CN113343092A - 基于大数据挖掘的内容源推荐更新方法及云计算服务系统 - Google Patents

基于大数据挖掘的内容源推荐更新方法及云计算服务系统 Download PDF

Info

Publication number
CN113343092A
CN113343092A CN202110682157.7A CN202110682157A CN113343092A CN 113343092 A CN113343092 A CN 113343092A CN 202110682157 A CN202110682157 A CN 202110682157A CN 113343092 A CN113343092 A CN 113343092A
Authority
CN
China
Prior art keywords
recommendation
knowledge
session
target
dimension
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202110682157.7A
Other languages
English (en)
Inventor
曾新士
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202110682157.7A priority Critical patent/CN113343092A/zh
Publication of CN113343092A publication Critical patent/CN113343092A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—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
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • 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)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开实施例提供一种基于大数据挖掘的内容源推荐更新方法及云计算服务系统，基于推荐倾向参数向智慧在线服务终端推荐对应的会话推荐对象，以使智慧在线服务终端基于会话推荐对象进行会话业务互动，并获取智慧在线服务终端在每个会话推荐对象中的会话业务互动大数据后，对每个会话推荐对象中的会话业务互动大数据进行数据挖掘，获得针对每个会话推荐对象的会话用户画像集，基于针对每个会话推荐对象的会话用户画像集，对智慧在线服务终端在每个会话推荐对象上的内容源信息进行推荐更新，从而不断基于最新的会话用户画像集对会话推荐对象的内容源信息进行优化和更新，从而提高内容信息展示的准确性。

Description

基于大数据挖掘的内容源推荐更新方法及云计算服务系统
技术领域
本公开涉及人工智能推荐技术领域，示例性地，涉及一种基于大数据挖掘的内容源推荐更新方法及云计算服务系统。
背景技术
人工智能是计算机科学的一个分支，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，可以设想，未来人工智能带来的科技产品，将会是人类智慧的容器。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。例如，可以基于人工智能进行‍知识库的知识发现，通过算法搜索挖掘出有用的信息，如在线服务会话过程中的会话推荐对象信息。
相关技术中，在智慧在线服务信息推荐的过程中，通过从在线服务会话信息中有效匹配用户需求和意图以为用户推荐相关的会话推荐对象，减少用户不喜欢的干扰会话推荐对象，可以极大改善用户的业务场景体验。然而，目前采用的方案中，在会话推荐对象的会话互动过程中，缺乏针对会话推荐对象的内容源信息的优化和更新机制，导致内容信息展示的准确性无法满足实时性精度要求。
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大数据挖掘的内容源推荐更新方法及云计算服务系统。
第一方面，本公开提供一种基于大数据挖掘的内容源推荐更新方法，应用于云计算服务系统，所述云计算服务系统与多个智慧在线服务终端通信连接，所述方法包括：
基于所述智慧在线服务终端发起的智慧在线服务页面的在线服务会话信息的推荐倾向参数向所述智慧在线服务终端推荐对应的会话推荐对象，以使所述智慧在线服务终端基于所述会话推荐对象进行会话业务互动，并获取所述智慧在线服务终端在每个所述会话推荐对象中的会话业务互动大数据；
对每个所述会话推荐对象中的会话业务互动大数据进行数据挖掘，获得针对每个所述会话推荐对象的会话用户画像集；
基于针对每个所述会话推荐对象的会话用户画像集，对所述智慧在线服务终端在每个所述会话推荐对象上的内容源信息进行推荐更新。
第二方面，本公开实施例还提供一种基于大数据挖掘的内容源推荐更新系统，所述基于大数据挖掘的内容源推荐更新系统包括云计算服务系统以及与所述云计算服务系统通信连接的多个智慧在线服务终端；
所述云计算服务系统，用于：
基于所述智慧在线服务终端发起的智慧在线服务页面的在线服务会话信息的推荐倾向参数向所述智慧在线服务终端推荐对应的会话推荐对象，以使所述智慧在线服务终端基于所述会话推荐对象进行会话业务互动，并获取所述智慧在线服务终端在每个所述会话推荐对象中的会话业务互动大数据；
对每个所述会话推荐对象中的会话业务互动大数据进行数据挖掘，获得针对每个所述会话推荐对象的会话用户画像集；
基于针对每个所述会话推荐对象的会话用户画像集，对所述智慧在线服务终端在每个所述会话推荐对象上的内容源信息进行推荐更新。
根据上述任意一个方面，本公开提供的实施方式中，基于推荐倾向参数向智慧在线服务终端推荐对应的会话推荐对象，以使智慧在线服务终端基于会话推荐对象进行会话业务互动，并获取智慧在线服务终端在每个会话推荐对象中的会话业务互动大数据后，对每个会话推荐对象中的会话业务互动大数据进行数据挖掘，获得针对每个会话推荐对象的会话用户画像集，基于针对每个会话推荐对象的会话用户画像集，对智慧在线服务终端在每个会话推荐对象上的内容源信息进行推荐更新，从而不断基于最新的会话用户画像集对会话推荐对象的内容源信息进行优化和更新，从而提高内容信息展示的准确性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
图1为本公开实施例提供的基于大数据挖掘的内容源推荐更新系统的应用场景示意图；
图2为本公开实施例提供的基于大数据挖掘的内容源推荐更新方法的流程示意图；
图3为本公开实施例提供的基于大数据挖掘的内容源推荐更新装置的功能模块示意图；
图4为本公开实施例提供的用于实现上述的基于大数据挖掘的内容源推荐更新方法的云计算服务系统的结构示意框图。
具体实施方式
下面结合说明书附图，对本公开实施例的方案进行详细说明。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本公开具体实施例。
图1是本公开一种实施例提供的基于大数据挖掘的内容源推荐更新系统10的场景示意图。基于大数据挖掘的内容源推荐更新系统10可以包括云计算服务系统100以及与云计算服务系统100通信连接的智慧在线服务终端200。图1所示的基于大数据挖掘的内容源推荐更新系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据挖掘的内容源推荐更新系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
本实施例中，基于大数据挖掘的内容源推荐更新系统10中的云计算服务系统100和智慧在线服务终端200可以通过配合执行以下方法实施例所描述的基于大数据挖掘的内容源推荐更新方法，具体云计算服务系统100和智慧在线服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于大数据挖掘的内容源推荐更新方法的流程示意图，本实施例提供的基于大数据挖掘的内容源推荐更新方法可以由图1中所示的云计算服务系统100执行，下面对该基于大数据挖掘的内容源推荐更新方法进行详细介绍。
步骤S100，基于智慧在线服务终端发起的智慧在线服务页面的在线服务会话信息的推荐倾向参数向智慧在线服务终端推荐对应的会话推荐对象，以使智慧在线服务终端基于会话推荐对象进行会话业务互动，并获取智慧在线服务终端在每个会话推荐对象中的会话业务互动大数据。
例如，可以将推荐倾向参数大于预设阈值的会话推荐对象推荐给智慧在线服务终端，此时智慧在线服务终端即可基于会话推荐对象进行会话业务互动，并在每个会话推荐对象中产生大量的会话业务互动大数据。
步骤S200，对每个会话推荐对象中的会话业务互动大数据进行数据挖掘，获得针对每个会话推荐对象的会话用户画像集。
步骤S300，基于针对每个会话推荐对象的会话用户画像集，对智慧在线服务终端在每个会话推荐对象上的内容源信息进行推荐更新。
例如，可以获取每个会话推荐对象的会话用户画像集相对应的关联内容源，并将每个会话推荐对象的会话用户画像集相对应的关联内容源替换智慧在线服务终端在每个会话推荐对象上的原本的内容源信息。
