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
进一步地,图4为本公开实施例提供的用于执行上述基于人工智能的大数据处理方法的大数据云平台100的结构示意图。如图4所示,该大数据云平台100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130可以是一个或多个,图4中以一个处理器130为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接,图4中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本公开实施例中的基于人工智能的大数据处理方法对应的程序命令/模块(例如图3中所示的基于人工智能的大数据处理装置300的第一确定模块310、特征提取模块320、第二确定模块330以及更新模块340)。处理器130通过检测存储在机器可读存储介质120中的软件程序、命令以及模块,从而执行终端设备的各种功能应用以及数据处理,即实现上述的基于人工智能的大数据处理方法,在此不再赘述。
大数据云平台100可以通过网络接口110和其它设备(例如智慧业务终端200)进行信息交互。网络接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用网络接口110收发信息。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。