基于上述步骤，本实施例基于推荐倾向参数向智慧在线服务终端推荐对应的会话推荐对象，以使智慧在线服务终端基于会话推荐对象进行会话业务互动，并获取智慧在线服务终端在每个会话推荐对象中的会话业务互动大数据后，对每个会话推荐对象中的会话业务互动大数据进行数据挖掘，获得针对每个会话推荐对象的会话用户画像集，基于针对每个会话推荐对象的会话用户画像集，对智慧在线服务终端在每个会话推荐对象上的内容源信息进行推荐更新，从而不断基于最新的会话用户画像集对会话推荐对象的内容源信息进行优化和更新，从而提高内容信息展示的准确性。
一种实施例中，本公开实施例还提供一种基于大数据挖掘的会话用户画像确定方法，包括以下步骤。
步骤S110，对每个会话推荐对象中的会话业务互动大数据进行不同会话行为的数据匹配，获取对应的会话行为匹配数据。
步骤S120，获取会话行为匹配数据的会话行为知识网络中的多个知识结构的结构属性信息。
本实施例中，每个知识结构可以用于表示会话行为匹配数据在会话互动过程中需要被调用的一个或者多个兴趣会话，且每个知识结构所表示的兴趣会话的兴趣会话数据需要画像预测。
本实施例中，兴趣会话表示是指在互动过程中，持续时间超过预设时间时长的会话活动，例如智慧在线办公协同的会话活动等。
本实施例中，任一知识结构的结构属性信息用于反映任一知识结构和其它知识结构之间的结构关系。
步骤S130，根据各知识结构的结构属性信息，将至少两个知识结构归类为目标知识团。
本实施中，目标知识团用于指示对被归类的知识结构所表示的兴趣会话的兴趣会话数据进行画像预测。
步骤S140，采用目标知识团更新会话行为知识网络，并将更新后的会话行为知识网络发送至画像预测模型。
本实施中，更新后的会话行为知识网络可以用于指示画像预测模型按照目标知识团的特征信息，在会话行为匹配数据的会话互动过程中对被归类的知识结构所表示的兴趣会话的兴趣会话数据进行画像预测，并输出画像预测结果。
此外，画像预测模型具体的画像预测方式可以基于现有技术中基于深度神经网络进行训练获得的画像预测算法来自适应性配置。
基于上述步骤，本实施例可先根据会话行为匹配数据的会话行为知识网络中的多个知识结构的结构属性信息，将至少两个知识结构归类为目标知识团，该目标知识团用于指示对被归类的知识结构所表示的兴趣会话的兴趣会话数据进行画像预测。然后，可采用目标知识团更新会话行为知识网络，并将更新后的会话行为知识网络发送至画像预测模型，使得画像预测模型在画像预测会话行为匹配数据的过程中，可按照目标知识团的特征信息对被归类的知识结构所表示的兴趣会话的兴趣会话数据进行画像预测，从而减少画像预测的时间成本，缩短画像预测总时长。
一种实施例中，在对本申请实施例进行详细描述之前，下面首先针对各自定义术语进行解释，以使得本领域技术人员能够清楚完整地实现本申请实施例的方案。
详细地，上述的多个知识结构对应一个目标兴趣互动数据集。其中，目标兴趣互动数据集是基于各知识结构在会话行为知识网络中的会话传递逻辑，采用多个会话传递关系关联各知识结构得到的。
这样，在本领域中，会话传递逻辑可以用于指示：一个知识结构沿着会话行为知识网络中的至少一条会话传递节点关联其它知识结构的传递信息。
任一知识结构的第一维度兴趣位置信息包括以下至少一项：任一知识结构的第一维度兴趣位置信息和任一知识结构的第二维度兴趣位置信息。
值得说明的是，任一知识结构的第一维度兴趣位置信息中的第一维度兴趣位置可以理解为：从目标兴趣互动数据集中的选定知识结构至任一知识结构的所有第一维度传递关系均关联的知识结构。
其中，任一知识结构的第一维度兴趣位置信息中相对于任一知识结构最先的第一维度兴趣位置，为任一知识结构的最先第一维度兴趣位置。
本实施例中，任一知识结构的第二维度兴趣位置信息中的第二维度兴趣位置信息可以理解为：从目标兴趣互动数据集对应的第二维度会话传递信息中的选定知识结构至任一知识结构的所有第二维度传递关系均关联的知识结构。
本实施例中，任一知识结构的第二维度兴趣位置信息中相对于任一知识结构最先的第二维度兴趣位置信息，为任一知识结构的最先第二维度兴趣位置信息。
本实施例中，第二维度会话传递信息是指对目标兴趣互动数据集中的各个会话传递关系进行负向维度处理所得到的传递信息。
这样，针对步骤S130而言，在根据各知识结构的结构属性信息，将至少两个知识结构归类为目标知识团的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S131，根据各知识结构的结构属性信息，构建由多个知识结构构成的第一维度兴趣聚类信息。
子步骤S132，基于第一维度兴趣聚类信息，提取目标信息。
本实施例中，目标信息可以包括：多分簇所需的目标对象集，每个目标对象集中至少存在一个目标对象为知识结构。
子步骤S133，按照目标信息对多个知识结构进行至少一层分簇，得到目标知识团。
例如，一种实施例中，可以按照目标信息确定第n潜在分簇所需的第n目标对象集，并根据第n目标对象集中的每个目标对象的目标对象跳转次数确定第n目标对象集的目标对象跳转次数总和；n∈[1，N]，N为目标信息的分布层级数。当第n目标对象集的目标对象跳转次数总和小于或等于目标对象跳转次数阈值时，对第n目标对象集中的各目标对象进行归类处理，得到第n知识团。若n的当前取值小于N，且按照归类层次信息获取的第n+1潜在分簇所需的第n+1目标对象集的目标对象跳转次数总和大于目标对象跳转次数阈值，则根据第n知识团得到目标知识团。
一种实施例中，针对子步骤S131而言，可以通过以下实施方式来实现。
（1）将目标兴趣互动数据集中的选定知识结构作为第一维度兴趣聚类信息的参照目标对象，并确定多个知识结构中除目标兴趣互动数据集中的选定知识结构以外的余下知识结构。
（2）从每个余下知识结构的结构属性信息中的第一维度兴趣位置信息中，获取每个余下知识结构的最先第一维度兴趣位置。
（3）根据每个余下知识结构的最先第一维度兴趣位置，确定各知识结构之间的最先结构关系。
（4）按照最先结构关系将各余下知识结构更新至参照目标对象下，以得到第一维度兴趣聚类信息。
一种实施例中，上述的第一维度兴趣聚类信息中除参照目标对象以外的每个知识结构的目标继承对象为：每个知识结构的最先第一维度兴趣位置。多个知识结构中存在T个第一维度画像预测对，一个第一维度画像预测对关联至少一潜在分簇所需的目标对象集。其中，T为正整数。
这样，针对子步骤S132而言，可以通过以下实施方式来实现。
（1）按照层次分布的遍历顺序，从第一维度兴趣聚类信息中未被遍历的知识结构中选取第一知识结构。
（2）根据除目标兴趣互动数据集中的最后知识结构以外的各知识结构的第二维度兴趣位置信息，检测是否存在第二知识结构和第一知识结构构成第T个第一维度画像预测对，T∈[1，P]。
（3）第二知识结构满足如下条件：第二知识结构为第一知识结构的最先第一维度兴趣位置，且第一知识结构为第二知识结构的最先第二维度兴趣位置信息。
（4）若存在，则根据第二知识结构从多个知识结构中，选取至少一个知识结构更新至与第T个第一维度画像预测对关联的目标潜在分簇所需的目标对象集中，并继续遍历第一维度兴趣聚类信息。若不存在，则重新选取第一知识结构，直至第一维度兴趣聚类信息中的各知识结构均被遍历。
例如，若存在，则可以从第一维度兴趣聚类信息中获取第二知识结构的潜在目标对象集，若潜在目标对象集中只包括第一知识结构以及第一知识结构的潜在目标对象，则选取第一知识结构和第二知识结构，更新至与第T个第一维度画像预测对关联的目标潜在分簇所需的目标对象集中。或者，若潜在目标对象集中包括除第一知识结构以及第一知识结构的潜在目标对象以外的其它潜在目标对象，则选取其它潜在目标对象更新至目标潜在分簇所需的目标对象集中。
示例性地，在选取第一知识结构和第二知识结构，更新至与第T个第一维度画像预测对关联的目标潜在分簇所需的目标对象集中的过程中，可以检测前P-1个第一维度画像预测对关联的参照潜在分簇所需的目标对象集中，是否存在第一参照目标对象集包括第一知识结构。
例如，若存在第一参照目标对象集，则将第一参照目标对象集对应的知识团和第二知识结构，更新至与第T个第一维度画像预测对关联的目标潜在分簇所需的目标对象集中。
又例如，若不存在第一参照目标对象集，则将第一知识结构和第二知识结构更新至目标潜在分簇所需的目标对象集中。
一种实施例中，在选取其它潜在目标对象更新至目标潜在分簇所需的目标对象集中的过程中，具体可以检测前P-1个第一维度画像预测对关联的参照潜在分簇所需的目标对象集中，是否存在第二参照目标对象集包括其它潜在目标对象所对应的知识团。
例如，若存在第二参照目标对象集，则将第二参照目标对象集对应的知识团、第一知识结构以及第二知识结构，更新至目标潜在分簇所需的目标对象集中。
又例如，若不存在第二参照目标对象集，则将其它潜在目标对象更新至目标潜在分簇所需的目标对象集中，并将由其它潜在目标对象归类的知识团、第一知识结构以及第二知识结构，更新至与第T个第一维度画像预测对关联的位于目标潜在分簇之下的下一潜在分簇所需的目标对象集中。
一种实施例中，针对步骤S140，在采用目标知识团更新会话行为知识网络的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S141，在会话行为知识网络中添加目标知识团，并采用会话传递关系关联目标知识团和被归类的知识结构。
子步骤S142，在会话行为知识网络中为未被归类的知识结构增加一个匹配的目标对象，以及在会话行为知识网络中为目标知识团增加一个匹配的目标对象。
一种实施例中，针对步骤S100，在基于所述智慧在线服务终端发起的智慧在线服务页面的在线服务会话信息的推荐倾向参数向所述智慧在线服务终端推荐对应的会话推荐对象的流程中，可以包括以下步骤。
步骤A102，获取在线服务会话信息和对应的订阅推荐标签信息，订阅推荐标签信息包括待推荐内容标签和推荐业务节点。
其中，在线服务会话信息是指可以进行服务会话对象推荐的会话推荐对象集合，该在线服务会话信息可以是一个会话链接、一个会话页面或者一个会话微服务。该在线服务会话信息可以是不同服务场景类别的会话推荐对象，例如，可以是电商商品会话推荐对象、智慧医疗会话推荐对象、智慧办公会话推荐对象等等。订阅推荐标签信息用于表征推荐的具体订阅信息，包括待推荐内容标签和推荐业务节点，待推荐内容标签是指等待进行推荐的会话推荐对象的内容标签，该待推荐内容标签可以是内容关键词、内容摘要词等等。推荐业务节点用于表示待推荐内容标签在在线服务会话信息中进行推荐的业务节点，即在线服务会话信息中被推荐的会话推荐对象在在线服务会话信息中的业务节点（如业务逻辑目录）。在线服务会话信息中被推荐的会话推荐对象是指在线服务会话信息中可以与待推荐内容标签推荐有效匹配的会话推荐对象。
步骤A104，提取所述在线服务会话信息中每个会话推荐对象的对象特征，得到会话推荐对象特征，并提取所述待推荐内容标签的对象特征，得到待推荐内容标签特征。
其中，会话推荐对象特征是指在线服务会话信息对应的特征向量，待推荐内容标签特征是指待推荐内容标签对应的特征向量。
例如，云计算服务系统可以分别将在线服务会话信息和待推荐内容标签进行对象特征提取，得到会话推荐对象特征和待推荐内容标签特征，其中，可以进行逻辑业务单位的对象特征提取，即分别将在线服务会话信息和待推荐内容标签划分为各个逻辑业务对象，然后将各个逻辑业务对象进行对象特征提取。
步骤A106，基于会话推荐对象特征进行画像维度应用场景属性提取和非画像维度应用场景属性提取，得到画像维度应用场景属性和非画像维度应用场景属性，基于推荐业务节点从画像维度应用场景属性和非画像维度应用场景属性中确定目标画像维度应用场景属性和目标非画像维度应用场景属性。
其中，画像维度应用场景属性提取是指从会话推荐对象特征中的初始业务节点开始到终止业务节点结束依次进行应用场景属性提取。非画像维度应用场景属性提取是指从会话推荐对象特征中的终止业务节点开始到初始业务节点结束依次进行应用场景属性提取。画像维度应用场景属性是指基于会话推荐对象特征从初始业务节点到终止业务节点进行应用场景属性提取得到的特征向量。非画像维度应用场景属性是指基于会话推荐对象特征从终止业务节点到初始业务节点依次进行应用场景属性提取得到的特征向量。目标画像维度应用场景属性是指根据推荐业务节点从画像维度应用场景属性中得到的特征向量。目标非画像维度应用场景属性是指根据推荐业务节点从非画像维度应用场景属性中得到的特征向量。
例如，云计算服务系统对会话推荐对象特征按照从初始业务节点到终止业务节点的顺序进行画像维度应用场景属性提取并按照从终止业务节点到初始业务节点的顺序进行非画像维度应用场景属性提取，得到画像维度应用场景属性和非画像维度应用场景属性，然后根据推荐业务节点从画像维度应用场景属性中确定推荐业务节点处深度关联对应的应用场景属性，得到目标画像维度应用场景属性，并从非画像维度应用场景属性中确定推荐业务节点处深度关联对应的应用场景属性，得到目标非画像维度应用场景属性。
步骤A108，基于目标画像维度应用场景属性和目标非画像维度应用场景属性进行深度关联应用场景属性计算，得到推荐业务节点的深度关联应用场景属性。
其中，推荐业务节点的深度关联应用场景属性是用于表征在线服务会话信息中推荐业务节点深度关联对应的应用场景属性。该推荐业务节点深度关联是指根据推荐业务节点从在线服务会话信息中进行会话推荐对象筛选得到的会话推荐对象。例如，待推荐内容标签对应的画像业务节点对应的会话推荐对象或者包含推荐业务节点以及终止业务节点对应的会话推荐对象或者待推荐内容标签对应的画像业务节点之后的会话推荐对象等等。
例如，云计算服务系统可以对目标画像维度应用场景属性和目标非画像维度应用场景属性进行加权计算，得到推荐业务节点的深度关联应用场景属性，例如，可以使用预设画像维度影响因子对目标画像维度应用场景属性进行加权，并使用预设非画像维度影响因子对目标非画像维度应用场景属性进行加权，然后进行加权计算，得到推荐业务节点的深度关联应用场景属性。其中预设画像维度影响因子和预设非画像维度影响因子可以是预先设置好的影响因子，也可以是使用深度神经网络进行训练后得到的影响因子。
步骤A110，基于推荐业务节点的深度关联应用场景属性和待推荐内容标签特征进行推荐决策，得到推荐倾向参数，推荐倾向参数用于表征在线服务会话信息中推荐业务节点对应的会话推荐对象被待推荐内容标签进行推荐的倾向参数。
其中，推荐倾向参数用于表征在线服务会话信息中推荐业务节点对应的会话推荐对象被待推荐内容标签进行推荐的倾向参数，即是指使用待推荐内容标签推荐在线服务会话信息中推荐业务节点对应会话推荐对象的倾向参数。
例如，云计算服务系统可以使用推荐业务节点的深度关联应用场景属性和待推荐内容标签特征计算待推荐内容标签对应的内容分布特征，根据内容分布特征得到推荐倾向参数，其中，内容分布特征用于表征待推荐内容标签划分后各个划分结果对应的推荐倾向参数，例如，划分结果为逻辑业务对象时，内容分布特征中包括有各个逻辑业务对象对应的推荐倾向参数。然后根据各个划分结果对应的推荐倾向参数计算得到推荐倾向参数。基于该推荐倾向参数对在线服务会话信息进行推荐。
一种实施例中，云计算服务系统可以基于推荐倾向参数使用待推荐内容标签对在线服务会话信息中推荐业务节点对应的会话推荐对象进行推荐，得到推荐信息，即将推荐倾向参数与预设推荐倾向参数阈值进行比较，当推荐倾向参数超过预设推荐倾向参数阈值时，使用待推荐内容标签对在线服务会话信息中推荐业务节点对应的会话推荐对象进行推荐，得到推荐信息，该推荐信息是指对在线服务会话信息使用待推荐内容标签进行推荐后得到的会话推荐对象。当推荐倾向参数未超过预设推荐倾向参数阈值时，则保持不变。
基于以上步骤，通过提取到推荐业务节点的深度关联应用场景属性，然后使用推荐业务节点的深度关联应用场景属性和待推荐内容标签特征进行推荐决策，从而提高了得到的推荐倾向参数的准确性，然后通过推荐倾向参数进行服务会话对象推荐时，能够提高服务会话对象推荐的准确性。
一种实施例中，本公开实施例还提供了另一种基于大数据挖掘的内容源推荐更新方法，例如可以包括以下步骤：
步骤A202，将在线服务会话信息和订阅推荐标签信息输入会话推荐学习网络中，会话推荐学习网络提取在线服务会话信息的对象特征，得到会话推荐对象特征，并提取待推荐内容标签的对象特征，得到待推荐内容标签特征，基于会话推荐对象特征进行画像维度应用场景属性提取和非画像维度应用场景属性提取，得到画像维度应用场景属性和非画像维度应用场景属性，基于推荐业务节点从画像维度应用场景属性和非画像维度应用场景属性中确定目标画像维度应用场景属性和目标非画像维度应用场景属性；基于目标画像维度应用场景属性和目标非画像维度应用场景属性进行深度关联应用场景属性计算，得到推荐业务节点的深度关联应用场景属性，基于推荐业务节点的深度关联应用场景属性和待推荐内容标签特征进行推荐决策，得到推荐倾向参数；会话推荐学习网络是基于神经网络模型使用标定数据集和对应的标注会话推荐对象信息进行训练得到的。
步骤A204，基于推荐倾向参数使用待推荐内容标签对在线服务会话信息中推荐业务节点对应的会话推荐对象进行推荐，得到推荐信息。
其中，会话推荐学习网络是基于神经网络模型使用标定数据集和对应的标注会话推荐对象信息进行训练得到的，标定数据集是指训练时使用的在线服务会话信息，标注会话推荐对象信息是指训练时使用的标定数据集对应的订阅推荐标签信息。推荐信息是指对在线服务会话信息使用待推荐内容标签进行推荐后得到的会话推荐对象。
例如，云计算服务系统预先基于神经网络模型使用标定数据集和对应的标注会话推荐对象信息进行训练，得到会话推荐学习网络，然后将会话推荐学习网络进行配置使用。当云计算服务系统获取到在线服务会话信息和对应的订阅推荐标签信息时，将在线服务会话信息和订阅推荐标签信息输入会话推荐学习网络中，会话推荐学习网络进行推荐决策，得到输出的推荐倾向参数，当推荐倾向参数超过预设推荐倾向参数阈值时，使用待推荐内容标签对在线服务会话信息中推荐业务节点对应的会话推荐对象进行推荐，得到推荐信息。
在上述实施例中，通过将在线服务会话信息和订阅推荐标签信息输入会话推荐学习网络中进行服务会话对象推荐决策，能够提高服务会话对象推荐决策的效率。
一种实施例中，会话推荐学习网络包括会话推荐提取层和会话推荐分类层。
步骤A202，将在线服务会话信息和订阅推荐标签信息输入会话推荐学习网络中，包括：
步骤A302，将在线服务会话信息和订阅推荐标签信息输入到会话推荐提取层中，会话推荐提取层提取在线服务会话信息的对象特征，得到会话推荐对象特征，并提取待推荐内容标签的对象特征，得到待推荐内容标签特征，基于会话推荐对象特征进行画像维度应用场景属性提取和非画像维度应用场景属性提取，得到画像维度应用场景属性和非画像维度应用场景属性，基于推荐业务节点从画像维度应用场景属性和非画像维度应用场景属性中确定目标画像维度应用场景属性和目标非画像维度应用场景属性，基于目标画像维度应用场景属性和目标非画像维度应用场景属性进行深度关联应用场景属性计算，得到推荐业务节点的深度关联应用场景属性。
步骤A304，将推荐业务节点的深度关联应用场景属性和待推荐内容标签特征输入到会话推荐分类层中，会话推荐分类层基于推荐业务节点的深度关联应用场景属性和待推荐内容标签特征进行推荐决策，得到推荐倾向参数。
其中，会话推荐提取层用于提取到推荐业务节点的深度关联应用场景属性，该会话推荐提取层可以是双向循环神经网络。即推荐业务节点之前和推荐业务节点之后的会话推荐对象都会影响推荐业务节点的应用场景属性信息。会话推荐分类层用于进行推荐决策，得到推荐倾向参数。该会话推荐分类层可以是一个循环神经网络，通过以序列生成的方式使用于推荐业务节点的深度关联应用场景属性和待推荐内容标签特征计算待推荐内容标签划分结果对应的推荐倾向参数。
例如，云计算服务系统将在线服务会话信息和订阅推荐标签信息输入到会话推荐提取层中，会话推荐提取层通过计算输出推荐业务节点的深度关联应用场景属性，然后将推荐业务节点的深度关联应用场景属性和待推荐内容标签特征输入到会话推荐分类层中，会话推荐分类层对推荐业务节点的深度关联应用场景属性和待推荐内容标签特征进行推荐决策，输出得到的推荐倾向参数。
在上述实施例中，通过会话推荐提取层提取到推荐业务节点的深度关联应用场景属性，然后通过会话推荐分类层在预测得到推荐倾向参数，从而使得到的推荐倾向参数提高了准确性。
一种实施例中，将在线服务会话信息和待推荐内容标签进行对象特征提取，得到会话推荐对象特征和待推荐内容标签特征，包括：
将在线服务会话信息进行逻辑业务单位划分，得到各个逻辑业务单位，提取各个逻辑业务单位的对象特征，得到各个逻辑业务单位对象特征；并将待推荐内容标签进行逻辑业务单位划分，得到各个待推荐单位，提取各个待推荐的会话推荐单位的对象特征，得到各个待推荐的会话推荐单位特征。
其中，逻辑业务单位是指在线服务会话信息中的一个逻辑上的业务（如电商直播在先服务终端的某个直播互动业务），逻辑业务单位对象特征是指逻辑业务单位对应的特征向量。待推荐单位是指待推荐内容标签中的标签单位，待推荐的会话推荐单位特征是指待推荐单位对应的特征向量。
例如，云计算服务系统将在线服务会话信息进行逻辑业务单位划分，得到各个逻辑业务单位，然后提取各个逻辑业务单位的对象特征，同时将待推荐内容标签进行逻辑业务单位划分，得到各个待推荐单位，提取各个待推荐的会话推荐单位的对象特征，得到各个待推荐的会话推荐单位特征。其中，可以使用任意的对象特征提取方法，具体不作限定。
在上述实施例中，通过将在线服务会话信息和待推荐内容标签进行逻辑业务单位划分后进行对象特征提取，从而得到各个逻辑业务单位对象特征化和各个待推荐的会话推荐单位特征，方便后续的使用。
一种实施例中，推荐业务节点包括待推荐内容标签对应的画像业务节点和待推荐内容标签的内容丰富度；
例如，基于会话推荐对象特征进行画像维度应用场景属性提取和非画像维度应用场景属性提取，得到画像维度应用场景属性和非画像维度应用场景属性，基于推荐业务节点从画像维度应用场景属性和非画像维度应用场景属性中确定目标画像维度应用场景属性和目标非画像维度应用场景属性，包括：
步骤A402，基于会话推荐对象特征进行画像维度应用场景属性提取，得到画像维度应用场景属性，从画像维度应用场景属性中确定在待推荐内容标签对应的画像业务节点对应的应用场景属性，得到第一画像维度应用场景属性。
其中，待推荐内容标签对应的画像业务节点是指待推荐内容标签在在线服务会话信息中推荐时对应的与用户画像相关的初始业务节点。待推荐内容标签的内容丰富度是指待推荐内容标签的所覆盖的内容业务范围。画像维度应用场景属性是指按照从初始业务节点开始到终止业务节点的结束的顺序依次对会话推荐对象特征进行应用场景属性提取得到的特征向量。第一画像维度应用场景属性是指用于表征在线服务会话信息中在待推荐内容标签对应的画像业务节点对应的会话推荐对象对应的应用场景属性。
例如，画像维度应用场景属性是指按照从初始业务节点开始到终止业务节点的结束的顺序依次对会话推荐对象特征中各个划分结果对应向量进行应用场景属性提取，得到各个画像维度应用场景属性，例如，对会话推荐对象特征中各个会话推荐单位特征进行应用场景属性提取，得到各个会话推荐单位特征对应的画像维度应用场景属性。然后从各个画像维度应用场景属性中确定在待推荐内容标签对应的画像业务节点对应的画像维度应用场景属性，得到第一画像维度应用场景属性。
步骤A404，基于待推荐内容标签对应的画像业务节点和待推荐内容标签的内容丰富度确定目标业务节点，从画像维度应用场景属性中确定目标业务节点对应的应用场景属性，得到第二画像维度应用场景属性。
其中，目标业务节点是指计算得到的能够计算第二画像维度应用场景属性的业务节点，即是指待推荐内容标签的在在线服务会话信息中的终止业务节点。第二画像维度应用场景属性用于表征在线服务会话信息中目标业务节点的会话推荐单位特征对应的应用场景属性。
例如，云计算服务系统使用基于待推荐内容标签对应的画像业务节点和待推荐内容标签的内容丰富度确定目标业务节点，然后从各个会话推荐单位特征对应的画像维度应用场景属性中确定在目标业务节点对应的会话推荐单位特征对应的应用场景属性，得到第二画像维度应用场景属性。
步骤A406，基于会话推荐对象特征进行非画像维度应用场景属性提取，得到非画像维度应用场景属性，从非画像维度应用场景属性中确定待推荐内容标签对应的非画像业务节点对应的应用场景属性，得到第一非画像维度应用场景属性。
其中，非画像维度应用场景属性是指按照从终止业务节点开始到初始业务节点的结束的顺序依次对会话推荐对象特征进行应用场景属性提取得到的特征向量。第一非画像维度应用场景属性是指用于表征在线服务会话信息中在待推荐内容标签对应的非画像业务节点对应的会话推荐对象对应的应用场景属性。
例如，云计算服务系统按照从终止业务节点开始到初始业务节点的结束的顺序依次对会话推荐对象特征进行应用场景属性提取，得到各个非画像维度应用场景属性，然后从各个非画像维度应用场景属性中确定待推荐内容标签对应的画像业务节点对应的非画像维度应用场景属性，得到第一非画像维度应用场景属性。
步骤A408，从非画像维度应用场景属性中确定在目标业务节点之外的扩展非画像业务节点的应用场景属性，得到第二非画像维度应用场景属性。
其中，第二非画像维度应用场景属性是指用于表征在目标业务节点之外的扩展业务节点的非画像维度应用场景属性，是指从在线服务会话信息右侧到推荐业务节点右侧的应用场景属性信息。
例如，云计算服务系统从各个非画像维度应用场景属性中确定在目标业务节点之外的扩展非画像业务节点的应用场景属性，得到第二非画像维度应用场景属性。
基于目标画像维度应用场景属性和目标非画像维度应用场景属性进行深度关联应用场景属性计算，得到推荐业务节点的深度关联应用场景属性，包括：
步骤A410，基于第一画像维度应用场景属性、第二画像维度应用场景属性、第一非画像维度应用场景属性和第二非画像维度应用场景属性进行加权计算，得到推荐业务节点的深度关联应用场景属性。
例如，云计算服务系统计算第一画像维度应用场景属性、第二画像维度应用场景属性、第一非画像维度应用场景属性和第二非画像维度应用场景属性的加权和，其中，第一画像维度应用场景属性、第二画像维度应用场景属性、第一非画像维度应用场景属性和第二非画像维度应用场景属性可以对应有不同的影响因子，可以是预先设置好的，也可以是通过神经网络训练得到的。然后得到推荐业务节点的深度关联应用场景属性。
在上述实施例中，通过计算第一画像维度应用场景属性、第二画像维度应用场景属性、第一非画像维度应用场景属性和第二非画像维度应用场景属性，进而得到推荐业务节点的深度关联应用场景属性，能够使计算得到的推荐业务节点的深度关联应用场景属性更加准确，从而能够提高得到的推荐倾向参数的准确性。
一种实施例中，步骤A402，即基于所述会话推荐对象特征进行画像维度应用场景属性提取，得到所述画像维度应用场景属性，从所述画像维度应用场景属性中确定在所述待推荐内容标签对应的画像业务节点对应的应用场景属性，得到第一画像维度应用场景属性，包括：
步骤A502，获取预设初始代表推荐特征，并按照从初始到终止的顺序从会话推荐对象特征中确定当前会话推荐单位特征。
其中，预设初始代表推荐特征是指预先设置好的用于从初始业务节点到终止业务节点进行场景属性计算时使用的特征向量。当前会话推荐单位特征是指按照逻辑业务单位的划分得到的会话推荐对象特征中当前需要计算应用场景属性的会话推荐单位特征。一种实施例中，可以按照从初始到终止的顺序从会话推荐对象特征中确定当前会话推荐单位特征。
例如，云计算服务系统获取到预先设置好的初始代表推荐特征，并按照从初始到终止的顺序从会话推荐对象特征中确定当前会话推荐单位特征，例如，从会话推荐对象特征中确定初始会话推荐单位对应的初始会话推荐单位特征。
步骤A504，基于预设初始代表推荐特征和当前会话推荐单位特征进行画像维度场景属性计算，得到当前会话推荐单位特征对应的当前单位画像维度应用场景属性。
例如，云计算服务系统基于预设初始代表推荐特征和当前会话推荐单位特征使用循环神经网络进行画像维度场景属性计算，得到前会话推荐单位特征对应的当前单位画像维度应用场景属性。
步骤A506，将当前单位画像维度应用场景属性作为预设初始代表推荐特征，并返回按照从初始到终止的顺序依次从会话推荐对象特征中确定当前会话推荐单位特征的步骤迭代计算，直到得到会话推荐对象特征中各个会话推荐单位特征对应的画像维度应用场景属性。
例如，云计算服务系统将当前单位画像维度应用场景属性作为预设初始代表推荐特征，并返回按照从初始到终止的顺序依次从会话推荐对象特征中确定当前会话推荐单位特征的步骤迭代计算，直到得到会话推荐对象特征中各个会话推荐单位特征对应的画像维度应用场景属性，即在得到会话推荐对象特征中终止向量对应的画像维度应用场景属性时，迭代结束。
步骤A508，从各个会话推荐单位特征中确定在待推荐内容标签对应的画像业务节点的目标会话推荐单位特征，将目标会话推荐单位特征对应的画像维度应用场景属性作为第一画像维度应用场景属性。
例如，云计算服务系统将目标会话推荐单位特征对应的画像维度应用场景属性作为第一画像维度应用场景属性。
一种实施例中，从各个会话推荐单位特征中确定目标业务节点对应的会话推荐单位特征，将目标业务节点对应的会话推荐单位特征对应的画像维度应用场景属性作为第二画像维度应用场景属性。
在上述实施例中，通过使用预设初始代表推荐特征和会话推荐对象特征迭代计算得到会话推荐对象特征中每个会话推荐单位特征对应的画像维度应用场景属性，然后基于订阅推荐标签信息从每个会话推荐单位特征对应的画像维度应用场景属性中确定画像维度应用场景属性，提高了得到的画像维度应用场景属性的准确性。
一种实施例中，步骤A406，即基于会话推荐对象特征进行非画像维度应用场景属性提取，得到非画像维度应用场景属性，从非画像维度应用场景属性中确定待推荐内容标签对应的非画像业务节点对应的应用场景属性，得到第一非画像维度应用场景属性，包括：
步骤A602，获取预设终止代表推荐特征，并按照从终止到初始的顺序从会话推荐对象特征中确定当前非画像维度单位特征。
其中，预设终止代表推荐特征是指预先设置好的用于从终止业务节点到初始业务节点进行场景属性计算时使用的特征向量，该预设终止代表推荐特征可以和预设初始代表推荐特征相同，也可以不同。当前非画像维度单位特征是指在非画像维度计算时从会话推荐对象特征中确定的当前会话推荐单位对应的特征向量。当前非画像维度单位特征是当前需要计算非画像维度应用场景属性信息的特征向量。非画像维度是指从终止业务节点到初始业务节点，画像维度是指从初始业务节点到终止业务节点。
例如，云计算服务系统获取到预设终止代表推荐特征，并按照从终止到初始的顺序从会话推荐对象特征中确定当前非画像维度单位特征。
步骤A604，基于预设终止代表推荐特征和当前非画像维度单位特征进行非画像维度场景属性计算，得到当前非画像维度单位特征对应的当前会话推荐单位的非画像维度应用场景属性。
步骤A606，将当前会话推荐单位的非画像维度应用场景属性作为预设终止代表推荐特征，并返回按照从终止到初始的顺序依次从会话推荐对象特征中确定当前非画像维度单位特征的步骤迭代计算，直到得到会话推荐对象特征中各个会话推荐单位特征对应的非画像维度应用场景属性。
步骤A608，从各个会话推荐单位特征中确定待推荐内容标签对应的画像业务节点对应的目标非画像维度单位特征，将目标非画像维度单位特征对应的非画像维度应用场景属性作为第一非画像维度应用场景属性。
例如，目标非画像维度单位特征是指在线服务会话信息中待推荐内容标签对应的画像业务节点对应的会话推荐单位的特征向量，云计算服务系统将目标非画像维度单位特征对应的非画像维度应用场景属性作为第一非画像维度应用场景属性。
一种实施例中，从各个会话推荐单位特征中确定在目标业务节点之外的扩展业务节点的会话推荐单位特征，将在目标业务节点之外的扩展业务节点的会话推荐单位特征对应的非画像维度应用场景属性作为第二非画像维度应用场景属性。
在上述实施例中，通过使用预设终止代表推荐特征和会话推荐对象特征迭代计算得到会话推荐对象特征中每个会话推荐单位特征对应的非画像维度应用场景属性，然后基于订阅推荐标签信息从每个会话推荐单位特征对应的非画像维度应用场景属性中确定非画像维度应用场景属性，提高了得到的非画像维度应用场景属性的准确性。
一种实施例中，基于推荐业务节点的深度关联应用场景属性和待推荐内容标签特征进行推荐决策，得到推荐倾向参数，包括：
基于推荐业务节点的深度关联应用场景属性和待推荐内容标签特征进行场景属性计算，得到待推荐代表推荐特征，基于待推荐代表推荐特征进行分类计算，得到推荐倾向参数。
其中，待推荐代表推荐特征是指待推荐内容标签特征对应的场景属性向量，待推荐内容标签特征中每个会话推荐单位特征都有对应的待推荐代表推荐特征。
例如，云计算服务系统使用推荐业务节点的深度关联应用场景属性和待推荐内容标签特征进行场景属性计算，例如，可以使用循环神经网络进行场景属性计算，得到待推荐代表推荐特征，然后使用于待推荐代表推荐特征进行分类计算，得到推荐倾向参数。
一种实施例中，基于推荐业务节点的深度关联应用场景属性和待推荐内容标签特征进行场景属性计算，得到待推荐代表推荐特征，基于待推荐代表推荐特征进行分类计算，得到推荐倾向参数，包括：
步骤A702，获取预设目标代表推荐特征，按照从初始到终止的顺序从待推荐内容标签特征中确定当前待推荐的会话推荐单位特征。
其中，预设目标代表推荐特征是指预先设置好的用于计算待推荐代表推荐特征时使用的初始代表推荐特征。当前待推荐的会话推荐单位特征是指待推荐内容标签中当前需要进行待推荐代表推荐特征计算的待推荐单位对应的特征向量。
例如，云计算服务系统获取到取预设目标代表推荐特征，然后按照从初始到终止的顺序从待推荐内容标签特征中确定初始待推荐单位对应的初始待推荐的会话推荐单位特征，将初始待推荐的会话推荐单位特征作为当前待推荐的会话推荐单位特征。
步骤A704，基于预设目标代表推荐特征、推荐业务节点的深度关联应用场景属性和当前待推荐的会话推荐单位特征计算当前待推荐的会话推荐单位特征对应的当前待推荐单位的代表推荐特征。
例如，云计算服务系统计算得到每个待推荐单位对应的待推荐单位的代表推荐特征。
步骤A706，基于当前待推荐单位的代表推荐特征进行分类计算，得到当前待推荐的会话推荐单位特征对应的当前单位推荐倾向参数。
例如，云计算服务系统使用每个待推荐单位对应的待推荐单位的代表推荐特征进行分类计算，得到每个待推荐的会话推荐单位特征对应的单位推荐倾向参数。
步骤A708，将当前待推荐单位的代表推荐特征作为预设目标代表推荐特征，并返回按照从初始到终止的顺序从待推荐内容标签特征中确定当前待推荐的会话推荐单位特征的步骤迭代执行，直到得到各个待推荐的会话推荐单位特征对应的单位推荐倾向参数。
例如，云计算服务系统将当前待推荐单位的代表推荐特征作为预设目标代表推荐特征，并返回步骤A702按照从初始到终止的顺序从待推荐内容标签特征中确定当前待推荐的会话推荐单位特征的步骤迭代执行，直到得到每个待推荐的会话推荐单位特征对应的单位推荐倾向参数。
步骤A710，基于各个待推荐的会话推荐单位特征对应的单位推荐倾向参数进行累乘计算，得到推荐倾向参数。
例如，云计算服务系统将于各个待推荐的会话推荐单位特征对应的单位推荐倾向参数进行累乘计算，得到推荐倾向参数。
在上述实施例中，通过计算推荐业务节点的深度关联应用场景属性和待推荐的会话推荐单位特征计算得到每个待推荐单位对应的推荐倾向参数，进而计算得到推荐倾向参数，从而使得到的推荐倾向参数更加的准确。
一种实施例中，本公开实施例提供了一种基于大数据挖掘的内容源推荐更新方法，包括以下步骤：
步骤A802，获取标定样本数据，标定样本数据中包括标定数据集、标定信息和标定权重，标定信息中包括标定推荐内容标签和标定推荐业务节点。
其中，标定样本数据是指训练会话推荐学习网络时使用的样本。标定数据集是指训练时使用的在线服务会话信息。标定信息是指训练时标定数据集对应的订阅推荐标签信息，该标定权重用于表征标定数据集的展现次数，该展现次数是统计得到的。标定推荐内容标签是指训练时使用的会话推荐对象。标定推荐业务节点是指训练时使用的会话推荐对象对应的推荐业务节点。
步骤A804，将标定样本数据输入到初始会话推荐学习网络中，初始会话推荐学习网络将在线服务会话信息进行初始对象特征提取，得到初始会话推荐对象特征，并将标定推荐内容标签进行初始对象特征提取，得到初始标定推荐内容标签向量，基于初始会话推荐对象特征进行画像维度应用场景属性提取和非画像维度应用场景属性提取，得到初始画像维度应用场景属性和初始非画像维度应用场景属性，基于标定推荐业务节点从初始画像维度应用场景属性和初始非画像维度应用场景属性中确定目标初始画像维度应用场景属性和目标初始非画像维度应用场景属性，基于目标初始画像维度应用场景属性和目标初始非画像维度应用场景属性进行初始深度关联应用场景属性计算，得到标定推荐业务节点的初始深度关联应用场景属性，基于标定推荐业务节点的初始深度关联应用场景属性和初始标定推荐内容标签向量进行初始推荐决策，得到初始推荐倾向参数。
其中，初始会话推荐学习网络是指模型参数初始化的会话推荐学习网络。初始会话推荐学习网络是使用循环神经网络建立的。初始会话推荐对象特征是指使用初始会话推荐学习网络进行对象特征提取后得到的标定数据集对应的特征向量。初始标定推荐内容标签向量是指使用初始会话推荐学习网络进行对象特征提取后得到的标定推荐内容标签对应的特征向量。初始画像维度应用场景属性和初始非画像维度应用场景属性是使用初始会话推荐学习网络中的初始应用场景属性提取参数进行应用场景属性提取得到的特征向量。标定推荐业务节点的初始深度关联应用场景属性是指使用初始会话推荐学习网络计算得到的标定推荐业务节点的深度关联应用场景属性。初始推荐倾向参数是指使用初始会话推荐学习网络预测得到的标定推荐内容标签对应的推荐倾向参数。
例如，云计算服务系统将标定样本数据输入到初始会话推荐学习网络中进行训练，初始会话推荐学习网络通过双向循环神经网络计算得到标定推荐业务节点的深度关联应用场景属性，然后根据标定推荐业务节点的深度关联应用场景属性和初始标定推荐内容标签向量使用单向循环神经网络进行推荐决策，输出初始推荐倾向参数。
步骤A806，基于初始推荐倾向参数和标定权重计算得到初始目标推荐倾向参数。
其中，初始目标推荐倾向参数是指使用初始推荐倾向参数计算得到的目标推荐倾向参数。
例如，云计算服务系统使用标定权重对初始推荐倾向参数进行加权计算，得到初始目标推荐倾向参数。
步骤A808，判断初始目标推荐倾向参数是否最大化，当初始目标推荐倾向参数最大化时执行步骤A810a，当初始目标推荐倾向参数未最大化时，执行步骤A810b并返回步骤A804执行。
步骤A810a，得到会话推荐学习网络。
步骤A810b，当初始目标推荐倾向参数未最大化时，基于初始目标推荐倾向参数更新初始会话推荐学习网络，得到更新会话推荐学习网络，将更新会话推荐学习网络作为初始会话推荐学习网络，并返回将标定样本数据输入到初始会话推荐学习网络中的步骤携带执行，直到初始目标推荐倾向参数最大化。
其中，判断初始目标推荐倾向参数是否最大化是指判断初始目标推荐倾向参数对应的总似然误差是否最大化。
当初始目标推荐倾向参数未最大化时，基于初始目标推荐倾向参数更新初始会话推荐学习网络，其中，可以使用梯度下降法负向维度更新初始会话推荐学习网络，得到更新会话推荐学习网络，也可以使用其他优化算法更新初始会话推荐学习网络，例如，AdaGrad（自适应学习率）算法、Adam（Adaptive momentestimation，自适应矩估计）算法等等。将更新会话推荐学习网络作为初始会话推荐学习网络，并返回将标定样本数据输入到初始会话推荐学习网络中的步骤携带执行，直到初始目标推荐倾向参数最大化时，将初始目标推荐倾向参数最大化时的模型作为训练得到的会话推荐学习网络。
上述会话推荐学习网络训练方法，通过获取标定样本数据，将标定样本数据输入到初始会话推荐学习网络中，然后初始会话推荐学习网络将在线服务会话信息进行应用场景属性提取，得到初始画像维度应用场景属性和初始非画像维度应用场景属性，基于推荐业务节点使用初始画像维度应用场景属性和初始非画像维度应用场景属性计算得到标定推荐业务节点的初始深度关联应用场景属性，最后使用标定推荐业务节点的初始深度关联应用场景属性和初始标定推荐内容标签向量进行推荐决策，得到初始推荐倾向参数，基于初始推荐倾向参数和标定权重计算得到初始目标推荐倾向参数，当初始目标推荐倾向参数最大化时，得到会话推荐学习网络，由于使用了推荐业务节点的深度关联应用场景属性进行推荐决策，从而提高了推荐决策的准确，然后当初始目标推荐倾向参数最大化时，得到会话推荐学习网络，从而提高了训练得到的会话推荐学习网络的准确性。
一种实施例中，标定样本数据包括标定推荐样本和未推荐样本，标定推荐样本包括标定数据集、标注会话推荐对象信息和推荐影响因子，标注会话推荐对象信息中包括训练待推荐内容标签和标定推荐业务节点，未推荐样本中包括标定数据集、未订阅推荐标签信息和未推荐影响因子，未订阅推荐标签信息中包括未推荐标签和标定推荐业务节点；
步骤A904，将标定样本数据输入到初始会话推荐学习网络中，包括：
将标定推荐样本和未推荐样本输入到初始会话推荐学习网络中，得到输出的标定推荐样本对应的第一初始推荐倾向参数和未推荐样本对应的第二初始推荐倾向参数。
其中，标定数据集是指训练时使用的在线服务会话信息。推荐影响因子用于表征将标定数据集在有待推荐内容标签的情况下进行推荐的影响因子，即是指标定推荐信息对应的影响因子。未订阅推荐标签信息用于指示标定数据集的待推荐内容标签对应的推荐为自身，即保持不变。未推荐影响因子用于表征标定数据集在有待推荐内容标签的情况下保持不变的影响因子，即是指标定数据集对应的影响因子。未推荐标签是指标定数据集中推荐业务节点的会话推荐对象。
例如，云计算服务系统将标定推荐样本和未推荐样本输入到初始会话推荐学习网络中，初始会话推荐学习网络将标定数据集、待推荐内容标签和未推荐标签进行初始对象特征提取，得到初始会话推荐对象特征、初始待推荐内容标签特征和初始未推荐标签向量，基于初始会话推荐对象特征进行画像维度应用场景属性提取和非画像维度应用场景属性提取，得到初始画像维度应用场景属性和初始非画像维度应用场景属性，基于标定推荐业务节点从初始画像维度应用场景属性和初始非画像维度应用场景属性中确定目标初始画像维度应用场景属性和目标初始非画像维度应用场景属性，基于目标初始画像维度应用场景属性和目标初始非画像维度应用场景属性进行初始深度关联应用场景属性计算，得到标定推荐业务节点的初始深度关联应用场景属性，基于标定推荐业务节点的初始深度关联应用场景属性和初始待推荐内容标签特征进行初始推荐决策，得到标定推荐样本对应的第一初始推荐倾向参数，并基于标定推荐业务节点的初始深度关联应用场景属性和初始未推荐标签向量进行初始推荐决策，得到未推荐样本对应的第二初始推荐倾向参数。
步骤A806，基于初始推荐倾向参数和标定权重计算得到初始目标推荐倾向参数，当初始目标推荐倾向参数最大化时，得到会话推荐学习网络，包括：
基于第一初始推荐倾向参数和推荐影响因子计算得到第一初始目标推荐倾向参数，并基于第二初始推荐倾向参数和未推荐影响因子计算得到第二初始目标推荐倾向参数，基于第一初始目标推荐倾向参数和第二初始目标推荐倾向参数得到特定初始目标推荐倾向参数，当特定初始目标推荐倾向参数最大化时，得到会话推荐学习网络。
其中，第一初始目标推荐倾向参数是指对第一初始推荐倾向参数使用推荐影响因子进行加权计算后得到的推荐倾向参数。第二初始目标推荐倾向参数是指对第二初始推荐倾向参数使用未推荐影响因子进行加权计算后得到的推荐倾向参数。
例如，云计算服务系统计算第一初始推荐倾向参数和推荐影响因子的乘积得到第一初始目标推荐倾向参数。并计算第二初始推荐倾向参数和未推荐影响因子的乘积得到第二初始目标推荐倾向参数，然后将第一初始目标推荐倾向参数和第二初始目标推荐倾向参数相加，得到特定初始目标推荐倾向参数，当特定初始目标推荐倾向参数最大化时，得到会话推荐学习网络。一种实施例中，当计算得到的第一初始目标推荐倾向参数和第二初始目标推荐倾向参数都最大化时，得到会话推荐学习网络。
在上述实施例中，通过使用推荐样本和未推荐样本训练会话推荐学习网络，从而能够使训练得到的会话推荐学习网络提高的推荐决策的准确性。
一种实施例中，提供了一种基于大数据挖掘的内容源推荐更新方法，包括以下步骤：
步骤A902，接收请求推荐信息，请求推荐信息中携带有请求会话推荐对象。
例如，请求推荐信息是指使用请求会话推荐对象进行请求推荐的指令，请求会话推荐对象可以是请求推荐标签，也可以是请求推荐会话链接。
步骤A904，基于请求会话推荐对象查找对应的订阅推荐标签信息，订阅推荐标签信息包括待推荐内容标签和推荐业务节点，将请求会话推荐对象特征化，得到请求会话推荐对象特征，并提取待推荐内容标签的对象特征，得到待推荐内容标签特征；基于请求会话推荐对象特征进行画像维度应用场景属性提取和非画像维度应用场景属性提取，得到画像维度应用场景属性和非画像维度应用场景属性，基于推荐业务节点从画像维度应用场景属性和非画像维度应用场景属性中确定目标画像维度应用场景属性和目标非画像维度应用场景属性；基于目标画像维度应用场景属性和目标非画像维度应用场景属性进行深度关联应用场景属性计算，得到推荐业务节点的深度关联应用场景属性；基于推荐业务节点的深度关联应用场景属性和待推荐内容标签特征进行推荐决策，得到推荐倾向参数，基于推荐倾向参数使用待推荐内容标签对请求会话推荐对象中推荐业务节点对应的会话推荐对象进行推荐，得到推荐信息，基于推荐信息和请求会话推荐对象查找对应的请求推荐结果。
例如，云计算服务系统接收待请求会话推荐对象，基于请求会话推荐对象在数据库中查找对应的订阅推荐标签信息，该数据库中存在有各种使用推荐方式进行推荐后得到的订阅推荐标签信息。例如，云计算服务系统可以遍历请求会话推荐对象中的每个对象属性，查找每个对象属性对应的待推荐内容标签，然后根据待推荐内容标签和推荐业务节点得到订阅推荐标签信息。然后将请求会话推荐对象和待推荐内容标签进行对象特征提取，得到请求会话推荐对象特征和待推荐内容标签特征；基于请求会话推荐对象特征进行画像维度应用场景属性提取和非画像维度应用场景属性提取，得到画像维度应用场景属性和非画像维度应用场景属性，基于推荐业务节点从画像维度应用场景属性和非画像维度应用场景属性中确定目标画像维度应用场景属性和目标非画像维度应用场景属性；基于目标画像维度应用场景属性和目标非画像维度应用场景属性进行深度关联应用场景属性计算，得到推荐业务节点的深度关联应用场景属性；基于推荐业务节点的深度关联应用场景属性和待推荐内容标签特征进行推荐决策，得到推荐倾向参数，基于推荐倾向参数使用待推荐内容标签对请求会话推荐对象中推荐业务节点对应的会话推荐对象进行推荐，得到推荐信息。一种实施例中，云计算服务系统可以直接将请求会话推荐对象和对应的订阅推荐标签信息输入到会话推荐学习网络中进行推荐决策，得到输出的推荐倾向参数。一种实施例中，云计算服务系统可以使用上述任意实施例中的基于大数据挖掘的内容源推荐更新方法基于请求会话推荐对象和对应的订阅推荐标签信息进行推荐决策，得到推荐倾向参数。
云计算服务系统在推荐倾向参数超过目标阈值的情况下，使用推荐信息和请求会话推荐对象查找对应的请求推荐结果，在推荐倾向参数未超过目标阈值的情况下，使用请求会话推荐对象查找对应的请求推荐结果。然后将查找到的请求推荐结果返回智慧在线服务终端中。
步骤A906，向智慧在线服务终端返回请求推荐结果，以使得智慧在线服务终端将请求推荐结果进行展示。
在上述请求推荐方法中，通过接收到请求推荐信息时，向云计算服务系统发送请求会话推荐对象，然后云计算服务系统通过计算请求会话推荐对象和订阅推荐标签信息的推荐倾向参数，确定是否进行推荐，然后可以使用推荐信息和请求会话推荐对象共同查找请求推荐结果，从而能够使得到的请求推荐结果更加的准确。
图3为本公开实施例提供的基于大数据挖掘的内容源推荐更新装置300的功能模块示意图，下面分别对该基于大数据挖掘的内容源推荐更新装置300的各个功能模块的功能进行详细阐述。
推荐模块310，用于基于智慧在线服务终端发起的智慧在线服务页面的在线服务会话信息的推荐倾向参数向智慧在线服务终端推荐对应的会话推荐对象，以使智慧在线服务终端基于会话推荐对象进行会话业务互动，并获取智慧在线服务终端在每个会话推荐对象中的会话业务互动大数据。
挖掘模块320，用于对每个会话推荐对象中的会话业务互动大数据进行数据挖掘，获得针对每个会话推荐对象的会话用户画像集。
更新模块330，用于基于针对每个会话推荐对象的会话用户画像集，对智慧在线服务终端在每个会话推荐对象上的内容源信息进行推荐更新。
图4示出了本公开实施例提供的用于实现上述的基于大数据挖掘的内容源推荐更新方法的云计算服务系统100的硬件结构示意图，如图4所示，云计算服务系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令，使得处理器110可以执行如上方法实施例的基于大数据挖掘的内容源推荐更新方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作，从而可以与前述的智慧在线服务终端200进行数据收发。
处理器110的具体实现过程可参见上述云计算服务系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于大数据挖掘的内容源推荐更新方法。
最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。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匹配。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种基于大数据挖掘的内容源推荐更新方法，其特征在于，应用于云计算服务系统，所述云计算服务系统与所述多个智慧在线服务终端通信连接，所述云计算服务系统基于预先申请的云计算资源进行智慧在线服务信息推荐，所述方法包括：
基于所述智慧在线服务终端发起的智慧在线服务页面的在线服务会话信息的推荐倾向参数向所述智慧在线服务终端推荐对应的会话推荐对象，以使所述智慧在线服务终端基于所述会话推荐对象进行会话业务互动，并获取所述智慧在线服务终端在每个所述会话推荐对象中的会话业务互动大数据；
对每个所述会话推荐对象中的会话业务互动大数据进行数据挖掘，获得针对每个所述会话推荐对象的会话用户画像集；
基于针对每个所述会话推荐对象的会话用户画像集，对所述智慧在线服务终端在每个所述会话推荐对象上的内容源信息进行推荐更新。
2.根据权利要求1所述的基于大数据挖掘的内容源推荐更新方法，其特征在于，所述对每个所述会话推荐对象中的会话业务互动大数据进行数据挖掘，获得针对每个所述会话推荐对象的会话用户画像集的步骤，包括：
对每个所述会话推荐对象中的会话业务互动大数据进行不同会话行为的数据匹配，获取对应的会话行为匹配数据；
获取所述会话行为匹配数据的会话行为知识网络中的多个知识结构的结构属性信息；每个知识结构用于表示所述会话行为匹配数据在会话互动过程中需要被调用的一个或者多个兴趣会话，且所述每个知识结构所表示的兴趣会话的兴趣会话数据需要画像预测；任一知识结构的结构属性信息用于反映所述任一知识结构和其它知识结构之间的结构关系；
根据各知识结构的结构属性信息，将至少两个知识结构归类为目标知识团，所述目标知识团用于指示对被归类的知识结构所表示的兴趣会话的兴趣会话数据进行画像预测；
采用所述目标知识团更新所述会话行为知识网络，并将更新后的会话行为知识网络发送至画像预测模型，所述更新后的会话行为知识网络用于指示所述画像预测模型按照所述目标知识团的特征信息，在所述会话行为匹配数据的会话互动过程中对所述被归类的知识结构所表示的兴趣会话的兴趣会话数据进行画像预测，并输出画像预测结果，所述画像预测结果包括每个所述会话推荐对象的会话用户画像集。
3.根据权利要求2所述的基于大数据挖掘的内容源推荐更新方法，其特征在于，所述多个知识结构对应一个目标兴趣互动数据集，所述目标兴趣互动数据集是基于各知识结构在所述会话行为知识网络中的会话传递逻辑，采用多个会话传递关系关联所述各知识结构得到的；
所述会话传递逻辑用于指示：一个知识结构沿着所述会话行为知识网络中的至少一条会话传递节点关联其它知识结构的传递信息；
任一知识结构的第一维度兴趣位置信息包括以下至少一项：所述任一知识结构的第一维度兴趣位置信息和所述任一知识结构的第二维度兴趣位置信息；
所述任一知识结构的第一维度兴趣位置信息中的第一维度兴趣位置为：从所述目标兴趣互动数据集中的选定知识结构至所述任一知识结构的所有第一维度传递关系均关联的知识结构；
其中，所述任一知识结构的第一维度兴趣位置信息中相对于所述任一知识结构最先的第一维度兴趣位置，为所述任一知识结构的最先第一维度兴趣位置；
所述任一知识结构的第二维度兴趣位置信息中的第二维度兴趣位置信息为：从所述目标兴趣互动数据集对应的第二维度会话传递信息中的选定知识结构至所述任一知识结构的所有第二维度传递关系均关联的知识结构；
其中，所述任一知识结构的第二维度兴趣位置信息中相对于所述任一知识结构最先的第二维度兴趣位置信息，为所述任一知识结构的最先第二维度兴趣位置信息；
所述第二维度会话传递信息是指对所述目标兴趣互动数据集中的各个会话传递关系进行负向维度处理所得到的传递信息；
所述根据各知识结构的结构属性信息，将至少两个知识结构归类为目标知识团，包括：
根据各知识结构的结构属性信息，构建由所述多个知识结构构成的第一维度兴趣聚类信息；
基于所述第一维度兴趣聚类信息，提取目标信息；
所述目标信息包括：多分簇所需的目标对象集，每个目标对象集中至少存在一个目标对象为所述知识结构；
按照所述目标信息对所述多个知识结构进行至少一层分簇，得到目标知识团。
4.根据权利要求3所述的基于大数据挖掘的内容源推荐更新方法，其特征在于，所述根据各知识结构的结构属性信息，构建由所述多个知识结构构成的第一维度兴趣聚类信息，包括：
将所述目标兴趣互动数据集中的选定知识结构作为第一维度兴趣聚类信息的参照目标对象，并确定所述多个知识结构中除所述目标兴趣互动数据集中的选定知识结构以外的余下知识结构；
从每个余下知识结构的结构属性信息中的第一维度兴趣位置信息中，获取所述每个余下知识结构的最先第一维度兴趣位置；
根据所述每个余下知识结构的最先第一维度兴趣位置，确定各知识结构之间的最先结构关系；
按照所述最先结构关系将所述各余下知识结构更新至所述参照目标对象下，以得到第一维度兴趣聚类信息。
5.根据权利要求3所述的基于大数据挖掘的内容源推荐更新方法，其特征在于，所述第一维度兴趣聚类信息中除参照目标对象以外的每个知识结构的目标继承对象为：所述每个知识结构的最先第一维度兴趣位置；所述多个知识结构中存在T个第一维度画像预测对，一个第一维度画像预测对关联至少一潜在分簇所需的目标对象集；其中，T为正整数；
所述基于所述第一维度兴趣聚类信息，提取目标信息，包括：
按照层次分布的遍历顺序，从所述第一维度兴趣聚类信息中未被遍历的知识结构中选取第一知识结构；
根据除所述目标兴趣互动数据集中的最后知识结构以外的各知识结构的第二维度兴趣位置信息，检测是否存在第二知识结构和所述第一知识结构构成第T个第一维度画像预测对，T∈[1，P]；
所述第二知识结构满足如下条件：所述第二知识结构为所述第一知识结构的最先第一维度兴趣位置，且所述第一知识结构为所述第二知识结构的最先第二维度兴趣位置信息；
若存在，则根据所述第二知识结构从所述多个知识结构中，选取至少一个知识结构更新至与所述第T个第一维度画像预测对关联的目标潜在分簇所需的目标对象集中，并继续遍历所述第一维度兴趣聚类信息； 若不存在，则重新选取第一知识结构，直至所述第一维度兴趣聚类信息中的各知识结构均被遍历。
6.根据权利要求5所述的基于大数据挖掘的内容源推荐更新方法，其特征在于，所述若存在，则根据所述第二知识结构从所述多个知识结构中，选取至少一个知识结构更新至与所述第T个第一维度画像预测对关联的目标潜在分簇所需的目标对象集中，包括：
若存在，则从所述第一维度兴趣聚类信息中获取所述第二知识结构的潜在目标对象集；
若所述潜在目标对象集中只包括所述第一知识结构以及所述第一知识结构的潜在目标对象，则选取所述第一知识结构和所述第二知识结构，更新至与所述第T个第一维度画像预测对关联的目标潜在分簇所需的目标对象集中；
若所述潜在目标对象集中包括除所述第一知识结构以及所述第一知识结构的潜在目标对象以外的其它潜在目标对象，则选取所述其它潜在目标对象更新至所述目标潜在分簇所需的目标对象集中。
7.根据权利要求6所述的基于大数据挖掘的内容源推荐更新方法，其特征在于，所述选取所述第一知识结构和所述第二知识结构，更新至与所述第T个第一维度画像预测对关联的目标潜在分簇所需的目标对象集中，包括：
检测前P-1个第一维度画像预测对关联的参照潜在分簇所需的目标对象集中，是否存在第一参照目标对象集包括所述第一知识结构；
若存在所述第一参照目标对象集，则将所述第一参照目标对象集对应的知识团和所述第二知识结构，更新至与所述第T个第一维度画像预测对关联的目标潜在分簇所需的目标对象集中；
若不存在所述第一参照目标对象集，则将所述第一知识结构和所述第二知识结构更新至所述目标潜在分簇所需的目标对象集中。
8.根据权利要求6所述的基于大数据挖掘的内容源推荐更新方法，其特征在于，所述选取所述其它潜在目标对象更新至所述目标潜在分簇所需的目标对象集中，包括：
检测前P-1个第一维度画像预测对关联的参照潜在分簇所需的目标对象集中，是否存在第二参照目标对象集包括所述其它潜在目标对象所对应的知识团；
若存在所述第二参照目标对象集，则将所述第二参照目标对象集对应的知识团、所述第一知识结构以及所述第二知识结构，更新至所述目标潜在分簇所需的目标对象集中；
若不存在所述第二参照目标对象集，则将所述其它潜在目标对象更新至所述目标潜在分簇所需的目标对象集中，并将由所述其它潜在目标对象归类的知识团、所述第一知识结构以及所述第二知识结构，更新至与所述第T个第一维度画像预测对关联的位于所述目标潜在分簇之下的下一潜在分簇所需的目标对象集中。
9.根据权利要求1-8中任意一项所述的基于大数据挖掘的内容源推荐更新方法，其特征在于，所述采用所述目标知识团更新所述会话行为知识网络，包括：
在所述会话行为知识网络中添加所述目标知识团，并采用会话传递关系关联所述目标知识团和所述被归类的知识结构；
在所述会话行为知识网络中为未被归类的知识结构增加一个匹配的目标对象，以及在所述会话行为知识网络中为所述目标知识团增加一个匹配的目标对象。
10.一种云计算服务系统，其特征在于，所述云计算服务系统包括处理器、机器可读存储介质和通信单元，所述机器可读存储介质、所述通信单元以及所述处理器之间通过总线系统相关联，所述通信单元用于与至少一个智慧在线服务终端通信连接，所述机器可读存储介质用于存储计算机指令，所述处理器用于执行所述机器可读存储介质中的计算机指令，以执行权利要求1-9中任意一项的基于大数据挖掘的内容源推荐更新方法。
CN202110682157.7A 2021-06-20 2021-06-20 基于大数据挖掘的内容源推荐更新方法及云计算服务系统 Withdrawn CN113343092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110682157.7A CN113343092A (zh) 2021-06-20 2021-06-20 基于大数据挖掘的内容源推荐更新方法及云计算服务系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110682157.7A CN113343092A (zh) 2021-06-20 2021-06-20 基于大数据挖掘的内容源推荐更新方法及云计算服务系统

Publications (1)

Publication Number Publication Date
CN113343092A true CN113343092A (zh) 2021-09-03

Family

ID=77477784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110682157.7A Withdrawn CN113343092A (zh) 2021-06-20 2021-06-20 基于大数据挖掘的内容源推荐更新方法及云计算服务系统

Country Status (1)

Country Link
CN (1) CN113343092A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114048387A (zh) * 2021-11-23 2022-02-15 赵运柱 基于大数据和ai预测的内容推荐方法及人工智能云系统
CN114203304A (zh) * 2021-11-15 2022-03-18 陈立昆 基于智慧医疗大数据的信息推送方法及智慧医疗云服务器
CN114221991A (zh) * 2021-11-08 2022-03-22 梅瑞生 基于大数据的会话推荐反馈处理方法及深度学习服务系统
CN114219516A (zh) * 2021-11-08 2022-03-22 梅瑞生 基于大数据的信息流会话推荐方法及深度学习服务系统
CN114781624A (zh) * 2022-05-23 2022-07-22 百色市恒赢电脑网络有限公司 基于大数据分析的用户行为意图挖掘方法及大数据系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114221991A (zh) * 2021-11-08 2022-03-22 梅瑞生 基于大数据的会话推荐反馈处理方法及深度学习服务系统
CN114219516A (zh) * 2021-11-08 2022-03-22 梅瑞生 基于大数据的信息流会话推荐方法及深度学习服务系统
CN114221991B (zh) * 2021-11-08 2023-07-04 北京智优集品科技有限公司 基于大数据的会话推荐反馈处理方法及深度学习服务系统
CN114203304A (zh) * 2021-11-15 2022-03-18 陈立昆 基于智慧医疗大数据的信息推送方法及智慧医疗云服务器
CN114048387A (zh) * 2021-11-23 2022-02-15 赵运柱 基于大数据和ai预测的内容推荐方法及人工智能云系统
CN114781624A (zh) * 2022-05-23 2022-07-22 百色市恒赢电脑网络有限公司 基于大数据分析的用户行为意图挖掘方法及大数据系统
CN114781624B (zh) * 2022-05-23 2023-01-10 上海行蕴信息科技有限公司 基于大数据分析的用户行为意图挖掘方法及大数据系统

Similar Documents

Publication Publication Date Title
CN113343092A (zh) 基于大数据挖掘的内容源推荐更新方法及云计算服务系统
CN109408731B (zh) 一种多目标推荐方法、多目标推荐模型生成方法以及装置
US11544536B2 (en) Hybrid neural architecture search
CN111966914B (zh) 基于人工智能的内容推荐方法、装置和计算机设备
CN112182362A (zh) 训练用于在线预测点击率的模型的方法、设备及推荐系统
CN114780831A (zh) 基于Transformer的序列推荐方法及系统
WO2020154373A1 (en) Neural network training using the soft nearest neighbor loss
CN112508177A (zh) 一种网络结构搜索方法、装置、电子设备及存储介质
CN112015898A (zh) 基于标签树的模型训练、文本标签确定方法及装置
CN110232151B (zh) 一种混合概率分布检测的QoS预测模型的构建方法
CN114492601A (zh) 资源分类模型的训练方法、装置、电子设备及存储介质
CN114358250A (zh) 数据处理方法、装置、计算机设备、介质及程序产品
CN111079175B (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
CN112508178A (zh) 神经网络结构搜索方法、装置、电子设备及存储介质
CN113343093A (zh) 基于人工智能的智慧在线服务信息推荐方法及云计算系统
US20240005170A1 (en) Recommendation method, apparatus, electronic device, and storage medium
KR20240034804A (ko) 자동 회귀 언어 모델 신경망을 사용하여 출력 시퀀스 평가
US11695645B2 (en) Methods and systems for dynamic re-clustering of nodes in computer networks using machine learning models
CN115423016A (zh) 多任务预测模型的训练方法、多任务预测方法及装置
CN117010480A (zh) 模型训练方法、装置、设备、存储介质及程序产品
CN114627085A (zh) 目标图像的识别方法和装置、存储介质及电子设备
CN113364788A (zh) 基于大数据和ai的防护配置更新方法及大数据防御系统
CN110502715B (zh) 点击概率的预测方法及装置
CN115409168A (zh) 神经网络优化方法及其装置
CN111897943A (zh) 会话记录搜索方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20210903

WW01 Invention patent application withdrawn after publication